一个专门盯海外科技圈的AI情报雷达Horizon，会自动抓 Hacker News、Twitter、Reddit、GitHub 的内容，AI筛选去重再总结，然后输出日报 1️⃣ AI自动打分，高质量讨论单独提出来，垃圾内容直接踢掉 2️⃣ 同一条新闻全网只出现一次，不重复轰炸 3️⃣ 中英双语简报，推送飞书/邮箱/微信都行

一个 Greenwich 的 24 岁量化，去年拿 $650,000 年薪 做的事情，现在 Horizon AI agent 90 秒就能完成 不是比喻 而是同一件事： 提出 hypothesis 写代码 回测 部署 过去一条 strategy 的成本大约是 $87,500 而且大多数策略第 6 周就死掉 真正变化的是这里： Backtest 时间：7 周 → 90 秒 单个 hypothesis 成本：$87,500 → $0 每月能测试的 hypothesis：可能 1 个 → unlimited 技能门槛：Python / Pine Script / APIs → 一句英文 以前机构的 moat，不一定是数据 也不一定是速度 而是你请不起那个“把想法翻译成系统”的人 这个 translator，以前是高薪量化和工程师 现在变成了 autonomous AI agent 它会写 会测 会部署 还能 24/7 运行 所以真正被压缩的，不只是工资 而是从想法到交易系统之间的整条 pipeline 文章里拆了完整流程 Save this 6 个月后，可能就不是秘密了 你只需要 Claude + device + 每天 1 小时 问题是： 当 hypothesis → code → backtest → deploy 都被 AI agent 自动化之后，交易员剩下的核心优势会是什么？

一个 24 岁 的量化交易员，在 Greenwich 工作一年赚了 65 万美元，而现在一个 Horizon AI 代理，只需 90 秒 就能完成他一模一样的工作。 不是比喻，是字面意义上的完全一样：提出假设 → 写代码 → 回测 → 部署。 以前每做一个策略，成本约 8.75 万美元，大部分在第 6 周就死掉。 而现在一切都变了： 回测时间：7 周 → 90 秒 每个假设成本：8.75 万美元 → 0 元 每月可验证假设数量：勉强 1 个 → 无限 所需技能：Python、Pine Script、各种 API → 一句话英文提示词 原来机构最坚固的护城河，根本不是数据，也不是速度，而是那条高昂的人力成本 —— 一个你根本雇不起的“人类翻译机”。 现在，这个翻译机变成了自主 AI 代理。 它自己写代码、自己回测、自己部署、自己 24/7 不间断运行，完全不需要你盯着。 完整搭建流程在下方文章里。 建议直接收藏，半年后再回来看，你就会发现这已经不是什么秘密了。 你真正需要的，只是 Claude + 一台电脑 + 每天 1 小时。

《Gemini 3.5 Flash 评价合集》 谷歌 I/O 2026 大会刚刚落幕，看到 @XHuntCN 发布了统计，关于中文AI影响力Top100中的评价，小师妹也整理了一些资料，给大家参考👇 ⭐谷歌官方 & 团队成员评价 大会将 Gemini 3.5 Flash 定位为 “frontier intelligence with action”（前沿智能 + 行动能力），是 Gemini 3.5 系列首发模型。 官方强调： -它是目前最强的 agentic和 coding 模型 -速度达到同级 frontier 模型的 4倍，成本却不到一半 -支持 1M token context，擅长 long-horizon 多步任务 -已全球免费开放，可在 Gemini App、Google AI Studio、Antigravity 中直接使用 一、谷歌团队成员评价 1️⃣ @demishassabis DeepMind CEO Gemini 3.5 Flash is amazing! Demis Hassabis 亲自发帖大赞：Gemini 3.5 Flash 在 coding & agentic 任务上超越 3.1 Pro，比其他前沿模型快 4 倍、在 Antigravity 中快达 12 倍，成本通常不到一半！ 2️⃣ @OfficialLoganK Gemini 3.5 Flash 在Automation Bench拿下#1# 💡Google AI团队成员：Flash直接登顶Zapier Automation Bench，完胜所有frontier模型，成本却低一大截！ 3️⃣ @addyosmani Google AI Director：Flash强在rich UIs + 多步agent 💡Google Cloud AI Director亲测：复杂UI、多步工作流表现突出，速度+智能双在线

每天刷Hacker News、Twitter、Reddit、GitHub，你烦不烦？全是水文、重复内容、噪音，跟垃圾堆一样。😩 我最近挖到一个新工具：Horizon，硬核科技新闻雷达。让它替你盯着全球科技圈，你只需要每天早上开一份简报。 核心就一个字：把噪音全干掉，精华端到你面前。 1️⃣ AI严格把关：支持DeepSeek、Claude等模型，每条资讯打0-10分，低分直接过滤，不糊弄你 2️⃣ 神评论自动提取：把Hacker News和Reddit里真正有眼光的讨论总结出来 3️⃣ 自动背景调查：遇到陌生术语、公司或技术，自动联网补知识，不用你瞎猜 4️⃣ 全网智能去重：同一个新闻在多个平台刷屏，自动合并，只留一次 5️⃣ 中英双语日报：生成干净专业的日报，方便快速浏览 6️⃣ 一键推送分发：飞书、邮箱、微信、GitHub Pages等渠道随便选 信息差时代，晚知道24小时，可能就错过一轮机会。晚一天，你就落后一拍。感兴趣的去试试吧，DYOR。 🔗

打破 AI 信息差：第二期 每天刷 Hacker News、Twitter、Reddit、GitHub，是不是经常被水文、重复内容和噪音淹没？ 分享一个我最近在用的新工具：Horizon，你的海外硬核科技新闻雷达。 让 AI 替你盯着全球科技圈，你只需要每天早上打开一份简报。 Horizon 的核心就一句话： 把噪音全部干掉，把真正有价值的精华端到你面前。 · AI 严格把关：支持 DeepSeek、Claude 等模型，给每条资讯打 0-10 分，低分直接过滤 · 神评论自动提取：把 Hacker News 和 Reddit 里真正有洞见的高赞讨论总结出来 · 自动背景调查：遇到陌生术语、没听过的公司或技术，自动联网补充背景知识 · 全网智能去重：同一个新闻在多个平台刷屏，自动合并，只保留一次 · 中英双语日报：生成干净专业的日报，方便快速阅读 · 一键推送分发：支持飞书、邮箱、微信、GitHub Pages 等渠道 GitHub： 信息差时代，晚知道 24 小时，可能就已经错过一整轮机会。感兴趣的朋友可以去试试～ DYOR

大新闻： @AnthropicAI @claudeai 的 Claude Opus 4.7 现已接入到@ZetaChain。 随着 AI 成为通往一切的接口，记忆 正在成为真正的资产。 ZetaChain 正在打造这样一个层：模型可以即插即用，但记忆始终保持私有、可移植、由用户完全拥有。 Claude Opus 4.7 带来： -先进的多代理编码能力（Advanced agentic coding） -长时序可靠性（Long-horizon reliability） -3× 更高分辨率的视觉能力（3× higher-res vision） 已在 @AnumaAI 上线 由 ZetaChain 2.0 提供支持。 #ClaudeAI# #Anthropic# #AI# #ZetaChain# #DecentralizedMemory# #PortableMemory#

来了来了——基于 Zama FHE 协议的 首个自托管银行 要来了。 @raycashxyz 团队把“链上隐私”和“传统支付体验”整合到一起，自托管银行由此诞生了。 不同于传统银行，自托管银行的余额和交易在链上是 完全加密 的，既能计算、能验证，又不需要信托机构代持。 换句话说： 你的钱不进别人手里 协议（@zama）也看不到你的账户余额 但系统依然能正常工作 他们的目标非常务实： 链上： 资产是你的，别人动不了 链下： 仍然能用借记卡、IBAN 做支付、兑换、质押 安全与隐私由协议保证，而不是靠人品或机构背书。 如果真能做成，体验会非常接近一个功能完善的银行账户—— 但资产 完全在你自己的钱包里，没人能冻你、卡你、动你、替你保管。 整体感觉这不是在“发明新银行概念”， 而是把加密世界该有的底层安全性 和现实世界金融该有的可用性 真正整合成一个 终于能落地的东西。 @zama #ZamaCreatorProgram# Here it comes — the first self-custodial bank built on Zama’s FHE protocol is on the horizon. The @raycashxyz team is combining on-chain confidentiality with the traditional payment experience, and that’s what makes a true self-custodial banking model possible. Unlike traditional banks, balances and transactions are fully encrypted on-chain. They can still be computed, validated, and processed — without any trusted custodian. In other words: Your money never sits in someone else’s hands Even @zama can’t see your balance Yet the system runs smoothly Their goals are impressively practical: On-chain: your assets are yours — no one can touch them Off-chain: you can still use debit cards, IBAN, payments, swaps, staking Security and privacy come from the protocol itself, not from human trust. If they succeed, the experience will feel like a fully functional bank account — except all assets stay entirely in your own wallet, immune to freezes, holds, or custodial risk. This doesn’t feel like “inventing a new type of bank.” It feels like merging crypto-level security with real-world financial usability into something that can finally be deployed. @zama #ZamaCreatorProgram#

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。