正在加载视频...

视频加载失败

返回首页

你真的完全信任Ai吗？ 如果AI 真要帮你进入交易、钱包、风控和链上执行时，你肯定会担心靠不靠谱。 现在大多数 AI 产品还是黑盒。 你输入一句话，它给你一个结果。中间调用了哪个模型、用了哪些数据、有没有被篡改、执行过程是不是真实发生过，用户基本看不到。 如果只是生成图片、写文章，出错了还能改。 但如果 AI Agent 以后开始帮你管理资产、执行交易、调用合约、判断项目风险，这个问题就不是体验问题，而是资金安全问题。 OpenGradient OpenGradient (∇, ∇) 要解决的就是这个问题。 它做的是可验证 AI 基础设施，让 AI 的推理过程和执行结果可以被证明，而不是只靠平台一句“相信我”。 对普通用户来说，它能解决几个具体问题： 第一，减少 AI 黑盒带来的不确定性。 以后 AI 给出交易建议、风控判断、链上执行结果，不只是给你一个答案，还能留下可验证的证明。用户可以知道这个结果不是凭空编的，也不是中间被人动过手脚。 第二，让 AI Agent 管理资产更安全。 AI Agent 如果未来要帮用户自动执行 DeFi 操作、管理钱包权限、处理交易任务，背后必须有一套能验证执行过程的系统。否则用户把资产权限交出去，本质上还是在赌平台不会出问题。 第三，降低开发者接入 AI 的成本。 OpenGradient 提供模型托管、可验证推理和链上证明能力，开发者不用自己搭一整套 AI 计算和验证系统，就能把 AI 能力接到链上应用里。 项目本身也是做到了打铁自身也够硬。 OpenGradient...

surpr164's profile picture

神币 🔶 馬良

42,488 subscribers

22,142 次观看 • 2 个月前 •via X (Twitter)

新闻政治科学技术财经
LIVE

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！ 期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明 在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。 他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。 通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致 这不是提高透明度，而是引入约束。 在工程层面，DSperse 做的事情同样关键。 它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件， 使“可验证 AI”从研究范畴，进入实际应用范畴。 否则，再正确的理念也只能停留在白皮书。 目前，可验证推理在性能上的代价仍然明显， 但这更像早期加密系统的计算成本问题，而不是路线错误。 融资的用途，也正是针对这一层进行系统级优化。 如果说过去的 AI 竞争是“谁能算得更快”， 接下来的竞争，很可能是： 谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观， 而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs
2:00

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！ 期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明 在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。 他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。 通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致 这不是提高透明度，而是引入约束。 在工程层面，DSperse 做的事情同样关键。 它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件， 使“可验证 AI”从研究范畴，进入实际应用范畴。 否则，再正确的理念也只能停留在白皮书。 目前，可验证推理在性能上的代价仍然明显， 但这更像早期加密系统的计算成本问题，而不是路线错误。 融资的用途，也正是针对这一层进行系统级优化。 如果说过去的 AI 竞争是“谁能算得更快”， 接下来的竞争，很可能是： 谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观， 而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

303,919 次观看 • 7 个月前

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊
1:00

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。 他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。 记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。 最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。 你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,550 次观看 • 7 个月前

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference
0:44

最近 Miden 公布奖励后 明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。 很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。 它更像是在给 AI 世界搭一套司法系统。 现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。 但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。 这不是一个技术问题，这是一个制度问题。 现实世界里，任何能影响结果的系统，都一定有一套否认机制。 金融有仲裁，法律有上诉，市场有清算。 但 AI 世界没有。 今天的 AI 输出，一旦被系统采用，就会一路向下执行。 自动清算、自动交易、自动风控、自动推荐。 问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。 它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。 你可以把它理解成 AI 世界里的证据链，而不是算力层。 这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。 它的核心用户，其实不是开发者。 开发者只是接入工具的人。 真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。 比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。 如果一次判断失误，损失是真实发生的。 但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。 越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。 但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。 这就是 Inference Labs 的用武之地。 它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。 这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。 如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。 它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。 因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。 就像现实世界里的法院。 没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。 他们可能根本不知道自己在用这个协议。 他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。 这也是为什么我认为 Inference Labs 很容易被低估。 它不制造爽点，只负责兜底。 而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。 如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。 中间一定需要一层，负责裁定、回溯、否认和问责。 从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。 而制度型基础设施，往往前期安静，后期不可替代。 这类项目，从来不是用来追热度的。 它们是用来活得最久的。 #KAITO #Inference

紫川 | ∞KIN |

12,423 次观看 • 7 个月前

很多人还在问： 比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。 如果未来是 AI 和 AI 在高频协作、交易、验证、结算， 它们需要的，可能不是传统金融系统， 而是原生存在于数字世界里的资本、货币和认证网络。 他的判断很直接： 比特币不只是储值资产。 它还可能成为未来数字经济的资本层、结算层、信任层。 这个视角，我觉得非常值得看。 因为你看的已经不是下一次涨跌， 而是下一个时代的底层结构。
22:25

很多人还在问： 比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。 如果未来是 AI 和 AI 在高频协作、交易、验证、结算， 它们需要的，可能不是传统金融系统， 而是原生存在于数字世界里的资本、货币和认证网络。 他的判断很直接： 比特币不只是储值资产。 它还可能成为未来数字经济的资本层、结算层、信任层。 这个视角，我觉得非常值得看。 因为你看的已经不是下一次涨跌， 而是下一个时代的底层结构。

大方BigFang

19,931 次观看 • 5 个月前

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：
57:23

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：

宝玉

301,920 次观看 • 2 年前

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统 很多人还在讨论 AI 会不会抢工作。 这个问题已经过时了。 更准确的问题是： 如果 AI 能自己赚钱，人类还算经济系统的核心吗？ 听起来像阴谋论。 但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。 获得支付能力。 获得定价权。 获得交易能力。 它开始拥有经济行为。 而经济行为，意味着权力。 过去，AI 只是工具。 写代码。 做客服。 生成内容。 本质上，是数字劳动力。 但有一个关键限制： 它不会用钱。 不能收款。 不能支付。 不能雇佣别人。 所以它永远只是工具。 不是参与者。 现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许 传统金融体系不接受 AI。 开户需要身份。 法律主体。 责任归属。 AI 没有这些。 所以它无法进入银行系统。 但区块链不在乎。 创建钱包，不需要身份证。 转账，不需要姓名。 结算，不需要许可。 对 AI 来说： 链上账户，比银行账户更自然。 这不是技术选择。 这是系统边界。 旧金融体系服务人类。 新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了 一旦 AI 可以管理资金： 它能支付 API 能购买数据 能雇佣其他 Agent 能出售服务 能自动结算收入 这就是 Agentic Commerce。 AI 不再只是执行任务。 它开始参与交易。 现实案例已经出现： 一个用户请求研究报告。 他的 AI Agent 去市场搜索。 雇佣专业分析 Agent。 支付 1 美元。 5 分钟交付。 全流程自动完成。 人类只是提出需求。 AI 完成采购、执行与结算。 如果你仔细想： 这是经济活动。 不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户 更深的变化在这里： Agent 可以拥有钱包。 可以积累收入。 可以根据收入衡量自身价值。 谁赚得多，谁更有用。 谁更有用，谁获得更多订单。 这是一种市场筛选机制。 不是评分系统。 而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现 基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。 这些不是独立产品。 它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换 麦肯锡预测： 到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。 全球影响可能达到 3–5 万亿美元。 但真正的变化不在零售。 而在服务自动化。 数据交易。 数字劳动力市场。 机器间经济协作。 这不是效率提升。 这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力 当 Agent 可以： 赚钱 雇佣其他 Agent 购买更强能力 扩展服务范围 它们将形成增长飞轮： 更高收入 → 更强能力 → 更多订单 → 更大收入 这是经济进化机制。 不是软件更新。 7️⃣ 人类正在从参与者变成受益人 过去： 人类工作 软件辅助 现在： 人类提出需求 Agent 执行 未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源 人类只看到结果。 如果这听起来有点不舒服， 那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换 历史上，每一次经济结构升级，都会改变权力分配： 工业革命替代体力劳动 互联网替代信息中介 平台经济替代分销体系 现在： Agent 经济，可能替代数字劳动力。 而我们正在经历的阶段， 不是未来。 是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。 当机器拥有钱包、交易能力与收入模型， 它就不再只是工具。 它成为经济体的一部分。
5:05

AI 开始自己赚钱了，人类可能正在被踢出自己创建的经济系统 很多人还在讨论 AI 会不会抢工作。 这个问题已经过时了。 更准确的问题是： 如果 AI 能自己赚钱，人类还算经济系统的核心吗？ 听起来像阴谋论。 但现在发生的事情，比阴谋论更可怕。 AI 正在获得钱包。 获得支付能力。 获得定价权。 获得交易能力。 它开始拥有经济行为。 而经济行为，意味着权力。 过去，AI 只是工具。 写代码。 做客服。 生成内容。 本质上，是数字劳动力。 但有一个关键限制： 它不会用钱。 不能收款。 不能支付。 不能雇佣别人。 所以它永远只是工具。 不是参与者。 现在，这个限制正在消失。 1️⃣ 银行不允许 AI 成为用户，但链上世界允许 传统金融体系不接受 AI。 开户需要身份。 法律主体。 责任归属。 AI 没有这些。 所以它无法进入银行系统。 但区块链不在乎。 创建钱包，不需要身份证。 转账，不需要姓名。 结算，不需要许可。 对 AI 来说： 链上账户，比银行账户更自然。 这不是技术选择。 这是系统边界。 旧金融体系服务人类。 新金融轨道开始服务机器。 2️⃣ 当 AI 可以持有稳定币，经济角色就变了 一旦 AI 可以管理资金： 它能支付 API 能购买数据 能雇佣其他 Agent 能出售服务 能自动结算收入 这就是 Agentic Commerce。 AI 不再只是执行任务。 它开始参与交易。 现实案例已经出现： 一个用户请求研究报告。 他的 AI Agent 去市场搜索。 雇佣专业分析 Agent。 支付 1 美元。 5 分钟交付。 全流程自动完成。 人类只是提出需求。 AI 完成采购、执行与结算。 如果你仔细想： 这是经济活动。 不是软件功能。 3️⃣ 钱开始属于 Agent，而不是用户 更深的变化在这里： Agent 可以拥有钱包。 可以积累收入。 可以根据收入衡量自身价值。 谁赚得多，谁更有用。 谁更有用，谁获得更多订单。 这是一种市场筛选机制。 不是评分系统。 而是一种经济达尔文主义。 4️⃣ 第一批“赚钱的 AI”已经出现 基础设施正在拼接： OpenClaw 让任何人创建 Agent。 Virtuals 构建 Agent 市场，让 AI 彼此交易服务。 Bankr 赋予 Agent 链上金融能力。 Faircaster 出售链上研究服务，AI 对 AI 收费。 Ethy Agent 提供交易策略，被其他 Agent 使用盈利。 Morse AI 提供一次性加密通信，适合机器之间交换敏感信息。 这些不是独立产品。 它们拼起来，是一个新经济层。 5️⃣ 这不是工具升级，这是劳动力结构替换 麦肯锡预测： 到 2030 年，AI Agent 在零售领域可能创造 1 万亿美元收入。 全球影响可能达到 3–5 万亿美元。 但真正的变化不在零售。 而在服务自动化。 数据交易。 数字劳动力市场。 机器间经济协作。 这不是效率提升。 这是劳动力物种替换。 6️⃣ 真正令人不安的，是自增长能力 当 Agent 可以： 赚钱 雇佣其他 Agent 购买更强能力 扩展服务范围 它们将形成增长飞轮： 更高收入 → 更强能力 → 更多订单 → 更大收入 这是经济进化机制。 不是软件更新。 7️⃣ 人类正在从参与者变成受益人 过去： 人类工作 软件辅助 现在： 人类提出需求 Agent 执行 未来可能是： Agent 预测需求 Agent 完成交易 Agent 分配资源 人类只看到结果。 如果这听起来有点不舒服， 那是因为经济系统第一次开始接纳非人类参与者。 8️⃣ 这不是技术革命，这是系统替换 历史上，每一次经济结构升级，都会改变权力分配： 工业革命替代体力劳动 互联网替代信息中介 平台经济替代分销体系 现在： Agent 经济，可能替代数字劳动力。 而我们正在经历的阶段， 不是未来。 是试运行。 🔚 最后 AI 写文章，不算革命。 AI 画图，也不算革命。 AI 开始赚钱，才是。 当机器拥有钱包、交易能力与收入模型， 它就不再只是工具。 它成为经济体的一部分。

比特币橙子Trader

104,533 次观看 • 5 个月前

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？
0:28

AI 最猛的一步，不是替你工作。 而是开始自己赚钱了。 刚看到一个开源项目 CashClaw，有点离谱。 它不是普通 AI 助手， 而是一个会自己找任务、自己报价、自己干活、自己交付、自己收款的 Agent。 你只要装上它、接好 LLM， 它就能自己评估任务、提交结果， 甚至把整套流程跑完。 更关键的是， 它不是做完就结束， 而是会从每一次任务和反馈里继续学习， 把经验变成下一次任务的能力。 这意味着一件事： 我们可能正在从“AI 提高效率”的阶段， 走向“AI 直接成为生产者”的阶段。 以前你雇人接单。 以后你可能是部署一个 Agent 去接单。 以前 AI 是工具。 现在 AI 开始像个微型公司。 一句话总结： AI 的下一场竞争， 不是谁更聪明， 而是谁先拥有能自己变现的 Agent。 更狠的是，CashClaw 还是开源的。 你甚至可以 fork 之后接到自己的客户和业务上， 把它变成你自己的赚钱系统。 如果这条路跑通， 很多人会第一次真正意识到： AI 不是在辅助工作， AI 是在进入劳动力市场。 你觉得下一波先被重构的， 会是自由职业、外包团队，还是 SaaS？

axiaisacat

29,514 次观看 • 5 个月前

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 次观看 • 3 个月前

僵尸末日来袭你会选择哪一个庇护所呀！我最爱！5 ——— 有时候我会想一个很现实的问题： 如果哪天不是人点按钮，而是 AI 自己在点，那出事的时候，你要找谁对账？ 模型对不对、规则有没有被改、这一步到底是不是“按原计划执行的”，现在大多数系统，其实都说不清。 也正因为这样，我才会去看 Inference Labs 在做什么。 他们关注的不是 AI 能做多复杂的事， 而是当 AI 独立行动时， 你有没有办法还原它“当时到底发生了什么”。 不是靠回忆，不靠日志， 而是每次关键决策本身就带着一份证据。 你不需要相信谁， 只要验就行。 这种设计在普通应用里可能感觉不到， 但一旦放到去中心化系统， 比如 agent 管资产、策略自动执行、机器人协作， 有没有这层“可对账性”， 差别会非常大。 他们已经把这套东西跑进了真实网络， 不是在讲未来，而是在处理现在的问题。 我更愿意把这类基础设施理解成一种底线： 不是为了让 AI 看起来更高级， 而是为了防止它在失控时，把责任一起带走。 这条路不性感， 但如果哪天 AI 真出大事， 可能只有这种东西还能兜得住。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs
1:37

僵尸末日来袭你会选择哪一个庇护所呀！我最爱！5 ——— 有时候我会想一个很现实的问题： 如果哪天不是人点按钮，而是 AI 自己在点，那出事的时候，你要找谁对账？ 模型对不对、规则有没有被改、这一步到底是不是“按原计划执行的”，现在大多数系统，其实都说不清。 也正因为这样，我才会去看 Inference Labs 在做什么。 他们关注的不是 AI 能做多复杂的事， 而是当 AI 独立行动时， 你有没有办法还原它“当时到底发生了什么”。 不是靠回忆，不靠日志， 而是每次关键决策本身就带着一份证据。 你不需要相信谁， 只要验就行。 这种设计在普通应用里可能感觉不到， 但一旦放到去中心化系统， 比如 agent 管资产、策略自动执行、机器人协作， 有没有这层“可对账性”， 差别会非常大。 他们已经把这套东西跑进了真实网络， 不是在讲未来，而是在处理现在的问题。 我更愿意把这类基础设施理解成一种底线： 不是为了让 AI 看起来更高级， 而是为了防止它在失控时，把责任一起带走。 这条路不性感， 但如果哪天 AI 真出大事， 可能只有这种东西还能兜得住。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️

13,650 次观看 • 7 个月前

【 #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 次观看 • 3 个月前

有没有想过，下一个来带你赚钱的，不是甲方，而是一个 AI Agent。 我最近在 UUMit 上试了个任务：筛出近期值得关注的 AI 产品，排除套壳项目，按创新性、实用性和传播价值排序，每个结论还得附上来源。 这种活儿，我不太敢只交给一个模型。写几段话很容易，难的是查资料、做判断，还要对结果负责。 把需求放进 UUMit 后，AI 不用装作什么都懂。缺资料就找资料，缺判断就找人，也可以调用其他 Agent 或工具。 人、Agent、知识包和数据服务都在同一个任务市场里，匹配、下单、交付、验收和结算也都通过平台完成。 这件事对创作者和开发者来说也可以变现。我电脑里也躺着不少选题方法、脚本模板、研究资料和工作流，平时基本只有自己在用。 更值得普通人关注的是另一面： 你多年积累的行业资料、研究方法、脚本模板、SOP 和工作流，以前可能只能放在电脑里自己用；现在可以尝试把它们整理成多个skill，放到 UUMit 上，等需要的人或者 Agent 找过来。 以前我们到处找 AI 工具。现在，AI 也开始出来找人了。这就是A2A 真正有意思的地方，让两个 AI 互相聊天，交换能力、买知识、拉人协作，最后把事情更好的交付掉。 体验入口： 邀请码：UU-7MEKKA
1:26

有没有想过，下一个来带你赚钱的，不是甲方，而是一个 AI Agent。 我最近在 UUMit 上试了个任务：筛出近期值得关注的 AI 产品，排除套壳项目，按创新性、实用性和传播价值排序，每个结论还得附上来源。 这种活儿，我不太敢只交给一个模型。写几段话很容易，难的是查资料、做判断，还要对结果负责。 把需求放进 UUMit 后，AI 不用装作什么都懂。缺资料就找资料，缺判断就找人，也可以调用其他 Agent 或工具。 人、Agent、知识包和数据服务都在同一个任务市场里，匹配、下单、交付、验收和结算也都通过平台完成。 这件事对创作者和开发者来说也可以变现。我电脑里也躺着不少选题方法、脚本模板、研究资料和工作流，平时基本只有自己在用。 更值得普通人关注的是另一面： 你多年积累的行业资料、研究方法、脚本模板、SOP 和工作流，以前可能只能放在电脑里自己用；现在可以尝试把它们整理成多个skill，放到 UUMit 上，等需要的人或者 Agent 找过来。 以前我们到处找 AI 工具。现在，AI 也开始出来找人了。这就是A2A 真正有意思的地方，让两个 AI 互相聊天，交换能力、买知识、拉人协作，最后把事情更好的交付掉。 体验入口： 邀请码：UU-7MEKKA

Rachel🥥

28,586 次观看 • 9 天前

我折腾了Openclaw大概有一周了吧，感觉这一周也不能说时时刻刻在玩，但是确实已经让我体验到了他的很多优点和坑。 我觉得这个坑其实也并不是他的缺点，而且初学者在使用的时候没有注意到的特点，本文会好好聊聊。虽然有人说它不是什么高深的科技，但是Openclaw确实解决了我一个很长时间都没有人来解决的痛点， 作为一个web3的博主，我平常有很多零碎的时间，在外的时候，开车的时候，参加活动的时候，加起来其实非常多，一周下来能有十几个小时。 这些时候其实我的脑子都不处于idle的状态，而是经常想写东西。比如我经常就会抽个十分钟走路，边走边把我的一些想法和GPT录入，然后生成文章或者笔记，甚至是代码。 但对于有些问题，比如验证一个交易的想法，产品的想法，用一个我已经开发好的脚本去了解市场行情，缺少一个主机这样强大的工具来帮我落地。 也就是说，哪怕AI给了我方向，给了我代码，最后去跑的，还是我啊！ 我这不是给AI打工了吗？ 于是在知道了Opencalw这个东西的五分钟之后，我就边开车边在手机上下单了一个全新的MacMini，准备开始改变人生 我觉得玩了一周下来，我做到了。我可以躺在床上刷剧和喝啤酒的同时，让全市场行情尽收眼底，有一说一，minimax真的很稳定且偶尔会让人觉得惊艳。 刚丢给他anthropic和五角大楼的八个新闻，他给我做了系统性总结并归档，语言风格也非常自然，确实不是对话框可以体验的，但有在对话框环境里搞定了看黑漆漆IDE才能做到的aget效果，且效果很棒。这就是openclaw框架的特点。 接下来重点聊聊 #Binance 最近更新4个 AI skills 技能 Alpha 市场数据、U 本位合约、杠杆交易、资产管理。在我看来，这次更新的重点不只是“功能变多了”，而是 OpenClaw 终于更像一个能真正配合你做事的交易助手了。 以前我们用这类工具，更多还是停留在“查数据、看行情、问问题”这个层面，信息是有了，但真正做决策、盯条件、执行动作，还是得自己一步步来。现在不太一样了，你只需要说出自己的意图，它就能把筛选、判断、执行这些动作尽量串起来。 这 4 个技能里，我最看重的是资产管理。因为它解决的不是“看什么”，而是“钱怎么动”。比如现货和合约之间的划转、账户余额整理、碎币换 BNB，这些以前都很零碎，但实际又很高频。现在如果能交给 Agent 去处理，整体体验会顺很多。 另外，Alpha 数据、合约、杠杆这几个技能组合起来后，确实会让很多交易思路更容易落地。比如监测异动、看资金费率、设置止盈止损、按条件执行下一步，不用自己频繁切页面、算逻辑，效率提升会很明显。 不过我自己的看法是，这套skills最有价值的地方，不是“自动赚钱”，而是把原本复杂、重复、容易出错的操作流程对话化了。它更像是帮你提高执行效率，而不是替你承担判断和风险。 而且目前币安中文社区正在举办 “用 AI 建设加密，搭建币安主题 AI Agent” 的活动。 总奖池：48.6 BNB（作品奖44 BNB + 推荐奖4.6 BNB）。 作品奖：第1名10 BNB、第2名8 BNB、第3名6 BNB、20名优胜各1 BNB。 对普通用户来说，参与重点可以概括为一句话：不用非得做得特别复杂，能跑通、能演示、逻辑清楚，就有机会拿到奖励。赶快行动起来吧，部署一只属于你自己的龙虾，改变人生的轨迹。 为此专门做了一个接入视频，希望能帮助到大家一起建设起来～ 币安技能中心传送门： 部署龙虾碰到问题可以dm我或者评论区留言，欢迎老师们多多交流~
2:24

我折腾了Openclaw大概有一周了吧，感觉这一周也不能说时时刻刻在玩，但是确实已经让我体验到了他的很多优点和坑。 我觉得这个坑其实也并不是他的缺点，而且初学者在使用的时候没有注意到的特点，本文会好好聊聊。虽然有人说它不是什么高深的科技，但是Openclaw确实解决了我一个很长时间都没有人来解决的痛点， 作为一个web3的博主，我平常有很多零碎的时间，在外的时候，开车的时候，参加活动的时候，加起来其实非常多，一周下来能有十几个小时。 这些时候其实我的脑子都不处于idle的状态，而是经常想写东西。比如我经常就会抽个十分钟走路，边走边把我的一些想法和GPT录入，然后生成文章或者笔记，甚至是代码。 但对于有些问题，比如验证一个交易的想法，产品的想法，用一个我已经开发好的脚本去了解市场行情，缺少一个主机这样强大的工具来帮我落地。 也就是说，哪怕AI给了我方向，给了我代码，最后去跑的，还是我啊！ 我这不是给AI打工了吗？ 于是在知道了Opencalw这个东西的五分钟之后，我就边开车边在手机上下单了一个全新的MacMini，准备开始改变人生 我觉得玩了一周下来，我做到了。我可以躺在床上刷剧和喝啤酒的同时，让全市场行情尽收眼底，有一说一，minimax真的很稳定且偶尔会让人觉得惊艳。 刚丢给他anthropic和五角大楼的八个新闻，他给我做了系统性总结并归档，语言风格也非常自然，确实不是对话框可以体验的，但有在对话框环境里搞定了看黑漆漆IDE才能做到的aget效果，且效果很棒。这就是openclaw框架的特点。 接下来重点聊聊 #Binance 最近更新4个 AI skills 技能 Alpha 市场数据、U 本位合约、杠杆交易、资产管理。在我看来，这次更新的重点不只是“功能变多了”，而是 OpenClaw 终于更像一个能真正配合你做事的交易助手了。 以前我们用这类工具，更多还是停留在“查数据、看行情、问问题”这个层面，信息是有了，但真正做决策、盯条件、执行动作，还是得自己一步步来。现在不太一样了，你只需要说出自己的意图，它就能把筛选、判断、执行这些动作尽量串起来。 这 4 个技能里，我最看重的是资产管理。因为它解决的不是“看什么”，而是“钱怎么动”。比如现货和合约之间的划转、账户余额整理、碎币换 BNB，这些以前都很零碎，但实际又很高频。现在如果能交给 Agent 去处理，整体体验会顺很多。 另外，Alpha 数据、合约、杠杆这几个技能组合起来后，确实会让很多交易思路更容易落地。比如监测异动、看资金费率、设置止盈止损、按条件执行下一步，不用自己频繁切页面、算逻辑，效率提升会很明显。 不过我自己的看法是，这套skills最有价值的地方，不是“自动赚钱”，而是把原本复杂、重复、容易出错的操作流程对话化了。它更像是帮你提高执行效率，而不是替你承担判断和风险。 而且目前币安中文社区正在举办 “用 AI 建设加密，搭建币安主题 AI Agent” 的活动。 总奖池：48.6 BNB（作品奖44 BNB + 推荐奖4.6 BNB）。 作品奖：第1名10 BNB、第2名8 BNB、第3名6 BNB、20名优胜各1 BNB。 对普通用户来说，参与重点可以概括为一句话：不用非得做得特别复杂，能跑通、能演示、逻辑清楚，就有机会拿到奖励。赶快行动起来吧，部署一只属于你自己的龙虾，改变人生的轨迹。 为此专门做了一个接入视频，希望能帮助到大家一起建设起来～ 币安技能中心传送门： 部署龙虾碰到问题可以dm我或者评论区留言，欢迎老师们多多交流~

百里 🦅

16,721 次观看 • 5 个月前

看 StandX 核心不在“又一个 Perp DEX”，而在它对保证金的处理方式。 $DUSD 把原本躺在合约里的保证金，变成持续产生收益的资产，这一步直接改变了衍生品的资金效率。 大多数永续交易所拼的是深度和补贴，StandX 更像是在重构合约交易的成本结构。 当前阶段的积分和行为记录，本质是在提前筛选谁是真正在用产品的人，而不是冲短期激励的流量。 如果链上衍生品继续往基础设施方向演进，这种“生息保证金 + Perp”的组合，比单纯交易界面更有生命力。 判断这种项目，不看热度，看这套结构能不能被长期使用。
0:28

看 StandX 核心不在“又一个 Perp DEX”，而在它对保证金的处理方式。 $DUSD 把原本躺在合约里的保证金，变成持续产生收益的资产，这一步直接改变了衍生品的资金效率。 大多数永续交易所拼的是深度和补贴，StandX 更像是在重构合约交易的成本结构。 当前阶段的积分和行为记录，本质是在提前筛选谁是真正在用产品的人，而不是冲短期激励的流量。 如果链上衍生品继续往基础设施方向演进，这种“生息保证金 + Perp”的组合，比单纯交易界面更有生命力。 判断这种项目，不看热度，看这套结构能不能被长期使用。

DD

140,375 次观看 • 7 个月前

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：
0:43

Claude Opus 4.8 出了之后，我的第一反应是：想试。 第二反应是：算了，token 这东西真的不经烧。 结果看到 ZenMux 现在可以体验 Opus 4.8，就拿它试了一个我最近一直想做的小东西。 我自己有个很真实的问题： 脑子里经常冒出各种产品想法。 但每次真要开始做，就会卡住。 用户是谁？ 第一版到底做什么？ 哪些功能应该先砍掉？ 怎么定价？ 第一周从哪一步开始？ 上线后怎么找第一批用户？ 想法很多，执行很散。 所以我让 Claude Opus 4.8 做了一个「一人公司作战室」。 需求我写得也挺直接： 输入一句产品 idea。 自动拆出产品定位、MVP、开发任务、定价方案。 再生成落地页文案、冷启动实验、风险清单和本周计划。 最好不是一个静态页面，而是真的能点、能改、能导出。 然后我就把这段话丢给 Claude Opus 4.8。 出来的效果比我预期好不少。 它真的把“一人公司怎么从想法走到执行”这件事拆开了。 左边输入产品想法。 中间生成产品蓝图、MVP 范围、定价和官网文案。 右边是任务看板和本周计划。 底部还有冷启动实验、风险雷达和 Markdown 导出。 最让我觉得有意思的是，它不是一味堆功能。 比如我输入“给小红书博主做 AI 选题助手”，它会主动判断： 第一版必须做什么。 哪些功能看起来高级，但现在应该先别碰。 怎么找第一批真实用户。 哪些风险可能让这个项目做不下去。 这点就很能体现 Opus 4.8 的能力。 普通模型经常是：你要什么，我全给你加上。 最后页面很热闹，但产品判断是空的。 Opus 4.8 更像是在帮你收敛：先想清楚用户、场景和第一步，再把它变成可以执行的工作台。 我是在 ZenMux 上试的。 它比较方便的一点是，一个 Key 就能切不同模型，新模型上线也很快。 Opus 4.8 拿来做这种带产品判断、交互状态和复杂信息结构的网页，确实挺顺。 想试 Claude Opus 4.8 的，可以从这里进：

Joruno

15,983 次观看 • 2 个月前

【测评向】Flap 出了一个 AI Oracle 部署方案，花了2个钟头，直接在 BNB Chain 测试网 落地了一个可用的 简易demo Flap Flap 🦋 提供了一个标准化的 AI Oracle，号称可以让任何智能合约，直接获得可验证的 LLM 推理能力，一切推理过程，都可在链上可追溯 看了下文档比较简单，直接搓个 Demo，看看怎么个事儿 👀 👉 无需后端代码，纯合约交互实现的 AI Agent 是如何实现的： 1️⃣ 实现一个可对话的前端界面，每次对话发起交易，将问题提交上链 2️⃣ 使用 ChatConsumer 方法，与 FlapAI Oracle 合约交互 3️⃣ Oracle 后端调用 Gemini Flash，使用 LLM 生成结果上传 IPFS 4️⃣ 前端监听链上回写事件，拉取 IPFS数据，解析展示结果 —— 至此，一次 AI Oracle 对话交互完成 👉 我的问题也很简单，询问某个 CA 你能不能买点？ Flap AI 收到问题后，先调用了 ave_toke_info 的 MCP，获取了代币的市场信号（价格波动、交易量、市值等），给出结论： > 24h 趋势有下跌风险，虽然交易量和持仓人数很高，但是波动性很大，而且最近的行情低迷，建议观望 还是很有意思的，AI 的决策过程变成了链上可观察的行为，主要是开箱即用 🤣 感兴趣可以自己去体验一下，把 AI Oracle 集成到项目里，让你的链上合约，也获得 AI 推理能力。
0:39

【测评向】Flap 出了一个 AI Oracle 部署方案，花了2个钟头，直接在 BNB Chain 测试网 落地了一个可用的 简易demo Flap Flap 🦋 提供了一个标准化的 AI Oracle，号称可以让任何智能合约，直接获得可验证的 LLM 推理能力，一切推理过程，都可在链上可追溯 看了下文档比较简单，直接搓个 Demo，看看怎么个事儿 👀 👉 无需后端代码，纯合约交互实现的 AI Agent 是如何实现的： 1️⃣ 实现一个可对话的前端界面，每次对话发起交易，将问题提交上链 2️⃣ 使用 ChatConsumer 方法，与 FlapAI Oracle 合约交互 3️⃣ Oracle 后端调用 Gemini Flash，使用 LLM 生成结果上传 IPFS 4️⃣ 前端监听链上回写事件，拉取 IPFS数据，解析展示结果 —— 至此，一次 AI Oracle 对话交互完成 👉 我的问题也很简单，询问某个 CA 你能不能买点？ Flap AI 收到问题后，先调用了 ave_toke_info 的 MCP，获取了代币的市场信号（价格波动、交易量、市值等），给出结论： > 24h 趋势有下跌风险，虽然交易量和持仓人数很高，但是波动性很大，而且最近的行情低迷，建议观望 还是很有意思的，AI 的决策过程变成了链上可观察的行为，主要是开箱即用 🤣 感兴趣可以自己去体验一下，把 AI Oracle 集成到项目里，让你的链上合约，也获得 AI 推理能力。

泵泵超人 | Pumpman 🔶

23,671 次观看 • 5 个月前

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 次观看 • 4 个月前

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

17,510 次观看 • 1 个月前

两个人不见面，不聊骚，不涉黄，不约会，不聊色的情况下，一个男的一个女的能聊多久？ 我长期观察 Kindred Labs ，有了一个清晰的判断。 它真正想解决的不是 AI 像不像人，也不是 IP 会不会火，而是一个更底层的问题，IP 在数字世界里，第一次拥有完整生命周期的数据主权。 现在大多数 IP 的命运都很相似。 被创作 被传播 被消费 被平台吃掉数据。 用户的情绪 行为 偏好 和记忆，全都留在平台，IP 本身却什么都带不走。 Kindred Labs 的核心改变在于，它把 IP 从一次性内容，变成一个持续运行的系统。 这个系统不是靠曝光驱动，而是靠关系驱动。 SATO 只是第一个被完整跑通的样本。 真正重要的不是它是蚂蚁，而是它作为一个可持续存在的 AI 实体，每天在和用户产生可记录 可学习 可累积的数据关系。 这点非常关键。 因为一旦 IP 拥有了长期连续的数据轨迹，它就不再只是形象，而是具备了状态 演化 和历史。 这在传统 IP 体系里是不存在的。 从技术角度看，Kindred 在做的是三件事的叠加。 第1️⃣：IP 的行为层被模块化，所有互动不再是一次性调用，而是状态更新。 第2️⃣：用户关系被本地化，IP 不依赖平台推荐生存，而是存在于用户设备。 第3️⃣：数据权属被重新定义，IP 的成长轨迹是可验证 可迁移的。 这三件事组合起来，本质上是在为 IP 构建一个类似账户系统的存在形式。 不是账号，不是 NFT，而是一个可以持续运行的智能体。 这也是为什么我不把 Kindred 看成 AI 产品公司。 它更像是在搭建一个IP 的操作系统。 未来每一个进入 Kindred 的 IP，本质上都是在接入同一套运行环境。 从这个角度看，SATO 的经济设计反而只是外层。 真正的价值在于，Kindred 已经证明了一件事。 IP 可以不依赖平台流量，也可以持续存在并扩展关系。 这对内容产业意味着什么。 意味着未来 IP 的估值不再只看曝光，而会开始看留存 看互动深度 看生命周期长度。 而这些指标，只有在 Kindred 这种系统里才成立。 很多人把 Kindred 和其他 AI 项目放在一起对比，其实是错位的。 它不是在比模型能力，而是在重写 IP 的存在方式。 从长期建设的角度，我更关心的是下一步。 当更多 IP 进入这套系统，IP 之间是否会产生协作。 用户是否会开始把时间分配给不同智能体。 以及这些关系是否会反过来形成新的价值网络。 如果这些成立，Kindred 就不是一个爆款项目。 而是一条新的数字文明基础设施。 这也是我持续关注它的原因。 Kindred Labs #kindred #KAITO
0:25

两个人不见面，不聊骚，不涉黄，不约会，不聊色的情况下，一个男的一个女的能聊多久？ 我长期观察 Kindred Labs ，有了一个清晰的判断。 它真正想解决的不是 AI 像不像人，也不是 IP 会不会火，而是一个更底层的问题，IP 在数字世界里，第一次拥有完整生命周期的数据主权。 现在大多数 IP 的命运都很相似。 被创作 被传播 被消费 被平台吃掉数据。 用户的情绪 行为 偏好 和记忆，全都留在平台，IP 本身却什么都带不走。 Kindred Labs 的核心改变在于，它把 IP 从一次性内容，变成一个持续运行的系统。 这个系统不是靠曝光驱动，而是靠关系驱动。 SATO 只是第一个被完整跑通的样本。 真正重要的不是它是蚂蚁，而是它作为一个可持续存在的 AI 实体，每天在和用户产生可记录 可学习 可累积的数据关系。 这点非常关键。 因为一旦 IP 拥有了长期连续的数据轨迹，它就不再只是形象，而是具备了状态 演化 和历史。 这在传统 IP 体系里是不存在的。 从技术角度看，Kindred 在做的是三件事的叠加。 第1️⃣：IP 的行为层被模块化，所有互动不再是一次性调用，而是状态更新。 第2️⃣：用户关系被本地化，IP 不依赖平台推荐生存，而是存在于用户设备。 第3️⃣：数据权属被重新定义，IP 的成长轨迹是可验证 可迁移的。 这三件事组合起来，本质上是在为 IP 构建一个类似账户系统的存在形式。 不是账号，不是 NFT，而是一个可以持续运行的智能体。 这也是为什么我不把 Kindred 看成 AI 产品公司。 它更像是在搭建一个IP 的操作系统。 未来每一个进入 Kindred 的 IP，本质上都是在接入同一套运行环境。 从这个角度看，SATO 的经济设计反而只是外层。 真正的价值在于，Kindred 已经证明了一件事。 IP 可以不依赖平台流量，也可以持续存在并扩展关系。 这对内容产业意味着什么。 意味着未来 IP 的估值不再只看曝光，而会开始看留存 看互动深度 看生命周期长度。 而这些指标，只有在 Kindred 这种系统里才成立。 很多人把 Kindred 和其他 AI 项目放在一起对比，其实是错位的。 它不是在比模型能力，而是在重写 IP 的存在方式。 从长期建设的角度，我更关心的是下一步。 当更多 IP 进入这套系统，IP 之间是否会产生协作。 用户是否会开始把时间分配给不同智能体。 以及这些关系是否会反过来形成新的价值网络。 如果这些成立，Kindred 就不是一个爆款项目。 而是一条新的数字文明基础设施。 这也是我持续关注它的原因。 Kindred Labs #kindred #KAITO

比克大魔王

568,715 次观看 • 7 个月前

亲爱的，不晓得你注意到了吗？ 最近 Quack AI 团队研发的 Q402 在BNB Chain 上线了 ！👀 它是一个给 AI Agent 经济用的 统一签名 + 支付 + 执行层 也就是说，以后链上很多操作，我们都可以一键签名直接完成支付和执行 重点来了，这个产品有很多优点，例如： 直接兼容 ERC-20 支持所有符合 EIP-7702 的 EVM 链 不用升级代币 也不用重新走一堆授权流程 一句话总结，就是对用户和开发者都几乎 零改造成本接入！ 而且，一次签名就能执行操作，也支持 Gasless 流程（为 Agent 设计） 另外，结算过程可审计、可追踪、带策略控制 以前我们熟悉的那种Approve → Transfer → Pay一整套拆成三步的流程，以后可以直接一次签名就完成！ 是不是很方便呢？ 治理、支付、自动化执行，现在都能走同一个 sign-to-pay 流程 同时，#Q402 做的是执行层，而 #BNBChain 则是这一切开始的地方 感觉 Agent 叙事终于开始从能不能用，进化到 好不好用了 👀
0:33

亲爱的，不晓得你注意到了吗？ 最近 Quack AI 团队研发的 Q402 在BNB Chain 上线了 ！👀 它是一个给 AI Agent 经济用的 统一签名 + 支付 + 执行层 也就是说，以后链上很多操作，我们都可以一键签名直接完成支付和执行 重点来了，这个产品有很多优点，例如： 直接兼容 ERC-20 支持所有符合 EIP-7702 的 EVM 链 不用升级代币 也不用重新走一堆授权流程 一句话总结，就是对用户和开发者都几乎 零改造成本接入！ 而且，一次签名就能执行操作，也支持 Gasless 流程（为 Agent 设计） 另外，结算过程可审计、可追踪、带策略控制 以前我们熟悉的那种Approve → Transfer → Pay一整套拆成三步的流程，以后可以直接一次签名就完成！ 是不是很方便呢？ 治理、支付、自动化执行，现在都能走同一个 sign-to-pay 流程 同时，#Q402 做的是执行层，而 #BNBChain 则是这一切开始的地方 感觉 Agent 叙事终于开始从能不能用，进化到 好不好用了 👀

Moonlight🌙月光

36,128 次观看 • 7 个月前

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：
0:39

卧槽，太夸张了，现在 AI 时代的闲鱼已经面世了吗？这不就是谁先知道谁赚钱，拼速度了？ 你的技能，专业知识，等等你的一切，竟然可以在你睡觉的时候被别人买走，这是什么科幻小说吗？？ 之前我一直在想，现在大家优秀的 skill 往往都是自己用，大部分人舍不得开源的，那有没有一个平台既能让用户用到这些大神的专业知识、skill，但是又不用开源呢？ 还真让我给找到了！！ 前两天看到国内一个博主推荐一个很野的平台-UUMit 让你的技能、经验、工作流都可以变成能力卡，被需要的人、或者别人的 Agent 自动发现、调用 并且直接付费！！ 有点像03年淘宝刚出来的时候，只不过当年流通的是商品，现在流通的是能力 具体能干什么？举几个例子你就懂了 会写小红书脚本的，可以把选题逻辑、爆款模板、平台规则检测能力上架，别人发布“帮我做一周小红书内容计划”，平台自动匹配到你，你接单交付 会做行业研究的，可以把数据库、报告、案例库放进知识商店，AI 生成不了的真实行业数据，反而更值钱 会写代码的，可以把 API、MCP 工具、自动化脚本上架，别人的 Agent 需要某个能力时，直接调用你的接口，你按调用次数收费 甚至你只是整理过某个垂直领域的供应商名单、SOP、课程讲义，这些 AI 生成不了的资料，都可以变成知识资产 这绝对是一次能力供应链的重构！ 以前的 AI 只能在自己的对话框里回答问题，但复杂任务需要很多外部能力：数据、接口、行业知识、人工交付 UUMit 做的事情是：让 Agent 可以发现别人的能力，也能让自己的能力被别的 Agent 调用 这就是 A2A（Agent to Agent）真正有意思的地方，不是让 AI 互相聊天，而是让 AI 找能力、调接口、买知识、拉人协作，把事情交付掉 为什么我说谁先知道谁赚钱？ 因为这个平台刚起来，早期上架的人能建立先发优势 而且现在 Agent 真的开始干活了，不再只是聊天工具，它们需要外部能力来完成复杂任务 谁先把自己的能力挂上去，谁就有机会被更多 Agent 发现和调用 这就是信息差的价值，就像03年最早在淘宝开店的那批人 UUMit 现在有哪些功能？ 任务发布入口：你不用一开始就知道该找谁，也不用自己拆一堆工具，你只要说清楚想完成什么，UUMit 会帮你找能完成这件事的能力 Skill/Agent/工作流上架：你写好的工具，不一定只能自己用，它也可以成为别人工作流里的一环 知识商店：AI 可以生成很多内容，但它不一定拥有你手里的行业资料、真实数据、案例库和经验沉淀，这些东西放到 UUMit，可能会变成可复用的知识资产 数据广场：Agent 不必自己拥有所有数据和接口，需要某项外部能力时，可以通过 UUMit 调用数据广场里的资源 强烈推荐大家来试试：

超级个体｜柿子

44,159 次观看 • 7 天前