越強的 AI，越少的工資：你的學歷正在變成最貴的貶值資產

{#docs-internal-guid-685615de-7fff-77d7-3c8e-e5634f2f1982}

作者：Block Analytics Ltd X Merkle 3s Capital

一份模型推演顯示，到 2030 年，經濟可能比沒有 AI 的路徑多出三分之一的產出，而全體勞動者拿到手的總收入只多出半個百分點。同一份推演裡還躺著另一種結局：AI 幾乎什麼都沒改變，失業率和今天沒有區別。兩種結局共用同一組已經發生的數據，分歧要到 2027 年之後才會顯形，而你必須在那之前決定怎麼辦。這篇文章不講它的方程，只講它算出來的結果------落在就業、教育、投資和社會身上的四種衝擊。

不打算安慰任何人的報告

本文內容參考 The Anthropic Institute《Economic Scenarios for Transformative AI》（2026 年 9 月）。這是一份編號 2026-02 的工作論文，五位作者中包括 Charles I. Jones------半內生增長理論的代表人物。論文自己聲明觀點不代表 Anthropic 立場，並注明使用 Claude 作為研究與寫作助手。

它做的事情可以壓成一句話：把 AI 對認知工作的影響拆到"任務"這個顆粒度上，讓被替代的人需要花時間才能找到新崗位，然後一路推演到 2030 年初。需要記住的機制只有兩條------AI 不會整體替掉一個職業，它一塊一塊地拿走這個職業裡的任務；被拿走任務的人不會憑空消失，他們會去搶別人的崗位。這兩條決定了後面所有數字的形狀。

三個情景的差別，只是 AI 最終吃下了多大一塊。

溫和情景：全經濟 4% 的任務由 AI 完成，2030 年的 GDP 比沒有 AI 的路徑高 1.6%，AI 在其中只是一項普通技術。

顯著情景：12% 的任務被接手，約等於認知任務的五分之一，GDP 高 8.3%，報告形容它是"比互聯網更重要的樞紐技術"。

極端情景：30% 的任務，約等於認知任務的一半，GDP 高 32.4%。

必須先把限定說死：這三個情景是示例性的、不附概率，報告在摘要、引言、結論三處重複聲明它們不是預測。它給出的唯一結論是------今天的數據無法排除其中任何一個。把極端情景當成"Anthropic 的預測"是徹底的誤讀。

它的價值不在於預測 2030 年，而在於把一場含糊的爭論變成一道算術題：如果你相信 X，那麼按標準經濟學，你必須接受 Y！

還有一個容易被忽略的細節：決定結局的不是模型能做什麼，而是它被實際用到了什麼程度。三個情景裡 AI 的能力差距不到三倍，但疊加上"有多少人真的在用、用得有多深"之後，實際被 AI 執行的任務份額從 4% 拉開到 30%，變成 7.5 倍。技術曲線之外還有一條擴散曲線，後者才是那個放大器。

報告附了一次調查作對照：10,980 名美國成年人，中位數隱含的情景落在顯著情景附近------GDP +8.6%、認知就業 −4.2%、失業率 4.6%。但把這讀成"社會已達成共識"是統計意義上的誤讀。關於生產率增益，約 30% 的受訪者認為 AI 完全不省時間，49% 認為至少能省一半；關於諾貝爾級的發現，40% 認為永遠做不到，39% 認為 2030 年之前就能做到。中位數落在顯著情景，不是因為多數人相信顯著情景，而是因為相信溫和與相信極端的人幾乎一樣多。

同樣要說清它不看什麼。機器人與實物自動化被完全排除，金融市場動蕩、商業周期、政治經濟學因素也全部排除。報告自己承認："很大程度上正因如此，我們不把分析延伸到 2030 年之後。"這句自陳後面還會再出現一次，是這份報告最誠實、也最令人不安的一句話。

一份不給概率、不給建議、也不打算安慰任何人的報告，反而比任何預測都更難反駁！

就業衝擊：誰的工作會消失，以什麼形式

先說清楚這場衝擊砸向誰。報告把美國就業切成兩半：認知組包含管理、商業金融、計算機數學、建築工程、科學、社區社會服務、法律、教育、藝術媒體、醫療執業、銷售、辦公行政這 12 個大類，占 2025 年就業的 62.4%；其餘的醫療輔助、保安、餐飲、清潔、個人照護、農林漁、建築施工、安裝維修、製造、運輸，占 37.6%。

模型只允許 AI 衝擊認知組，另外那 37.6% 的人幹活的效率完全不受 AI 影響，他們的工資變化全部來自一個間接效應：經濟變富了，而他們這類勞動相對變稀缺了。所以後面看到的一切分化，首先是這個設定的直接後果，而不是實證發現。不接受"AI 只衝擊認知工作"這個前提，整篇推演就不成立------這一點必須放在讀任何數字之前。

這套二分法有三個盲區，報告自己也承認"任何二分法都是簡化"。醫療執業與教育這兩個大類裡含有大量無法遠程完成的身體勞動與人際勞動，暴露度被高估；銷售與辦公行政的薪資和學歷門檻遠低於管理及專業崗位，卻在模型裡被當成同一種人，組內分化被完全掩蓋；同一組內部也沒有年資、技能與地區的差別。這些數字描述的是兩個統計聚合體，不是兩類具體的人。

{#docs-internal-guid-0639113a-7fff-1435-202c-3d38559904b0}

接下來是結果。極端情景下，認知崗位的失業率是 17.9%，經濟整體是 11.9%------這兩個數字必須分清，混用會把失業率高估約 6 個百分點。報告對認知崗位那個數字用的形容詞是"stunning"。作為參照，金融危機後美國的年度峰值略低於 10%，新冠期約 8%，極端情景下連整體失業率都超過了戰後任何一次衰退。

溫和與極端之間不是程度差距，是量級差距。認知失業率從 2.9% 到 17.9% 是 6 倍，認知工資從 +0.4% 到 −11.5% 是符號反轉，中間沒有任何指標能部分抵消兩端的差異。再考慮到沒有 AI 的路徑下工資本應每年漲約 2%，極端情景裡認知工資的絕對水平會低於 2026 年年中------四年過去，不是漲得慢，是倒退。

就業的損失比工資更集中。極端情景下認知崗位的人數比 2026 年年中少 21.5%，這批崗位拿到的工資總額少 31.0%。而其他組的工資漲 33.6%，是整份報告裡最大的單項漲幅。報告的原話是，其他組工資總額的上升幅度與認知組的下降"幾乎相同"------總量守恆，人換了一批。

衝擊的形態和直覺也不一樣。AI 是一個任務一個任務地推進的，所以職業不會某天整體消失，它會先被掏空一部分。真正觸發替代的既不是最難的任務，也不是最簡單的，而是那些 AI 做起來成本降得最狠、同時又最占工資單的環節。剩下的部分留給人，招牌還掛著，崗位還在，招的人少了一批。

還有一個更冷的細節：AI 究竟是替代你還是幫你，在這個模型裡由技術自己決定，企業只能被動接受。三個情景裡"看起來像替代"的使用占比分別是一半、四分之三和九成------對應的"幫你"的空間，從 50% 一路壓到 10%。校準依據是 Anthropic 自己觀測到的用法：聊天式使用裡約一半像自動化，通過接口調用的使用裡約四分之三像。增強是一個會被持續擠壓的空間，不是一個穩定的避風港。

你的職業不會某天突然消失，它會先被掏空一半，然後你發現自己在和三個同樣被掏空的人搶一個崗位！

痛苦降臨還有先後順序。企業遇到"人比 AI 貴"的時候，不會先降薪，而是直接裁員------工資往下調得很慢，一年只走完缺口的一半，所以裁員先於降薪。第一批受損的是被裁掉的人；第二批是留在崗位上的人，工資被逐年壓到 −11.5%，而由於本該每年漲 2%，體感比數字更差；第三批是試圖跨界的人，一邊是被裁的人一次性湧向別的行業，一邊是那些行業每月最多只能吸收缺口的一半，這個錯配本身就是失業率的來源。值得注意的是，到 2030 年這個模擬終點，認知失業率仍然停在 17.9%------調整遠未完成。

最後必須說：這些數字應該被當成下界，而不是上界。模型假設換了行業的人立刻拿到新行業的完整工資，沒有年資折價、沒有技能贬值、沒有培訓期的收入中斷、沒有搬家成本、沒有執照和學徒期。而報告在自己的校準一節裡引用的證據是，現實中再就業的工資損失通常在 10% 到 20%，且集中在換職業的那批人身上。它點了這批文獻的名，然後說明未納入。即便樂觀到"從軟件工程師變成電工只需要時間"的程度，極端情景仍然給出 17.9% 的認知失業率。

教育衝擊：學歷為什麼正在變成貶值資產

報告裡一字都沒有談教育。但極端情景下認知崗位工資 −11.5%、其他崗位 +33.6% 這兩條路徑放在一起，已經足以對"讀好書、拿學歷、進白領崗位"這條鏈條構成結構性質疑------受損的恰恰是教育年限最長、工資最高的那 62.4%。過去兩個世紀裡，技術進步的受損者通常是低技能體力勞動者，教育一直被當作避險資產。這份報告描繪的是方向完全相反的衝擊。

第一層是人力資本租金的蒸發。學歷之所以能換來溢價，是因為它對應的那些任務稀缺、貴、別人做不了。當這些任務的單位成本在四年裡降到原來的一半以下，為掌握它們而付出的十幾年時間，對應的那份租金會同步蒸發。而且報告裡這條成本下降的曲線到 2030 年仍在加深，沒有見頂的跡象。

第二層是信號價值。學歷值錢，一半原因是它昂貴------獲取成本對能力強的人更低，所以它能當篩子用。AI 把寫作、分析、編碼的產出門檻拉平之後，學歷的區分度必然下降，雇主會轉向更難被模仿的證據：工作樣本、可查證的交付記錄、面對面的判斷力。這一層是我們的推導，報告不討論信號機制。

第三層最刺眼。歷史上的經驗估計是每自動化兩項任務，技術會新造出一項，這正是"技術總會創造新工作"這句被引用了兩百年的安慰的來源。三個情境裡，這個比例分別是每兩項新造一項、每四項新造一項，而極端情境裡是零------AI 不為人類創造任何新任務。那句安慰在這個情境裡被明確關閉了。> 不是讀書沒用，是給讀書定價的那個東西正在變便宜！

於是再培訓的窗口變成一道很不友好的算術題。報告說分化發生在 2027 年之後，"未來幾年的數據會告訴我們身處哪個情境"。而現實中多數執照職業------護理、電工、水暖、影像技師------需要 2 到 5 年，高階執照如註冊護士、專業工程師需要 5 到 10 年。若 2026 年底動身，最快 2029 到 2031 年持證，恰好落在分化已成定局而轉換尚未完成的那段區間。若等 2028 年的數據"確認"之後再動，持證推遲到 2031 至 2038 年，屆時其他組的溢價早已被先行者攤薄。

這就構成一個非對稱的賭局：如果最終是溫和情境，提前轉換的損失只是多學了一門手藝；如果最終是極端情境，不轉換的代價是在 17.9% 的認知失業率下找工作，而那時跨行搜尋的效率只有正常時期的約四分之一。還要補一句報告裡沒有的：模型假設轉行不需要任何再培訓，所以培訓期的收入中斷根本不在那些數字裡。

更麻煩的是，越"成功"的認知職業，轉出反而越難。報告的原始數據顯示，失業的銷售與辦公人員跨組就業的概率是 28%，管理與專業人員只有 10%。職業專屬的人力資本積累越深，跨界的門檻越高------這意味著在這場衝擊裡，受損最重的那批人恰恰是最難自救的那批人。

英語和溝通能力值不值得繼續投入，答案要分開看。純語言轉換能力的性價比在顯著下降------翻譯、潤色、跨語言寫作正是 AI 成本降得最快的那一類任務，處在被衝擊的核心。把英語當作"信息獲取與文本產出的工具"來投資，是在投資一條正在快速降價的能力曲線。

但作為信任與協商載體的溝通能力，性價比在上升。原因在模型裡很直接：被自動化的環節變便宜之後，沒被自動化的環節反而成了瓶頸，整條流程的錢會更多地流向那裡。極端情境下漲 33.6% 的那些職業，價值恰恰在於人必須在場------談判、關係、團隊領導的價值不在於生成文本，而在於有人為結果簽字。

所以我們的判斷是：如果目的只是讀英文資料、寫英文郵件，不值得再做大額時間投入；如果目的是在跨國場景裡實時談判、主持會議、建立信任，值得投入，但真正稀缺的是溝通能力本身，英語只是載體。最容易被誤導的，是把"流利口語"當成目標本身。> 學歷不會作廢，它只是從一張入場券，退回成簡歷上的一行裝飾！

投資衝擊：資本的盛宴，和它的帳單

這是整份報告信號最強的部分。三個情境下，資本的總收入相對沒有 AI 的路徑分別是 +3.1%、+18.9%、+81.4%；同期勞動的總收入是 +0.6%、+1.4%、+0.5%。這不是份額之爭，是兩條完全不同的曲線。

錢是怎麼過去的？機制簡單到有點殘酷：每一個被 AI 接手的任務，它原本對應的全部工資支出都直接轉給資本，與成本省了多少無關。勞動份額從 60.0% 走到 59.4%、56.1%、45.2%，資本份額從 40.0% 走到 40.6%、43.9%、54.8%。極端情境下報告的原話是："整整 15% 的 GDP 從支付給勞動變成了被資本捕獲的投資回報。"但更值得記住的其實是顯著情境------勞動份額四年下降 4 個百分點，僅略小於美國 1980 年之後整整四十年的全部降幅。

回報率這一頭也在抬升。淨資本回報率從基準的 6.5% 升到 6.6%、7.0%、8.3%，極端情境下升幅約 28%。這個數字對一個假設極其敏感：資本能以多快的速度堆出來。報告假設算力可以在全球融資、一兩年內建成，所以把供給彈性給得偏高；如果實際擴張比這慢得多，極端情境下淨回報會到 10.3%，而平均工資會變成 −9.2%；如果算力要多少有多少，淨回報維持在 6.5%，平均工資反而漲 30.1%。資本回報的高低直接取決於算力擴張的物理瓶頸有多硬。

生產率確實大增，但增在意料之外的地方。全要素生產率相對無 AI 路徑高 0.7%、3.1%、13.4%，年增速從 1.0% 升到 1.2%、2.3%、7.3%；GDP 年增速從 2.0% 升到 2.4%、5.4%、15.4%------1990 年代互聯網繁榮期最快的一年是 1999 年的 4.7%，顯著情境的增速就已經超過它。資本存量高 2.3%、13.8%、56.3%。然而"AI 加速科研"這條線幾乎沒有貢獻：想法存量相對無 AI 路徑只高 0.07%、0.20%、0.61%，年增速從 1.67% 只挪到 1.69%、1.76%、2.02%。> 這份報告裡所有的增長，幾乎全部來自把現有的事做得更便宜，而不是發現新東西------"AI 加速科研"作為 2030 年前的投資論據，在這套模型裡得不到支撐！

如果要按受益順序排隊，排序依據應該是物理瓶頸而不是敘事熱度：最前面是算力芯片與加速器，然後是電力、輸配與並網、先進封裝與光互連，再往後是數據中心與建設配套，然後是雲與推理服務層，最後才是下游應用。下游的價值實現一定晚於上游，因為它依賴的是"有多少人真的用起來"這個慢變量，而那條曲線在 2026 年年中才剛剛離地。

報告也主動交代了自己可能低估的地方。它承認模型缺少一條把資本回報與增長率連起來的關鍵機制，補上之後"可能大幅提高資本回報"------8.3% 很可能仍然是低估。被列為下界的還有另外兩處：創新效應因為模型無法產生自我加速的反饋而偏低，失業與收入損失因為轉行不打任何工資折扣而偏低。一份報告同時承認自己在三個方向上都偏保守，這件事本身就是一條信息。

然後是帳單。報告自己測算過：在極端情境下，要讓認知工作者的收入維持在沒有 AI 的水平，需要約 GDP 的 9% 的轉移支付，"大致相當於社會保障與聯邦醫保之和"；付完這筆錢，經濟的其餘部分仍然領先無 AI 路徑 20% 以上。總增益約為認知工作者損失的三倍，報告原話是"在教科書意義上，收益足以補償損失"。

問題在於，這 9% 如果真的通過資本利得稅、企業稅或者某種算力稅收上來，直接被侵蝕的就是上面那條受益鏈條。而報告緊接著說，這種規模的技術性轉移史無前例，參照過往貿易衝擊對美國地區的經驗，它基本不會自發發生。更糟的是報告腳註裡那個最壞的參數組合：能力與擴散只到顯著情境的水平，但替代比例極高、跨行搜尋極難、AI 不創造新任務、資本擴張受限，此時 GDP 只高 7.2%，勞動總收入反而比無 AI 路徑低 4.3%，補償需要動用 GDP 增益的 84%。"先把蛋糕做大再來分"這條邏輯，在這個角落裡基本失效。

溫和情境也值得單獨說一句：那裡淨回報只從 6.5% 走到 6.6%，AI 主題的超額收益基本不存在。而報告明說這個情境今天無法被排除。一份只在極端情境下才成立的持倉，實際上是在給一個連概率都不肯給的示例下重注。> 投資端最大的風險從來不是 AI 會不會成功，而是成功之後收益歸誰！

社會衝擊：蛋糕變大了，但打工的人沒有多拿

整份報告最反直覺的一句話是：極端情境下勞動者拿到的總收入，比顯著情境還要少。+0.5% 對 +1.4%，而同期 GDP 的增幅從 8.3% 跳到了 32.4%。

報告給的解釋只有一道算術題，這也是本文保留的唯一一道：勞動份額從 60.0% 降到 45.2%，降幅約四分之一；GDP 升了三分之一。0.45 乘以 1.32 約等於 0.60，兩股力量恰好抵消。勞動者在一塊大得多的蛋糕上，切到了幾乎一樣薄的一片。> GDP 和勞動收入之間沒有單調關係------AI 從"顯著"升級到"極端"，蛋糕大了三分之一，打工的人一分沒多拿！

平均工資是這裡最危險的指標。它在三個情境中是 +0.7%、+2.1%、+9.7%，看起來一路向好。但極端情境下那個 +9.7% 裡同時裝著認知崗位的 −11.5% 和其他崗位的 +33.6%，而且它根本不包含那 17.9% 已經失業的認知工作者------分母裡沒有他們，平均數當然好看。

還有一個更隱蔽的陷阱：工資的穩定不等於人的安全。報告做過一組檢驗，把"工資能不能往下調"這個開關從最靈活撥到最僵硬。最靈活的那一端，認知工資暴跌 42.2%，但認知失業率只有 2.6%、整體只有 3.1%，幾乎和正常時期一樣，GDP 反而是最高的 +36.6%。最僵硬的那一端，認知工資居然是 +2.8%，比沒有 AI 的路徑還高，代價是認知失業率飆到 24.0%、整體 15.2%。同一場衝擊，可以表現成"所有人降薪四成"，也可以表現成"四分之一的人失業、剩下的人漲薪"。> 保護工資不等於保護人，被保住的工資只會把衝擊轉成失業，轉給那些已經不在名單上的人！

這也解釋了為什麼「目前宏觀數據還很溫和」不能當證據用。報告承認「迄今宏觀數據中 AI 的勞動市場效應相對溫和」，但緊接著指出這句話既可以讀作「我們身處溫和情景」，也可以讀作「我們身處極端情景的開頭」。三個情景共享 2026 年年中的同一組讀數，此前的 GDP 差距在零點幾個百分點以內。2026 年的數據無法區分三個情景，2028 年的可以。而在工資往下調得很慢的現實裡，早期信號會先出現在招聘量上，而不是工資上------等到工資表變難看，調整已經進行很久了。

貧富分化的形態也會變。它不再主要是「高薪對低薪」，而是「有資產對只有工資」。認知工作者恰恰是「工資高、資產占比低」的典型群體------收入端暴露在受損的一側，資產端又不在受益的一側，風險不是被分散，而是被疊加。而勞動內部同樣劇烈：認知崗位的工資總額少掉 31.0%，其他崗位漲回來幾乎一樣多，贏的人和輸的人不是同一批人。

有一個常見的反駁是「大家都沒錢了，東西賣給誰」。在這個模型裡這個問題不成立：產出全額轉化為某個人的收入，只是其中 15% 的 GDP 從工資單挪到了資本收益，資本所有者的消費與投資填補了缺口。但報告在自己的注意事項裡承認，模型不考慮價格剛性及相關的需求效應，因此「無法產生那種衝擊壓低需求、需求再放大衝擊的負反饋」。消費斷檔的風險不是被證偽了，而是被假設掉了------既不能拿它否定報告的結論，也不能以為報告證明了它不存在。

報告明確排除了政治經濟學，但它間接留下了三個決定命運的變數：一國能不能建起足夠的算力與電力，工資衝擊以降薪還是失業的形式落地，以及有沒有徵稅與再分配的能力。由此可以推導出結局的分化------有選票、有財政空間且本土擁有算力與能源產業的地方，最可能實現高增長加高轉移；有選票但沒有算力產業的地方，會陷入資本收益外流而本國勞動受損；兩者皆無的地區，同時承受勞動份額下降和資本收益不落地。這一段是我們的推導，報告本身只說「什麼制度能帶來共享繁榮超出本框架範圍」。

在答案揭曉之前下注

整件事的邏輯起點只有一句：分歧要到 2027 至 2028 年的數據裡才會分出勝負，而多數人完成一次職業轉換需要 2 到 5 年------你必須在知道答案之前做決策。以下都是我們基於報告結果的推導，報告本身不提供任何個人建議。

對白領與專業人士，最鋒利的是這四條。

第一，把自己的工作拆成任務清單，逐項標註 AI 當前能做到什麼程度------在這套模型裡，認知組的平均暴露程度是其他組的二十多倍，你要知道的不是「這個職業危不危險」，而是「我這份工作裡有多少落在被拿走的那一側」。

第二，主動往「AI 更像在幫你、而不是替你」的部分挪：對外承擔責任、跨部門協調、現場判斷，減少純交付型的文本與分析產出。

第三，建立可驗證的交付記錄------已發布的項目、可查證的業績、外部能核實的成果，因為學歷與頭銜的區分度正在下降。

第四，做一次壓力測試：假設崗位在 18 個月內消失，現金儲備能覆蓋幾個月；即便在顯著情景下，認知失業率也從 2.9% 升到 4.5%，而極端情景下要面對的是 17.9%，以及只剩四分之一的跨行搜尋效率。

對家長，同樣是四條。

第一，未來一兩年不要為了「避開 AI」倉促改變升學路徑------溫和情景今天無法被排除，在那個情景裡認知失業率是 2.9%，毫無變化，過度反應的期望損失是實實在在的。

第二，把投資重心從知識存量轉向需要人在場、需要承擔責任、需要建立信任的能力，極端情景下其他組 +33.6% 的漲幅是整份報告裡最大的單項漲幅。

第三，帶執照、帶學徒制、帶現場交付屬性的方向優先，但必須接受一個限定------報告排除了機器人，作者用「不把分析延伸到 2030 年之後」的方式親口承認了這個結論的保質期，轉向藍領是過渡策略，不是終局策略。

第四，坦白告訴孩子不確定性的量級；教會孩子在不確定中做決策，比教任何一門具體技能都更貼合這份報告的結論。

對有可投資產的人，也是四條。

第一，先寫下自己的持倉對應哪個情景------溫和情景下淨回報只從 6.5% 走到 6.6%，AI 主題的超額收益基本不存在，這一條本身就能篩掉很多敘事。

第二，把判斷掛在可觀測的讀數上而不是新聞上，2027 至 2028 年的數據會分出勝負，在那之前任何「共識」都是假象。

第三，理解受益的先後由物理瓶頸決定：算力、電力與併網、封裝與光互連在前，數據中心與建設配套次之，雲與推理服務再次之，下游應用最後。

第四，把再分配的政治風險當作一個獨立的風險因子來對待------極端情景下補償需要 GDP 的 9%，最壞參數組合下需要吃掉 GDP 增益的 84%，而這兩個數字都出自報告自己。

這三份清單其實指向同一個動作。極端情景下勞動受損而資本暴漲，持有資本本身就是對自己人力資本的對沖；反過來，人力資本集中在認知組、金融資產又與 AI 受益鏈無關，是收入端和資產端同時暴露於受損一側的最脆弱組合。

報告裡還埋著一個很少被引用的對照：認知職業的受訪者，中位數認為自己工作時間裡只有 27% 是 AI 到 2030 年能做得和自己一樣好的；但同一批人在評估八項通用任務時，中位數估計 71% 的知識工作會被覆蓋。公眾對宏觀走向的判斷並不差，問題出在每個人都豁免了自己 。

最後是兩件不該做的事。不要把極端情景當成基準假設去加槓桿------報告不給任何情景賦概率，而且極端情景同時是政治風險最高、工資跌幅最深的那一個，它對資本有利的部分和對資本不利的部分是綁在一起出現的。也不要因為「到現在還沒出事」而按兵不動，報告已經把話說得很明白：這個事實同時兼容溫和情景，和極端情景的開頭。

在知道答案之前，你必須先下注------而不下注，本身也是一種下注！

本內容僅供參考，不構成任何金融、投資、法律或稅務建議。文中提及的任何活動、獎勵、線上活動或相關資訊，不應被視為對購買、出售或交易任何加密資產的推薦、招攬或邀請。加密資產具有高波動性，存在價值損失風險。WEEX服務、產品及相關活動的可用性可能因地區而異。用戶在參與前有責任確保符合當地適用法律法規。