Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

两年前，MiniMax 的闫俊杰问梁文峰：DeepSeek 做不做 AI Coding？ 梁文峰当时的判断是：不做。 中国真正写代码的人也就一两百万，市场太小。 结果两年后，AI Coding 成了大模型主战场 😂 其实仔细想想，也不难理解。 Coding 是一个特别适合大模型率先突破的场景：效果好不好，有相对明确的判断标准；模型能力有没有进步，也更容易量化。每次新模型发布，代码能力往往也是最容易拿出来展示和对比的指标。 另一方面，Vibe Coding 本身确实有点让人上瘾。效率提升足够直观，而程序员和有编程需求的人，付费意愿也普遍更强。 所以 Coding 最先跑出来，并不一定意味着它是最大的市场，而是因为它可能是最容易验证价值、也最容易商业化的市场。 但真正更大的市场，可能是白领 Agent。 销售、运营、财务、人事……人数是程序员的几十上百倍。 只是这里有个悖论： TAM 大得多，ARPU 却可能低得多。 程序员愿意每个月花几十甚至上百美元购买生产力工具，但普通白领的个人付费意愿和客单价，可能都没那么高。 所以 AI Coding 可能只是 Agent 商业化的第一站。 真正的大仗，还没开始。

jinglian's profile picture

前端哥Liam

8,033 subscribers

27,172 Aufrufe • vor 15 Tagen •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

今天看到谷歌前CEO施密特的演讲，对 #AI 重要性的描述，让人深思，他提到接下来这十年 #AI 技术的发展，将会直接决定未来的一百年。 当年在互联网时代，我看一个创业项目，第一反应就是问：“你的市场有多大？” 因为互联网的生意，本质是“人”的生意：有多少人会用、他们愿意花多少钱。比如微信、抖音、亚马逊，逻辑都是一样的——抓住海量用户，然后想办法把用户价值变现。 但 #AI 时代不是这样。施密特说，#AI 像电、像火。它不是一个“消费产品”，而是一个“生产力工具”，能直接创造结果。这意味着，AI 的市场规模不能再用“用户数 × 客单价”去算，而是要看它能切入多少“工资盘子”。 拿 Coding 举例。全球程序员也就 3000 万人，听上去不算大。但这些人薪水都很高，总盘子大概 5000 亿美元。那 #AI 编程工具的价值，就是看它能不能分走这块 5000 亿的蛋糕。 比如：如果 AI Coding 工具能替代程序员 10% 的工作，那就是 500 亿美金的价值。如果替代 30%，就是 1500 亿美金。更极端一点，如果完全自动化，那可能就是整个产业格局的重写。 这就是为什么，哪怕程序员这个群体本身不大，#AI 编程依然会被资本市场极度看好。因为它直接对接的是“工资成本”，而工资就是最实打实的市场。 而且这套逻辑不只适用于编程。未来律师、医生、设计师、投行分析师……这些高薪群体，背后都是巨大的工资池。#AI 能切走多少，就意味着有多大市场。 所以在 #AI 时代，我看一个项目，不会再问“有多少用户”，而会先问：“它能帮谁省钱，能省多少钱？”因为 #AI 是硅基员工，真正的竞争对手不是别的互联网应用，而是“人类劳动力”。 从投资角度讲，最值得关注的赛道，就是那些工资盘子最大、而且工作内容高度标准化的行业。编程只是第一个爆点，接下来可能会是法律文书、金融研究、医疗诊断，甚至是制造业里的设计环节。 换句话说，#AI 投资逻辑已经从“用户经济”转向“劳动力经济”。谁能替代掉最多的人类工作，谁就能拿到最大的市场。从这个思路来探索 #AI 应用领域的创新，将会大有可为，寻找投资标的，也会更清晰。🧐
1:03

今天看到谷歌前CEO施密特的演讲，对 #AI 重要性的描述，让人深思，他提到接下来这十年 #AI 技术的发展，将会直接决定未来的一百年。 当年在互联网时代，我看一个创业项目，第一反应就是问：“你的市场有多大？” 因为互联网的生意，本质是“人”的生意：有多少人会用、他们愿意花多少钱。比如微信、抖音、亚马逊，逻辑都是一样的——抓住海量用户，然后想办法把用户价值变现。 但 #AI 时代不是这样。施密特说，#AI 像电、像火。它不是一个“消费产品”，而是一个“生产力工具”，能直接创造结果。这意味着，AI 的市场规模不能再用“用户数 × 客单价”去算，而是要看它能切入多少“工资盘子”。 拿 Coding 举例。全球程序员也就 3000 万人，听上去不算大。但这些人薪水都很高，总盘子大概 5000 亿美元。那 #AI 编程工具的价值，就是看它能不能分走这块 5000 亿的蛋糕。 比如：如果 AI Coding 工具能替代程序员 10% 的工作，那就是 500 亿美金的价值。如果替代 30%，就是 1500 亿美金。更极端一点，如果完全自动化，那可能就是整个产业格局的重写。 这就是为什么，哪怕程序员这个群体本身不大，#AI 编程依然会被资本市场极度看好。因为它直接对接的是“工资成本”，而工资就是最实打实的市场。 而且这套逻辑不只适用于编程。未来律师、医生、设计师、投行分析师……这些高薪群体，背后都是巨大的工资池。#AI 能切走多少，就意味着有多大市场。 所以在 #AI 时代，我看一个项目，不会再问“有多少用户”，而会先问：“它能帮谁省钱，能省多少钱？”因为 #AI 是硅基员工，真正的竞争对手不是别的互联网应用，而是“人类劳动力”。 从投资角度讲，最值得关注的赛道，就是那些工资盘子最大、而且工作内容高度标准化的行业。编程只是第一个爆点，接下来可能会是法律文书、金融研究、医疗诊断，甚至是制造业里的设计环节。 换句话说，#AI 投资逻辑已经从“用户经济”转向“劳动力经济”。谁能替代掉最多的人类工作，谁就能拿到最大的市场。从这个思路来探索 #AI 应用领域的创新，将会大有可为，寻找投资标的，也会更清晰。🧐

Rocky

240,589 Aufrufe • vor 11 Monaten

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式
1:13

AI 会取代哪些工作？ 我的工作里，哪些任务正在被 AI 接管？ AI 通常不是一次替代整个职业 而是先替代其中最标准化的部分 最容易被 AI 自动化的任务，通常有几个特点： 数字化、重复、规则明确、结果容易检查 所以普通人真正要做的，不是和 AI 比谁干活快，而是： 1️⃣ 拆工作 分清哪些能交给 AI，哪些需要检查，哪些必须自己判断 2️⃣ 学会管理 AI 不只是会提问，还要会定目标、给背景、设标准、验收结果 3️⃣ 提升难替代的能力 判断、沟通、协调、理解需求，以及对最终结果负责。 未来更有价值的，不一定是“最会干活的人” 而是会发现问题、会使用 AI、还能对结果负责的人 所以别问：“AI 会不会取代我？” 更应该问自己：“如果 AI 帮我做掉一半重复工作，我能不能用省下来的时间，做更有价值的事？” AI 最先淘汰的，不是某个职业 而是一个职业里，长期没有升级的工作方式

Nana

20,100 Aufrufe • vor 5 Tagen

这可能是今年最值得看的一堂AI课程。 全程40 分钟，Kimi创始人杨植麟，把未来几年 AI 发展的关键逻辑讲透了。 从 Scaling Law，到下一代模型架构，再到 Agent 智能， 他没有只讲一个产品，而是在拆解一个更大的问题： 未来的 AI，究竟会如何进化？ 过去几年，大模型竞争靠的是更大的参数、更强的算力。 但下一阶段，真正决定胜负的，是模型效率、推理能力，以及能不能从“聊天工具”变成真正能够完成复杂任务的智能体。 如果你想理解 GPT、Kimi、Claude 等大模型未来会走向哪里，这 40 分钟非常值得收藏。 看懂这堂课，可能就看懂了未来几年 AI 行业最大的变化。
39:17

这可能是今年最值得看的一堂AI课程。 全程40 分钟，Kimi创始人杨植麟，把未来几年 AI 发展的关键逻辑讲透了。 从 Scaling Law，到下一代模型架构，再到 Agent 智能， 他没有只讲一个产品，而是在拆解一个更大的问题： 未来的 AI，究竟会如何进化？ 过去几年，大模型竞争靠的是更大的参数、更强的算力。 但下一阶段，真正决定胜负的，是模型效率、推理能力，以及能不能从“聊天工具”变成真正能够完成复杂任务的智能体。 如果你想理解 GPT、Kimi、Claude 等大模型未来会走向哪里，这 40 分钟非常值得收藏。 看懂这堂课，可能就看懂了未来几年 AI 行业最大的变化。

0x鸣人

38,876 Aufrufe • vor 1 Monat

AI淘汰程序员？ 想多了。 硅谷投资大佬Marc Andreessen点破了一个真相。 AI编程不会消灭程序员，它在重新定义这个职业。 程序员的工作不再是逐行敲代码。 现在的工作，是同时指挥10个AI编码机器人。 跟它们争论，调试它们的输出，修改需求，逼它们拿出正确结果。 但这里有个圈套。 如果你自己不懂怎么写代码，你根本无法判断AI给你的东西是对是错。 编程的下一个层次，不是写脚本。 是监督写脚本的AI。 今天最顶尖的程序员，整天在不同终端之间切换。 管理多个编码机器人，修复错误，优化指令。 讽刺吗？ 你仍然需要极其扎实的基本功。 没有基本功，你连AI在犯傻都看不出来。 工作的本质变了。 现在是跟AI机器人辩论，调试AI生成的代码，理解为什么程序跑不起来，或者为什么不够快。 AI确实简化了工作。 但只有真正懂代码的人，才能判断这种简化是否正确。 程序员不会消失。 他们正在变得比以前强大10倍、100倍，甚至1000倍。 生产力的巨大提升，这才是真正的价值所在。 任务在变，工作性质在变。 但最终负责的，永远是人。 人类依然在监督过程，评估结果，纠正错误，并做出最终判断。 未来的程序员不是被AI取代。 他们被AI升级了。 所以，还是得老老实实学习怎么写代码，理解代码。 因为当AI搞砸的时候，只有人知道为什么。 这种能力的跃升，才是真正的革命。
1:50

AI淘汰程序员？ 想多了。 硅谷投资大佬Marc Andreessen点破了一个真相。 AI编程不会消灭程序员，它在重新定义这个职业。 程序员的工作不再是逐行敲代码。 现在的工作，是同时指挥10个AI编码机器人。 跟它们争论，调试它们的输出，修改需求，逼它们拿出正确结果。 但这里有个圈套。 如果你自己不懂怎么写代码，你根本无法判断AI给你的东西是对是错。 编程的下一个层次，不是写脚本。 是监督写脚本的AI。 今天最顶尖的程序员，整天在不同终端之间切换。 管理多个编码机器人，修复错误，优化指令。 讽刺吗？ 你仍然需要极其扎实的基本功。 没有基本功，你连AI在犯傻都看不出来。 工作的本质变了。 现在是跟AI机器人辩论，调试AI生成的代码，理解为什么程序跑不起来，或者为什么不够快。 AI确实简化了工作。 但只有真正懂代码的人，才能判断这种简化是否正确。 程序员不会消失。 他们正在变得比以前强大10倍、100倍，甚至1000倍。 生产力的巨大提升，这才是真正的价值所在。 任务在变，工作性质在变。 但最终负责的，永远是人。 人类依然在监督过程，评估结果，纠正错误，并做出最终判断。 未来的程序员不是被AI取代。 他们被AI升级了。 所以，还是得老老实实学习怎么写代码，理解代码。 因为当AI搞砸的时候，只有人知道为什么。 这种能力的跃升，才是真正的革命。

墓碑科技

58,934 Aufrufe • vor 6 Monaten

最近世界杯热度起来，很多人又开始关注预测市场。 以前我觉得这种交易型产品离普通人挺远，因为做一个预测市场并不只是搭个网站那么简单，背后涉及交易机制、用户体系、流动性设计、支付方案等多个环节，通常需要一个完整团队才能推进。 但最近我用 DAPPOS 的 xBubble Coding 体验了一下，直接让 AI 帮我做了一个 AI 世界杯预测市场交易产品。 从需求输入、功能设计，到产品雏形落地，整个过程大概花了 20 分钟左右。虽然距离成熟交易平台还有差距，但最大的变化是：以前一个想法，需要先找开发、组团队、投入大量成本；现在一个人配合 AI，就可以快速把想法验证出来。 这背后其实就是最近越来越火的 OPC（One Person Company）经济。未来创业模式可能正在改变，一个人 + AI Agent + Web3 基础设施，也可以完成过去需要多个岗位才能完成的工作。 而预测市场真正吸引人的地方，是它已经跑通了商业收入模型。平台不是单纯靠流量赚钱，而是通过用户交易产生手续费收入。用户每一次买入、卖出预测仓位，平台都可以获得交易费用。像头部预测市场在热门事件期间，交易量可以达到数亿美元级别，手续费收入也随之增长。 世界杯就是一个天然场景，用户可以围绕比赛胜负、球队表现、球员数据等事件进行预测交易。赛事热度越高，参与人数越多，交易频率也会提升，平台就有机会形成持续收入。 过去很多创业想法最大的问题，不是没有市场，而是没有能力快速做出来，现在 AI 正在降低这个门槛。xBubble 给我的感觉，不只是帮你写代码，而是在帮助一个人拥有接近小团队的产品创造能力。 世界杯只是一个例子，AI + 交易市场 + Web3，可能正在打开 OPC 时代新的创业机会，快来xbubble试试吧
0:51

最近世界杯热度起来，很多人又开始关注预测市场。 以前我觉得这种交易型产品离普通人挺远，因为做一个预测市场并不只是搭个网站那么简单，背后涉及交易机制、用户体系、流动性设计、支付方案等多个环节，通常需要一个完整团队才能推进。 但最近我用 DAPPOS 的 xBubble Coding 体验了一下，直接让 AI 帮我做了一个 AI 世界杯预测市场交易产品。 从需求输入、功能设计，到产品雏形落地，整个过程大概花了 20 分钟左右。虽然距离成熟交易平台还有差距，但最大的变化是：以前一个想法，需要先找开发、组团队、投入大量成本；现在一个人配合 AI，就可以快速把想法验证出来。 这背后其实就是最近越来越火的 OPC（One Person Company）经济。未来创业模式可能正在改变，一个人 + AI Agent + Web3 基础设施，也可以完成过去需要多个岗位才能完成的工作。 而预测市场真正吸引人的地方，是它已经跑通了商业收入模型。平台不是单纯靠流量赚钱，而是通过用户交易产生手续费收入。用户每一次买入、卖出预测仓位，平台都可以获得交易费用。像头部预测市场在热门事件期间，交易量可以达到数亿美元级别，手续费收入也随之增长。 世界杯就是一个天然场景，用户可以围绕比赛胜负、球队表现、球员数据等事件进行预测交易。赛事热度越高，参与人数越多，交易频率也会提升，平台就有机会形成持续收入。 过去很多创业想法最大的问题，不是没有市场，而是没有能力快速做出来，现在 AI 正在降低这个门槛。xBubble 给我的感觉，不只是帮你写代码，而是在帮助一个人拥有接近小团队的产品创造能力。 世界杯只是一个例子，AI + 交易市场 + Web3，可能正在打开 OPC 时代新的创业机会，快来xbubble试试吧

鬼谷研选 🔶Ｉ红领巾最帅

17,513 Aufrufe • vor 1 Monat

Clawdbot的创造者说，他最喜欢的模型是Claude Opus。 但编程能力最强的，竟然是OpenAI的旧模型Codex。 为什么？ 他说用Codex写代码，有95%的把握可以直接运行。 因为它能理解大型代码库，需要的“人工干预”更少。 这就像一个经验丰富的老员工，话不多，但活儿干得漂亮。 而Claude Opus，虽然被认为综合能力更强，但在编程这个具体任务上，却需要更多技巧和引导才能达到同样效果。 有点像一个很聪明但经验不足的新人。 这引出一个有趣的问题。 我们真的需要那个最“聪明”、最像人的AI吗？ 还是说，在特定领域，我们更需要一个可靠、高效、甚至有点“无聊”的工具？ Opus更像人，甚至会在聊天中讲出真正好笑的笑话。 但Codex在专业领域更可靠。 这是否揭示了通用人工智能（AGI）发展的一个岔路口？ 是追求一个无所不能但样样不精的“全才”，还是打造一系列在各自领域做到极致的“专才”？ 从制造业到高科技，美国产业的核心优势，向来是那些专注于解决具体问题的实用工具，而不是那些空泛的概念。 技术的终点，究竟是创造一个和我们一样的“伙伴”，还是一个能把工作做到极致的工具？ 这两种路线，哪一个对恢复美国制造业和技术领导地位更有利？
1:47

Clawdbot的创造者说，他最喜欢的模型是Claude Opus。 但编程能力最强的，竟然是OpenAI的旧模型Codex。 为什么？ 他说用Codex写代码，有95%的把握可以直接运行。 因为它能理解大型代码库，需要的“人工干预”更少。 这就像一个经验丰富的老员工，话不多，但活儿干得漂亮。 而Claude Opus，虽然被认为综合能力更强，但在编程这个具体任务上，却需要更多技巧和引导才能达到同样效果。 有点像一个很聪明但经验不足的新人。 这引出一个有趣的问题。 我们真的需要那个最“聪明”、最像人的AI吗？ 还是说，在特定领域，我们更需要一个可靠、高效、甚至有点“无聊”的工具？ Opus更像人，甚至会在聊天中讲出真正好笑的笑话。 但Codex在专业领域更可靠。 这是否揭示了通用人工智能（AGI）发展的一个岔路口？ 是追求一个无所不能但样样不精的“全才”，还是打造一系列在各自领域做到极致的“专才”？ 从制造业到高科技，美国产业的核心优势，向来是那些专注于解决具体问题的实用工具，而不是那些空泛的概念。 技术的终点，究竟是创造一个和我们一样的“伙伴”，还是一个能把工作做到极致的工具？ 这两种路线，哪一个对恢复美国制造业和技术领导地位更有利？

墓碑科技

62,012 Aufrufe • vor 7 Monaten

白宫加密政策主管David Sacks： 四年内AI 大模型能力将增长一百万倍 ！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”
1:42

白宫加密政策主管David Sacks： 四年内AI 大模型能力将增长一百万倍 ！ “我认为目前至少在三个关键维度上，进步的速度都是指数级的。” “首先是算法本身。模型每年提升的速度大概是 3-4 倍。” “它们不仅仅是在速度和性能上更快更好，而且将从量变到质变。” “接着是推理模型。” “我们甚至还没有真正进入智能代理时代，但这将是继推理模型之后的下一个重大飞跃。” “在这个领域，我们才刚刚开始（推理算力增加带来的能力增加也将是倍数增长）。” “接下来是芯片。” “根据多种衡量标准，每一代芯片的性能可能比上一代提高 3-4 倍。” “不只是单个芯片在不断进步，他们还在研究如何将这些芯片联网在一起。” “就像 NVL72 系统，它类似于一个机架系统，可以在数据中心级别大幅提升性能。” “计算能力是第三个你会看到基本上呈指数级进步的领域。” “只需要看看数据中心中部署的 GPU 数量。” “当马斯克最初开始训练 Grok 时，我认为他们大概有 10 万块 GPU。现在已经有 30 万块 GPU，而且正朝着百万块 GPU的目标迈进。OpenAI 的数据中心 Stargate 也是同样的情况。” “在接下来的几年中，他们可能会发展到 500 万、1000 万块 GPU。” 1,000,000 倍的增长是怎么得出的： “算法、芯片和数据中心的扩展和改进速度都是每年 3-4 倍。” “也就是说，每两年进步 10 倍。” “很多人没有理解指数级进步的含义：如果每两年提升 10 倍，并不意味着四年后你只是提升 20 倍。” “这实际上意味着提升 100 倍。” “把这些因素相乘：算法、芯片，以及可用于 AI 的原始计算能力。” 100 倍模型 🧠 × 100 倍芯片 💾 × 100 倍计算能力 ⚡️ = 1,000,000 倍的 AI 大模型🤖 “你所谈论的就是 1,000,000 倍的能力增长。” “但这种变革的影响将是绝对巨大的。” “我觉得人们还没有充分认识到这一点，因为他们不了解指数级进步的意义。”

夜谈

25,895 Aufrufe • vor 1 Jahr

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望
1:50

【 #史上最全 Beep AI 产品使用教程：视频+图文】 亲爱的，你有没有发现？ AI 出现之后，越来越多人开始焦虑了 过去两年，各家公司裁员的理由越来越一致 最先被淘汰的，往往就是那些可以被 AI 自动化的白领岗位 整理资料、写报告、做分析、回邮件…… 你现在每天做的工作里，有多少其实 AI 已经能完成？ 所以真正的问题已经不是： “AI 会不会取代人类？” 而是： “你会不会用 AI，替自己赚钱？” 现在很多 AI 工具，看起来都很聪明 会分析、会生成策略、会给建议 但一旦真正进入市场，很多马上开始亏钱 原因很简单！ 因为大部分 AI，从来没有真正经历过真实市场，它们没有被真实盈亏训练过 会写策略，不等于能在市场里活下来 而 Beep Beep 做的事情，完全不一样 Beep 本质上，是一个让 AI 真正进入市场竞争、筛选、进化的系统 赚钱的策略会被保留，亏钱的策略会被淘汰 每一次真实交易结果，都会继续反哺模型 也就是说，它不是“模拟 AI 交易” 而是在用真实市场，不断训练 AI Beep 的逻辑其实很像自然进化： 更好的模型、更好的策略、更多 agent 加入、更多真实数据、更强的模型 能持续正循环的话，整个系统会越来越聪明 而且 Beep 不只是停留在概念 在 R3 上线之后，已经新增了 1600+ 个预测市场 现在你既可以自己手动预测， 也可以直接把交易全权交给 AI Agent AI 会自己扫描市场、选择机会、执行交易、完成结算 24 小时持续运行，不需要情绪，不需要休息 很多人现在还在担心： “AI 会不会抢走我的工作？” 但真正动作快的人，已经开始研究： 怎么让 AI 替自己工作 因为未来最大的差距， 从来不是 AI 和人类之间的差距 而是懂不懂使用 AI 工具的人之间的差距 尤其像 Beep Beep 这种，真正把 AI 放进真实市场持续训练的系统，可能才是 AI 金融真正开始成熟的第一步 很多机会，一旦被市场定价，窗口就会迅速关闭 而现在，也许正是最早理解它的人，还能提前参与的时候 如果你也好奇： AI 到底能不能真正替人参与市场？ AI Agent 是怎么自动完成交易的？ 为什么越来越多人开始关注 AI Finance？ 可以去看看 Beep Beep 最新上线的 R3 你会发现，真正危险的，从来不是 AI 而是别人已经开始用 AI 创造价值，而你还停留在观望

Moonlight🌙月光

33,101 Aufrufe • vor 3 Monaten

如果 Ilya 判断是对的，那过去几年 AI 行业最坚固的三个共识，可能都错了： Scaling 不再是万能答案。 Benchmark 高分不等于真正智能。 RL 甚至可能在把模型越训越“笨”。 这场被称为“Ilya 消失前最后一次采访”的对话里，他把当前大模型形容成竞赛编程选手：题能做得很难，遇到真实项目却会修一个 Bug、再造两个 Bug，反复循环。 问题可能不是模型不够大，而是奖励机制让它过度追求正确答案，逐渐丢掉常识、直觉和学习能力。 他更激进的判断是： 预训练红利见顶，RL 红利也快耗尽，AI 已经从 Scaling 时代重新退回“研究时代”。 真正的超智能不会是一个下载完毕、什么都知道的成品，而更像一个十五岁的天才：拥有极强的学习能力，然后在现实世界中不断成长。 如果这个方向成立，下一轮 AI 竞争的关键就不再是谁堆的数据和 GPU 更多，而是谁先破解人类为什么只看几个例子，就能学会一件新事。 Ilya 很少说废话，这次却聊了四十多分钟。 值得完整看完。最颠覆你认知的是哪一段？
1:12:30

如果 Ilya 判断是对的，那过去几年 AI 行业最坚固的三个共识，可能都错了： Scaling 不再是万能答案。 Benchmark 高分不等于真正智能。 RL 甚至可能在把模型越训越“笨”。 这场被称为“Ilya 消失前最后一次采访”的对话里，他把当前大模型形容成竞赛编程选手：题能做得很难，遇到真实项目却会修一个 Bug、再造两个 Bug，反复循环。 问题可能不是模型不够大，而是奖励机制让它过度追求正确答案，逐渐丢掉常识、直觉和学习能力。 他更激进的判断是： 预训练红利见顶，RL 红利也快耗尽，AI 已经从 Scaling 时代重新退回“研究时代”。 真正的超智能不会是一个下载完毕、什么都知道的成品，而更像一个十五岁的天才：拥有极强的学习能力，然后在现实世界中不断成长。 如果这个方向成立，下一轮 AI 竞争的关键就不再是谁堆的数据和 GPU 更多，而是谁先破解人类为什么只看几个例子，就能学会一件新事。 Ilya 很少说废话，这次却聊了四十多分钟。 值得完整看完。最颠覆你认知的是哪一段？

Vincent

40,108 Aufrufe • vor 2 Monaten

说个扎心的真相，90%的AI工程师，其实什么都没做出来 Cluely的CEO Roy Lee在NYU做活动，当场掏500美元现金，问在场所有学AI的学生和工程师，谁在LinkedIn上真正上线过一个公开的项目，结果全场几乎没人举手。 太真实了，现在的AI圈就是这样，人人都能跟你聊大模型，聊Agent，聊世界模型，刷过几百篇论文，调过几十个demo，但你问他有没有上线过一个能让别人用的东西，大部分人都沉默了。 我们总以为AI时代拼的是谁懂的多，谁的技术深，其实根本不是。 LLM能帮你写80%的代码，能帮你解决大部分技术问题，但剩下那20%的脏活累活，部署，边缘case，用户体验，成本控制，才是真正能区分你和别人的地方。 所以别再当那个只会看教程的工程师了，去做去实践，去解决实际问题，，离线小模型App，自我迭代的代码Agent，个人生活OS，哪个都行。 不用等你学完所有东西，不用等完美，这个周末开干，下周就公开上线。哪怕做的很烂，哪怕只有几个人用，也比你藏在电脑里的一百个demo强一万倍。 在AI时代，知识已经变成了最不值钱的东西，到处都是教程，到处都是论文，真正稀缺的，是把知识变成公开可验证的产品的执行力。 别当那个坐在NYU教室里，连500美元都拿不到的人，动起来兄弟们
35:10

说个扎心的真相，90%的AI工程师，其实什么都没做出来 Cluely的CEO Roy Lee在NYU做活动，当场掏500美元现金，问在场所有学AI的学生和工程师，谁在LinkedIn上真正上线过一个公开的项目，结果全场几乎没人举手。 太真实了，现在的AI圈就是这样，人人都能跟你聊大模型，聊Agent，聊世界模型，刷过几百篇论文，调过几十个demo，但你问他有没有上线过一个能让别人用的东西，大部分人都沉默了。 我们总以为AI时代拼的是谁懂的多，谁的技术深，其实根本不是。 LLM能帮你写80%的代码，能帮你解决大部分技术问题，但剩下那20%的脏活累活，部署，边缘case，用户体验，成本控制，才是真正能区分你和别人的地方。 所以别再当那个只会看教程的工程师了，去做去实践，去解决实际问题，，离线小模型App，自我迭代的代码Agent，个人生活OS，哪个都行。 不用等你学完所有东西，不用等完美，这个周末开干，下周就公开上线。哪怕做的很烂，哪怕只有几个人用，也比你藏在电脑里的一百个demo强一万倍。 在AI时代，知识已经变成了最不值钱的东西，到处都是教程，到处都是论文，真正稀缺的，是把知识变成公开可验证的产品的执行力。 别当那个坐在NYU教室里，连500美元都拿不到的人，动起来兄弟们

AYi

83,442 Aufrufe • vor 4 Monaten

谷歌创始人拉里·佩奇有个观点。 做大事，反而比做小事更容易。 什么逻辑？ 他上学时听过一句话： “要对‘不可能’，保持一种理性的蔑视。” 很多人以为，目标定得小一点、具体一点，更容易成功。 大错特错。 佩奇说，你如果只想着做一个小市场里的小东西。 你获得的资源也会很少。 没人会为一个小想法投入大资源。 问题根本不在于你需要多少钱。 问题在于，你的想法够不够大？ 你的优势够不够明显？ 比如，你造的机器人，比对手的简单十倍。 这就是个好生意。 哪怕启动资金要很多钱，也可能比做个简单的小玩意儿更容易。 这套逻辑在商业上很清晰。 但是在政府管理上呢？ 官僚机构最喜欢什么？ 设定那些“跳一跳就能够到”的小目标。 为什么？ 因为没人想承担风险。 没人想为真正的创新负责。 结果就是无数纳税人的钱，被投入到修修补补的小项目里。 那些能改变游戏规则的大胆设想，反而被饿死。 这不就是“深层政府”的运作模式吗？ 只求稳定，不求突破。 一个国家要真正强大，是不是也需要一点对“不可能”的蔑视？
1:00

谷歌创始人拉里·佩奇有个观点。 做大事，反而比做小事更容易。 什么逻辑？ 他上学时听过一句话： “要对‘不可能’，保持一种理性的蔑视。” 很多人以为，目标定得小一点、具体一点，更容易成功。 大错特错。 佩奇说，你如果只想着做一个小市场里的小东西。 你获得的资源也会很少。 没人会为一个小想法投入大资源。 问题根本不在于你需要多少钱。 问题在于，你的想法够不够大？ 你的优势够不够明显？ 比如，你造的机器人，比对手的简单十倍。 这就是个好生意。 哪怕启动资金要很多钱，也可能比做个简单的小玩意儿更容易。 这套逻辑在商业上很清晰。 但是在政府管理上呢？ 官僚机构最喜欢什么？ 设定那些“跳一跳就能够到”的小目标。 为什么？ 因为没人想承担风险。 没人想为真正的创新负责。 结果就是无数纳税人的钱，被投入到修修补补的小项目里。 那些能改变游戏规则的大胆设想，反而被饿死。 这不就是“深层政府”的运作模式吗？ 只求稳定，不求突破。 一个国家要真正强大，是不是也需要一点对“不可能”的蔑视？

墓碑科技

20,811 Aufrufe • vor 5 Monaten

如果没有共产党这个搅屎棍，一切都说得通，只是。。。 库克解释苹果为啥死守中国制造？ 不是因为便宜，而是因为没人能替代。 很多人以为，苹果来中国是为了低成本劳动力。这个说法，早就过时了。 库克亲口说，中国早已不是“低价工厂”，真正吸引苹果的，是“技能密度”。 什么意思？ 苹果的产品，对精密制造的要求极高，尤其是模具技术。 不是那种拧螺丝的低端活，而是毫米以下的微米级精度。 这种活，靠的不是大学文凭，而是职业教育出来的大量熟练技术工人。 在美国，想开个模具工程师的会，可能凑不够人； 在中国？一个省能给你填满几个足球场。 这不是人多，而是这种“深度技能”，在中国是系统化、规模化、产业化的存在。 所以关键问题不是劳动力便宜，而是有没有足够多、足够专业、协同高效的产业工人。 这，就是为什么苹果至今也没把iPhone搬回美国。
0:56

如果没有共产党这个搅屎棍，一切都说得通，只是。。。 库克解释苹果为啥死守中国制造？ 不是因为便宜，而是因为没人能替代。 很多人以为，苹果来中国是为了低成本劳动力。这个说法，早就过时了。 库克亲口说，中国早已不是“低价工厂”，真正吸引苹果的，是“技能密度”。 什么意思？ 苹果的产品，对精密制造的要求极高，尤其是模具技术。 不是那种拧螺丝的低端活，而是毫米以下的微米级精度。 这种活，靠的不是大学文凭，而是职业教育出来的大量熟练技术工人。 在美国，想开个模具工程师的会，可能凑不够人； 在中国？一个省能给你填满几个足球场。 这不是人多，而是这种“深度技能”，在中国是系统化、规模化、产业化的存在。 所以关键问题不是劳动力便宜，而是有没有足够多、足够专业、协同高效的产业工人。 这，就是为什么苹果至今也没把iPhone搬回美国。

墓碑科技

831,109 Aufrufe • vor 1 Jahr

卧槽！a16z也对加密失去信心了？最近放话说DeFi还撑不起真正的金融市场！ 这事其实挺打脸的。 这些年行业最爱吹的是什么？ TPS。 吞吐。 几万笔，几十万笔，听着一个比一个猛。 但 a16z 现在已经不信这个。 它更关注的是你那笔交易发出去，到底什么时候能上链。 会不会被插队。 会不会被人先看光。 这玩意儿不解决，DeFi 就别吹自己能接住真正的金融市场。 1、DeFi 现在最大的问题，不是处理不了交易，是交易执行根本不靠谱。 支付场景里，慢几秒还能忍。 金融市场不行。 做市商改价。 拍卖出价。 清算。 撤单。 这些东西，慢一点，钱就没了。 你想想就知道。 市场一波动，做市商第一反应一定是撤旧单、挂新单。 结果链给你的承诺只是： “你这个交易最终会上链。” 但具体先进哪一块，不知道。 这就废了。 因为别人可以比你更早进去，把你的过时报价狠狠干掉。 最后做市商只能怎么办？ 把点差拉大。 用户成交更差。 链上市场永远做不出真正的深度。 2、问题也不在应用层，问题在底层把太大权力交给了出块的人。 现在很多链，本质上都是一个领导者说了算。 谁先进区块。 谁后进区块。 谁干脆别进区块。 都看它。 工程上这很方便。 金融上这就是大坑。 因为只要你有这个权力，你就天然可以赚这种钱： 先看别人的单。 延迟别人的单。 把自己的单插前面。 或者干脆不让别人进。 这不只是夹子问题。 这是市场结构本身有问题。 说白了，很多链上市场不是输在产品不够花。 是输在底层规则就不公平。 3、只要有人能先看你的单，或者不让你的单上链，很多市场天然就长不大。 拍卖就是最简单的例子。 如果有人能审查你的出价， 那他可以直接把别人挡掉，自己低价拿走。 如果他不能挡你，但能先看到你的出价， 那也一样。 他只要压你一点点就行。 或者发现你这个价格已经不划算了，那他就不接，让你自己亏。 现货、永续、衍生品，本质都一样。 只要系统里有个角色同时拥有两种特权： 一，能不让你上链。 二，能在确认前看见你。 那这个市场迟早会被玩坏。 4、现在 DeFi 还能跑，不是因为设计已经对了，是因为大家还在靠补丁硬撑。 为什么问题这么明显，链上交易还没死透？ 一个原因，是很多节点还没把自己的权力用到最狠。 不是不能用。 是还顾虑长期利益。 另一个原因，是应用层自己认了。 把最关键的执行放到链下。 链上只做最后结算。 这当然能缓一口气。 但代价也明显。 可组合性变差。 系统更碎。 你还得额外信链下那套东西别出事。 本质上，这就是在承认： 现在很多链，还扛不起真正高要求的金融执行。 5、所以真正卡住 DeFi 的，从来不是 TPS，是交易确定性和公平性。 a16z 提的方向其实就两个： 一个是，短时间抗审查。 只要有诚实节点收到我的交易，我就该很快进区块。 不是“也许几秒后”。 是尽快，而且可预期。 另一个是，确认前隐藏。 别让全网先把我的单看光。 不然别人看完再决定怎么狠狠干我，那还玩个屁。 这两个东西补不上， DeFi 就还是更像链上游乐场。 能玩。 能炒。 能折腾。 但离真正的金融市场，还是差得远。 别再迷信 TPS 了。 金融市场最值钱的，从来不是“你一秒能发多少单”。 而是： 你发出去之后，规则是不是确定的。 执行是不是公平的。 这件事不解决，DeFi 就永远撑不起真正的大市场
6:11

卧槽！a16z也对加密失去信心了？最近放话说DeFi还撑不起真正的金融市场！ 这事其实挺打脸的。 这些年行业最爱吹的是什么？ TPS。 吞吐。 几万笔，几十万笔，听着一个比一个猛。 但 a16z 现在已经不信这个。 它更关注的是你那笔交易发出去，到底什么时候能上链。 会不会被插队。 会不会被人先看光。 这玩意儿不解决，DeFi 就别吹自己能接住真正的金融市场。 1、DeFi 现在最大的问题，不是处理不了交易，是交易执行根本不靠谱。 支付场景里，慢几秒还能忍。 金融市场不行。 做市商改价。 拍卖出价。 清算。 撤单。 这些东西，慢一点，钱就没了。 你想想就知道。 市场一波动，做市商第一反应一定是撤旧单、挂新单。 结果链给你的承诺只是： “你这个交易最终会上链。” 但具体先进哪一块，不知道。 这就废了。 因为别人可以比你更早进去，把你的过时报价狠狠干掉。 最后做市商只能怎么办？ 把点差拉大。 用户成交更差。 链上市场永远做不出真正的深度。 2、问题也不在应用层，问题在底层把太大权力交给了出块的人。 现在很多链，本质上都是一个领导者说了算。 谁先进区块。 谁后进区块。 谁干脆别进区块。 都看它。 工程上这很方便。 金融上这就是大坑。 因为只要你有这个权力，你就天然可以赚这种钱： 先看别人的单。 延迟别人的单。 把自己的单插前面。 或者干脆不让别人进。 这不只是夹子问题。 这是市场结构本身有问题。 说白了，很多链上市场不是输在产品不够花。 是输在底层规则就不公平。 3、只要有人能先看你的单，或者不让你的单上链，很多市场天然就长不大。 拍卖就是最简单的例子。 如果有人能审查你的出价， 那他可以直接把别人挡掉，自己低价拿走。 如果他不能挡你，但能先看到你的出价， 那也一样。 他只要压你一点点就行。 或者发现你这个价格已经不划算了，那他就不接，让你自己亏。 现货、永续、衍生品，本质都一样。 只要系统里有个角色同时拥有两种特权： 一，能不让你上链。 二，能在确认前看见你。 那这个市场迟早会被玩坏。 4、现在 DeFi 还能跑，不是因为设计已经对了，是因为大家还在靠补丁硬撑。 为什么问题这么明显，链上交易还没死透？ 一个原因，是很多节点还没把自己的权力用到最狠。 不是不能用。 是还顾虑长期利益。 另一个原因，是应用层自己认了。 把最关键的执行放到链下。 链上只做最后结算。 这当然能缓一口气。 但代价也明显。 可组合性变差。 系统更碎。 你还得额外信链下那套东西别出事。 本质上，这就是在承认： 现在很多链，还扛不起真正高要求的金融执行。 5、所以真正卡住 DeFi 的，从来不是 TPS，是交易确定性和公平性。 a16z 提的方向其实就两个： 一个是，短时间抗审查。 只要有诚实节点收到我的交易，我就该很快进区块。 不是“也许几秒后”。 是尽快，而且可预期。 另一个是，确认前隐藏。 别让全网先把我的单看光。 不然别人看完再决定怎么狠狠干我，那还玩个屁。 这两个东西补不上， DeFi 就还是更像链上游乐场。 能玩。 能炒。 能折腾。 但离真正的金融市场，还是差得远。 别再迷信 TPS 了。 金融市场最值钱的，从来不是“你一秒能发多少单”。 而是： 你发出去之后，规则是不是确定的。 执行是不是公平的。 这件事不解决，DeFi 就永远撑不起真正的大市场

比特币橙子Trader

244,078 Aufrufe • vor 5 Monaten

昨天发现不少人在聊一个新东西： 的 HyperTrade。 说白了他把判断行情这件事， 做成了一个普通人也能快速参与的轻量战场。 上线才24小时。 参与人数直接破 10,000+。 下单笔数冲到 200,000+。 HyperTrade 走的是： 把复杂逻辑藏在后台， 把参与体验留给前台。 这才是大多数人真正想参与市场的方式。 更关键的是，它的数据透明。 所有记录上链，可查可追溯。 这点很重要。 目前最火的三个玩法也挺有意思： --赏金对决 像市场里的决斗场， 拼判断也拼胆量。 --指尖交易 碎片时间友好型产品， 几秒钟就能参与一次。 --欢乐BTC 把 BTC 波动做成娱乐化体验， 行情也能有游乐园属性。 这类产品背后的逻辑其实是趋势信号。 过去大家追求的是专业交易。 现在越来越多人追求的是低负担参与市场。 HyperTrade 有点像把市场拆成 更轻、更快、更直觉的模块。
1:08

昨天发现不少人在聊一个新东西： 的 HyperTrade。 说白了他把判断行情这件事， 做成了一个普通人也能快速参与的轻量战场。 上线才24小时。 参与人数直接破 10,000+。 下单笔数冲到 200,000+。 HyperTrade 走的是： 把复杂逻辑藏在后台， 把参与体验留给前台。 这才是大多数人真正想参与市场的方式。 更关键的是，它的数据透明。 所有记录上链，可查可追溯。 这点很重要。 目前最火的三个玩法也挺有意思： --赏金对决 像市场里的决斗场， 拼判断也拼胆量。 --指尖交易 碎片时间友好型产品， 几秒钟就能参与一次。 --欢乐BTC 把 BTC 波动做成娱乐化体验， 行情也能有游乐园属性。 这类产品背后的逻辑其实是趋势信号。 过去大家追求的是专业交易。 现在越来越多人追求的是低负担参与市场。 HyperTrade 有点像把市场拆成 更轻、更快、更直觉的模块。

秋荣

12,902 Aufrufe • vor 4 Monaten

很多人低估了 Binance Pay，但它可能才是币安最重要的一步。 看一姐这段视频，我印象最深的，不是某个具体产品点， 而是两个词： 30 亿用户，金融基建。 这两个词放在一起，其实已经不是“一个交易平台还能做多大”的问题了， 而是在回答一件更底层的事： 如果币安真的想服务 30 亿人，它到底要成为什么。 很多人聊币安，第一反应还是交易量、上币、合约、BNB、市场份额。 但如果把时间拉长一点看，你会发现，真正决定币安能 不能走得更远的，未必只是交易， 而是它能不能让 Crypto 真正进入普通人的日常生活。 也正因为这样，当一姐提到“30 亿用户”和“金融基建”时， 我第一时间想到的，其实不是交易，而是支付。 因为如果一家平台的目标只是服务交易者， 那把现货、合约、理财做好，基本就够了。 但如果目标是 30 亿用户，逻辑就完全变了。 全球真正会交易 Crypto 的人，不可能有 30 亿。 要承接这个量级，服务对象就必须从“会交易的人”扩展到“普通人”； 服务场景也必须从“买卖币”扩展到更真实、更日常的金融生活。 而这条路上，支付一定是绕不过去的一步。 因为交易解决的是价格、流动性和财富效应， 但支付解决的是更现实的问题： • 普通人能不能更方便地转账 • 能不能更自然地消费 • 能不能更低门槛地使用金融服务 • 能不能真正把 Web3 接进日常生活 这也是为什么我越来越觉得，很多人低估了 Binance Pay 的意义。 很多人会把它理解成一个“实用，但没那么性感”的功能。 没有 K 线刺激，也不像新币上线那样容易带情绪。 但恰恰是这种看起来没那么热血的东西， 才最可能决定一个行业到底能不能真正走向大众。 因为 Crypto 不只是拿来炒的。 如果一个行业永远只停留在交易、投机和博弈层面， 那它再热，很多时候也还是停留在少数人的世界里。 可一旦它开始进入支付、转账、消费、结算这些更接近 日常生活的场景， 意义就完全不一样了。 那代表它正在从可以交易走向可以使用， 从资产走向工具， 从圈内产品走向更广义的金融基础设施。 而这件事，本质上也和一姐最近一直在讲的那套逻辑完全连上了： • 30 亿是量级 • 金融平权是使命 • 金融基建是身份 • Web3 超级入口是落地 如果币安真的想服务 30 亿人， 那它就不能只服务已经会交易、会看盘、会玩链上的那 一小部分人。 它必须回答一个更现实的问题： 普通人怎么进来？进来之后能做什么？能不能真正用起来？ 而 Binance Pay，就是这个问题里非常关键的一环。 因为支付不是边角料， 支付是 Crypto 走向现实世界的桥。 谁能把支付做顺，谁就更像基础设施； 谁能让普通人真正用起来，谁才更接近 Web3 的超级入口。 如果币安想服务 30 亿人，支付一定是绕不过去的一步。 最后问一下大家，你们用币安支付用的最多的是什么场景？ #BinancePay #Binance #Web3 #Crypto 币安Binance华语 CZ 🔶 BNB Yi He sisi 丫丫🔶BNB 鹿鹿 🍡
1:10

很多人低估了 Binance Pay，但它可能才是币安最重要的一步。 看一姐这段视频，我印象最深的，不是某个具体产品点， 而是两个词： 30 亿用户，金融基建。 这两个词放在一起，其实已经不是“一个交易平台还能做多大”的问题了， 而是在回答一件更底层的事： 如果币安真的想服务 30 亿人，它到底要成为什么。 很多人聊币安，第一反应还是交易量、上币、合约、BNB、市场份额。 但如果把时间拉长一点看，你会发现，真正决定币安能 不能走得更远的，未必只是交易， 而是它能不能让 Crypto 真正进入普通人的日常生活。 也正因为这样，当一姐提到“30 亿用户”和“金融基建”时， 我第一时间想到的，其实不是交易，而是支付。 因为如果一家平台的目标只是服务交易者， 那把现货、合约、理财做好，基本就够了。 但如果目标是 30 亿用户，逻辑就完全变了。 全球真正会交易 Crypto 的人，不可能有 30 亿。 要承接这个量级，服务对象就必须从“会交易的人”扩展到“普通人”； 服务场景也必须从“买卖币”扩展到更真实、更日常的金融生活。 而这条路上，支付一定是绕不过去的一步。 因为交易解决的是价格、流动性和财富效应， 但支付解决的是更现实的问题： • 普通人能不能更方便地转账 • 能不能更自然地消费 • 能不能更低门槛地使用金融服务 • 能不能真正把 Web3 接进日常生活 这也是为什么我越来越觉得，很多人低估了 Binance Pay 的意义。 很多人会把它理解成一个“实用，但没那么性感”的功能。 没有 K 线刺激，也不像新币上线那样容易带情绪。 但恰恰是这种看起来没那么热血的东西， 才最可能决定一个行业到底能不能真正走向大众。 因为 Crypto 不只是拿来炒的。 如果一个行业永远只停留在交易、投机和博弈层面， 那它再热，很多时候也还是停留在少数人的世界里。 可一旦它开始进入支付、转账、消费、结算这些更接近 日常生活的场景， 意义就完全不一样了。 那代表它正在从可以交易走向可以使用， 从资产走向工具， 从圈内产品走向更广义的金融基础设施。 而这件事，本质上也和一姐最近一直在讲的那套逻辑完全连上了： • 30 亿是量级 • 金融平权是使命 • 金融基建是身份 • Web3 超级入口是落地 如果币安真的想服务 30 亿人， 那它就不能只服务已经会交易、会看盘、会玩链上的那 一小部分人。 它必须回答一个更现实的问题： 普通人怎么进来？进来之后能做什么？能不能真正用起来？ 而 Binance Pay，就是这个问题里非常关键的一环。 因为支付不是边角料， 支付是 Crypto 走向现实世界的桥。 谁能把支付做顺，谁就更像基础设施； 谁能让普通人真正用起来，谁才更接近 Web3 的超级入口。 如果币安想服务 30 亿人，支付一定是绕不过去的一步。 最后问一下大家，你们用币安支付用的最多的是什么场景？ #BinancePay #Binance #Web3 #Crypto 币安Binance华语 CZ 🔶 BNB Yi He sisi 丫丫🔶BNB 鹿鹿 🍡

小鱼🔶BNB

18,150 Aufrufe • vor 4 Monaten

姚顺雨对AI未来发展的两个重要判断： 第一个是我认为AI会是个长期游戏。 从某种程度来说，AI的下半场才刚开始。我不认为ChatGPT和Claude会是唯一的Super App，我觉得那会是个非常灰暗的世界。 我觉得肯定会有源源不断的新的机会诞生，可能今天就像是七十年代PC刚刚产生的时候，还有很多很多事情需要做。 第二个判断是，未来会是更多元的游戏。 确实过去几年大家能看到的是pre-training、post-training、RL、Agent、Coding Agent，似乎有一个非常清晰的主线，这个主线就是所有人都在copy，坦白说就是所有人都在做一样的事情，这也是个非常灰暗的事情。 那到底未来会变得更单一还是更多元？我个人看法是会变得更多元。毫无疑问Coding Agent和生产力会变得更加重要，它是一个刚刚开始的事情，这个世界还有trillions of dollars的市场还没有被填满。但是多模态、具身智能，很多很多新的事情都在发生，或者刚刚发生。
1:44

姚顺雨对AI未来发展的两个重要判断： 第一个是我认为AI会是个长期游戏。 从某种程度来说，AI的下半场才刚开始。我不认为ChatGPT和Claude会是唯一的Super App，我觉得那会是个非常灰暗的世界。 我觉得肯定会有源源不断的新的机会诞生，可能今天就像是七十年代PC刚刚产生的时候，还有很多很多事情需要做。 第二个判断是，未来会是更多元的游戏。 确实过去几年大家能看到的是pre-training、post-training、RL、Agent、Coding Agent，似乎有一个非常清晰的主线，这个主线就是所有人都在copy，坦白说就是所有人都在做一样的事情，这也是个非常灰暗的事情。 那到底未来会变得更单一还是更多元？我个人看法是会变得更多元。毫无疑问Coding Agent和生产力会变得更加重要，它是一个刚刚开始的事情，这个世界还有trillions of dollars的市场还没有被填满。但是多模态、具身智能，很多很多新的事情都在发生，或者刚刚发生。

马识途

32,427 Aufrufe • vor 2 Monaten

昨天用 DAPPOS 的 xBubble Coding 搭了个小工具，专门盯头部账号互动和事件市场信号。 起因很简单。我刷到某个头部交易所创始人，回复了一条内容账号的推文，底下还顺手点了个赞。 我切到相关代币的 K 线看了一眼，市值直接拉了几千万！这种机会如果只靠人一直刷推，很难卡到前面的位置。尤其是链上 meme，很多注意力信号本来就不是从公告开始的。 可能是头部账号的一次点赞。也许是交易所创始人的一次回复。或者是项目方和 KOL 之间的一次互动。 我当时就在想，这种信号如果能自动抓下来，再接一层策略判断，自动买入，那岂不是能赚麻了！比别人先看到消息，然后提前卖出获利 刚好最近看到 xBubble 官方演示里有一个 Polymarket 事件检测和交易辅助案例，思路跟这个很像不是让人手动盯每条信息，而是把事件、信号、价格、市场变化串成一条流程。 我就顺着这个方向，用 xBubble Coding 搭了一套 Web3 交易信号工具。 测试版本： 流程大概是这样：推特那边一出现新互动信号，系统先自动抓下来，抓完之后，先过一层策略匹配，只有命中我设定的规则，才继续往下走。然后查一遍白名单库，筛出我真正关注的资产。再查一次钱包缓存，看有没有相关地址和历史行为。接着生成一份代币价格简报。 如果是 Polymarket 这类事件市场，还会同步整理事件状态、赔率变化、相关信息源和潜在交易方向。最后把符合条件的内容，提交到预设链上流程里。 这就是“追头部账号”和“追事件市场”真正能产生的结果。是把一个轻互动信号，变成一套可以执行的交易观察链路。 以前我是刷到相关信号之后，再手动去查币、看价格、翻钱包、看链上数据。那时候已经到接盘的时间了。现在是信号自己进入流程，系统帮我先完成筛选、整理和下一步动作。 这个变化很关键。因为 xBubble Coding 真正有价值的地方，不是帮我生成一段代码，而是把一个具体场景封装成一条端到端的业务 SOP。 我这次做的，其实更像是一套小型 Web3 交易信息服务。前端是头部账号互动监控和事件市场检测。中间是策略匹配、资产筛选和信息源整理。后面接价格简报、钱包缓存、赔率变化和链上流程。 这条链路跑通之后，它就不只是一个工具，而是一个可以持续迭代的个人信息优势系统。 这也是我理解 xBubble 商业价值的地方。它卖的不是代码本身，而是端到端的业务服务。 对小团队和个人来说，真正卡住人的往往不是“能不能生成一个页面”，而是能不能把内容、数据、流程、支付、执行和后续修改串成一个闭环。 xBubble 的 SOP 系统，核心就是把这个门槛压低。你可以用它做世界杯周边商城，把商品页、素材、收款和订单流程快速串起来。也可以做交规学习产品，把内容流量和私域转化接起来。也可以做本地服务入口，让用户看服务、提交需求、完成支付。 也可以像我这样，做一个 Web3 事件检测、头部账号信号追踪、Polymarket 交易辅助工具。 这些需求都有一个共同点很垂直，很细分，很贴近真实生意。它们不一定需要一个庞大的技术团队，但需要一套能快速上线、持续修改、直接承接收入的执行流程。 这正是 xBubble 适合 OPC 的地方。 一个人或者一个小团队，只要知道自己要服务谁、抓什么信号、卖什么产品、怎么完成交付，就可以用 SOP 把业务搭起来。 更重要的是，xBubble 不是只有固定模板。成熟场景可以直接用现成 SOP 快速启动，新的细分需求则可以通过 Bubble Engine 继续生成更贴合场景的专用 SOP。 这点对 Web3 特别重要。因为这里的机会变化很快。今天可能是头部账号互动。明天可能是 Polymarket 事件变化。后天可能是某个钱包行为。下一轮又可能变成社区积分、空投任务、链上数据面板。 如果工具只能做一种固定场景，空间会很有限。但如果 SOP 可以跟着新场景继续生成，个人和小团队就能把自己的细分判断，不断沉淀成新的业务流程。 我这次搭头部账号和 Polymarket 事件监控，就是一个很小但很具体的例子。它把我平时刷推、盯盘、查币、看钱包、看事件赔率的动作，变成了一条可以自动跑的流程。 以后我想加新的账号源，可以继续扩展。想换策略匹配规则，可以继续调整。想把简报字段做细，也可以继续改。想接更多链上动作，也能继续往后接。 这才是 OPC 时代 AI 工具真正该有的样子。不是让个人去模仿大公司搭团队，而是让个人用 SOP 获得接近专业团队的执行能力。 内容自动生成、多平台宣发、稳定币结算、链上任务执行、客户承接、后台管理，这些原本需要多人协作的环节，被压缩进一套更轻的业务系统里。 所以我现在看 xBubble Coding，已经不只是把它当成 AI Coding 工具。它更像是给个人创业者和小团队准备的业务启动基础设施。 对我来说，头部账号互动不再只是一个我刷到之后才处理的信息点。Polymarket 事件变化也不再只是一个我想起来才去看的页面。它们都可以变成自动进入系统、自动筛选、自动整理、自动触发后续流程的策略输入。这类细分需求过去很少有人专门做，因为太个人化、太垂直、变化也快。 但 xBubble 的 SOP 思路，刚好适合把这种需求做成可以低成本验证、持续迭代、甚至沉淀成服务的东西。这可能就是它最值得看的地方。AI Coding 的上半场，是让更多人可以做出应用。 xBubble 想做的下半场，是让这些应用真正变成能跑业务、能接收入、能持续迭代的商业流程。对 OPC 来说，这比一个好看的 Demo 重要得多。
0:21

昨天用 DAPPOS 的 xBubble Coding 搭了个小工具，专门盯头部账号互动和事件市场信号。 起因很简单。我刷到某个头部交易所创始人，回复了一条内容账号的推文，底下还顺手点了个赞。 我切到相关代币的 K 线看了一眼，市值直接拉了几千万！这种机会如果只靠人一直刷推，很难卡到前面的位置。尤其是链上 meme，很多注意力信号本来就不是从公告开始的。 可能是头部账号的一次点赞。也许是交易所创始人的一次回复。或者是项目方和 KOL 之间的一次互动。 我当时就在想，这种信号如果能自动抓下来，再接一层策略判断，自动买入，那岂不是能赚麻了！比别人先看到消息，然后提前卖出获利 刚好最近看到 xBubble 官方演示里有一个 Polymarket 事件检测和交易辅助案例，思路跟这个很像不是让人手动盯每条信息，而是把事件、信号、价格、市场变化串成一条流程。 我就顺着这个方向，用 xBubble Coding 搭了一套 Web3 交易信号工具。 测试版本： 流程大概是这样：推特那边一出现新互动信号，系统先自动抓下来，抓完之后，先过一层策略匹配，只有命中我设定的规则，才继续往下走。然后查一遍白名单库，筛出我真正关注的资产。再查一次钱包缓存，看有没有相关地址和历史行为。接着生成一份代币价格简报。 如果是 Polymarket 这类事件市场，还会同步整理事件状态、赔率变化、相关信息源和潜在交易方向。最后把符合条件的内容，提交到预设链上流程里。 这就是“追头部账号”和“追事件市场”真正能产生的结果。是把一个轻互动信号，变成一套可以执行的交易观察链路。 以前我是刷到相关信号之后，再手动去查币、看价格、翻钱包、看链上数据。那时候已经到接盘的时间了。现在是信号自己进入流程，系统帮我先完成筛选、整理和下一步动作。 这个变化很关键。因为 xBubble Coding 真正有价值的地方，不是帮我生成一段代码，而是把一个具体场景封装成一条端到端的业务 SOP。 我这次做的，其实更像是一套小型 Web3 交易信息服务。前端是头部账号互动监控和事件市场检测。中间是策略匹配、资产筛选和信息源整理。后面接价格简报、钱包缓存、赔率变化和链上流程。 这条链路跑通之后，它就不只是一个工具，而是一个可以持续迭代的个人信息优势系统。 这也是我理解 xBubble 商业价值的地方。它卖的不是代码本身，而是端到端的业务服务。 对小团队和个人来说，真正卡住人的往往不是“能不能生成一个页面”，而是能不能把内容、数据、流程、支付、执行和后续修改串成一个闭环。 xBubble 的 SOP 系统，核心就是把这个门槛压低。你可以用它做世界杯周边商城，把商品页、素材、收款和订单流程快速串起来。也可以做交规学习产品，把内容流量和私域转化接起来。也可以做本地服务入口，让用户看服务、提交需求、完成支付。 也可以像我这样，做一个 Web3 事件检测、头部账号信号追踪、Polymarket 交易辅助工具。 这些需求都有一个共同点很垂直，很细分，很贴近真实生意。它们不一定需要一个庞大的技术团队，但需要一套能快速上线、持续修改、直接承接收入的执行流程。 这正是 xBubble 适合 OPC 的地方。 一个人或者一个小团队，只要知道自己要服务谁、抓什么信号、卖什么产品、怎么完成交付，就可以用 SOP 把业务搭起来。 更重要的是，xBubble 不是只有固定模板。成熟场景可以直接用现成 SOP 快速启动，新的细分需求则可以通过 Bubble Engine 继续生成更贴合场景的专用 SOP。 这点对 Web3 特别重要。因为这里的机会变化很快。今天可能是头部账号互动。明天可能是 Polymarket 事件变化。后天可能是某个钱包行为。下一轮又可能变成社区积分、空投任务、链上数据面板。 如果工具只能做一种固定场景，空间会很有限。但如果 SOP 可以跟着新场景继续生成，个人和小团队就能把自己的细分判断，不断沉淀成新的业务流程。 我这次搭头部账号和 Polymarket 事件监控，就是一个很小但很具体的例子。它把我平时刷推、盯盘、查币、看钱包、看事件赔率的动作，变成了一条可以自动跑的流程。 以后我想加新的账号源，可以继续扩展。想换策略匹配规则，可以继续调整。想把简报字段做细，也可以继续改。想接更多链上动作，也能继续往后接。 这才是 OPC 时代 AI 工具真正该有的样子。不是让个人去模仿大公司搭团队，而是让个人用 SOP 获得接近专业团队的执行能力。 内容自动生成、多平台宣发、稳定币结算、链上任务执行、客户承接、后台管理，这些原本需要多人协作的环节，被压缩进一套更轻的业务系统里。 所以我现在看 xBubble Coding，已经不只是把它当成 AI Coding 工具。它更像是给个人创业者和小团队准备的业务启动基础设施。 对我来说，头部账号互动不再只是一个我刷到之后才处理的信息点。Polymarket 事件变化也不再只是一个我想起来才去看的页面。它们都可以变成自动进入系统、自动筛选、自动整理、自动触发后续流程的策略输入。这类细分需求过去很少有人专门做，因为太个人化、太垂直、变化也快。 但 xBubble 的 SOP 思路，刚好适合把这种需求做成可以低成本验证、持续迭代、甚至沉淀成服务的东西。这可能就是它最值得看的地方。AI Coding 的上半场，是让更多人可以做出应用。 xBubble 想做的下半场，是让这些应用真正变成能跑业务、能接收入、能持续迭代的商业流程。对 OPC 来说，这比一个好看的 Demo 重要得多。

币圈荒木｜Araki🪵

30,150 Aufrufe • vor 1 Monat

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？ 对我来说，这不是一个二选一的问题，而是一个补充题。 大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。 比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。 还有一个经常被忽略的点，其实是处理速度。 我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。 另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。 所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。
1:10

昨天发了一个视频，看到评论里有人问：你都在用 Claude Code 了，为什么还要用国内的 Coding Plan？ 对我来说，这不是一个二选一的问题，而是一个补充题。 大家都知道御三家的硬实力更强，这点没什么好争议的。但很多日常场景里，国产模型其实已经能在速度、质量、成本之间取得一个不错的平衡。 比如文本处理、资料整理、基础 coding、简单 agent 任务，这类占日常 80% 的工作，很多时候并不一定非要上最贵的模型。对大多数中国用户来说，国产模型更顺手，速度也够，价格还低不少。 还有一个经常被忽略的点，其实是处理速度。 我自己实测下来，国内这些模型在一些简单任务上，接口响应和首字速度都很快。像翻译、语音输入后的文本修正、基础润色、简单改写这类高频小任务，用起来其实很舒服。你并不需要每一次都把最贵、最强的模型拉出来跑一遍。 另外我觉得，现在国内头部几家 AI 厂商，已经不是“能不能做”的问题了。无论是阿里还是字节，一方面有足够的算力和基础设施，另一方面本身也有持续做模型研发和产品迭代的能力。所以在很多高频、日常、成本敏感的场景里，把国产模型纳入自己的工具链，本来就是很自然的事。 所以我现在的看法一直都不是“国产替代”或者“二选一”，而是按场景分工：复杂、高价值任务交给最强模型；大量日常、重复、成本敏感的任务，用国产模型做补充，我觉得这反而是更现实、也更科学的用法。

luolei

32,585 Aufrufe • vor 4 Monaten