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。

现在人类+AI最大的局限，是无法开创新的信息空间。人类问AI时，第一步总是让AI思考“你怎么看”、“你帮我分析一下这篇文章”、“你帮我想想”。当人类把灵感完全诉诸于人工智能，这是对人类超越性的亵渎。 这些年，我发现AI好像什么问题都能回答，什么知识都可以组合建构，那么我想的是，人类是否应该开启一些领域，即AI完全没有任何想法、完全超越AI神经网络理解的知识呢？人类，可以做到吗？ 根据机器学习与人工智能的定义，AI之所以无所不知，是因为它擅长做三件事。 1.压缩已有知识，把人类已有知识压缩成参数 2.组合已有知识，跨领域迁移、类比、重组 3.补全已有知识，根据统计规律预测下一步 但是这三者，都建立在已有的信息分布之上。 我认为，创造一个此前不存在的信息空间，是完全不同的能力。 可是人类历史真正伟大的突破，都属于开新维度，增加一个新的坐标轴。 但是无论在学术界，还是在工业界，我都没看到谁正在重新定义世界允许存在哪些概念。 我认为AI目前最大的限制不是推理，不是数学，甚至不是创造力。 最恐怖的局限是，AI无法知道它应该发明什么新的概念。它对此一无所知。 比如说，今天我们如果问AI： “未来100年最重大的科学是什么？” 它可以列很多，AGI，量子计算，合成生物学，脑机接口，数字生命…… 可这些几乎都是今天已经存在的话题。 因为AI学习的是人类已经讨论过的世界。 人类尚未想到的世界，它也完全无法知晓。 那人类可以做到完全超越AI吗？ 理论上，我认为可以。只是代价极大。 人类中必须有人超越绝大部分人，并且同时超越他手中的智能工具本身。 这对于这少部分人，是远超任何世纪的要求。

都要配合論點列出。 三個月來我用輸出法配合 AI 學習農曆（輸出法是說學到的知識也要能用自己的見解寫出來），進度已經從上古時期，推進到易經的天象觀了 到今天花了兩個禮拜，攻克了一個超級麻煩，就是甲骨占卜的神學觀和易經的神學觀有何異同。兩者都有大量的天學內涵，而對戰國以後的星占思想形成

川普访华，英伟达总裁黄仁勋半路上飞机陪同，AI半导体小跌之后继续上涨。 AI概念继续，底层光模块成为下一个百倍机会。 AI算力的「新天花板」已現－GPU再猛，也被資料傳輸徹底卡住！ 從機架到資料中心，銅纜已到極限，光子學正式接管AI互聯命脈！ 雷射、光收發器、DSP、矽光子、光開關、光纖…這些曾經的「冷門技術」，正在成為決定萬億AI集群性能的核心基礎設施！ 📈2025光子學頂級玩家速覽（今年真實漲幅，乾貨拉滿）： $AAOI +430% 超大規模AI光收發器，月產能10萬台，直連Houston&台灣供應鏈 $AEHR +418% 矽光IC燒錄驗證系統，全球大廠排隊，訂單積壓5090萬美元 $LITE +186% InP雷射全球50-60%份額，400G差分EML已量產，訂單超4億美元 $CIEN +149% AI長短距網路核心，1600ZR/ZR+光模組+6.4T光引擎震撼亮相 $GLW +137% 光纖光纜基礎設施王者，Meta簽60億大單，多芯光纖容量暴增4倍 $MTSI +114% 光模組類比晶片龍頭，800G/1.6T全面升級 $COHR +106% InP+矽光+1.6T全覆蓋，400Gbps矽光已實測 $MRVL +101% 光DSP訊號處理大腦，1.6T/6.4T矽光引擎全面鋪開 $CRDO +46% 活躍電纜+光DSP+矽光一體化，7.5億收購DustPhotonics $FN +43% 精密製造底層，泰國+美國產能支撐光模組爆發量產 $ALAB +25% Chip-to-chip光學引擎IP，直接嵌入AI互連平台 $AVGO +24% 光DSP+EML+VCSEL+400G DSP，3.2T→204.8T切換已就位 ⚡光子學不是概念，是AI算力突破的唯一答案！ 錯過GPU紅利的人，這次真的要再錯過光子學萬億賽道嗎？ 把這條乾貨收藏、轉發、拉進你的AI知識庫—— 真正的財富密碼，往往藏在「看不見」的底層基礎建設裡！ #AI# #Photonics# #光子學# #矽光子# #AI基礎設施# #資料中心# #高效能運算# #半導體# #光模組# #AI算力#

1、军团 @legiondotcc 上新的项目公募 @squidrouter $QUID 总量10亿，估值4500万美金，TGE 预计在 Q3 ，100%解锁。 申购额度$100-100,000，参考之前 YB 超募的情况，承诺申购的额度填写300左右差不多了。 刚刚登录军团，还有意外的退款50 USDC，之前参与 YB 打新，当时收到的邮件是让打 200 USDC ，实际只接受了150 USDC。 当时参与了的应该都能领取退款。 2、 @world_xyz 不知道要干嘛，粉丝一下增长了3万多，Solana 生态很多官推都去互动了，背书很强，先去 订阅了。 3、麦通 @MSX_CN 突然就开启TGE，看到恨到大佬都是几千上万枚的空投，查询 。 4、 @RiverdotInc @River4fun 还有 3 天 S5 结束，这一季好像没那么卷了，可能是 $RIVER $RiverPts 跌的多，驱动力下降了。 新一轮 8 强预测投票开始，瓜分 150k $RiverPts ，还有票的可以去投了。 5、 最近很多人在发 @sleepagotchi @CNPYNetwork 的内容，原来是嘴撸平台 @NucleusCodes 的项目，后知后觉，现在总共才6个项目，正在进行的有3个，还不算太卷。 6、一个也还不错的嘴撸+互助任务赚钱的台子，暂时没有官推，创始人是 @yucheng ，平台注册有一点点门槛，AI会分析推文内容，如果被判断太多垃圾信息会被拒绝，目前平台赚钱效应感觉还不错。

⚡️8 月加密市场大事件一览—— 感谢 @PANewsCN 的日历，十分清晰，看起来又是无法在二级舒服赚钱的一个月！ 1⃣ 8 月 7 日美国 7 月非农，8 月 12 日 CPI，8 月 20 日美联储公布会议纪要，8 月 27 日杰克逊霍尔全球央行年会。 8 月没有 FOMC 利率决议，所以非农和 CPI 更像是给月底的杰克逊霍尔铺垫。 现在市场对降息这件事已经有点审美疲劳了，降息预期已经交易过太多轮了，真正更想看的，是沃什时代的政策框架会不会在杰克逊霍尔变得更清楚。 Crypto 还能不能继续吃“宽松预期”的饭，就看这个了。 2⃣8 月还有一个币圈绕不开的外部变量：AI 财报。 8 月 26 日英伟达公布 2026 年 Q2 财报，前面还有 AMD、SpaceX、Circle、American Bitcoin、Hut 8 等一堆财报。 AI 已经变成全球风险资产的总电闸。 如果英伟达财报继续超预期，美股风险偏好还在， bitcoin:native 大概率也不会太难看。 3⃣牛市中诞生的影子需求和弱资产，还在继续出清！ 上一轮高 FDV 模式代币，即将迎来集中解锁； 同时一批入口型、前端型、工具型、NFT/DeFi 长尾项目正在退场。 很神奇，到现在我才发现，原来有这么多项目，很多甚至直到倒闭，我都没听过！ 可想而知山寨的市场接下来会有多么的混乱了。 所以 8 月我的判断是：依旧少交易，少幻想，趁着暑假多旅游，多带娃出去看世界，比待在家里天天看盘强！ 市场不赚钱的时候，能少亏也是一种本事！

今天芯片圈最大的新闻，莫过于Gerard在创立Nuvia CPU被高通收购五年之后，重新出发，新创立了ARM CPU公司，名字也跟之前非常像，叫Nuvacore 现在这个时间点做数据中心CPU，确实是赶上了CPU十年来最好的时代: AI agent带来CPU短缺潮已经经隐隐浮现，AWS多个客户都提出要包揽所有Graviton ARM CPU产能 ------------ 这个消息对硅谷的芯片打工人吸引力是巨大的，Nuvacore这次的阵容都是功成名就的明星阵容，以前Nuvia创始团队重新集合，拿了红衫的投资，做面向 AI 基础设施/agentic computing 的通用ARM CPU。当年还是一个尚未完全被验证的大方向都能大获成功，而现在ARM CPU服务器正在风口浪尖上，前景和想象力和2019年Nuvia比起来大了太多了 上一次Gerard把Google，苹果platform architecture组的架构大佬挖了好多过去，这次的号召力只会强得多，240m的融资，已经验证过的路径和创始团队，肉眼可见的下一个增长风口，一定会让Nuvacore成为湾区最热门最受追捧的芯片startup，没有之一。毕竟这是一个肉眼可见能财富自由而且风险收益比极好的机会 ---------- 遥想当年Nuvia第一代CPU的发布赶上苹果M2时代，还是挺震撼的，Nuvia让高通在一年的时间CPU跑分进步了整整三代，单核跑分从2300变成3200，竟然超过了苹果M2 max一大截 可惜Nuvia Phoenix core从发布到最后上市拖了太久太久，中间苹果把牙膏挤爆了连着上市了M3/M4，于是Nuvia CPU上市之后从跟M2比较变成了跟M4比较，从期待中的C位变成背景板了 当年Nuvia的眼光非常超前，在2019年ARM CPU服务器市场占有率几乎为零的情况下，就是想从零开始打通这个市场，2021年被高通14亿美元收购之后，高通也给了无限的资源支持，扩招力度很大，给的薪水都是市面上最高一档的。 可惜大环境在2022年恶化的很快，加上高通的管理层战略眼光实在太差太短视，在业界ARM服务器生态都开始有起色的时候，为了股价节约开支，竟然再一次把自家的Nuvia CPU 服务器团队解散了（算上2015年已经解散过一次ARM服务器团队） 直到2025年，Nvidia的Grace ARM CPU都已经发布四年了，Vera ARM CPU都已经自研好久了，Amazon的ARM CPU Graviton都快占据CPU服务器新出货的50%了，高通才后知后觉谨慎的重启ARM服务器项目 所以这次Gerard从高通的高管位置把之前的创始团队拉出来自己干，可能是因为高通高层战略眼光实在太差屡屡错过机会，上次Nuvia想做ARM服务器，高通的承诺也因为大环境恶化没做数，结果被收购之后被高通取消了项目直接改做了laptop芯片和手机芯片 加上高通今年在手机销量上因为内存和存储历史级的巨额涨价，可以预见要受到重创(市场萎缩30%)，能拿出的扩张预算有限，在高通能拿到的资源是受到掣肘的 而在创业公司里比在 Qualcomm 这种大平台里更容易拿到足够快的决策速度、团队纯度、产品定义权和资本叙事，于是选择在窗口已经被验证时重新集结老班底 但更可能因为，AI时代的CPU前景想象力真的太广阔了，完全值得重新投入一次，不是Gerard变了，而是外部市场变了 ------------------------ 进入2025年之后，AI agent的出现，隐隐让CPU重新变成了瓶颈 CPU服务器重新步入增长轨道，而且潜力巨大，有好几个因素： 1. 随着推理时代的到来，GPU演化到针对推理的系统级新架构，CPU 是永远在忙的总指挥orchestrator, 因为要追求token throughput，所以异构计算阶段变多 + 批处理数量batch越来越大，scheduling/routing/data flow复杂度变高，对orchestration要求也变高 所以在系统级异构推理架构里，AI加速器和GPU在CPU：GPU的配比上，也变得更为激进，从以前的1：4到Grace Blackwell的1：2，以后是很有希望达到1：1的比例的。Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU 这条在我的去年11月半导体年终回顾写过，基本上在2026年成为了共识，虽然这部分主要是各家AI 芯片自研，并不是纯粹的CPU服务器，其实不算是外部CPU服务器的机会 2. 也是同一篇年终回顾里写到的： 从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，CPU甚至能耗也超过了总能耗的40% Agentic AI目前是一个CPU瓶颈更多的事情，Agent管理很多个CPU，再加上agent经常要开sandbox，很可能会成就CPU需求的新一波回暖 现在回看去年写的这个逻辑，潜力是非常大的。但其实年初可能并没有很大规模发生，年初的CPU增长和各家渲染的CPU短缺潮和这个逻辑暂时关系不大，更多可能是前几年的capex投入GPU的比例太大，造成传统CPU服务器投入不够，所以需求上升是一个回补之前传统服务器投入不够的部分。 但到了下半年甚至2027，agent会开始更广泛的铺开，比如智能导购和客服，已经占到了Amazon去年年底100万CPU采购的相当部分比例，这部分的增长是很快的 前两个逻辑，基本上是今年主流叙事在讲CPU潜力的共识，但是我的感悟是，还有另外两个逻辑被低估了： 3. 造成CPU服务器潜力更大，更长线的主逻辑，可能和agent本身没有直接关系，而是code agent带来的副产物： coding门槛和速度的大幅优化，让“构建软件 + 连接软件 + 调用软件 + 自动化软件”这整件事便宜了一个数量级，Jevons 悖论在software供给端的展开，最终把世界推向更高的软件密度和 API 密度，这直接带来了CPU传统workload的线性上升 从2025年年底开始，coding agent迎来了质变，Claude code迎来了爆发式增长，三个月的token营收增长了三倍，那么导致的下一步必然是Code量的十倍增长,以及App数量的巨量增长 即便是在大厂，每天1m token消耗只能算是个平均水平，人均coding量必然是翻倍的（小厂就是翻十倍了），code供给量暴增，不会只停留在 repo 里，而会逐步变成更多长期运行的软件资产，长期存活的feature变多，product变多，microservice变多，API变多 长线来看，App/API所有的生产成本和生产周期会变成原来的10%，API实现极大富足。那么API的Usage就会大量的上升,这就会造成传统CPU Workload或者说CPU Seconds大量的上升，这甚至和agentic没有直接关系 时间维度上，这个逻辑并不是短期性质，Claude code的爆炸是这几个月刚发生的事情，那么产品上线，microservice，api上线，可能都要向后延迟。当软件变便宜，社会不会少用软件，只会把更多事情软件化 所以也许到下半年甚至更久才会看到，传统cpu云的需求又莫名其妙增加了，表面上看，甚至和AI agent没有直接关系 4. CPU是一个技术上很难通缩的东西，不像内存/存储有很多压缩算法会降低单任务对存储的用量，CPU workload增长转化成硬件需求增长是实打实的 比如说kvcache其实每年都有各种压缩技术出现，老的压缩技术比如kvcache的multi-head它会share一个head（GQV），这个大概会相当于4倍的压缩，再比如说去年turboquant这个技术也会新带来几倍的压缩。然后加上数据精度从FP16到现在的下一步要到FP4，精度的下降都会带来kvcache的压缩，从而带来存储方面的技术通缩。 但CPU是一个技术层面上通缩量很小的事情，目前任何的agentic的cpu workload（CPU seconds）增长都是硬件需求增长，它通缩的方面只有每年每一代跑分提高的10%到15%。如果说另外通缩因素，比如云的五倍六倍的超卖会不会影响？不会，因为它一直是超卖的，所以说超卖/利用率低这个CPU技术通缩的因素不会继续扩大了，每个增长的CPU seconds都是不怎么带打折的硬件线性增长 ARM的指引是CPU的供需缺口可能会到30%以上，这几个原因的叠加，加上AI服务器对CPU服务器产能和订单的挤压，可能会让缺口更大，各个hyperscaler的反应可能是会滞后的 ------------------ CPU整体需求潜力增长的同时，ARM服务器CPU也赶上了历史上最好的时代： Hyperscaler为了节省成本，接近50%的新增传统server CPU都是ARM，Google的Axion，Amazon的Graviton，Microsoft的Cobolt，Graviton甚至2026年的产能已经全部卖完，瓶颈成了产能 Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU，这部分CPU为什么会集体转向ARM，除了成本因素之外，也因为推理系统为了追求token throughput，batch越来越高越做越复杂，自研ARM CPU以及系统性软件硬件的co-design会更方便，比如Nvidia是Dynamo去控制Vera和Rubin之间的协同 Nuvacore的规划上来看，不仅仅满足于做IP，也要做成品，因为在招聘网站上出现了validation engineer的职位 但是这次Nuvacore面临的挑战也不小：起步太晚了，无论是市场上，还是技术上，竞争都激烈了很多。CPU服务器和七年前比，已经复杂了很多，已经不再是单片CPU的竞争，而是rack系统级别的复杂度 现在开始做2028~2029年上市的CPU，要做到rack级别有竞争力，规模要大很多，基本上要几十个chiplet，500+个core拼起来，还要考虑如何适配AI agentic workload，工作量比以前明显要大的多，对一个startup的挑战比七年前也大得多 ---------------- 上次Nuvia在成立两年之后成功的以14亿美元出售，这次市场热度比五年前高了一个数量级，Nuvacore之后的路会怎么走呢？ 如果是被收购路线，其实买家可能比五年前比并没有更多，这五年里，Google有了Axion，微软有了Cobalt，Amazon有了Graviton，Nvidia自研的Vera CPU已经成型，连ARM也打破了35年来只做IP的常规，开始做自己的AGI CPU芯片 最有可能的是Softbank系，softbank已经在ARM CPU服务器生态上布局深耕了多年，65亿美元收购了Ampere，再收购Nuvacore是很正常的事情，这个市场想象力足够大 其他的选择也可能是Meta，因为几家互联网公司里，只有Meta的silicon house没有稳定可靠的CPU服务器，有限的资源在MTIA都做AI加速器去了 但是Meta的问题在于稳定性极低，决策每个月都在变化，注意力非常短期化，项目随时取消，对Nuvacore来说完全无法兑现潜力，是一个非常糟糕的买家 但总体来说，Nuvacore的选择肯定比五年前宽了太多了，对ARM CPU服务器的潜力大家的共识都很明确，融资的难度要小很多，自己运营扩张起来，阻力比以前小很多，合作伙伴的配合程度上也因为未来预期，会容易很多 完全可以自己做大到比Nuvia当年更大的规模再考虑出路，根本不着急卖

很多 Crypto 布道者覺得這個行業「賭場化」讓人失望。 我反而覺得這是好事。 人類最底層的需求就是「黃、賭、毒」，幾千年來從未改變。Pornhub 每個月超過 40 億次訪問，穩居全球前 15 大網站。這不是墮落，這是人性。 年輕人為什麼越來越愛賭？因為傳統的路走不通了。 嬰兒潮那代人，努力工作就能買車買房。現在呢？存錢二十年可能還買不起一間破公寓。ETF 年化 7-8%，對有錢人是複利，對普通人是笑話。 所以 GameStop、狗狗幣、迷因幣，本質上都是同一件事：被傳統路徑拋棄的人，在尋找不對稱的翻身機會。 Crypto 恰好提供了這個機會。 越合規的市場，越難暴富。因為合規的本質是保護投資人，而保護投資人的代價，就是讓聰明人更難賺錢。 Crypto 弱監管的環境裡，技術強、運氣好的人，可以贏走技術差、運氣差的人的錢。這是風險，也是機會。 有人說這很墮落。 那我問你：抖音讓你刷兩小時沒營養短影音，手遊讓你課金課到傾家蕩產，知識付費讓你買一堆課從來沒看完，這些產業就很高尚嗎？ 說到底都是把人性弱點變現。Crypto 只是更誠實，直接跟錢掛鉤。 與其抱怨，不如擁抱變化。接受 Crypto 是個大賭場的這個事實，然後去找到你的 edge。 重塑生產力曲線、改變世界，這個任務交給 AI。 Crypto 就用來承接人類幾千年來最底層的原始需求：賭。 賭場化不是終點，是起點。 後面可以玩的東西，還多得很。

本来最近到处闲云野鹤享受熊市的无聊和空闲，推特也没怎么更新，结果朋友很兴奋地说 @megaeth 要TGE了，你不得出来点评几句，好吧，谈几点看法： 1）它的TGE“故事”很特别，并没有一个指定的日期，而是等网络生态跑出一定的KPI才触发，这在山寨币扎窝只为发币的当下，是不是显得特别的“清新脱俗”？ haha，当然也可以视为一直TGE跳车找不到合适时机的“体面”说法，但anyway，终于有项目方不把TGE只是当“终点”草草交差了； 2）在以太坊layer2 通用链失去想象力的市场当下，我们很难给MegaETH一个合理的定位，说他是纯layer2，项目方肯定不高兴，说他是高性能layer1和以太坊主链的关系，以及怎么做生态反哺关系就又变得尴尬。其实想做以太坊的Solana又或是Hyperliquid，但看 @VitalikButerin 的意思以太坊主网就守着安全，至于扩展层怎么玩，主网有心但真的扶不动了。 所以我更倾向于，它只是以太坊生态一种全新的尝试，基于主网安全性扩展的一条real-time实时公链，要把执行层的性能拉满，拓展DeFi之外更丰富的游戏、社交等高频类应用场景落地可能。所以，它的出现重不重要，全看你怎么定位它，冷静、保持一点期待即可； 3）问题来了，real-time级别的处理能力为什么很重要？答案其实很简单，过去区块链生态除了DeFi几乎没跑出来像样的出圈的应用，游戏、社交、高频交易这些有价值的前卫场景喊了一轮又一轮，结果呢？大部分用户实操体验过之后都会觉得不过如此，不过是画了又一个叙事大饼。 说明压根就没有公链真正实现real-time级别的执行处理能力，可想而知，市场对于具备实时处理能力的技术公链有多么饥渴？至于是不是MegaETH，不知道，但市场真的需要，这个结果眼上，它吹响最亮的冲锋号来了，那就看看呗； 4）我几个月前就开始研究MegaETH生态上的应用了，就是期待一个创新的应用到底应该长什么样？可以草草分享下感受。 Euphoria尝试把期权交易做成手机点格子的游戏化操作，根据超快时间框架点击预测价格涨跌，很年轻另类，创新性拉满；Biomes是全链上Minecraft-like沙盒，MMORPG 级别，真正多人实时互动、挖矿、合成、PVP等；机甲 PVP竞技场，真金白银下注对战 + RNG/RPG 元素，还在聊AI Agent进游戏；边看球赛边实时一键交易fantasy卡牌（进球、伤停、VAR 瞬间重定价），尝试把体育直播和 DeFi进行融合。 总之吧，有一些与众不同之处，至少在现有各大链应用抄来抄去的当下来说，这些都是，只有实时性能才能解锁的新交互范式。我觉得能吸引一些创新怪咖开发者，能孵化一些新鲜好玩的应用，创新力曾经在Crypto引以为傲的“能力”竟然变稀缺了，一定要鼓励一切创新机会！ 以上。 至于FDV估值的合理，当初投资NFT和公募的盈亏情况，我就不在此多言了。haha，朋友说我的NFT可以赚个至少1倍，希望是只肥美的兔子🐰，那就明天看咯。