19 歲第一次做手術真的會記一輩子捏... 自己在屋裡怕冷 怕黑 沒人扶著走的2天明白了 還是找個「長期固伴」吧 不管你是誰 見面一定要準備好「小雨傘」 這是對我最後的體貼捏 讓我們先認識一下吧 謝謝推特能給流量 讓他找到我

【开源镰刀 Open Rug 17 - 以博彩的逻辑设计Crypto项目】 首先先庆祝一下2万粉，感谢大家抬爱🙏 愚以为Crypto主线只围绕三样东西: 邪教、赌场、资金盘 三样中间，邪教无法复制。三盘理论指导资金盘设计，那么如何围绕赌场逻辑做Crypto项目？ 当然这是可以的，不要对这样的PVP有偏见，它可能是这一轮牛市除了ETF外真正的主线之一——博彩的第四次工业革命👇 Crypto是博彩行业的第四次工业革命 博彩是全球流水最大、历史最古老的行业之一，已经经历了三次工业革命： 1️⃣第一次：19世纪末，首台拉杆老虎机的发明，标志着博彩进入了工业时代。 2️⃣第二次：1960年代，老虎机的电子化，使得奖池的积累成为可能。 3️⃣第三次：1990年代，线上博彩的兴起。 这三次主要改变了博彩的参与方式，即让博彩自动化，再到多媒体化，再到无国界化。然而，尽管形式变化，博彩游戏形式的本质——如数百年历史的百家乐和blackjack，以及老虎机的基本规则——并未发生实质性改变 🤷结果就是GenZ时代的人群对于传统博彩的参与率越来越低，因为这一代博彩行业遇到了前所未有的问题: 与游戏行业的竞争 更少的人愿意参加爷爷辈就在玩的一尘不变的博彩游戏，尽管它“能赌钱”这一点没有变。我认为根本的原因是年轻人不希望接受老一代定下的规则 - 他们对此没有话语权，同时不具有平等的监督权力: 比如包网可以卡你提现ban你IP，赌场可以随时改杀率 🤑年轻人的核心需求仍然是赚钱，但他们希望自己能够掌控游戏，这一点目前只有Crypto以及智能合约能够实现 - 智能合约不仅能进行强制性的结算，甚至可以成为赌具本身 Crypto已经是博彩行业，这个深藏水下的全球最大行业之一，正在发生的第四次工业革命内容的共识。同时，博彩也是已知的最靠谱的Crypto项目产生真实收益的方式。而绝大多数这两个行业的从业者都还没意识到，这个逻辑可能达到足以撑起一个单独的链上牛市 怎么在Crypto项目中运用博彩的逻辑？ 首先你要理解博彩的逻辑。所有博彩游戏本质上只有三个逻辑: 1. (以什么形式)投注 2. (怎么)判定胜负 3. (谁)决定胜负 通过博弈产生收入的产品，如交易，对应起来则是 1. 发行 2. 交易 3. 做市 从Uniswap到NFT、铭文、数藏、Friendtech、Pump等，抛开庞氏部分，单从交易来说，只是对这三个象限进行修改后的排列组合 没看懂？我给你来个例子 几乎目前每一个主要博彩平台，包括Stake、Bitcasino、Rollbit，都有一款游戏叫Crash(崩盘游戏)，崩盘游戏的规则如下: - 💰选择你投注的金额 - 🔣选择你愿意持有赌注直到兑现的倍率 - ⌛买定离手 - 📈系统会随机给一个崩溃点，然后从1x开始向上走直到崩溃。 如果你的持有倍率>崩溃点，那么你就输钱了；如果你的持有倍率<崩溃点，那么你就可以拿走持有倍率的利润扣掉手续费 举例: 你下注100块，你现在知道有1%的几率开盘1x就崩，游戏回报率是99%。那么如果你设定持有1.98x倍率，不考虑庄家优势，你的胜率理论上就是99/1.98x = 50% 🙋你会问: 为什么我要说这些？ 问这个问题说明你慧根不足，让我们把 @Pumpdotfun 代入进去 1. 选择你Pump内盘塞多少(发行/投注) 2. 你的倍率由Bonding Curve或者Raydium AMM曲线决定 (交易/判定胜负) 3. 你的盈利/亏损由dev或其他大户决定，如果他们拉盘，你的倍数就会非常高；如果砸盘前你没跑，那么你基本就亏损或归零(做市/决定胜负） 看懂了吗？Pump的机制其实就是赌博游戏Crash，只是套了meme币的壳子。所以如果你觉得Pump过度PVP，其实也没错，因为Pump本身就是二元博彩的内核 如果你还不太理解，建议去 玩一下 博彩的货币化是未来，而不是博彩+加密货币 Rollbit/Shuffle们的本质其实还是包网。包网早就是红海了，唯一的竞争点就是运营，你给多少体验金，多少包赔，多少返佣blablabla。其核心逻辑是做对手盘吃客损，让用户在自己的规则框架里赌。把这个流程模式固化到流量*转化比*客单价=GGR。他们的运营骨干主要是前大厂被优化员工，游戏/互联网流量逻辑重度路径依赖者，无法理解crypto时代的逻辑 新一代GenZ们赌性比前辈只强不弱，但是他们要的是自己能够定义赌局，能够有自己的“门道”或者说Alpha。Crypto里的资产逻辑很好的承担了这个特性。 在博彩逻辑里，token/NFT/铭文等各种资产逻辑让一个简单的“赌”可以被包装成“交易”，名义上或实质上添加了更多的博弈选择，同时可以通过桥接外部流动性的方式，将盘口体量放大，将可感知博弈风险降低 💪这其实就是Pump们的革命性——货币化赌局，赌具化货币 明确划分庞氏逻辑和赌场逻辑 Ponzi和赌场是可以交叉的。当年你可以往澳门VIP厅存钱做台底年化可以30%。但是作为设计者，你要明确自己的受众是什么人。资金盘受众中很多人是因为风险厌恶才玩盘子，比如分红盘玩家。你给他们一个赌盘是没用的 相应的，赌盘做生态要找开小赌盘（土狗）的，拆分盘做生态则需要找受众目的与母盘操盘方向一致的。因此一定要首先明确自己是赌盘还是资金盘，然后自己操盘的目的是什么，以终为始 最后祝各位老板开盘得利，我们西港顶峰相见！

今天是燒燒退退的第三天🤒️ 蓋了四條被+暖扇還是冷 先說我不是因為打疫苗而導致的發燒…… 昨天也有去看了醫生 醫生是說距離腸胃型感冒還有一段距離 有可能是身體某個地方發炎所以導致發燒 有開藥給我吃 也要我自己多多注意😢 這次生病是我這輩子最不舒服的一次…… #祈禱我能夠快快好起來恢復元氣🥺#

有趣新闻：川普总统的一个坏习惯今天让我感到担忧。 因为这个习惯造成的损害不仅会落在川普身上，而是会波及整个美国。我需要每一位美国人都能感同身受我此刻的感受。 川普喝太多Diet可乐，睡眠不足，常常错过正餐，每天工作18到19小时。他的医生们已经一再劝告他：请放慢脚步，请好好休息，请先照顾好自己。而川普却对这些建议置若罔闻，径直回到办公桌前。因为在他看来……美国刻不容缓。 我理解这一点，我尊重这一点，我欣赏他这一点。但今天……他这种执着让我感到担忧。因为这就是大多数美国人从未公开承认的真相：我们再也找不到像他这样的总统了。永远不会。一个捐出全部薪水，日出而作，错过正餐，错过孙辈，午夜出行，默默承载着3.4亿民众的心声的人。这样的人是无法被取代的。如果他的健康因这些习惯而受损……美国将失去一些无论选举或权力都无法挽回的东西。 所以今天……我不是写信给美国，而是直接写信给川普总统。拜托了，为了美国，请多睡一个小时，按时吃饭，好好照顾上帝给你的身体。因为我们需要你的健康远胜于你的忙碌。你是无可取代的。美国正跪地恳求你，请你照顾好自己。 如果你也每天为川普的健康祈祷，现在就点个赞！ 转自：Philip Ma

美國這次選區重劃的大混戰，有一個法律的重點是1965年通過的投票權利法第二章(VRA Section 2)，在大法官的判決裡，作出了一個重大的改變，一如在大學入學的種族配額(affirmative action)被判違憲一樣，大法官規定選區的劃定，不得把種族作為考量，一舉把VRA Section 2的使用限縮到幾乎沒有。許多的左派，哭天搶地，一如之前的哭訴「那以後黑人怎麼進哈佛」一樣，這一次也是，「那以後黑人怎麼選得上眾議員」？神經病，別人怎麼選上，你就怎麼選上。美國現在這麼多的黑人國會議員，比如說像南卡的參議員Tim Scott，憑著真本事，在白人居多數的選區，先選上眾議員，現在又代表南卡作為聯邦參議員。誰說黑人一定要靠保障名額才能選上國會議員？哦，民主黨當然一如往常，把所有加入共和黨的黑人，視而不見，直接不當黑人了。 Affirmative action也好，先前的VRA允許的黑人多數選區劃分也好，都是立意良善，但會把黑人的未來摧毀的惡法。幾十年下來的入學保障名額，造成現在上醫院，只要看到黑人醫生，大部份的人就怕怕的。如果我可以選，我一定只選亞裔和白人醫生，你要說我種族主義也沒關係，我不拿我的身體健康開玩笑。為什麼？因為所有的證據顯示，黑人入學的時候，採用了較低的學術標準，在學訓練，也受到刻意優待。凡是有affirmative action的地方，我一律不相信黑人的水準。如果今天NBA開始有亞裔保障名額，我馬上拒看NBA，這是一樣的道理。到頭來，真正可以靠實力當上醫生的黑人，反而碰到他們不應該有的歧視，多可惜。但是誰害他們的呢？這些自以為高貴的死左派，老是把弱勢族群當作他們可以保護的吉祥物，而完全不相信他們的能力，這些傢伙，才是真正的種族主義者。 1965的投票權利法，有其時代背景。林肯在南北戰爭的末期被刺殺死亡，而讓南方來的Andrew Johnson副總統扶正，這個Johnson把南方的「重建」完全拐了個彎。原本趁著戰爭勝利，北方要把南方的種族主義政策徹底消滅，要軍事佔領南方一陣子，要確保黑人在南方的權利得到保障，但Johnson的提早結束重建，一下讓南方的白人又拿回了政治掌控權，原本南方各州紛紛出現黑人的共和黨州長、國會議員，一下子就被逆轉翻盤，南方自此變為Jim Crow的世界，一個白人用暴力和法律刁難黑人，造成實質種族隔離的反動時代。一直要到下一個Johnson總統，繼位被刺甘迺迪的詹森，將近一個世紀之後，這個Jim Crow的時代，才告一個終結。這個1965年的VRA，也許就是詹森一輩子最大的貢獻。 VRA非常清楚地規定南方各州不得用法律刁難任何人的投票權利，也不可以用選區劃分的方式，「稀釋票源」，這個禁止稀釋票源的規定，就是先前最高法院准許，而南方各州都遵守的方式，在每一州，硬是劃出黑人為多數的眾議員選區，也可以說是深紅南方的民主黨保障名額區。但大法官終於把先前的解釋推翻掉，一如affirmative action一樣，憲法說的人人平等，真的就該不分種族人人平等，沒有人得因為種族膚色受到歧視、不公平對待，也代表沒有人可以因為種族膚色而得到優惠。什麼叫「稀釋票源」呢？誰說黑人都一起投票，都有一樣的政治認知，都會選一樣的政黨？大法官把VRA放回憲法的框架，是美國法律之前人人平等的正確走向。 民主黨深深相信大法官都是有政治意圖，所以他們准許了德州的選區重劃，限縮了VRA，讓更多的南方紅州可以全面翻紅，但我相信能當到美國最高法院的大法官，一輩子都不用再找工作，在這個人世最重要的就是歷史留名，許多我們凡人的考量，一己之私的計算，並不是所有大法官在這世界的做人處事準則。他們也批准了加州的選區重劃，給了民主黨佔便宜的機會，怎麼不說大法官是有政治考量呢？只要不違反憲法，州的主權確定了各州自行劃分選區的權力，這就是大法官的判決原則。不要急著否定最高法院的原則性，你等著看他們怎麼判川普否定「出生即公民」的憲法權利，再來看共和黨怎麼罵最高法院，你就知道這些政治攻防，不過是一場戲，美國憲法還是剛健如山的保護著美國人民。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。