AI on Lutong's Homepage

当我们为一台电摩按下刹车，到底发生了什么？——一场关于两轮电动车刹车与打滑的仿真探险

Mon, 22 Jun 2026 15:00:00 +0800

一、为什么要折腾这件事

你大概也有过这样的瞬间：骑着电动车，前面突然窜出一辆外卖车，你一把捏死刹车——晴天还好，要是下过雨，心里咯噔一下，屁股后面那股"滑了一下"的感觉可不好受。

两轮电动车和四轮汽车最大的不同，是它只有两个轮子接地，而且刹车时还会"翘屁股"。前轮一锁死，基本就是直接趴下；后轮一甩，能不能救回来全看反应和运气。那到底什么样的刹车配置最靠谱？雨天和晴天差多少？过弯时还能不能刹车？牵引力控制系统这玩意儿到底神不神？

光靠经验说不清，于是我决定在电脑里造一台"虚拟电摩"，让它替我把各种姿势都摔一遍。

二、我们要搞清楚的"考场"

为了让结论有用，我设计了一个完整的实验矩阵，把以下变量全部排列组合：

三个速度区间：每小时 0 到 25 公里（新国标电动自行车上限）、0 到 35 公里（电轻摩）、0 到 45 公里（电摩）；
三种刹车配置：双碟刹、前碟后鼓、双鼓刹；
两种天气：晴天干燥沥青、雨天湿沥青；
三种工况：直线紧急制动、15 度缓弯中制动、90 度直角弯中制动。

这样一来，光是主场景就有 3×3×2×3 = 54 种组合，再加上刹车力度分配扫描、防抱死制动系统对比、甩尾救车、牵引力控制仿真，这辆车在电脑里少说也摔了上千次。放心，它不疼。

三、给这台虚拟电摩"量体裁衣"

仿真好不好，七分靠参数。我没有瞎拍脑袋，而是按真实电摩的物理尺寸和公开的轮胎摩擦数据来设定，关键是每一项都有出处：

参数	取值	怎么来的
整车质量	140 公斤	车约 70 公斤 + 骑手约 70 公斤
轴距	1.25 米	主流电摩轴距 1.20 到 1.35 米
重心到前轴 / 后轴距离	0.65 / 0.60 米	骑手坐姿偏后，重心略靠后
重心高度	0.60 米	踏板坐姿电摩的典型值
轮径	0.20 米	14 到 17 寸轮
晴天沥青摩擦系数	峰值 0.85 / 滑动 0.72	干沥青轮胎抓地力通用区间
雨天沥青摩擦系数	峰值 0.50 / 滑动 0.38	湿沥青显著下降，事故率随之飙升
碟刹响应时间	0.08 秒	液压碟刹建压快、手感线性
鼓刹响应时间	0.22 秒	机械结构 + 自助力，建压慢、容易突抱

这里有个细节很关键：摩擦系数不是一个定值，而是会随着轮胎打滑程度变化的曲线。轮胎没打滑时抓地力为零（自由滚动不打滑嘛），随着轻微打滑迅速升到峰值，打滑过头又掉到较低的"滑动摩擦"。这正是后面所有"锁死"现象的根源。

AI自主科研案例———— AI智能体时代的两国宏观经济学：超越AI扩大差距的浅层叙事

Fri, 22 May 2026 00:00:00 +0000

摘要： 本文构建了包含八种深度机制的内生增长两国宏观经济模型，系统分析了AI智能体时代AI优势国（A）与劣势国（D）的经济演化。八种机制分别是：AI能力相变、数据殖民主义、劳动力三分裂、鲍莫尔成本病逆转、财政陷阱、不对称货币政策溢出、自动化悖论以及大脱钩。在理论层面，本文取得了三项超越机制罗列的整合性贡献。第一，揭示了AI采纳速度的临界阈值在相变存在下的失效——对D国采纳速度\(\nu_D\)从0.02至0.25的灵敏度扫描显示，最终收入差距从18.25倍单调上升至60.78倍，不存在任何收敛分岔点，这意味着"加速采纳即可实现追赶"的传统政策直觉在相变条件下完全失效。第二，发现了综合政策组合的反直觉边界——同时实施加速采纳、再培训提升、数据主权保护和算力投资翻倍四项政策后，D国GDP收入差距反而从32.62倍扩大至38.16倍，揭示了在未跨越计算阈值的前提下"加速替代先于加速增效"的结构性困境。第三，建立了相变锁定假说与收敛俱乐部假说的理论对话，明确了两种假说分别适用的前提条件——平滑技术扩散场景vs涌现式计算密集型场景——为AI追赶战略的阶段性设计提供了理论基础。数值模拟的核心发现包括：基准情景下两国收入差距从3.32倍扩大至32.62倍；A国经历结构性通缩（≈-8.6%）而D国面临高通胀（+5.18%），通胀出现方向性而非程度性分歧；A国实际利率（10.59%）远高于D国（-0.18%），导致资本从D国逆向流入A国——彻底反转Mundell-Fleming模型预测；A国基尼系数从0.45升至0.573（劳动力三分裂驱动），技能溢价从2.00升至2.94（+47%）而D国仅从1.50升至1.51；D国债务可持续性条件\(r_D < g_D\)在2070年代后破裂，初始债务阈值区间\(\theta_{\text{crit}} \approx 0.65-0.75\)触发财政陷阱非线性跃升。本文的八个反直觉命题以及三项整合性发现共同挑战了传统国际宏观经济学的多个核心假设，为AI时代的全球经济治理提供了全新的理论框架。模型同时指出，落后困境的反转存在严格条件——劣势国必须在财政条件恶化（即\(r_D - g_D\) 由负转正）之前跨越计算阈值 \(C_{crit}\) 且需要保证AI投资率必须与AI采纳速度联动，确保在AI替代效应大规模爆发之前完成计算资源跨越；或通过国际治理机制确保AI基础设施使用权的公平获取，否则任何单一或组合式的追赶政策都将在相变锁定效应下失效。

关键词：AI智能体；两国模型；相变锁定；收敛俱乐部；政策边界；数据殖民主义；劳动力三分裂；鲍莫尔病逆转；财政陷阱；大脱钩

一、引言：AI时代的两国经济学——为何需要全新的分析框架？

1.1 研究动机：非线性与分歧的时代

2025年，全球AI计算资源分布呈现出前所未有的集中态势。根据Epoch AI与斯坦福HAI研究所的联合估计，全球约70%的AI算力集中于美国（在我们的模型中定义为AI优势国A国），而排名在其后的20个国家合计仅占约25%。更令人关注的是，这一集中度仍在加速上升——大语言模型的训练算力每18个月增长一个数量级（Kaplan et al., 2020），而绝大多数发展中国家（模型中的AI劣势国D国）在这一轮算力竞赛中几乎没有任何参与。这不是传统意义上的"技术差距"——发展中国家可以购买的工业机器人与AI模型有着本质区别。工业机器人是"使用"的工具，而AI模型是"创造"的工具。一个人可以用机器人生产产品，但他无法用另一个人的机器人"训练"出一个更好的机器人——这正是AI技术的核心特征：数据网络效应、规模报酬递增、以及"赢家通吃"的市场结构。这些特征使得AI技术的扩散逻辑完全不同于历史上任何一次技术革命。

传统的国际增长经济学建立在几个不言自明的核心假设之上：技术进步的扩散是自动的、连续的过程（Nelson & Phelps, 1966的追赶假说）；发展中国家的"后发优势"使其能够以更快的速度吸收前沿技术，从而自动收敛于发达国家的收入水平（Barro & Sala-i-Martin, 1997的条件收敛假说）；货币政策通过传统的利率和汇率渠道在国际间传导，资本从利率低的国家流向利率高的国家（Mundell-Fleming模型）；服务业的相对价格存在结构性上升趋势（Baumol & Bowen, 1966的成本病假说）；经济增长与就业之间存在稳定的正相关关系（Okun’s Law）。这些假设构成了过去半个世纪各国央行行长、财政部长和国际经济组织决策最基本的理论基石。

但在AI智能体时代，这些假设正在以惊人的速度逐个失效。GPT-4的训练成本估计约为7800万美元，而GPT-5的算力需求可能是前者的数十倍——这意味着只有极少数国家和企业能够参与AI基础设施的建设。AI能力的发展并非平滑的指数曲线，而是在特定计算量阈值处出现"涌现"能力的跃迁（Wei et al., 2022）。我们称之为"AI能力相变"——一个存在临界计算资源门槛\(C_{\text{crit}}\)的非连续过程，跨越该门槛前AI仅起辅助作用，跨越后AI系统获得自主创新和科学发现的能力，经济增长模式发生质的飞跃。当一个国家跨越了这一相变阈值后，其AI系统从"辅助工具"变为"自主创新者"——能够自主进行科学发现、算法优化和模型设计，经济增长模式发生质的飞跃；而未能跨越阈值的国家，即便拥有丰富的劳动力和自然资源，也将被锁定在低增长轨道上。

这一现象在近期学术文献中已经获得了初步的实证支持。Acemoglu（2024）估计AI对美国未来十年TFP增长的贡献约为0.53%-0.66%——这一数字看似温和，但若考虑AI能力的相变式跃迁，则预测的下限可能被大幅低估。UNDP（2025）在题为"The Next Great Divergence"的报告中警告，AI可能成为继工业革命之后推动全球收入差距第三次大扩大的技术力量。White House CEA（2026）更直接地将AI定为"新的全球大分流"的潜在推手。然而，这些政策报告虽然正确识别了问题的存在，却缺乏一个能够系统分析AI如何在贸易、资本流动、知识溢出、数据流、劳动力市场和财政约束等多个维度同时发挥作用的结构化定量框架。

本文的核心研究动机正是建立在这一空白之上。我们提出并回答了七个相互关联的研究问题。第一，AI能力相变——跨越计算资源临界阈值后TFP增长率的非连续跃迁——如何从根本上改变两国经济增长路径的演化动力学，使传统"条件收敛"假说从自动机制变为概率问题？第二，数据作为一种新型经济资产在国际流动中的角色如何被理论化？数据从D国向A国的单向净流动——A国AI公司以近乎零成本提取D国用户数据训练模型，再以高价将AI产品卖回D国——是否构成了一种可测量的"数据殖民主义"效应？第三，在相变存在的前提下，AI采纳速度的临界阈值是否仍然决定技术收敛？换言之，经典"收敛俱乐部"假说——该假说认为存在一个AI扩散速度阈值，高于它的国家可追赶至前沿、低于它的被锁定于发散陷阱——是否在相变条件下仍然成立？第四，宏观经济学中的多个经典定律——奥肯定律、菲利普斯曲线、鲍莫尔成本病、Mundell-Fleming模型——是否及如何被AI技术的非线性冲击所颠覆？第五，多种追赶政策的协同组合是否一定优于单一政策？是否存在一个政策效果的"边界"——超过该边界后政策努力不仅不再有效，反而因加速结构性替代而扩大差距？第六，AI优势国（A）和劣势国（D）在财政可持续性上的临界条件是否存在系统性差异——债务的"安全阈值"是否因AI不对称而发生了非对称漂移？第七，综合上述六个问题的答案，AI劣势国是否存在可行的、分阶段的政策空间来避免被永久性锁定在低增长轨道上？

本文的核心贡献不在于指出"AI扩大差距"——这已是学术和政策共识——而在于揭示那些隐藏在水面之下的、反直觉的、非线性的且具有重大政策含义的深层机制，并通过这些机制的相互作用推导出超越单一机制罗列的整合性结论。第一，我们发现AI采纳速度的临界阈值在相变存在下完全失效——\(\nu_D\)从0.02至0.25的扫描显示差距单调扩大，不存在收敛分岔。这一发现将"收敛俱乐部"（假设平滑技术扩散）和"相变锁定"（假设非连续跃迁）定位为两种分别适用于不同技术发展阶段的互补性理论景观，而非竞争性假说。第二，我们发现综合政策组合存在意外的"政策边界"——同时加速AI采纳、提升再培训效率、保护数据主权和增加算力投资四项政策的总效果不仅未能缩小差距，反而因"加速替代先于加速增效"的锁定效应而扩大了差距（32.62倍至38.16倍）。第三，我们揭示了AI对利率的双重影响机制——自然利率因TFP提升而温和下降（标准New Keynesian预测），但实际利率因鲍莫尔逆转驱动的结构性通缩而大幅上升（约7个百分点的偏离），两者之间的背离构成了AI经济体中价格机制与生产率机制错配的独特信号。这八种深度机制以及三项整合性发现不是简单的并列关系——它们在数学结构和经济逻辑上形成一个有机整体，可以被理解为三个层次的级联效应。

1.2 研究方法的逻辑链条

本文采用"理论构建→数学形式化→数值模拟→机制检验"的四步研究设计。第一步，我们从AI技术的五个固有特征（规模报酬递增、数据网络效应、涌现能力、赢家通吃、创造与使用分离）出发，推导其对两国宏观经济体系可能产生的非线性冲击，提炼出八个深度机制假设。第二步，将每个机制用微分方程或代数方程进行数学形式化，将其嵌入一个包含32个状态变量（两国各16个变量）的动态系统中，涵盖传统宏观变量（产出、资本、劳动力、通胀、利率、税收、债务）和八种机制对应的新变量（相变完成度、数据净流出、三分裂劳动力占比、脱钩系数等）。第三步，使用RK45数值求解器对系统进行时间跨度为2025-2075年的模拟，系统性地检验八个命题。第四步，进行情景分析（含相变vs不含相变、高数据弹性vs低数据弹性等），评估各机制在不同参数空间内的稳健性。

本文结构如下：第二部分对相关文献进行全面回顾，识别四个系统性的理论空白；第三部分构建将八种机制联结为一个整体的理论框架；第四部分对每种机制进行深入的理论阐述和数学推导，并在每种机制中融入对应的临界阈值分析和灵敏度检验；第五部分呈现数学模型的核心方程体系；第六部分汇报数值模拟实验结果并分析八个反直觉命题的检验结果；第七部分讨论情景分析、综合政策组合的协同效应与边界、以及稳健性检验；第八部分提出政策含义；第九部分总结全文，在收敛俱乐部假说与相变锁定假说之间建立理论对话，并讨论研究局限与未来方向。附录A提供完整的变量定义与符号说明，附录B给出核心方程的完整推导，附录C展示详细的敏感性分析补充材料。

二、文献综述：AI宏观经济学的理论基础与空白

2.1 AI宏观经济学的微观基础

AI宏观经济学的现代研究可以追溯至Acemoglu与Restrepo（2019）的任务框架——这是迄今为止最具影响力的微观分析工具。在该框架中，自动化同时产生两个方向相反的经济效应：替代效应（displacement effect）降低劳动需求，而生产率效应（productivity effect）通过降低生产成本扩大经济总产出并创造新任务。两效应的相对大小决定了自动化的净就业效果。Acemoglu（2024）运用这一框架对AI的宏观影响进行了量化估计，认为未来十年AI驱动美国TFP增长的合理区间为0.53%-0.66%——这一数字显著低于许多技术乐观派的预期，引发了对"AI生产率悖论"的广泛讨论。

Aghion、Jones与Howitt（2017）从另一个角度切入，将AI建模为创意生产函数中的自动化。在他们的框架中，如果创新过程本身可以被完全自动化，则经济可能进入超指数增长路径——这一结果与本文的"AI能力相变"机制有着深刻的内在联系。Trammell与Korinek（2023）进一步区分了两种自动化场景：生产自动化（AI替代劳动）和R&D自动化（AI替代创新者），指出后者在长期中的影响力可能远大于前者。他们的结论与本文观点一致——最根本的AI风险不在于替代多少工人的工作，而在于替代多少"思维工作"，从而改变经济增长的基本引擎。

Korinek与Stiglitz（2022）在一个关于AI与最优分配的开拓性研究中，探讨了当AI导致劳动收入份额极端下降时最优税收和再分配政策的设计问题。他们发现当AI使资本完全替代劳动时，最优资本税率不为零——这与传统的Atkinson-Stiglitz结果（消费和生产效率可以分离）形成对比。这一发现为本文的两个核心机制提供了理论基础：一是"财政陷阱"——AI劣势国因AI相关税基萎缩和失业救济刚性上升所面临的结构性财政困境；二是"大脱钩"——GDP增长与就业增长之间的传统正相关关系因AI替代而发生根本性断裂。

在国际维度上，Acemoglu（2024）在其最近的NBER工作论文中坦承，“关于AI如何影响不同国家之间的经济差距，我们目前的理解是极为有限的”。这一判断准确概括了当前国际AI宏观经济学的理论困境。虽然自动化对劳动力市场的影响有大量微观层面的研究积累，但在国际层面上——贸易流、资本流动、知识溢出、人才迁移、数据流和财政约束如何被AI同时改变——仍然缺少一个统一的理论框架。

2.2 国际技术扩散与经济收敛的经典理论

国际增长经济学中，技术差距模型（Nelson & Phelps, 1966）与条件收敛假说（Barro & Sala-i-Martin, 1997）构成了分析国际收入差距的核心框架。“后发优势"假说认为，后发国家可以通过模仿前沿技术以比前沿国家更快的增长速度实现经济收敛。这一假说在二战后的东亚奇迹（日本、韩国、台湾、中国大陆）中获得了丰富的实证支持。然而，AI技术的特征正在使这一收敛机制面临前所未有的挑战。

Jones（1997）的半内生增长模型揭示了一个关键见解：长期增长率取决于参与研发的人口规模。当一个经济体中从事创新的人口规模因人才流失而萎缩（这正是D国面临的情况），其长期增长潜力将受到根本性限制。Aghion与Howitt（1998）的熊彼特增长模型进一步强调创造性破坏在经济增长中的核心作用，但AI时代的一个关键问题是：当创造性破坏的主要来源（AI科研）被少数国家垄断时，破坏性竞争能否在国际间实现？答案可能是否定的。

近年来，Brynjolfsson与McAfee（2022）在其工作中系统性地论证了数字技术（尤其是AI）的规模报酬递增特征如何改变竞争中性和收敛的动态机制。他们指出，在存在强网络效应的数字市场中，“赢家通吃"不仅是企业的特征，也可能是国家层面的特征。这一论点与本文的"相变锁定"机制不谋而合——AI市场的正反馈循环（更多的数据→更好的模型→更多的用户→更多的数据）可能在国家间形成永久性的增长差异。

2.3 近期AI分化研究的进展与不足

国际政策机构在过去18个月内密集发布了多份关于AI国际分化的研究报告。UNDP（2025）在"The Next Great Divergence：Artificial Intelligence and Global Inequality"中提出了三个层次的AI不平等：AI能力不平等（能力建设和控制）、AI收益不平等（收益分布）和AI治理不平等（规则制定权）。报告估计全球AI计算资源分布的前1%国家占据了超过70%的份额，而底部50%国家合计不足1%。

AI自主科研案例————AI与智能体发展对人类社会出生率的影响研究

Tue, 19 May 2026 00:00:00 +0000

摘要

随着人工智能和智能体技术的飞速发展，人类社会正面临一个前所未有的问题：AI是否会进一步压低已经处于历史低位的出生率？ 本研究通过多方法整合分析，系统识别了AI影响出生率的6条独立机制路径（4条抑制、2条促进），基于OLG理论框架构建了系统动力学模型，并仿真了4种情景下60年的人口演化轨迹。在此基础上，本研究通过批判性反思识别了核心论证的潜在漏洞，引入了性别不对称的"双端退出"模型，并以中国Gen Z数据作为极端案例进行了深入检验。此外，本研究还通过阈值函数验证了AI伴侣替代效应的非连续塌陷假设，并通过蒙特卡洛扫描量化了参数空间的不确定性。

核心结论：AI整体上对出生率构成净负面压力。即使在最乐观情景下（AI作为补充式生产力工具 + 有效政策监管 + 家务机器人突破），2085年全球生育率（TFR）最高仅恢复至1.84——仍低于替换水平2.1。在最悲观情景下（替代式AI + 无监管AI伴侣泛滥），TFR可能跌至0.85，人口60年内萎缩超60%。然而，这一结论需要重要的性别维度修正：AI伴侣的替代效应是不对称但双向的——男性被AI伴侣"拉出"婚恋市场，女性因经济独立和社会不平等被"推出"市场，双端同时收缩产生的非线性效应远超单方向退出的影响。关键变量并非AI本身，而是AI伴侣的渗透率——当超过70%时，社会关系资本加速崩塌，对出生率的抑制效应远超其他所有机制。阈值函数验证进一步表明，这一塌陷并非平滑递减，而是在渗透率超过临界值（约Q=0.65）后出现非连续跳变，跳变幅度可达0.367 TFR。

1. 引言

1.1 背景

全球出生率正处于前所未有的下降通道中。OECD国家总生育率（TFR）已从1960年的3.3降低至2022年的1.5，37/38个OECD国家低于替换水平2.1（OECD, 2024）。韩国更是跌至0.7的极低水平，成为全球生育率最低的国家之一。与此同时，AI技术正以远超以往技术革命的速度渗透人类生活的方方面面。从ChatGPT在2022年底横空出世，到Character.AI等伴侣型AI产品的月活用户突破2000万，AI正在从根本上改变人类的工作方式、社交模式和亲密关系。这两条趋势——出生率下降和AI渗透率上升——是否在因果关系上交汇？如果是，其作用机制和量化幅度如何？这些问题构成了本研究的核心驱动力。

1.2 研究问题

本研究聚焦于一个尚未被充分系统性探讨的问题：AI和智能体的发展，通过哪些机制、以多大的幅度、在什么条件下，影响人类社会（特别是年轻一代）的生育决策？ 具体而言，本研究试图回答以下子问题：

AI通过哪些独立的机制路径影响生育意愿和生育行为？
这些机制之间的交互效应是放大还是抵消？其非线性特征如何？
AI伴侣的替代效应是否存在关键阈值？渗透率超过多少时会发生社会关系资本的"非连续塌陷"？
性别不对称如何改变AI对婚恋市场的解构方式？
在可预见的政策干预下，人类社会的生育率是否还能回到替换水平？

1.3 研究方法

本研究采用五阶段整合研究法：

文献调研：系统检索学术论文、智库报告、国际组织数据，覆盖人口学、经济学、AI伦理学、社会学等多学科
思维实验：基于当前趋势推演极端场景，包括AI伴侣时代、AI经济下的人类价值、AI育儿助手等，并在后续扩展中增加性别不对称、政策干预和反直觉正面场景
归纳分析：提炼跨领域的影响机制框架，识别6条独立路径及其非线性交互
理论建模：构建包含AI因素的生育决策OLG模型，引入性别不对称的扩展模型
系统动力学仿真：4情景量化对比分析，辅以蒙特卡洛敏感性扫描和阈值函数验证

此外，本研究还包含对上述方法的批判性反思，识别核心论证的潜在漏洞，并用最新实证数据补充和检验理论预测。

2. 文献综述

2.1 历史的回声：技术变革如何影响出生率

技术变革对出生率的影响并非首次出现。历史上，每一次重大技术革命都伴随着生育率的结构性下降，但每次变革的作用机制各不相同。理解这些历史先例，有助于我们预判AI可能产生的影响轨迹。

技术革命	时间	对出生率的影响机制	影响幅度
现代避孕药	1960s	直接防止意外怀孕；性行为与生育解耦	工业化国家TFR从3.0降至1.8
电视	1950s-1980s	展示不同生活方式；缩小家庭规范；替代时间	巴西研究：电视普及→TFR降0.6
智能手机	2007-	社交替代；约会市场变革；注意力虹吸	全球TFR从2.5降至2.3（2007-2023）
AI（当前）	2022-	多机制复合（见第3节）	？

值得注意的是，这些技术变革并非孤立的——它们叠加在已有的社会变迁上，产生乘数效应。每一次新技术浪潮都进一步降低了生育的"必要性"和"自然性"。一个关键观察来自Amish群体的研究：Amish群体（完全避免新技术）保持了最高的生育率（Stone et al., 2025，《Demographic Research》），这暗示技术采纳本身与生育率下降存在因果关联，而非纯经济因素。如果技术回避群体可以维持高生育率，那么技术采纳群体的生育率下降就不能简单归因于经济发展或社会变迁——技术本身很可能是独立的驱动因素。

2.2 AI伴侣的爆发式增长

AI伴侣市场正以惊人的速度扩张，其增速远超此前任何一种社交技术。以下数据勾勒出这一新兴市场的轮廓：

指标	数据	来源
AI伴侣市场规模(2024)	69.3亿	SNS Insider
预计规模(2032)	311亿，CAGR 20.68%	SNS Insider
另类估值(2025)	367.9亿，CAGR 31%	Grand View Research
Character.AI月活	2000万用户	Similarweb 2025
Character.AI月访问量	2.23亿次	Semrush 2025
用户年龄分布	51.84%为18-24岁	Similarweb 2025
日均使用时长	17分钟/用户	Semrush

这几个数字值得特别关注。首先，超过一半的AI伴侣用户是18-24岁的年轻人——这正是传统婚恋和生育决策的关键年龄段。其次，AI伴侣的市场年增长率高达20-31%，远超大多数消费品类。第三，日均17分钟的使用时长看似不高，但对于情感陪伴类产品而言，这一数字已经接近社交媒体的日均使用时长，且仍在增长中。这些数据共同表明，AI伴侣已从科技爱好者的边缘玩具，变为主流年轻人日常生活中的重要组成部分。

Beancount 平行预算插件：当个人记账遇上事业单位平行记账

Sun, 10 May 2026 00:00:00 +0000

从「平行记账」说起

如果你接触过政府会计制度，一定对「平行记账」这个词不陌生。

2019 年起，我国行政事业单位全面实行新政府会计制度，核心变化就是建立 财务会计 与 预算会计 适度分离又相互衔接的「双体系」核算模式。简单说，就是同一笔经济业务，同时从两个维度反映：

财务会计 — 权责发生制，反映单位的资产负债和运行成本
预算会计 — 收付实现制，反映预算收支执行情况

这套模式有个形象的名字叫 平行记账。它在确保财务信息完整性的同时，又能直观看到预算执行进度——钱花到哪了、还剩多少、有没有超支。

什么？你说这是写给事业单位财务人员的，跟个人记账有什么关系？

别急。我在用 Beancount 做个人记账时发现，这种「平行」的思路，恰好能解决个人预算管理中长期困扰我的几个痛点。

Fava 自带预算功能的问题

Beancount 生态中，Fava 是最常用的 Web 前端。它确实自带了一套 budget 指令，但实际用过之后，槽点不少：

1. 不直观，学习成本高

内置的 budget 需要配合 bean-query 特定的查询语法才能看到预算执行情况。这意味着你没法在 Fava 的资产负债表上直接看到预算余额——你得再开一个单独的报表页面，还需要自己拼 BQL。

此外，budget 指令的语法固定，自定义灵活性差，例如只支持固定按照月份或者年为周期进行预算管理，不支持一次性预算或跨周期预算管理。对于装修这种一次性大额、餐饮这种每月定时充值的混合场景，内置 budget 没有一个直观的「周期开始自动充值、过往余额不累积」的展示机制。对于预算分类比较细的用户（比如我有餐饮、交通、购物、装修等多个预算），配置起来繁琐且不易维护。

3. 与账本体系割裂

最让我难受的是——预算信息是「外挂」的，不在标准的复式记账体系内。这意味着预算余额不是账户余额，不能通过 Fava 的账户树直接浏览，只能在Fava的支出页面中的某个子页面察看。没法用 bean-query 做自由查询，也没法和其他账户做交叉分析。

我们的方案：Beancount 平行预算

所以，我想能不能换一种思路——把预算本身做成账本的一部分。

受事业单位平行记账的启发，我开发了 beancount_parallel_budget 插件。核心思想就是：让预算像会计科目一样存在，用复式记账的方式管理预算执行。

账户体系

每一个预算类别，对应三个账户：

Equity:Budget:Expenses:{name} ← 记录该预算下的实际支出
Equity:Budget:Balance:{name} ← 预算余额（周期初=预算额，周期末=剩余）
Equity:Budget:Income:{name} ← 预算收入（周期初调整时的反向账户）

关键逻辑：每个支出交易发生时，插件自动在原有记账分录上追加两条平行分录，将支出金额同步记到 Expenses 和 Balance 账户。这就像一个迷你「预算会计」体系，与你的「财务会计」（即平时的收支记账）并行运作。

AI+Beancount 复式记账个人务实

Sun, 01 Jun 2025 21:30:28 +0800

AI+Beancount 复式记账个人务实

其实大概从本科以来，我一直在使用Beancount这个开源的复式记账工具来进行个人财务管理。但是之前记账实在是太繁琐和麻烦了，经常拖拖拉拉，记个大概。

改变发生在去年年底，从那时候开始，我开始引入大语言模型（LLM）来参与个人记账务实。从此，每个月的支付宝、微信和信用卡账单大概只需要十多分钟的就可以快速地导入进对账单。因此，2025年起我们的记账开始变得详细和完整，账本也更准确地反映出了个人财务状况。如今，我也有一些经验总结，希望做一个回顾和整理。

记账方案的顶层设计——权责发生制还是收付实现制

以往，大多数讲Beancount记账软件的博客通常会从单式记账（Single-entry Bookkeeping)和复式记账（Double-entry Bookkeeping）的区别谈起。但是今天，我想从一个更加深入也更本质的问题来谈起，因为这决定了我们账本的整体设计框架，也就是权责发生制和收付实现制。

简单回顾一下Beancount引入的复式记账，这引入了一个规则就是每一个交易（Transactions）均是由多个条目（Postings）来组成的，代表了资金的来龙去脉。在Beancount中，并非使用会计学中“借贷记账法”，而是简化为使用负数代表资金的来源（即贷方，Credit），正数代表资金的去向（即借方，Debit）。举一个简单的例子，假设你借给小明2000块钱，传统单式记账可能会记录一笔2000元的支出，而复式记账则同时记录这笔资金的从哪里来、到哪里去。：

2025-05-01 * "小明" "借款2000元"
 Assets:Bank:Cash -2000 CNY
 Assets:Receivables:XiaoMing 2000 CNY

这样，这一笔支出并不会记录为一笔支出（Expenses），而是记录为小明的应收账款中的金额。这样，你就知道这2000元并不是你这个月切实的消费，因此并不需要从个人的本月预算中省吃俭用出这2000元。

同样，当下个月小明连本带利归还2200元时，你的记账如下：

2025-06-01 * "小明" "还款2000元"
 Assets:Bank:Cash 2200 CNY
 Income:PnL -200 CNY
 Assets:Receivables:XiaoMing -2000 CNY

这代表着小明还清了钱，同时你的收益和损失收入（Profit & Loss， PnL）账户带来收益200元。因此，这个月你的净收益增加200元，而不是2200元。而你这个月也可以多消费200元（笑）。

从本质上看，Beancount的复式记账提供了更加灵活的记账能力，也因此引入了我们想要讨论的一个核心话题：是使用上面这个例子使用的权责发生制还是收付实现制来记账？让我来说明一下：

任何一个会计学教材都会跟你说，财务报表最重要的三大表是资产负债表（Balance Sheet）、利润表（Income Statement）和现金流量表（Cash Flow Statement），他们的主要特点如下：

资产负债表衡量了一个时刻的所有资产和负债的表格。资产负债表主要考察如下三类财务科目，资产（Assets）、负债（Liabilities）和所有者权利（Equity，或称净资产）。在Beancount中，引入了如下的会计恒等式：资产+负债+净资产=0。值得注意的是，在Beancount中，负债和净资产等贷方账户都使用负数来记账。
利润表衡量了一段时间内的收入、费用和净利润等情况，主要考察了如下两类财务科目支出（Expenses）和收入（Income）。利润表使用的是权责发生制来记录，即在这个交易产生权利和责任的那一天入账（例如发生交易、签订合同等）。假设你租房每个月房租是2000元，三个月一付。按权责发生制，则应该记录为在实际使用房屋的时候（即每个月），产生支付义务的时刻记账：

2025-03-01 * "房租实预缴"
 Assets:Cash -6000 CNY
 Assets:Prepaid 6000 CNY

2025-03-01 * "房租(按月发生)"
 Expenses:House 2000 CNY
 Assets:Prepaid -2000 CNY

2025-04-01 * "房租(按月发生)"
 Expenses:House 2000 CNY
 Assets:Prepaid -2000 CNY

2025-05-01 * "房租(按月发生)"
 Expenses:House 2000 CNY
 Assets:Prepaid -2000 CNY

; 当然，后面会介绍使用beancount-periodic插件更优雅地处理摊销的办法

现金流量表则衡量了一段时间内现金的流入流出情况。和利润表不同的是，现金流量表按照收付实现制来记账的，也就是在资金实际变动的那一天记一次账。上面租房的例子如果按照收付实现制，则应该记录为如下一笔：

2025-03-01 * "房租实缴纳"
 Assets:Cash -6000 CNY
 Expenses:House 6000 CNY

显然，权责发生制和收付实现制各有所长。从上面这个例子可以看出，权责发生制更容易方便我们进行中期和长期的个人财务管理。比如，将房租消费摊销到每一个月之后，你就清楚地看到每个月房租支出2000元。因此每个月的预算可能需要扣除这2000元。同时，基于收付实现制的现金流量表也同样重要，可以用于展示个人短期的现金压力。比如，当你身上只有7000元现金的时候，一次性支付6000元房租也势必会对个人现金流产生极大压力。