• Grok Bot以Bot为核心，而非Chat：同一类需求反复找同一个Bot，上下文长期汇聚。Bot之间还能互相发消息、协作，这是它和Codex等产品最大的不同，也是“活”的AI员工感来源。

• 两种经典协作方式：串联（流水线，一个Bot完成一步再交给下一个）和并联（拆分后同时交给不同Bot执行）。通常由一个总控Bot（如CHIEF）负责拆分、派发、回收和交付，必要时再加条件分支。

• 非必要不拉群：群聊适合需要对齐、所有人都必须看到全部信息的场景；一对一消息更轻量。信息量过大会加重每个Bot的上下文负担，多数情况下“一个总控+一群小弟”就足够。

Grok Bot跟别的Agent产品，比如Codex，最大的不同在于：它是以Bot为核心，而非Chat。

也就是说，你不再是新建一个又一个聊天框，而是同一类需求，就找同一个Bot反复聊。

而且，因为是Bot、是机器人，不再是“死”的聊天框，它们之间是可以协作的，而且潜力非常大。

本期视频，我来详细讲解一些Grok Bot的基本用法。这些内容，过去几天都发布在知识星球newtype里边。有些小伙伴已经用起来了。如果你也想找人一起讨论、一起学习，欢迎加入我们社群。

当你开始使用Grok Bot，很快就会发现第一个小惊喜：Bot之间居然可以发消息！

举个例子。我跟一个Bot说：你去告诉其他Bot，以后回复我的内容尽量通俗易懂，并且英文和数字前后不要有空格，标点用中文的（除非是英文内容）。于是，这个Bot会给其他Bot发Message，告知这条信息，让它们执行。

你看，这个就是Bot和Chat的最大不同——它们是“活”的。不仅自己会执行，还会互相协作。

所以，我创建了一个叫CHIEF的Bot。平时大部分时间都是跟它聊。由它来判断，交给谁去执行。只有需求非常具体的时候，比如就是投资相关的，那我才会去找对应的Bot。

当你理解这一点之后，新世界的大门就打开了。既然Bot之间可以互相发消息，那么，就可以采用以下这两种经典的协作方式。

第一种，串联。也就是像流水线一样，一个Bot完成一个步骤，再交给下一个Bot。

第二种，并联。也就是一开始就做好拆分，然后把子任务同时交给不同的Bot去同时执行。

这两种协作方式，都由一个Bot负责总控，比如我这边的CHIEF。它负责拆分和派发，也负责回收和交付。

在这两种的基础上，你还可以根据情况设计更加复杂的流程，比如有各种条件分支，由Bot自己判断要走哪一条线路。

看到这里，可能会有小伙伴问：直接拉个群不就完事了吗？搞那么复杂干什么？

一对一发消息和群聊完全不是一回事，因为参与者能看到的上下文是不同的。

你回想一下，在公司里，什么时候要拉个群或者所有人一起开个会？

要对齐的时候。

也就是所有人都得知道项目的所有信息、所有进展，包括别人做了什么、进度怎么样。换到Bot这边也是一个道理。

但是，你不能什么项目都这么搞。因为信息量太大了，每个同事都会很累，开会的时候心里肯定都在骂。同样，对于Bot来说，一旦拉群，那么上下文的负担也会很重。

所以，基本原则就是：非必要不拉群。

在多数情况下，一个总控带着一群小弟，用串联或者并联的协作方式就足够了。

我最近这两期内容，上一期是关于Grok Bot的整体介绍，这一期是关于具体的用法思路。你理解之后，就知道怎么把这款产品纳入你的个人主权AI系统当中。

发消息和群聊，串联和并联，这些组合起来真的有很大很大的潜力。我在星球里也说：现在官方的Marketplace是分享单个的Bot，之后也许会把整个协作网络也加上，那就厉害了！后续有更多发现，我会继续在星球内分享。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

• Grok Bot是目前最接近“AI员工”的产品：它以Bot为核心而非聊天框，同一类任务的上下文长期汇聚在同一个Bot上；同时给每个Bot配备长期在线的云电脑工作环境，自己执行任务，用户只在必要时接管。

• Grok Bot与Codex形成互补：Grok Bot是“AI员工”（有自己的办公室、长期在线、自主干活）；Codex是“AI助手”（在你的办公室里听指令辅助）。作者目前用两个主力Bot分别负责选题和GEO，后续再补开发和投资Bot即可。

• 这是建设个人主权AI的正确方向：不必创建大量Bot，把同类任务汇总到一个角色即可。Bot之间还可以拉群协作。产品思路领先于模型能力本身，值得老板和创业者都试一试。

所有老板都应该试一下Grok Bot。因为至少在我用过的产品里，它是第一个真正有AI员工感的。

所有创业者也应该试一下Grok Bot。Agent这一波，他们算是把产品做明白了。

本期视频，我来说一下我强烈推荐的原因，以及我目前是怎么用它的。其实最近几天已经在星球内陆续发过好几条帖子了。

在我看来，Grok Bot做对了两件事：

第一，以Bot为核心，而非Chat。

聊天框适合问答，这是Chatbot阶段的产物。但是到了Agent阶段，如果还用聊天框，每次还要新开一个对话的话，那一大堆零零散散的上下文怎么搞嘛？

于是，Grok Bot以Bot为核心——你创建的是Bot；每次有需求了，回来找的也是同一个Bot。

同一类任务下的所有信息都汇总到同一个Bot那里。不同Bot分头负责不同任务。就像公司里的各司其职。这个才是AI员工该有的样子。

第二，给Bot配上一套长期在线的工作环境。

Grok Bot不跟你抢电脑，它们在云电脑上工作。配置还挺高的，我之前发帖夸过。

每个Bot有自己的工作界面。同一账号下的Bot共享一台持续运行的云电脑。它们自己执行，你不需要盯着。

用户默认只看状态和预览，在必要的时候才全屏接管。比如登录账号，完成了再交回去。

假如跟人共用一台电脑，好处是资料都在本地，AI可以直接上手。但坏处是，你得设置权限，防止它瞎搞；此外还得防止电脑休眠，中断任务。

你看，Grok的模型能力未必最顶尖，但Grok Bot的产品思路很领先。有些地方，它甚至比Codex更像一个完整的AI员工。

所以，我现在两个产品都在用。就像我在知识星球newtype里说的：

Grok Bot是AI员工：它有自己的办公室，长期在线，自己捣鼓。

Codex是AI助手：在我的办公室里，听我指令，辅助我干活。

我并没有创建一大堆Bot。其实我当下的核心需求就两个：一个是选题，一个是GEO。

我创建的第一个Bot就是选题方向的。我过往所有资料都在Dropbox上，于是给它授权，让它完整看一遍。此外，还把个人网站、X和YouTube账号给它，让它知道内容发布出去以后的情况。

有了这个基础，我让它帮我做一个全面的诊断，并且提出优化建议。说实话，它给出的判断跟我自己的判断非常接近。

除了视频内容，我还让它帮我监测X上的头部博主，看看有哪些选题值得我跟进，并且给出具体的帖子内容。

第二个Bot专门负责GEO。我让它打开Google和Bing的后台，我来登录。这样它就能看到网站的具体数据。配置好定时任务以后，它还可以定期检查数据、给出优化建议。

这件事，之前我都是手动下载数据报表，然后交给Codex分析处理——我其实不太喜欢Codex动我的浏览器。现在Grok Bot有一套长期在线的工作环境，可以自己查看后台，我就省事多了。

我自己实际使用下来发现，其实很多任务都可以汇总到一个角色、一个Bot身上。没必要搞太多，反而占用资源。目前这两个作为主力，然后补上开发和投资两个Bot，足够了。

如果不想自己创建Bot，也可以看官方的Marketplace，里面已经有不少现成的Bot。

另外，这些Bot除了单独用，你也可以拉个群，把它们都加进去，让它们互相发消息、共享上下文。比如有的负责搜集资料，有的负责写报告，等等。

所以，就像我前边说的，Grok Bot和Codex我都同时用。一个替我干活，一个帮我干活。

我打算按这套配置跑一段时间。感觉这会是建设个人主权AI的正确方向。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 一人公司不是“一个人包办所有岗位”：那种理解只是把自己当无限劳动力压榨，上限永远卡在个人体力和注意力上。真正的一人公司扩大的是“可组织范围”，即一个决策核心能有效调度、设计、验收并对结果负责的资源和活动有多大。

• 核心能力是编排，不是全栈：全栈是让自己掌握更多岗位能力，仍受限于个人时间和精力；编排是让模型、工具、Agent、SaaS、兼职和项目制外包在你设定的边界里协同。组织边界不再等于劳动合同边界。

• 一人公司是更轻的组织形态：人变少了，但能被编进系统的东西变多了。真正重要的不是一个人做了多少，而是一个组织者能把多少能力编进系统，并对最终结果负责。

很多人一听到一人公司，脑子里立刻出现的画面是：

一个人既当产品经理、又写代码、又拍视频、又做客服、又管财务。

那不是一人公司的优势，那只是把自己当“无限劳动力”来压榨。

这种模式的上限，永远卡在个人体力和注意力上。

这是目前对“一人公司”很常见的一种理解，也是很多人觉得“一人公司”不靠谱的原因。

但我认为，这种理解并不准确。就像我在知识星球 newtype 里说的：

一人公司不等于一个人包办所有岗位。一人公司真正扩大的是“可组织范围”。

什么叫“可组织范围”？

它指的是：一个决策核心，能够有效调度、设计、验收，并对结果负责的资源和活动，到底有多大。

它衡量的是“你能把多少东西编进一套系统里”，而不是“你一个人包了几个岗位”。

在传统公司，可组织范围约等于编制范围。

也就是，需要一种能力，通常就设一个岗位、招一个人，再用制度明确判断权，用会议和对齐降低协作损耗。

这么做的结果就是，扩大可组织范围的主要方式往往是加人。而每个人通常只能组织好自己手头的事，再加上少量外部协作。超过这个范围，协调成本就会迅速上升。

而有了AI加持的一人公司，它扩大了“可被编进系统的范围”。

也就是说，除了人之外，一人公司还能组织 Agent、自动化工作流、SaaS、兼职、项目制外包，等等。

于是，在一人公司这里，组织的边界，不再等同于劳动合同的边界。有更多能力可以被你组织，却不必全部变成你的员工。

所以，别被“一人公司”里的“一人”迷惑了。一人公司的核心能力，不是全栈，而是编排。

全栈，是让自己掌握更多岗位的能力。

编排，是让不同的能力——包括模型、工具和外包——在你设定的边界里协同。

前者依然受限于个人的时间和精力，后者才是在放大一个人的组织半径。

一人公司不是更小的公司，而是一种更轻的组织形态。人变少了，但能被组织起来的东西变多了。

这才是理解一人公司的关键：真正重要的不是一个人做了多少，而是一个组织者能够把多少能力编进系统，并对最终结果负责。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

这是一套Codex内容生产实操课，主要面向普通创作者、知识型博主和职场人。

如果你已经买了我的书《用Codex做自媒体》，那么搭配这套课程学习，你的理解会更深，效果会更好。

如果你还没有买也没关系。只要安装了Codex App，并且准备一份自己的真实素材，就可以跟着这套课程完成练习。

整套课程一共有五节主课和一节进阶课。我们会使用同一个案例贯穿始终：为什么收藏了很多AI提示词，工作效率还是没有提高？

我们会从几条简单的个人观察开始，判断选题，生成选题卡，设计文章结构，完成初稿和修改，再把同一个母题转换成公众号、小红书和视频内容，最后把已经跑通的过程保存成可以重复使用的工作流。

这套课程最终要带你完成的，不只是一篇AI生成的文章，而是一条有真实素材、有人工判断、有文件结果、以后还…

Read more

• 主权AI的核心是三权：退出权（服务商封号、降智、提价后能否无缝切换）、所有权（对话、记忆、历史能否完整导出并迁移到下一套系统）、定义权（AI必须按你的目标、流程和评价标准行动，而不是被平台默认逻辑支配）。

• 主权AI的工程标准与核心资产：三个工程标准是可替换、可迁移、可恢复；四个核心资产是数据、记忆、工作流和评测。它是一套由个人掌握、能在外部服务变化后迅速恢复核心能力的个人基础设施。

• 主权AI本质是主体性觉醒：当AI从工具变成个人能力的延伸，你可以把执行交给AI，但不能把目标、判断和价值标准一起外包。主权AI不是技术偏好，而是AI时代重建个体主权的基础设施。

当一个人深度使用AI之后，一定会产生“主权AI”的想法。用大白话来说就是：

这个AI是不是我的？

我举几个例子，大家一定深有同感。

服务层面：当服务商封号、降智或者提价之后，我能不能换一家，继续完成原来的工作？

过去两年，这些事情我们经历得太多了。你就说御三家——OpenAI、Anthropic、Google，他们谁没多次恶心过人啊？

所以，订阅这些AI服务，我们并没有拥有智能，只是租用智能。这也是为什么一直有一小部分人在搞本地部署。

这是一种退出权，也就是我可以不被你绑定。而这种退出权，跟性价比完全是两回事。

数据层面：我的对话、记忆和历史资料能否完整导出、独立保存，并交给下一个系统继续使用？

很多人搞知识库，但这还远远不够。因为传统知识库主要保存相对静态的资料。

那你每天跟AI大量的对话怎么办？

这就是我给newtype OS做了记忆系统的原因，因为我想彻底掌握数据的所有权。这套记忆系统包括对话的完整保存，以及对话内容的自动提炼。这些全都以Markdown的形态保存在本地。

然后，我所有重要的讨论都在newtype OS里完成。那些脏活累活、单纯执行的工作，放到Codex去完成。

嫡系部队和外包团队，当然要区别对待。

执行层面：AI能否按照我的目标、流程和评价标准行动，而不是被平台默认的产品逻辑支配？

为什么之前Skills那么火？因为一件事具体该怎么做、做到什么程度，这个标准是人来定的，跟你AI有多强大没关系。

我不只做了Skills，还把内容生产的逻辑做成了一套多Agent编排的框架。这个框架就是newtype OS的内核。

执行层面，事情怎么做，做成什么样算好，这个是定义权。

刚才说的退出权、所有权和定义权，我不相信你会没想过。

所以，开头那个问题——“这个AI是不是我的”，它真正问的是：

为什么一个已经深度参与我思考、工作和生活的系统，最终是由别人决定它记得什么、能做什么，以及什么时候不再为我服务？

这其实就是一种对“主权AI”的需求。

关于“主权AI”这个概念，我在知识星球里有过完整解释：

它是一套由个人掌握数据、记忆、工作流和评测，能够替换模型、迁移系统，并在外部服务发生变化后迅速恢复核心能力的个人基础设施。

如果拆开来看的话，主权AI有三个工程标准——可替换、可迁移、可恢复，四个核心资产——数据、记忆、工作流和评测。

至于如何实现，我在星球里也发过文章。这条实现路径一共包括五个步骤，我自己已经完成了前三步，开始准备最后两步。

其实具体步骤也不是最重要的。主权AI真正重要的，是它背后代表的东西。就像我在星球里说的：

当你开始追问“这个AI是不是我的”，你关心的已经不只是数据备份、本地部署这些技术层面的东西了。其实，你的主体性已经开始觉醒。

也就是说，我可以把执行交给AI，但不能把目标、判断和价值标准一起外包。我可以使用系统，但我不接受由系统来定义我。

当AI从工具变成个人能力的延伸，主权AI就不再只是一种技术偏好，而是一种主体性需求。

主权AI不是终点，而是我们在AI时代重建个体主权的基础设施。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 本地部署看两个核心指标：容量决定能跑多大/多高精度的模型（27B 4-bit大约需要24GB起步），带宽决定生成速度。容量大不等于带宽高，两者都要兼顾。

• 三种主流方案各有取舍：Mac用统一内存性价比高但带宽较低；RTX 5090（32GB高带宽）最适合单卡跑Qwen 3.8 27B或双卡做多Agent并发；RTX PRO 6000（96GB高带宽）是最完整的本地方案，适合长上下文和多模型常驻，但价格昂贵。

• Qwen 3.8 27B是开源模型的DeepSeek时刻：性能好、体积小、个人可部署。它证明紧凑型模型已能成为真正的生产力工具，本地部署的门槛和价值都显著提升。

Qwen 3.8 27B就是开源模型的DeepSeek时刻。

它性能好、体积小。个人也能部署，实现很不错的效果。

最近几天，我研究了各种本地部署的方案。过程都有发在知识星球newtype里边。本期视频，我来做个总结。

在本地跑开源大模型，需要什么样的配置？重点看两个指标。

第一，容量。

也就是先看内存或显存容量。

模型运行的时候，需要把权重装进GPU显存或者统一内存。如果装不下，要么无法运行，要么就只能把部分权重放进系统内存，通过CPU或PCIe读取，那速度就会大幅下降。

用大白话说就是，内存或者显存容量决定了，你能跑多大尺寸、多高精度的模型。

举个例子，一个27B的模型，如果使用BF16的精度，那么光是权重就需要大约54GB。量化到8-bit之后，可以降到30GB左右。量化到4-bit之后，只需要17GB至20GB。

除了权重之外，系统本身、推理框架、上下文，它们都需要内存。所以，4-bit的模型，光有17GB还不够，大概得要24GB才勉强能跑。

第二，带宽。

把模型装进内存之后，第二个关键指标是内存带宽。容量决定能不能跑，而带宽决定模型生成有多快。

注意，内存容量大，并不意味着带宽就高。

比如英伟达的DGX Spark，它有128GB，比RTX PRO 6000的96GB还大。看起来很大、很划算，对吧？但是，它的内存带宽只有273GB/s，远小于RTX PRO 6000 的1792GB/s。

这么低的带宽意味着，DGX Spark虽然能装下很大的模型，但是跑大型Dense模型的时候，生成速度不会太快。它更适合MoE模型。因为MoE的总参数虽然很大，但每次生成token只激活其中一部分。

你看，我们星球里就有一个小伙伴买了两台，用来跑DeepSeek V4 Flash，速度有30多，够用了。

容量和带宽是理解本地推理最重要的两个指标，但不是全部。实际性能还会受到GPU算力、模型架构和推理框架影响。但是对于普通人来说，先抓住这两个核心指标，完全没问题。

OK，理解了原理之后，选择就容易了。我们有三个选择。

第一，Mac。

Apple Silicon用的是统一内存，也就是CPU和GPU共享同一个内存池。因此，买Mac的话，可以用相对较低的价格获得更高的内存。

但是，它的不足之处在于，带宽没那么高，只有5090和6000的一半、甚至更低。

所以，即使Mac拥有同样甚至更多的内存，在运行Dense模型的时候，速度不会太快。这个是需要取舍的地方。

第二，RTX 5090。

5090拥有32GB GDDR7显存和1792GB/s内存带宽，非常适合Qwen 3.8 27B这样的模型。

所以，如果你的目标只是本地运行Qwen 3.8 27B的话，一张5090通常比Mac Studio更合适。

如果需要多Agent并发的话，可以上两张5090。

注意啊，5090没有NVLink。非要跨卡通信的话，要走PCIe，效率不会像一块原生64GB显卡那么高。

所以，插两张卡的目的，是让每张卡都运行一个完整的模型——第一张卡处理一部分Agent，第二张卡处理另一部分Agent。它特别适合短中上下文、高并发、多Agent任务的情况。

5090虽然够快，但容量只有32GB。27B的模型没问题。如果要运行70B模型、超长上下文，或者同时常驻多个模型，那显存就不够了。这是它的不足之处。

第三，RTX PRO 6000。

这是最完整的本地AI方案。这张卡拥有96GB ECC GDDR7显存和1792GB/s带宽。

同时具备大容量和高带宽，意味着它特别适合长上下文、多模型常驻和生产级Agent服务。

而且，RTX PRO 6000还支持ECC和专业驱动，更适合长期运行。

但是，它有一个很大的不足：太贵了。你去搜一下价格就知道了。

刚才我介绍的三种方案，价格跨度非常大，从几万到十几二十万。所以，没有一种硬件在所有维度都最好，只能做取舍。

大家目前用什么配置跑本地模型？效果如何？欢迎在评论区留言。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

越依赖AI，越得考虑“主权AI”这个问题。

这两年，我们经历了很多被恶心、被拿捏的时刻。比如封号、模型降智等等。

客观地说，这几乎是无法避免的。

我认为，对个体来说，实现主权AI并不是要去从头训练一个大模型，也不是拒绝所有云服务。它的核心是：

个人掌握自己的数据、记忆、工作流和评价标准，并能随时更换底层模型。

主权就是选择权

首先我要纠正一个误区：

在本地运行开源模型，不等于拥有主权。

如果模型不了解你的历史无法进入你的工作流，它仍然只是一个通用模型。相反，即使使用商业API，只要核心资产掌握在自己手中，模型可以替换，就具备一定的主权。

判断标准很简单：

如果明天不能再使用当前模型，你的个人AI能否迅速恢复大部分能力？

所以，主权不是完全本地化，而是不被单一模型、平台和供应商锁定。

真正的资产不是模型

模型变化很快，今天领先，几个月后可能就被替代。个人真正应该积累的是以下四类资产。

第一是数据。文章、笔记、代码、项目资料和对话记录，应保存在自己控制的文件或数据库中，而不是只存在于某个平台。

第二是记忆。目标、偏好、专业背景、历史决策和项目状态，应进入独立的记忆系统。更换模型后，这些记忆仍然可以继续使用。

第三是工作流。如何检索资料、调用工具、检查结果、处理失败等等，应由自己的系统控制。模型只是其中一个推理引擎。

第四是评测。个人必须定义什么叫“做得好”。比如，好的文章是什么结构，投资分析必须回答哪些问题，代码达到什么标准才算完成，等等。有了自己的测试集，才能客观比较和替换模型。

不要急着微调

微调很重要，但不应是第一步。

最新知识不应该写进模型权重，而应该通过搜索和知识库获取；个人经历应该保存在可修改、可删除的记忆系统里。

微调最适合处理稳定、重复的行为模式，例如写作风格、分析框架、报告格式、工具调用习惯和判断边界。

因此，正确顺序不是把所有个人资料拿去训练，而是先用通用模型完成真实任务，记录它的错误和自己的修改，再从中整理高质量样本。

记住：先有工作流，再有训练数据；先有评测，再做微调。

一条现实路径

Read more

Stripe为什么愿意花超过70亿美元收购OpenRouter？

因为它已经看清了一件事：路由权就是定价权。

OpenRouter表面上是一个模型聚合平台，背后却掌握着一个关键权力：

决定一个AI请求发给谁。

OpenRouter不能直接决定模型价格，但它能决定订单流向谁。当一个平台掌握足够多的需求，分配权最终就会转化为议价权，甚至影响定价。

谁掌握这个分配权，谁就有机会向整个AI产业链收税。

所以，Stripe买的不是一家普通AI公司，而是AI时代的收费站。

它要做AI经济的清算层。

Stripe已经不满足于支付

Stripe原来的商业模式很清楚。

用户买东西，Stripe处理付款，然后从交易中收取费用。

在这套模式里，支付发生得太晚了。

在一个AI应用里，真正重要的经济活动，早在用户付款之前就已经发生：

用户发出请求，系统选择模型，模型消耗Token，开发者承担成本，最后才向用户收费。

Stripe过去只掌握最后一步。

OpenRouter则站在最前面。

它连接了80多家供应商和400多个模型，每天处理超过10万亿Token，服务超过1000万开发者和企业用户。

Stripe一旦拿下OpenRouter，就能从“用户最后付了多少钱”，一路追溯到“这笔钱为什么产生”。

一次AI请求用了哪个模型、消耗多少Token、成本是多少、应该向用户收多少钱、又该把多少钱结算给模型厂商——整个链条都有机会被Stripe接管。

这才是收购的核心。

Read more

最近BTC快速上涨，一个重要催化剂是白宫重新推动Digital Asset Market Clarity Act，简称CLARITY Act。

它不是宣布“所有加密货币都合法”，也不是取消监管，而是要解决美国加密行业最核心的问题：

一种Token究竟是证券还是商品？应该由SEC还是CFTC监管？交易所和项目方怎样做才算合规？

一、美国加密监管的问题

传统金融的边界比较清楚：股票和证券归SEC监管，商品和期货主要归CFTC监管。

但加密资产很难直接分类。

BTC没有公司、融资主体和管理团队，通常被视为商品。但其他Token往往由团队发行，项目早期还通过出售Token融资。这种行为很像证券发行。

问题在于，项目成熟之后，区块链可能已经由大量节点、开发者和用户共同运行，Token也开始用于支付手续费、质押和治理。这个时候，它还应该永远被视为证券吗？

SEC过去倾向于把项目早期融资和Token后续交易联系起来。加密行业则认为：融资行为可能是证券交易，但Token本身不应该因此终身成为证券。

CLARITY Act就是要解决这个矛盾。

二、法案的核心逻辑

法案最重要的原则是：

项目早期融资可能受到证券法监管，但当区块链足够成熟、控制权足够分散后，Token可以转为数字商品。

这相当于给Token设计了一条法律上的成长路径：

项目早期募资时，按照证券规则披露信息并保护投资者。

网络发展过程中，项目可以在满足披露和持仓限制的条件下发行Token。

当网络成熟、不再由少数人控制后，Token可以由CFTC按照数字商品监管。

这样既能约束项目方融资，又不会因为一次早期融资，就把Token永久锁定为证券。

Read more

• Qwen 3.8 27B已成可用生产力模型：即使是量化本地版，也能稳定驱动多Agent编排（调用Skill、分析需求、给子Agent下任务）。它标志着紧凑型前沿模型开始真正进入生产力场景，单位参数承载能力显著提升。

• 本地部署门槛大幅降低：消费级设备即可运行。Mac 24GB勉强可用，32GB是实际起点，48GB可支持更大上下文。作者计划换Mac Studio以获得更高内存带宽和更长上下文，实现日常任务的本地算力自主掌控。

• 模型分层与动态路由是未来方向：3B-8B负责简单任务，14B-35B负责本地内容与Agent执行，70B+负责复杂推理，万亿级负责高价值研究。这种分层才是AI普及的合理路径，而非所有任务都调用云端超大模型。

用了Qwen 3.8 27B之后，我突然想买Mac Studio了。因为我既想要更大的统一内存、更高的内存带宽，让本地模型跑得更快，同时容纳更长的上下文。我想把一部分算力掌握在自己的手里，更自由。

我目前的MacBook Pro只有48G的内存。跑4bit、MLX版的Qwen 3.8 27B，大概只有14的速度。慢归慢，但是能跑。如果用非MLX版的话，速度大概只有10，这就无法接受了。

本地跑的量化版，在性能上做了一些妥协。为了尽量排除本地量化带来的影响，我又通过OpenRouter测试了云端的高精度版本。

把Qwen 3.8 27B接入我自己的newtype OS，把每个Agent的模型都改成它。实测下来发现，这个模型完全可以驱动多Agent编排框架——能调用Skill，能分析需求，能给子Agent下达任务，等等。

说实话，我是挺惊喜的。

你要知道，这可是27B的模型，不是那些巨无霸。即使你用量化版，牺牲的性能也不多。但是，运行的门槛降却低了非常多，消费级的GPU也能跑起来。

Mac用24GB勉强能跑，32GB是比较实际的起点，48GB可以有更大上下文。如果上到M4 Max和128GB统一内存，不仅速度会快很多，也能留出更多的上下文空间，甚至同时运行多个模型。

这就是我想买Mac Studio的原因。就像我在星球里说的：本地运行，供应给Claude Code、OpenCode这些Agent，专门负责日常的任务。比如文档处理，资料搜集等等。成本低，隐私性好，没有被人拿捏的风险。

我认为，Qwen 3.8 27B一定会成为一个里程碑。它标志着紧凑型前沿模型开始成为可用的生产力模型。27B的身材证明，“达到前沿能力所需的参数规模”正在快速下降。这轮进步的背后，是单位参数承载的有效能力提高了。

如果再给一年的时间，我们很可能看到模型分层和动态路由进入大规模应用。

3B到8B的模型，负责分类、提取、改写和简单工具调用。

14B到35B的模型负责大部分的本地内容生产和Agent执行。

70B到120B的模型负责复杂推理和高价值任务。

而那些万亿参数的模型负责研究、规划、裁判等等。

这种分层和路由才是AI进一步普及的正确路径。不然所有人、所有任务都去调用云端的超大模型，这在经济和能源上都不合理。

最后，我推荐大家试试Unsloth Desktop，本地运行模型，很方便，很清爽。它会扫描、显示你机子上下载的所有模型，包括从Ollama和LM Studio下载的。你要下载什么模型也都从它那边搜索。如果要供给给Claude Code之类的Agent，运行一行命令就可以。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

2026年8月，美国长期国债遭遇持续抛售，30年期美债收益率一度升至5.3%左右。

这个数字看起来只是金融市场上的一个指标，背后却关系到美国政府的利息负担、企业融资、住房贷款以及整个美股的估值。

面对压力，美国财政部长斯科特·贝森特开始直接介入。他采取的办法，概括起来就是：

财政部买回一部分长期美债，调整未来的发债结构，同时尽量阻止日本等海外债主集中抛售美债。

这套操作并不能消除美国的债务，却能在短期内托住美债价格，压低长期利率，为美国金融市场争取时间。

为什么要救美债

要理解贝森特的行动，首先要明白一个看起来有些反常识的关系：

美债价格和美债收益率是反向变化的。

假设一张美债每年固定支付50美元利息。当它的市场价格是1000美元时，收益率大约是5%。如果大家都不想持有这张债券，价格跌到800美元，买入者仍然可以获得每年50美元利息，收益率便上升到了6.25%。

所以，当市场大量抛售美债时，会发生两个结果：美债价格下跌，美债收益率上升。

对美国政府来说，美债收益率就是借钱的参考价格。旧债收益率越高，财政部发行新债时就越需要提供更高利息。

美国本来就有庞大的财政赤字，如果借款利率继续上升，未来可能不得不发行更多债券来支付旧债利息。

这会形成一个危险循环：

投资者担心美国债务，于是抛售美债；

抛售推高利率，增加美国政府的利息支出；

利息支出继续扩大，又让投资者更加担心美国债务。

而贝森特要做的，就是设法打断这个循环。

Read more

• AI进入“平静期”，主战场已转移：不是技术停滞，而是焦点从“AI强不强”（模型、产品、协议、Skills）转向“AI如何进入环境”（在哪里工作、能看什么、能操作什么、权限如何、失败如何恢复、结果如何进入下一步流程）。

• 大公司正在争夺“环境控制权”：腾讯Workbuddy通过连接文档、会议、知识库等，打通数据、协作、能力三大闭环，试图控制工作环境；字节调整组织架构也是为了交付“AI如何在工作环境中存在”的完整方案，而不是单点产品。

• 个人同样要让AI进入自己的工作环境：用30天跑通一个重复任务——第一周选定任务，第二周补齐背景与项目文件，第三周连续运行并系统性修正错误，第四周加入检查与反馈。完成后，你就拥有一套可重复、可改进、真正属于自己的AI工作系统。

最近几个月，我越来越觉得，AI好像“没什么新东西了”。

模型还是在更新，产品也还在发，但那种“卧槽，原来还能这样”的瞬间，出现得越来越少了。

我并不是说AI发展停滞了。我的意思是，它大概是进入了一个平静期。而所谓平静期，不是技术不动了，是主战场换地方了。

过去几年，我们被 AI 惊艳过很多次。

最早是模型能力本身。

我觉得，最具代表性的一个模型就是Opus 4.6。它让很多人第一次感觉，Agent不只是会回答问题，而是真的可以长时间地做事情。

然后是产品形态。

先是Claude Code，后来是Codex，它们让AI不再只是聊天框，而是变成能帮你写代码、改文件、跑任务的协作者。

之后是协议层。

像MCP这类协议出现之后，一个很重要的变化发生了：AI开始有机会连接外部系统、读取工具、调用能力。也就是说，AI和真实工作环境之间的墙，开始变薄了。

再往后，是Skills。你不再只是问一句、答一句，而是可以把一整套工作方法封装起来，让AI按照你的规则、你的格式、你的流程去做事。

这些东西，每一层都让人很惊艳。但现在，这种惊艳感变弱了。我认为，主要是现在的焦点，从“AI强不强”，变成了“AI如何进入环境”。

也就是说，之前大家拼的是：AI能不能写代码、分析文件、生成图片、进行复杂推理？

现在变成了：AI在哪里工作？能看到什么？能操作什么？拥有什么权限？执行失败后如何恢复？结果如何进入下一步流程？

这个变化，在大公司身上已经很明显。腾讯的Workbuddy就是最典型的例子。

在我看来，WorkBuddy最牛逼的地方，是它把腾讯原本分散的办公环境变成了Agent可以进入和工作的环境。它正在连接的不是几个孤立功能，而是相对完整的工作空间。

比如，腾讯文档提供共同编辑和成果交付空间；腾讯会议沉淀团队讨论的上下文；腾讯网盘和ima提供组织知识，等等。

Workbuddy正在完成三个闭环：数据闭环，协作闭环，以及能力闭环。一旦完成了，它就拿到了“环境控制权”。而谁控制了工作环境，谁就更容易控制下一阶段AI的价值入口。

这也是为什么字节为什么要做组织架构的调整了。因为你要交付的，是一套“AI如何在工作环境中存在”的方案。这个东西，不是单点产品能搞得定的。

好，说完大公司，回到个人。

个人和大公司其实是一样的。

大公司的目标是让自己的AI进入几百万人的工作环境。对于我们这些个体来说，目标同样是让AI进入我们自己的工作环境。

具体该怎么做呢？

我的建议是，不要想着一上来就搞个大的——你先挑一件你经常重复做、又特别浪费时间的事情，用30天把它跑通。

第一周只做一件事：找到一个值得改造的重复任务。

注意：不要选择“帮我经营整个自媒体账号”这种特别大的目标。要选择一个具体任务，比如把一个选题做成视频脚本，把财报整理成公司研究笔记，等等。

那怎么判断一个任务值不值得做？

看三个条件：

第一，它是不是经常发生？

第二，它是不是每次都要花很多时间？

第三，它做得好不好，是不是比较容易检查？

如果三个答案都是“是”，它就适合成为你的第一个AI工作流。

第二周，不急着自动化，而是让AI真正理解这项工作。

以做内容为例。你需要告诉AI：你的账号定位是什么；观众是谁；你过去做过哪些内容；你喜欢什么表达风格；你每期的内容通常是什么结构，等等。

把这些内容都整理成项目文件。以后AI进入这个项目，就像一个新员工走进办公室。桌子上已经放好了账号手册、参考资料、工作要求和过去的优秀案例，它不需要每次都重新问你公司是做什么的。

第三周，让AI用同一套方法连续完成5到10次任务。

每次它出错，你都要搞清楚：为什么它会在这里出错？我要修改什么，才能让它下次不再犯同样的错误？

比如，AI引用了不可靠的数据。你别只是手工替换这条数据，而应该在流程里增加一条规则：关键数据必须找到原始来源，并附上日期和链接。

这样每修正一次，你改进的就不只是一次的工作，而是整套生产流程。

第四周，开始重点看“AI完成得好不好”。

比如做内容，你可以观察：一期稿件节省了多少时间；你还需要修改多少内容；哪些标题点击率更高，等等。

然后，把这些结果重新交给AI，让它去优化。

这四周做下来，第一周是选定任务，第二周是补齐背景，第三周是反复运行，第四周是加入检查和反馈。

全部跑完之后，你就得到一套以后可以重复执行、不断改进，并且真正属于你的工作方法；你就完成了AI和自己工作环境的第一次真正对接；你就不再是用工具的人，开始亲手设计自己的AI系统了。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now

• 公司人才观彻底改变：AI时代，人和人的差距被急剧放大。一个强人配上AI可顶整个团队，因此公司会“宁缺毋滥”、优先筛选，不再轻易招人或耐心培训。传统技能可教，但AI涉及认知底层，真正学得会的人本来就少。

• 主观能动性价值被极大放大：AI把实现门槛降到极低，只要动手就能出结果。真正拉开差距的不是“会不会学AI”，而是“愿不愿意直接干”。主观能动性低的人会用“先学再做”当借口，最终被甩开。

• 纯管理岗位风险显著上升：执行层清洗后，纯管理层将面临重新审视。建议尽快回到一线解决具体问题，真正把AI与业务结合，而不是停留在开会、协调和空谈All in AI。

AI来了之后，职场的规则、逻辑肯定也会变。

你不会天真地以为就只是裁员那么简单吧？

本期视频，我说三条我的判断，算是给还在职场的小伙伴一些建议。

第一，公司的人才观彻底变了。

其实这两年，有非常多的公司已经在尝试AI转型了。大家的路径可能不同，但最终一定会形成这两个共识。

第一个共识是，人和人的差距真的非常大。

一个牛逼的人配上AI，战斗力堪比一整个团队，而且特别擅长突围，创造不可能。

所以公司不会再像以前那样随便招人了。他们一定会宁缺毋滥。我宁可空着，也不急着招人填坑。

第二个共识是，人其实是没法培养的。

公司内部普及AI，最经常遇到的情况是：多少人饭都喂到嘴边了，但就是不肯吃。阻力非常大。

传统的技能可能可以培训。但AI这套东西涉及到太多认知底层的东西，真的没法教。

所以公司不会再像以前那样耐着性子培训了，而且业务压力越来越大，他们一定会优先筛选。

宁缺毋滥、优先筛选，这八个字一定会成为很多公司的人才观。

第二，主观能动性的价值被急剧放大。

AI时代，公司最想招什么样的人？

主观能动性极强的人。

逻辑很简单。AI把实现的门槛全都去掉了。只要你真的去做，怎么着都能做点东西出来。然后做着做着就成了。

那为什么很多人还是拿不到结果？

因为那些人主观能动性太低了。他们会找各种理由不去动手。学AI就是最好的例子。

AI真的要学吗？

我跟很多拿到大结果的人私下交流过。大家一致认为，AI是不用学的，直接干就完事了。你非要说学的话，那就是“干中学”。

那为什么还有那么多人想学AI？因为主观能动性太低，就是不想动手，然后用“学AI”作为拖延的借口。

既然讲到这里，我可以再告诉你一个很扎心的事实：如果你非得别人手把手教才能学会，那最后你肯定学不会。

所以，AI时代，牛逼的人，能成事的人，一定是主观能动性拉满的人。创业是这样，在职场里也一样。

当你的同事还在规划、还在开会的时候，你已经起跑了。然后不管是AI还是什么技术，才能真正赋能到你，局面才有可能打开。

第三，纯管理岗位的风险显著上升。

执行层大清洗之后，接下来就轮到管理层了，尤其是纯管理层。

其实，中国企业里的管理是啥样的，大家都清楚。你的老板也清楚。

当AI来洗牌之后，或早或晚，公司的业务逻辑、组织架构都会发生彻底变化。因为不变就得死。

在这个过程当中，每个岗位的价值都会被重新审视。你这个管理岗也跑不了。毕竟你又不是老板，你只是老板请来的管家。

所以，我建议你别再整天开会、协调、沟通了。一定要回到一线，去解决那些具体的问题，找回做业务的感觉。然后你真正知道怎么把AI跟业务结合，而不是像现在这样，看了几篇文章、听了几个播客、用了几个工具，就大谈All in AI。

我刚才说的这三个判断，肯定会有很多人不同意，会有很多人骂我。不要紧，我也是做筛选。听得懂的留下。听不懂的，不多说了，我祝你好运。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

模型路由是我一直很关注的方向。之前介绍过OpenRouter的双层路由体系。最近，英伟达也加入进来，发布了开源模型路由工具NeMo Switchyard。

一个卖GPU的，为啥搞起模型路由？

他们的生意逻辑其实很简单、很朴实：

• 进入Agentic AI阶段之后，任务的复杂性大大提升，执行成本也随之上升。

• 如果能降低AI使用成本，就能让企业部署更多Agent。

• 更多Agent产生更多推理请求。

• 更多推理请求就需要更多计算、网络和服务器。

• 那么，英伟达最终自然能卖出更多GPU和整套AI基础设施。

所以，如何用最低的成本，可靠地完成一个高价值任务，这就是NeMo Switchyard这些模型路由要解决的问题。

这个时候，你可能会问：API成本不是持续下降吗？执行成本怎么就上升了？

这个逻辑只适用于Chatbot阶段：用户提问，模型回答，一次输入，一次输出，简单。

但现在的情况是：AI不再只是回答一个问题，而是要自主完成一连串步骤。

比如让AI完成一个编程任务。它可能需要先阅读项目文件，再搜索相关代码，接着设计修改方案、生成代码、运行测试，最后根据报错继续调整。

即使单次调用越来越便宜，只要调用次数、上下文规模和重试次数增长得更快，完成整个任务的成本仍然会上升。

所以，当Agent必须执行这么多步骤时，降低成本最直接的办法就是：

没必要把所有任务都交给最强、最贵的模型。简单的任务交给便宜的模型去做，足矣。

NeMo Switchyard就是这么干的。它支持多种路由方式：

最简单的方法是根据请求内容判断任务难度。简单问题交给小模型，复杂问题交给强模型。

另一种方法是按照Agent的工作阶段分配模型。比如，规划阶段使用强模型，执行阶段使用快速模型，遇到测试失败或工具报错时再升级。

它还支持“先便宜、后升级”的策略。系统先让成本较低的模型尝试，再让另一个模型判断答案是否可靠。如果质量不够，就重新调用更强的模型。

那么，效果如何？

在LangChain的测试中，只有7%的请求被发送给前沿模型，成本下降74%，但准确率也下降了6个百分点。

这说明，模型路由确实可以大幅节省成本，不过具体效果仍然取决于任务类型和路由策略。可行性验证之后，接下来比拼的，就是谁能把成本、速度和准确率平衡得更好。

理解了整套逻辑之后，咱们回到开头的问题。

英伟达做模型路由，并不是跨界，而是在继续扩张自己的边界。

Chatbot时代，行业比的是谁的模型更强。Agent时代，问题逐渐变成：如何让多个模型分工合作，以最低成本完成整个任务。

当竞争从“单个模型”转向“模型系统”，路由层就会成为新的基础设施。

英伟达不想只做最底层的GPU供应商。它希望从CUDA、推理引擎一路向上，进入模型和应用之间的调度层。

它不需要押注哪一个模型最终胜出。只要所有模型都在不断产生Token，只要越来越多的Agent需要计算，英伟达就能继续卖它的GPU、网络和整套AI基础设施。

所以，NeMo Switchyard真正代表的，不只是一次开源工具发布。

它代表英伟达正在从“卖算力”，走向“定义算力应该如何被使用”。

Subscribe now

马斯克推广Grok Bot的手段够狠，上来就提供了超过同行水平的云主机：16GB RAM、128GB云盘的持久化Linux云电脑。

我认为，这种送高配置云电脑的玩法看起来很促销，但背后其实有更深的商业考量。

1、从Token转向工时。

Chatbot的使用是间歇性的，问完即走。云电脑把消费单位变成Agent运行时间、并发任务数和完成任务数量。

未来还可以形成多层收费，比如Agent小时或计算额度，并发Bot数量，持久存储及网络流量，企业身份、审计和权限管理，工作流模板与Agent市场抽成，等等。

2、建立更强的锁定。

模型之间很容易切换，但工作环境不容易迁移。

用户一旦在云电脑里积累了代码仓库、软件依赖、Cookie、脚本、工作流和历史文件，迁移成本会显著提高。

这种锁定比聊天记录强得多：

模型锁定 < 数据锁定 < 工作流锁定 < 身份与执行环境锁定

Grok Bot同一账户下的Bots会共享文件、Cookie和命令行凭据，这体现了它在建设一个账户级工作空间，而非一组相互独立的聊天窗口。

Read more

很多想开美股账户、刷美国信用卡、做亚马逊、或者已经收到券商1042-S的朋友，都会反复问同一个问题：

没有SSN，怎么申请美国信用卡和银行账户？

这个ITIN到底是个什么东西？靠不靠谱？

今天我用大白话把ITIN讲一遍。

一、ITIN到底是什么？

ITIN = Individual Taxpayer Identification Number（个人纳税人识别号码）

它是美国国税局（IRS）发给没有资格申请SSN（社会安全号）、但又需要一个美国税号来处理联邦税务事项的人的9位数字号码。

简单理解就是：它就是美国税务系统里给你这个外国人用的“税号身份证”。格式看起来和SSN很像（9开头），但性质完全不同。

二、ITIN明确不是什么？（非常重要）

很多人会误解，先把这几条记住：

• 不是美国身份证

• 不是工作许可

• 不改变你的移民身份

• 不能让你合法在美国工作

• 不能享受Social Security福利或Earned Income Tax Credit

一句话：ITIN是税号，不是美国身份。这个税号可以给你这个外国人带来一些金融便利。

三、中国人通常为什么要办ITIN？

真实常见场景主要有这些：

1、美股投资收到股息。

券商按默认30%预扣了美国税，而中美税收协定股息税率是10%。你可以拿1042-S通过Form 1040-NR申请退税，同时申请ITIN。

2、经营亚马逊美国站或其他有美国收入的业务。

需要申报1040-NR。第一次报税时可以同步申请ITIN。

3、想申请美国信用卡、部分银行账户。

有了ITIN后，部分发卡行和银行会允许你用它代替SSN申请。成功开卡后可以逐步建立美国信用记录。

4、其他需要向IRS报告美国来源收入、申请税收协定待遇的情况。

注意：开银行/证券账户、刷卡本身不是合法的申请理由。你必须先有真实的税务需求。

四、普通人怎么申请？（两条最常见路径）

路径1：通过美股股息退税申请（最适合已经在投美股的人）

流程大致是：

1. 美股账户提交W-8BEN

2. 持有派息股票/ETF，收到股息

3. 次年拿到券商出具的Form 1042-S

4. 准备Form W-7+Form 1040-NR+1042-S等材料

5. 提交给IRS，申请退多扣的税，同时拿ITIN

路径2：通过实际经营业务申报收入申请

比如亚马逊美国站有真实销售后，用1040-NR申报经营所得，同时附上W-7申请ITIN。

空店或没有真实收入的情况，不建议硬申。

五、申请方式：DIY还是找CAA？

目前主要有两种办理方式。

自己DIY邮寄的优点是成本低，缺点是需要寄护照原件（风险高、时间长），材料出错也容易被退回。这种方式更适合人在美国、或者对流程非常熟悉的人。

找CAA（Certifying Acceptance Agent）的优点是不用寄护照原件，由CAA当面核验，材料整理也更专业；缺点是需要付服务费。

对绝大多数在国内的申请人来说，这是目前最稳妥、也最推荐的方式。

CAA是IRS授权的认证受理代理人，可以核验证件并出具证明，原件不用寄出。建议先去IRS官网查最新的Acceptance Agents名单（中国有公开列表）。

我就是找CAA办理的，淘宝的卖家，花了1000（没记错的话）。我有美国公司，有税务申报的需求，所以申请合情合理。

六、需要准备哪些材料？

核心三样：

1. Form W-7（ITIN申请表）

2. 美国联邦税表（通常是1040-NR）或符合例外情况的证明文件

3. 身份证明文件（护照最常用。通过CAA办理时，原件核验后可当场退回）

姓名、出生日期必须和护照完全一致，错一个字母都可能拖很久。

七、费用和时间

• IRS本身不收“下号费”，免费。

• 主要成本来自：CAA服务费、材料认证、国际快递、可能的报税协助。

• 处理时间：IRS官方说一般约7周。高峰期（1月15日–4月30日）或从境外申请，可能到9–11周。实际经常会更久，补材料也很常见。

下号后会收到CP565通知。

八、拿到ITIN之后能做什么？

• 申请部分美国信用卡

• 申请部分Checking/Saving账户

• 用银行账户还信用卡、接收券商资金

• 逐步建立美国信用记录

• 方便后续处理美国相关税务和金融服务

再次强调：ITIN只是让你有机会进入申请流程，银行和发卡行还会单独审核你的护照、地址、收入等情况，不保证一定批下来。

我拿到ITIN之后，第一时间申请了Capital One的押金信用卡。所谓押金信用卡，就是对于没有信用记录的新用户来说，先存200美元作为担保，并且初始额度很低。我现在就时不时做一些小额度的支付，慢慢养着。

九、常见问题快速答疑

Q1：没有美国收入，只是想开信用卡，可以办吗？

A：官方不支持。必须有真实的联邦税务用途。硬申风险高，可能被拒。

Q2：办了ITIN会影响国内身份或以后移民吗？

A：不会。ITIN不改变移民身份，也不代表你有美国居留权。

Q3：ITIN会过期吗？

A：会。如果连续三年没有在税表上使用，可能会过期，需要重新激活或重新申请。

Q4：CAA能保证下号吗？

A：不能。CAA只负责核验和递交，最终批准权在IRS。

Q5：名字写错了怎么办？

A：非常麻烦，需要后续更正，可能再花几个月。填表时一定要反复核对。

Q6：已经有美国LLC和EIN了，还需要ITIN吗？

A：需要。EIN是公司税号，ITIN是个人税号，两者不能互相替代。

Q7：处理时间真的能卡在7周吗？

A：官方参考时间，实际经常更长。从境外申请+高峰期，做好3个月左右的心理准备更稳妥。

十、最后说几句实在话

ITIN本身不难理解，难的是：

1. 必须有真实的税务场景支撑

2. 材料要极其准确

3. 耐心等待

对于已经在投美股、或者有实际美国业务的人，ITIN是个很有用的工具。对于只是想“先弄个号再说”的人，建议先想清楚自己的真实用途，再决定是否申请。

如果你正在准备申请，建议：

• 先确认自己属于哪一种税务场景

• 优先考虑正规CAA

• 把护照和税表信息反复核对

还是那句话：基础设施，优先解决。而且你会发现，这些基础设施都是一环扣一环的。

Subscribe now

• 内容产品不是信息，而是证明系统：真正好的内容产品不靠忽悠，而是把认知、工具和实操组合在一起，直接让人看到框架如何变成工具、又如何在真实世界被验证，从而建立信任。

• 三层结构缺一不可：以“AI产业链投资”为例——认知层提供底层逻辑框架（视频课程+文字）；工具层把方法论编码成可复用的Skill（newtype Equity）；实操层公开指数、调仓记录和月度报告，让判断接受真实检验。

• 这是AI时代内容产品的原型：三层结构对创作者要求极高（需原创框架、能编码工具、敢公开接受检验），因此难以复制。好的内容产品应是一套持续验证的系统，而不只是一堆信息。

内容产品不是信息，而是证明系统。

今天分享一下我是怎么做内容产品的。

很多人以为，所谓内容产品，就是搞个课程出来卖。但我不这么做。

因为卖课程，本质上卖的是信息。你得不停地向所有人解释：我为什么值这个价？你为什么应该相信我？你买完之后到底能得到什么？

我认为，一个真正好的内容产品，应该把认知、工具和实操放在一起，形成一套证明系统。它不是靠忽悠，而是直接让你看到：

我的框架是什么，我怎么把框架变成工具，我又怎么在真实世界里使用这套东西。

我拿最近两个月做的“AI产业链投资”这个产品来举例。

所谓 AI产业链投资，就是研究股市里跟AI基础设施相关的公司，比如芯片、内存、光模块、服务器、数据中心这些方向。

我选择做这个产品，是因为我自己就在研究，也拿着自己的钱在做。AI产业链是我认为值得长期跟踪的方向，所以我干脆把自己的研究过程、工具和实操记录，做成一套产品。

这套产品绝不只是课程那么简单。我给它设计了三个层次。

第一层，认知层。

这一层的目标，是让你先理解AI产业链的底层逻辑。

比如很多人以为，投资AI产业链就是买英伟达。

但其实英伟达只是台前最亮眼的明星。整个台子上还有很多玩家。即使是英伟达这么强的公司，也得依赖上游、下游和各种配套环节。

那更进一步，钱在这些玩家之间是怎么流动的？为什么一会儿大家说缺HBM，一会儿又开始炒光模块？等等。

这背后不是随机的，而是有一套产业链传导逻辑。这就是认知层要解决的问题——先在你的脑子里，建立一套看AI产业链的底层框架。

所以我做了《AI产业链投资大逻辑》的视频课程。外边收费，星球内免费。另外还有文字版，放在公众号的付费专栏里。大家各取所需。

第二层，工具层。

光有认知还不够。因为你真正面对市场的时候，会有各式各样的问题。它可能是一条新闻，一个财报，一个产业链事件，或者一只突然上涨的股票。

这时候你还是会问：这个东西该怎么看？它在产业链里是什么位置？它影响的是谁？它到底是短期情绪，还是长期逻辑的一部分？

于是，我又做了一个Skill，叫newtype Equity。

你给Agent装上之后，讨论AI产业链相关事件和股票的时候，Agent就会使用我的方法论进行分析。

也就是说，我不是教完你就走。我把我的思考方式，尽量编码成一个可以反复使用的工具。你后续在实战里，不是只能回去翻课程，而是可以用这个工具辅助你分析。

第三层，实操层。

这一层最关键。

我能做这套产品，是因为我自己就是投资者。这些方法论，是我自己的经验总结。刚才说的那个Skill，也是我平时会用的工具。

既然我持续在做，那为什么不把实操过程也公开出来？

于是，我又做了newtype AI Index。

这个指数里包含七支成分股，是根据我的方法论选出来的。指数和成分股的涨跌，在我的网站newtype.pro上都有显示。任何调仓也会留下记录。

也就是，记录公开、过程透明、结果可追溯。

另外，我之前也分享过，我做了一个低频信号系统。这个系统每个月都会产出一份报告，我也把报告放在网站上分享。

所以，我讲的东西到底怎么用，我的判断到底经不经得起检验，你不用只听我说。

你可以直接看记录。

你看，如果只是卖课程，那卖的是信息。但认知层、工具层、实操层组合在一起，本质上就是一套证明系统。

认知层证明你有没有原创框架。

工具层证明你能不能把思考变成可复用的东西。

实操层证明你敢不敢把自己的判断放到真实世界里接受检验。

这三层加在一起，卖的就不只是信息，而是信任。

而且这种玩法，别人很难复制。因为难度太高。

做认知层，需要有原创的思考框架。

做工具层，需要能把思考编码成工具。

做实操层，需要敢把自己的判断公开放在那里，让它被时间检验。

大多数内容创作者会卡在第一步——他们没有原创框架，只是在重新排列别人的知识。

第二步又筛掉一批不懂技术、不会构建工具的人。

第三步筛掉几乎所有剩下的人。因为这一步需要承认：我可能会错。而且不只是嘴上承认，是愿意让错误被公开记录下来。

所以，这套结构对创作者本人的要求，比做课程高一个数量级。这就是我的底气。

接下来，我会在别的产品里继续使用这套结构。因为我的判断很明确：这就是AI时代内容产品的原型。

好的内容产品，不会只是一堆信息。它应该是一套系统。它能表达你的认知，承载你的工具，记录你的实践，并且持续接受验证。

还是开头那句话：内容产品不是信息，而是证明系统。

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来newtype社群。那咱们下期见！

Subscribe now

上一集，我们讲了芯片。

我们讲到，AI硬件链不是只有英伟达。英伟达的背后，还有HBM、先进封装、互联芯片、光模块和整套数据中心系统。

今天，我们再往上走一层，进入算力服务层。这一集的主题是：

云的故事。

为什么在AWS、Azure这些超级云厂商之外，还会冒出CoreWeave、Nebius这样的Neo-cloud？

按理说，那些全球最大的云服务商，它们有最多的数据中心、最强的工程团队、最深的客户关系、几乎无限的融资能力。那为什么过去两年，市场还会给新型云公司几百亿美元的估值？

这就是第五集要解决的问题。让我们从一个词开始：

Hyperscaler。中文可以叫超大规模云厂商。最典型的就是AWS、Azure、Google Cloud。

过去15年，全球云计算市场基本被这些巨头主导。它们建了全…

Read more

智能已经商品化，但动机（原创的、专属于个体的思维起点）没有商品化。

前沿模型叠加Harness框架后，智能本身已经变成随取随用的基础设施，谁都能接入。现在真正稀缺、且无法被模型复制的，是每个人独特的思维模式。比如，你为什么会这样想、你关心什么、你的原初冲动是什么。

这就是为什么AI做不出好内容。因为“内容 = 信息 + 动机”。

AI创作本质上是以人的目标为导向的模式匹配式智能计算。AI可以读取内外部各种信息，但是它没有动机，也不知道你的动机。所以它产出的内容注定平庸。

用AI做内容最容易失败的方式，恰恰是把动机也外包出去。

我认为，AIGC类产品的下一步，一定要想方设法解决动机采集问题。

顺着这个逻辑，我们来做个推演：如果要采集动机，产品形态会是什么样的？

首先可以肯定的是，它一定不会是一个调研工具。

传统的用户调研有一个假设：动机可以被回忆、被表述、被结构化提问引出。然而，动机往往是非结构化、瞬时爆发、且用户自己事后很难准确复述的。这类信号一旦事后回忆，就已经被理性化，被磨平了棱角，变成了平庸的观点。

所以采集动机的产品，第一条设计原则是：必须在动机发生的那个瞬间捕捉，而不是事后追问。

关于产品形态，我大概想了三层结构。

Read more

• 建立个人根据地newtype.pro：作者用Codex完整搭建了个人网站，将309篇文章、485条帖子、2套课程及AI产业链投资指数全部迁移过来，作为长期经营的核心系统，其他平台仅作为分发渠道。

• 为什么必须自建：现有平台（如知识星球）不适合系统化内容展示与沉淀，且存在限流、封禁等不可控风险。自建网站可按需求组织内容，并通过MCP开放知识库，让人和AI都能直接调用。

• 平台是码头，不是根据地：内容、关系、认知不应锁在别人的系统里。真正长期做事的人，必须把核心资产沉淀在自己能完全掌控、持续扩展的系统中，才能实现真正的个体主权。

过去三天，我花光Codex额度，终于把我的个人网站搭建好了。

现在，你在浏览器里输入newtype.pro这个域名，就能打开网站，了解我的理念，查看我所有的内容。

从现在起，这个网站就是我的根据地，我会一直经营下去。其它任何平台只是分发渠道。

那么，为什么不用现成的平台？

过去三年，我在各个平台发布内容，包括视频和文章。而那些公开的内容，以及会员专属的内容，我也都集中发布在知识星球newtype里。

这么做虽然方便，但是存在两个很要命的问题：

第一，内容没法成体系地展示。

比如知识星球，虽然我把所有内容都发上去了，但是它天然是个用来交流的社区，不适合做内容展示和沉淀。之前就有不少小伙伴反馈说找不到内容。

第二，别人的地盘，任人拿捏。

比如，别的平台都通过了，但某些平台通不过；别的平台都正常，但某些平台就限流。还有我根本都没直播，也能判我直播内容违规，封了30天。

说真的，这已经不只是恶心人了，而是非常大的隐患。

所以，为了能按我的需求去组织和展示我的所有内容，为了不再被平台拿捏，我必须建立自己的根据地。

截至目前，已经有309篇文章、485条帖子、2套课程已经在网站发布，包括公开发布的和会员专属的。我最近新做的AI产业链投资的指数也在网站有展示。系统会根据上一个交易日的结果自动更新指数和成分股的情况。

如果你已经加入知识星球newtype，那么可以通过右上角登录，系统会通过星球的API验证你的身份。然后你就可以查看所有内容，不再需要去星球里搜半天了。

把所有内容搬到网站给人看只是第一步。为了让会员的AI也能随意调用，我特意搞了个知识库，通过MCP开放出去。这样一来，人和AI都可以接入我的内容。

到这里，这个网站就不只是一个展示页了。它开始变成一个我自己的系统。

很多人做内容，其实是在不断给平台打工。你写的文章、发的视频、积累的关系、沉淀的认知，最后都被锁在别人的系统和规则里。

平台当然有价值。它可以帮你分发，帮你被更多人看到。但平台只能是码头，不能是根据地。

我建这个网站，不是因为我想逃离所有平台。恰恰相反，平台我还会继续用。只是我不想把最重要的东西，放在一个我说了不算的地方。

newtype的文章、帖子、课程、会员关系、知识库，应该沉淀在一个我能长期维护、持续扩展的系统里。

以后不管平台怎么变，算法怎么变，规则怎么变，这里都会在。这就是我的根据地。

如果你也在认真做一件长期的事，我建议你也想一想：你现在积累的一切，到底是在你的系统里，还是在别人的系统里？

OK，以上就是本期内容。想了解AI，想夺回个体主权，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Subscribe now