AI算力经济层，很好很新的概念，1500万美元融资，全是大VC机构领投的项目@gaib_ai 8月13号截止： 在银河有1个独家的OAT(未来有特殊福利） 很多人没注意到，GAIB还有个交互奖励“GAIB Spice”额度要满了，通过ETH,BASE,ARB链等存入U稳定币 传送门： 关于这个存钱将会发放一个NFT资格（共3000个需要白名单资格才能mint）这个NFT肯定是值钱的 白名单规则： 保证白——前200名存款用户 先到先得——超过1500U存款有资格 - GAIB银河的Starboard嘴撸值得搞的 共200名额/每个500刀奖励 第二个这个项目前两天刚启动了银河 #Starboard# 的创作者奖励，排名前200位的内容创作者将分享10万美元奖池（意思就是每人500刀） 银河官方明说过比较偏向于普通用户小而美的项目内容创作，相对于yap的奖励银河的Starboar真的比较容易拿到，而且这次GAIB奖励的名额也多，值得搞一搞 @Galxe 银河传送门： 说实话我是第一次听到AI算力经济层这种范式创新，难怪这么多大VC投资这个项目，未来至少能讲出相当不一样的“叙事逻辑”，而且我看了一下它的核心概念有很强的落地应用性，不是虚的那种，值得多留意研究 - 项目核心逻辑 GAIB是AI算力的经济层，把GPU资产转化成一种新型的生息资产，GAIB推出了AI合成资产AID，使投资者能够无缝参与AI经济，同时从AI算力收益中获得真实回报，投资者可质押AID，在保持流动性的同时获取奖励，进一步参与AI驱动的金融市场

分析：scaling law的范式转移：scale-up、scale-out和scale-lean 过去两年，随着ai的发展，质疑scaling law的声音越来越多，但其实scaling law不但一直都在，而且还在不断增强。 如果我们稍微回顾一下历史，从 GPT-3 到 GPT-4，本质上都是在把模型做大——参数更多、数据更多、算力更强。这就是典型的 Scale Up。 但从 GPT-4 开始，大家开始越来越多地讨论“推理”。不是简单的生成，而是多步推理、链式思考、更复杂的问题拆解。 模型能力的提升，不再只是来自参数规模，而是来自推理过程本身的优化。这其实是一个很微妙但关键的变化：行业开始意识到，“怎么用模型”，和“模型有多大”，同样重要。 直到最近，像 OpenCLaw、AutoResearch 代表的agent生态开始大火，本质上已经不是在讨论模型本身了，而是在讨论一个系统。模型只是其中一部分，更重要的是任务如何拆解、如何调用工具、如何在多个步骤中反复执行和修正。 这时候，能力的提升，已经不再主要依赖模型本身，而是依赖结构。通过多次调用、流程编排、工具接入，把原本单点能力扩展成一个可以执行复杂任务的系统。这一阶段，其实就是 Scale Out。 但从推理和agetn生态开始跑起来之后，一个更现实的问题马上出现了：成本。 推理一旦复杂化，Agent一旦进入多步执行，调用次数是指数级增长的。推理成本迅速上升，延迟变得不可接受，底层的内存和带宽开始成为瓶颈。你会发现，问题已经从“能力不够”，变成了“跑不起”。 于是最近这段时间，越来越多的论文和工程实践，都开始研究如何降本增效。 比如 DeepSeek 之前的Engram，Google 最近的 TurboQuant，本质上是在做更极致的存储优化、压缩和效率提升 -- 在不显著增加算力的情况下，让系统变得更强、更便宜、更快。 我们可以把它叫做 Scale Lean。 把这三条路径综合起来，可能更能帮助我们把握行业未来的发展。 最早是 Scale Up 占绝对主导，大家都在拼模型大小。然后是 Scale Out 开始出现，系统能力逐渐成为新的增长点。再到现在，Scale Lean 开始变得越来越重要，因为它直接决定这些系统运行成本。 这三者不是替代关系，而是叠加关系。 更重要的是，Scale Up、Scale Out、Scale Lean 三条路径本身就是一个正反馈系统，它们会互相放大彼此的效果，从而加速整个AI进化。 模型变强（Scale Up），会让Agent系统更少出错、步骤更短、整体能力更稳定，从而放大Scale Out的效果； 而一旦系统复杂度上来，调用次数暴增，成本问题就会被迅速放大，这又反过来逼着整个行业去做效率优化，也就是Scale Lean。 等到效率真的被做下来之后，事情又会发生变化——更低的成本、更高的吞吐，会让更复杂的Agent系统变得可行，同时也让模型可以被更频繁地调用、训练和迭代，进一步推动Scale Up。 于是这三者之间形成了一种很典型的正反馈：Up让Out更强，Out逼Lean进化，Lean又反过来加速Up和Out。 AI的发展不再是单一变量的线性推进，而是一个多变量耦合的加速系统，一旦三个方向同时往前，整体能力的提升就很容易从“渐进式”变成“跳跃式”。 基于以上的讨论，我们可以得出一个结论，ai能力的增长速度，不但没有放缓，还在加速。 scaling law不但没有装墙，反而驶上了快车道。

艾伦研究所的知名研究员Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。 聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。 文章我看完了，写一些自己的笔记。 1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。 反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。 2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。 一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。 3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。 但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。 4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。 少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。 5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。 6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。 研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。 这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。 7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。 Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。 学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。 8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。 很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。 Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。 9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。 整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。 10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。 因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。 但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。 11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。 关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。 12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。 于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。 13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。 国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。 14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。 但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。 15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。 如果能买到，毫无疑问会继续加仓。 这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。 Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

最近这段时间，明显能感觉到市场有些凉了。 不是那种崩盘式凉，是一种很细腻的疲态： 没有主线支撑，没有共识叙事，没有连续热度 资金、热点、情绪，全都在游离。 具体体现在哪？ 情绪不统一 你说meme，BSC今天活跃，SOL却冷了； 你说BTC生态，几个币冲高了，但没能带动群体高潮。 资金不够热，但也没死 有涨的，有FOMO，但都很短； 大家不是没钱，是都在犹豫、在观望、在找方向。 各种小叙事都在试图出头，结果都只拉一段就熄火，没能撑住场子。 现在的情况就是： 赚不到钱，也不容易大亏，但节奏错了很容易累、烦、追高被套 主力在换仓、换叙事、换故事，但新的结构还没定型 这个阶段一句话给我的感觉就是 “疲软但有预期，分散但还未死。”

昨天临时让潘乱组了个连麦局，喊上老编辑一起聊了聊钟睒睒开团张一鸣的事儿，不过确实因为是即兴谈话，都没什么准备，所以跑题跑得特别离谱，但很多好玩的话题都在经常冷场的跑题过程里诞生出来了，我是觉得受益匪浅的。 钟睒睒的暴起昨天在热搜上挂了一整天了，就不多做解释了，只能说农夫山泉和他个人遭受的一系列攻击，终于还是到了一个忍无可忍的临界点，尽管出来的时间选择有点突然，甚至是迷惑。 今年8月的时候，农夫山泉安排老板上了一次央视「对话」节目，属于标准的常规公关程序，用国家级媒体背书的方式去做定调处理，原本以为事情就这么过去了，但没想到钟睒睒这几天又翻旧账，用了一种很明显的「公关部谁敢拦我就开除谁」的任性放飞自我。 是的，这次钟睒睒的开炮，从画面上看是在念稿子，并不是一时兴起，但条理性和情绪都和上央视那次差了很多，你们要知道在央视接受访谈，每一句能播出来的话，也都是事先排练过的，实际上也是在背稿，所以为什么钟睒睒这次急了？ 潘乱和老编辑都不同意我对钟睒睒的推断，潘乱的意思是，不要忽视钟睒睒当过好些年记者的经历，他很清楚如何使用媒体的技巧乃至后果，这次把抖音拼多多直播带货整到一起AOE绝对不是头脑发热，虽然一棍子打死一个产业的表达有些武断，但他知道暴论才能传播得足够远，远到可以让张一鸣听到。 老编辑则认为钟睒睒是在非常缜密的重新构建合法性论述，从喷拼多多打乱的价格体系，到喷直播带货的不入流，再到喷张一鸣的不作为，每一个步骤都极其清晰，是基于农夫山泉的反脆弱——它对互联网那套游戏规则的疏远——提出了新的理论，精确的指向能够伤害自己的那些东西。（1/n）

最近看项目时觉得很不爽的事, Crypto不好玩了 我不是指反撸, 操盘, 项目方不当人这些现象 而是不管前面包装成 AI/GameFi/Agent/RWA, 最后所有东西都会收敛成交易平台, 最后看的都是trading volume, DAU, balabala一堆交易所才看的指标 这是最短路径的商业模式, 没毛病 问题就在于, 交易不是一个天然适合大众的行为 真正长期能在市场里活下来的人, 需要持续具备 风险承担/情绪管理/研究/资金/时间 等一系列条件 这套东西, 本来就只属于极少数人 于是行业就进入一种很病态的结构 全是perpdex/dex/莫名其妙的新资产/炒老资产 放眼望去都是交易, 除了交易还是交易, 变了法的交易 然后聚合, 然后聚合器的聚合器 wtf??????? 真有点无聊了, 天天就抓庄玩 然后发现自己抓庄的ROI还不如去商k当公主高

最近看了 Lucius AI 这个产品，我觉得它切的点挺有意思。 过去一年，大家都在讨论 AI 怎么让个人效率提升 10 倍。 一个人可以用 AI 写代码、写文案、做调研、生成方案，个体的生产力确实被放大了很多。 但我越来越明显地感觉到： 个体变快了，不代表组织也会自动变快。 很多团队真正慢下来的地方，不是因为没有工具，也不是因为大家不够努力，而是因为“上下文”丢失得太严重了。 一个用户反馈，可能出现在社群里。 一个产品决策，可能藏在某次会议纪要里。 一个客户需求，可能散落在销售聊天、客服记录、项目文档和内部群消息里。 最后就会出现一种很常见的情况： 明明公司已经讨论过的问题，过一段时间又要重新解释一遍。 明明用户已经反复表达过的需求，团队却很难快速判断它到底重不重要。 明明某个决策背后有完整的背景，但新加入的人只能看到一个结果，看不到当时为什么这么做。 所以我觉得 Lucius 说的 “Context Layer for Your Organization” 这个概念，其实不是简单做一个更聪明的聊天机器人，也不是再做一个知识库。 它更像是在帮组织保存和理解那些已经发生过的判断、反馈、边界和下一步行动。 尤其对于 AI 产品团队来说，这件事会越来越重要。 因为当工程效率被 AI 放大以后，真正的瓶颈会更早地出现在： 问题到底选对了吗？ 用户反馈有没有被正确理解？ 团队有没有在重复消耗同一批上下文？ 决策是不是可以被追溯和验证？ 我觉得未来 AI Agent 的一个重要方向，不只是帮个人生成更多内容，而是帮组织减少信息损耗。 个体已经被 AI 加速了。 接下来真正有价值的，可能是让整个组织也开始拥有记忆。 大家可以进官网看看：

刚看见@KaitoAI上线了@StandX_Official，我居然在排行榜上，太阳从西边出来了，虽然不是在最前排，但是能上榜已经很开心了，要啥自行车呢，人这样想，或许心情就会美丽很多，也没烦恼了。 今天手痒又止不住了，涨太多了，必须开一单。但是这个资金费率顶不住了1小时收一次，24小时，资金费率要10个点，太高了，赚的不够贴补资金费率的。 最近 Creator Economy 很热，新的玩法不断冒出来，节奏越来越快。 @OpenGradient 就是在这个背景下让我眼前一亮的团队。他们的目标特别简单：让所有人都能更直接地接触、学习、互动自己喜欢的创作者。 他们做的是一种双轨模式：一边能和创作者的数字分身聊天、学习；另一边还能围绕创作者进行投资和交易。知识和资产结合在一起，体验非常顺。 在现在内容爆炸的时代，大家最缺的不是信息，而是靠谱的人。OpenGradient 做的事，就是把真正厉害的创作者能力提炼出来，让普通人也能随时用、随时问。 团队实力也很硬。像 Kyle Qian 原本在 Google 做高性能网络和安全硬件，现在负责 OpenGradient 的底层系统，让整个平台在安全、可信、和可验证推理上有真正的工程保证。 简单讲，这个方向会越走越重要，而 OpenGradient 抓的刚好是未来最稀缺的价值：让知识和信任，真正被每个人触达。 #KaitoYap# #Yap#

为什么明知道山寨归零还是喜欢做多？ 这其实涉及到挺多的问题，不仅仅是统计学还有心理学甚至还有我也不知道什么学科的问题🤣。 🌟做多赚得多，做空赚的少 很多人只记住了一点，那就是做多利润无限亏损有限，而做空利润有限亏损无限。 记住了风险和利润不成正比。 但是无视了胜率的问题，做空的胜率是远高于做多的胜率的，尤其是在crypto市场，毕竟useless是大多数。 🌟看见爆仓价就害怕 很多人无限保证金，但是开多显示爆仓价为0，开空能看见爆仓价，心里好怕的很。 无论是1000%爆仓还是5000%爆仓，都有一种，万一爆仓了怎么办？ 而开多就没这种感觉，就有一种“现货不怕”的即视感。 🌟韭菜爱幻想 自从x佬说完韭菜爱幻想后，这句话频繁的出现在各个群里，确实是成了名人名句了。 韭菜总幻想这些“山寨季”的来临，总期待的事情是本事涨10-100x，然后开个多单还能加个杠杆。 总期待100u变成1000wu的挑战。 只看见了“不可预测的利润”，没看见这一条路上的一切，例如不是平滑的曲线，例如各种插针等等。 幻想和现实的不一致。 🌟人性偏乐观，喜欢“涨”的感觉 这个是真的事情，每次跌多了大家都觉得要开始涨了，或者说开始涨了大家觉得可以涨更多了。 大多数人都是这种心理状态，只有少部分人觉得要开跌了。 尤其是这一届大统领，总是用嘴操控市场，甚至有时候大家看着美股在涨，总能给自己脑补出“需要补涨”的即视感。 🌟总觉得这次不一样，侥幸心理 这对于绝大多数和我一样的韭菜都是一样的，我们每次侥幸活下来都觉得是自己的本事，从来不觉得是运气。 每次都给自己说这次不一样，自我洗脑，实际上完全都是没有任何“理论依据”的。 🌟相信玄学，跟单简单操作的人 群友bob，无数次在针尖上唱多，每次都是新的下跌开始，已经2年了，不知道他公司老板请他的逻辑，现在明白了，反指，而且是巨大的反指。 之前群友不信，跟了2个月的反开单后，已经信了。 唱空不一定跌，但是唱多一定下跌，玄学指标赢麻了。 还有跟单熬鹰这个版本神，总有人想看他爆仓，但是不仅赌性大，而且运气好到炸，单单赚，你总想看人爆，殊不知出发点就错了。 🌟放弃幻想，反弹做空，新币开空，走向成功 越来越多的人对于这个圈子是粪坑的即视感来临，没有任何一个项目方能再骗到很多钱了，除非它能真的拉盘。 现在就很好奇新项目怎么办了，都上线开空，好久没有一个爆空单的项目上线了。 只能期待，要么打压估值给足赚钱的机会，要么大家都去玩链上和美股了，交易所彻底凉凉。 🌟想明白自己要的是什么，不要过分幻想 想要的太多，想得到的太多，想轻而易举就能获得的太多。 罗马不是一天建成的，财不入急门，想着一口气吃成一个大胖子，就要有被噎死的心理准备。 没有人能一直对，只能说一笔笔交易成就你，当然有人一路梭哈成神，但是极少数的幸存者偏差不足以成为你认为你也一样的标杆。 🌟文末写给自己，也写给大家 索罗斯曾经说过： “经济的历史，就是一部基于假象和谎言的连续剧。要获得财富，做法就是认清其假象，投入其中，然后在假象被公众认识之前退出游戏。” 所以不要太“入迷”，不要相信任何人说的话，无论是项目方还是KOL，只相信那“为数不多”交心的朋友，毕竟三人行则必有我师。 自己是自己的老师，学会总结。