Chainalysis 发布《An Ontology for Accountability》论文，提出一套区块链分析数据质量与证据标准框架，旨在为行业建立统一的数据质量与责任标准。 该框架将区块链分析划分为链上结构分析和实体归属分析两个层级，并分别定义不同的证据标准，以降低误判风险，推动区块链分析在执法、合规及司法场景中的透明度与可信度。Chainalysis 表示，希望借此推动行业建立更统一的分析标准。

从 Token 到 Outcome：AI 能力增长为什么可能带来超线性的经济价值 市场天天在讨论大模型公司的价格战，Token 价格还能降多少。但更重要的市场忽略了问题可能是：AI 每增加一单位能力，能够创造多少新增经济价值？ 这更可能影响接下来的token价格，而答案很可能不是线性的。 现实任务存在能力门槛。AI 从 60 分提高到 70 分，可能只是邮件写得更好；从 90 分提高到 100 分，却可能第一次独立完成软件开发、投资研究甚至科研任务。两者都是增加 10 分，但后者打开了此前不存在的任务市场。 用人类 IQ 类比也一样。IQ 130 并不只是比 IQ 100 的人生产率高 30%，而是可能具备处理另一类复杂问题的能力。 但现在各种测试ai能力的指标已经越来越饱和，很难再量化的判断ai的iq提升了多少。 因此更可测量的指标也许是可靠完成的任务长度。 如果 AI 单步正确率是 99%，连续执行 100 步的成功率只有约 37%；如果单步可靠性提高到 99.9%、99.99%，Benchmark 看起来可能只进步了一点，能够稳定完成的任务长度却可能提高一个甚至多个数量级。AI 的角色因此可能发生跳跃： Copilot → Agent → Autonomous Worker → Autonomous Team → Autonomous R&D。 这会直接改变 AI 公司的商业模式。 今天 Foundation Model 公司主要卖 Token： Revenue=Tokens\times Price/Token 但假设 AI 消耗 10 美元推理成本，完成了一项价值 1000 美元的专业工作。如果只卖 Token，模型公司只能拿走很小一部分经济剩余。 模型越强，这个问题反而越突出。下一代模型即使推理成本增加 3 倍，如果能够完成的任务价值提高 30 倍，那么 Value/Compute 实际提高了 10 倍。 因此商业模式很可能逐渐迁移： Token → Task → Outcome → Value Share。 最初卖智能原材料；然后按完成一次 Coding Task、一个客服工单收费；进一步直接卖“解决问题”的结果；最终甚至按照帮助客户创造的收入或节约的成本分成。 这意味着 AI 的 TAM 也在改变。传统 SaaS 攻击的是 Software Spending；Agent 攻击的是 Labor Spending；Outcome AI 最终瞄准的则可能是更广泛的 Economic Value Creation。 算力越稀缺，这种动力越强。拥有有限 GPU 的公司真正需要优化的不是 Token 数量，而是： \max \frac{Gross\ Profit}{Compute} 如果卖 Token 每 GPU-hour 赚 1 美元，而自己的 Agent 可以赚 10 美元，继续无限量批发 Token 就是在把稀缺智能低价出售给下游。 但这并不意味着 Token 会消失。更可能形成三层市场：底层继续卖 API，让开发者探索应用；中层卖通用 Agent；上层选择性进入高 Value/Compute 的垂直行业。 这种模式并非没有限制，模型公司并不能随心所欲的把业务模式从卖token切换为卖结果。 最重要的限制大约有八个：专家劳动、私有数据、Workflow Integration、结果验证、法律责任与监管、物理执行、客户渠道以及信任与 Accountability。 例如 Coding 很适合 Outcome 模式，因为从 Think → Code → Test 几乎完全数字化，而且结果容易验证。药物研发却需要 Design → Synthesis → Experiment → Clinical Trial → Manufacturing。AI 可以极快提高“Think”的速度，却无法立即消除实验、临床和制造的物理时间。 因此最先被 Outcome Economy 吞噬的，不一定是 AI 最聪明的行业，而是： 高任务价值 × 高 AI 可完成度 × 低 Human Minutes × 低验证成本 × 低责任 × 低物理摩擦。 这也是为什么 Coding、客服、数据分析和部分 Back Office 很可能领先，而医疗、药物研发、建筑和复杂制造会慢得多。 由此，AI 时代真正重要的经济指标也可能发生变化。 今天市场关注 GPU 数量、GW 和 Token Price；未来可能越来越关注： Revenue/Compute Gross\ Profit/Compute 最终则是： Economic\ Value/Compute 对于数据中心甚至可以直接理解为 Revenue/MW、Gross Profit/MW、Economic Value/MW。 最终整个逻辑可以浓缩成一条链： AI Capability ↑ → Reliability ↑ → Autonomous Task Length ↑↑ → Addressable Task Space ↑↑ → Value/Task ↑↑ → Token → Outcome → Revenue/Compute ↑↑。 所以未来 AI 投资最重要的问题可能不再是“下一代模型需要多少算力”，而是： 下一美元 AI CapEx，最终能够控制和创造多少美元的经济活动？ 真正最有价值的公司，也未必只是拥有最多 GPU 的公司，而可能是那些能够同时控制 Compute + Intelligence + Data + Workflow + Verification + Distribution，最终把智能封装成可交付结果的公司。 Token 是智能的计量单位，Outcome 才可能是智能最终的定价单位。

华尔街日报今天这篇文章不错。人工智能领域的高管如何向子女描述未来的职业前景。 一句话总结：AI领袖们普遍不建议孩子过度追求当下的技术技能，而是强调适应性、批判性思维、文科教育（通才能力）以及人类独有的情感与责任感。 观点一：当下的具体技术技能（Technical Skills）保质期极短（甚至不到两年），未来的核心竞争力在于应对变化的敏捷性（Agility）。 Caroline Hanke (SAP) 指出，与其纠结于现在的编程技术，不如培养批判性思维、适应性和伦理判断力。 教育的重点应从“掌握工具”转向“适应新工具”和“判断工具的使用”。 观点二：在AI时代，传统的文科教育（Liberal Arts）比以往任何时候都重要，因为通过自然语言与AI交互需要深厚的元认知能力。 Jaime Teevan (Microsoft) 强调，以前操作电脑是决定性的（按按钮->出结果），现在是基于自然语言的意图表达。这要求使用者具备批判性思维、提供语境和挑战AI结果的能力（即元认知）。 Ethan Mollick (Wharton) 认为通才（Generalist）将是赢家。AI可以填补技能短板，因此拥有广泛技能组合的人（如既懂医学又懂人际沟通）更有优势。 与其成为单一领域的专才，不如成为能够整合多种知识并在AI辅助下工作的“超级通才”。 观点三：AI无法承担责任，也无法替代真正的人际连接。 Daniela Amodei (Anthropic) 认为，随着AI接管工作，人类品质（同理心、善良、沟通能力）的溢价会越来越高。人类本质上渴望与其他人类共处。 Jaime Teevan 指出，AI可以给出建议，但不能承担责任（Accountability）。像法律、会计这种需要对决策后果负责的职业，依然需要人类来做最终判断（Passing Judgment）。 未来的工作重心将从“执行任务”转移到“承担后果”和“提供情感价值”。 观点四：避开纯数字化的内卷，转向原子世界（能源、医疗）和社会服务领域。 Manny Medina ( 看好能源（特别是核能）和医疗保健。无论是为了驱动AI本身（能源需求），还是解决人类疾病（癌症治疗），这些都是硬需求。 鉴于AI发展的不平衡，致力于解决社会不平等（帮助被AI抛下的人群）和环境问题（海洋污染）也将是有意义且有前景的职业路径。 最后：孩子拥有一张“白纸”，他们不需要像成年人那样去“重塑”旧观念，这是一种优势。家长们的焦虑往往源于自身的旧经验与新世界的冲突，而孩子们是AI原住民。 不要把上一代的恐惧投射给孩子，鼓励他们去玩、去实验，而不是仅仅作为使用者。 AI高管们给子女的建议揭示了一个反直觉的趋势：在一个高度技术化的未来，最不值钱的可能是纯粹的技术执行力，而最值钱的是最“复古”的人类特质——对他人的共情、对复杂概念的哲学思考（文科）、对物理世界的改造（能源/医疗）以及对决策后果的承担（责任）。教育策略应从“学习如何像机器一样高效工作”转变为“学习如何做在大机器时代中独一无二的人”。