随着 AI 技术越来越成熟，如何让开发者更轻松地使用 AI 构建 Web3 应用，正在变成一个现实问题。 @CNPYNetwork 是一个面向 Web3 开发者的去中心化应用链构建框架，也可以理解为一套造链工具箱。它想解决的核心问题很直接：过去开发一条链门槛太高，需要理解底层语言、共识机制、钱包、Gas、跨链等一堆复杂内容，而 Canopy 希望把这些复杂工作尽量藏到后台，让开发者像写 Web2 应用一样去开发区块链。 @CNPYNetwork 的一个特点是对 AI 编程工具比较友好，比如 Claude Code、Cursor、Codex 等。开发者可以使用熟悉的编程语言，借助 Canopy 的模板，在较少代码量下快速搭建一条可运行的独立链。业务逻辑由开发者自己编写，钱包交互、Gas 管理、账户抽象、跨链通信等底层模块则由 Canopy 处理。 在架构上，Canopy 并不主张所有应用都挤在同一条公链上竞争区块空间，而是采用点对点、网状的应用链模式。每个项目都可以拥有自己的区块空间，避免因为某个热门应用或 Meme 币爆发，导致整条网络拥堵、费用上涨。官方还强调，其主网目标是支持高性能和低成本交易。 此外，Canopy 提供类似区块链孵化器的模式。项目早期可以作为子链接入生态，享受共享安全；当项目发展成熟后，也可以升级为更独立的主权链，并尽量保持代码和历史数据的连续性。 总体来看，Canopy Network 想做的不是再造一条普通公链，而是降低造链的门槛。它更像是为 GameFi、模块化 DeFi、AI 应用和去中心化基础设施准备的一套开发底座，让更多 Web2 和 AI 开发者能够更顺手地进入 Web3。

在Ai技术不断革新的这个时代 网络上肉眼能看到的图片和视频 已经分不清“真与假”了 以后或许会更夸张… 早在几年前 大家都在卷视频的时候 我就坚持用文字记录真实的游戏感悟 虽然我的文笔描述笨拙得不如Ai 但可能胜在够「真实」 使我静下心来复盘每一场游戏再发出来 提升自己的同时也庆幸你们耐心阅读

原阿里AI技术核心人物林俊旸创立新公司 阿里巴巴应用“千问”大模型原技术负责人林俊旸卸任五个月后宣布创立新AI公司，获中国互联网巨头腾讯跟投。 新公司位于上海，公司名为“语用科技”（Pragmatik Labs），将研究面向数字世界和物理世界的下一代智能体。

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。