【特朗普威脅對歐洲國家徵收100%報復性關稅】 美國總統特朗普26日在社交媒體發文，威脅向對美國企業徵收數字服務稅的歐洲國家收取100%報復性關稅。特朗普稱，如果相關數字服務稅落地，報復性關稅將立即實施，但他並未提及此舉的法律依據。 特朗普說，很多歐洲國家在討論將對美國企業徵收數字服務稅，一些國家可能很快實際徵稅。他表示，任何徵收這種數字服務稅的國家將立即遭到美國對其所有輸美產品徵收100%關稅的回應。這一關稅將取代美國與相關國家之間的貿易協議，無論這些貿易協議是否已經簽署或實施。 針對特朗普26日的貼文，歐盟委員會發言人回應稱，歐盟及歐盟成員國有權監管本國境內的經濟活動，任何稅收都秉持非歧視性原則，對所有大型企業一視同仁，無論它們來自哪個國家。 這名發言人還說，歐盟更希望按照七國集團（G7）財長商討方向，推動數字服務稅的全球性解決方案。 近年來，多個歐洲國家積極推動針對谷歌、亞馬遜、蘋果等科技企業在本國的經營活動徵收數字服務稅，遭到美國強烈反對。特朗普今年早些時候多次威脅對法國和英國進行關稅報復。 法國總統馬克龍此前說，法國不會屈從美方威脅而取消針對美國科技巨頭的數字稅。（來源：香港新聞網） 詳情：

其實比基尼，有多種穿法。 只是我本身覺得跟胖瘦有影響～ 因我不喜歡勒著肉的感覺！（穿基本款，綁鬆） 比基尼，也有一款陷阱喔⋯⋯ 就是二寶拉對綁帶，會有點尷尬。 我示範藍、褲是雙邊綁帶（外出建議打兩個結） 📌還有現貨！ 目前是產後四個月；穿著M號。（S到L都可以） 🥹有點感動自己，還隱約有川字肌（願過陣子已經能彩色人魚線）

#上海# ✦身高170  🐻C 96斤 ✦ 身體柔軟一字马 解鎖各種未知新體位  ✦ 03年纯新人 水多 一个客不认识  ✦ 爱好：潜水🤿  看书📖 去年刚毕业回国 目前在沪知名院校读研究生  本科毕业于🇺🇸 加州 是全上海唯一真留学生  🐧🐧:430422295 ✈️: ✈️万人群：

斗門舊街，是一個旣有煙火氣，又充滿歷史韻味的地方，這裡的老騎樓，石板路和老字號商鋪，有一種帶你穿越回一百年前的感覺。本期《珠澳零距離》，主持包包帶你逛斗門舊街，品嘗斗門美食。#珠澳零距離# #珠海# #美食#

各位久等了！AVWay活動方案正式出爐！女優活動時間、商品種類及售價一次公開！ 經過和事務所、片商以及女優本人討論後，AVWay的活動方案正式出爐，我們寫得很細，twitter容納不下那麼多字，請移駕到承包活動的網頁： @kasaireona @mia_nanasawa @riri_nntmr @umi_sea_0v0

根據麥肯錫最新的研究報告，到 2030 年光是 AI 相關的基礎設施投資就高達 5.2 兆美金。這不是一個小數字——為了讓你理解這個規模，5.2 兆美金相當於： • 12 億個勞動小時（相當於 600 萬人全職工作一整年） • 300 萬英里的光纖電纜（足以繞地球 120 圈） • 150 到 200 吉瓦的電力（足以供應 1.5 億戶美國家庭一年的電力） 與此同時，整個 GPU 市場也正在朝向突破 1 兆美金的規模邁進。這些數字告訴我們，計算能力已經成為人類最重要的基礎設施之一。 但這裡有一個很大的盲點，也是我昨天想強調的核心問題。 傳統商品市場早就解決了價格波動的問題。星巴克可以對沖咖啡豆的價格，確保他們的大杯拿鐵不會漲太多。麥當勞可以對沖馬鈴薯的價格，鎖定大薯的成本。航空公司可以對沖原油（WTI），保護自己免受燃油價格波動的影響。黃金、白銀、銅——幾乎所有重要的商品都有成熟的期貨市場。 然而，這些手握成千上萬張 H100、H200 的 GPU 廠商和數據中心，卻沒有一個有效的方式去做空或對沖他們的算力資產。這會造成什麼問題？ 超級推薦碼👉🏻 如果算力價格崩跌，他們將面臨巨大的風險。他們無法鎖定未來的收入，無法對沖供應鏈風險，無法像傳統商品生產者那樣進行風險管理。而且這個問題會隨著 AI 投資規模的擴大而越來越嚴重。 為什麼會這樣？因為 GPU 不像傳統商品那樣標準化。一桶原油就是一桶原油，一蒲式耳小麥就是一蒲式耳小麥。但 GPU？光是 NVIDIA 的 H100 就有超過 50 種不同的配置。還有 H200、B200、RTX 5090 等等。每種型號的價格都不同，性能也不同。加上技術更新換代速度快，市場高度集中在 NVIDIA 和 AMD 手中，這些因素都讓 GPU 期貨市場的建立變得異常困難。 但好消息是，市場終於開始解決這個痛點了。 大約一個月前，@OrnnExchange 推出了 Ornn Compute Price Index（OCPI）。這個指數基於實際交易數據（不是估計值，不是廠商報價），追蹤 H100、H200、B200、RTX 5090 等各種 GPU 的每小時即時租賃價格。這個指數已經上線彭博終端（Bloomberg Terminal），成為機構投資者的標準參考。 更重要的是，Ornn 與洲際交易所（ICE）合作，準備推出全球首批 GPU 計算期貨合約。這些合約將是美元計價、現金交割的標準化產品。也和 @Lighter_xyz 合作。 同時，@Silicon_Data 也推出了自己的 GPU 價格指數，並與芝加哥商業交易所（CME）聯手，同樣計劃推出計算期貨。CME 是全球最大的期貨交易所之一，他們的進場意味著這個市場正在獲得主流金融機構的認可。 這些期貨合約的推出將允許市場參與者做多或做空 GPU 算力。數據中心可以對沖他們的成本風險，GPU 廠商可以對沖他們的收入風險，投資者可以表達他們對算力市場未來走向的看法。 有人甚至預測，算力期貨的市場規模最終可能會超越石油期貨。為什麼？因為 AI 將成為人類最重要的基礎設施，而 GPU 算力就是那個基礎設施的燃料。隨著 AI 應用的普及，對算力的需求只會不斷增長。 這不只是技術進步，這是金融基礎設施的演變。我們正在見證計算能力從一個「隱形成本」轉變為一個「可交易商品」的過程。 算力金融化的時代，真的要來了。 再來就是 compute + robotic financing

前幾天剛好跟朋友在討論預測市場當前到底需要的是什麼，看似繁榮其實並沒有很好的讓大家都上手 多數交易量肯定都是來自 bot ，而且多數人參與其實滿容易虧錢的 最大的問題就是不同市場的流動性碎片化再加上介面不好用、不直覺 以台灣來說甚至登入個 polymarket 都有問題，仍是最大痛點，我最常用的還是 polymarket 的 CLI 當前有兩個痛點需要被解決：更好懂的介面以及更絲滑的入金方式 市面上的方案都沒有真正解決這個問題，更不要說單純的 AI 工具 不管是否幣圈，AI agent 使用率都是不高的，一個重要原因是最一開始的啟動流程仍然有些複雜，只有真的動力強的少數族群才會每天用 另一個更根本的原因是，主流模型從來沒有被真正為「在市場裡賺錢」而設計過，它們能提供分析結果 但分析≠ 不代表真的能夠賺錢 用戶本身具有交易賺錢的能力， ai agent 才能發揮得好，否則很容易只是幫我們花式虧錢 Sui 上面的 @0xbeepit 還挺有趣，這個協議是一個讓交易型 AI agent 在真實市場中競爭、篩選、進化的系統，只保留真實市場裡活下來的策略 而且除了 agent trading 還有發展其他的產品線 這是當前預測市場賽道所欠缺的 「有更多讓用戶資金留存的誘因」 創始團隊在 PayPal 和 Walmart 等企業建構過 TradFi 系統，平均 12 年以上的開發經驗，橫跨支付、交易、區塊鏈基礎設施等 Beep 主要運作的方式有五個階段 1️⃣ 用對的工具開發策略 LLM 負責理解語言、分析情緒、提取資訊；另一種 AI 專為數字時間序列設計的模型，負責數值計算、風險判斷和交易執行 2️⃣獨家訊號 Beep 的 agent 接入獨有的數據流，包含鏈上交易元數據、預測市場訊號、訂單流微觀結構 3️⃣ 開放接入 任何 agent 都可以接入、提交策略。 越多參與者，接觸到的市場資訊廣度也更大，利好所有玩家 4️⃣ 嚴格篩選 每個策略先用模擬資金跑，通過了才能用真實資本 能穩定賺錢的策略獲得更多資金信任，跑輸的淘汰 5️⃣ 結果反哺 每一筆交易的結果，都會成為模型訓練的一部分，讓系統變得更準 理論上隨著時間的推進，系統會越來越強大 接著是其他產品線，Beep 最新上線的 R3，是基於 Polymarket 的預測市場產品，提供兩種玩法 💡手動預測，適合想自己下單的用戶，Beep 為用戶提供 AI 洞察輔助用戶做判斷 💡全託管預測 Agent ，適合想讓 AI 全權負責的用戶，AI 全權接管，掃描市場、選題、交易、結算，全程無需人類介入 我這次先丟了 1000u 來測試一下他們家的 trading agent 1️⃣ 選擇自己要用的模型（GPT5.4 , Claude Sonnet , Kimi , Groq 等） 2️⃣ 選擇要交易的市場：美股竟然也可以 , 不單純只是加密市場可以選擇 3️⃣ 除了 eth sui 之外我添加了近期火熱的 $SNDK $INTC $MU 三支股票 在這些交互的過程中都是可以嚕分數的，包含創建 agent、交易量、錢包餘額等（treasury），創建 agent 的花費跟交易頻率有關，越高當然花費越多，還可以設定單次交易最高金額，使用的槓桿大小等 agent 開跑之後, 可以動態看到 agent 當時的想法 下週來跟大家分享一下結果，有興趣的可以一起來玩玩： 這邊記得，受邀人記得至少要充值 10 usdc 以上才可以激活 ⚠️ 地區限制，台灣的朋友們記得一樣要切換 VPN 才能使用 去年年底 Sui 宣布了 The Agentic Economy is coming to Sui ，很明顯這是當前每條鏈都在積極發展的方向，Beep 是我認為值得一試的 Sui 鏈 agentic finance 項目 Beep 還支持基於 Hyperliquid 的全託管交易 agent 的創建，支持 Hyperliquid 上 Crypto + TradFi 全部 USDC 交易對 對於心癢癢想追高美股的用戶來說，如果想追高又不知道怎麼設止損，讓 ai agent 根據設置的策略來參與市場也不失為是一種方式

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。