观点：Kimi-K3开源背后，数据飞轮才是护城河 深圳卫视采访科技博主karminski-牙医，探讨Kimi-K3开源背后的考量。他表示，模型权重和训练技术虽已开源，但训练所用的数据和经验才是核心壁垒。 当前大模型训练数据大部分依赖AI合成，能否持续产出高质量数据、形成"数据飞轮"，才是真正决定竞争力的因素，仅凭模型权重难以形成有效竞争。 开源能为项目带来曝光度和社区正向反馈，社区开发者在使用过程中的持续改进建议，也有助于形成良性生态循环。

Velvet 真正会"复利"的资产，不是任何一个功能，而是数据——链上行为 + 社交信号 + 自有模型训练，越用越厚。 功能可以被抄，数据飞轮难被抄。这是判断一个"交易 + AI"平台长期价值时，最该盯的东西。Velvet 的护城河叙事里，数据这一层往往被忽略，但它可能才是最能积累复利的部分。 看它的数据来源结构。 它的发现引擎（discovery engine）跨全部支持的链，实时抓四类信号：成交量突变、钱包活动、流动性变化，以及社交信号；AI（Velvet Unicorn）在这之上做筛选、标记机会和风险。 更关键的是，它是非托管、链上运行的——用户的真实交易行为、组合配置、社交互动（比如 Alpha Chat）都沉淀在这套体系里，又反过来喂给它正在训练的自有 Crypto 模型。 为什么这形成飞轮？ 用户越多 → 链上行为和社交数据越丰富 → AI 和自有模型越准 → 产品体验越好 → 又吸引更多用户。 这条正反馈一旦转起来，后来者即便复制了功能，也复制不了 Velvet 已经积累的数据和模型迭代。 对一个想做"DeFAI 操作系统"的项目，数据护城河比任何单点功能都更值得长期跟踪。 催化剂与跟踪变量：自有模型训练进度与实测效果、活跃用户和链上交互量的增长（数据的"燃料"）、以及 AI 信号质量随数据积累有没有肉眼可见的提升。 总结下： 第一，"数据飞轮"是很多 AI 项目的标准叙事，但真正跑通的少——数据量不等于数据质量，信号噪音大照样喂不出好模型； 第二，社交数据尤其容易被污染（刷量、女巫、喊单），脏数据反而会带偏模型； 第三，链上数据是公开的，竞品同样能抓，Velvet 的独占优势更多在"自有模型 + 用户私有行为"这部分，能不能拉开差距还需验证。别把"有数据"直接当成"有护城河"。 #DeFAI# #AI# #Crypto# @Velvet_Capital @yzilabs @EchoHunt_ai @xhunt_ai

机器人真正缺的，不是更多数据，而是“有效数据”。 最近继续研究 @axisrobotics，我越来越觉得，很多人对 Physical AI 的理解还停留在“数据越多，模型越强”。 但机器人和大模型不一样。 ChatGPT 预测错一个词，可能影响不大；机器人如果判断错一次抓取角度，杯子可能直接摔碎，机械臂多偏几厘米，也可能撞到障碍物。 所以机器人真正需要的，并不是海量无差别的数据，而是能够教会它“怎么行动”的高质量轨迹数据。 一张“机器人正在拿杯子”的图片，价值其实很有限。 真正有价值的是完整过程： 机械臂从哪里开始移动？ 手腕旋转了多少角度？ 什么时候闭合夹爪？ 用了多大力度？ 遇到偏差后怎么修正？ 最后有没有成功完成任务？ 这整套过程，才是一条真正有训练价值的 Trajectory。 传统 AI 学的是： “这是什么？” Physical AI 学的则是： “下一步应该怎么做？” 这也是我最近越来越关注 AXIS 的原因。 表面上看，AXIS Hub 是让用户完成机械臂任务、贡献数据。 但如果只看到“做任务、拿积分”，其实只看到了最浅的一层。 背后的逻辑更像一个数据飞轮： 用户完成真实操作 → 产生动作轨迹 → 数据被清洗和验证 → 用于训练机器人模型 → 模型部署到真实机器人 → 机器人继续产生新的真实世界数据 → 再进入训练。 Human → Data → Model → Robot → More Data 参与的人越多，动作类型越丰富； 场景越丰富，模型越容易获得泛化能力； 机器人部署越多，又会反过来产生更多真实世界数据。 这才是我认为 AXIS 真正有意思的地方。 而且有一个点经常被忽略： 失败数据，可能和成功数据一样值钱。 机器人抓杯子失败、力度太大、路径错误、物体掉落、位置偏差，这些看起来是“坏数据”，但实际上都在告诉模型： 什么动作不应该做。 人类学习走路、拿东西，也是通过大量失败建立对物理世界的理解。 机器人同样需要这个过程。 所以未来判断一家机器人数据平台有没有价值，不能只看“收集了多少数据”。 真正应该看的是： 这些数据到底能不能提高机器人的任务成功率。 这也是我觉得 AXIS 和很多“AI + Crypto 概念项目”不同的地方。 Web3 在这里真正有价值的部分，不是硬给机器人加一个 Token。 而是利用激励机制，让全球用户参与数据生产。 如果积分或 Token 能推动： 更多人贡献有效轨迹 → 数据进入模型训练 → 模型能力提高 → 机器人产生商业价值 那么 Web3 才真正成为 Physical AI 的一种 Cold Start Mechanism。 它解决的不是“机器人有没有币”，而是： 机器人训练需要的数据，怎么更快、更低成本、更分布式地获取。 所以我现在看 @axisrobotics，最关注的不是某一天有多少积分，而是三个问题： 数据是否持续增长？ 任务复杂度和数据质量是否持续提高？ 这些数据最终有没有真正提升机器人的能力？ 如果这三件事能够形成闭环， 那么 AXIS 做的就不只是一个机器人任务平台。 它更像是在尝试建立： Physical AI 时代的数据基础设施。 过去互联网最值钱的是搜索数据、社交数据、消费数据。 而机器人真正进入工厂、仓库、商场甚至家庭之后，下一类真正重要的数据资产可能是： Human Action Data——人类与物理世界交互的数据。 所以相比“下一台机器人是谁造出来的”，我现在更关心： 未来全世界的机器人，到底会用谁的数据长大？ 这可能才是 AXIS Robotics 最值得关注的长期叙事。

99%的人都看错了特斯拉。 现在很多人看 $TSLA 还在算他卖了多少辆车，毛利率降了几个点，这其实完全看偏了。 顶级投资人的视角根本不在车本身，而在 FSD 全自动驾驶的普及速度上。 当全球上百万辆车每天在路上跑，智驾选装率以每年超过50%的速度飙升。 这早已不是传统的造车卖车逻辑，而是物理世界里极其罕见的人工智能软件订阅和无人出租车网络。 数据飞轮一旦转起来，传统车企根本连尾灯都看不到。 普通人要做的就是在它起飞前，手里把握住足够的筹码。 未来最可怕的生态是天地一体。 地上是特斯拉的端到端算力和无人舰队，天上是 $SPCX 的星链网络、轨道算力！

昨天 Meta 上涨 6% 之后，已经成为我第一大重仓股了，仓位占比超过英伟达。 前天 Meta 刚刚推出 Muse 个人助手，应该就是小扎经常提到的消费级个人 Agent。只不过它目前只面向美国用户开放，我们还不知道效果如何，值得持续观察。 除此之外，Meta 还有很多条 AI 变现路径，包括 App 内置的 Business Agent、旗舰大模型付费 API 调用、给大客户出售算力等等，都还在起步阶段，有很大变现潜力。 尤其是在消费级 AI Agent 场景，Meta 有很大的动力以及先发优势去落地，因为它拥有全球 40 亿用户的社交数据飞轮，有现成的分发入口，还有广泛的商家生态。 目前 Meta 的 Forward PE 并不高，20 倍左右，离去年巅峰期还有 50% 上涨空间。按照这个趋势发展下去，长期有很大机会去到 3 万亿市值以上。

在AI时代还搞“先上线再迭代”？Stripe CEO直接敲黑板警告：过早推出没有护城河的产品，绝对是送死！ 现在的残酷现实是，靠API套壳几周拼出来的MVP，不仅隔天就会被抄成筛子，甚至大模型下一次升级就能顺手把你抹去。晚点上线，绝对不代表晚点去打磨客户的真正痛点！真正的壁垒，恰恰来自于在研发期就深入行业现场，把极其复杂的业务流程、数据闭环和工程信任度打磨透。 要我说，现在的AI创业不能再走“快餐式”捷径了。真正能筑起护城河的，就这几样：人越多越好用的网络效应，换掉你成本高到不敢动的切换成本，用得越多模型越强的数据飞轮，再加上金融医疗这类场景里别人愿意多付钱买的品牌和信任。说白了，不是功能多就叫壁垒，是用户走不了、数据你独有、越用越强、还敢把身家交给你。这四样叠在一起，才叫别人很难抄、更难抢。沉下心去啃那些“大模型做不好、大厂懒得做”的硬骨头，把用户痛点解决到极致，才不至于沦为技术浪潮里的炮灰！

最近因为 @axisrobotics 跟 @kaitoai 合作的关系，我特意去深入了解了一下Axis Robotics 这个项目，深入进去看下来，觉得它有点意思。 因为现在大家都在聊 Physical AI、机器人，但真正卡脖子的地方，其实不只是模型，而是数据。 机器人想学会抓东西、摆东西、做饭、整理物品，本质上都需要大量真实、复杂、不同场景下的操作数据。 以前这类数据怎么来？ 基本就是实验室自己搭环境、找人操作、慢慢采集。成本高不说，数据的丰富程度也很有限。 Axis Robotics 换了一个思路：既然机器人需要大量数据，那就让全世界的人一起帮它训练。 你甚至不用买机器人，打开浏览器就能参与。 在虚拟环境里用键盘、手柄或者其他方式控制机械臂，完成拿取、摆放、堆叠这类任务。你操作成功一次，就会沉淀一条机器人训练轨迹。 这件事情看起来很简单，但真正有意思的是后面的数据飞轮。 模型越来越强之后，它可以自己先尝试完成任务。 失败了怎么办？ 这时候人再接管一下，纠正它错误的动作。 这种“模型先做、人类纠错”的数据，其实比单纯的成功轨迹更有价值，因为它直接告诉模型： 你刚才为什么错，以及应该怎么改。 这就是 Axis 所谓的 Compounding Data Engine，我理解它的核心不是简单“众包数据”，而是让数据采集 → 模型训练 → 模型犯错 → 人类纠正 → 新数据 → 再训练形成一个循环。 数据越多，模型越聪明。 模型越聪明，需要人干预的地方越精准，又能产生更有价值的数据。 另外他们还在往手机端走。 未来如果能通过手机采集真实世界第一视角的操作数据，再经过处理转成机器人可以学习的数据，那参与门槛会进一步降低。 这也是我觉得 Axis 比较值得关注的地方： 它不是单纯做一个机器人模型，而是在尝试搭一个机器人训练数据的基础设施。 目前官方披露已经有十几万用户、几百万条轨迹数据，也有公开模拟数据集验证效果。 再加上今年完成了 1200 万美元种子轮，Hack VC 领投，同时开始结合 Base、积分激励以及生态合作去扩大数据贡献规模。 当然，数据量大不等于最后一定能跑出顶级机器人模型，真实世界数据的质量、泛化能力、激励机制能不能长期持续，这些都还需要时间验证。 但从方向上看，我觉得 Physical AI 下一阶段真正拼的，很可能就是： 谁能拿到更多、更真实、更丰富，而且能够持续增长的数据。 而 Axis 想做的事情，就是把这个过程从“少数实验室自己采数据”，变成“全球用户一起给机器人喂数据”。 这个逻辑，我觉得还是挺值得关注。 想直接体验的，可以去 注册，实际玩几个任务，比光看介绍更容易理解它到底在干什么。

特斯拉（Tesla）与 SpaceX 在技术路径与核心逻辑上的对比总结： 🚗特斯拉（Tesla）：具身 AI 与物理世界闭环 特斯拉代表了“物理世界的 OpenAI”路线，核心是用 AI 驱动重资产制造与硬件交互。 1. 技术优势 真实世界视觉/数据飞轮：基于数百万辆车积累的纯视觉真实数据，在端到端自动驾驶（FSD）领域具备行业顶级的神经网络训练基础。 规模化制造与降本能力：拥有超强的大规模汽车/电池制造工厂（Gigafactory），可直接赋能 Optimus 人型机器人与 Cybercab 的低成本量产。 垂直整合平台：自研 Dojo/芯片、车载软件与硬件高度一体化，具备极高的硬件执行与控制效率。 2. 面临挑战 “ChatGPT 爆发时刻”尚未到来：相比纯数字 AI，具身 AI 在物理世界容错率极低，自动驾驶在复杂停车、导航细节上仍有缺陷，尚未完全实现“全无人化”的指数级飞跃。 硬件工程与降本极难：以 Optimus 灵巧手为代表的硬件工程难度极高（初期成本高、易损坏），从 5 万美元降至 500 美元且兼具高可靠性，技术难度高出数百倍。 监管与长尾运营壁垒：Robotaxi 落地不仅靠技术，还面临极度繁琐的各州监管审批，以及车队清洁、调度、远程接管等物理运营考量（Waymo 暂具先发经验）。 🚀 SpaceX（含 xAI）：数字 AI 与星际算力基础设施 SpaceX 在吞并 xAI 后，跨越了纯航天范畴，成为“数字 AI + 重型基础设施 + 星际网络”的超级体。 1. 技术优势 极高的算力交付与基础设施建设速度：与英伟达深度绑定，部署万卡/十万卡集群（如 Colossus）速度行业领先；已锁定 Anthropic、谷歌等极高价值的云计算及算力服务合同。 星舰（Starship）带来的运载成本坍塌：热盾等难题攻克后，星舰的量产与超高载荷将运力成本压至极致，极大扩展了轨道算力与 V3 Starlink（含手机直连）的部署能力。 自由的能量与空间逃逸：打破了地面电力、土地审批与散热的物理限制，长期具备布局轨道太阳能算力、离岸数据中心的独特天花板空间。 2. 面临挑战 极度夸张的资本支出（Capex）：短期需要数千亿美元级别的现金流注入（如数据中心扩张、星舰研制），非常依赖自融资能力或外部债务/股权融资，现金流压力巨大。 地面基础设施的物理极限：在尚未完全过渡到轨道算力前，地面数据中心依然面临严重的电力供应瓶颈、供电网升级缓慢及政策审批约束。 Grok 模型的强竞争压力：虽然处于 Pareto 前沿，但在纯大模型领域仍需与 OpenAI、Anthropic 及开源社区进行高强度的技术迭代拉锯。 💡 总结对比 特斯拉 是“高难度、高壁垒的物理世界探索”，一旦 Optimus 或 Robotaxi 穿透临界点，将实现对物理世界劳动力与交通系统的彻底颠覆； SpaceX 是“强确定性、高现金流的底层基建垄断”，通过“星舰运力 + 星联连接 + 算力中心”构建数字 AI 时代的超级基建，天花板与估值兑现更为直接。 当前是 AGI 竞赛关键时刻，算力是第一性原理。马斯克在数字与物理两条赛道并行下注。AI 工业革命已启动，类似铁路早期。不拥抱 AI 者可能落后；星舰、数据中心、物理 AI 结合，将开启全新文明阶段。 NFA DYOR

美团已经要求，要用自己的模型了，用外面的模型需要很高的层级审批。 阿里禁用claude，那是太正常不过了。 anthropic这玩意，搞的那些事情，跟间谍软件差不多了，谁还敢放心用？ 一旦claude的模型能力被赶上，可能会被迅速抛弃。 竞争是很激烈的，openai，谷歌也都不是善茬，再加上国产模型就是claude的斩杀线。 其实阿迪王是很害怕中国的开源模型的，否则也不会有那么多奇怪的举动了。 另外，自己用自己的，也可以知道问题，自己改进，形成自己的数据飞轮。 有自己大模型的，这么做，好处是很多的。

杰富瑞：中国开源AI模型与美国领先闭源模型差距约为3至6个月。AI价值链中的价值将流向那些拥有专有数据、深度工作流整合能力以及范式突破能力的企业。 在其投资者日活动期间，两位AI专家认为，美国仍在前沿模型能力方面保持领先，中国的优势则在于工程化落地能力、丰富的应用场景与数据、开源生态体系，以及充足且低成本的电力供应。专家估计，中国开源模型与美国领先闭源模型之间的差距仅约为3至6个月。 字节跳动、腾讯和阿里巴巴等大型互联网平台在消费者流量入口方面具有优势，而独立AI公司则在海外市场和企业垂直领域更具竞争力。 一位专家则更看好独立AI公司的创新能力，认为大型互联网企业受到内部竞争以及传统互联网运营模式的制约。 总体而言，两位专家目前均未看到明显的“赢家通吃”格局。最终的领先者将是那些能够结合顶级技术人才、强大工程执行能力、专有数据飞轮以及深度场景整合能力的公司。