SocialFAI 基础设施观察：拆解 Velvet Capital 的多链架构与 Gem 机制 当多数链上交易终端仍在优化基础的订单匹配时，@Velvet_Capital 正在尝试构建一个更复杂的叙事：SocialFAI（社交与人工智能结合）的全栈交易操作系统。 在深入体验其跨 BNB Chain、Solana、Base 及 Ethereum 的多链环境，并研究其最新的社区机制后，我整理了以下关于其产品逻辑与生态设计的客观观察。 一、 跨链体验的本质： 降低操作摩擦多链环境下的最大痛点是流动性割裂。Velvet 的解决方案倾向于意图驱动（Intent-based）的架构。通过账户抽象技术，它将跨链结算和最优路由封装在底层。对终端用户而言，这意味着在单一界面内即可完成多链资产的现货或永续合约交互，大幅减少了在多平台切换时的 Gas 损耗与操作延迟。 二、 AI 辅助决策的落地路径在 DeFAI 领域，Velvet 的动作较早。 其应用内集成的 AI Copilot 并非旨在替代用户决策，而是作为信息过滤工具。在面对复杂的链上数据或智能合约逻辑时，该工具能提供结构化的信息摘要。据悉，团队正在推进面向加密垂直场景的自有模型训练，这若能落地，将有效提升链上数据分析的颗粒度。 三、 VelvetX 与移动端优先策略VelvetX 是一款采用邀请制的移动端交易应用。从产品设计的角度看，移动端的核心价值在于响应速度。通过整合社交图谱，用户可以更便捷地观察特定地址或社区的市场行为。邀请制在早期通常用于控制服务器负载，同时筛选出对交易工具有真实需求的核心用户群。 四、 关于 Gem 排行榜的机制拆解根据公开信息，平台计划于 8 月 10 日进行 velvet:native 代币的分配。该分配机制与 Gem 排行榜的排名直接挂钩。 从机制设计来看，这种基于排名的分配模型旨在倾斜于真实的生态参与者。其乘数机制（Multiplier）包含两个主要维度： 连续性激励：保持每日交互可获得递增的乘数加成。 交易量阶梯：达到特定交易量阈值后，乘数比例会显著提升。 对于参与者而言，理解这些乘数规则的叠加逻辑，比单纯增加交互频次更为重要。 Velvet 的架构展示了下一代交易基础设施的一种可能性： 通过抽象底层复杂性，结合 AI 工具提升信息处理效率。无论市场周期如何，专注于降低用户摩擦成本的工具往往具备更长的生命周期。 @Velvet_Capital @yzilabs @xhunt_ai

Scaling Law的下一个：Power Scaling Blackwell之后，AI服务器进入Power Scaling阶段。单GPU持续提升功耗，Rack正从几十kW快速迈向100kW、200kW，未来甚至可能达到300-500kW。未来几年，Power的重要性将持续提升。 目前市场普遍预计，Vera Rubin继续采用高性能SiC Rectifier，Rubin Ultra则有望进一步演进至Solid State Transformer（SST）架构。SST尚未得到官方确认，但整个产业已经开始围绕MVDC、中压供电以及高密度Power Architecture进行布局。真正重要的不是Rectifier还是SST，而是两条路线最终都指向同一个底层技术——SiC。 Rectifier完成AC/DC转换，SST进一步集成变压、隔离、双向功率流以及数字控制，更接近整个供电系统的平台升级。随着Rack功率不断提升，铜耗、转换损失以及动态响应开始成为新的约束，SST正是围绕这些问题演进。 SiC的重要性是，无论最终采用Rectifier还是SST，高压、高频、高效率的功率开关几乎都离不开SiC。 相比传统硅器件，SiC拥有更低的导通损耗、更低的开关损耗、更高的耐压能力以及更高的工作频率。当供电电压进入800V以上、单机柜功率进入数百kW之后，这些优势开始持续放大。 GaN和SiC经常被放在一起讨论，但它们解决的是不同的问题。SiC商业化的主流器件是SiC MOSFET，GaN商业化的主流器件则是GaN HEMT。未来最有可能形成明确分工：中压、高压、大功率转换采用SiC，板级、高频DC/DC转换采用GaN。两条路线长期更可能协同发展。 SiC份额提升，也意味着传统硅功率器件开始重新定位。目前硅功率器件主要包括IGBT以及Super Junction MOSFET。IGBT适合极高电压、大电流场景，目前仍广泛应用于轨交、工业驱动以及风电。Super Junction MOSFET通过超结结构显著降低导通电阻，长期成为服务器电源和工业电源的主流方案。 几十kW服务器时代，Super Junction MOSFET已经足够优秀。数百kW AI Rack时代，高压、高频、高效率开始成为新的优化目标，SiC逐渐进入价值量最高的供电环节。 AI数据中心的SiC需求更多取决于算力需求、电力基础设施以及Hyperscaler CapEx。这意味着行业周期可能比过去单纯依靠汽车市场更加稳定。 如果这一趋势继续发展，受益的将不仅仅是SiC器件公司。目前全球主要供应商包括Infineon、ON Semiconductor、STMicro、ROHM以及Wolfspeed。除Wolfspeed之外，大多数都是IDM。同一座Fab通常同时生产Si MOSFET、IGBT、模拟芯片以及SiC器件。 另一个重点是制造端。SiC虽然需要外延、高温退火等特殊工艺，但大量设备仍然沿用成熟制程平台，包括光刻、刻蚀、薄膜、CMP以及测试。未来如果8英寸SiC进入持续扩产周期，受益范围将进一步扩展到成熟制程设备、SiC外延设备以及衬底供应商，而不仅仅局限于器件企业。 接下来，值得持续跟踪的领先包括：NVIDIA是否正式导入SST，Hyperscaler是否开始部署MVDC，Vertiv、Delta、Schneider、Eaton是否推出下一代AI供电架构，Infineon、ON、ST是否开始单独披露AI数据中心收入，全球8英寸SiC Fab是否进入新一轮资本开支周期。 这些信号比短期销量更加重要。

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。

τ Scaling Law, makes me τired 昨天有朋友问我：“韬定律，你怎么看？” 我一脸问号：“ 什么韬定律？我又错过了什么？” 朋友说：“ 就是华为的τ定律啊 ” 我更不解了：“ 华为的定律？ 定律……” 后来大概看了一下，发现这东西也没那么玄。 摩尔定律讲的是，把晶体管继续做小。 韬定律讲的是，尺寸做不动了，就从信号传输、芯片互连、系统架构里继续抠效率。 更准确一点说，它想用“时间缩微”去接替一部分“几何缩微”。 过去大家卷的是计算单元本身：晶体管更小，数量更多，频率更高，单位成本更低。 现在的问题变了，很多时候，是数据搬不过来，信号走得太远，模块之间互相等待，性能都浪费在路上。 这里有个很朴素的逻辑： 空间距离就是时间；时间就是能耗；能耗就是热；热就是频率上限；频率上限就是性能天花板。 所以韬定律抓住了一个真问题。 但真问题，不等于真定律。 “law”这个词会制造很高的预期。摩尔定律之所以能被叫作定律，是因为它背后有几十年的产业验证，有清晰的成本曲线、性能曲线和制造节奏。 韬定律目前更像一个 principle、methodology、roadmap。它是一条技术路线，不是一条自然法则。 它的价值在于，把制程追赶问题，改写成了系统效率追赶问题。先进制程追不上，就尽量通过架构、封装、互连、软件、系统协同，把一部分差距补回来。 这条路当然值得走。而且后摩尔时代，所有玩家都会走这条路。 问题在于，补偿终归是补偿。 你优化的部分如果不是主要瓶颈，宣传再大，实际收益也会很小。如果瓶颈确实在数据传输、片间互连、系统调度上，它可能很有用。如果差距来自制程、功耗、良率、成本、材料和设备本身，它就不可能凭空抹平。 所以“等效先进制程”这类说法，最容易误导。 等效什么？等效密度？性能？功耗？成本？还是某个特定场景下的吞吐？ 这些不说清楚，工程问题就会滑向宣传话术。 韬定律可以宣传，但不要神化。 韬定律不是摩尔定律的替代品，它更像摩尔定律失速后的补充路线。它把制程追赶问题，改写成系统效率追赶问题；这能改变竞争方式，但不能取消底层物理差距。

分析：scaling law的范式转移：scale-up、scale-out和scale-lean 过去两年，随着ai的发展，质疑scaling law的声音越来越多，但其实scaling law不但一直都在，而且还在不断增强。 如果我们稍微回顾一下历史，从 GPT-3 到 GPT-4，本质上都是在把模型做大——参数更多、数据更多、算力更强。这就是典型的 Scale Up。 但从 GPT-4 开始，大家开始越来越多地讨论“推理”。不是简单的生成，而是多步推理、链式思考、更复杂的问题拆解。 模型能力的提升，不再只是来自参数规模，而是来自推理过程本身的优化。这其实是一个很微妙但关键的变化：行业开始意识到，“怎么用模型”，和“模型有多大”，同样重要。 直到最近，像 OpenCLaw、AutoResearch 代表的agent生态开始大火，本质上已经不是在讨论模型本身了，而是在讨论一个系统。模型只是其中一部分，更重要的是任务如何拆解、如何调用工具、如何在多个步骤中反复执行和修正。 这时候，能力的提升，已经不再主要依赖模型本身，而是依赖结构。通过多次调用、流程编排、工具接入，把原本单点能力扩展成一个可以执行复杂任务的系统。这一阶段，其实就是 Scale Out。 但从推理和agetn生态开始跑起来之后，一个更现实的问题马上出现了：成本。 推理一旦复杂化，Agent一旦进入多步执行，调用次数是指数级增长的。推理成本迅速上升，延迟变得不可接受，底层的内存和带宽开始成为瓶颈。你会发现，问题已经从“能力不够”，变成了“跑不起”。 于是最近这段时间，越来越多的论文和工程实践，都开始研究如何降本增效。 比如 DeepSeek 之前的Engram，Google 最近的 TurboQuant，本质上是在做更极致的存储优化、压缩和效率提升 -- 在不显著增加算力的情况下，让系统变得更强、更便宜、更快。 我们可以把它叫做 Scale Lean。 把这三条路径综合起来，可能更能帮助我们把握行业未来的发展。 最早是 Scale Up 占绝对主导，大家都在拼模型大小。然后是 Scale Out 开始出现，系统能力逐渐成为新的增长点。再到现在，Scale Lean 开始变得越来越重要，因为它直接决定这些系统运行成本。 这三者不是替代关系，而是叠加关系。 更重要的是，Scale Up、Scale Out、Scale Lean 三条路径本身就是一个正反馈系统，它们会互相放大彼此的效果，从而加速整个AI进化。 模型变强（Scale Up），会让Agent系统更少出错、步骤更短、整体能力更稳定，从而放大Scale Out的效果； 而一旦系统复杂度上来，调用次数暴增，成本问题就会被迅速放大，这又反过来逼着整个行业去做效率优化，也就是Scale Lean。 等到效率真的被做下来之后，事情又会发生变化——更低的成本、更高的吞吐，会让更复杂的Agent系统变得可行，同时也让模型可以被更频繁地调用、训练和迭代，进一步推动Scale Up。 于是这三者之间形成了一种很典型的正反馈：Up让Out更强，Out逼Lean进化，Lean又反过来加速Up和Out。 AI的发展不再是单一变量的线性推进，而是一个多变量耦合的加速系统，一旦三个方向同时往前，整体能力的提升就很容易从“渐进式”变成“跳跃式”。 基于以上的讨论，我们可以得出一个结论，ai能力的增长速度，不但没有放缓，还在加速。 scaling law不但没有装墙，反而驶上了快车道。

如果说 SocialFi 是上一波叙事，那 SocialFAI 可能就是下一波。 Social + Finance + AI， @Velvet_Capital 押的是这个组合。 而且它不是刚提概念——东西已经做出来了。 三件事： 1. AI Agent（已上线 Virtuals） Velvet 是比较早在 Virtuals 上推 AI agent 的项目之一。Agent 能辅助链上交易决策，不是那种"你好我是AI助手"的花架子，是真的能分析数据、给信号的。 2. AI Copilot（App 内已集成） 已经内置在 Velvet App 里了，交易的时候可以实时调用。不是弹出一个聊天框让你自己问，而是跟交易流程融合在一起——你操作的时候，Copilot 在背后帮你分析。 3. 自研 Crypto 模型 这个可能是最值得关注的。Velvet 不是套个 GPT 接口就完事了——他们在训练面向 Crypto 场景的专用模型。链上数据的模式、交易信号的特征、跨链流动的规律，这些通用模型处理不好，需要专门训练。 社交层面也不一样。 大多数交易平台是你在上面自己玩自己的。Velvet 的是 SocialFAI——你可以看到其他交易者的策略、跟单、讨论。 AI 帮你分析，社区帮你验证，你在中间做决策。 YZi Labs 背书 + 138K 关注者 + 已经跑通 BNB Chain、Solana、Base、Ethereum。 AI + Social + Trading 这三样能整合到什么程度，Velvet 可能会是一个值得看的样本。

KAITO @KaitoAI 这个 Social Card 可以去玩一下 现在不只是看个等级，还能看到自己的标签、关注质量、影响力这些东西 加上之前做过的 CT 认证、一直累积的 Kaito 分，后面会不会继续有用 现在看只是一个小卡片，搞不好后面活动资格、身份标签、甚至一些激励都会跟它挂上关系 链接传送门，老师们可以把自己的卡片也发出来，互相点一点 传送门：

特朗普周三在Truth Social上发帖，敦促议员们批准该项目延期。该项目即《外国情报监视法》第702条款，将于本周五到期。特朗普在短期延期问题上面临民主党人的抵制。