特朗普的「阳谋」:故意制造一场经济衰退

Odaily星球日报Publié le 2025-03-05Dernière mise à jour le 2025-03-05

Résumé

是危险也是机遇,一旦美联储正式开启大规模降息,也将迎来美股和加密市场的繁荣时刻。

原文作者:深潮 TechFlow

特朗普的「阳谋」:故意制造一场经济衰退

最近,无论是美股还是加密货币市场,都迎来大回调,一方面是加征关税,让通胀一时难以下降,美元指数仍在高位,其次,美国糟糕的经济数据也让投资者心里咯噔一下,“交易衰退”可能真的要来了。

根据 3 月 3 日,亚特兰大联储的 GDPNow 预测数据显示,美国 2025 年第一季度 GDP 增长率的预测已暴跌至收缩 2.82% 。而在 2 月 26 日时,该模型预测的结果还是增长 2.32% ,仅短短 5 天(2 个工作日),美国一季度 GDP 预期就迅速下调了 510 个基点。

这也是 2020 年新冠疫情以来,该模型对美国季度 GDP 预测的最差一次结果。

然而,在一些华尔街人士的眼中,这是特朗普的“阳谋”,前雷曼兄弟交易员拉里·麦克唐纳 (Larry McDonald)在最新的播客中表示,特朗普正在试图通过故意制造一场经济衰退,以达到逼宫,让美联储降息和减少美国政府利息支出的目的。

“你不能通过大规模的财政支出来抑制通胀,特朗普团队知道这一点。他们需要一场经济衰退,只有这样才能降低利率并延长债务期限。特朗普政府正在实施“金融压制”,将利率压低到通货膨胀率以下,这是摆脱 37 万亿美元债务困境的唯一途径,除了违约之外没有其他办法。”

相关阅读:《播客全文|对话前雷曼兄弟交易员:特朗普需要一场经济衰退来修复经济

一直以来,特朗普和美联储不对付已放在台面上,美联储为了降低通胀,顾虑重重,希望缓慢降息,特朗普则要求赶紧降息,让政府债务支出下降,他想在中期选举的时候不落下风,必须降息促进经济,给市场充足的流动性,也降低美国贷款群众的压力。

根据估算,如果利率保持在当前水平,明年美国的债务利息将达到 1.2 万亿到 1.3 万亿美元,这比美国的国防开支还要多很多。要知道,当下美国的财政收入也就 4 万亿美元左右,其中国家硬性支出在 3.5 万亿美元左右,而其医保支出则在 2.6 万亿美元左右,如果再加利息支出,这整个基本上就达到了财政收入的 1.7 倍左右。

这就需要美国继续要在高利率环境中以债养债了,市场流动性的枯竭还在继续,美债的成本还在迅速飙升。

因此,在特朗普眼里,不降息就等同于敌人,和自己对着干了。

作为一位精通谈判的商人,特朗普在这个时候选择“逼宫”,通过关税大战和 DOGE 裁员,甚至扬言要对美联储进行审计和人员优化,让美国经济暂时陷入衰退,美股跌一跌,从而给美联储增加压力,促使降息,同时也可以甩锅给上一届政府,等美股反弹回升之后又可以吹嘘成是自己的政绩。

此外,野村证券的分析指出,特朗普政府有意通过减少政府支出和就业,以及加征关税政策,引发一场“温和衰退”,以实现经济从政府依赖向私营部门的结构性转型。

这一策略短期内可能加剧经济下行压力,长期目标是打破美国经济对政府支出的长期依赖,推动私营部门成为增长的主导力量,重塑美国经济的增长模式。

不管怎样,在特朗普与美联储的博弈中,只能先苦一苦美国股市和加密货币市场,是危险也是机遇,一旦美联储正式开启大规模降息,也将迎来美股和加密市场的繁荣时刻。

Lectures associées

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

Anthropic, la société derrière l'IA Claude, a dévoilé un système de classification strict nommé CJS (Cyber Jailbreak Severity) pour évaluer et contrer les tentatives de "jailbreak" (contournement des garde-fous) de ses modèles. Ce cadre classe les requêtes des utilisateurs en quatre catégories de risque, des activités malveillantes (bloquées) aux activités bénignes (autorisées). Cependant, sa sensibilité excessive entraîne de nombreux faux positifs, bloquant des demandes légitimes comme du débogage. Le système CJS évalue la gravité d'un jailbreak sur quatre axes : le gain de capacité, l'étendue des capacités, la difficulté de weaponisation et la découvrabilité. Un score total de 0 à 10 détermine la réponse appropriée, de l'ignorance à la désactivation du modèle. Ce cadre vise à fournir une métrique objective, mais soulève des questions car Anthropic, qui développe également des modèles avancés comme Mythos réservés à des partenaires, définit seule les règles. Cette initiative intervient après que le modèle Fable 5 a été temporairement retiré suite à une demande de conformité aux contrôles à l'exportation américains, marquant une extension de ces régulations aux API d'IA. Ainsi, le CJS n'est pas seulement un outil technique ; il sert aussi de référence potentielle pour les décisions réglementaires futures, traçant une ligne floue entre sécurité et restriction de l'innovation, où les utilisateurs doivent constamment adapter leur langage pour éviter des blocages injustifiés.

marsbitIl y a 24 mins

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

marsbitIl y a 24 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

Le projet « skills » de Vercel, une sorte de gestionnaire de paquets « npm » pour les agents d'IA, connaît un succès fulgurant avec 24 000 étoiles sur GitHub. Il permet aux développeurs d'ajouter des compétences (skills) à leurs assistants IA (comme Claude Code, Cursor) via une simple commande : `npx skills add <package>`. Ces paquets encapsulent des connaissances spécifiques (bonnes pratiques React, conventions d'équipe) dans un dossier contenant un fichier SKILL.md et éventuellement des scripts. La plateforme skills.sh propose un répertoire et un classement des paquets les plus populaires, comme « find-skills » (2,3 millions d'installations). Cette « compétence » permet à l'IA de rechercher et d'installer automatiquement d'autres skills pertinents en fonction d'une demande utilisateur, agissant comme un moteur de recherche de capacités. Cependant, cette commodité s'accompagne de risques de sécurité majeurs. Des audits (comme celui de Snyk « ToxicSkills ») révèlent qu'une part significative des skills tiers contient des vulnérabilités ou des charges malveillantes, pouvant conduire à des injections de prompt, des fuites de clés ou l'exécution de code arbitraire. Contrairement à npm, les skills mélangent instructions, code et accès système, amplifiant les menaces. En somme, Vercel réplique dans l'ère de l'IA sa stratégie réussie avec Next.js : simplifier et standardiser des flux complexes en une commande. Mais l'écosystème naissant des compétences d'IA hérite aussi des pièges classiques des gestionnaires de paquets, nécessitant une vigilance accrue quant à la source et aux permissions des paquets installés.

marsbitIl y a 29 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

marsbitIl y a 29 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

Fable 5, depuis son lancement, a connu un parcours tumultueux, passant des attentes élevées à une interdiction par le gouvernement américain. Aujourd’hui, l’accent est remis sur la productivité. Thariq Shihipar, ingénieur chez Claude Code, a publié un guide détaillé pour utiliser efficacement Fable 5. Le cœur du problème : l’écart d’information entre l’utilisateur et le modèle. Thariq appelle cela les « inconnues » – la différence entre les instructions données (la « carte ») et la réalité de la tâche (le « territoire »). La qualité du travail dépend de notre capacité à réduire ces inconnues. Il identifie quatre types d’inconnues : - Les **connues connues** : ce que nous spécifions clairement. - Les **connues inconnues** : ce que nous savons ne pas savoir. - Les **inconnues connues** : ce qui est évident pour nous mais pas explicité. - Les **inconnues inconnues** : ce que nous ignorons totalement. Le guide propose des méthodes pour les découvrir à chaque étape : **Avant l’implémentation** : - **Scan des angles morts** : Demander à Claude d’identifier les « inconnues inconnues ». - **Brainstorming et prototypage** : Explorer des idées visuelles ou fonctionnelles pour clarifier les attentes. - **Contre-interrogatoire** : Laisser Claude poser des questions pour éliminer les ambiguïtés. - **Références** : Fournir du code ou des exemples concrets comme modèles. - **Plan d’implémentation** : Faire rédiger un plan par Claude pour valider l’approche. **Pendant l’implémentation** : - **Notes d’implémentation** : Maintenir un fichier pour documenter les décisions et écarts. **Après l’implémentation** : - **Documentation explicative** : Créer un résumé clair pour faciliter les revues et l’approbation. - **Test de compréhension** : Se faire interroger par Claude pour s’assurer de maîtriser les changements. Thariq illustre cette approche avec la création de la vidéo de lancement de Fable, entièrement éditée par Claude Code. Il a dû découvrir ses « inconnues » en matière de montage et d’étalonnage pour guider efficacement le modèle. En conclusion, plus le modèle est puissant, plus une méthode structurée pour identifier et réduire les inconnues devient cruciale. Chaque prototype, brainstorming ou question est une opportunité d’aligner la « carte » et le « territoire » avant de s’engager profondément dans la réalisation.

marsbitIl y a 33 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

marsbitIl y a 33 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

Les coûts liés aux jetons (tokens) d'IA, représentant désormais 30 % de la masse salariale chez certains acteurs comme SemiAnalysis, illustrent la transformation radicale de la productivité dans les services spécialisés. Si cette dépense achète une efficacité plusieurs fois supérieure au travail humain pour des tâches comme l'analyse de données, d'autres géants technologiques comme Uber ou Microsoft font face à des factures d'IA explosives et à un retour sur investissement encore incertain. Le paradoxe actuel est frappant : les investissements en IA explosent (7400 milliards de dollars en 2024), tandis que les réductions de coûts se poursuivent. Pourtant, l'impact économique mesurable reste limité. La thèse centrale de l'article est que cette phase de construction d'infrastructure précède toujours l'arrivée des bénéfices. L'optimisme repose sur une baisse structurelle des coûts. Grâce aux progrès matériels (ex: GB300 NVL72, +32x de débit) et logiciels (optimisations logicielles multipliant les performances par 14), le prix réel du traitement des jetons s'effondre. Chez SemiAnalysis, un coût affiché de 5$/million de tokens est ramené à 0.99$ grâce à un cache efficace et un ratio entrée/sortie favorable. Cette déflation devrait se poursuivre, rendant l'IA de plus en plus accessible. Le choix pour les entreprises est désormais clair : adopter dès maintenant ces outils pour gagner un avantage concurrentiel décisif, ou attendre et risquer de prendre un retard considérable.

marsbitIl y a 34 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

marsbitIl y a 34 mins

Trading

Spot
活动图片