澳门 BEYOND Expo @beyondtechexpo 现场直击⚡️⚡️ 🎙️HTX DAO 建设大使Molly @HTX_Molly 亮相分享：当投机潮水退去，行业会从流量竞争，走向信任竞争；从短期热闹，走向长期建设。 这也是 $HTX 的长期价值逻辑正在被看见的地方：不只是一枚代币，而是和 HTX 生态、用户信任、长期建设一起往前走。 小编来给大家划一下重点： 潮水会退，建设不退！Keep building 💪💪 #HTXDAO# #HTX#

明天的@beyondtechexpo，除了10:35am的keynote，2:30pm我还会参加一场关于AI的panel。 Bitget今年最重点押注的几个方向，UEX、AI、RWA，全部都会聊到。 会场见啦 👋 （需要门票可以用两张海报右下角的邀请码换领～）

最爱Beyond、张国荣，那经典的回忆 听的音乐，由英文歌、粤语歌，现在更喜欢国语歌… 更喜欢半吨兄弟、烟嗓陈叔这类的演绎，也尝试听刘宇宁… 是改变，也是意味着中年的自己，be myself … 这几年，越来越爱中国文化，根和底子还是挺中国的，虽然由小到大的教育都是英式，在澳大利亚和新加坡都待了不短时间，毕业后就是MNC，2011年正式觉得要赶上中国经济的腾飞… 最爱的歌曲还是Beyond、张国荣，那是青春的回忆… 自己飞逝的时间，再多的钱，也买不回来。 短暂的停留也是奢侈…

OKX 最新发布的《Beyond Crypto》，信息量有点大。 👀 几个重点几乎都在指向同一件事：
OKX 不只是做交易所了。 而是在往“链上全球资产市场”走。 ✅ 美股链上化
OKX 联合 Ondo Finance，计划引入 263 种美股资产。 这意味着：
未来很多传统股票，可能会直接在链上流通。 ✅ 衍生品继续扩张
股票永续合约池进一步扩大，
半导体、科技股、美股七巨头都在覆盖范围内。 加密市场正在把传统金融那套，完整搬上链。 ✅ 更狠的是 Pre-IPO
后续甚至会支持：
OpenAI、SpaceX 等独角兽公司的 Pre-IPO 交易。 以前只有顶级资本能碰到的东西，
现在正在往链上开放。 从现货、合约，到 RWA、美股、未上市股权。 @okxchinese OKX 这一轮，明显是在做：
“Crypto + TradFi”的融合入口。 RWA 赛道，
这次确实走得很稳。 🔥 另外也很好奇：
@star_okx 徐总，美股上链这部分，后面会不会直接走 X Layer？ 😄

葬送的芙莉莲精灵cos(Frieren: Beyond Journey's End cosplay) VS 法国黑人@madbrosxxx 本公主360部视频已在台湾fansone平台上架 永久电报群也已经更新400+完整视频欢迎入🚪只要520RMB自助机器人 两者都支持Alipay/WeChat/USDT/visa等各种支付方式🙏

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。

中国式“情义”——超越血缘的人间大义 #给阿嬷的情书# “Qingyi” — the Chinese way of loyalty and affection, a great bond beyond blood. #LoveLetterToGrandma#