
none BAYC, Azuki,and CloneX Holder/meebit11546/ zombie club1969/ #ordirock/#bitcoinfrogs/#rsic #blob💥💥
台北市, 台灣
Joined August 2017
- Tweets1.3K
- Following949
- Followers268
- Likes1.5K
A2learner 🔳++ retweeted
WSJ把梁文峰的历史挖出来了。。
DeepSeek爆火这一周,硅谷还在持续破防中。漂亮国的人真是吓到了,WSJ又深挖了DeepSeek创始人梁文峰的一些细节,其中有一些之前的报道中没有提到,分享给大家。
全文翻译如下:
有人称他为中国的萨姆·奥特曼。
另一些人则把他比作量化投资的先驱吉姆·西蒙斯。
梁文锋与这两位创新者有很多共同之处,而且他的影响力最终可能也同样巨大。
来自DeepSeek公司的人工智能模型,在梁的带领下,以惊人的速度在全球的性能和受欢迎程度方面跻身前十(外媒有点保守了)。他们使用的是比美国可用的芯片更落后的芯片,这让硅谷的科技高管、华盛顿的政客和全球各地的投资者都感到震惊。
和西蒙斯一样,梁也是一个沉迷于投资的数学极客。他意识到,对大量市场数据进行计算机化分析可以检测出隐藏的model——并开辟通往利润的道路。他的对冲基金名为“幻方量化”,管理着大约80亿美元的资产,使其成为中国最大的量化基金之一,它是中国应用较新的AI技术的先驱。
与试图在几毫秒内抢先一步的高频交易员不同,梁和他的同事专注于中频交易,在这种交易中,头寸可以持有更长时间。
梁从西蒙斯那里获得了灵感,西蒙斯是一位数学家和量化金融的先驱,他创立了长岛对冲基金文艺复兴科技公司,并在20世纪80年代使用机器学习技术。
梁写了关于西蒙斯及其团队的书籍《解开市场的人》中文版的序言。“每当我在工作中遇到困难时,我都会想起西蒙斯的话:‘一定有一种方法可以模拟价格’,”梁写道。
据金融数据提供商Simu Paipaiwang称,在过去五年中,幻方管理的至少五只基金的平均超额收益率比市场基准高出20%以上。当然也有坎坷的时候。2021年,幻方因业绩不佳向投资者道歉,称其错误判断了市场哪些领域会表现良好。另一次艰难时刻发生在去年,当时股市不好,量化行业遭到打击,指责他们加剧了波动性的羊群行为。
技术高管和前对冲基金经理理查德·杜威表示,DeepSeek在人工智能开发方面“少花钱多办事”的策略——更小的团队,更少的资金和更少的芯片——让他想起了量化交易员。
同事们说,梁不是一个追求财富或名声的人——但他确实曾说过他想要获得美国主导的科技界的尊重。
可以说,他现在已经得到了它。
梁出生于1985年,在湛江长大,湛江是中国南部沿海的港口城市之一,几个世纪以来一直与世界进行贸易。他在学校里是个全优生,在初中时就开始自学微积分,之后进入了中国著名的浙江大学。
在校期间,梁开始编写人工智能算法来选股。2013年,毕业几年后,他创立了Jacobi,这是一家以德国数学家卡尔·雅可比命名的投资公司。2015年,他与两位大学朋友共同创立了幻方量化。“他们似乎专注于从相对少量的数据中挖掘出大量信号,这在精神上与量化交易中所需的东西相似,”杜威说。
据接近他的人说,和一些其他的量化交易员一样,梁更喜欢被认为是一名工程师而不是一名交易员。DeepSeek没有回应这个评论。熟悉幻方量化的人形容梁是一位亲力亲为的领导者,他改进算法,使其在选股和对冲风险方面更聪明,有时在赶项目时和同事一起睡在办公室里。他将进军人工智能模型描述为对计算机学习极限感到好奇的工程师的自然发展。
2019年,梁的团队开始使用英伟达图形处理单元构建计算系统。到2022年末OpenAI发布ChatGPT时,只有少数几家中国公司拥有超过10,000个英伟达的高端芯片,而幻方就是其中之一。
“这就像买一架钢琴,”梁在2023年告诉36氪,谈到购买芯片时。“首先,是因为你能负担得起。其次,是因为你有一群渴望用它演奏音乐的人。”
梁最大的决定之一是使其代码开源,这意味着任何人都可以访问它。他说他希望DeepSeek打破大型科技公司的垄断。
“对于技术人员来说,让别人跟进你的工作会带来很大的成就感,”他在去年接受36氪采访时说。“开源更多的是一种文化,而不是一种商业行为,为它做出贡献会赢得我们的尊重。”
同事们说,梁符合中国工程师的典型形象。他们说,他不太考虑衣服和发型,通过应用公式和计算来做决定,并且热爱足球。
他们说,梁一直保持低调,并惊讶地看到DeepSeek一夜之间变成了一种狂热。
突然涌入使用DeepSeek模型提出查询的人们让梁和该公司措手不及,并且自周日以来,DeepSeek的服务多次崩溃。梁与他的团队合作解决了需求问题,然后在中国的农历新年假期休息。
他不会休息太久。同事们说,假期过后,梁将回到工作岗位,开发DeepSeek的下一代模型。
DeepSeek爆火这一周,硅谷还在持续破防中。漂亮国的人真是吓到了,WSJ又深挖了DeepSeek创始人梁文峰的一些细节,其中有一些之前的报道中没有提到,分享给大家。
精华版本(全文参考图片):
这位湛江少年从初中就开始自学微积分,后考入浙大。毕业后创立对冲基金"幻方量化",短短几年做到管理80亿美元规模,成为中国最大量化基金之一。
但他骨子里是个工程师。不修边幅、用数学思维做决策、为赶项目和团队一起睡办公室。2019年,凭着对AI的好奇心,他开始布局深度学习,买下上万块英伟达芯片开始实验。
A2learner 🔳++ retweeted
看了下DeepSeek论文,做了点笔记和思考
DeepSeek降低训练成本会不会让算力需求下降?看历史就知道了,GPT4级别token价格在一年半之内降低了100~1000倍,也没有类似的担忧(如图)
AI算力通缩是必然现象,长线旋律就是十年加速六个数量级:软件/算法加速三个数量级,硬件加速三个数量级
------------------------------
先从DeepSeek R1论文本身说起
Deepseek本身并没有像chatgpt o1那样做test time scaling获得更强推理能力,属于post-training后训练范畴,看起来和chatgpt o1不是一个路子(o1是推理的时候专门扩大“思考步骤”或“搜索过程"再挑出最优,推理时耗费比o4高几个数量级),只不过在benchmark/推理水平上达到了相同的水平
所以从推理token价格来说,deepseek和o1比降低了27倍也是合理的。
DeepSeek-R1 是在 “DeepSeek-V3-Base” 这个预训练好的模型上进行 RL强化学习,reward机制是基于规则的奖励(rule-based reward system),而不是普遍使用的过程奖励process neural reward model或者靠纯结果outcome
规则奖励分两个部分:
• 准确性奖励(Accuracy Reward): 对于有确定答案的问题,评估模型生成的答案是否正确。
• 格式奖励(Format Reward): 确保模型在回答中遵循指定格式,比如说
<think> 推理过程 </think>
<answer> 最终答案 </answer>
可能是因为对推理过程有规则奖励,也“涌现”出了生成推理过程的“顿悟时刻(Aha Moment),模型自己生成的CoT过程越来越长,还学会了反思(reflection),和自我纠错和exploration探索举动,这都是提高推理能力的普遍过程
DeepSeek-R1主要贡献是证明 LLM 可以在无监督数据的情况下,通过强化学习RL提高推理能力
通过这个“规则奖励”以及GRPO,不需要大量人工编写/标注复杂的 CoT 数据来提高推理能力,直接把模型推理能力提高到o1水平,同时成本还很低
-----------------------
为什么这个RL提升推理能力的方法以前没人试过呢?
其实两年前就试过了(伯克利),但当时只有LLAMA第一代模型能力不足,GSM8K跑分都非常低,推理和数学能力太低。那个时候LLAMA2-HF效果好得多,因为在预训练语料里已经有一些CoT的文本,所以后来的RL可以直接利用并强化这些“人类式思考”的片段,而早期模型往往生成的推理过程非常混乱。
另外早期基准(GSM8K等)太简单,模型可能能“轻松”地蒙中答案、或者通过一些相对简单的做法就拿到高分。
当任务足够难,模型只有先探索/反思/纠错,才能更稳定地拿到正确解答,RL才会往这个方向去“逼”模型学会更复杂的思维过程
-----------------------
还有一个scalable的问题很重要,DeepSeek-R1的低成本训练方法如果继续加大模型规模、增加算力,用相同或类似的 RL 训练流程,能不能进一步提升性能?
理论上看起来是可以的,R1论文里也说需要更大规模的RL和更大的base model来推进frontier(如图)。从这一段来看,说DeepSeek-R1是从o1蒸馏而来也是不对的
如果DeepSeek-R1的低成本训练方法能够scalable,那么说明这是广义上scaling law的另一个进步 -- 一个新的S型曲线来维持scaling law的延续(on track)
---------------------------------
再来说说DeepSeek对算力的影响
这一轮算力军备竞赛的起点和动机是,scaling law带来的性能提升没有看到天花板(confirmed by Mark),所以大家才会疯狂的投入,这是和以前都不一样的地方
所以关键问题不在于deepseek用十分之一的算力取得了相同的结果,而是Deepseek的方法能不能scalable,给scaling law续命,这才是决定性因素
只要scaling law还能继续,在AI上的capex就只会继续增加
就像摩尔定律一样,只要摩尔定律继续延续,芯片的市场会增大,在芯片制程上的研发成本就会持续增加
Deepseek降低成本训练方法可以scaling,可以看作是一个新的S型曲线,让AI界的摩尔定律延续:随着规模的增大,模型性还能变得更好
类比到芯片里,如果芯片里突然有一项开源技术,让所有芯片的单位面积上容纳的gate数量原地翻倍,会有人担心台积电订单减半吗?
不会
如果发生这种情况,最开心的就是所有的fabless芯片设计厂商,Intel/AMD/qualcomm马上就能设计出新一代性能翻倍的芯片,那消费电子的换机潮岂不是要疯狂
消费电子的OEM也会开心,手机和电脑换代得卖疯了。
还是那句话,AI算力属性本来就是指数型通缩的,长线来看就是十年加速六个数量级,软件/算法加速三个数量级,硬件加速三个数量级
软件/算法的加速意思是用更少的资源去实现相同的效果(正如DeepSeek R1),硬件的加速包括半导体工艺提升,架构提升,以及带宽/互联和规模提升带来芯片的算力加速(算力提升)
现在训练一个GPT4级别的成本,和两年前比起来,恐怕还不到十分之一
会有各种新的方法去延续这个AI算力指数级加速,正如引文里说的那样,每一种方法都是一个新的S曲线,很多个技术曲线的scaling law前赴后继的组成了一道一道S型技术曲线,累积叠加维持指数级增长的幻象
性能提高的同时成本的指数型降低,带来的是AI应用门槛的指数级降低,一定会让整个生态更加繁荣,诞生出更多需求
我们只需要看,最近有没有新方法维持十年加速六个数量级的进展?如果没有,那才是需要担心AI停滞的时候
大模型Scaling law撞墙,基本从年初PHD们吐槽到了现在大佬们公开谈论
作为半导体从业者,这集看了太多遍不能更熟悉了
芯片行业scaling law统称摩尔定律,各路媒体在十五年前就开始悲观的展望摩尔定律消亡
有一个反直觉,或者说主流媒体这几年并不报道的是,制程摩尔定律,竟然比二十年前更快了
摩尔定律的本质,是很多个技术曲线的scaling law前赴后继的组成了一道一道S型技术曲线,累积叠加造成的幻象:芯片每单位面积能容纳的gate数量指数型增长
实际上现在的所谓4nm/N3E制程节点早就成了数字游戏,电路gate的实际尺寸仍然是20nm,只不过gate密度是等效3nm
这就和AI目前的情况一样,LLM的pretraining阶段的大力出奇迹,只是目前阶段投入回报比极佳(最佳)scale up的路线
每个技术曲线的scaling law都是有寿命的,不存在一招鲜吃遍天的情况
AI的LLM的pretraining的撞墙,在AI领域发展长河上,和芯片制程里的众多革命性S型技术曲线一样(比如double patterning,EUV),是一项亮眼的,值得反复在教课书上称颂的里程碑式技术曲线
正如摩尔定律早已经不是侠义的摩尔定律,而是广义的摩尔定律一样
比如在计算机架构上,Domain specific architecture能玩的花样也越来越多,俨然成了新一道S曲线的快速增长期
如果看前几年的hotchip论文集,很明显,摩尔定律不仅没有停滞,反而在加速,仿佛回到了十几二十年前架构的百家争鸣的新黄金时代
看多了半导体的摩尔定律历史,再看LLM pretraining阶段scaling law撞墙,在更大尺度上的AI发展看起来,不会是什么阻碍
AI的发展,仍然会维持每十年软硬件加速六个数量级的指数发展作为背景板,会有各种广义的加速路线来维持这个指数型发展
中间没有S型技术曲线的真空期,确实会延缓一些速度,比如2012~2017年的摩尔定律。但即便如此,前一代的技术红利商业化还能吃很久很久,即便是supervised learning,现在仍然是在已经很惊人的体量上保持着夸张的增速呢
A2learner 🔳++ retweeted
我之前说OpenAI>Deepseek,所以追赶OpenAI的临门一脚到底差在哪里?先说结论,我认为是超高质量的RLHF (Reinforcement Learning from Human Feedback),也就是人类反馈
Deepseek-R1这次的训练,仅利用了rule-based outcome reward,也就是数学题答案对错/测代码能不能跑通,训练出来了超强的逻辑,在math/code打平了O1。但是正如他们论文中也有提及,这样的训练是有损于模型表达的,所以经常能看到Deepseek的回答是有内在逻辑的,但是缺乏对逻辑之间转折的解释,以及观点之间细粒度的桥接。
另外也不是问题都需要推理,很多领域还需要的是经验性的判断,约定成俗的规则,抽象概念的理解,道德价值观的考量,模型在这些问题强行推理就会答偏。
能不能在开放问题上得到符合人类标准的答案取决于RLHF,简单来说就是让人给模型的答案打分,然后训练模型在人类那里得到更高的分数。 这里面算法能带来的提升很有限,主要是人力资源的较量:当模型越聪明越专业,我们就一定需要更加专业的领域专家来进行打分,毕竟一小时5刀的外包标注员是不可能对人文,艺术,法律,医学,生物等等专业领域的回答正确打分的---AI本身的专业度已经远远超过普通人。当然要雇佣更高级的专家进行标注的成本也是很高的。
openai对于RLHF有很深的理解,半年前就已经开始已经招聘相关领域博士来对模型回答进行标注。我们现在看到deepseek通过R1的训练已经达到o1的逻辑水平,差的,可能就在于人类专家对齐
所以,合理推测,类deepseek推理训练+博士级别的人类反馈,可能就是openai的所有秘密
A2learner 🔳++ retweeted
弄懂DeepSeek需要至少阅读两篇论文:
一篇,是介绍DeepSeek R1和DeepSeek R1-Zero的无监督增强学习推理模型,这里面就有很多细节,
比如DeepSeek R1其实用到了监督数据,而不是完全的无监督RL。因为完全的无监督RL会出现很多问题,比如可读性差,语言混合等。至于到底有没有用ChatGPT的数据,他没说,估计用了也不会承认。
另外就是被传的沸沸扬扬的蒸馏(Distillation),这倒完全是个误会。因为DeepSeek的Distillation不是来自GPT,而是对DeepSeek R1本身的Distillation,把他们Distill到了Llamab和QWEN
另外一篇,是DeepSeek-V3 base model的Technical Report,这篇我正在看。看完之后就可以写日报了。
这能帮助我们了解DeepSeek到底有多少Hype,以及投资方面如何决策。
谢谢大家。
晚安。
A2learner 🔳++ retweeted
regardless of if they make an announcement or not I will be holding my @rune_coin to zero.
it’s not far from it anyway
What if #rsic become an Ai agent and partner with some blue chip ordinal project, will be legendary 💕
$runecoin
196
A2learner 🔳++ retweeted
To be transparent with you:
I can’t shake the feeling all these things are related
🫡
A2learner 🔳++ retweeted
Replying to @bweys_nft
Nodemonke gifted honorary to 9gagceo and Char on the same day of runecoin x Memeland collaboration. It is all connected @Sh1l1b34tRun3St
A2learner 🔳++ retweeted
We are going to position Cybertrucks with Starlinks and free WiFi in a grid pattern in the areas that most need it in the greater LA/Malibu area
A2learner 🔳++ retweeted
追热点买10倍币技巧
在推特上我有个“勤奋且牛B的KOL”列表,抓热点轮动只看这几个人的推文就够了。
比如有天我看到巫师 @0xcryptowizard 提到了某个币,憨厚的麦总 @Michael_Liu93 也在说,那基本就可以跟了。如果这时候奶子哥也发了“买了点**,已套勿跟”,就可以再加仓一点。
还有勤奋的镭射猫 @BitCloutCat ,信息链捕手 @DUANMEI11 ,區塊日記 @Ed_x0101 的推文,都是第一手重点关注的资料。
如果最终就连老赵 @mrzhaoeth 和 66姐 @nft66_666 也在推某个币或者图,那就果断上车,大仓位。
True 🤞🏻
I haven’t sold one single $RSIC, and I’ve kept all the RSICs that I received (I added a bunch too).
My delusion is at max levels. If I get rewarded with the massive rally I envision, it will be the biggest reward in the history of this place. Maybe only comparable to Bonk Guy’s bet during 2023.
The rune that started everything.
112
A2learner 🔳++ retweeted
解读 @Hypurrfun 的基本原理与操作流程
1. Hyperliquid 上币规则(不感兴趣可跳过)
2. Hypurr Fun 信息流梳理
3. Hypurr Fun交易途径
A2learner 🔳++ retweeted
为什么我会笃定AI Agent将会带来一次DeFi Summer级别的行业增长?请相信, 这个判断和纯链上PVP背后的阴谋集团和纯VC币的叙事阳谋都没有关系,只是因为宏观、技术、市场、社区、生态在某个困局点,突发化学反应,涌现了一种冲出重围的趋势性力量。Why?
配合上篇文章, 我再锤炼简化下若干观点,分享给朋友们:
1)AI Agent不是偶然诞生的新叙事,它背后有AI MEME、AI DePIN、AI Platform、AI Rollup等一揽子AI Narrative全家桶,只是因为AI DePIN等基础infra存在较长的交付落地周期,AI Agent更容易落地且社区参与性更强一些,因此更快爆发出来了,整个AI全家桶对Crypto而言都是宝;
2)AI MEME当然很重要,但不要把它孤立成一个Super Cycle叙事,因为纯粹的金融虚无主义根本支撑不起数万亿市值的Crypto大行业,MEME只是叙事催化剂,是病毒式营销方式、也是一种低门槛Onboard用户的通道,更是币圈“财富效应”文化输出的扛把子,行业去MEME化和唯MEME主义都是不对的;
3)AI Agent会是以后跑在“链、钱包、DApp、DEX、CEX”等之上的“硬通货”,现在跑在这些基础infra之上的都是Token,而支撑这些Token有效流通的前提是“智能合约”,AI Agent =Token =智能合约,如果你只把它当成发Token的由头就大错特错了。未来链、钱包、DEX等infra会全力适配并支撑“AI Agent”,做不到的infra不至于完全被淘汰,但至少会错过这次全新“从协议到端”的行业范式升级;
4)AI Agent的门槛并不低,别认为整合一套框架,RPC调用下Client,Plugin一下LLM,并在基础上微调一些Feature就已经是AI Agent的全部了(一个入门级的AI Agent很容易)。
但为AI Agent解决Memory存储调用等问题(DA),为AI Agent构建一套去中心化的资产托管解决方案(AI+TEE),为AI Agent定义一套可验证的推理验证全过程通信标准(interoperablity),为AI Agent定义一套基于链抽象前提的Solver意图执行网络(Chain Abstraction),为AI Agent构建一套安全风控和动态调度和自适应调整标准(Deep learning)等等。
为了跑通 AI Agent,当下被诟病过于同质化的infra至少还要再刷新迭代一次,如此这般的增量机会,怎么能视而不见?
5)互联网时代是协议致胜,而移动互联网是端的用户体验致胜,过去区块链围绕“胖协议”不停组合复杂性,堆叠业务逻辑,以后AI Agent则会围绕“瘦应用“的逻辑展开。
所以增强LLM和多模态AI训练的AI infra(算力、数据、推理等)+简化链间交互体验的“链抽象”+增强资产管理交互的“意图交易”+推动infra轻量化和可信交互的“zkVM”等等叙事会逐步成为支撑AI Agent的后端或者更上游叙事技术;
6)AI Agent是一套介于DeFi和Metaverse之间的可行性叙事,相比DeFi它有了更广阔的业务逻辑场景,相比Metaverse它有摸得着看得见的应用落地,因此,不用焦虑AI Agent短期带来的“泡沫”,任何大的的范式变革初期都会有泡沫,不畏惧Fomo,才能成为走在趋势前沿的幸运儿;
7)AI Agent发展初期不要急于追单体AI活MEME,一场围绕AI Agent的底层架构规范、跨链通信协议、交易执行标准、用户交互范式等等方向的创新力量正在悄然发生,会有大把大把的机会诞生。不要迷失在追重复MEME和纯噱头单体AI的Fomo情绪里,锁定赛道增长预期,选准有持续增长和行业关键生态位的价值标的就足够了,千万不要倒在赛道红利爆发的前夜。
以上。
有朋友给了下面这篇文章“最值钱“的评价,这让一向只讲技术科普很少分享“密码”的我感到着实欣慰,因为最高级的“喊单”不一定是分享某个Ticker,而是搞懂行业底层的运转逻辑,成为行业扛旗人,让风吹起来,让大家都跟着吃PVE的行业增长红利。
Note:大家觉得文章有用烦请“一键三连”支持为谢,认可我持续干货内容输的朋友,可以Follow一下,也可访问我推特首页点击Substack专栏订阅一下(目前还免费),更多深度专业的投研和分析内容,尤其是不适宜在推特公开分享的内容,会在那里看到。
我上篇文章分享了AI DePIN、AI MEME、AI Agent等AI叙事之间的逻辑关系,可是在挖掘AI潜在Alpha的时候问题来了,是跟可能来自阴谋集团财富效应强但频繁更替的AI MEME?是选正搭建infra却还很早期的协议框架?或者选一些很酷且有特定应用场景的单体AI? 说实在的,我混乱了很久,以下仅梳理一些浅见:
1)大的趋势毋庸置疑,AI Agent既不是一种“资产”,也不是一种“应用”,而是一种大规模的区块链生态“叙事”新范式。
也就是说,AI Agent的来临就像2020年区块链迎来一次DeFi Summer一样,会围绕AI Agent的Token发行、托管、交易;infrastructure构建、框架、标准、通信、堆叠、SaaS封装;Application开发、运营、聚合、迭代、落地等等产生一个庞大的Build+Speculation的新“泡沫”叙事周期。
DeFi推动了上一轮牛市的辉煌,且围绕稳定币+借贷+DeX衍生品三架马车激发了多大的市场活力。据不完全统计,多链DeFI总锁仓价值1,346亿,稳定币流通数量也超过了1,000亿美元,DEX月交易量达到3,723亿美元,借贷量也将近200亿美元等等,整个DeFi行业的市场规模和生态重要性都在这些已增长惊人且还在持续刷新的数据中,这还不包括因DeFi而产生的各种链、应用等MCAP\FDV等更广的数据。
在我看来,AI Agent也会创造同样甚至可能超越DeFi叙事的新一轮叙事奇迹,200B,500B的想象空间?别总想着新的DeFi Summer 2.0了,请跟上当前的 AI Agent Summer叙事潮,不要掉队。
2)基于此逻辑,再来看当前AI Agent市场的“乱象”:
1) $GOAT 、$FARTCOIN、 $ACT 等 AI MEME之间的社区骂战和龙头之争;2) $VIRTUAL 、$AI16Z 等AI Agent框架标准之争;3) $VVAIFU 、$GRIFFAIN 等资产发行流通等衍生infra之争;4) $AIXBT 、$AVA 、 $BULLY 等单体AI Agent应用之争等等。
你会发现,都还太早期,DeFi上出现的各类借贷平台、衍生品、机枪池、治理代币等等至少还有以太坊等链提供了基础的执行框架和标准,而AI Agent生态甚至还没有专属的infra条件,从生态可塑性来看,AI Agent带来的行业叙事机会要比DeFi宏大很多;
换句话而言,这些乱象并不乱,如果你看好AI Agent叙事发展,各个板块方向,大凡上了一定市值且有对应用户基础的资产,在庞大AI Agent叙事爆发之前都是优质资产,类别曾经的YFI、CRV、UNI、DYDX等等资产达到的数百亿不等FDV市值高度,你就不慌了。
当然,有信心不代表可以乱搞,别忘了大姨夫之外还有二姨夫这样的伪价值资产存在,而且这类资产永远以短期更诱人但长期有毒的姿态悄然攻陷你的钱包。
3)因为确实还是叙事初期,有些明明知道有阴谋集团操作的AI MEME也没有劝说大家不要参与的道理,毕竟谁也不知道一个早期赛道能迸发多大的财富效应,而且主要是一些看起来更有价值且有落地的框架标准也可能随时面临被竞品反超的可能性。
总之,很难给出一个明确的Alpha发掘逻辑。我仅分享一个我个人的投研逻辑供参考:
1、AI MEME,只考虑 $GOAT 此类带有叙事鼻祖性质的“龙头币”,没有逻辑,非要说一个,就好比先有了比特币这种共识币才诞生以太坊这类智能合约技术交付币一样。
一个赛道早期MEME,虽然投机属性为主,但其在教育市场、培养用户认知的作用不可忽略,就像当初DOGE之于加密货币的普及一样。
2、AI Agent infra很重要,长期看都是低估,比如 $ELIZA 这类有着丰富Github开源库且应用覆盖范围特别广的早期框架,虽然其确实很早期,随时有可能被其他更强的框架标准吸走流量,但其绝对优势的开源共享和先发优势就是壁垒,有比它更好的框架大概率也会on top of it,也许会影响它的增长高度,但一定消灭不了它。
我们把ELIZA当成AI Agent时代的EVM、就势必会有EVM++、EVM Compatible等新框架出来补足;
3、AI Agent 资产发行、托管、交易,目前还停留在MEME化的资产发行叙事层面,要锁定平台价值而不要被平台上的“垃圾资产”迷了心智。
逻辑很简单,AI Agent本质上是一个AI场景基于Crypto激励机制价值落地的过程,早期infra、应用、协议框架等等都尚未成熟,怎么可能有那么多AIXBT级别的超级应用诞生?发币的便利性能带来什么?领悟一下?到头来只是给VIRTUAL、VVAIFU等资产发行平台制造热度的泡沫陷阱.
因此不要过于追AI Agent超级应用,除非有绝对的信息差,不然等你看到时候的市值冲进去,性价比就不高了,而锁定创新平台infra就不一样了;
4、AI Agent的infra构建还有一大片空白,比如,ELIZA这类早期框架只解决了LLM大模型和AI Agent对话机制的问题,且应用到了Twitter、Discord等应用场景中,但更多还是web2信息的撮合,何时有一套能基于公链范式能把ELIZA框架和web3交易场景打通的ELIZA++版本出来,值得期待;
又比如,Virtual、VVAIFU等AI Agent资产发行平台虽能快速发行资产,但在后续资产去中心化托管、AMM式意图式交易等方向还欠缺很大,此前热议的AI Agent+TEE的私钥管理方式何时能成熟?资产发行平台能在交易上延伸出新玩法,有更有趣的交易玩法和激励模型出来?
还有,能否有一些为AI Agent构建交互标准的链出来,成为AI Agent时代的Cosmos,提供标准的interoperability能力?或者一些为AI Agent构建永久Memory模块化存储的链,为AI Agent构建必要的DA能力?还有一些AI Agent可视化工具、执行引擎、模块化组合封装服务等等。
有了这些技术和市场驱动的配套infra出来,你还会守着一堆看不懂的MEME空焦虑吗?
以上。
至于过往基于智能合约范式构建的各类layer1、高性能链、跨链infra、链抽象、DA组合链、layer2、Restaking等等完善的基建出路在哪里?除了原有的infra落地应用PMF交付实现问题,一个破局点就是“蹭AI Agent叙事”的新概念。
所以,哪条链能跳出来为AI Agent提供一些通信协议、DA、应用开发等等服务能力,就都值得关注。当然,这其中肯定有纯粹蹭概念的链,但总比固步自封啃老本的链要强。
无论如何,请锁定AI Agent赛道,迎接这一次史诗级的牛市主升浪的到来。
Note:大家觉得文章有用烦请“一键三连”支持为谢,认可我持续干货内容输的朋友,可以Follow一下,也访问我推特首页点击Substack专栏订阅一下(目前还免费),更多深度专业的投研和分析内容,尤其是不适宜在推特公开分享的内容,会在那里看到。
A2learner 🔳++ retweeted
很多人都在關心 $ETH 能漲到哪裡,這點 Bitfinex 大哥說了算
大哥累積的 ETH/BTC 槓桿多頭倉位回到原點之時,就是 ETH 見頂之日,ETH 在 2021 年底達到 global top ,當時大哥的倉位也是近五年新低
這兩輪週期大哥倉位的局部低點,我都幫大家用紅色框框標注出來了,參考度有多高,復盤一下,自己會有答案
按照目前平倉速度應該還有 1 個月的光景,如果 ETH 直接爆噴也可能1-2週就平完倉
總之,如果你滿手 ETH 跟 E 系山寨,務必密切關注這個指標
A2learner 🔳++ retweeted
Who is @the_runedev ?
What does rarity mean?
What is the purpose of rune #21? Will runes flourish or die?
Why @elonmusk tweets “ Magic 8 Ball”
Why @moonpay tweets “Steady lads”
Why @9gagceo supports this?
Why @okx list @rune_coin in the very beginning ?
Should I buy $RSIC inscriptions (Miner) or RUNECOIN?
Only YOU have the answers.
Now grab your Benjamin and bet on that shit.
In this cycle, Do you think $runecoin can reach above 10B mc?
The Mc of Bitcoin is largest in crypto world. The ecosystem of it may easily nourish some little giants imo.
$runecoin
$rsic
2
1
528
這輪 @binance 引爆了meme狂潮。
@okxchinese 建設錢包,擁抱比特幣生態。
兩大所什麼時候取得共識,比特幣生態的高潮就什麼時候開啟。
@rune_coin 有可能是這交集的候選人嗎?
1
66








































