2️⃣ 项目运作资金源自高利贷 10.11  是 @tradoor_io 的运作分水岭。 一方面因资金短缺为了继续运作项目，一方面为了合理瓜分团队所得的内部利益，翁溢铭与胥彤借口引进了场外配资。 根据知情人士透露，翁溢铭与胥彤通从香港借了月息5%的高利贷来运作 $Tradoor 。 @wintermute_t 在这里面居功至伟。 除了作为 $Tradoor 第一阶段（TGE至2025.10.11）的主动做市商，@wintermute_t  还是 $Tradoor 上BN Alpha &BN 合约 及配资的中间人。这里面，翁溢铭与胥彤借了86万美金，花在上币&做市资金&押金等。 项目TGE之后，翁溢铭与胥彤 从上币、做市/流动性池等多方面小计借了731万美金。 看似很多不合理的地方，实际都是为了将团队所得流入个人口袋。 而@wintermute_t  通过提供场外配资/做市等服务，从翁溢铭与胥彤手上获得项目总筹码超3%的 $TRADOOR 。 另外，据社区消息，在第一阶段WM操盘期间，翁溢铭与胥彤又伙同迪拜的黑灰产团队共同做了个staking 项目 ，再次收割了一波散户。 因为BN10.11事件，@wintermute_t 本身的流动性出了很大问题，旗下一系列小项目包括 $Tradoor 在内都被灭了，两方随即散伙。 事发后，翁溢铭与胥彤的 $TRADOOR 整体已资不抵债，且欠了WM 约600万美金的token。 在那之后，翁溢铭与胥彤又找来了第二家主动MM，并配资介入 $TRADOOR ，通过合约大波动拉砸来暴力恶意收割。 据知情人士透露，这家也是 @BSquaredNetwork   $B2 的主动市商，其背后配资的资金来自于涉黑涉传销的新Jucoin(原聚币网）。 @Xiaoniu6161 @oragnes @monkeyjiang @cryptobraveHQ @maid_crypto @Bqlsj2023 @hebi555 @chuishaoren1 @chaoge_btc @CryptoJHK @Jun666Xx @Jiu_Cai_Ge @ohxiyu @web3foxcn @qin81005 @sciencedegens @wxh24488 @daweifs @Greta0086 @hazenlee @serveryue @BenQrock @angel71911 @crypto919191 @youyou5202 @yesALLOUT @kuang133233 @0xstonegm @btc_xs

成立两年，这家AI公司的估值都冲到200亿了。 下午在中关村和几个朋友聊天。大家都很感触，智谱转眼之间就成了一个万亿市值的公司，这谁能想到，前两年甚至还觉得人家要黄了。 这就是创业啊，探索逻辑，不是考试逻辑。 顺着 LLM，我们聊到了具身智能。有朋友说，现在国内这批具身智能公司中，谁有智谱或者Anthropic的潜力。 我毫不隐讳的抢答，我自己最看好自变量这家公司。过去一年，我写过很多次自变量的模型。 从我的视角，他们每次的新模型或者新论文还是都能给我不小冲击。 今天是上半年的最后一天，不是很忙，这会坐在电脑前，我想写写自变量这家创业公司。 如果你关注具身智能的话，无论从哪个方向看，自变量基本都绕不开。 而且自变量现在的发展节奏也非常猛。刚刚成立两年时间，最新一轮的估值就已经突破了 200 亿。 美团、阿里、字节、小米这四大互联网公司分别都领投过。 这事还是非常罕见，换个角度说，我们可以理解为这几家互联网公司都非常认可自变量的技术方向或者技术水平，要不然也不可能轮番下重注。 自变量这家创业公司有什么来头？我先说下具身智能模型的背景。 具身智能领域的模型，虽然大家嘴上都说在做大脑，但技术方向其实差别很大。 说白了，具身智能大脑要解决的核心问题就一个，让机器人能够和物理世界交互，像人一样去干活，擦桌子、洗衣服这些。 但具体怎么实现这件事，路线分歧还是比较大的。 从模型结构上看，有的侧重做 VLM，也就是视觉语言模型，核心能力是看图、看视频、回答问题、做推理，对世界的理解更多是语义层面的。 另一条路是世界模型，更关心的是给定一段历史状态和动作序列之后，能不能预测出下一帧世界会变成什么样，关注的是物理约束和因果关系。 而且要训练具体模型模型，数据是绕不开的核心问题。和大语言模型可以从互联网上抓取信息不一样，具身智能的数据得从物理世界采集，这件事本身就很难。 没有那么多现成的数据。 从数据来源看，有的公司会用真实世界的数据，采集成本高、场景杂、噪声多，但贴近真实部署。 有的用仿真环境的数据，在物理引擎里自动刷任务、生成轨迹。训练方式也很多样，有走强化学习的，有做模仿学习的，有先学状态转移再做规划的。 总的来说，这个领域现在还处在百花齐放的阶段，大家方向不同，评测标准也没有统一。 和 LLM 领域完全不一样。毕竟 LLM 领域，大家都在 Transformer 的基础上，做 Scaling Law，做 RL，大的方向是一致的。具身智能方向还没有什么标准答案。 自变量的探索特别有意思。今年 4 月份，他们发布了全球第一个世界统一模型 WALL-B。 之前整个行业做具身模型，主流思路是 VLA，也就是把视觉、语言、动作几个模块拼接起来。 但 VLA 走到后面是有天花板的，因为它的核心范式是模仿，一旦环境发生迁移，就比较麻烦。 后来很多人就在讨论，是不是把世界模型和 VLA 结合起来，在 VLA 上面外挂一个世界模型，因为世界模型能够在脑海里做预演，可以解决任务迁移的问题。 但这种拼接方案，整个行业基本都认为是中间过渡方案。因为拼接就涉及到数据的搬运和迁移。 大模型领域已经印证过这件事了，这两年为什么一直在强调原生多模态？就是希望模型能够原生地去理解多模态信息，而不是非得外挂一个结构。VLA 和世界模型的关系也是同样的道理。 所以当他们在 4 月份发布 WALL-B 的时候，我非常震惊。 自变量做的其实是原生的世界模型，把视觉、语言和动作放到同一个模型里从零开始联合训练，统一的架构，各个能力在一个系统里头直接协同。这是全世界第一个朝这个方向尝试的模型。 WALL-B 是 4 月份发的。然后上个月自变量又在这个基础上发了另一个模型 WALL-WM。 在做完世界统一模型之后，他们又回过头去思考一个更底层的问题：具身智能模型基本单元到底是什么？因为用什么最小单元来建模，会极大影响模型学习什么。 这个在大模型领域已经印证了，视频模型也经历过。比如视觉领域，之前的最小单元是像素，后来大家慢慢发现，更合适的其实是语义。到了语义这个层面，视频模型才有了质的飞跃。 自变量团队沿着这个思路推演，判断具身智能领域也面临同样的问题。现在大部分具身系统，默认的基本单元还是时间序列，按时间均匀采样。 但他们尝试之后认为，这个基本单元应该是关键事件序列，就像人一样，人感知世界不是按固定帧率来的，而是按事件来的。 于是在之前世界统一模型的基础上，他们又提出了事件驱动的世界模型。 先是做了端到端的统一架构的原生世界模型，然后又在这基础上做了事件驱动。 总之我的感觉是，这些探索也许是在倒逼着整个行业去思考，什么才是难而正确的事。 有同学可能会问，是不是你说的这些还是纯概念？ 哎，具身智能前两年确实被一些观点带歪了，觉得这行当泡沫很大。其实不是。 一个新技术的演进是涌现式的，用 Anthropic CEO 的话说，是指数级增长。很多人感知不到，是因为在指数曲线的前半段，变化看起来很慢。 但仔细看一看过去这半年，变化其实已经在发生了。好多人嘲笑机器人跑马拉松，觉得这能说明什么。 但隔几个月再去看同一件事，感受是不一样的，明显比之前跑得好太多了。这就是在变化，只是没到那个让所有人都惊掉下巴的时刻而已。 还有很多人可能没注意到，自变量的机器人前段时间已经和 58 到家合作，进入了不少家庭，直接做家务去了。 注意，不是在实验室里做演示，是真的去普通人家里擦桌子收拾东西。还有工业场景也已经在跑了，汽车产线、物流分拣，都在真实环境里干真实的活。 当然，这些都是很微小的开端。就像 GPT-3.5 刚出来的那个阶段，好多人没有看见，还蒙在鼓里，但其实产业渗透已经开始了。 如果对具身智能或者人形机器人感兴趣，推荐去看一看自变量发的一些技术报告和模型。 哪怕不是做这方面研发的，只是作为一个爱好者，看看也会觉得很有意思。 我自己经常去翻这些信息，看完之后大概就能理解目前这个行业遇到了什么问题，以及大家在怎么解决。 光是这个过程本身，就挺有趣的。

先进封装的”耗材接棒”叙事最近很热，逻辑链也确实成立。但要理解为什么材料战场会从underfill转向CMP slurry，得先搞清楚一个更底层的技术拐点。 Micro bump方案同时撞上了三面墙。第一，bump pitch缩到25μm以下时solder bridging风险飙升，良率断崖。第二，JEDEC对HBM封装高度有硬限制，每层die加上micro bump加上underfill要吃掉40-50μm，堆到16层已经是物理极限，往20层走厚度预算根本不够。第三，underfill的thermal conductivity只有0.2-0.5 W/m·K，铜是401 W/m·K，差了三个数量级。每多堆一层die，中心层的junction temperature就更难控制。三个约束的共同解指向同一件事：取消solder和underfill，让copper直接做diffusion bonding。 Hybrid bonding解决了pitch、高度、散热三个问题，但代价是把容错率压到了atomic level。Micro bump时代表面粗糙度几十纳米就能工作，hybrid bonding要求Ra降到sub-0.5nm，任何一颗纳米级的particle都会在bonding interface形成void，后续thermal cycling会把void扩展成crack。这就是CMP slurry和Cu plating additives变成新咽喉的根本原因，配方质量直接等于bonding yield，bonding yield直接等于HBM产能。 但问题是，这条耗材链上谁真正有定价权。台厂的强项一直在设备和通路端。弘塑做ECP设备、辛耘做wet process清洗、中砂做pad和diamond disc，全部围绕化学品消耗量做文章，本身不掌握配方。崇越和华立是代理通路，帮信越、Fujimi把材料送进产线。真正自研CMP slurry配方的只有达兴和长兴，体量跟Fujimi、Entegris完全不在一个量级。化学配方的壁垒跟设备不一样，设备可以逆向工程迭代追赶，配方是几十年经验数据的堆叠，一款slurry打进台积电标准制程通常五到十年不会被替换。达兴说它的CMP slurry已经应用于N2并供货Arizona，如果属实，至少过了初步验证。但”应用于”和”规模化供货”之间的距离，有时候比技术本身还远。 资金从CoWoS设备capex转向耗材opex，方向没问题。但耗材链上真正有定价权的那一段在谁手里，市场似乎还没想清楚。