AI经济体的核心是AI社会群体的组成建立，一个合格的社会群体就要学会互相交换意见，完成对更加复杂事件的分析与判断 通过长期的经验（数据）积累以及形成有效的多维度，多线程分析，最终对未来有效进行预期 远古时代人类的祖先学会在群体社会中通过社会经验完成对未来的占卜趋吉避凶 而现在，AI Agent 社会的形成，也必然要经历这个复杂的进化过程 群体智能涌现，多角度、多维度、多线性思考，形成最终AI经济体，并且依次为依托不断发展壮大，最终何时能有效“占卜”未来，值得期待！ 而你我，正在见证这个人工智能带来的“新人类”时代！

聊到 Anthropic，王煜全没有客气。这些公司的逻辑是 AI 能量巨大，坏人拿到做坏事，所以我们好人要握在手里。他说「拿到任何人手里都不能保证做好事，任何个人都是经不起考验的」。他给的参照是人的大脑，大脑不是集权体制，是共和体制，不同系统做不同的事，权重各不一样。没有一个人掌握登月的全部知识，文明聚在一起却做到了。分散式的智能，会超越今天最好的系统 N 倍。 #王煜全# #去中心化# #Anthropic# #群体智能# #易论AI#

空投红利进入低潮期，监管环境逐步放松，资产发行方式也在随之演化，这个阶段更适合降低预期，与其焦躁出手，不如守塔防守一波（不是放手一搏），稳住节奏，多看少动，等下一轮真正有胜率的机会。 OKX 已正式上线 $TRUTH 合约交易，并联合推出 20 万 USDT 交易激励活动。 此前 $TRUTH 也已上线币安 Alpha 与合约市场， 目前项目已累计融资 $13M，代币 $TRUTH 约 $0.0156，流通市值 $32.6M，完全稀释估值FDV约 $157.2M。 Swarm Network @GetSwarmed是一个基于 Sui 的隐私保护预言机协议，目标是构建世界上第一个由群体智能运行的隐私保护预言机层，并由原生代币 $TRUTH 驱动。 Swarm 已利用其验证能力切入预测市场赛道，通过 AI 蜂群实时读取全球新闻源与链上数据，实现分钟级市场结算。 与 Chainlink、Pyth 等传统预言机最大的不同在于它不是喂公开价格数据，而是通过去中心化 AI 代理Swarm集群 、人类验证者参与共识 、 零知识证明（ZKP）保护隐私，实现在不泄露原始数据的前提下，对任意链下私有数据进行链上验证。解决现实世界的“信息和事实”，如何在不被篡改、不被监控、不被污染的前提下，安全进入区块链，并最终把“真相”做成一套可调用、可计价、可治理的基础设施。 🔧随缘建了一个吹水亏麻群： 🔧新用户完成基础任务可瓜分 64000 USDT 奖池： 🔧OKX交易所内置DEX 现已支持Boost！ 无需钱包与Gas费，使用现货账户即可一键交易Solana、Base等全链资产，每一笔交易都将自动累积Boost权重！ 在邀请界面里输入20%费用折扣绑定码：KUIMI okx dex 20%费用折扣：

持续学习到底怎么落地？Mind Lab 用 LoRA 给了个解法 刚看 Mind Lab（Mindverse 旗下前沿实验室，成立还不到一年）出了 Macaron-V1 正式版。路线挺特别的，重点不在卷参数，是想让模型能从经验里接着学。 做法是用 LoRA 做后训练 RL，成本只有全参微调的 1/10。LoRA 模块像可插拔的经验单元：聊天、代码、UI、个人助理各训一个，基座共享，跑任务时按需组合（他们叫 MoL）。这么一来，模型就不再是训完定死的一套权重，能不断分化、把新经验吃进去。 感觉挺长一段时间里，LoRA 都被默认成“全参微调的打折平替”。他们这里有个我觉得挺有意思对 LoRA 的重新理解：base model 承载共性，adapter 承载个性（偏好、技能、工具习惯），说白了就是一块可写入、会随交互慢慢变的记忆。也是continual learning 这条路线，我目前看到最工程化的一份答卷。 Macaron-V1-Venti = 744B 的 GLM-5.2 基座 + 4×1B LoRA，一共 748B，原生支持 2M context： L0 Chat 管对话和指令 L1 Agent 管长程、动态工具任务（并入了Preview的OpenClaw LoRA） L2 Coding 管代码、SWE、终端 L3 UI/A2UI 管UI4A渲染和操作 至于为什么要拆成好几个 LoRA，他们的想法是：这些能力的思考流程差太远，全塞进一套 post-training 权重会互相干扰。MoL 让相似的技能共用一个 LoRA，差太多的各自单独训，再路由、组合；新增领域就加一个 adapter。 等 adapter 多起来，再让它们分工、组合、投票，就是他们所说的群体智能。 这条路也不是 Mind Lab 首创，John Schulman（OpenAI 联创、Thinking Machines首席科学家）那篇《LoRA without Regret》就是同一个方向。但全球能开万亿参数模型 RL 训练的 infra，目前就 Mind Lab 和 TML 两家。 不过Mind Lab是直接用国内最好的开源模型，最早2025年底在万亿参数Kimi K2上验证过RL后训练，Preview用GLM-5.1、Venti用GLM-5.2、Tall用Qwen-3.7-35b。拿这些现成的强基座来做，比 TML 从头做 Inkling 会更快（Inkling 现在的表现也明显还打不过 GLM 和 Kimi）。 商业化也很快：据团队披露，7 月启动商业化后2周达到 1000 万美元 ARR。 其实我会关注 Macaron-V1，很大一个背景是持续学习这个方向本身。 持续学习想解决的，是模型部署之后就不再进化这个老问题，让它能在真实使用里边用边学。 这方向最近越来越多重量级的人在点名。之前强化学习之父 Sutton 和 David Silver 提出“the era of experience”，说下一代 AI 拼的不再是喂数据，是从真实经历里持续学，他自己也去创业做了 Oak Lab 专攻这个。梁文锋最近四小时闭门会流出来，他给 DeepSeek 排的路线是 CoT → Agent → 持续学习，还说下一代模型不能持续学习，就不配叫下一代。 Macaron-V1 至少证明了这条路能工程化、也能商业化跑通。这种方向靠一两家撑不起来，挺期待接下来更多团队砸进来、多拿几个硬成果。真卷起来，应该会挺有意思。

中国人工智能模型快速崛起，但企业如何赚钱？中国的开源模式催生了一大批创新型、竞争激烈的创业公司。它们以低成本提供系统，但难以将庞大的全球用户群体转化为利润，同时还要承担芯片和数据中心的巨大开支。

高度依赖电力的人工智能（AI）迅速崛起，东南亚民众对人工智能对环境带来的利弊看法分歧。最新调查显示，近半数区域受访者认为AI对环境有益，但也有三成担心AI对环境不利；受教育程度越高的群体，对AI的环境效益态度越趋审慎。

哪些人最容易被人工智能“抢饭碗”？除了程序员等科技从业者，许多经济学家更担心的是一个更庞大的白领群体，客服代表、记账员、人力资源等数以千万计中产阶级岗位可能面临风险，其中大部分由女性担任。

“遇事不决问项飙”，是青年群体间的一句流行话，凸显了这位牛津大学社会人类学教授在他们心中的位置，更印证了社会学家在人工智能时代的存在意义。以“认可”和“认得”两种生活态度作为对比，项飙教授举例，建国总理李光耀时代的新加坡，就实践了“认得”，新加坡不是要成为下一个纽约或伦敦，尽管在泱泱大国中像只小老鼠，但小老鼠也可以在象群中突围，收获“认得”，证明自己存在的意义。

吴说获悉，Coinbase 发文系统阐述其在 AiFi（智能体金融）领域的全栈布局。Coinbase 指出，智能体经济主要由用户使用智能体、企业向智能体销售以及开发者构建智能体三方构成，而 Coinbase 正在为这三类群体提供全套基础设施：面向用户的 Coinbase for Agents 允许用户通过 Claude 或 ChatGPT 接入平台进行资产交易与投资组合管理；面向企业的 Coinbase Business 支持通过 x402 协议接收 AI 智能体的 USDC 支付；面向开发者的 CDP x402 SDK 则允许开发者在 3 行代码内为任意 API 或 MCP 接入智能体支付功能。此外，Coinbase 还推出了 AI 投资顾问 Coinbase Advisor 以及用于智能体服务发现的 AgenticMarket。Coinbase 提醒，AI 代理可能会出错或失败，使用需承担代理执行的交易的所有风险，以及第三方 AI 提供商对数据使用的任何风险。

千禧一代，从小就接触互联网、智能手机，是现在社交媒体的中坚力量，也是逐渐进入消费投资市场的主力人群，所以币安最近也提到了这部分群体。 还是要多跟年轻人玩啊，以前是怎么称呼年轻人的？称之为进步力量。 是一代代年轻人推动了现在社会发展的形式，以后的投资方向和方法，估计也都是由年轻人摸索推进出来的。 讲个往事： 国内资本最早的时候是不投资罗汉剧的，只投资有感情线的电视剧，所以《士兵突击》的拍摄被推迟了一年又一年，最后拍出来也没有什么卫视愿意播放，这么一部划时代的作品就这么被雪藏了。 那是什么让这部剧逐渐有声量了？ 就是年轻人，他们在贴吧上讨论、解读这部剧，编剧兰晓龙也加入其中，就这样，一部被雪藏的作品靠着年轻人的口碑出圈，走向了大众视野，最终成为一代经典。 而当时在贴吧解析这部剧的网友，很多也都走向了影视行业，成为重要的影视编剧。 是那时候的年轻人在网上冲浪改变了电视剧的宣发模式。 所以别信什么币圈大佬了，都是思想陈旧的老登，除了想靠名声割你，他们没几把啥其他想法。 没有人永远年轻，但是永远有人年轻，谦卑包容，多跟有想法的年轻人玩。