特朗普的「阳谋」:故意制造一场经济衰退

Odaily星球日报Xuất bản vào 2025-03-05Cập nhật gần nhất vào 2025-03-05

Tóm tắt

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。

Nội dung Liên quan

Anthropic tạo ra một bộ 'hình phạt' cho AI vượt ngục: Yêu cầu của bạn, bốn cách chết

Bài viết thảo luận về hệ thống phân loại và đánh giá mức độ nghiêm trọng của các yêu cầu "jailbreak AI" (vượt rào an ninh AI) mới được Anthropic công bố, có tên là Khung Đánh giá Mức độ Nghiêm trọng Vượt Rào AI (CJS). Hệ thống phân loại của Anthropic chia các yêu cầu liên quan đến an ninh mạng thành bốn loại: (1) Nguy hiểm cao (ví dụ: phần mềm tống tiền) bị chặn hoàn toàn; (2) Công cụ kép rủi ro cao (như thử nghiệm thâm nhập); (3) Công cụ kép rủi ro thấp (như quét lỗ hổng đã biết); và (4) Vô hại (như gỡ lỗi). Tuy nhiên, hệ thống được thiết kế quá nhạy, dẫn đến việc chặn nhiều yêu cầu hợp pháp (ví dụ đếm chữ cái, debug). Để đánh giá mức độ nguy hiểm của một lần vượt rào, Anthropic đề xuất khung CJS với bốn thang đo: Mức độ tăng cường khả năng tấn công (0-4), Phạm vi khả năng (0-2), Độ khó vũ khí hóa (0-2) và Tính dễ phát hiện (0-2). Tổng điểm 0-10 xác định mức độ nghiêm trọng từ CJS-0 (thông tin) đến CJS-4 (khủng hoảng). Điểm số phụ thuộc vào bối cảnh thời gian và kiến thức của người dùng. Bài viết chỉ ra rằng Anthropic, thông qua liên minh Glasswing với các tập đoàn công nghệ lớn, đang nắm quyền định nghĩa "nguy hiểm" và thiết lập tiêu chuẩn này. Điều này có thể ảnh hưởng đến việc kiểm duyệt mô hình và trải nghiệm người dùng. Bối cảnh được đặt trong lệnh cấm xuất khẩu của Mỹ lần đầu tiên nhắm vào API mô hình AI (như với Fable 5), cho thấy sự kiểm soát công nghệ ngày càng chặt chẽ. Khung CJS được xem như một công cụ để hợp thức hóa các quyết định kiểm soát đó. Cuối cùng, bài viết đưa ra một số lời khuyên cho người dùng khi bị chặn: điều chỉnh từ ngữ trong lệnh, cảnh giác với tín hiệu bị giáng cấp chất lượng phản hồi, hoặc kiên nhẫn chờ đợi các cải tiến không rõ thời hạn từ Anthropic.

marsbit27 phút trước

Anthropic tạo ra một bộ 'hình phạt' cho AI vượt ngục: Yêu cầu của bạn, bốn cách chết

marsbit27 phút trước

Thu nhập 100 triệu đô la mỗi năm, hai bạn cùng phòng Berkeley thế hệ 9x tạo ra mô hình kinh doanh AI sinh lời nhất

Công ty không tạo ra AI nào nhưng kiếm được 100 triệu USD mỗi năm! Đó là Arena, nền tảng bảng xếp hạng và đánh giá mô hình AI khổng lồ, bắt nguồn từ một dự án nghiên cứu mã nguồn mở có tên Chatbot Arena do một nhóm từ UC Berkeley khởi xướng vào năm 2023. Cốt lõi của Arena là một bảng xếp hạng được xây dựng dựa trên hàng chục triệu lượt bình chọn "mù" của người dùng thực. Người dùng nhập prompt, hai mô hình ẩn danh trả lời và họ chọn câu trả lời tốt hơn. Cơ chế "đấu trường" đơn giản này đã thu hút hơn 1000 triệu lượt đánh giá, trở thành điểm tham chiếu quan trọng. Tất cả các gã khổng lồ như OpenAI, Google, Anthropic, Meta đều đưa mô hình hàng đầu của họ lên đây để kiểm tra, thậm chí cả GPT-5 dưới bí danh. Bí quyết kiếm tiền của Arena nằm ở dịch vụ thương mại AI Evaluations, ra mắt tháng 9 năm ngoái. Các công ty phát triển mô hình và doanh nghiệp lớn trả phí để Arena huy động cộng đồng hàng triệu người dùng đánh giá chuyên sâu mô hình của họ, cung cấp phân tích hiệu suất trong thế giới thực mà các bài kiểm tra tiêu chuẩn không có được. Đây là mô hình kinh doanh "bán dụng cụ" trong cơn sốt AI: khi các công ty đua nhau cải thiện mô hình, nhu cầu cho dịch vụ đánh giá và tinh chỉnh sau khi triển khai càng lớn. Dự án này được đồng sáng lập bởi hai bạn cùng phòng tại Berkeley: CEO Anastasios Angelopoulos (chuyên gia học máy) và CTO Wei-Lin Chiang (người đứng sau chatbot mã nguồn mở Vicuna nổi tiếng). Dự án tách ra thành công ty vào mùa xuân 2025, nhanh chóng huy động được 100 triệu USD vốn hạt giống, định giá 6 tỷ USD. Đến tháng 1 năm nay, họ đã hoàn thành vòng gọi vốn Series A 150 triệu USD, định giá 1.7 tỷ USD. Arena không ngừng mở rộng, gần đây ra mắt Chế độ Tác nhân (Agent Mode) để đánh giá các AI thực hiện nhiệm vụ dài, phức tạp như viết mã, nghiên cứu. Arena đặt cược vào một tương lai nơi việc đánh giá khách quan, dựa trên dữ liệu thực tế về hiệu suất AI sẽ ngày càng quan trọng và có giá trị.

marsbit31 phút trước

Thu nhập 100 triệu đô la mỗi năm, hai bạn cùng phòng Berkeley thế hệ 9x tạo ra mô hình kinh doanh AI sinh lời nhất

marsbit31 phút trước

Thu về 24.000 sao: Một lệnh duy nhất, AI tự tìm kiếm kỹ năng

Vercel, công ty đứng sau Next.js, đã ra mắt công cụ Skills - một trình quản lý gói (package manager) dành cho AI Agent, cho phép cài đặt các "kỹ năng" (skill) chuyên biệt vào các công cụ lập trình AI như Claude Code, Cursor, Codex... chỉ bằng một dòng lệnh `npx skills add <package>`. Kho lưu trữ chính thức đã đạt 24,000 sao GitHub trong vòng 5 tháng. Một skill là một thư mục chứa tài liệu hướng dẫn (SKILL.md), tài liệu tham khảo và cả script có thể thực thi, giúp AI tuân thủ các quy tắc, phong cách code cụ thể của dự án một cách tự động và lâu dài. Tính năng nổi bật là "Find Skills", một skill giúp AI tự động tìm kiếm và cài đặt skill phù hợp nhất dựa trên yêu cầu của người dùng, hoạt động như một công cụ tìm kiếm năng lực cho AI. Tuy nhiên, tiện ích đi kèm rủi ro bảo mật lớn. Các nghiên cứu từ Snyk và Koi Security cho thấy hàng trăm skill chứa mã độc, có khả năng đánh cắp khóa, thực hiện prompt injection hoặc phân phối phần mềm độc hại. Khác với npm, skill hợp nhất lệnh, mã code và quyền truy cập đầy đủ, tạo ra mối đe dọa trực tiếp đến hệ thống cục bộ. Vercel, thông qua sáng kiến này, đang tìm cách định hình lại lớp công cụ AI, biến trải nghiệm "một dòng lệnh" từng thành công với Next.js thành chuẩn mực mới trong việc mở rộng năng lực cho trợ lý lập trình AI, đồng thời cũng đặt ra những thách thức bảo mật cần được quản lý cẩn thận.

marsbit32 phút trước

Thu về 24.000 sao: Một lệnh duy nhất, AI tự tìm kiếm kỹ năng

marsbit32 phút trước

Claude Engineer Cuối Cùng Đã Giao Ra Fable 5 Đốt Quyết, Hướng Dẫn Bạn Phá Vỡ Khoảng Cách Thông Tin Với Mô Hình

Fable 5 ra mắt với sự chú ý toàn cầu, từ kỳ vọng cao đến lệnh cấm và hạn chế truy cập. Claude Code kỹ sư Thariq Shihipar chia sẻ hướng dẫn sử dụng Fable 5 hiệu quả, giải quyết vấn đề chênh lệch thông tin giữa người dùng và mô hình. Ông so sánh "bản đồ" (prompt, kỹ năng, ngữ cảnh người dùng cung cấp) với "lãnh thổ" (môi trường thực tế cần xử lý). Khoảng cách này là "điểm chưa biết". Chất lượng công việc phụ thuộc vào khả năng làm rõ các điểm chưa biết này. Bài viết phân loại "điểm chưa biết" thành bốn loại: Đã biết mình biết (nội dung trong prompt), Đã biết mình chưa biết, Chưa biết mình đã biết (điều hiển nhiên không nói ra), và Chưa biết mình chưa biết. Để thu hẹp khoảng cách, tác giả đề xuất các phương pháp lặp đi lặp lại trước, trong và sau khi thực hiện công việc: - **Trước khi thực hiện:** Quét điểm mù, động não tạo nguyên mẫu, đặt câu hỏi ngược, tham khảo tài liệu, lập kế hoạch triển khai. - **Trong khi thực hiện:** Ghi chú lại các quyết định và điều chỉnh trong quá trình thực thi. - **Sau khi thực hiện:** Tạo tài liệu giải thích/giới thiệu và tự kiểm tra kiến thức. Ví dụ, chính video ra mắt Fable đã được Claude Code biên tập bằng cách áp dụng các bước trên: học về kỹ thuật phụ đề, tạo nguyên mẫu đồng bộ hóa, và học về chỉnh màu video. Bài học cốt lõi: Mô hình càng mạnh, việc xác định rõ các "điểm chưa biết" của bạn trước khi bắt đầu càng quan trọng để dẫn đến kết quả tốt hơn. Hãy để Claude giúp bạn tìm ra chúng.

marsbit36 phút trước

Claude Engineer Cuối Cùng Đã Giao Ra Fable 5 Đốt Quyết, Hướng Dẫn Bạn Phá Vỡ Khoảng Cách Thông Tin Với Mô Hình

marsbit36 phút trước

Token ăn mất 30% lương, hóa đơn AI ở Thung lũng Silicon mất kiểm soát

Token hiện đang tiêu tốn tới 30% tổng lương nhân viên tại SemiAnalysis, một viện nghiên cứu bán dẫn Silicon Valley, nhưng đổi lại mang lại hiệu suất cao gấp nhiều lần chi phí lao động truyền thống. CEO NVIDIA, Jensen Huang, thậm chí khuyến khích các kỹ sư sử dụng Token với ngân sách bằng nửa lương, coi đây là "tư liệu sản xuất" mới. Tuy nhiên, mặt khác, nhiều gã khổng lồ công nghệ như Uber và Microsoft đang vật lộn với hóa đơn AI tăng vọt ngoài tầm kiểm soát, trong khi mối liên hệ giữa việc sử dụng AI và đổi mới sản phẩm thực tế vẫn chưa rõ ràng. Một nghiên cứu của MIT năm 2024 chỉ ra trong 77% công việc liên quan đến thị giác, thuê người vẫn rẻ hơn dùng AI. Báo cáo của SemiAnalysis nhấn mạnh đừng chỉ nhìn vào chi phí hiện tại. Với sự tối ưu hóa phần mềm (như tăng tốc độ xử lý token lên 14 lần) và phần cứng mới (hiệu suất cao gấp 17-32 lần), chi phí token dự kiến sẽ giảm mạnh. Gartner dự báo đến 2030, chi phí suy luận cho mô hình lớn có thể giảm hơn 90% so với 2025. Bài viết kết luận rằng dù các công ty công nghệ đang đầu tư hàng nghìn tỷ USD vào AI và cắt giảm nhân sự, tác động kinh tế rộng lớn vẫn chưa thấy rõ. Đây là giai đoạn "xây đường ống" cần thiết, tương tự như điện lưới hay internet trước đây. SemiAnalysis, với 30% chi phí lương chuyển thành token, đã thấy được đòn bẩy sản xuất khổng lồ và đứng về phía bên kia của dòng chảy. Câu hỏi đặt ra cho các công ty khác là bắt đầu ngay hay chờ đợi và bị tụt lại phía sau.

marsbit36 phút trước

Token ăn mất 30% lương, hóa đơn AI ở Thung lũng Silicon mất kiểm soát

marsbit36 phút trước

Giao dịch

Giao ngay
活动图片