第五个武器，是权威。 权威原理表明，权威会深刻影响人的行为，即使是具有独立思考能力的成年人，也可能因为服从权威命令，做出明显不理性的决定。 在医疗系统中，这一点尤其明显，护理人员虽然受过正规训练，但面对上级医生的指令时，仍可能放弃自己的判断，甚至执行明显有问题的指示。 行骗高手也很清楚权威符号的力量，所以他们常常通过头衔，制服，高档西装和身份标志来包装自己，让受害者先产生信任，再放松警惕。 防范权威原理，可以先问两个问题，第一，对方是不是真正的专家，第二，即使他是专家，他现在说的是否可靠，这能帮助我们从身份回到事实。

重磅：人工智能(AI)即将改变未来城市结构，特别是房价、养老、工作、交通、医疗和教育。日本提出的一个直径1.58公里的海上浮动城市概念，配备抗海啸的可居住环形结构、海底线数据中心，以及一体化的食品/能源/医疗系统，不久会有AI巨头去实现。目前预计人均成本50到80万美元，

欧洲真的缺乏竞争力？欧洲企业家韦尔斯巴赫(@Welsbach_)给出了另外的答案：实际上，欧盟已经建立了一个结构更健康、人口统计学上更合理经济体。美国正在赢得短跑，欧洲正在赢得马拉松。证据呢？这张图片通过对比美国和欧盟的三项核心数据，旨在批判美国医疗系统的高投入、低产出，并探讨老龄化社会真正需要的经济模式。 1. 效率的极端反差：钱花哪儿了？医疗开支：美国人均花费$15,474，而欧盟仅为$5,000。解读：美国的人均医疗支出几乎是欧盟的3倍。这反映出美国医疗体系存在巨大的成本溢价，包括昂贵的药品价格、高昂的管理费用以及过度医疗，而非这些投入直接转化为了更好的健康结果。 2.结果的“倒挂”：花钱多反而寿命短？人均寿命：美国为79.0岁，欧盟为82岁。解读：这是一个巨大的讽刺。尽管美国投入了天文数字般的资金，但国民平均寿命反而比支出更少的欧洲人短了3岁。这通常被归结为社会福利保障、预防性医疗的缺失以及由于贫富差距导致的医疗资源分配不均。 3.社会问题的根源：健康习惯与肥胖。成年人肥胖率：美国为40%，欧盟仅为16%。解读：肥胖是多种慢性病(心脏病、糖尿病等)的诱因。高肥胖率不仅解释了为什么美国医疗支出如此巨大(治疗慢性病非常昂贵)，也解释了寿命较短的原因。这反映了两地在饮食文化、城市步行友好度、食品监管以及公共卫生干预上的显著差异。 韦尔斯巴赫(Christoph Welsbach)是一位活跃于欧洲科技圈的企业家和投资者，工作和生活主要在荷兰阿姆斯特丹。欧盟的数据暗示，更好的健康产出并不依赖于昂贵的末期治疗，而在于较低的肥胖率和更高效的公共医疗体系。在老龄化社会中，如果人均医疗成本像美国这样失控，财政将难以为继。真正的经济成功不应只看GDP增长，而应看系统能否以更低的成本，提供更长的寿命和更健康的国民体质。

最近研究 Arcium @Arcium 的时候，我一直在想一个问题。 过去的时间里，AI 行业几乎把所有注意力都放在模型能力、Agent 和应用体验上。 大家都在讨论谁更聪明，谁更懂自动化。 但如果 AI 真的开始进入企业、金融、医疗和机构级场景，那么决定它价值上限的，可能根本不是模型。 而是数据。 准确地说，只有这些数据才是真正能够创造价值的资源。 但它们同时也是最不能被暴露的数据。 于是一个新的问题开始浮现： 如果未来 AI 要处理这些高价值数据，那么它该如何在不暴露数据的情况下完成计算？ /////////////////////// 「 当 AI 开始接触真实世界的数据，隐私不再是附加功能 」 过去很多 AI 产品之所以能够快速发展，一个重要原因是它们处理的大多是公开数据。 但随着 AI 能力不断增强，它正在逐渐进入更复杂、更高价值的场景。 企业希望 AI 帮助分析内部运营数据。 金融机构希望 AI 提升交易、风控和决策效率。 医疗系统希望 AI 协助诊断和研究。 身份系统希望 AI 提供更精准的服务。 问题在于，这些数据的价值越高，对隐私和安全的要求也越高。 没有任何一家企业愿意把核心数据库直接开放给外部模型。 没有任何一家金融机构会允许敏感交易信息被随意访问。 这些数据需要被计算、被协作、被 AI 使用，但又不能被泄露。 某种意义上，AI 下一阶段最大的挑战或许已经不是模型能力，而是如何安全使用高价值数据。 如果无法解决这个问题，AI 的商业化上限终究会受到限制。 /////////////////////// 「 VVV 证明了 Privacy AI 的需求，但这只是故事的开始 」 有意思的是，市场其实已经开始给出答案。 Venice（VVV） @AskVenice 的出现，就是一个非常典型的信号。 很多人把 VVV 理解为一个 Privacy AI 产品。 但在我看来，它最大的意义其实并不是产品本身。 而是帮助市场验证了一件事： 用户确实在意自己的数据如何被 AI 使用。 过去大家默认接受自己的数据被上传、被记录、被分析。 但随着 AI 越来越深入工作和生活，人们开始重新思考： 我的聊天记录会被保存吗？ 我的研究资料会被用于训练吗？ 我的商业信息是否会被第三方获取？ 这些担忧正在变得越来越普遍。 而 VVV 的快速成长，也证明 Privacy AI 并不是一个边缘需求。 市场愿意为隐私能力买单。 用户愿意选择更加安全的 AI 产品。 企业同样需要更可靠的数据边界。 从这个角度来看，VVV 已经完成了 Privacy AI 最重要的一步： 证明需求存在。 但当需求被验证之后，一个新的问题自然会出现。 如果未来会有越来越多 Privacy AI 产品出现，它们最终运行在哪里？ 它们如何在不暴露数据的前提下完成计算？ 又如何实现多方协作和可信执行？ 而这些问题，恰恰把视角从应用层带向了基础设施层。 /////////////////////// 「 Arcium 想解决的，是 Privacy AI 背后的执行层问题 」 这也是为什么我开始关注 Arcium @Arcium 。 相比市场大多数 AI 项目仍然停留在应用层，Arcium 所切入的位置明显更靠底层。 它不是再做一个新的 AI Agent。 也不是再做一个新的 AI 产品入口。 Arcium 想建设的，是面向未来 Privacy AI 的 Encrypted Execution Network。 简单来说。 如果 VVV 代表 Privacy AI 的应用层。 那么 Arcium 更像 Privacy AI 背后的执行层。 VVV 让市场相信 Privacy AI 存在需求。 Arcium 则在尝试解决这些需求未来如何规模化的问题。 因为真正的隐私保护，从来不只是产品界面上的承诺。 而是数据在计算过程中依然保持安全。 计算能够执行。 协作能够完成。 结果能够验证。 这也是为什么我认为 Arcium 所在的位置比很多人想象中更有意思。 它切入的并不是一个短期热点。 而是 AI 进入企业级和机构级场景时必须面对的底层问题。 最近 Arcium 对 Inpher @inpher_io 的收购，也进一步强化了这种判断。 相比市场上的融资故事，我更看重背后的技术积累。 Inpher 长期深耕机密 AI 与隐私计算领域，并获得过摩根大通、亚马逊等机构支持。 对于机密计算项目来说，这类技术能力往往比短期叙事更加重要。 因为最终决定项目能否进入企业级场景的，从来不是营销能力，而是技术是否真正能够落地。 /////////////////////// 「 从应用到基础设施，Privacy AI 或许正在进入下一阶段 」 过去一年，市场已经逐渐开始理解 Privacy AI。 越来越多人开始意识到： AI 越强，隐私越重要。 真正高价值的数据不会完全公开。 未来的 AI 必须学会在不暴露数据的情况下完成计算。 而随着这种认知逐渐形成，市场关注点也可能开始发生变化。 从应用层到基础设施层。 从产品体验到底层执行环境。 从 Privacy AI 本身，到支撑 Privacy AI 长期运行的网络。 VVV 让市场看到了需求。 而 Arcium 所代表的，则是满足这些需求所需要的基础设施。 /////////////////////// 「ARX TGE，或许是市场重新审视 Privacy AI 基建价值的开始 」 最近随着 ARX TGE 临近，市场对于 Arcium 的讨论明显开始增多。 但在我看来，这轮关注背后更值得思考的，并不只是一次代币上线。 而是一个更大的问题： 当 Privacy AI 已经被证明存在真实需求之后，市场会不会开始关注支撑它运行的基础设施？ 过去一段时间，市场已经逐渐开始定价 Privacy AI 应用。 而对于 Privacy AI 基础设施，仍然处于非常早期的阶段。 当然，没有人知道未来谁会成为最终赢家。 但如果未来 AI 真的会深入企业、金融、医疗和机构级场景，那么 Privacy AI 不会只是一个应用故事。 它同样需要一套能够安全处理高价值数据的底层计算网络。 而随着 ARX 即将迎来 TGE，Arcium 或许正在成为这个方向被市场重新关注的重要节点之一。 至少从我目前看到的趋势来看，市场已经开始理解 Privacy AI。 而对于 Privacy AI 基础设施的定价，可能才刚刚开始。

最近香港系列很火 我也来讲讲我在香港这十几年的所见所闻吧 我准备出一个系列，聊聊新移民的真实生活——教育、医疗、保险、就业、金融……可能不够专业 但一定够真实。 先从我刚到香港的时候说起 那年我跟父母投资移民过来，受养人签证，家里在元朗买了套千万别墅，算很早一批的投资移民。当时我想插班香港的本地名校，像拔萃、圣保罗这些，人家基本不收大龄插班生（中学都算大龄），别说内地转校过来，本地人转校都不怎么收。转头找国际学校，很多也不收大龄的。而且我一直想找寄宿学校，结果全香港只有一两家：哈罗要200万债券，圣士提反不收插班生，最后只能放弃寄宿。 说回来香港之前，我在重庆中考考了680（满分750），重庆所有名校随便保送。但为了来香港，高一我脱产半年all in学英文——新概念和雅思。 之后我在重庆的国际学校也读了半年。重庆那所国际学校要求必须是外籍子女才能进，所以大部分同学都是外国人：韩国人、加拿大人、美国人，西班牙人等等，很多都是外企比如福特汽车的高干子女。那半年我结识了很多不同文化的朋友，非常国际化。 但是那边的师资真的没有香港好。我在课上至少纠正过物理老师4次错误，他经常在物理化学上出错，还得我去给他指出来。因为我从传统学校出来，理科比文科好，所以在重庆国际学校的考试，理科我都基本拿第一。 可是到了香港的国际学校（那所在香港挺有名，内地也有很多分校），情况完全不一样。当时债券20万，现在涨到50万了。上课我还是特别吃力。全英授课的物理、化学、生物，老师讲的我大部分听不懂。课堂上经常一脸懵，只能课后自己啃材料、读PPT、翻教科书，再找人补习，然后疯狂刷题。香港毕竟是国际化都市，师资资源比重庆好太多了，老师们讲的东西也更深更超前。 我记得很清楚，大概10年前，我进香港那所国际学校不久，经济老师在课上讲了比特币。当时我有一个香港同学，他买了很多比特币，很认真跟我说“比特币就是未来”。但我们大多数同学都不以为然，觉得那是什么乱七八糟的东西。我们中国人嘛，习惯以应试为目的，只会学书本上的东西，老师讲超出课本的内容，我当时也听不懂，也没当回事。结果就这样错过了发财的机会。现在想想非常后悔。 再说说我进学校之后的所见所闻。能进这所学校的，非富即贵。同学里面有深圳海岸城老板的孩子，有内地各种知名实业家的后代，甚至还有星二代（具体是谁就不说了）。大家确实有钱，但很多家庭特别复杂。离异重组算轻的，有的一夫多妻，有的好几个同父异母的孩子只送了一个来香港，还有的是私生子被送出来读书。总之家里有钱，但很少有人管孩子。老师也不会push学生，全靠自觉。 学校里的小圈子非常明显：香港人跟香港人玩，外国人跟外国人玩，内地人跟内地人玩。外国人其实占比很少，因为香港的国际学校不需要你是外籍。我上课很多时间也不听讲，大部分时间都是课后自学，刷了无数遍past paper，疯狂恶补专业词汇。那两年我花的时间比普通IB上来的同学多得多，再加上CAS、社工、写论文，时间管理拉到极限。现在回想，我最厉害的时候可能就是那两年。最终我考上了港大。 还有值得说的是，香港一直都是穿校服，大家也没有什么很强的攀比心理。有时候看到同学拿爱马仕铂金包来上学也见怪不，因为在这个学校比的也根本不是谁有钱，没有钱的人也进不来。 后面我会陆续讲这些年我的租房经历、香港大学生活、医疗、保险、就业等等。 不过大多都是很多年前的旧事，现在世界变了，大家只当个参考吧。 最后也要提一下 最近香港券商政策收紧 想买大宗商品美股的可以咱们看看链上 上Tradfi产品 种类繁多 费率很低 7*24小时多空双开！ @sunwukong_DEX @HuobiGlobal

卧槽，OpenEvidence 覆盖约 65% 美国医生，AI 医疗搜索迈入主流临床场景！ AI 医疗搜索平台 OpenEvidence 近日因一组数据引发行业关注：其产品目前已覆盖约 65% 美国医生，4 月单月出现在接近 2700 万次临床场景中。 相比面向大众的通用聊天机器人，OpenEvidence 更像一个面向医生的“证据检索入口”，主打基于医学期刊、临床指南和专业内容的快速回答，目前已与 NEJM、JAMA、NCCN、Wiley、Cochrane 等内容源建立合作。 这条新闻最值得注意的，是落地路径：不少医生是先个人使用，再由医院和系统补做治理与合作，典型体现了医疗行业里的“shadow AI”现象。 与此同时，UpToDate Expert AI、AMBOSS AI Mode、Doximity Ask、ClinicalKey AI、DynaMed 等竞品也在加速布局，说明 AI 医疗搜索已从边缘功能变成主战场。

$Lite 做光模块是英伟达供应商，国内新易盛都拉到300亿美金，lite是美区供应商才不到100m. $TEM 做解放医疗数据给ai训练的生意. $MU 天量级“AI推理端算力需求”，催生爆炸式HBM存储系统需求. $ATNF 做借债融资买eth，不是bmnr和sbet这种卖股融资的币股公司，最像mstr. 对买股的散户是一种保护. 以上四个是我最近最看好的美股🙏

马上我的主要日本法人 chekusu Inc 又到一年一度的决算季，我打算做一个基于 agent mail/phone 的员工 AI 系统，把每个员工的行政，薪金，证明，税务，邮件（电子邮件和纸质邮件），医疗全部用 wanman 来进行自动化管理，同时开源这个项目，对在日本运行法人的朋友来说估计会非常有用！

Inference：从底层基建到环境治理，定义 2026 “全场景”可验证智能 截至 2026 年 1 月 21 日，Inference @inference_labs 宣布其技术已完成从理论研究到大规模生产的跨越，针对 2025 年 Cloudflare 宕机揭示的互联网脆弱性，Inference 确立了 AI 系统不再仅仅是“运行”，而必须具备“可证明性”的行业共识 ■构建可信、可追溯的 AI 自主系统 Inference 的核心在于消除自主系统在关键决策中的“无声故障”风： ①拒绝黑盒决策：AI 系统如果不具备“推理证明”，可能会在无人知晓的情况下产生错误输出，导致医疗、金融或环境治理中的不可逆损失 ②验证无边界：无论是在复杂的链上金融交易，还是在利用机器人船只进行珊瑚礁生态修复等现实场景中，自主介入必须是透明、安全且可问责的 为了实现可验证智能的规模化，Inference 打造了双重技术引擎： ✅DSperse 模块化切片：通过将庞大的机器学习模型切片为可验证的组件，DSperse 解决了大模型“过大而无法证明”的难题，使其真正具备了生产出货的能力 ✅JSTprove 生产级验证：作为 zkML 的核心架构，JSTprove 正在 Subnet-2 上大规模生成加密证明，确立了 AI 决策的完整性与防篡改属性

#GM# 在 $yala 弃盘跑路至现之前，百科就已经提醒过各位要注意归零币惯犯刘斌、施枢标的骚操作。 这里再次提醒一下各位，注意刘斌和施枢标的 $ACH 系统性风险。 参考医疗链 $HCC 、 $yala 按目前的图形来看， $ACH 是准备出货出到死为止。 @Bin_YalaLabs @AlchemyPay @yalaorg  @Cody_DeFi  @follow_clues    @w3bD4nny  @yieldsandmore  @web3tokenomics @3liXBT  @AzFlin  @katexbt  @BoxMrChen  @0xAA_Science  @congge918 @0xjamesxxx  @gch_enbsbxbs   @KazumaxCrypto  @yi_juanmao  @Allbojierfu @rtk17025  @NJXD001  @Seasui23  @Bqlsj2023  @CryptoGemRnld @JuliusElum  @CryptoGemRnld  @DeFi_Cheetah  @phtevenstrong  @DrHashClub  @Tinkerbell_web3  @bclaobai  @flyiiawei  @kimyg002 @0x_CryptoAu  @Moneygurudigi  @youzi_chigua