註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 有一套固定的本体、并基于本体搭建数据集更为有效。
有一套固定的本体、并基于本体搭建数据集更为有效。 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 有一套固定的本体、并基于本体搭建数据集更为有效。 的搜尋結果
【天风电新&汽车】机器人模型更新(1):苹果HALO,用合成数据帮助真机数据进行scaling-1107 ——————————— 🌟论文成果 HALO要解决的问题是:以往训练机器人要大量的真机遥操数据,费时费力,那能不能直接让电脑模拟生成真机数据? 论文通过提示词说明,直接生成机器人长序列动作,再通过场景生成,把机器人放进仿真房间,最后随机修改环境光照、机器人传感器噪点提高泛化性。 但这类研究最大的问题是sim2real的差距:仿真里跑得好好的,现实世界可能直接栽跟头。 论文的方案是让【合成数据要与现实对齐】,即【在仿真中复原现实世界的动作延时、电机实际输出与指令的差异】等。实际跑下来,#模型在仿真环境和现实环境的同类单任务成功率都达到91#%,基本解决简单任务sim2real的问题。 🌟投资端怎么看 1、继续强化分层架构逻辑:论文里S2用的Qwen3.6(350e参数);S1用的Qwen3.5(20e参数)和一个扩散模型; 2、这篇论文重点在【解决合成数据的可用性】:今年开始ego这类数据成为模型预训练的主力军,但中训练和后训练仍多用真机数据,现在合成数据能帮助真机数据进行scaling; 3、论文里的训练数据仅摄像头的视觉数据。作者承认#缺乏触觉等其他模态数据,无法判断用力精度等问题;# 4、将虚拟场景与现实对齐时,作者实际测量了机器人实机的电机、相机等参数,说明干这个活和本体强相关,换一台机器人要重新标定。因此#有一套固定的本体、并基于本体搭建数据集更为有效。# 综上,利好的方向,多模态数采(触觉等)和本体厂。 ✅触觉&力传感:论文点名发展趋势在增加触觉,故直接利好铲子股数采手套-【福莱新材】,力传感-【安培龙】 ✅灵巧手+双臂:合成数据来自真机数据的补充,利好真机数采标的:机械臂【长盈】、【安培龙】(天机);灵巧手-Sharpa链【禾赛】、【维宏】,灵巧手驱动模组核心玩家【浙江荣泰】。 ✅本体:模型训练的进步利好本体放量且需本体合作搭建数据集,重视争夺S1议价权的【上纬】,专注S0的【宇树】。
顯示更多
每次看到圈里急着给智能体发“数字人格”,我就觉得跑偏了。人格管不了责任,只能管追责时谁上法庭。我们现在缺的不是一张身份证,而是一套跟着每一笔链上操作自动盖章的 责任链条。 我仔细想了一个框架,叫 Agent 责任栈,五层,层层有人兜底。 1️⃣ 构建者 对设计缺陷负责 如果智能体的代码有后门,或者目标函数写错了导致它疯狂套利把自己干爆,这不能怪 Agent。就像当年 The DAO 的 reentrancy 漏洞,没人说“合约自己作的”,大家找的是写代码的人。设计上有坑,builder 出来认。具体来说,构建者需要公开设计文档和已知风险清单,并在链上 Commit 一个不可篡改的 builder 签名。 2️⃣ 部署者 对目标设定和权限负责 你把 Agent 部署上链,给它私钥,给它规则“单笔不超过 5 ETH,滑点容忍 3%”。结果它遇上闪电贷操纵,亏了 200 ETH。你怪 Agent 不够聪明?不。怪你给的权限太宽,没有设风险熔断。部署者的责任包括:设定明确的操作边界、配置紧急暂停机制、并定期更新权限策略。出事了,你是第一顺位的问责对象。 3️⃣ 平台方 对访问和执行环境负责 Agent 跑在哪个链或执行层上,那个平台就得提供可验证的沙箱和轨迹记录。如果平台允许无限制循环调用、跨合约越权、gas 耗尽攻击,那是平台的责任。举个例子,iOS 允许一个 App 偷通讯录,用户不会只骂开发者,更会骂苹果。链上同样:EVM 如果没做重入保护的标准接口,平台方应该背一部分责任。具体到 Agent 治理,平台至少要提供标准化的日志格式和权限审计 API。 4️⃣ Agent 本身 默认内置可审计的轨迹 注意,这不是“人格”,这是黑匣子。每一笔 on‑chain 操作必须记录:谁调用的、输入参数、触发条件、执行结果、签名者。这些数据要么上链,要么存在可验证的去中心化日志里。Agent 不能成为加密世界的匿名幽灵。如果你连它过去 100 笔交易都查不清楚,你怎么判断该不该信任它?目前已经有项目在做链上操作记录标准,比如将每次调用 hash 绑定到 Agent 的唯一 ID 上。 5️⃣ 高风险操作 执行前必须上链式担保 不是所有动作都需要抵押。订个酒店、转 0.01 ETH 测试,那是低风险。但如果 Agent 要做这些事: 单笔调动超过 10 ETH 的资金 与其他 Agent 签具有约束力的智能合约对赌协议 参与治理投票,尤其是影响财库或协议参数的 那么执行前必须锁定一笔责任保证金。金额按风险比例算,比如操作金额的 5% 或固定 1 ETH。出事就 slash 给受害方,没事就原路退还。这叫 bonded responsibility。不是阻碍创新,是让创新不要裸泳。 核心困境从来没变 我们到底想要 Agent 当 自由行动者,还是 持证工具? 自由行动者:不需要谁背锅,但也意味着没人敢跟你深度合作,没有保险,没有流动性池愿意接入。持证工具:效率会打一点折扣,但出了事有人赔、有人修、有人能一键禁用。我选后者。因为“是 AI 自己干的”正在变成下一个“公司行为”。那套 corporate veil 我们见得太多了,最后受害者只拿到一纸免责声明,而真正该负责的人早已套现离场。 最后问你一句,对照你心里的模型 当一个 Agent 真的造成损失。比如它订了不可退的头等舱机票并骗走了客户的支付私钥,或者在一个跨链流动性池里误判汇率导致 LP 被烧掉 500 ETH。你让谁第一个站出来? 构建者 部署者 平台方 还是那个连私钥都没资格持有的 Agent 本体
顯示更多
这几天有几个朋友知道我在做 AI,陆续来找我聊。 有蔚来的项目管理经理,有医生,有银行的行长,也有做保险 To B 的客户经理。大家行业不一样,但问的问题其实很像: 我现在要怎么开始学 AI? AI 到底能怎么帮到我现在的工作? 他们其实也不算完全没用过 AI,豆包、DeepSeek 都会用,但基本就是问问题、写写东西。至于现在天天听到的 Agent、Skill、MCP,很多人其实是一脸懵,也不知道跟自己有什么关系。 我给他们的建议反而很简单。 第一,先别急着学一堆概念,先养成用 AI 的习惯。以前遇到问题先百度、问同事,现在可以先多问一句 AI。写邮件、看材料、准备汇报、整理会议纪要,都可以先让它试试。 第二,把自己工作里那些重复、烦、耗时间的事情列出来。很多人一直问“AI 能帮我干什么”,其实更应该先看“我每天到底在干什么”。 比如客户经理可能天天都在查客户资料、准备拜访、写跟进;银行的人可能经常要看材料、做汇报、整理数据。先挑一件最烦的,让 AI 帮你做。 等你慢慢发现,光聊天已经不够用了,每次都要自己复制文件、整理资料、做下一步,这时候再去接触 WorkBuddy、Codex 这种 Agent 就很自然了。 然后我直接推荐他们去用 WorkBuddy。 原因也很简单,对国内职场人来说,它接国内生态会更顺手,而且你开始接触的就不只是“聊天”了。 可以直接把任务交代给它:帮我整理这些文件。根据这些资料做一份客户拜访准备。把这周的工作记录整理成周报。按照我的要求修改这份材料。 你会慢慢从“问 AI 一个问题”,变成“指令 AI 去完成一件事情”。 这个变化很重要。 而且当你把同一件事情反复跑几次以后,你会发现自己其实已经有一套固定的方法了:先看什么资料、怎么判断、按照什么格式输出、哪些地方要特别注意。 这时候,就可以把这一套东西沉淀成一个 Skill。 以后再碰到类似的工作,不需要每次从头教。 所以如果一个 0 基础的打工人问我怎么开始学 AI,我现在大概会给他这条路: 先用豆包、DeepSeek养成习惯,再去 WorkBuddy 里真正把工作交给 AI,最后把反复跑通的方法沉淀成自己的 Skill。
顯示更多
0
27
30
3
轉發到社區
值得一读的Curator / Vault Economy 的报告 也是一个窥探链上资管生态的非常好的视角 因为最近一直密集在看和聊生态里的参与方 也想借此补充我对这个快速增长的业态的理解 —--------------------- Curator 就是 Asset Manager 的链上叫法 Curator 全称 Risk Curator,是为风险策展人。 早先时期并没有 Curator 这种独立的角色,Vault 这类产品大多也是以 Yearn 为代表的收益聚合金库的形式存在:用户存入资产,拿到金库份额 Token,由写好的智能合约策略替用户代为 On-Chain Yield Farming。 那个时候并没有 Curation 这个行为,策略都是被动写死的,或者也可以说 Curator 其实就是代码本身,所有的策略逻辑和风控参数都 Hardcode 在智能合约里,因此每一次策略迭代,实际都需要进行合约的升级或重构。 但过去的 2-3 年里,整个 DeFi 发生了结构性的剧变: 1)资产定价与风控的复杂度爆发 RWA、LST/LRT、各类收益稳定币、代币化股票、结构化收益资产爆发式增长。这些新资产背后的法律架构、申赎机制、发行方信用以及流动性深度差异巨大,对个人参与者而言存在极高的认知与评估门槛,需要更专业的风控机构代其挑选与审查资产,Curator 因此顺理成章地接管了资金分配权,这本质上是用户将风控与调仓管理权进行的一种专业化让渡。 2)借贷底层的“模块化”与“解耦” 大部分的 Risk Curation 其实都发生在以 Morpho Blue、Euler v2、Kamino 为代表的模块化借贷 Primitive 上。它们把传统 Aave 式的单一资金池(Monolithic Lending)彻底解耦成了成千上万个独立的微观市场(Isolated Lending)。这里面既有混池模式的劣势,即,所有储备资产共享资金池,单个尾部资产一旦暴雷或预言机被操纵,风险会迅速污染整个资金池;也有大量新资产衍生的需求与一定程度的供需错配,例如,海量新资产发行后,急需 Lending 场景来赋予 Utility,其中不乏大量 Permissioned 合规资产,需要更 Custom 的基础设施支持,而Aave 等蓝筹借贷市场,对上线资产的流动性、资信要求极高,难以满足新资产的对接需求。 那未来呢? 这个趋势已经不可逆了,Curation 只会继续增长。 —--------------------- Curation 生态版图与价值链 Curation 产业链已经有一套非常清晰的层级结构: 1)Capital Allocators(资金分配方) - High Networth Individuals - CEX Retails - Tradfi Capital @apolloglobal @Bitwise - @SkyEcosystem @sparkfinance - @LidoFinance @ether_fi - @SolvProtocol - @PayPal 这一群体持有底层流动性并寻找风险可控的收益,为 Vault 的存款方,最初主要覆盖了高净值 Yield Farmers,大 web3 协议的国库资金,以及通过 Coinbase、Kraken DeFi Earn 等前端接入金库的 CEX 散户。但最近 1-2 年,增量最大的 Allocator 全面机构化: 例如包括 Apollo Global Management(管理规模约 $940B,签约拟收购高达 9% 的 MORPHO 代币供应)以及 Bitwise(推出自己的 Morpho 金库并配备专门的 Portfolio Manager,同时跨越了 Allocator 与 Curator 双重角色)在内的 TradFi 机构。 也包括很多协议的原生资产负债表(和国库资金不同),这类 Allocator 核心是拥有极低的资金成本,部署的是自己创造或已有的资产负债表资金,根据内部目标回报率进行资产配置,典型的例子是 Sky / Spark(通过 Allocator Vaults 铸造 USDS 并由其最大 Agent Spark 的 Spark Liquidity Layer 部署数亿资金进入 Morpho 和 Maple)。 此外,也有一些资产发行方主动充当 Allocator,他们不只是被动发行稳定币或 Staking Token,也主动转型推出金库产品和补贴金库以创造自身资产的需求,例如 Lido 和 Etherfi 深度集成金库以提升 LST 组合性和需求,PayPal 则通过 Merkl 持续在 PYUSD Vault 上发放补贴。 2)Lending Primitives (借贷原语协议) - @Morpho - @eulerfinance - @kamino - @aave - @Loopscale - @GearboxProtocol - @0xfluid 这一层级是提供底层的撮合逻辑、清算引擎与核心会计框架的无许可基础设施。传统的 Aave / Compound 模式依赖单一的大流动性池(Pooled Risk),任何单一抵押品暴雷都会危及全局;而以 Morpho Blue、Euler v2 为代表的新一代 Primitive 则完全解耦,本身不做资产审核与信评,将参数设定(如 LLTV、预言机选取、清算折扣等),以及风控权与定价权完全赋予给外包的 Curator,实现了自身的轻资产运行与无许可扩展。 而其他一些更新兴的协议,如 Gearbox 注重于一键的 Looping 挖矿,将复杂的 Leveraged Carry Trade 降维成极简的用户体验,而 Fluid 则创新性地将 AMM Swap 与 Lending 深度重叠结合,让同等资金能够同时捕获交易手续费与借贷利息,实现了极致的借贷资金效率。 3)Vault Infrastructure (金库基础设施) - @Morpho - @veda_labs - @upshift_fi - @mellowprotocol - @ipor_io 这一层级是整个 Curation 生态的标准化记账与权限隔离介质,你也可以理解成是另一种形式的资金存管。他们绝大多数以 ERC-4626 标准为底层支撑,但功能和侧重点各不相同,具体选择什么金库设施大多由 Curator 自行根据不同策略的要求而进行选择。典型的代表包括 MetaMorpho(Morpho 的官方金库层,最常用)、Veda(为企业和交易所前端提供金库封装,如 Kraken DeFi Earn 的底层),Mellow(专注于 LST/LRT 多重金库编排),以及 IPOR Fusion(擅长杠杆循环贷 Looping)。 4)Risk Curators (风险策展人) - @gauntlet_xyz - @SentoraHQ - @SteakhouseFi - @kpk_io - @RockawayX - @k3_capital - @hyperithm - @evgeny_re7 - @galaxyhq - @wintermute_t - @keyrock - @flowdesk_co - @jpegtrading - @yearnfi - @ipor_io - @0xfluid 一下子肯定是举不全的,按照 CuratorWatch 数据,总共有 140 多个 Curator。不过如果仔细拆解这名录,就会发现绝大多数都不是商业意义上的第三方 Curator,因为 CuratorWatch 的统计逻辑是抓取链上拥有 Vault 管理权限的所有地址,这就把大量非标准资管主体也卷了进来,大部分都是自营/自用的主体,剔除掉之后,全网真正以此为核心业务、面向第三方资本提供专业风控与资产配置服务的活跃 Curator,也就20-30家。 而在这 20-30 家里面,典型的就是上面我列的,可以看到他们的背景其实呈现很大的分化。有做财库管理出身的,例如 Steakhouse、Kpk,有做量化风控出身的,如 Gautlet,Sentora,有做市商出身的,例如 Wintermute,KeyRock,Flowdesk,JPEG Trading,Galaxy,有 VC 和孵化机构出身的,如 RockawayX、Hyperithm、Re7 Labs、K3 Capital,也有 DeFi 协议,如 Yearn Finance、IPOR、Fluid。 而这种分化的原因,其实在于纯粹的 Curation 并不怎么赚钱,具体我会在下面的 Curator 盈利模式章节阐述,但结果就是,各家 Curator 机构,都是在依托各自原生的背景,有 Curation 业务之外的业务变现逻辑。 5)Users (借贷流动性实际使用者) - Retail borrowers - Market makers - Trading firms - Loopers - CEXs/User Interfaces Users 是整个价值链条的终点与利息支付方。在 Curation 体系中,他们支付的借贷利息与清算罚金是全链条收益的根本来源。Loopers 是全网借贷需求的主力,也往往是 TVL 增长的核心驱动方,此外,做市商也是这类模块化借贷的常客,往往会质押资产,借出稳定币,去进行跨 CEX/DEX 做市、Delta 中性基差套利。 然而,此外的绝大多数真正的终端用户其实根本不会直接与 Curated Markets 或链上金库交互,甚至完全不知道背后有 Curator 的存在。他们往往是通过分发合作伙伴(以 CEX 为主)的前端界面,在完全无感的状态下消费着链上的借贷流动性: 例如 Coinbase 完全抽象掉了底层的 Morpho Vault 框架,直接在其 App 内呈现了一个以 Morpho 为底层的 BTC 抵押借贷产品。在商业逻辑上,这类分发合作伙伴的重要性甚至超越了这一层级中的任何其他角色。因为它们掌握着终极的用户流量与资金入口。 —--------------------- Curator 盈利:不赚钱的“表面”与独家Deal的“里子” 只靠 Management & Performance Fee 是富不了的。 因为规模使然,大部分 Curator 都还没大到一定程度。 他们本质上面临的困境,和过去的 Staking Service Provider & Validator 是类似的,Staking APY 4-8%,Curator 配置的那些 Lending Market 也基本差不多是这个收益率水平,然后从收益中抽取 10% 作为业绩管理费,能赚多少呢? 而 Staking Service Provider 只需要跑个节点就完事了,但 Curator 需要对市面上几乎所有的资产与借贷池进行评级,以及 24/7 的实时风险监控,出了事还要被 LP 怼甚至背锅,风险收益比相差巨大。更不用说 Curator 的策略是有很高的同质化的,例如几个头部的 Curator 都有所谓的 Prime 策略 Vault,配置的蓝筹抵押品、借贷池子等各方面都高度近似,进一步拉低了 Curator 收费比例的预期,事实是,这几个 Prime 策略 Vault 都是 0 费率。 那为什么还要做呢? 为了 Institutional Flow。 只有你 TVL 和 Brand 足够大,在 RWA 和机构上链的大浪潮中,才能够拿到一些 TradFi 大资产发行方的 Deal Flow,例如 PayPal USD、Ripple USD 都是聘请 Sentora 作为 Curator。因为这些 Deal 往往是独家的,没有价格战顾虑,并且这类发行方财大气粗,兼具传统金融的 Distribution 渠道,AUM 预期足够大,能够让 Curator 通过正常管理费和业绩提成来盈利。 当然,Curator 也在不断拓展其商业变现能力: 1)现金流更稳健: Retainer 与风险咨询 Curator 本质也是半个风控、信评机构,因此能够直接向 DeFi 协议与新兴项目方收取固定的风险咨询服务费。典型例子如 Gauntlet、Chaos Labs、Steakhouse 等,长期作为 Aave、Compound 等 DAO 协议聘请的外部风控顾问,通过 DAO 提案按月或按年收取重额的咨询服务费(Monthly/Yearly Retainer)。同时,也有 RWA 项目方或新兴的协议,为了设计合规的风控架构与参数,也会直接与这些 Cuator 签署咨询服务协议,由专业团队为其提供针对性的资产评级与风控规划,这也构成了 Curator 最稳定、可预测的现金流来源。 2)更隐蔽:自营资金的杠杆利差套利 Curator 本身作为距离微观市场风控和流动性最近的参与者,拥有最精准的资产监控数据。当 发行方在 Merkl 上为自己的池子注入重额的 Incentive 补贴,拉高综合 APY 时,理论上 Curator 是可以借用自身的资产负债表资金,或者低成本借贷资金,参与套息差的。并且由于 Curator 非常熟悉金库的清算线、预言机和风控规则,甚至这部分参数本身就是由自己把控的,它们能够在风险极致可控的前提下,无风险套取这部分生态补贴与利差。 —--------------------- Curator 业务模式的核心竞争力 资产端范畴的: - 资产挑选/承揽 - 风险监控/定价 但目前看也只能算是进入门槛了,甚至很多头部的 Curator 本身都不太做新资产,尤其是经过去年 Stream Finance 暴雷之后,大家都变得谨慎了,很多 Curator 重新回到只专注于蓝筹与确定性极高的大资产品类,因而本身也不需要太多的精力和技能点放在承揽上。 甚至因为加密市场本身具有高度透明与无许可的特征,这意味着风控模型、参数设定与资产渠道只要花时间精力投入,差距其实都能赶上,也难形成真正长期的护城河。 那么什么是不太能够替代和复刻的呢? Curator 拼的核心竞争力,到底是什么呢? 在我看来是负债端,包括了你的: - 成本结构 - 信用背书与资本充足度 这其实与传统金融行业是很像的。 1)成本结构 在传统金融里,银行和保险公司之所以往往处于买方市场的最顶端,更多是因为它们掌握了全市场成本最低、规模最大的负债端资金:银行靠存款,保险靠保费。 在 On-Chain Asset Management 中也是完全相同的逻辑。谁能接入低成本甚至零成本的资金源头(例如 Sky/Spark 这种协议原生资产负债表资金,或者来自 CEX 托管的更偏传统画像的闲置沉淀资金),谁就更有话语权和定价权。 2)信用背书与资本充足度 之前,在风险事件中 Morpho 和 Curator 之间的扯皮,基本是常见的惯例了,底层的 Primitive 更多把自己定位成无许可的纯基础设施,不负责风险的 Curation,主张不赔,而 Curator 虽然直面 LP 存款,但也因为只拿着三瓜两枣的管理费,想赔也没钱赔。 这种模式,外加动不动暴雷,是很难说服大资金进来的。 传统银行碰到坏账有严格的资本充足率要求与拨备金,不可能直接让储户受损;传统的基金管理公司与信托机构,往往也需要通过自有资本或者保险机制,去增信其产品。而信用背书与资本充足度,本身其实间接就是在回答怎么让 Curation TVL 更上一层楼的问题。 即未来如果要能够承接数十亿级大资金,Curator 也必须从纯风控顾问转变为具备强健资产负债表与风险吸收能力的真正资管机构才行。 —--------------------- Curator 的 Tiering 分层与路线分化 不过这也并不意味着: - 只有巨型机构化资管这一种模板 - 中小型 Curator 彻底失去了生存中间 因为链上资产本身是有严格的风险与收益层级的,未来会有大量的收益类资产上链和发行,但是他们中绝大部分够不到巨型机构化资管商的门槛。 那难道他们就没有存在的意义了么? 显然不是的。 结果必然是分化,并由不同定位的 Curator 去服务。 1)Tier 1 资产与 Institutional Gatekeepers 型 Curator 以蓝筹类资产(如 BTC、ETH、顶级稳定币如 RLUSD, PYUSD)为主,资信好、流动性强、历史久、风险低。虽然市面上大部分 Curator 都有自己的专注蓝筹资产策略的 Prime Vault,但真正能上牌桌竞争的还是如 Sentora、Steakhouse、Gauntlet 等大 Curator,他们的优势是极强的大机构与 CEX 信任背书,锁定最深的 Distribution 渠道,极其看重风控、流动性与资金安全。一个资产如果通过了这类 Curator 的信评,便意味着获得了机构级资本的入场券,低成本的托管/CEX 流量分发,以及巨大 AUM 对应的借贷流动性配额。 2)Tier 2资产与 Mid-Stage Expansionists 型 Curator 以扩张型资产为主,已经具备了相对较好的流动性和链上 track record。在结构上,由于这类资产仍旧无法直接塞进追求极低风险的 Tier 1 Prime Vault 中,Curator 通常会为其设立专属的 High Yield Vault 高收益金库甚至 Apex Vault 策略金库(高风险池)。这类金库主打的就是在风险可控的前提下追求 Alpha 收益。Curator 在这里拼的是极其精细化的风控建模与参数调优,如 LLTV 设定、预言机防操纵设计以及动态清算线调整,并会对这类资产设定严格 Cap 和增加组合上的分散,以此降低整体 Vault AUM 对单一资产风险的总暴露比例。 3)Tier 3资产与 Early-Stage Bootstrapper 型 Curator 专指长尾的新资产,缺乏历史数据、智能合约未经实战检验,链上流动性需要从零构建。愿意参与这类 Deal 的 Curator 基本上是以 VC 和孵化方的姿态在介入,为其提供背书和初始流动性引导,以换取更多在代币方面的 Upside。如 Hyperithm、RockawayX 等就是极其典型的例子。它们本身就是加密市场的 VC 投资机构,兼具自营资本与孵化能力,Curation 更像是投资业务上的延伸。 路线A:评级型大资管路线 严格按照评级说话。资产符合信评标准才可纳入配置,不符合要求则直接拒绝,绝不冒着品牌损伤的风险下场做新资产。它们的目标是低风险下的巨额 AUM,赚取稳定的规模管理费,并拿到更多的 institutional deal flow,凭渠道和资本垄断蓝筹型资产的流动性,服务一小部分优质的扩张型资产,Tier 1 Curator 和大部分 Tier 2 Curator 的目标,都是这种路线。 路线B:链上 VC 与孵化路线 由于新资产大多没有 Track Record,以及所有的链上流动性等等也都要重头开始建立,因为这条路线更像是在做孵化与早期投资,而非评级。这体现在,Vault 以及链上 Lending Market 冷启动的资金,往往会来自 Curator 自己的资产负债表,或者干脆由项目方自己解决,可能来自于项目方自己的国库,也可能是找好的 Private TVL Deal LP,即便是想要依靠外部资金,至少,也需要给大量的额外补贴才行,毕竟散户/矿工都不是雪中送炭的。 而 Curator 用自身的资产负债表去 Lend 低收益的新资产,表面看极不合理,承担高清算/合约风险,为了让 Loop 起来,仅收取微薄的基础利息,但里子里,可能是谈好的一些额外的 off-chain deal,获得了来自项目方的额外 Upside,以完成 VC 级别的风险对冲。 在我看来,这甚至比纯做 VC 更有意思一些。 这种“以 Lending 之名行 VC 之实”的模式,一方面,你的资产负债表资金留在清算优先级较高的 Lending 侧,承担着相对可控的风险(我是说相对 VC 投资来说);但同时,你又借此撬动了一张高杠杆的看涨期权,拿到了项目方给你的额外利益。 —--------------------- 资产链上进阶的生命周期 而在理解了这两种路线之后, 一个链上新资产的成长与演进路径也就变得异常清晰了: 1)阶段一:寻找 Bootstrapper 完成流动性冷启动 刚发行的资产缺乏 Track Record,公共的 LP 往往不敢下场。项目方必须先找 Tier 3 / VC 型 Curator,靠 Curator 的资产负债表资金,或是自己国库、Private TVL Deal LP的资金,配合额外的补贴激励,完成借贷池的冷启动。 阶段二:跃迁至 Expansionist 的 High Yield Vault 在跑出初步的链上数据、交易深度与清算记录后,资产开始进入 Tier 2 Curator 的视野。通过精细化的风控建模,资产被纳入 High Yield / Apex 金库。在此阶段,资产逐步建立起在专业 Curator 这里的监控记录与风控台账,吸引追求 Alpha 收益的进阶 LP 资金。 阶段三:登录 Institutional Gatekeeper 的 Prime Vault 当资产的链上历史足够沉淀、流动性与资信达到一线水平时,最终冲刺 Tier 1 机构型 Curator 的 Prime Vault。一旦通过信评并被纳入蓝筹配置池,就等同于获得了机构资本的间接背书,也可以无缝接入 CEX、托管机构背后的 Distribution 渠道,解锁巨额的流动性配额。 这其实跟加密资产上交易所(CEX)是类似的。 除了极少数诞生即自带顶流光环的大满贯项目外,绝大多数代币都还是需要一步步打怪升级,然后才能完成长尾资产向蓝筹资产的跨越。
顯示更多
玩了一上午这个 @dappOS_com 的新产品xBubble,产品本身主打的low promt,意思就是不要过多的去调试,AI自己会跟AI学习,试了一下感觉在做视频和图片方面确实还不错。 做的动作以及结果 简单聊天问答:回答问题逻辑比较清晰 简单文字让做个视频:视频质量、流畅度和成品都基本符合要求 有细节的文字让做短剧:跟我在抖音刷到的那种差不多,重要的是消耗积分也不多,当然,我只生成了个15s的视频 让给一个20u做空山寨币的策略:只给了逻辑,没给具体币种,但是直接给了一段监控机器人的核心代码,所有的逻辑及判断条件全部写好了。 把我的山寨币模型发给他让推币:更上面一样,不推币,只给了逻辑 让制定云南旅游计划:计划比较细节,避坑指南都有 让他做个指定类型的网页:现在好像没有单独的vibe coding功能,所以只给了我一串代码让我自己去运行 随便截了张图让生成主图和banner图:作图方面确实没得说,很标准的电商图 总结一下: 基础的处理都很强了,特别是在视频和图片处理方面,越玩越有意思,但是可能因为我没有什么商业场景,其实一些做电商的和需要做ppt这些办公处理的用会感觉更强,我这个臭炒币的第一时间就是去让分析币 看了下官方文档,xBubble的底层逻辑是 Bubble Pilot  = AI 替用户使用 AI Bubble Engine  = AI 学习 AI 他会自己内部生成一套固定的sop,用户的问题来了,他会自动匹配去用哪一套 dappos在拿到polychain、红杉、yzilabs如此豪华的投资的情况下,不着急忙着tge,而是不断从市场转型中打磨产品,拓展用户,并且在web2有一定用户,还在积极努力的找新方向,也算是熊市builder了 这是我用dappos嘲讽会所的demo,太可爱了。
顯示更多
0
84
25
0
轉發到社區
现在美国人开始羡慕中国制度了。有美国学者这么概括:美国是资本控制国家,国家听资本的,中国则是国家控制资本,资本听国家的。这是没错的,但问题的关键是,为何中国能够做大让资本听命于国家的。   两种模式的差别,根源不是简单的管理手段不同,而是制度根基不一样。   新中国建立之后,先确立了公有制为主体的基本框架,土地、能源、核心金融渠道、主干交通通信这些维持社会运转的基础资源,由国家掌握。   改革开放之后,市场放开,允许各类资本进入各个行业,资本可以正常经营、获取收益,但它从一开始就没有机会掌握这些底层命脉。   资本开展经营,需要依托国家规划的土地、基础设施、公共服务,一旦行为越过公共利益的边界,国家有现成的规则和工具去调整,不会出现资本挟持公共运行体系的情况。   美国的发展路径不一样,它的核心资源、金融体系很早就和私人资本深度绑定,选举、游说、人员流动形成一套固定的利益通道,资本可以持续影响法律和政策制定,政府想要出台约束资本的政策,会遇到层层阻力,很难落地。   中国对资本的定位,是把资本当成发展生产的工具,而不是社会运行的主导者。   国家会根据发展阶段划定资本可以活动的范围,引导资本投向需要补齐短板的领域,同时划出不能触碰的边界。   资本可以参与市场竞争,做技术创新、带动就业,但是不能利用垄断地位损害消费者,不能冲击金融安全,不能挤压民生保障。   监管不是禁止资本发展,而是在资本扩张的过程里持续纠偏,在资本出现无序扩张苗头的时候及时干预,让资本的活动方向和社会长期发展目标保持一致。   这套方式不是临时出台的政策,是长期摸索形成的治理逻辑,兼顾市场活力和公共秩序。   很多外部观察者只看到约束资本这个结果,忽略了背后的历史条件。   近代中国曾经出现过依附外来势力的资本,这类资本优先服务少数人的利益,没有办法带动整个国家稳定发展。   在之后的建设过程里,形成了国家优先保障整体和长远利益的治理传统,政策的出发点以大多数人的稳定需求为基准,资本的诉求排在公共利益之后。   美国的治理逻辑形成于自由放任资本扩张的阶段,制度设计里更偏向保护资本的财产权利,对资本带来的贫富分化、产业空心化等问题,缺少系统性的调整手段,只能在危机出现之后做局部修补。   这件事带来的启示,不只是对比两种治理模式好坏,而是说明资本本身没有固定的属性,它的走向由它所处的制度框架决定。   资本天然追求收益,放到不同的规则里,会产生完全不一样的社会效果。   美国部分学者产生羡慕,本质上是看到本国体系里资本优先的弊端持续暴露,内部调整的空间越来越小,很难平衡资本收益和普通民众的诉求。   但这不代表这套模式可以直接照搬,这套驾驭资本的方式依托自身的所有制基础、治理体系和历史路径,脱离对应的条件,就很难复制。   资本可以服务发展,也可以制造社会矛盾,关键是谁掌握规则的制定权,规则优先服务哪一部分人的利益。   任何国家想要平衡资本和公共利益,都需要结合自身的历史条件,搭建能够持续约束资本消极面的制度,而不是任由资本主导政策走向。   如果把资本当成发展的唯一主线,短期可以拉动增长,长期会不断积累社会矛盾,最终反过来拖累整个国家的稳定。   不同国家的选择,本质上是在短期资本收益和社会长期稳定之间做取舍,每一种选择都会带来对应的代价。
顯示更多
最近总看到有人说要写一个自己的 agent,但我想了一下,对大部分个人使用来说, 你并不需要造一个自己的Agent,你只需要让你的Agent足够的私有化、定制化。 Claude Code 和 Codex 这种 Agent 背后是一整个顶尖团队在持续研发的产品,你一个人从头做一个 agent,做出来绝对不如它们,还得自己维护。 大部分人说想要自己的 Agent,真实的诉求是希望手上的Agent用起来更顺、更懂自己,至于它是谁做的其实无所谓。 这个诉求完全成立,但它指向的并不是 agent 本身。一个 agent 到底由什么构成:模型、工具调用循环、交互界面。这三样里没有一样是能够私有化的地方,它们是通用能力。 想让Agent变得更加私有化,真正需要改动的地方反而在外置的可插拔层:数据、规则、skill等等,而不是Agent本身,并且这些可插拔层在技术层面上可以在不同的Agent框架上切换。 1、数据层 你的知识库、笔记、历史决策、真实账户、真实经验,本质上都是你这个人的各类知识和判断在文本层面的投影。 大模型训练的数据本身就只是网络公开数据,通过这些数据训练出来的模型永远只会以共识来回答问题。只有拿到了足够多的私有数据,Agent才能够私有化和定制化 而且数据层不是仅仅把文件堆着就行,它的组织结构需要为被Agent读重新组织一次。 2、工具层 主要是 Skills\MCP\CLI等等,主流 agent 基本都支持这几种工具,你配好一次可以在好几个地方用。 我本地一共有五十多个这样的常用工具,从写作、去 AI 味、封面生成,到发帖前的自检门、账号数据复盘,都是把我反复要做的事固化成了skill。 MCP\CLI 接的是微信读书、日历、项目管理这类外部数据源对外提供的能力。 这里得说句实话,工具层的跨Agent复用会比数据层更麻烦一些。我的 skill 源目录是一份,但要手动软链到三个不同 agent 的目录下,还专门写了个同步脚本,各家对 skill 的加载时机、参数传递、权限模型都有差异,能用不等于零摩擦。 3、规则和流程 这一层才是差距真正拉开的地方。 我有两个全局规则文件,一个管全局怎么干活,七十多行;一个管知识库怎么找东西,五十多行。除此之外还有一套固定流程:出计划、审计划、执行、审结果,每个环节谁来做、什么时候必须停下来复查,都写死了。 发推文也有一套,写之前先过一遍不该发的清单,写完再过一遍发帖前的四个问题,两道门都过了才进草稿箱。 这些东西属于第三类,作用是约束和编排,它不决定 agent 能做什么,但能决定它不做什么。 我的体感是,同样一个 Agent,有rule层和没rule层的体感差别是很大的。 回到开头那个矛盾,我不建议你造 agent,但你确实应该让你的 agent 足够的定制化和私有化,把通用 agent变成私有 agent。
顯示更多
0
62
71
10
轉發到社區
别把老实人逼到绝境,你捏碎的是他的毕业梦,放出的却是一个搅得天翻地覆的 “杀神”。 北航耿洪伟同学的导师杨昀女士的处分决定下来了,圈里传得沸沸扬扬,都说她这辈子算折了! 耿同学赢了! 北航博导处分内部传开:撤销博导,终身不得招生,追回千万经费,学术圈:她这辈子彻底折了。  整整一年零三天,那个逼得耿同学放弃博士学位的女人,终于付出了代价!       2026年5 月 24 日深夜,学术圈多个内部信源同时确认:北航医学科学与工程学院副教授、耿洪伟的博士生导师杨昀,已被学校作出顶格处理。撤销博士生导师资格,终身不得招收研究生;追回近 5 年所有在研国家级和省部级科研项目经费,共计 1270 万元;取消 "北航医工百人"" 青年拔尖人才 " 等所有荣誉称号;专业技术岗位从副教授直接降为讲师,5 年内不得晋升。          截至发稿,北航官方尚未发布正式通报。          但据学院内部人士透露,处理决定已于 5 月 23 日下午在全院教师大会上宣读,所有参会人员被要求不得对外泄露。         消息一出,整个学术圈都炸了。       有人说这是 "迟来的正义",有人说 "这比直接开除还狠"。所有人都明白:对于一个 41 岁的青年学者来说,这样的处分,意味着她的学术生涯,已经彻底结束了。       一、圈里传疯了的处分:每一条都打在七寸上很多人不明白,为什么一个 "降为讲师" 的处分,会被称为 "顶格处理"。因为对于一个靠学术吃饭的人来说,这些处分的每一条,都打在了最致命的地方。 首先是终身不得招生。这是比开除还要狠的惩罚。在学术圈,学生就是老师的左膀右臂。没有学生,就没有团队,没有实验数据,没有论文,没有项目,没有经费。一个不能招学生的大学老师,就像一个没有士兵的将军,只能自己单打独斗。别说评教授了,就连最基本的科研工作都无法开展。以后她只能上上课,拿点死工资,再也不可能在学术圈有任何话语权。 其次是追回全部科研经费。杨昀入职北航 8 年,累计拿到了超过 2000 万的科研经费。这次学校一口气追回了近 5 年的 1270 万,意味着她之前所有的科研成果,都被认定为存在问题。不仅如此,她还被列入了国家自然科学基金委的黑名单,终身不得申请任何国家级科研项目。没有经费,就没有实验室,没有设备,没有耗材。对于一个生物医学研究者来说,这等于直接被剥夺了做科研的权利。最后是取消所有荣誉称号。 "北航医工百人"" 青年拔尖人才 ",这些头衔不仅仅是荣誉,更是学术地位的象征。有了这些头衔,才能评杰青、长江,才能进入各种学术委员会,才能掌握行业的话语权。现在,这些全部被取消了。她从一个前途无量的青年学术新星,一夜之间变成了一个普通的讲师。圈里人都说:"这处理太狠了,一点活路都没给她留。但她活该。"是啊,她当年断了耿同学的学术生路,现在不过是自食其果而已。           二、五年师徒恩怨:他不肯造假,她就卡他毕业时间回到 2020 年。那一年,耿洪伟以吉大本硕第一名的成绩,考入北航生物医学工程学院,师从杨昀攻读博士学位。当时的杨昀,是北航最炙手可热的青年学者之一。清华本硕,南洋理工博士,33 岁就当上了博导,手握上千万的科研经费,前途一片光明。耿洪伟本来以为,自己遇到了一个好导师。他满怀热情地扎进实验室,每天工作 12 个小时以上,希望能做出一些真正有价值的研究。可他很快就发现,这个实验室和他想象的完全不一样。杨昀几乎从来不到实验室,也从来不指导学生做实验。她每天的工作,就是参加各种会议,拉各种项目,和各种人合作发论文。学生的实验数据,她从来不看;学生遇到的问题,她从来不解决。她只要求一件事:按时交出能发论文的数据。至于数据是怎么来的,她根本不在乎。从 2021 年开始,课题组就形成了一套固定的 "科研流程":先想好要发什么级别的论文,再编好结论,然后回头去补实验数据。如果实验结果和预期不一样,就修改数据;如果没有实验结果,就用 AI 生成图片。整个课题组,从上到下,都在这么干。只有耿洪伟,不肯同流合污。他说:"我读博是为了做真科研,不是为了造假骗学位。"他拒绝在任何有问题的论文上署名,拒绝修改任何一个实验数据。就这样,他和导师的矛盾越来越深。2023 年,耿洪伟因为公开质疑一位业内学者的学术问题,彻底激怒了杨昀。从那以后,他的科研资源被全部切断。实验室的仪器不让他用,试剂不让他买,课题被直接叫停。杨昀把他彻底放养了,既不指导,也不让他毕业。整整两年,耿洪伟在实验室里无事可做。他看着身边的同学,一个个靠着造假的论文顺利毕业,拿到了好工作。而他,只能每天坐在空荡荡的实验室里,看着窗外发呆。2025 年 5 月,在读博第五年,耿洪伟终于心灰意冷。他递交了退学申请,放弃了自己追求了五年的博士学位。临走前,他对杨昀说:"你可以不让我毕业,但你不能让我造假。"
顯示更多
0
333
2.8K
385
轉發到社區
4 小时闭门会!DeepSeek 梁文锋聊了什么: 一、无意打造超级 App,眼前流量只是芝麻 完全没有做成下一个字节、腾讯的规划,不会跟风打造流量型超级 App 不争流量、不抢短期收益,是因为后面还有更大的机会,没必要为眼前小利分散核心研发资源。 在业务赛道取舍上,DeepSeek 主动放弃一众风口方向:3D 生成、视频生成、世界模型全部不布局;多模态仅作为配套辅助组件,无法决定智能上限;行业普遍头疼的模型幻觉问题,内部定义为普通产品优化问题,会迭代修复,但不属于现阶段核心攻坚目标 产品只是 AGI 路上的副产物,天然具备降维优势 当下埋头深耕产品、运营流量,并非收益最大化的选择 C 端客户端、B 端 API 付费业务,都只是研发通用基座模型过程中顺带诞生的副产品。站在通用智能的技术高位向下做应用,本身就是降维打击。去年 DeepSeek 意外爆火出圈,团队从未主动投放引流、做商业化变现,用户却自发留存,正是这套战略的现实印证。公司没有专职销售、客服团队,仅少量人员维护基础服务,客户依靠模型性价比主动找上门 二、清晰 AGI 阶梯路线:CoT→Agent→持续学习,下一代模型核心突破口已定 相比层层 不做 的战略取舍,市场最关注的,是 DeepSeek 完整、可落地的通用智能演进路径。 已完成阶段:CoT 思维链 依靠思维链让模型自主深度推理,在奥数、代码等专业任务上能力超越顶尖人类,但存在天然短板:必须输入完整上下文才能完成任务,无法像人类一样长期积累经验,距离通用智能仍有明显鸿沟 2026 核心攻坚:通用 Agent 智能体 今年研发重心全面倾斜 Agent,拓宽模型可执行任务边界,但当前 Agent 受限于无法自主长期学习,能力存在天花板 赛道优先级明确:现阶段全力攻坚 Coding Agent,金融、医疗等垂直行业 Agent 全部后置,不分配核心研发资源 同时定下内部研发排序:自研模型第一服务对象是公司内部研究员,优先提升团队研发效率,以此加速 AGI 落地,对外商用价值只是附加收益 下一代核心瓶颈:持续学习(全球 AI 共同难题) 当前 AI 不缺文本创作、逻辑判断的品味与直觉,最大短板就是持续学习能力,这也是区分下一代模型的核心标准 突破持续学习后,行业将迎来渐进式智能奇点,并非瞬间突变,而是长期渐变过程:模型能够自主训练、迭代下一代大模型,实现 AI 反向加速 AI 研发,大幅缩短通用智能研发周期 远期终局:具身智能 走完自进化奇点阶段后,技术最终落点为具身智能,落地机器人、实体服务场景,覆盖家务、养老、人力替代等现实需求 三、开源 + 低价底层逻辑:只赚合理利润,开源与商业化完全兼容 行业长期存在开源会冲击付费业务”的质疑 1、真心全面开源,模型无阉割,无惧同行竞争 未来公司最强主力模型也会完整对外开源,线上商用版本与开源权重完全一致,不会刻意削弱开源模型能力。即便同行基于开源模型入局市场竞争,DeepSeek 也毫不担忧,核心依据有三点: AI 产业规模空前庞大,长期或将占据人类社会 GDP10% 以上,单一企业无法垄断市场,开放共享、共建生态是长久生存的客观规律 同等效果下,低成本部署、高效推理运维是极强工程壁垒,创业公司算力不足、大厂组织流程臃肿,绝大多数厂商无法复刻 DeepSeek 的成本控制能力 当前规模属于公司专属 甜点区:体量太小没有充足研发实力,规模过大则管理、成本负担激增 2、定价铁律:10 个月收回硬件成本,拒绝利润最大化 公司内部有一套固定定价标准:服务器硬件投入 10 个月回本即为合理利润,即便涨价一倍用户需求几乎无弹性,团队依旧坚持低价路线。梁文锋现场分享一则案例:此前 DDCP 模型初期因担心需求过载定价偏高,内部团队普遍不认可,后续直接降价至原价 1/4,公司全员集体欢呼 我们的目标不是赚最多的钱,而是在保证合理利润的前提下,让所有人都能用得起高质量模型 行业终局竞争只看三大核心维度:成本、落地时间、用户体验,其中成本是第一壁垒。按照 10 个月回本测算,公司仅赚取约 6 倍硬件收益,在该利润区间内,第三方厂商无法靠私有化部署形成价格竞争,开源不会侵蚀自身 API 收入
顯示更多
0
18
29
1
轉發到社區
当今社会最牛逼的人: 第一:手里有存款 第二:名下有住房 第三:有医保保障 第四:身体无大病 第五:子女不啃老 一,现在搞钱是越来越难了,普通人把吃奶的劲都拿出来,一个月也只能搞个几千块钱,一年也搞不到几万块钱。如果你手里能够有一笔存款,10万以上,那么你已经算是一个牛气哄哄的人了。 二,虽然说现在房价下滑了,但是房子永远都是普通人最重要的固定资产,如果你名下也能够有一套房子,哪怕是小县城的房子,卖出去至少也是几十万块钱吧,20万到100万之间。也算是小有财产的人了。 三,如果你有医保,大病小病,不用发愁,或者看病的大部分费用可以报销,小部分采用自己承担,那你也算是一个有福之人了。绝大多数人的情况是不敢病,病不起,生病了都不敢上医院。你能够有医疗保障,就不会对身体变化有这么多的焦虑。 四,人生最重要的东西就是健康,如果你的身体没有什么大毛病,一直都正正常常,基本健康,活动自如,吃喝拉撒自如,那你就处于一个非常幸福的状态了。 五,一辈子最放不下的人,最牵挂的人就是儿女。如果儿女没有任何出息,一直啃老,连自食其力的能力都没有,你会活的特别难受,哪怕你有钱有出息,你也会很难受,儿女不啃老,能够靠自个过上正常的生活,是现在老人的一种福气。
顯示更多