山姆·奥特曼对长寿科学的押注，越来越像 OpenAI 之外的第二条主线。 他向 Retro Biosciences 投入 1.8 亿美元，支持这家公司研究细胞重编程、血浆相关疗法和自噬等抗衰老方向。Retro 的目标，是把人类健康寿命延长 10 年。 更关键的是，OpenAI 给 Retro 做了一个专用模型：GPT-4b micro。 它被用来重新设计山中因子相关蛋白，提高成年细胞向干细胞样状态重编程的效率。 OpenAI 官方称，早期结果显示，AI 设计蛋白能让重编程标志物表达提升超过 50 倍。 这件事真正震撼的地方在于： AI 不只是在回答医学问题，它开始参与生命科学的设计环节。 蛋白怎么改？细胞怎么年轻化？实验方向怎么筛？ 这些过去依赖人类科学家长期试错的过程，开始被模型加速。

巴西如果免签了 我推荐一个人生必须体验一次的巴西特色旅游项目Brazil Ayahuasca Retreats 一般是七天左右的旅游+灵修 主要是去喝死藤水也就是dmt。巴西是少数dmt完全合法的国家。这个东西跟毒蘑菇，蟾蜍背上的蟾酥是一种成份。可以体验濒死体验。旅游项目给的剂量比较低不会真的让你濒死。 濒死体验可以治疗你内心最深处的创伤 去鬼门关前面转一圈。回国验头发也不会出问题，dmt本身不属于毒品。 对了这个项目心脏病的慎重

这次趁在东京办活动，有幸请到了 @turingou 郭宇加入我们的圆桌讨论，他最近在做的 也是非常有想象力的语音 AI 产品。 他发来的嘉宾一句话头衔的是「退休程序员」。翻译英文时我擅自翻译成了两层含义 Retired &Retreated，退休和隐居的程序员。 活动就在明天周二上午，东京的朋友加入我们：

记得Defi Summer 20年到22年这三年时间，大家经常感慨的一句话就是“币圈一天，人间一年” 因为技术迭代太快了，每天都有数不行的新东西出来，几天不看就跟不上节奏 现在这个感觉在币圈彻底消失，在AI那边出现了，每天的新东西就看不完，真的看不完 正好这几天看到圈里讨论Cerebras的帖子多了起来，昨天还看到不少路演信息，毕竟14号要挂牌交易。之前在Amber做分享的时候也单独讲过这个公司（当时用的那页PPT放在文末），所以简单说下我对Cerebras的判断 先说结论：这家公司很有意思，但核心变量不一定是他们造的芯片本身，而是未来AI的workload形态会是成什么样。 先简单说下它是干嘛的，防止有老铁还没看Cerebras 它最核心的技术，就是wafer-scale chip（晶圆级芯片），简单理解就是别人还在用“邮票大小”的芯片，它直接把整片晶圆做成一颗超大处理器，再配上超大 SRAM，把大量数据尽量留在本地高速处理，减少传统GPU最头疼的memory bottleneck。现在海力士美光涨上天就是因为HBM这东西太抢手，Cerebras是直接绕开了对HBM的依赖 很多人看到 Cerebras最牛逼的benchmark：推理速度比GPU快10-15倍，第一反应就是下一个英伟达？！ 先别急。 这个benchmark最大的问题，是默认AI的核心需求永远是“更快吐token”。 如果只是人类盯着ChatGPT聊天，这故事其实没那么性感。你每秒吐 30 个 token，我已经快读不过来了。再翻10倍，边际体验提升几乎为零。 真正有意思的是 Agent。 Agent不读字，Agent消费Token。速度直接等于生产力。 一个OpenClaw/Hermes agent，如果要读网页、写计划、调 API、跑代码、报错重试、继续执行，一个任务可能要几十次 inference call。 每次 2 秒，任务就是分钟级体验。 每次 200ms，就是另一个世界。 所以 Cerebras更值得关注的地方，是 AI worker 这条线，而不是单纯的chatbot加速。 但问题来了 - 它的magic来自 wafer-scale + 超大SRAM，本地访问极快。但SRAM这东西有天然 tradeoff，速度快，容量贵，大模型塞不下就必须拆分。 而一旦拆分，chip-to-chip communication 就上来了。 LLM inference里最怕通信的恰恰是 decode 阶段。token 是一个一个往外吐的，每多一次 hop，延迟就是硬加上去，没法隐藏。 所以 Cerebras能不能成，关键根本不在“比 GPU 快几倍”，而是未来 AI 的主流计算形态到底是什么。 1. 时间线一 - 未来几年还是 前沿超大模型一统天下，动不动几千亿甚至万亿参数，所有请求都让超大模型自己处理，那 Nvidia的distributed infra 依然最舒服，Cerebras的速度优势会被通信损耗吃掉很多。 2. 时间线二 - MoE、蒸馏、量化这些技术如果继续快速进步，未来两年70B左右的模型做到今天700B模型 80%-90% 的效果，我一点都不意外。（这里要强烈感谢Deepseek一大波!) 如果世界往这个方向走，故事就变了。 大模型负责 planning / judgement / orchestration。 真正执行任务的大量 worker model 落在 30B-70B 这个区间。 这些模型足够聪明，又刚好能吃到高速本地推理带来的红利。 Agent 世界里，大部分token根本不需要最聪明的大脑。很多工作本质就是执行层体力活：浏览网页、改代码、调工具、retry、继续跑流程。 这个 topology一旦成立，Cerebras就直接进入自己的甜区 3. 时间线三 - 未来推理是端侧为主，用的都是8B，14B的这些小模型，那GPU也能跑的很好，甚至专用的ASIC芯片效率更高，这个场景下Cerebras的优势和护城河也就不高了 换句话说，超大模型云端推理或者超小模型的端侧推理这两个平行宇宙，Cerebras的优势都不够明显，只有主流推理落在32B-70B中等模型这个Size，正好“Big enough to stress GPU memory, Small enough to fit locally” 才是Cerebras最能大展身手的世界 所以我对Cerebras的判断是，300多亿的市值，短期看订单，财务报表这些数据，长期赌的则是未来Agent时代的计算范式到底落在哪个平行宇宙的时间线上

我看很多朋友对eDMT @eDMTProtocol 都挺感兴趣，但对这个项目的基础概念都不是很懂，我在这里再简单科普一下。 一、eDMT 到底是什么？ eDMT 就是一个把以太坊“烧掉的钱”做成可以收藏和交易的数字资产的项目。 以太坊每出一个区块，都会自动烧掉一部分 ETH。eDMT 把每个区块烧掉的 ETH 数量，变成了链上可以拥有的资产。 二、核心资产名称解释 1. eNAT（最重要、最原始的资产） 一个区块 = 一个 eNAT 它完整记录了这个区块到底烧了多少 ETH（烧得越多通常越有价值） 重要规则：一个区块只能被 mint（铸造）一次，先到先得。你的交易可能会被别人抢先占领。 2. wENAT（NFT 版本） eNAT 的 NFT 包装形式 适合展示和在市场买卖 可以随时赎回成 eNAT 3. bENAT（碎片版本） eNAT 的可拆分版本（像代币一样） 可以拆成小份交易，流动性最好 4. Wrap（包装） Wrap 就是把原始的 eNAT 转换成 wENAT（NFT）或 bENAT（可交易碎片）的过程。 作用：让 eNAT 更容易交易、拆分和收藏。 Unwrap（解包装 / 赎回） 是它的反向操作，可以把 wENAT 或 bENAT 变回原始 eNAT。 5. bENAT 赎回条件 可以赎回，但得到的是 BURN 碎片（不是完整的 eNAT） 碎片可用于未来捕获新区块，或在市场交易 想要凑成完整 eNAT，必须收集全部对应碎片（难度较大） 简单比喻： eNAT = 一整块限量金砖 wENAT = 把金砖做成漂亮金项链 bENAT = 把金砖熔化成金粉一粒一粒卖 三、新手 Mint（铸造）步骤 1. 准备一个以太坊钱包，里面放一点 ETH（0.01 ETH 就够用很久）。 2. 打开 Mint 页面： 3. 连接你的钱包。 4. 浏览区块列表，挑选燃烧量（Burn）较高且还没有被 mint 的区块（页面会显示状态）。 5. 点击 Mint 按钮，确认交易（Gas 费通常很低，只有几分钱）。 6. 等待交易确认，即可获得该区块的 eNAT。 小贴士：优先选择 Burn 值高的区块，价值更高。手慢的话好区块很容易被别人抢走。有条件用脚本尽量用脚本 四、查看自己的持仓（打没打到） 登录官网后，进入 Profile（个人主页） 即可查看你所有的 eNAT、wENAT 和 bENAT。 持仓页面： 五、市场交易 wENAT NFT交易可以直接在官网挂单进行； bENAT 代币可以在官网以订单簿形式交易，也可以在Dex交易，但目前加流动性的都是私人底池，税收较高，交易前需看清楚。 $bENAT 合约：0x56d06158bb8d2e42a6c5994a9a12a5c6d642f064 六、实用网址一览 Mint（铸造）： Wrap / Unwrap（包装与赎回）： 个人持仓（Profile）： 交易市场： 一句话总结：eDMT 把以太坊每个区块“烧钱”的记录，做成了可以买卖的数字藏品。 一个区块只能 mint 一次，手慢就被抢。 eNAT 是完整藏品，wENAT 是 NFT 形态，bENAT 是可拆分的碎片 目前很多朋友都在问我有没有交流群，拉微信群比较麻烦，就直接建了个电报，需要的朋友可以进，目前已经进了挺多人了，没有密码，纯聊天扯淡。链接：

最近一直让投研团队在思考，2025年Q2以后熊市了，我们如何打理好基金公司的资产。说来也奇怪，香港朋友也最近跟我聊起来这个事。并提到了一个重要信息：字节跳动老板张一鸣最近在香港拿下来9号资管牌照，要进军私募股权行业(另类投资)，基金名字叫Cool River Venture，专门投资生物科技和AI产业，这激发了我的兴趣。 这几天让投研团队把各投行的家族办公室的资管报告，翻出来做了研究，既然要知道2025年怎么做好投资，那就看看这帮最低资产规模都在5000万美金的全球家族办公室，他们在投什么。说来惭愧啊，本以为2000万是最低门槛，看来5000万才是终极目标，这种家族办公室一年成本就要320万美金，看来还得加加油啊！ JP Morgan这份家族办公室投资报告，收集了全球190家家族办公室的数据，总资产规模高达2660亿美金，平均每家家办的资产管理规模为14亿美金。这帮有钱人，有什么资产配置特点，今天我们来盘一盘： 1. 资产类别构成(如图3)： 另类投资（Alternatives）占比最高，达到47.41%。 这表明美国家族办公室非常重视另类投资，以寻求更高的回报和多元化投资组合。另类投资包括私募股权、房地产、风险投资、对冲基金和私募信贷等。 公开股票（Public Equities）占比为26.05%。 公开股票仍然是投资组合的重要组成部分，但相比另类投资占比相对较低。 固定收益和现金（Fixed Income & Cash）占比为18.91%。 这部分投资相对保守，主要用于保持投资组合的稳定性和流动性。其中，现金占比最高，为8.69%。 其他资产（Other）占比为5.68%。 这部分可能包括一些特殊的投资或无法归类的资产。 大宗商品（Commodities）和基础设施（Infrastructure）占比相对较低，分别为1.56%和0.38%。 2. 另类投资细分： 在另类投资中，私募股权（Private Equity）占比最高，达到18.19%。 这表明美国家族办公室对私募股权投资非常青睐，以期获得长期的高回报。 房地产（Real Estate）占比为14.40%， 也是另类投资的重要组成部分。 风险投资（Venture Capital）占比为5.44%， 这其中包括成长型的上市公司和加密货币资产等。 对冲基金（Hedge Funds）和私募信贷（Private Credit）占比相对较低，分别为4.94%和4.44%。 3. 固定收益细分： 在固定收益中，投资级固定收益（Investment Grade Fixed Income）占比最高，为8.44%。 这类债券信用评级较高，风险相对较低。 高收益债券（High Yield）占比相对较低，为1.78%。 这类债券信用评级较低，风险相对较高，但潜在回报也较高。 🧐有趣的是，最后一张图，展示了这些顶级家族，定期举办家庭活动和聚会，来维系家族之间的团结，也是十分有趣且值得借鉴。主要通过以下几种方式： 1.定期家庭全体会议 (Regular whole family meetings): 这是最常见的形式，在所有资产规模的家族办公室中都占据重要地位。这表明无论资产规模大小，家族办公室都非常重视家庭成员之间的沟通和交流。 2.家族大会 (Family assembly): 类似于更大型的家庭聚会，旨在增进家族成员之间的联系。 3.家族静修 (Family retreat): 通常是更正式的活动，可能包括研讨会、讲习班或团队建设活动，旨在加强家族凝聚力，并讨论家族事务。 4.书面家族历史和/或定期家族故事讲述 (Written family history and/or regular family storytelling): 通过记录家族历史和传承家族故事，增强家族认同感和归属感。 5.家族委员会 (Family council): 由家族成员组成的正式机构，负责管理家族事务，例如制定家族政策、监督家族办公室的运作等。 6.家族宪法 (Family constitution): 一份正式的文件，阐述了家族的价值观、目标和治理原则，为家族的长期发展提供指导。 我们从图表中可以看出以下趋势： 定期家庭全体会议是最普遍的形式， 在所有资产规模的家族办公室中都非常重要。 随着资产规模的增加，家族委员会和家族宪法的采用率也在增加。 这表明，拥有更多资产的家族更倾向于建立更正式的治理结构，以确保家族事务的有效管理和家族的长期发展。 书面家族历史和/或定期家族故事讲述在所有资产规模的家族办公室中都有一定比例的采用， 表明家族历史和文化传承对所有家族都非常重要。 图表也显示了家族办公室对家族团队建设的不同侧重点： 1.资产规模在5000万至5亿美元的家族： 相对更侧重于通过家族大会和家族静修等活动来增强家族成员之间的联系。 2.资产规模在5.01亿至9.99亿美元的家族： 相对更侧重于通过书面家族历史和/或定期家族故事讲述来传承家族文化。 3.资产规模在10亿美元或以上的家族： 相对更侧重于建立正式的治理结构，例如家族委员会和家族宪法。 总结：JP摩根家族，是美国最早的家族办公室，截至目前，已经有200年的历史，它一直跟踪和统计着，全球家族办公室的投资数据和表现，学习他们的脚步和路径，或许对我们在面对熊市周期的时候，有一定的参考意义，另外重视家族文化和传承的建设，家族团结的建设，也是繁荣家族长盛不衰的秘密所在，2025年一同精进，共同成长。过几天我们会参考桥水对冲基金的全天候投资策略，做一个2025年资产配置方案，供大家参考。🧐

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。