注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 河路由希子
河路由希子 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 河路由希子 的推特
2026.07.05 TRE Day3 這次TRE三天都有和河路由希子小姐拍到照 第三天還有跟到快閃活動 拍到了不少照片 蠻幸運的 這邊分享一些照片 沒想到寫真集第一天就賣完了 真的失策 不過這也代表Sherbet在台灣更多支持者了 期待Sherbet之後能繼續來台灣參加活動! @KawajiYukiko
显示更多
AI应用长期困局:用户增长推高OpenAI等厂商API账单,自研功能还易被底层模型迭代吞噬。如今模型路由、开源模型、定制后训练走向成熟。企业可用业务数据微调开源模型,按任务复杂度分配算力,大幅削减成本;用户越多,沉淀数据越多,模型持续迭代、成本持续下行。法律AI Legora等案例印证:应用厂商不必持续向大模型厂商“交租”,结合流量、数据、工作流与定制模型,专属护城河正在形成。
显示更多
$SPCX 真正被低估的AI野心:马斯克争夺的可能不是芯片,而是全球智能网络的控制权! 当整个华尔街都在讨论 $NVDA 的GPU、$AVGO 的定制芯片,以及全球AI数据中心还需要多少电力时,我认为市场可能忽略了SpaceX另一条极具想象力的增长曲线: 未来超级智能(SI)的竞争,除了算力,还有一个关键变量——延迟(Latency)。 想想我们今天使用AI的过程。 当你向ChatGPT或其他AI助手提出问题,请求需要经过运营商网络、路由设备、数据中心网络,才能最终到达GPU集群。模型完成计算之后,再将答案传送回来。 AI的响应时间不仅取决于GPU的运算速度,也受到网络传输、服务器排队和模型推理效率的共同影响。 而当AI从简单的文字问答,逐步进入自动驾驶、机器人、实时语音助手和自主AI代理时,延迟的重要性可能会进一步提升。 因为未来的AI,不只是回答问题,而是需要实时观察、判断和执行任务。 这正是 $SPCX 值得重新研究的地方。 SpaceX旗下Starlink卫星运行在距离地球约550公里的低地球轨道。 按照光速计算,信号垂直到达550公里高度,理论上只需要约1.8毫秒。 当然,这不代表完整AI请求只需要2毫秒。现有Starlink网络仍依赖地面基础设施,实际端到端延迟远高于这个数字。 但如果未来计算能力本身可以部署到轨道上,整个网络架构就可能发生改变。 想象一下: 用户不再需要让所有AI请求跨越漫长的地面网络,才能找到远方的数据中心。 部分适合的AI推理任务,可能直接由轨道计算节点处理,再通过卫星网络把结果传回地面。 这不是说卫星计算一定比地面数据中心更快,而是SpaceX有机会重新设计通信、计算和用户之间的连接方式。 更重要的是,SpaceX已经不仅仅停留在概念阶段。 根据此前披露的规划,SpaceX正推动轨道AI计算基础设施的发展,目标最早于2027年底启动相关技术验证。 而它拥有一个其他AI企业很难复制的组合: Starlink负责全球通信网络。 Starship负责未来大规模、低成本地部署轨道设备。 AI计算业务负责提供智能服务。 如果这三个系统最终成功整合,SpaceX就不再只是收取卫星宽带订阅费,而可能进一步参与全球AI算力服务市场。 这意味着SpaceX的商业模式,有机会从出售连接能力,升级为同时出售连接能力与计算能力。 不过,真正的挑战仍然存在。 轨道数据中心需要解决供电、散热、辐射防护、设备维护和大规模部署成本等问题。对很多用户而言,附近的地面数据中心仍可能拥有更低的延迟和成本。 因此,轨道AI计算目前还是一个需要验证的商业方向,而不是已经建立的护城河。 但投资者应该思考一个更长远的问题: $NVDA 掌握AI计算芯片,$TSLA 正在推动AI进入汽车与机器人,而 $SPCX 如果成功将卫星通信、火箭运输与轨道计算结合,它在整个AI产业链中的定位会变成什么? 马斯克过去讲的是让人类成为多行星物种。未来SpaceX另一项巨大的商业价值,可能来自把部分智能基础设施搬到地球上空。 从GPU到数据中心,从地面网络到轨道计算,AI基础设施的竞争正在不断扩大。 未来真正具有价值的,也许不只是拥有最多GPU的企业,而是能够以最低成本、最低延迟,把智能送到全球用户面前的企业。 如果这条路线最终成功,市场今天对 $SPCX 的估值,是否已经充分反映了它在全球AI基础设施中的潜在地位? 你认为SpaceX未来最大的利润来源,会是Starlink卫星互联网、Starship发射服务,还是目前仍在早期阶段的轨道AI计算?
显示更多
Jev 最近火起来以后,我看到一个挺有意思的问题,它到底是一种新范式,还是把大模型隐藏的一部分能力单独拿出来了? Arcturus Labs 最近写了一篇很有意思的分析。 Jev 最核心的特点,是不让模型生成一大段解释,而是直接输出结构化判断和概率。 模型路由、工具选择、安全判断,这些高频决策其实都可以转成分类问题。 作者有个判断我挺认同。大模型其实早就在做类似的事情。 Tool Calling 其实就是模型在判断下一步该调用什么、什么时候调用,以及怎么执行。 如果未来这种能力直接融合进模型内部,Agent 可能会多一个更强的决策层。它可以实时判断要不要切更大的模型、是否继续推理、哪些步骤值得执行,减少很多无效成本。 当然,Jev 最大的问题也很现实。 如果它的优势主要来自训练方法、合成数据和校准能力,这些可能会形成护城河。反过来,如果只是把大模型已有能力重新产品化,大厂也可能很快跟进。 我觉得这也是 Jev 现在最值得讨论的地方。 很多新方向的竞争,最后拼的可能并不是谁先发现这个能力,而是谁能把它做成稳定、低成本、可规模化的基础设施。 文章
显示更多
很多人把Velvet 简单定义为“链上指数基金”或“AI 交易终端”。这完全低估了它的底层逻辑。 我拆解了 @Velvet_Capital 的 Intent 架构、Gems 挖矿逻辑和资金流向,提取了 3 个市面上几乎没人写的“暗线机制”。 如果你打算长期使用或布局 DeFAI 赛道,这篇能帮你省下大量试错成本。 ▌ 暗线 01 | Gems 的“30天连击”惩罚机制 ▪ 大众认知:交易、质押就给 Gems,等 Epoch 分代币。 ▪ 隐藏细节:它的核心护城河是“30 Days Mining Challenge”。每天交互,Multiplier 增加 5%,第 30 天拿 +150% MEGA BONUS。 ▪ 实操参考:一旦断签一天,Streak 直接清零重置。这不是签到,是在用“厌恶损失”心理筛选真实的高频交易员。 ⚠️ 避坑指南:千万不要用同一个钱包断断续续地手动刷。必须写个简单的脚本每天定时执行一笔极小额的 Swap 保持连击。否则你的 Gems 权重在 Epoch 结算时,会被那些保持 30 天连击的量化机器人碾压。 ▌ 暗线 02 | Intent OS 与“Solver”的暗箱博弈 ▪ 大众认知:跨链交易终端,支持 Solana/Base/BNB 等。 ▪ 隐藏细节:Velvet 的核心是 Intent-Based(意图驱动)架构。你下达的不是“在 Uniswap 买入”,而是“我要以 X 价格买入 Y”,然后扔给 Solver(求解器)去竞价。 ▪ 实操参考:这种机制的滑点保护比传统 DEX 聚合器好得多。 ⚠️ 避坑指南:在流动性极差的土狗池子里下 Intent 订单,可能会因为 Solver 无利可图(无法对冲风险)而导致订单长时间 pending。玩冲土狗,老老实实用 Market Order;大资金跨链调仓,用 Intent。 ▌ 暗线 03 | veVELVET 的“真实收益”飞轮 ▪ 大众认知:锁仓拿代币通胀奖励。 ▪ 隐藏细节:它的 Real Yield 机制是——平台把【实际产生的手续费收入】,拿去公开市场买入 $VELVET,分给 veVELVET 质押者。 ▪ 实操参考:这是一个典型的“价值捕获”模型。收益不取决于增发,而取决于平台上跑的资金量(机构如 Quantix 都在用它的 Vault)。 ⚠️ 避坑指南:锁仓 4 年太长,资金利用率低。建议锁 1 年拿基础分红,重点观察其实际手续费回购的 APY 是否能跑赢你的资金费率。 ▌ Prompt-to-Strategy 的降维打击 他们在跑一个叫“Velvet Unicorn”的 AI 对冲基金。路线图里有个“Prompt-to-Strategy”(提示词转策略)。以后你不需要懂代码,只要对 AI 说:“帮我建一个只包含 Base 链上 AI 概念、且夏普比率大于 1.5 的 Vault”,它就能自动发币并调仓。这玩意一旦跑通,就是散户的“链上量化外挂”。 ⬛⬛⬛ Velvet 不是在做一个前端聚合器,它是在做 DeFAI 时代的“执行路由+资产打包机”。 别只盯着土狗,去看看他们 Marketplace 排行榜上靠前的“共享 Vault”,看看聪明钱在用什么 AI 策略。 仅供参考,任何决定前DYOR .
显示更多
0
77
13
0
转发到社区
Velvet Capital 不只是一个 DeFAI 项目,它在重新定义“链上资产管理的分工方式” 市场上讨论 Velvet @Velvet_Capital 的推文,大 多停留在AI 交易终端”或“DeFi 金库”的层面。但真正把 Velvet 的架构拆开看,会发现一个被绝大多数人忽略的核心叙事:Velvet 在做的,是把华尔街机构级别的投研-决策-执行链条,压缩成一套普通人能用的链上操作系统。 这篇文章不聊币价、不聊空投,只聊三个很少有人写到的细节维度。 🧩 细节一:Multi-Agent 不是“多个机器人”,而是一条完整的投研流水线 很多项目加个聊天机器人能查币价就敢叫 AI+Web3。Velvet 的不同之处在于它的 Multi-Agent 架构——不是一个大模型回答所有问题,而是把交易流程拆成四个专职角色: Researcher:全网搜集情报 Analyst:清洗链上数据 Trader:设计策略 Executor:跨链执行 这就像一个迷你版的华尔街交易台:研究员找机会、分析师做判断、交易员定策略、执行员下单。AI 之间各司其职、互相校验。 更关键的是迭代速度。Velvet 的 Multi-Agent 从 v1 的“Swarm”架构进化到了 v2 的“CEO-Led Org”模式 一个 CEO Agent 负责任务分发,其他 Agent 各司其职。这不是功能堆砌,而是组织架构的进化。Velvet 在复刻的不是一个交易机器人,而是一个完整的交易团队。 这个视角为什么重要?因为大多数 DeFi 项目解决的是“执行”问题——怎么更快地 swap、怎么更低地滑点。Velvet 解决的是“决策”问题——在你有精力做执行之前,先帮你把该执行什么搞清楚。 🧩 细节二:Velvet 的真正商业模式藏在“白标”里,不在终端里 绝大多数人把 Velvet 当成一个面向 C 端的交易工具。但打开官网的 Institutions 页面会发现一个截然不同的叙事。 Velvet 提供了一套 DeFi-as-a-Service 基础设施:任何资产管理机构都可以用 Velvet 的底层,以自有品牌部署自己的 DeFi 金库和交易产品。这意味着: 一个传统对冲基金想进入链上资产管理,不需要从零搭智能合约、不需要自建跨链路由、不需要训练 AI 模型——直接租用 Velvet 的“引擎”,贴上自己的品牌就能上线。 一个 KOL 想发自己的链上基金,几分钟就能创建一个自定义金库,设置管理费、绩效费、入场费和退出费。 这个 B2B 白标层,才是 Velvet 真正的护城河。Velvet 正在做的,是成为链上资产管理领域的“AWS” 不直接面对终端消费者,而是给所有想做链上资管的人提供一套开箱即用的基础设施。 这个视角为什么重要?因为所有 DeFi 协议的终局竞争都是“谁被更多机构采用”。Velvet 的白标方案让它不是在和 DEX 竞争,而是在降低整个行业进入链上资管的门槛。 🧩 细节三:Intent OS 的底层逻辑,是“把复杂性藏起来” Velvet 官方把自己定位为“Intent Operating System”。这个词被很多人当成营销话术忽略掉了,但它恰恰揭示了 Velvet 最核心的产品哲学。 什么是 Intent-based?用户只需要说“我要做什么”,系统负责“怎么做到” 。 在多链环境下,一个普通的链上操作可能涉及:切换钱包网络→跨链桥→DEX 交易→收益策略交互→再跨回来。每一步都有 Gas、滑点、时间成本。Velvet 通过账户抽象技术把跨链结算和最优路由封装在底层,用户面对的是一个统一的终端界面。 目前 Velvet 已经整合了 BNB Chain、Solana、Base、Ethereum、Hyperliquid,甚至 Robinhood Chain。它不是在做又一个 DEX,而是在打造一个覆盖多链的统一交易终端。 这个视角为什么重要?因为多链时代的真正痛点不是“链不够多”,而是“每一条链都是一个孤岛”。Velvet 的价值不在于它支持多少条链,而在于它让用户感觉不到自己在切换链。 🔮 一个很少有人串联起来的判断 把上面三个细节串起来看,Velvet 的终局图景其实很清晰: AI 层解决“投什么”的问题(Multi-Agent 投研流水线) Intent 层解决“怎么投”的问题(跨链执行抽象化) 白标层解决“谁来投”的问题(降低机构进入门槛) 三层叠加,Velvet 在做的不是一款产品,而是一套链上资产管理的工业化标准。 这解释了为什么 YZi Labs(原 Binance Labs)、Blockchain Founders Fund、Selini Capital、Gate Labs、DWF Ventures 等 17 家机构同时押注 他们投的不是一个交易终端,而是一套可能成为行业基础设施的操作系统。 当然,这条路还很长。Velvet-1自有模型的训练效果、跨链流动性的实际深度、白标客户的扩展速度,都还需要时间验证。但方向是对的 Crypto 里真正的护城河,从来不是某一个功能,而是你能不能成为别人离不开的那层基础设施。 以上为个人研究观察,不构成任何投资建议。DYOR。
显示更多
萨提亚·纳德拉发了一篇关于AI成本与扩散的思考,有几层意思值得拆开看。 第一层:软件第一次有了真正的边际成本 过去软件复制边际成本接近于零。现在AI模型每次推理都在消耗算力,所以“成本到成果”的优化路径,比单纯追求模型能力上限更关键。 第二层:MAI模型解决的是“把前沿能力规模化”的问题 MAI不是和GPT比天花板,是用更干净的训练数据、面向企业任务的强化学习,把已经饱和的前沿能力以更低的成本、更少的token实现规模化交付。本质上是在做“能力的密度优化”。 第三层:模型独立性是控制权的关键 纳德拉特别强调:评估体系必须能在“任何一个模型被移除后继续爬坡”。所以RLE(强化学习环境)是嵌入产品系统的,记忆、上下文、工具都外置在模型之外。你换模型,系统继续优化——这是把控制权留在自己手里的设计。 第四层:MAI已经在GitHub Copilot、Excel、Outlook里跑起来了 在匹配或超越前沿模型的时候,开始把流量路由到MAI。Copilot Chat和PowerPoint也在跟进。这不是概念,是已经在第一方产品里滚动验证的路径。 第五层:这套模板不只是微软自己用的 Foundry和工具链会把同样的能力开放给企业客户——让他们用自己的专有评估、自己的工作流、自己的上下文,在自己的Agent系统里做同样的事。 这套逻辑的核心判断是:模型能力不是护城河,围绕模型构建的“评估+学习+控制”系统才是。当模型可以被替换时,护城河在系统设计上。
显示更多
让 AI 帮你炒币这件事,大多数项目在画饼,@Velvet_Capital 已经把后厨建好了 我在去年底第一次试用 Velvet 的 AI Copilot,当时心里想的是:又一个套壳 ChatGPT 喊单工具,输入框里打一句「帮我分析一下这个币」,后端调个 OpenAI API,回来一段模棱两可的话。这种东西市面上已经泛滥了。 几个月后再看,我错得离谱。 Velvet 真正的底牌不是那个聊天界面,是它从底层自研的一整套加密原生 AI 栈。最核心的是 Velvet-1,一个专为链上数据训练的模型。传统大语言模型理解区块链数据的方式本质上是读文本,白皮书、社媒、新闻,但链上的真实信号藏在交易图、钱包关联、跨链资金流这些结构化数据里,纯文本模型看不到也看不懂。Velvet-1 的切入点是链上数据图推理,绕开了通用 LLM 的盲区,直接对钱包行为、代币流动、做市商模式做建模。 基于这个模型,Velvet 搭了一套多智能体系统叫 Velvet Unicorn。它不是「一个 AI」,是一套路由加专家智能体的架构。用户发一条自然语言指令,路由智能体先判断意图,再分发给对应的专家:代币分析、钱包分析、Swap 执行、Trending 监控、Hyperliquid 合约操作,各干各的专业活。这个设计的价值在于可扩展,每加一条新链、一个新协议类型,只需要加一个专家智能体,不需要动整体架构。 对普通用户来说最直观的体验有两层。第一层是信息获取效率。在 VelvetX 里问一句「这个新币有没有风险」,AI 会在几秒内跑完代币分析加钱包分析,告诉你合约有没有坑、前十持币地址有没有可疑行为、LP 有没有锁。以前这些信息需要手动翻五六个网站加三个 TG 群,现在一句话搞定。第二层是执行效率。在你做决策的同一界面就能直接交易,跨链 Swap 甚至不需要操心 Gas 费,Velvet 替你付了。 开发者侧还有个容易被忽视的东西叫 Prompt-to-Strategy,自然语言描述策略直接部署到链上。目前还是早期阶段,但这条路径一旦跑通,DeFi 策略的创作门槛会被大幅拉低。 1300 万个智能钱包和 KOL 数据索引、7 条链加 40 多个 Launchpad 聚合、自研加密模型,这三层堆在一起才构成 Velvet 真正的护城河。社交层的 KOL 追踪和 Copy Trade 是表层,DeFi 层的跨链现货加永续合约是中间层,AI 层的模型加智能体架构是底层。表层拉用户,中间层做执行,底层建壁垒,三层一起转才能把 DeFAI 从概念变成产品。 七次独立审计加零订阅费加最高 100% Cashback 的商业模式,说明团队在安全和经济模型上都算过账。一个收了七家审计费还没收用户一分钱订阅费的产品,至少不是急着割韭菜的样子。 当然,DeFAI 这个赛道还在非常早期的阶段。AI 理解链上数据的准确率、多智能体架构的稳定性、Prompt-to-Strategy 的安全边界,这些都需要时间来验证。 但 Velvet 至少把一个真正的加密 AI 交易系统做出了雏形,在大多数项目还在 PPT 上画「AI 驱动」四个字的时候,它已经开源了一套自研模型加多智能体框架。这件事本身就值得认真关注。
显示更多
0
47
14
0
转发到社区
在金融科技赛道竞争白热化的当下,TROO公司正凭借AI完成一场深层次的战略转型。梳理其最新业务数据与路径,两大核心亮点尤为清晰:一是利用AI锻造出极致的运营杠杆,以微型团队撬动庞大的用户生态;二是将AI风控与信贷匹配能力产品化,通过API对外商业化输出,成功切入高价值的技术供应商赛道。 亮点一:AI驱动的极致人效与运营杠杆 年报显示,TROO的全职员工仅有42人,但其旗下的FinNet App却拥有超20万注册用户,连接着3000多名行业顾问与100余家金融机构。如此规模的双边网络,在传统信贷中介模式下几乎不可想象。通常,要服务好20万C端用户并高效匹配上百家B端资金方,需要组建庞大的中后台团队——信审、反欺诈、客服、合规、撮合等环节动辄需要数百人。 TROO能以42人的微型架构维持生态运转,根本原因在于其业务流程已高度AI化与自动化。从用户申请、智能信用评估、反洗钱(AML)审核,到资金路由与精准匹配,AI算法贯穿始终,人工仅处理极少数边缘案例。这一模式展现出极高的运营杠杆:未来用户规模扩大或交易量攀升时,公司几乎无需等比增加人力成本,收入增长将直接放大利润空间。可以说,TROO用算法替代了人海战术,用智能化把人均效能放大到极致,真正做到了42人撬动20万用户生态。 亮点二:AI风控与信贷匹配的API商业化输出 更值得关注的是,TROO的AI并未停留在内部降本增效,而是被标准化封装为可调用的API接口,对外输出,果断切入了高毛利的基础设施赛道。其转型定位明确为打造基于AI、大数据、区块链和云计算的SaaS+API底层设施,核心能力集中在三个方面:智能信用评估(替代传统人工审贷)、反欺诈(AML合规审核),以及资金端的智能匹配。 这一布局直面香港市场的结构性痛点:大量持牌放贷机构严重缺乏自主研发AI的能力。TROO的AI API相当于为这些同业提供了“即插即用”的智能大脑,帮助它们瞬间获得先进的自动化风控与匹配技术。一旦机构将API嵌入自身业务流,TROO便从单一的信贷中介角色,升维为行业基础设施的赋能者,通过收取API调用费、数据服务费或交易分成,形成“坐收数据过路费”的平台盈利模式。 这种AI商业模式的护城河极深:一方面,接入机构贡献的数据持续反哺模型,形成“数据越多→模型越准→客户越离不开”的飞轮效应;另一方面,API深度集成带来的高替换成本,构建了极强的客户粘性。资本市场对这类具有网络效应和持续收费能力的AI平台,向来给予极高的估值溢价。TROO由此开辟了第二增长曲线,从劳动密集型业务跃迁为技术输出型的高价值企业。 透过TROO的转型实践可以清晰看到,AI不仅彻底重构了内部运营,以极致人效压缩了成本,更催生出对外输出的平台化商业模式。42人的团队,一面轻巧地运营着20万用户生态,一面通过API向全行业输送智能化能力,凭借“内部极致杠杆+外部技术赋能”双轮驱动,充分展现了AI助力公司转型的巨大潜力与商业想象空间。
显示更多