进化不是在奖励最强壮的个体，而是在奖励那些在变化环境中能活下来的物种。 —— 查尔斯·达尔文！ 所以活下来，才是最重要的事情！ 七月八月活下来，九月十月才能更好的买到低价筹码，才能绝地反击。

SmartX ：进化版的 FOMO平台 ，可交易meme、rwa 等资产，获得了YZi Labs等投资机构的背书 无gas 、无需跨链，一键下单 团队来自头部 CEX、字节跳动和腾讯等经验丰富的大厂 产品即将上线，可以来做第一批用户，占领交易和空投的红利和先机 现在是waitlist申请阶段，并有usdt、积分和iphone duo的奖励 入口： 完成； 1、交易人格测试 2、X分享测试结果和邀请链接 3、返回Waitlist 页面验证 挺有意思的，交易人格测试完成后会生成一张图片，看看你打几分 @SmartXTerminal $SmartX

按照进化论，智人在近30万年前才出现，而一出现智商就碾压了自生命出现在地球以来过去35亿年的所有生命体，也就是说仅靠无序物的基因突变，地球生命的智商仅用了30万年就超过了过去一万多倍的时间，这科学吗？

XCLUB 进化正当时！ 早期：交易所和项目都会会举办活动，大家一起吃吃喝喝热闹一下。 其目的都是搞搞关系，大家以后有事好沟通，别骂我。 现在：xclub更像是搭建一个平台，让整个生态系的人串联，形成更大的乘数效应，去给 @okxchinese 及整个okx生态带来可量化的正反馈。 横向上： 做社交媒体的可能为了拓展，kol可能重流量轻运营，减少了很多转化。 这可能不仅仅打破KOL和几点的壁垒，而是打通本该相同生态市的1+1》2的效应。 纵向上： 有的人做杯子的，物美价廉。 有的人是卖杯子的，销售冠军。 有的人知道哪些做碗的也可以做杯子，提供线索。 这些挖潜拓展增的路径仅仅是当前第一次活动就碰撞出了很多。 @star_okx 你真的是要偷着乐，肯定有不少增长。 最不满意的点： 上菜的服务员，我不是很满意。 本来我是坐在5个妹妹的中间。 最后坐在JK短裙和萨勒芬妮中间。 服务员说上菜方便。 我就奇怪了：难道不能从 @FLS_OTC 脑壳上上菜吗？ 又吃多了！ 两个女粉一下给我卷个片皮鸭，一下给我夹个鱼。 我没忍住。 @Haiteng_okx @Mercy_okx @Cayne_okx @misaENFP @Oxjustdu @Pandachen007 @CryptoBigHand @Cryptodengta @qklxsqf @karen

AI 进化得很快，但很多基础设施还停留在上一个时代。 大多数 L1，都是围绕人类开发者设计的。 可未来，真正高频使用这些基础设施的，很可能是 AI Agent。 如果底层逻辑没有变，再多的 AI 功能也只是补丁。 真正的 AI 原生，是从架构开始重构。 AI 写代码、AI 部署应用，整个网络都为 AI 工作负载而生。 它想做的不是给 AI 增加几个功能，而是从底层开始支持 AI 原生开发、部署和运行。 AI 不只是生态里的一个应用，而是整个网络的参与者。 这也是 @CNPYNetwork 的思路，不是给 AI 腾一个位置，而是让 AI 成为整个生态的主角

Agent 自我进化也会过拟合。 Harness 在同一批任务上反复修改，Benchmark 分数可能一路上涨；换到新任务后，刚学到的能力却很快失效。 Google Cloud AI Research 等团队这篇 RRSI，专门给 Harness Evolution 加了一套「正则化」。 它主要从两端限制自我改进： Proposer 负责提出修改。前期允许一次尝试更多变化，后期逐渐收紧每轮能改的组件数量；同时参考历史进化轨迹，鼓励探索还没试过的方向，减少反复走同一条路。 Selector 决定哪些修改能留下。其中有两个关键角色： Critic 会过滤明显针对 Benchmark 写死的技巧，避免 Harness 靠记题刷分； Pruner 会删掉收益太小、token 成本太高，或者后续已经没有价值的改动，防止 Harness 越进化越臃肿。 所以它最终想保留的，是能跨任务复用的机制。 结果在普通 Harness Evolution 在训练任务上分数更高，但 OOD 平均只有 40.3；RRSI 达到 43.6，同时推理 token 还减少了约 30%。 有一个直接的感受是自我进化做到后面，难的是决定什么值得继承。 换了环境还能留下来的改动，才更有价值。 📎 arxiv:

AI 自我进化还在探索，围绕它的数据和训练服务，已经开始落地了。 最近看了一些做 RSI 的团队，发现它们选择的切入口很具体：训练数据、供 AI 练习的环境，以及判断表现好坏的评估服务。 我觉得这条路挺务实。想让 AI 持续进步，总得先把练习和反馈的条件搭好。 不过，这也让我更好奇，「帮助 AI 进步」到「AI 更会改进自己」，中间还有多远？ 模型成绩提高了，可能是教材更好、老师更强，也可能是多跑了几轮实验。要看清自我改进的作用，还需要把这些贡献分开。 比如，花同样的钱，始终用最初那套系统，和让升级后的系统继续探索，最后会差多少？ 数据和训练服务的价值已经很具体。我更期待接下来的实验能告诉我们：上一轮积累的能力，是否真的让 AI 更擅长找到下一次改进的方法。