2024年的时候，浙江大学的恩师说的一句话，影响了我这两年所有的阅读内容。 他说，你要去看2022年之前的经典书和经典论文，那是没有被AI数据污染的净土。 品味的答案，持续学习的答案，在那里。 其实的确如此，在2022年生成式AI和LLM大爆发之后，整个互联网的数据生态发生了不可逆的质变。互联网，迅速演变成了AI生成内容的自循环反刍池。 我怀念，没有Token泛滥的膨胀感。 作者写下每一个字，都是在有限的注意力与精力下，对复杂现实进行的极高密度压缩。 毕竟，品味的根基在于第一性原理。科学审美、理论框架、以及对真问题的敏感度几乎全部孕育在那个没有被Synthetic Data掩埋的时代。 后来来到美国之后，和俄亥俄州立大学的老师也探讨过这个问题。 我得到了一个新的认识。 其实，对于AI文本，感觉的强度和实际的密度是两回事。毕竟，AI文本有很强的signature，那几个词、那个三段式、句句都平的节奏所以它的可识别性远高于它的占比。 这里，我想还有个筛选偏差。 就是我能认出来的AI文本，都是写得差的那部分。而被人改过一遍、重写过一遍的，我都很难注意的到、识别的到。 在这个过程中，我认为分布也极不均匀。 从2015年后，SEO内容、自出版、评论区、通稿，基本饱和了。 但浙大的恩师指的是经典书和经典论文，恰好应该算污染最轻的那一类。 其实现在，我觉得恩师低估的是另一个方向。 污染或许不只在语料里，也在写作者身上。 一个2026年的人类作者，泡在被生成文本浸过的语言环境里，写的时候旁边有补全，考核看产量。即使他一个字都不让AI写，句子也已经在往均值上靠拢。 这个东西，日期很难切掉，因为它是从人往回传的，会传进经典的重印、选本、导读和推荐序。也许，在退化的是人类写作的方差，并非机器文本的占比。 2022看似已经是个schelling point，未污染语料正在被定价、被抢购。 所有人都在退守的净土，很快就不是净土。

倪大的四条推有点复杂了,喂给了Gpt的总结： 各大交易所的我们参与的SpaceX 的 Pre-IPO 💢用户买到的不是真实股权，而是基于 SPV / SPV 镜像的价格映射 Token SPV 镜像 = “SPV 的映射 / 套壳 / 衍生版本” ❌ 没有股权 ❌ 没有投票权 ❌ 没有分红权 ❌ 没有信息权 👉 本质更接近：链上价格跟踪器（synthetic exposure） 倪大这个观点总结的对吗？ @PhyrexNi ✅我去了bitget 5w U，其他在币安，Gate，我相信交易所不会作恶，打新应该是基于我们打新的资金给的对应中签额度。 大所打新，应该是基于市场真实中签率，打新，会不会把我们的资金集中到1个美股账户，我就不知道了。 现在的打新所越来越多，包括港股打新，我感觉有些小所发展到最后真的敢在打新中签率上做手脚，比如破发，都塞给你。 我感觉大所还是能参与的，只代表我个人参考思路。 🥸 倪大是真刚啊，啥都敢说~~~ 其他我的推文： 发现别人身上的闪光点~~去学习闪光点。 人都食五谷杂粮，都有七情六欲，有 你要是阴暗的，看别人所有的都是阴暗的。

今天存下来的数据，是明天 AI 读懂你的起点 模型会更新，设备会换。 但今天没留下来的健康记录，明天再强的 AI 也无从读取。 想想我们自己的数据放在哪： 体检报告在医院系统里，运动和睡眠在手机里，纸质病历压在抽屉里。换一次手机、搬一次家，就可能少一段记录。 对不常用手机的父母来说，整理记录更麻烦。即使每年都做体检，想把几年的报告放到一起，也可能还得翻抽屉、找照片。 所以我现在更关心一个很基础的问题： 怎么先把这些数据留下来，变成能持续积累、能回查来源的记录？ 这次我用 Mirobody 跑了一遍。 先把开源入口放这里： Mirobody 是 Theta Health 开源的健康数据引擎，采用 Apache-2.0 许可。 国内网页版 和微信小程序「Mirobody」都基于它，海外产品叫 Theta。 这次的链路： 本机安装 mirobody-gen → 生成虚拟报告 → 上传国内网页版 → 核对指标与原件。 测试用的是 macOS 上的 Chrome，三份文件分别是 PDF、XLSX 表格和 JPG 照片，覆盖 2022、2024、2026 三个年份。全程使用虚拟样本，保留了“虚拟测试”和 SYNTHETIC SAMPLE 标记。 最终，PDF 6 项、表格 25 项、照片 3 项，一共 34 项指标入库。数值和单位逐项对上了原件，来源列也能找到对应文件。 我觉得这个结果的价值很具体： 散落的几份文件，开始有了一份可以接着往下积累的记录。 PDF 里，6 项指标的名称、数值和单位都读出来了。这份样本有接收、报告、打印三个时间字段，核对时也分别看，不能混成一个日期。 照片也试了。JPG 里的 3 项数值读取出来后，又和原图逐项核对。原文里的单位 mg/l，在指标页规范成了 mg/L，含义一致。 “给爸妈留一份健康档案”，这是我觉得值得继续做的方向。 按项目介绍，开源版有家人功能： 可以邀请家人共享各自的档案，也可以替不登录的长辈代管一份档案。这次只查看到家人同意流程，尚未完成家人建档。使用家人的资料前，要先取得本人同意。 本次装在本机的是数据生成器，上传测试用的是国内网页版。Mirobody 引擎自部署、微信小程序和其他数据格式，都不在这次实测范围里。 “健康数字分身”这个词听起来很远。 但它的起点，可以很具体： 先存下一份报告，留下日期、数值和来源。下一年，再把新的记录接上。 今天存下来的数据，是明天 AI 读懂你的起点。 有兴趣就从 GitHub 开始👇 觉得这个方向有用，点个 Star 关注进展，遇到问题，把复现步骤写进 Issue，有想法，也欢迎提 PR 一起完善

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。

AMC大战Robinhood：当证券市场走向“流媒体”时代 作者 @Jf4172 新技术的出现，究竟带来了什么？ “Contemptible. Outrageous. Disgusting. Detestable. Inexcusable. Vile.” 很难想象，这样不留情面的话语，是一家上市公司CEO的公开发言，但这正是 AMC CEO Adam Aron 对 Robinhood 的控诉。面对 Robinhood 推出的 AMC Tokenized Stock，Aron 几乎用上了最激烈的语言，公开表达了自己的愤怒。 而让整件事更有戏剧性的是，Meme Stock 本就是 AMC 的“来时路”。2021年那场轰动华尔街的逼空大战中，AMC 便曾是被炒起来的核心标的之一。散户的狂热，硬生生把一家濒临破产的电影院公司买成了资本市场的文化符号。如今，类似的市场叙事再次回到它身上，AMC 却掀桌子了—— 也许是因为，这一次并不再只是一场市场炒作。一种新的技术方式，正在让股票以一种“陌生”的形式被包装，再送到投资者面前——而这一切，并不由发行公司决定。 并且从结果来看，市场正在接受这种新产品。 当新的可能出现时，旧体系最先感受到的往往不是机遇，而是失控。 历史上，这样的场景并不陌生。要理解 AMC 的这种不安，可以把时间拨回二十年前，当流媒体开始改变娱乐产业时，传统媒体行业也经历过类似的冲击。 正如互联网技术彻底改写了内容的分发方式，今天，区块链也正在向金融市场提出类似的问题。 01 改写游戏规则：金融市场的 “Netflix Moment” 故事还要从Robinhood做了什么说起。 Robinhood 并不是简单地把股票“搬到链上”。Robinhood发行的Stock Token，本质上只是一种衍生资产，背后由底层股票 1:1 支持，但并不附带相应的股东权益。这也是 Robinhood CEO 认为 AMC 的质疑并不成立的原因。按照 Robinhood 的说法，他们所发行的是一种“独立的金融工具”，既没有改变股东权利，也没有改变发行方的股权结构，而仅仅只是把经济敞口带到了链上。 并非“股票上链”，这一点反而更加意义重大。因为这意味着，Robinhood 在没有改变资产本身的情况下，绕开发行方，另辟了一条接触这项资产的路径。而这一切，AMC 并没有被邀请。 如果这样的描述太抽象，可以看看二十年前的媒体行业。Youtube、Netflix和Spotify，正如今天的Robinhood；流媒体平台并没有改变电影、音乐或视频本身，但它们彻底颠覆了用户获取内容的方式。互联网打破了时间和地域限制，让用户可以随时随地获取内容；而今天的区块链和代币化资产，正在金融市场做同样的事——让投资者可以更便利、更低门槛地获取全球资产。 内容和资产本身并没有改变，改变的是资产与投资者之间建立连接的方式。 这是 Robinhood 真正在做的事情。 02 “What's the concern”: AMC 真正担心的是什么？ 从这个角度再去看 AMC 的反应，就更容易理解了。 开放金融带来的并不只有交易自由，Tokenization——甚至还提供了一种重新组织资本市场的可能。过去，一家公司发行股票，公司、股票和投资者之间的关系相对清楚。但 Stock Token 出现后，第三方平台也可以围绕一家公司的股票设计新的产品、建立新的交易市场。所以 AMC 看到的，是一个与它高度相关的市场，正在 AMC 的公司体系之外形成。这个市场交易的是 AMC 的资产，但 AMC 却无法掌控这个市场的规则、入口和用户关系。 在这里，AMC沦为了被动的 underlying asset provider。 今天，这个影子市场还很渺小，但它的出现已经指向了一种可能性：未来，投资者是否还需要通过发行人和传统证券体系，才能参与一家公司的资本市场？而当入口易主，公司是否还能真正掌控自己的融资命脉？ 这正是Adam Aron在X上对 Robinhood CEO Vlad Tenev的一句“what's the concern"的回应： “过去，我们通过发行股票来强化资产负债表，这对 AMC 的生存和发展至关重要。而你们建立这样一个所谓的合成股票市场，却把股票代币的持有，与公司对自身融资行为的控制割裂开来。” 这个剧情，Hollywood应该并不陌生。在抵制Netflix之前，Hollywood和Netflix其实有过一段蜜月期；流媒体平台带来的新渠道和观众，为Hollywood带来了可观的授权收入。直到多年后的某一天，Hollywood才猛然意识到，电影虽然获得了更多的Exposure，却失去了自己的观众——他们都变成了Netflix的用户。但为时已晚，Netflix 已经成为了新的用户入口。当平台掌握了订阅关系，知道观众什么时候看、喜欢看什么的时候，制片方已经一点点失去了话语权。 同样，代币化为发行方的股票带来了global access，但另一面是，资本市场中的入口和价值捕获方式或也在被重新分配。 Blockchain Democratization 推动的，不止是交易方式的开放，更是一场产业链权力结构的重新洗牌。 03 The next chapter：抵制发展，还是掌握未来的主动权？ 正如 Hollywood 乃至整个电影行业曾经抵制 Netflix，技术的发展却不会因此停下。最终，流媒体还是改变了内容行业的运行方式。 当然，在新旧体系交替的过程中，混乱几乎不可避免。数字内容刚出现时，行业也曾为版权和分发问题争论不休，传统产业也担心新的技术会破坏原有商业模式，但这些争议并没有让行业回到 DVD 时代。历史告诉我们，真正的问题从来不是技术会不会发生，而是新的体系最终会以什么方式建立。 SEC 已经开始为这套体系建立规则。如果对照 SEC 于今年 1 月提出的股票代币化分类框架来看，当前市场上的方案大致可以分为两类：Issuer-Sponsored 和 Third-Party-Sponsored，即由股票发行人自身推动和第三方发起的两种模式。其中，由第三方发起的模式，又可以进一步分为 Synthetic 和 Custodial，前者主要提供经济敞口，后者亦映射投资者对底层证券的间接权益。 Robinhood 采取的是标准的 Third-Party-Sponsored 模式，由第三方在底层股票外部发行一层新的链上证券。当前市面上的很多产品，比如Ondo Global Market、xstocks，采取的都是这种方案。这种模式最大的优势是“轻”——正如 Vlad Tenev 长文中所写：“为了让股票代币能够在全球推广，而不需要每一家底层标的公司都重构自身系统，或是逐个单独接入该产品。”它牺牲了部分股东权利，换来了更快的落地速度和更强的分发能力。 但这并不一定是最终形态。 如果要去推演未来，不妨站在传统玩家的角度思考：当一个不可逆的趋势出现时，如何重新掌握主动权？ 隔壁行业的那些传统的内容公司告诉我们，一种捍卫自己领地的方式，是打不过就加入。Disney、Warner Bros. Discovery等内容巨头，最终都开始建立自己的流媒体平台。与其坐等别人分走蛋糕，不如自己亲自入局。 类似的迹象，其实已经在证券市场出现了。在Robinhood的模式外，现在还有一条以Nasdaq 为代表的“正规军”的路径，这对应了 SEC框架下的Issuer-sponsored 模式。传统交易所探索的模式，恰恰是为了补齐当前代币化方案缺失的部分而设计——在引入链上基础设施的同时，保留发行人参与、证券所有权和投资者权益。 只不过这条路径需要解决更多监管和基础设施问题，工程更重，也就走得更慢。Robinhood等平台所做的，也许是先采取一个中间形态的方案，先将产品上架推向市场。当然，这仅仅只是开始，等到政策清晰后，平台是否还会迭代产品，推出真正的美股资产，也未可知。 总而言之，这场角逐才刚刚开始。但不管怎样，重新审视 AMC 与 Robinhood 的争论，最终会引向一个更值得思考的问题： 未来，Tokenization 的问题可能不再只是： Crypto 平台如何把美股带上链？ 而会逐渐变成： 上市公司希望以什么方式，让自己的股票进入链上世界？ 04 当金融市场走向“流媒体时代”，谁会是下一个Netflix 站在新旧交替的岔路口，摩擦几乎不可避免。混乱，正是技术演进的必经之路。 二十年前，流媒体改变了内容触达观众的方式；今天，代币化或许正在证券市场上演同样的故事。 技术永不停歇，今天的模式，也不会是市场演化的终点。Robinhood、Nasdaq 还有更多参与者，都在探索不同的答案。 今天的AMC，正如多年前的Hollywood；而当金融市场走向“流媒体时代”，谁会成为链上金融的 Netflix？ 过往的体系正在被打破，AMC和Robinhood的“大战”，打响了第一枪。 新的秩序，就要开始建立。

据 The Defiant，Synthetix 治理提出 SIP-423，计划彻底退役稳定币 sUSD，冻结并弃用其合约，并按每 1 枚 sUSD 兑换 4 枚 SNX 的比例向持有人补偿。该方案由 Synthetix 创始人 Kain Warwick 与核心贡献者 Benjamin Celermajer 提出，SNX 将有一年锁定期，并在随后一年线性解锁。sUSD 当前已严重脱锚，价格约 0.25 美元，远低于 1 美元目标价。

据官方公告，韩国第一大加密交易所 Upbit 将于当地时间 9 月 28 日 15:00 终止 Synthetix（SNX）的交易支持，受影响交易对为 SNX/BTC。Upbit 表示，SNX 在总发行量及流通量计划变更程序、业务真实性、可持续性及实际进展等方面存在多项不足，可能导致用户受损；相关代币已于 8 月 7 日被列入交易警示，后续审查认为相关原因仍未消除，因此决定终止交易支持。平台将在交易支持终止后继续提供 30 天提现服务，截止时间为 10 月 28 日。

🌐 9 月 28 日 - 10 月 4 日｜本周大事件 📅 9 月 28 日｜星期一 🔵 日本央行公布 7 月货币政策会议纪要 🔵 Bitget 将分阶段恢复提现 🔵 Upbit 下架 Synthetix（SNX）交易对 📅 9 月 29 日｜星期二 🔵 G20 贸易部长级会议，美国贸易代表参会 🔵 CoinEx 停止现货交易 🔵 $FF 将于 9 月 29 日解锁，价值约 1025 万美元，占流通量 2.51% 🔵 solana:CARDSccUMFKoPRZxt5vt3ksUbxEFEcnZ3H2pd3dKxYjp 将于 9 月 29 日解锁，价值约 1102 万美元，占流通量 10.62% 📅 9 月 30 日｜星期三 🔵 OpenAI 开发者大会 🔵 长鑫科技最早或于 9 月底纳入范达旗下 ETF 🔵 solana:KMNo3nJsBXfcpJTVhZcXLW7RmTwTt4GVFE7suUBo9sS 将于 9 月 30 日解锁，价值约 1083 万美元，占流通量 2.81% 📅 10 月 1 日｜星期四 🔵 国庆假期：A 股休市至 10 月 7 日、港股 10 月 1 日休市、陆港通关闭 🔵 美光 Q4 财报电话会 🔵 $EIGEN 将于 10 月 1 日解锁，价值约 1026 万美元，占流通量 5.19% 🔵 $SUI 将于 10 月 1 日解锁，价值约 1658 万美元，占流通量 0.32% 📅 10 月 2 日｜星期五 🔵 美国 9 月非农就业人口变动 🔵 $2Z 将于 10 月 2 日解锁，价值约 1.13 亿美元，占流通量 47.69% 🔵 $ENA 将于 10 月 2 日解锁，价值约 1104 万美元，占流通量 0.45%

市场会先在价格里回答这件事。一旦这事碰到通胀预期和资金流，市场给出的反应会比表态更实在。 别只盯着持仓名单看热闹，要像 Macro Synthesis 系统那样把资金流与订单拆解成交易信号。当巨头拿到政府大单时，市场往往还没反应完全，这才是信息差机会。