爱情公寓2

关键指标显效：贝森特美债“救市”并非无用功？_我的网站

A |     　　美国财政部长贝森特上周宣布将通过扩大长债回购来压低美国融资成本，这一突如其来的计划虽然引发了关于其最终成效的激烈辩论，但关键的市场指标与机构持仓数据却似乎表明，该举措已开始初步显现成效。

B | 　　数据显示，自贝森特上周宣布该计划以来，美国国债的表现已超越同期限利率互换，30年期的两者利差缩窄至了今年2月以来的最低水平。    贾浩楠 发自 副驾寺     智能车参考 | 公众号 AI4Auto          ChatGPT能记住你的聊天历史，知道你的表达习惯，甚至可以根据过去的交流调整回答方式。         现在，这种“记忆能力”开始进入物理世界。

C |          马斯克一条推文，透露了Tesla FSD正在发生的新变化：          FSD开始拥有“千人千面”的能力。         从停车偏好，到驾驶干预，再到长期驾驶习惯，FSD正在尝试记住每一个人的不同。基准美债收益率在美国财政部宣布将长期债券回购规模“至少翻倍”后，经历了最初的剧烈波动，随后呈现震荡走低态势。         从“一个AI服务所有用户”，走向“每个人都有自己的AI”。　　花旗集团美国利率策略主管Jason Williams表示，“这种全新的财政部‘看跌期权’为市场提供了潜在的政策背书，从而改善了持有长端国债的风控不对称性。         马斯克确认：FSD开始拥有“长期记忆”          事情起源于马斯克最近两次公开回复。

D |          6月的一次，是关于停车习惯。贝森特最近的一系列举措——包括增加回购规模以及干预日元汇率，无不表明他正准备不惜一切代价来实现其既定目标。”　　周一，美国媒体报道称，美国财政部可能会动用其存放在美联储的现金——即财政部一般账户(TGA)——来为这笔扩大的长期国债购买计划提供资金支持。这一消息进一步提振了市场情绪，而国际原油价格的回落，也同步为债市提供了上涨动力。　　尽管长期融资成本仍徘徊在多年高位，且推动全球收益率上行的诸多结构性因素依然未变，但市场近期走势表明，若非贝森特的干预，收益率本会更高。         有用户提出，希望FSD能够记住自己在固定地点的停车方式，比如回家停哪里、去公司停哪里。         马斯克回应：          FSD很快会记住用户的停车偏好。　　即便这项扩大的回购计划长期效果仍存疑虑——例如贝森特“恩师”、亿万富翁投资者德鲁肯米勒等权威人士便公开批评贝森特的干预是一个错误——但众多交易员已清晰意识到市场上出现了一位“强力买家”，因而普遍不愿贸然站在“贝森特看跌期权”的对立面。

E | 　　期权市场也呈现出类似的主题——过去一周市场呈现出明显的看涨倾向，这表现为追踪长期美债的国债期货看涨期权持仓量相较于看跌期权急剧攀升。

F |          最近的这一次，更加关键。         有用户反馈，FSD在一些驾驶决策上不符合自己的习惯，比如车道选择、变道时机等。相比之下，较短期限美债期货的波动率偏度(skews)则继续维持在过去几个月普遍处于的中性水平附近。　　“当前的‘操作’集中在长端，而市场目前的担忧——如果可以这么说的话——是长债收益率可能会因干预而暴跌，”R.J. OBrien & Associates的衍生品经纪人Alex Manzara分析道。　　利率互换是一种常见的衍生品合约，交易双方约定交换未来的利息现金流，通常是以浮动利率交换固定利率。

G |          马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。企业和机构投资者常利用它来规避利率风险，例如将其支付端与未来的负债进行匹配。         两次回复本质上是同一件事：          FSD开始从一次性的驾驶任务，走向长期理解驾驶员。在美国，这类合约通常与有担保隔夜融资利率(SOFR)挂钩，其中30年期互换利率精准反映了市场对未来三十年平均利率水平的预期——这使其成为一种在金融属性上与30年期美国国债高度对标的产品。         过去，自动驾驶面对的是一个抽象用户。         无论谁坐进车里，背后的模型都是同一个。         它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。         但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。　　近年来，随着全球政府债券供给量急剧膨胀，美债收益率与互换利率之间的分化急剧扩大。         这些属于人的驾驶习惯，一直没有进入自动驾驶系统。         而现在，Tesla让这些信息成为AI决策的一部分。

H |          和之前我们谈论FSD不同的是，“长期记忆”不是让FSD重新学习“怎么开车”，这件事已经由基础模型完成。         它学习的是：在安全范围内，你希望它如何开。

I |          这也是Tesla第一次公开走向Personalized FSD：          从“一个模型服务所有司机”，走向“基础模型+个人驾驶偏好”。

J |          为什么是现在？          “千人千面”“越开越懂你”，智能汽车行业其实喊了很多年。这种利差走势吸引了大量对冲基金入场做空或做多互换利差。美联储研究人员估算，对冲基金在这类策略上的持仓规模已从2022年的不足500亿美元飙升至去年的创纪录水平——3050亿美元。         但真正落地很难，用户体验完全依赖车企OTA的“自觉性”和能力高低，系统更新后体验下降的事也不罕见。         因为截至目前，绝大多数自动驾驶玩家竞争，还停留在模型、数据层面，本质上都是在解决：如何让AI成为一个更好的司机。

K |          而特斯拉在V14完成端到端重构之后，开始率先探索另一个问题：          如何让AI成为你的专属司机。         这背后，对应的是近几年自动驾驶领域兴起的几个研究方向：          Driver Modeling、Preference Learning以及Human-in-the-loop Learning。　　尽管目前30年期美国国债收益率仍远高于互换利率，但贝森特的表态已带来了一定程度的边际修复。

L | 10年期互换利差同步迎来收窄，两者间距缩窄了3个基点，降至约38个基点。         最早出现的是Driver Modeling，也就是“驾驶员建模”。　　ING Groep NV纽约地区研究主管Padhraic Garvey表示，互换利差的收窄充分反映了市场对“只要财政部认为政策合适，未来完全可能一而再、再而三地追加回购”这一预期。         简单来说，就是给每个驾驶员建立一个数字画像，比如：有人开车更激进，喜欢更短跟车距离，喜欢更快完成变道；有人更保守，倾向提前减速，更少主动超车。　　当然，客观来看，近期长债收益率的回落，还仅能算是对长期美债融资成本多年来的攀升态势构成的微幅修正。

M | 被贝森特点名作为特朗普政府重点调控目标的10年期美债收益率目前仍交易在4.6%上方，接近2025年初以来的最高水平；30年期美债收益率则维持在5.2%附近，距离2007年以来的历史高位仅一步之遥。         传统自动驾驶系统会把这些差异忽略，默认存在一个“平均驾驶员”。

N |          而Driver Modeling希望解决的问题是：AI应该知道，坐在驾驶位上的到底是哪一种司机。　　Pimco公共政策主管Libby Cantrill总结道：“虽然在收益率曲线长端实施回购能在技术上压低收益率，但导致美债收益率居高不下的根本性矛盾——尤其是美国结构性预算赤字的显著增加，这需要大量国债供应来为美国债务提供资金——在短期内根本无法改变。         技术上，这类方案通常会从历史驾驶数据中提取特征，比如方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离。

o | 然后通过一个额外的模型，生成驾驶员特征向量（Driver Embedding）。

p |          这个向量不会改变基础驾驶能力，而是作为规划系统的输入，影响后续决策。”（文章来源：财联社）。         但Driver Modeling仍然存在一个问题：它更多是在判断“你是什么类型的人”，而不是理解：“你具体喜欢什么”。

q |          于是近几年出现了Preference Learning，也就是偏好学习，它关注的不再是这个司机属于激进型还是保守型，而是这个司机在具体场景下更喜欢哪个选择。例如同样遇到慢车，方案A是提前变道，提高效率；方案B是保持车道，更加舒适。         AI通过长期观察用户选择，逐渐学习这个特定用户更倾向哪一种。

r |          这与大模型的Preference Learning逻辑非常类似，模型能力是基础，用户反馈决定个性。         而Tesla这次提到的Intervention，其实更接近这一方向。         当然还有第三个方向，是Human-in-the-loop，它解决的问题是如何让人在自动驾驶学习过程中持续参与。         传统机器学习通常依赖大量标注数据。但自动驾驶里，真正有价值的数据，往往不是正常驾驶，而是：AI不知道该怎么办的时候。

s |          特斯拉过去大量收集车队数据，本质上就是利用全球车辆作为数据采集网络。而未来，如果把这些反馈进一步和个人账号绑定，那么数据价值会发生变化：          它不只是帮助Tesla优化一个统一模型，还可以帮助车辆理解某一个用户。         Tesla目前没有公开FSD个性化功能的具体架构，但结合FSD V12之后的端到端路线，可以做一个合理推测：单独训练一个“每人一个模型”的可能性最低。         原因很简单，如果每个用户都有独立模型，那么会导致训练成本巨大，更新困难，也会破坏Tesla统一模型的优势。         更符合FSD现有体系的方案，可能是：基础端到端模型 + 用户偏好记忆层。也就是底层模型负责视觉理解、道路判断、安全驾驶、通用规划。         上层增加一个轻量化的User Preference Layer，记录停车习惯、驾驶节奏、路线偏好、历史接管行为。         基础模型负责“能不能这么开”，偏好模型负责“你是不是喜欢这么开”。         这其实和今天大模型的发展路径高度类似：GPT不会因为每个人重新训练一次。而是通过Memory、User Profile等机制实现个性化。         不过，真正的难点也在这里：个性化不能突破安全边界。AI要明白不能学习你喜欢超速、喜欢危险变道等等行为。         这也是特斯拉此次探索最值得关注的地方：它不是让AI变成另一个你，而是“在安全约束内，越来越像用户”。         AI汽车进入“千人千面”时代          说过去几年，自动驾驶竞争的核心是：谁的数据更多，谁的模型更强，谁的能力更接近人类驾驶员。         但特斯拉的Personalized FSD一出，下一阶段，竞争可能会发生变化。         今天，大多数智能汽车仍然依靠统一策略服务所有人。但未来，AI司机可能会越来越像真人司机，不是因为它拥有情绪，而是因为它了解你的习惯。

t |          这意味着，User Model可能成为自动驾驶新的能力层。         马斯克一石二鸟，解决了两个问题，首先是再次给智能汽车新卖点指出方向，而且是避免高度同质化、低效内卷的路径。         在车位到车位自动驾驶逐渐普及之后，量产车上的AI司机如何建立差异，会成为新的问题。         所有车辆都能完成基础导航和智能驾驶，那么下一步比拼的就是：谁更懂你、谁更符合你的驾驶习惯、谁更像一个长期陪伴你的司机。         当然，对技术能力的要求更高了。         尤其是对于“one for all”的自动驾驶供应商来说，可能很难腾出资源去开发这样的功能，而即使他们愿意开放权限给车企在基础模型上自由开发，有代码级AI能力的OEM却寥寥无几。

u |          所以，利好全栈自研玩家！          其次，之前有一句话把老马问道语塞：特斯拉造车卖车的模式，跟自动驾驶追求的目标，是不是本质上矛盾？          完全自动驾驶普及后，好像的确没有再买私家车的必要。         所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。         毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。         Personalized FSD路径，其实与生成式AI的发展非常相似。         ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。         未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。         Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。         但至少，一个趋势已经出现。

Current article:http://w6mgk.tichannangenzhuchuapin.cfd/list_vcv0l5/o5ygr5j.html

Published on:03:41:53