小資專屬感謝祭✨ 一天不用20$ ！ 即可解鎖我本人無碼圖影 點擊連結🔗解鎖觀看 未成年禁止進入⛔️ #完成訂閱或轉推愛心截圖# #TG找我領限定無碼寫真❤️#

一位国内交易者，借助Obsidian搭建起专属第二大脑，每天清晨都能收获3个交易思路，仅用半年时间，就凭借这些思路斩获18万美元盈利。 整套系统依托N8N的6条自动化工作流运转，能自动抓取他阅读过的文章、收听的播客以及语音笔记，统一汇总到Obsidian共享知识库。每天早上6点，内置的神经网络分析师会梳理新旧笔记的关联，筛选出当日3个最优交易想法推送至收件箱。 他没有繁杂的分析操作台，没有彭博终端，也不靠交易群交流信息，仅靠一台放在角落的Mac Mini、一部随身携带的iPhone，搭配本地Obsidian知识库，就完成了整套交易决策体系。 对比之下，传统量化基金想要获取同等质量的决策洞见，需要组建8人专业团队，而他的成本仅为Readwise、Whisper API与N8N托管的订阅费用。 6条工作流每日处理近200个信息源，每月API相关支出仅120美元。 Mac Mini本地存储全部知识库，保障神经网络分析师全天候运行。他通过iPhone向Telegram机器人发送路上突发的交易灵感，短短30秒，内容就会同步至知识库收件箱。 在他知识库根目录的VAULT.md文件中，写着这样一段核心指令： “你是独行交易员的AI分析师，每日清晨6点梳理知识库，挖掘新旧笔记关联，输出3个交易想法，供其开盘前一小时验证。 工作流： // 阅读器：从Readwise、推特书签、Kindle抓取文章及高亮内容至笔记库 // 收录器：通过Airr转录播客、Whisper转录语音笔记并归入笔记库 // 接收员：接收Telegram机器人消息，带时间戳存入收件箱 // 关联器：每日夜间遍历知识库，更新4000条笔记的关联图谱 // 简报员：清晨6点生成含3个交易想法与本周核心论点的简报，推送至收件箱 // 移动端：搭载于iPhone，语音解答知识库问题，外出时确认预警通知” 系统仅在新笔记与核心交易观点冲突，或某一交易想法置信度超90%时，才会推送通知提醒他。 具体数据上，阅读器每日抓取80篇左右文章与标注内容，收录器每周转录4-6期播客，接收员每日通过机器人收录15-20条灵感。关联器每晚新增25-30条笔记关联，简报员准时生成决策简报，移动端则随时响应语音查询。 即便他在通勤、用餐时，也能通过iPhone语音查询知识库内容，快速核实股票相关笔记、决策支撑依据与反向观点，在美股开盘前完成下单操作。 上周一的系统简报清晰显示：周末收录78份资料，11份聚焦半导体行业；关联器发现27处新关联，高盛报告与此前英伟达观点高度匹配；当日3个交易想法分别为做多英伟达、财报后做空特斯拉、关注URI，同时预警半导体新笔记与原有观点存在冲突。 整套系统无云服务器、无专业团队、无昂贵终端，仅靠本地设备与轻量化工具，每月成本120美元，却能实现月均3万美元收益，成为极简高效的独行交易典范。

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

誰先讓企業的日常工作流在自家 AI 上運轉，誰就贏得了下一個十年 當前 OpenAI , Anthropic 才剛開始打企業戰 , 市場應該也還沒有完全反應導入比例大幅上升後的產值 讓我們看看當前各個產業的採用比率 當前採用率超過 50% 的其實只有 - 科技/軟體 - 航太/ 國防 - 金融服務 - 製造業 - 電信 - 醫療健康 - 零售/電商 - 媒體娛樂 - 其他專業服務 為什麼 AI 賽道當前依然看不到上限, 即使 claude 當前的方案已經是我自己有一個、加上團隊版有一個, 還是常常會遇到 單一 session 用量打到上限的問題 多帳號的一個問題是, 很多 context 沒有辦法整合, 所以如果我常用不同版本的 claude 在完成一系列的操作時（不同賽道的分析 , 或是不同產品的研究）, 在遇到上限、同時有 deadline 的需求時, 還是得乖乖付費 😅 我認為既然個人戶, 小團隊都會遇到這樣的問題, 大組織肯定也是, 且消費潛力更高, 企業肯定傾向先買斷一定額度的費用, 以 「token 用不完」的這個前提把未來 AI 這一部分的花費給認列 近期有關 Anthropic 最大的新聞是跟 SpaceX 的合作 xAI 旗下的 Colossus 1 數據中心（300 MW 容量）將開放給 Anthropic 使用，直接提升 Claude Pro 與 Claude Max 訂閱用戶的 token 配額，雖然此容量遠不及與 Google 簽下的雲端算力合約（5GW 級別） 只能說 Anthropic 的多角化佈局越來越強了，Anthropic 創辦人 @DanielaAmodei 近期也表示：AI 同事時代正式開始，企業採用的速度將會大幅上升 OpenAI 部分：自從 GPT-5.5 推出之後開始出現轉機，OpenAI 正在將 Codex 打造成企業的「AI 員工作業系統」。 「95% 的 OpenAI 內部工程師每天運行 10–20 個 Codex agent」 對於市場預期，看似大家更喜歡 GPT-5.5 更勝 Opus 4.7 （或許是因為大家對 Opus 的預期本來就很高） 💥管顧業的結構式破壞 除此之外也有一些變動動到管顧業的蛋糕 🍰 麥肯錫宣布將引入 AI agents 接管顧問配對業務，公開承認 AI 可以替代其核心內部流程 麥肯錫的做法是用 AI 增強自身，將 AI 作為槓桿使用，前提是顧問本身必須具備 AI 無法替代的判斷力與關係資本 當分析師被 AI 取代、Claude 成為企業的「同事」，企業主對 AI 的依賴度一旦超過某個閾值 AI 公司實際上就成為了新型的「決策基礎設施供應商」影響力遠比傳統管顧公司更深

这是一场没有硝烟的战争。 而我们必须打赢、终将打赢。 追根溯源，Permit 的本意是好的。而现在，利用它便利性的钓鱼，成为了链上噩梦之一。 ScamSniffer @realScamSniffer 公布了几次报告，所有网络中， 90% 的被钓鱼资产为 ERC-20 类代币。而这其中主要的钓鱼方式就是 Permit / Permit2 钓鱼签名。惨不忍睹。 不开玩笑，今年绝大部分你听说过的个人用户巨额钓鱼，都是 Permit 钓鱼。 一、恐怖片 实话说，早期以太坊玩家过着烧钱的苦日子。 每次和不同的合约交互，都需要付 Gas 去授权代币， Swap 或者 NFT 买卖需要两笔交易才能完成。 而现在，Permit 的使用已经完全普及各个 Defi 项目。你只需要将代币授权给 Permit/Permit2 这个「中介」合约一次。 之后，合约需要调用代币，只需要你的一个签名，节省了 Gas 和时间。 坏消息是，这个便利性变成了「借刀杀人」的恐怖片。 假官网、假空投、假土狗泛滥猖獗、张牙舞爪。其绝大部分都在打开网站的第一时间，就会很着急地弹出钱包、让你「签名登录，从而骗取 Permit 离线签名。 假如软件钱包/硬件钱包没有任何提醒，或者你忽视了潜在的风险，代币权限就被一键钓走了。 黑客得手后，便可以随时用这个签名转走对应的资产。很多时候被盗之后，你甚至没发现是因为这个小小的签名。 各种质押代币是重灾区，经常一钓就是大的，大到震惊全网。 这一切本可以被避免，只要用户得到足够的信息和警告。 二、核心的矛与盾 这个问题的本质就是「盲签（Blind Singing）」。Permit 钓鱼，仅仅只是其带来的风险的一个子集。 「盲签」意味着，你在签名与智能合约交互的时候，看到的是一堆二进制或十六进制乱码的「天书」，而不是清晰地告诉你签名目的和资产可能的变动情况——如转账金额、接收地址、调用的合约和方法等。 这种情况下签名，你可能会被误导，从而被诈骗。 要读懂「天书」，需要字典。而这个字典就是 ABI（Application Binary Interface，应用二进制接口）。它告诉钱包如何解释分析合约中的方法和参数，从一大串字符中提取有用的信息。 硬件钱包的好处在于，即使手机电脑被黑，黑客也无法拿到你的私钥权限，无法物理操作你的资金。但这也导致其受到性能、断网隔离等限制，在解析「盲签」上面临更大的挑战。 三、开诚布公：OneKey 如何推进？ 「盲签」的问题我们必须解决，终将解决。 （1）现在完成时 ✨ 我们先从最大的祸害，现在绝大部分黑客都在使用的「Permit 钓鱼」快速入手。 黑客在钓鱼的时候可能使用的调用方法有「Permit/PermitBatch/PermitBatchTransferFrom/PermitSingle/PermitTransferFrom」，这些都是需要能被解析出来的内容。 现在，OneKey 的 App 软件钱包和 OneKey Pro 硬件钱包，都已支持以太坊和所有 EVM L2 的所有 Permit 类型风险提醒。 假如你签名的是 Permit 授权类型，在你签名之前，我们将会进行一个【高亮提醒】并确认。Classic 1s 也在快速跟进。 和前面提到「以为是普通的登录签名，结果却是签了 Permit 授权导致被盗」的情况说再见吧。 此外，我们已经支持初始授权代币给 Permit/Permit2 合约时，设置「用多少授权多少」。 （2）App 的现在进行时✨ 11 月底（也就是两三周的时间），App 将会渐进式更新的签名交易数据 ABI 解析。 要把所有的签名都能解析，这其实是一个巨大的体力工作。这里有个以太坊签名数据库（www.[删掉]4byte.[删掉]directory），收集了高达 1,350,091 个不同的签名。 目前，我们从以太坊最近 100 万条交易，统计出来了 Top 1000 个合约方法。我们将收集足够多的 ABI（目前也有很多现有的裤），争取 100% 覆盖。这也将涵盖各个 EVM L2。 我们将优先处理高风险的 Permit 类型，之后再扩展到全部。 不管是使用硬件钱包还是仅使用软件钱包，你都能 App 上读取签名目的和资产变动情况，如转账或授权金额、调用的合约和方法等。 此外，OneKey App 将在这之上进行额外的检测。一个是对交互的合约地址进行「是否交互过」检测。帮助你确认这个是你交互过的可信合约。另一个是进行「合约风险监测」，这一块我们将与 BlockAid、ScamSniffer、GoPlus 等知名机构合作。即使是信赖的大项目合约因为黑客出现风险时，也可以第一时间在交互确认前得到警告。 （3）硬件钱包的现在进行时✨ 有了前面的工作，我们将会实现在硬件钱包本地的解析。这样你能够在 App 和和硬件钱包离线本地进行两次确认，更安心。 这意味着，我们将会把 ABI 内置在硬件钱包中，并及时更新各种智能合约新的 ABI。 与 App 同样地，钓鱼重灾区「Permit」系列签名解析，会是我们重点优先推出的对象。 对于无法解析的，我们会警告，并允许用户设置禁止签这种类型的交易，以此倒逼各位新的项目方对 ABI 标注文件进行公布。 同时，我们也建议各位手握大额资产 Permit 调用权限的项目（尤其是质押类），除了保护好自己的合约多签权限之外，也增加类似 T+1 时间锁的功能，让用户即使被钓鱼也有时间反应和阻止。 关于 ABI 的收集，我们的友商 Ledger 在这一块是先锋者，他们推出了「Clear Signing」计划。 主要是在这个 GitHub （https://github.[删除]com/LedgerHQ/clear-signing-erc7730-registry），由第三方上传 ABI 标注文件然后他们进行审核，通过后会更新到固件中进行解析。 （4）其他更进一步的升级✨ a、支持展示硬件钱包的交易数据，进行第三方解析。 对安全要求更高的用户，有时候希望多方认证确认。 我们将通过硬件钱包屏幕展示出动态二维码，在二维码中编码了完整的待签名数据。或者是通过蓝牙加密传输的方式。 用户可以通过外部服务（比如一个第三方的 Ap）扫描该二维码，解析待签名内容，展示给用户。用户核对后，在硬件钱包上确认签名。 b、支持多帐户批量取消授权 & 动态监控。 当项目的合约发生权限问题时，黑客调用 Permit 转移资产往往需要一定的时间。不少用户是来得及进行取消授权拯救自己的资产的。当然，更好的情况是用户自己定期取消授权。 我们正在进行这方面的研发，针对突发风险的合约，针对目标用户进行推送预警，并提醒用户批量取消。不过这个服务消耗资源很大，我们会考虑使用订阅的模式，面向深度用户。 安全不是一个结果，而是一个动态博弈的漫漫长路。而这条路上，我们充满了决心。 共勉。 以上，欢迎点赞分享——让更多朋友明白 Permit 的风险以及我们硬件钱包的努力方向。

重新审视 Token (词元）的属性 TLDR： 之前我也一度觉得是大宗商品/资产 甚至还设想过相关的交易和定价逻辑 也看到不少人提过Token期货，交易所之类 但现在我倾向它只是一种服务，没必要过度金融化 毕竟它没有办法脱离AI推理单独存在，无法被提前生产出来或预先被囤积。但换个角度看，是服务，就天然是分层的、多元的，不同的人有不同的需求，这其实也恰恰奠定了AI 经济必将是百花齐放而非赢家通吃的基础。 在这浪潮中，红利属于能把廉价 Token 加工成更有价值的 Token 卖出去的人。 -------------------------------- 我的一些个人思绪和逻辑： 1、Token (词元）经济从何而来？ 首先它是AI训练转向AI推理的产物， 这是理解 Token 商业模式的基础。 过去模型训练时代，主要是卖算力时间。为什么？因为训练是持续性的大工程，需要大量算力协同工作。这种规模的投入，有资本的大厂基本都会选择自购，毕竟可控性最强，但对于没有能力一次性投入大量资金的团队来说，出于对稳定性的要求，也会倾向选择租赁模式，包下一整段时间的独占使用权，榨干这段时间内算力的所有价值，是一种占用的逻辑。 但随着主流大模型开始进入商用阶段，AI 算力的需求重心也从模型训练转向了推理。你用 GPT聊天、用 Claude写代码、问豆包问题，这些本质上都是在跑推理，每一次调用，都在为你做一次推理和计算。 而推理是相对碎片化的、一次性的、用完即走的。虽然也有不少企业，仍然会采用租赁或自购的模式来跑推理，但对于广大中小开发者和应用方来说，他们对算力独占性的要求并不高，因而额外衍生出了按消耗计费的模式，这样算力服务商就可以把算力资源同时卖给成千上万个客户。 Token (词元) 就是在这种背景下而产生的，衡量每次计算消耗了多少资源的那个单位，你付的钱，就是对这次计算的补偿，本质是消耗逻辑。 所以训练和推理是完全不同的生意形态： 训练时代，商业模式是卖 GPU 时间。 推理时代，商业模式是卖 Token (词元)。 --------------------------------- 2、为何Token (词元) 是服务属性而非商品/金融属性？ 卖Token (词元)，就是卖服务！ Token (词元) 经济，本质是服务经济！ 为什么？ 一个比较直接的原因是 Token (词元）不能被预先生产出来，而是产出后就被消耗掉了，并作为衡量你这次推理服务所消耗资源的参考，来给你计费。 且Token (词元) 的一些特性，也和大宗商品的逻辑不像： - 价格长期下降趋势 - Pay-As-You-Go - 难以标准化 你在Claude的100万Token额度，和你在Minimax的100万Token额度，两者本身是没有可比性的，模型不同，性能不同，定价完全可以不一样。 而大家愿意接受价格差异的原因，也是因为 Token (词元) 本质上计量了一种非标准化的服务，而不同用户对服务的诉求是不同的，有的人看重性能，所以愿意支付溢价，有的人看重成本控制，所以觉得国产开源模型也够用了。 而整个模型市场占有率，并没有出现几家独大，本身也是其服务属性的体现。如果 Token (词元) 是资产，那资产的流动性、网络效应，一定会引发所有资源最终向一个市场集中，形成赢家通吃的局面。但恰巧 Token (词元) 其实是服务，而服务市场天然是分层的、多元的，不同的服务商满足不同的需求，所以才构成了 AI 经济百花齐放的基础。 我想通这点后，就不再纠结模型厂商只有哪家笑到最后了。 因为未来必将是多模型共存、多层级并行的格局，Token（词元）也将会被计入到企业的会计成本之中，并反映到企业的产品和服务之中。 比较值得关注的一点是，AI时代Token所代表的服务经济和传统的人力服务经济，成本曲线可能是完全反过来的。由人所提供的服务，长期要求的是报酬上升，这也是为什么服务业占比高的经济体，服务更贵。但 Token 服务恰恰相反，价格长期只会下降，当 Token 逐步替代掉一部分原本需要人力智力才能完成的工作，这部分成本不但不会随时间上升，反而会持续走低。 这可能也是这一波AI的红利之一。 ------------------------- 3、这个Token (词元) 服务都有谁在卖？ - 闭源模型厂商 - 开源模型厂商 - 开源模型托管商 - 大模型聚合器、中转站 1）闭源模型厂商：直营为主，分销为辅 最直接的模式。OpenAI 卖 GPT 的 Token，Anthropic 卖 Claude 的 Token。模型自己训的、API 自己提供、定价权在自己手里，产品和渠道都是自己的，跟品牌直营店一个逻辑。当然作为最顶级的模型，难免会被接入像一些API中转站，或者Open Router这样的大模型聚合平台被动分销。 2）开源模型厂商：开源也挺赚钱的 开源模型谁都可以拿去用，很多人不想自己本地跑，因此催生出了一批开源模型托管商，他们可以帮你跑模型，并按 Token 收费。但这就引出一个问题：Token 的钱都让模型托管商这些中间商赚了，开源模型的开发者自己怎么赚钱？这一点，至少中国的开源模型厂商，走的很灵活。 像Minimax，Kimi，Zhipu，它们都有自有的 API 直售，更多面向开发者群体，并且也都有自己的 Coding Plan 订阅包，把按 token 计费玩出了订阅制，完全是中国移动卖流量的玩法。而OpenClaw 这波更是让它们赚得盆满钵满，各自推出了品牌化的 Claw 产品，帮用户把 OpenClaw 部署好，底层跑自家模型，Token 消耗从自家 API 走。 3）开源模型托管商：帮别人跑模型，赚差价 对于那些没有能力或意愿自己卖 Token 的开源模型来说，托管商就是它们触达用户的渠道。它们帮开发者跑模型、按 Token 收费： - Together AI / Fireworks：自有 GPU 集群 + 极致推理优化，核心竞争力是翻台率，同样的卡单位时间能吐出更多 Token。 - Groq：自研 LPU 推理专用芯片，不用传统 GPU，核心竞争力是极致速度，跑 Llama、Qwen 等开源模型比 GPU 快。 - Cloudflare Workers AI：全球 300+ 边缘节点，跑 Llama、Mistral、Qwen，最近还加了智谱 GLM 和 Kimi，核心竞争力是低延迟 + 开发者生态 - AWS Bedrock / Google Vertex AI — 企业级云平台，跑 Llama、Mistral 等主流开源模型，核心竞争力是客户的数据和基础设施已经在这些云上了，迁移成本低 4）大模型聚合器：一个入口管所有模型 闭源和开源的大模型越来越多，而不同场景适合不同模型，不同模型的优劣势不同，对开发者来说，一个个去接不同厂商和托管商的 API，管理起来很痛苦。于是催生了 OpenRouter 这类聚合器，可以接几十个模型，开发者在一个地方统一管理、按需切换即可。 OpenRouter按照批发转零售的模式盈利，各家模型厂商把自己的Token分销出去。而 OpenClaw 这波直接让 OpenRouter 上中国模型的消耗量暴增，前十名 Token 消耗量中，中国模型占了 61%，前五有四个是中国的。 而围绕这条 Token (词元) 产业链，也衍生出了一些其他的参与者和新需求： 第一是一些推理优化引擎，vLLM、SGLang 这些开源项目，在大家对效率极致追求的当下，通过对硬件算子层面（更高效地利用 GPU 计算单元，减少内存碎片和带宽瓶颈）以及 LLM 算法层面（让多个请求共享已经算过的内容，更聪明地管理显存）的优化，提升同一张卡在同一时间内的 Token 吞吐量。 它们自己不面向终端用户收费，但 Together AI、Fireworks 这些托管商底层用的就是这些技术。也有不少自己本地跑开源模型的开发者，会直接使用 vLLM 或 SGLang 来搭建自己的推理服务。 第二是对Token消耗的优化需求，当 Token 消耗逐渐常态化，自然就会有人开始琢磨怎么省钱，也有不少人早就抱怨OpenClaw高昂的Token消耗，那么，帮你预览一次 Prompt 会消耗多少 Token、建议怎么优化 Prompt 来降本、甚至自动帮你选性价比最高的模型和服务商的产品，就很有市场了。 ---------------------------- 4、AI经济时代，真正的机会在哪？ 我觉得 Token 经济的红利，属于把廉价的 Token 加工成更有价值的 Token 卖出去的人。 1）如果你有能力，就做一个模型，哪怕是微调的 你不需要从头训一个 GPT，在开源模型基础上针对某个垂直场景做微调，只要在某个细分领域效果够好，就有人愿意按 Token 付费调用你的模型。前面说了，Token 是服务，服务市场天然分层，通用大模型吃不掉所有场景，垂直微调的模型在自己的领地里反而更有定价权。 2）做一个新时代的产品，开放 API 你的产品底层消耗 Token，但你的产品本身也可以对外输出能力，你开放 API，让别的开发者和 Agent 来调用。你买入底层模型的 Token，加上你的产品逻辑和数据，产出更高价值的 Token 服务卖出去。这跟传统行业买原材料、加工、卖成品的逻辑是一样的。 3）写 Skill，做 Agent 每一个被广泛使用的 Skill 和 Agent，背后都是源源不断的 Token 消耗。你写的 Skill 越好用、越多人用，你帮模型厂商卖出去的 Token 就越多。这不是你直接卖 Token，但你是这条产业链上的分销渠道。 而不管你选哪条路， 你的护城河在我看来最终都会归结为三样东西： 算力、算法、数据。 算力影响你的吞吐量 算法影响你的效率和成本 数据决定你是不是不可替代

ViMax 刚把 AI 视频生成的月费成本从 100 美元以上直接打到了 0。原本你必须订阅 Midjourney 或 Heygen 才能完成的动作，现在通过这个开源方法就能实现。 后面更值得看的是，它到底能不能把长任务的中断率压下去，并让上下文复用变成默认能力。

Kiro 注册教程：免费白嫖 Claude Opus 4.7 Pro 一个月 Kiro 是 AWS 做的一个 AI 编程 IDE。但重点不是编程。 重点是你注册之后，能用它的 Pro 套餐跑 Claude Opus 4.7。而且是免费一个月。 Opus 4.7 是 Anthropic 目前最强的模型，4 月刚发布，100 万上下文窗口。 正常用官方 API 按量付费，但走 Kiro 的 Pro 套餐，1000 credits 一个月，够日常大量使用。 关键操作就几步，但每一步都有细节，别跳 第一步：注册新账号 打开 Kiro 登录页面：链接在评论区 用 Google 或 GitHub 注册。注意，一定要新号。 如果你之前注册过 Kiro，那个号没有这个优惠。 注册完先别做任何操作，直接下一步。 第二步：升级到 Pro 套餐 登录之后，进入套餐选择页面，选择 Kiro Pro 进行升级。 进入支付页面之后，才会显示实际价格。 第三步：进入支付页面确认金额 进到支付页面，如果显示金额是 0.00 美元，说明你走对了。 这时候用信用卡完成 0 美元订阅就行 第四步：取消下个月的自动续费 操作路径： ▸ 点击 Manage Plan 进入套餐管理 ▸ 选择 Kiro Free 套餐 ▸ 点击 Confirm 确认修改 完成后，你当前的 Pro 免费试用仍然正常使用，但下个月不会自动扣款了 简单说就是：白嫖了一个月的 Pro，然后降回免费套餐，一分钱不花。 日常写代码、跑分析、写文章完全够用。 在模型选择里切换到 Claude Opus 4.7 就行。 如果找不到，看看区域是不是在 us-east-1 或 eu-central-1。 一个月用完后，如果觉得不够，再考虑要不要付费续。 但至少这一个月的 Opus 4.7 是实打实的免费 但忘了取消续费，下个月就被反薅。

为什么说26年是太空经济爆发的一年？哪些标的值得关注。昨天聊到SpaceX上市和猎户座飞船之后成功登月应该会带动一波太空经济的热潮。3月中旬英伟达GTC大会上，老黄继老马之后也提出了太空数据中心的概念：轨道数据中心、在轨制造、激光通信等这些子板块兴起。 Starlink V3卫星升级支持海量AI计算，预计提供数百吉瓦太阳能驱动算力。手机直连卫星、地球观测、灾害监测等应用渗透日常生活，商业模式从“硬件销售”转向“服务订阅”。 25年太空经济已完成技术破局与基础设施铺垫（发射频次、星座部署），26年则是“强弱分野、格局初定”的验证年。太空经济不再仅依赖政府合同，而是形成自循环：低成本发射 → 海量卫星 → 丰富数据/服务 → 新商业模式（如太空数据中心、零重力制造）→ 更多投资与应用。全球太空经济CAGR预计达12%，2034年或超1万亿美元。 这些都促使了太空经济进一步普及、已经跨越鸿沟走向大众。聊聊个人角度对太空经济看好的几个标的： 1、RKLB是垂直整合的太空基础设施提供商，主营Electron小型火箭发射服务（美国非SpaceX轨道发射主力）和空间系统（卫星总装、组件、Photon平台），2026年积压订单达18.5亿美元，空间系统占比超70%，业务从发射向端到端“one-stop-shop”转型，竞争优势在于垂直整合壁垒高、交付快、毛利优，国防/政府合同占比高，在中小型发射和卫星制造产业链中占据关键“mini-prime”地位，挑战SpaceX中型市场垄断。 2、ASTS（AST SpaceMobile）专注构建全球首个太空蜂窝宽带网络，通过大型低轨BlueBird卫星直接连接未改装普通智能手机，提供D2D移动宽带服务，采用B2B2C模式与AT&T、Verizon、Vodafone等50+运营商50/50分成，利用其现有频谱，2026年计划部署45-60颗卫星实现初期商用；竞争优势在于无需专用设备、零获客成本、技术专利超3800项及大规模相控阵容量，产业链地位是卫星通信应用层颠覆者，填补地面网络盲区，潜在用户覆盖数十亿。 3、RDW（Redwire）是太空与国防基础设施“镐锹”供应商，提供太阳能阵列、传感器、对接系统、微重力制造等关键部件，2025年营收约3.35亿美元，backlog 4.11亿美元，国防收入近半；业务战略聚焦生产规模化与多域扩张（空间+自主系统），竞争优势在于飞行遗产护城河、垂直制造+数字工程降低成本、多元化收入抗周期，在产业链中处于底层供应链核心，受益全行业星座、空间站、深空任务增长。 4、LUNR（Intuitive Machines）是月球与多轨道太空基础设施公司，核心为CLPS月球着陆器（多次成功）、航天器制造及在轨服务，通过收购Lanteris（原Maxar）扩展卫星平台、GEO/边缘计算能力，2026年营收指引9-10亿美元（2/3有合同保障）；竞争优势在于月球着陆领先遗产、全链路“Build-Connect-Operate”能力及NASA/Artemis深度绑定，在产业链中从月球着陆prime向cislunar/深空基础设施整合者跃升。 5、PL（Planet Labs）运营全球最大地球观测卫星星座（数百颗Dove/Pelican卫星），每日成像整个地球陆地，提供高频多光谱影像与AI驱动地理空间数据分析，营收90%以上来自订阅式Data-as-a-Service，服务国防、农业、灾害、保险等领域；竞争优势在于每日全球覆盖的时间分辨率与历史档案护城河（15+年数据），无法被快速复制，产业链地位是地球观测数据层“Bloomberg式”平台，推动AI决策应用。 这五家公司共同受益2026太空经济爆发：RKLB/LUNR侧重发射/着陆基础设施，RDW提供底层部件，ASTS/PL专注通信与观测应用，互补形成完整产业链闭环。可以值得关注下 正好看到@BitgetWalletCN 刚刚更新了最新版本，深度集成 Hyperliquid的HIP-3交易协议，用稳定币就能无缝交易更多全球核心资产，覆盖约 300 种美股和 ETF（涵盖 AI、航天、中概等赛道）等。其实可以在链上通过Bitget Wallet用稳定币直接交易美股，刚才聊到几支太空经济的标的在Bitget wallet钱包都能看到。 好处在于非常方便快捷，没有开户限制，也不用担心各种繁琐的KYC流程，低磨损、无杂七杂八的交易税费，每一笔现货交易背后都有真实世界交易同步发生。

众所周知，做Youtube最重要的是赛道，选对赛道事半功倍。很多人抱怨现在的油管红海一片，但其实并不是没有机会，而是你找机会的方法错了。 真正有效的新手起号策略，从底层逻辑上来说，其实是一个严密的筛选 SOP： 1️⃣纯净环境破局： 用全新账号+无痕模式，避开个人偏好和信息茧房的污染，让算法展示真正具有生命力的内容。 2️⃣寻找“低粉高爆”模型： 寻找订阅少于 10 万，但单片播放量稳定在 5 万-20 万+ 的频道。这代表着赛道需求巨大但供应严重不足。2万粉20万播放，说明赛道未被垄断，可以直接切入；3万粉10万播放，说明生态极度健康。 3️⃣验证生命周期： 点开频道详情，只看第一条视频发布在 1-6 个月内的账号。两年以上的老号参考价值极低，我们要找的是在 2026 年当下算法环境里依然能爆发的“新鲜”模型。 4️⃣评估交付成本： 避开需要高昂设备或极高专业门槛的硬核内容，只锚定那些用库存素材、AI 生成图、AI 配音和基础剪辑就能完成的频道。标准很简单：你能用 Claude + ElevenLabs + CapCut 一个人跑通。 逻辑非常完美，对吧？但这套“第一性原理”级别的爆款挖掘法，最大的痛点在于极度反人类的执行成本。 你需要像个机器人一样，不停地滑动屏幕、比对播放粉赞比、点开主页看注册时间、分析视频结构。手动刷上几个小时，眼睛酸痛，可能才筛选出两三个符合标准的赛道。对于追求系统效率和高杠杆的创作者来说，把宝贵的精力耗费在这种机械的“体力活”上，是对时间的极大浪费。 直到最近，我接到了 Airtap 的商单并深度测试了这款产品，才发现这个痛点已经被完美降维打击了。 简单来说，Airtap 的核心功能是“让 AI 拥有一部手机，并能够直接操作”。 它彻底打通了 AI 从“大脑思考”到“手脚执行”的最后一公里。 我直接把上面这套找 YouTube 赛道的 SOP 喂给了 Airtap。它立刻化身为一个不知疲倦的数字打工人：自动打开浏览器的无痕模式，模拟人类滑动，精准识别订阅数和播放量的比例；发现目标后，它会自动点击进入频道详情页检查“新鲜度”；甚至能分析视频画面，判断是否属于高性价比的 AI 可复刻风格。 短短一段时间的自动化运行，Airtap 就帮我在油管庞大的数据库里，精准扒出了一批完美符合“低粉高爆、半年内新号、AI 极易复刻”这三大神仙标准的潜力赛道。 我将它的劳动成果直接导出，整理成了下面这份赛道情报库： 这不仅仅是一个寻找 YouTube 赛道的效率工具演示，更是 AI Agent 时代工作流重塑的一个绝佳缩影。 在构建“一人公司”和个人操作系统的过程中，我们一直在寻找能将繁杂流程自动化的杠杆。Airtap @Airtap_Ai 的出现，意味着你不仅拥有了分析数据的 AI，更拥有了一个能替你“去点、去划、去执行”的超级外包。 把找赛道、看数据这种重复性极高的 SOP 交给 Airtap 去跑，把你的大脑释放出来，去死磕内容策划、商业闭环和战略规划。这才是属于数字创作者的终极杠杆。 如果你也想让你的 AI 拥有真正的“执行力”，把繁琐的屏幕操作彻底自动化，强烈建议你去体验一下 Airtap。