特朗普的「阳谋」:故意制造一场经济衰退

Odaily星球日报Опубликовано 2025-03-05Обновлено 2025-03-05

Введение

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。

Похожее

Доход 100 миллионов долларов в год. Два соседа по общежитию из Беркли, 90-х годов рождения, создали самый прибыльный бизнес в сфере ИИ

Два студента Калифорнийского университета в Беркли, Анастасиос Ангелопулос и Вэй-Лин Чианг, превратили свой исследовательский проект — платформу Chatbot Arena для слепого сравнения ИИ-моделей — в бизнес с годовым доходом $100 млн. Их платформа, теперь известная как Arena, использует голосование пользователей для создания рейтинга больших языковых моделей (LLM), собрав 100 млн оценок. Хотя сам сервис для пользователей бесплатный, компания зарабатывает, предлагая платные услуги по углубленной оценке (AI Evaluations) для ИИ-компаний и корпораций. Это позволяет клиентам тестировать свои модели в реалистичных условиях, выявляя сильные и слабые стороны перед выпуском. Бизнес-модель Arena сравнивают с «продажей лопат во время золотой лихорадки». Всего через несколько недель после отделения от университета в 2025 году компания привлекла $100 млн в рамках посевного раунда при оценке в $600 млн. К январю 2026 года, после раунда финансирования серии A в $150 млн, её оценка достигла $1,7 млрд. Сегодня Arena расширяет свою деятельность, тестируя не только чат-ботов, но и автономных ИИ-агентов, способных выполнять сложные задачи, такие как программирование и анализ. Платформа стала важнейшим независимым арбитром в конкурентной борьбе между такими гигантами, как OpenAI, Google и Anthropic, доказывая, что в мире ИИ быть судьёй может быть выгоднее, чем быть игроком.

marsbit31 мин. назад

Доход 100 миллионов долларов в год. Два соседа по общежитию из Беркли, 90-х годов рождения, создали самый прибыльный бизнес в сфере ИИ

marsbit31 мин. назад

Набирает 24 тыс. звезд: одной командой ИИ сам находит себе навыки

Vercel представил инструмент навыков (skills) для ИИ-агентов, набравший 24 000 звезд на GitHub. Это менеджер пакетов, подобный npm, который позволяет одной командой `npx skills add` устанавливать готовые наборы правил и скриптов — «навыки» — в различные ИИ-инструменты (Claude Code, Cursor и др.). Он решает проблему передачи проектных требований и лучших практик ИИ. Ключевой особенностью является навык `find-skills`, который автоматически находит и устанавливает нужные пакеты по описанию задачи, действуя как поисковик способностей для ИИ. Однако эксперты по безопасности предупреждают о рисках. Аудит тысяч навыков выявил, что многие содержат критические уязвимости или вредоносный код, способный украсть данные или выполнить произвольные команды. В отличие от npm, навыки напрямую влияют на поведение ИИ и имеют доступ к системе. Таким образом, инструмент открывает эру удобного обмена ИИ-способностями, но требует от пользователей осторожности и проверки источников устанавливаемых пакетов.

marsbit32 мин. назад

Набирает 24 тыс. звезд: одной командой ИИ сам находит себе навыки

marsbit32 мин. назад

Токены съедают треть зарплат, счет за ИИ в Кремниевой долине вышел из-под контроля

Ключевые выводы из анализа SemiAnalysis: расходы на токены для внутренних ИИ-моделей в некоторых компаниях достигают 30% от фонда заработной платы. При этом производительность возрастает в разы: задачи, требовавшие ранее часов работы, теперь решаются за минуты за несколько долларов. Хотя такие компании, как Uber и Microsoft, столкнулись с неконтролируемым ростом ИИ-расходов и ограничивают бюджеты, анализ показывает, что стоимость токенов будет резко снижаться. За счёт оптимизации ПО (14-кратный рост скорости) и новых аппаратных решений (в 17-32 раза производительнее) стоимость к 2030 году может упасть более чем на 90%. Токен становится новым "средством производства". Несмотря на рекордные инвестиции в ИИ-инфраструктуру (7400 млрд долларов в 2024 году) и текущее отсутствие макроэкономического эффекта, это типичная фаза технологической революции: сначала строится "трубопровод", затем он наполняется "потоком" приложений. Компании, которые уже сейчас эффективно используют ИИ, как SemiAnalysis, получают многократное преимущество в производительности на фоне снижающихся издержек.

marsbit36 мин. назад

Токены съедают треть зарплат, счет за ИИ в Кремниевой долине вышел из-под контроля

marsbit36 мин. назад

Инженер Claude представляет Fable 5 и «Пылающую формулу», которая научит вас устранить информационный разрыв с моделью

Модель Fable 5 Claude привлекла большое внимание — от высоких ожиданий до правительственных ограничений. Главный вопрос: почему мощные модели иногда не справляются с задачами? Инженер Claude Code Тэрик Шихипар объясняет: проблема в **информационном разрыве** между пользователем и ИИ — различии между подсказкой, контекстом и реальным выполнением. **Карта — это не территория:** «Карта» — это ваши инструкции и контекст для Claude, а «территория» — реальный код, ограничения и мир. Разрыв между ними — **«неизвестные»**. Когда Claude встречает неизвестное, он действует по предположениям. Чем сложнее задача, тем больше неизвестных. Качество работы с Fable 5 напрямую зависит от умения выявлять и устранять эти пробелы. **Типы «неизвестных»:** 1. **Известные известные:** То, что четко указано в подсказке. 2. **Известные неизвестные:** Вопросы, которые вы осознаете. 3. **Неизвестные известные:** Очевидные для вас, но не озвученные детали. 4. **Неизвестные неизвестные:** То, о чем вы даже не подозреваете. **Как работать с Claude для устранения разрыва:** * **Планирование:** Попросите Claude провести «сканирование слепых зон», помочь с мозговым штурмом, создать прототип или задать уточняющие вопросы. * **Использование референсов:** Покажите примеры кода, дизайна или документации. * **Создание плана:** Перед реализацией пусть Claude составит план, выделив ключевые решения. * **В процессе:** Попросите вести файл с заметками о принятых решениях и отклонениях от плана. * **После:** Создавайте итоговые документы с объяснениями и даже проводите тесты на понимание проделанной работы. **Вывод:** Сила современных моделей требует нового подхода. Ключ к успеху — не просто давать команды, а **итеративно сотрудничать** с ИИ, выявляя «неизвестные» на всех этапах работы с помощью прототипов, вопросов и референсов. Это превращает Claude в настоящего партнера по решению задач.

marsbit36 мин. назад

Инженер Claude представляет Fable 5 и «Пылающую формулу», которая научит вас устранить информационный разрыв с моделью

marsbit36 мин. назад

OpenAI рушится: в оригинальной работе по Scaling law обнаружен баг, триллионные вычислительные мощности потрачены впустую

Бывший исследователь OpenAI Диого Алмейда заявил, что оригинальная работа OpenAI о Scaling Law содержит критическую ошибку, из-за которой вся индустрия ИИ несколько лет следовала неверному пути. В 2020 году OpenAI утверждала, что при фиксированном бюджете вычислительных мощностей следует увеличивать параметры модели, а не объем данных. Это привело к созданию «раздутых» моделей, таких как GPT-3. Однако в 2022 году DeepMind своей моделью Chinchilla опровергла этот подход, показав, что параметры и данные должны масштабироваться сбалансированно. Алмейда указывает на три ключевые проблемы в первоначальном исследовании OpenAI: 1) все модели обучались на одинаковом и недостаточном для больших моделей объеме данных; 2) использование затухания скорости обучения создавало ложное впечатление, что модели достигли предела; 3) выводы, справедливые для ограниченных условий, были ошибочно приняты за универсальный закон. В результате индустрия, возможно, потратила триллионы операций впустую на обучение неоптимальных моделей. Более того, как отмечают некоторые исследователи, текущие Scaling Law в основном отражают закономерности английского языка, который требует для обучения больше данных, чем другие языки. Это ставит под сомнение универсальность данных законов и указывает на возможность создания более эффективных моделей.

marsbit53 мин. назад

OpenAI рушится: в оригинальной работе по Scaling law обнаружен баг, триллионные вычислительные мощности потрачены впустую

marsbit53 мин. назад

Торговля

Спот
活动图片