Crypto基建可能是人类历史上前几名的资本浪费。跟之前那几次不同的是，这次连残值都没留下。 从2016年算起，整个crypto产业消耗的真实资本远超多数人的直觉。VC端累计超过1000亿美金。2017-2018年的ICO大潮吞掉了数百亿（各口径差异巨大，保守$200亿到$500亿之间，其中80%以上是骗局，存活率约10%）。比特币PoW挖矿十几年累计电费$300到$500亿之间，全部用于解一道没有任何生产性产出的数学题。DeFi hacks累计损失超过$140亿，各链基金会生态补贴又烧掉了数百亿。 合在一起，$2000亿美金级别。 钱的最大去向，年年都是"基础设施"。2024年仅infra品类就吸走55亿美金，同比增57%，创品类历史新高。L1、L2、L3、rollups、ZK层、DA层、shared sequencer、modular blockchain……以太坊白皮书发布十多年了，这些基建上面跑着的主流应用数来数去还是那几个。但新积木还在不断冒出来。 行业数据：90%到99%的Web3项目在达到长期运营之前失败。2021年以来上线的token里超过一半已经是死币。2026年上半年又有60多家crypto公司关门。 把这$2000亿放进历史坐标里： 1840年代英国铁路狂热，累计投入2.5亿英镑，接近当时GDP的一半，铁路投资占GDP的7%。股价从峰值跌了57%，三分之一经议会批准的线路从未建成。但留下了8000英里铁轨，永久性地降低了工业运输成本。 1990年代末电信光纤泡沫，五年内砸了超过5000亿美金铺设光纤网络。泡沫破裂后95%是暗光纤，仅有不到5%的已铺设容量被点亮，全球电信股蒸发超过2万亿美金市值。但那些光纤留在地下，十年后成了宽带、云计算、视频流媒体和AI数据中心的物理底座。 2000年互联网泡沫，VC投入从1995年的80亿美金飙升到2000年的超过1000亿美金，83%砸向互联网公司。NASDAQ从峰值跌了78%，5万亿美金市值蒸发。但留下了服务器集群、数据中心、光纤骨干网，最终长出了Amazon、Google和现代互联网经济。 铁路狂热留下了铁轨。光纤泡沫留下了光纤。互联网泡沫留下了数据中心。每一次大规模的资本错配，都在投资者血亏之后，为下一轮技术浪潮留下了可被复用的物理基础设施。 Crypto的两千亿美金留下了什么？几十条L1链、上百条L2/L3、无数的bridge和oracle。它们有一个致命的不同：没有物理性，没有可被后来者复用的残值。铁轨是铁轨，光纤是光纤，不管谁来用、用来做什么，物理层都在那里。但一条没有用户的区块链就是一条没有用户的区块链。AI时代不需要在ZK-rollup上面跑inference，不需要用shared sequencer来调度GPU集群。 那些被社区称为scientist的人，在一个没有真实用户需求驱动的系统里互相peer review、互相citation，形成了一套高度自洽但极度封闭的学术仿生体系。 历史上每一次基建泡沫，至少完成了一个任务：错误地、过早地、用投资者的血去铺设了未来真正需要的基础设施。Crypto连这个都没做到。它铺了一条没有目的地的高速公路，而AI时代的车跑在完全不同的路上。 两千亿美金。换算成GPU集群，够训多少个frontier model了。

GEO服务商在卖什么？不是visibility，是“市场团队在AI时代的焦虑解药”。年初我交流了四五家GEO服务商，回过头来看，这是我目前关于GEO这块业务最大的感受。 ------ 1/ 市场团队需要给老板汇报“我们在AI时代做了什么” 2/ GEO平台提供一个dashboard，让市场团队有东西可以汇报 3/ 这个dashboard是不是真的代表商业价值?不重要，因为老板自己也不太懂 这就是为什么2025-2026年GEO服务商能快速融资+快速签客户的原因。它们卖的不是结果，是焦虑解药。 ------ 不过从长期的角度，个人还是很认可和接受 “GEO”的概念的，即便很多行业里的观点是“GEO就是给SEO贴了个新的标签”，但是从成功定义上存在不同，且用户通过AI来获取产品/服务推荐的习惯在逐渐被养成，甚至未来常见的场景之一就是AI Agent直接替用户下单做决策。更进一步，GEO不是“让用户看到你”,而是“让Agent选择你”。 这是个完全不同的游戏。 年初在跟GEO服务商沟通的过程中，察觉到了B端对GEO的付费意愿确实强劲，比如： 1/ Profound在2026年2月完成$96M Series C，估值$10亿，Fortune 500中有10%是它的客户 2/ 国内某头部GEO服务商半年多积累了近百家客户 3/ Semrush这类的传统SEO巨头也在GEO领域快速追赶，在G2 Spring 2026报告中反超Profound,成为AEO category的#1# 但是也面临一个问题——相对于SEO，B端对GEO服务的续费率不高，要么就是试一下就不做了；要么是打好了基础后自己做。这背后的原因在我看来，很核心一点，在于GEO难以被量化。难以量化，就难以算出ROI；算不出ROI，B端就不会加大资源投入。 ------ 现在GEO平台衡量效果的主要方式，就是用prompt去query AI engine，然后统计品牌出现的频次。以Profound为例，核心的评估指标包括：出现频次的百分比、在品类中被提及的占比、在AI回答中的平均位置、情绪倾向、AI引用了哪些source。 但这些指标仍旧还比较抽象，前面提及的“难以被量化”，体现在： 1/ AI公司不提供“Search Console” — OpenAI/Anthropic不公开品牌被搜索/提及的频率 2/ 没有“AI Analytics” — B端不知道真正有多少用户在ChatGPT里看到了自己 3/ 归因模型还不成熟 — 行业还在debate怎么算“AI visibility的ROI”，比如，如何判断用户的购买行为是来源于AI推荐 4/ 数据波动 — AI模型每次迭代，都可能彻底改变品牌在回答中的position。Cloudflare的数据显示，各大AI engine的citation drift每月波动40-60%。这意味着一个客户付了$5K/月做GEO，如果第二个月visibility下降30%，可能不是因为他做错了什么，而是ChatGPT自己变了 5/ 测量本身有偏差 — 几乎所有GEO工具都用clean API state去query AI，但真实用户有conversation history、personalization、地理位置等，两者之间存在着差距 如果GEO的需求随着用户通过AI检索获取推荐的习惯被养成而增长，那么GEO效果如何被量化，或许会是个需要被解决的课题，当然这也存在很多要解决的问题，比如——AI公司并没有动力主动开放数据（类似Google Search Gonsole）、第三方测量基础设施并不成熟以及缺乏统一的GEO相关指标定义标准、缺乏类似Cookie的跨平台归因协议等（Google花了30年建了一整套infrastructur「GSC + GA4 + UTM标准 + Cookie + ads tracking」来让SEO可量化）。 但当ROI能算清楚的阶段，GEO或许才真正从“焦虑解药”升级为“营销基础设施”。

📚 Academic Research Skills：论文救命包 写论文最痛苦的地方，经常卡在查资料、整理引用、做文献综述、审稿修改这些碎流程上，最后全靠人自己硬扛。 给大家推荐一个项目：Academic Research Skills for Claude Code，把学术研究从选题、文献、写作、审稿到修改，拆成一整套 Claude Code Skills。 GitHub： 它的思路很克制：论文判断仍然由人负责，AI 主要处理那些重复、繁琐、容易出错的工作。比如找参考文献、检查引用、校准写作风格、做同行评审式反馈、把修改意见拆成可执行任务。 主要功能： 1️⃣ Deep Research：用多 Agent 做研究简报、文献综述、系统综述和事实核查。 2️⃣ Academic Paper：辅助论文大纲、正文、摘要、修订、格式转换和引用检查。 3️⃣ Academic Paper Reviewer：用多视角审稿机制，给论文打分、挑问题、做复审。 4️⃣ Academic Pipeline：把研究、写作、完整性检查、审稿、修改串成 10 阶段流程。 5️⃣ Style Calibration：从你过去的文章里学习语气，减少 AI 味。 6️⃣ Citation Check：重点处理 AI 写作里最容易翻车的引用幻觉和来源错配。 适合正在写论文、做文献综述、整理引用的朋友收藏使用。