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 computation
computation 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 computation 的推特
請教各位學界先進,是否有人能協助提供 arXiv Computational Linguistics ( 領域的 Endorsement? 本人目前於 HEC 擔任博士後研究員,近期已完成一篇論文,準備首次投稿至 arXiv。若有熟悉相關領域、能夠協助 endorsement 的先進,懇請私訊聯繫。 非常感謝各位的協助與指教
显示更多
《从技术史的角度看“卖token”》 这篇文章的主线是: Energy → Computation → Information → Intelligence 能源→计算→信息→智能 19世纪初,人类进入电气时代,开始用kwh来计算电的基本单位,标志着电力进入工业化生产,电力不再被简单地理解为代替人力畜力的一种生产力,而是可以通过网络传输,被标准化计量购买的商品,广泛参与到人类生产中。 引发我们的第一个问题,就是一个技术发明到什么阶段,才能变成基础设施,引发科技革命呢? 20世纪初,IBM mainframe等大型机的诞生,MSU(Million Service Unit,百万服务单元),衡量CPU处理能力,MSU成为软件计费的新的计量单位。 随后AWS所代表的云计算革命,让计算能力开始像电力一样,可以被远程调用、弹性扩展和按量付费,资源、算力、存储都可以被标准化售卖。 第三阶段,则是API Economy 革命,API计费时代,概括来讲就是cloud computing + SaaS + API economy,不再是出售硬件、云算力,而是而是把算力、数据库、业务能力、AI能力全部封装成可调用接口,对外商业化。 不管是laas代表的infra: GCP Azure AWS paas代表的开发者工具如数据库中间件消息队列等。 还是Saas:salesforce、飞书、zoom等成品软件,直接面向客户。 API通过按量计费,成为统一的接口,成为参与到工业化的标准产品。 第四阶段,就是我们现在正处,AI API token时代,跟上一代计费标准不同,AI API计费主要是按照 input tokens + output tokens。 跟电力时代的kwh一样,token正成为ai时代的计量单位,但目前这个计量单位并不统一,因为从实验室出来的智能并不一致,deepseek的token只有claude fable 5token的 1/200。 token只是依托于api时代流传下来的短暂计量工具,它可能不是 machine intelligence 最终的价值单位,而是机器智能从实验室技术走向标准化商品过程中出现的一种过渡性计量制度。 如果未来商业模式不是api,如果开源模型能占据主导地位,在普及度上超越闭源模型,Electricity → Computing → AI,一定会出现统一的计量单位。 过去150年,现代技术体系不断把原本依附于机器、组织乃至人的能力,抽象出来,使其变得可计量、可定价、可通过网络输送,并最终成为可以按需购买的商品。 电网对电力做过一次统一。 云计算对 computation 做过一次统一 API economy 对 digital capabilities 做过一次。 但是ai暂时还没有实现智能计量统一,一个可以商业化的通用计量方式,是不是还有很久的路要走。
显示更多
ai4bio的最本质的挑战是,生命科学中大量的核心问题属于计算不可约(Computational Irreducibility)问题。几乎不存在通用的“数学解析解”或“快捷算法”,必须一步步完整模拟其微观物理过程。 但生命科学近年来呈现出一个奇特的范式分野:底层机制是计算不可约的,但宏观功能却往往是“经验可归纳(Statistically Reducible)”的。 斯蒂芬·沃尔夫勒姆(Stephen Wolfram)提出的计算不可约性,本质是指:一个系统的演化过程本身就是获取其未来状态所需的最小计算量,无法通过某种简化的数学公式跳步求解。 生命系统的底层恰恰全盘满足这一特性的物理前提: 跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破,但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白(IDPs)聚集及相分离,完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体,精确求解就必须回退到底层的分子动力学(MD)模拟——每推进一个飞秒都需要全局重新计算一次能量场。 基因调控与代谢网络---单个基因的突变并非简单线性映射,它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象(3D 基因组)乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统,其相空间极其庞大,状态往往敏感依赖于微小的初始涨落(蝴蝶效应)。自指性与历史偶发性(Frozen Accidents) 生命是一个自我指涉的开放机器---DNA 编码蛋白质,而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降,而是由大量偶发的历史事件(例如内共生事件形成线粒体、古病毒基因整合)经过数十亿年修补(Tinkering)而成的“遗产系统(Legacy Code)”。 其缺少优雅的底层物理对称性,导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生,微观分子的布朗运动和基因表达的固有随机性(Intrinsic Noise),会驱动细胞在瓦丁顿表观遗传景观(Waddington landscape)的不同引力盆之间跳跃。 预测一个干细胞系在几百代后的确切异质性分布,本质上无法跳过真实的生长时间。 但是,现代 AI 为何能“绕开”计算不可约的壁垒?如果生命系统是严格计算不可约的,为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度? 答案在于有效理论(Effective Theory)与粗粒化(Coarse-Graining)的胜利:自然选择压缩了搜索空间:在理论上,一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字(Levinthal 悖论)。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。 从因果机理推演转向高维几何插值:深度学习模型并没有在物理底层上“解密”微观运动的解析方程,而是利用 MSA(多序列比对)和跨物种同源数据,隐式重构了演化历史在低维嵌入流形上的投影。 换言之,AI 并没有把不可约的方程解析掉,而是通过记忆与插值演化留下的指纹,绕过了动力学微观步进。 生命科学之所以在转化应用(尤其是新药研发和临床靶点验证)中依旧面临极高的失败率,根本原因正是工程落地往往发生在“计算不可约”的深水区: 比方说,脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子,但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作,无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验(In vivo)——即让活体生物作为“物理模拟器”运行自身的时间。 又比如,虚拟细胞(Virtual Cell)的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”,每提升一个数量级的微观保真度,所需的运算步长就成指数级压缩。即使算力提升数个数量级,若底层的离散与随机多体性质导致不可约性,单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。 本质上,生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。 目前的研究程度表明,只要问题关乎稳态模式识别,我们就能找到统计学上的捷径;但只要问题深入到跨尺度的因果动力学与时间演化,大自然依旧没有给人类留下跳过计算过程的后门。
显示更多
0
4
80
16
转发到社区
10 月 16 日,Google Research 发布两项研究,分别涉及自主实验机器人和AI 驱动的适配体设计闭环。最重要的是,研究展示了 AI 如何根据真实实验失败原因,修改下一轮设计策略,而不只是增加候选分子的生成数量。 1. Wet-lab 命中率:经过三轮反馈,最高达到 42.1% Google 的适配体实验涵盖两个蛋白靶点。 α-thrombin: 第一轮没有获得有效结合分子,命中率为 0%。AI 分析实验失败原因后,发现部分固定引物序列影响适配体折叠,于是修改结构设计。第二轮命中率达到 26.0%,第三轮进一步达到 42.1%,靶标特异性达到 98.5%。 Myoglobin: 第一轮有效命中率为 10.2%。第二轮由于 AI 过度优化表面结合信号,产生大量非特异性结合分子,实际命中率反而下降至 3.7%。AI 根据实验数据重新限制容易产生非特异性结合的结构,第三轮命中率提高至 33.5%。 也就是说,Myoglobin 的最终命中率达到第一轮的约 3.3 倍,相较第二轮低点提高约 9 倍。 2. 蛋白质设计:计算成本下降,同时获得纳摩尔级结合分子 另一项研究针对肿瘤相关靶点 FAP(Fibroblast Activation Protein)。 Google 使用 Agent 辅助优化蛋白设计流程,通过只保留靶蛋白局部结合区域进行结构预测,使该步骤计算速度提高 8.6 倍。 在相同计算预算下,人类科学家与 Agent 协作的计算筛选命中率接近单独由科学家操作的两倍。 随后,团队利用真实实验获得了亲和力达到个位数纳摩尔级别的蛋白结合分子。 为什么这次值得特别关注? 此前: AI Design → Computational Filter → Wet-lab Validation 这次更重要的进展是: AI Design → Wet-lab → 分析失败机制 → 自主修改设计规则 → 下一轮 Wet-lab → 命中率提升 这意味着实验不再只是模型输出结果的最终验证环节,而开始成为 AI 持续改善设计策略的反馈来源。
显示更多
0
16
32
2
转发到社区
AGI没有尽头,因为现实世界本身没有尽头 市场上有一个错误的观点认为,只要AGI实现,AI最终就能自动完成从科学研究到芯片设计再到工业制造的一切事情。 而届时AI所需的算力、存储、通信等资源消耗需求就会放缓甚至减少。 这低估了现实世界本身的复杂度。 语言、代码、图片、视频,本质上都属于“高压缩度信息”。token本身就是现实世界经过压缩后的表达。重要的是,现实世界并不是token。真正困难的部分,可能不是语言智能,而是现实世界状态空间本身。 先进制程就是最典型的例子。 有人认为,未来AGI可以通过大世界模型,完整模拟整个先进制程,从而快速迭代芯片、材料、能源系统,最终实现真正意义上的自我递归升级。 但先进制程可能并不是一个能够被完全压缩的系统。 一个现代先进Fab,本质上是一个极端高维、强耦合、连续动态的现实系统。里面同时存在光学、量子效应、热力学、流体、等离子体、材料缺陷、化学反应、机械振动、电网波动、供应链扰动、腔体老化、温度漂移、人工经验。这些系统不仅动态变化,而且跨越多个时间尺度与空间尺度。很多变量甚至无法完整观测。 今天即使TCAD和流程模拟已经极其先进,真正决定良率的,依然是大量经验调参与真实实验。重要的是,先进制程更像天气系统,而不是围棋。围棋是完全规则、完全可观测、离散化的世界。先进制程则是连续、混沌、存在hidden variables,而且误差会不断放大。 有些系统天然存在 computational irreducibility(计算不可约性),这意味着不存在真正的计算捷径。你无法跳过真实演化过程,直接得到最终结果。很多复杂系统,最短描述本身就接近系统本体。 这就是柯尔莫哥洛夫复杂度:如果一个系统无法被大幅压缩,那么想完整模拟它,所需要的信息量和计算量,可能会接近现实系统本身。 这意味着,AI若想真正实现包括模型、芯片、能源系统在内的完全自我迭代,其所需算力,很可能远远超过今天行业的想象。重要的是,这可能不是10倍、100倍的问题,而是多个数量级的问题。因为AI真正困难的部分是现实世界的状态空间。 AGI真正的边界,是现实世界本身。 而现实世界本身,没有尽头。
显示更多
周末行研:EUV Mask Inspection --- EUV最难的问题之一 DUV时代的mask,更像“透明玻璃上的图案”。光穿过去,再投射到wafer上。很多问题集中在表面颗粒、划痕、断线等二维缺陷。 但EUV完全不同。13.5nm EUV会被绝大多数材料吸收,因此EUV mask变成了反射式结构。它本质上是由40~50层Mo/Si multilayer组成的纳米级布拉格反射镜。重要的是,EUV mask已经变成一套极其复杂的三维纳米光学系统。 这会导致问题集中在 buried defect(埋藏缺陷)。 例如某一层Mo/Si之间出现0.5nm级别的小隆起、空洞或颗粒,表面可能完全看不出来,但却会改变EUV光的相位与干涉行为,最终在wafer上形成CD偏移、图形变形甚至随机缺陷。 这类问题在DUV时代并不突出,但在EUV时代会直接影响良率。 很多缺陷在可见光下看不到,在DUV下也不明显,但到了13.5nm下却会变成灾难。因此最理想的方法,是用真正的13.5nm EUV去检测EUV mask,也就是所谓的 Actinic Inspection。但问题在于,Actinic Inspection本身几乎等于“再造一台小型EUV光刻机”。它同样需要EUV光源、超高真空、多层膜反射镜、极低振动、极高稳定性以及超高灵敏度探测器。 重要的是,inspection tool的要求很多时候甚至比曝光机更苛刻。因为曝光机追求的是稳定曝光,而inspection追求的是发现极微弱异常。尤其EUV时代大量缺陷已经变成 phase defect。很多缺陷并不一定有明显高度差,却会改变光的相位与干涉结果。这已经变成光学、相位、散射、干涉的综合问题。 与此同时,EUV mask本身还是典型的3D结构,会出现shadowing、absorber sidewall effect、3D scattering与angle dependency。同一个缺陷,在不同角度下,影响可能完全不同。重要的是,EUV inspection已经需要模拟完整的EUV成像行为。 缺陷会不会真正印到wafer上,也就是业内所谓的 Printable Defect Analysis,这背后需要 computational lithography、光学仿真、wafer correlation、AI defect classification 与 OPC补偿共同完成。 EUV光学系统在13.5nm波长下,传统透镜已经完全失效。EUV系统只能使用反射式光学。这意味着整个系统必须依赖超高精度的Mo/Si multilayer mirror。这些mirror已经接近原子级精度的纳米工程结构,其表面粗糙度甚至要求达到picometer级。在EUV波长下,哪怕0.05nm级别误差,都可能影响最终成像。 因此,检测系统的光学部分也长期高度依赖 Zeiss。 随着High-NA EUV、2nm、1.4nm、更高mask复杂度以及更严重的stochastic defect推进后,mask defect对良率的影响会指数级扩大。过去很多问题还能依靠OPC补偿、process window与冗余设计容忍,未来则越来越困难。 因此整个行业对actinic inspection、mask review、pellicle inspection以及printable defect analysis的需求都会快速增长。这也是为什么有euv检测能力的公司价值都可能会进一步增长的原因。 它们是EUV时代良率控制的核心基础设施。 本文非投资建议dyor
显示更多
加密行业现在有个越来越明显的问题:我们消耗了海量算力,但这些计算,真的创造了应有的价值吗? 传统 PoW 的确建立了安全边界。它通过持续的资源投入,换来了网络的抗攻击能力,这也是比特币体系能够长期稳定运行的底层原因。 但问题在于,大部分算力始终停留在哈希竞争中,证明的是资源被消耗了,却没有转化成可复用的现实产出。放到今天看,这套机制的安全性依然成立,但效率瓶颈也越来越清楚。 这也是我最近开始关注 @quipnetwork 的原因。 它试图推动的,并不是单纯提升无效算力竞争的强度,而是把计算资源重新引导到真实任务场景中。 公开信息显示,Quip 测试网已经接入 D-Wave Advantage2 退火量子计算平台,并在推进量子与经典计算协同的去中心化网络。 这个方向真正有意思的地方,不是量子概念本身,而是它在尝试回答一个关键问题:如果算力注定要被消耗,能不能至少让它完成优化、调度、组合搜索这类具备现实意义的工作。 另一个不能忽视的点,是后量子安全。 很多人现在还没感受到压力,但密码学风险从来不会等市场准备好了才出现。等威胁真正落地,再去迁移账户体系、升级验证逻辑和重构基础设施,往往已经来不及了。 我不认为 Quip 现在就能定义行业方向,但它提出的问题很关键。 下一阶段的加密基础设施,竞争重点可能不再只是证明你消耗了多少资源,而是证明这些资源最终完成了多少有效工作。 Useful Computation,我认为会是未来几年值得重点跟踪的一条主线。
显示更多
0
79
74
1
转发到社区
存储需求恐怕又要因为seedance2的出现指数级暴增. gpt3.5带来了文本时代,真正的视频时代,是seedance2带来的. 同样是几个提示词,视频ai消耗的存储将达到几百m,随着ai视频制作时长的增加这个体积还会更大. 这次衍生的存储需求会是原来文本的很多倍. 毕竟现在刷视频成瘾的群体是真多, 全球范围内从婴幼儿到老头老太太谁都逃不过,他们可能不爱看书不爱看新闻但绝对爱刷短视频. 基于此,又会产生新的投资需求. 视频ai需要的存储类型跟文本ai肯定有差异. gemini给出的现阶段抖音与yputobe采用的存储架构实录. 目前的视频存储并非单一介质,而是复杂的多级冷热分层架构 (Tiered Storage Architecture)。 A. 架构组成 1. 极热层 (Ultra-Hot Tier):用于应对瞬时爆发的流量(如顶流网红刚发布的视频)。 • 类型:NVMe SSD 集群 + 内存级缓存(Redis/Memcached)。 • 核心指标:**IOPS(每秒输入输出操作数)**和极低的延迟。 2. 热/温层 (Warm Tier):用于存放日常活跃观看的视频。 • 类型:高性能企业级机械硬盘 (HDD) 或大容量 QLC SSD。 • 核心指标:吞吐量 (Throughput) 与成本的平衡。 3. 冷层 (Cold/Archive Tier):用于存放数年前、几乎无人问津的长尾视频。 • 类型:高密度氦气硬盘 (HDD) 甚至物理隔离的磁带机。 • 核心指标:每 TB 持有成本 (TCO)。 B. 痛点:I/O 墙与存储孤岛 传统架构下,存储是“静态”的。但 AI 视频时代(SeenDance 2)要求存储从“仓库”变成“流水线”,这直接导致了存储逻辑的崩溃。 根据以上视频公司存储的现状与困境可以延伸出其三个未来发展方向. 视频 AI 存储的三个未来发展方向 1.方向一:从 HDD 到全闪存化 (All-Flash Data Center) AI 视频训练需要并行读取海量高清素材。传统 HDD 的寻道时间太慢,会拖累昂贵的 GPU 算力。全闪存阵列 (AFA) 将从“奢侈品”变成视频公司的“基础设施”。 2.方向二:CXL 技术下的“内存-存储”融合 Compute Express Link (CXL) 协议将打破内存和 SSD 的界限。对于 SeenDance 2 这种需要处理实时动作对齐的模型,数据在 SSD 和 HBM 之间的搬运速度决定了生成的流畅度。 3.方向三:近存计算 (Computational Storage) 与其把巨大的视频数据搬到 CPU 处理,不如直接在存储主控芯片上进行初步的数据预处理(如视频抽帧、格式转换). 基于以上及图片参数对存储公司作核心竞争力与趋势分析排序评级. SK海力士(S级): 凭借 Solidigm 的 QLC 容量优势和 HBM 的统治地位,卡死了“大容量读取”和“算力吞吐”两个核心环节。视频 AI 训练集的 EB 级存储首选。 三星Samsung (A+级): 读写最均衡。其 PCIe 5.0 写入速度冠绝群雄,是 SeenDance 2 生成 4K/8K 视频流时最佳的“高速缓冲区”。 闪迪SanDisk (A级): 独立后的黑马。其 HBF(高带宽闪存) 旨在打破内存墙,让 SSD 直接参与 AI 推理,极大利好 64G 内存(如你的 M4 Pro)在本地处理大模型视频生成。 美光Micron (A级): 写入寿命与能效比极高,适合 24/7 不间断生成视频的云工厂。 • WDC (B+级): 专注于 CXL 协议,解决数据中心内内存与存储的动态调配问题。
显示更多
0
28
292
55
转发到社区
前两天写完了 $ARX 的分析内容,有粉丝看到后问我:现在这个价格如何?什么时候可以抄底 之前主要说的是一些生态位或者背景的内容,今天就站在代币的角度上,好好给大家分析一波 @Arcium 到底行不行,能不能买 这算是一个常规的角度,但是仍旧可以帮助大家至少看清3个月的代币情况 当看到一个代币的未来,自然就知道当下是否可以参与,以及可以参与多少仓位了 📖先说代币结构 总量10亿,初始流通量2亿出头。团队,投资机构、验证者的全部锁仓一年 也就说TGE后的1年内,基本市场就是初始流通盘在这玩,不怎么会有新增抛压进入市场 这里很重要的是跟大盘联系起来的。虽然下半年形式并不明朗,但是仍旧给了ARX一个足够的可能性时间 当然,如果大盘走强,ARX走强的可能性自然大大提高 目前这个价格0.24左右,我去扒了一下Coinlist公募价格是0.2,参与公募用户小盈利 在没有明显抛压增长的前提下,这波小回调可以看作二级的正常波动和少部分空投和公募用户的继续出货,不构成长期压力 📒再说代币赋能 这里说的是在整个模型框架中,代币的使用和消耗场景都有哪些,这里主要参Hyperliquid(因为HYPE代币预期的拉高很大一部分在于其手续费回购场景和销毁比例的预期) 大家可以先看一下这张图,然后我们逐步拆解其中的数据情况 1、网络费用:我大概说一下目前已经披露的数据吧。之前Arcium结束了超过5万个申请的阶段。目前计算总数接近170万次,部署超过了60个机密计算程序和执行环境,整个机密网络在 Solana 上已产生了超过600万笔总交易(数据来源于官方区块浏览器) 这些数据已经代表了目前项目的受认可程度比较高,目前网络正处于一个“刚启动”到“加速前进”的阶段。我个人会重点观察未来6个月-1年的情况,增长越快越有利 2、节点质押情况:目前主要是14个节点。我查了一下,初期是采用了定向邀请制,未来会开放节点。应该也会迎来一个爆发性增长 大家核心关注项目未来披露的节点数量,质押数据 3、委托调度权重主要体现在委托越多,节点越可能获得更多调度机会,进而获得更多计算费用 我这里就关注一个点,未来代币主要流向是否是这里,是否大部分流通筹码会被激励去委托给高性能的“超级节点集群”以赚取网络手续费分。如果可以实现,届时将大幅稀释二级市场的现货抛压 ➡️再说估值框架 目前看 $ARX 当前更适合用“叙事兑现率”而不是传统收入倍数来估值 原因很简单:Arcium所在的DeCC / 保密计算赛道仍处在早期,网络费用、节点收入、应用侧付费意愿还没有形成成熟、连续、可比较的数据 但是从Solana官方的扶持、融资背景和上所情况,代表了整个行业顶尖的一批人和公司对于这个叙事的看好 看未来,而不是眼前的数据表现。(当大家09年看到BTC的时候, 也不会想到BTC会成长为这种规模) 当大家去年关注AI存储叙事的时候,也不会想到今年的预期可以做到这么高 最好的参与时间是在叙事萌芽的时候,而不是已经人云亦云的时候 因此,二级市场当前给 $ARX 的估值,主要来自三个维度: 1、我觉得算是Solana 生态溢价 因为其投资方和参与者中也包括 Solana 生态核心人物与机构。项目天然带有 Solana 原生基础设施属性。只要Solana的DeFi、AI、支付、RWA和机构级应用继续扩张,市场就会给 Arcium 一定的生态期权价值 而Solana历经多次牛熊屹立不倒且支持Arcium,所以这点问题不大 2、来自于DeCC / 隐私计算叙事溢价:保密计算是一个长期的发展方向。公开链要承接机构、AI、数据市场和隐私 DeFi,必然需要某种形式的加密计算基础设施 Arcium 正好站在这个叙事交叉点上:Solana性能、隐私计算、AI数据、DeFi订单流保护 我用一点带有主观色彩的一句话:未来行业的主流叙事,都离不开隐私计算 3、则是真实使用量折现,这个目前还无法给到准确结果。项目方此前披露Arcium已处理超过160万次confidential computations,ZINC等生态应用也曾在 Solana 收入榜中获得关注 大家可以持续关注这些计算是否带来可持续收入、是否形成协议费用、是否要求用户或节点长期持有/质押ARX ————————————————————————— 🛫因此,当前估值逻辑可以概括为: 短期看流通盘和交易情绪,中期看解锁和生态应用,长期看网络费用与代币价值捕获 我个人觉得(有点主观哈,我个人已经有态度看好):虽然因为大盘不明朗的局势,所以无法很确定的大仓位买入 但是这个位置,已经可以作为Coinlist公募的第一个点位进行介入 如果大家实在看不懂,那就只有一个点:上了upbit、Coinbase,未来肯定也会上币安现货的项目,肯定不会差 自己看不明白,三大肯定看的明白 建议严格按照分阶段买入的策略,分批建仓,长期看1U肯定可以实现
显示更多
0
36
25
0
转发到社区