BTC 正在悄悄进 DeFi，但大多数人还没看见真正的瓶颈 BTC 进 DeFi 这件事，过去一年一直在发生，只是大多数人没把它当回事。 截至 2026 年 Q1，BTCFi 的 TVL ~80 亿美金，年增速接近 200%。Babylon 的质押 BTC + wBTC + tBTC + cbBTC，还有再加上 BounceBit、Stacks、Merlin、BOB、Bitlayer 一堆 BTC L2 各自圈一块流动性。 但 BTC 之间互相看不见，以太坊不一样。ETH 这边有 LayerZero、Wormhole、CCIP，资产跨链相对成熟；BTC 这边是真碎，wBTC 在以太坊，cbBTC 在 Base，tBTC 在 Arbitrum，原生 BTC 在 Babylon，在不同链上是完全不同的 token。Curve 上想把 wBTC 换成 cbBTC，滑点、桥费、确认时间加在一起，体验跟 2020 年的 DeFi 差不多。 这就是 BTCFi 真正的瓶颈。不是收益不够高，是流动性根本不通。 BTCFi 要起来，必然出现一层把所有 BTC 资产、所有链、所有协议聚合起来的互操作层。 @PersistenceOne 算是这个方向里少数在认真做的。他们的 BridgeKitty 干的事很具体：聚合 BTC 类资产和稳定币的跨链最优路径，用户敲一笔单子，后台自动拆链路、比报价、走最便宜的桥。更有意思的一点，它服务的不只是人，还包括 Agent。 这是另一个被低估的趋势。链上 Agent 自动做市、跨链套利、资金路由，行为模式跟人完全不同。24 小时跑、对滑点敏感、对延迟更敏感。一个能同时给人和 Agent 用的聚合层，需求曲线会比纯 To C 陡得多。BridgeKitty 昨天刚发了一次重大升级，路径优化和 Agent 接入是重点。 我的判断： 1、BTCFi 这一波不是 BTC L2 之争，L2 越多，聚合层越值钱。 2、但是跨链聚合赛道窄，2026 年的 DeFi 流量中，超过 40% 是由 AI Agent 驱动的，竞争对手包括 LiFi、Socket、Across，Persistence 能不能在 BTCFi 这个细分里建立壁垒，要看能跑出多少 Agent 调用量。 3、Persistence 的切入点很聪明，它在做的实际上是意图导向型聚合，对于用户来说，不需要关心底层是走 Across 还是 Stacks 的官方桥，只要结果（最优报价）

转发提示词：风格人物+精神投射 by 虎小象 @hx831126 不是单纯的Pixar风格，有点Designer Toy 风格 让模型帮我加入了人物戏剧夸张的身形和表情「修长身形，大脚，块状的结构」 以此慢慢的 让模型延展其他人物。 提示词： A high-resolution vertical Pixar-style 3D character illustration. Main character: Salvador Dalí — depicted as a tall, slim, and slightly exaggerated Pixar-style 3D character. Wearing a classic blue shirt, yellow tie, high-waisted plaid trousers with suspenders, and leather shoes. His iconic long upturned mustache, slick black hair, sharply arched eyebrows, and slightly eccentric posture. Stands with chest out, one hand on hip, head tilted slightly back in his typical theatrical flair. Background: Flat, clean yellow background with subtle surface texture. Strong sunlight from top-left casts a distinct and enlarged shadow on the wall behind him. Key Concept – Shadow as spiritual projection: The shadow cast behind him does **not** mirror his body shape. Instead, it takes the form of one of his most iconic artworks — a surreal melted clock with long dripping arms, inspired by “The Persistence of Memory”. The melted clock shadow is positioned diagonally, starting from his shoulder, stretching wide and low across the yellow wall, surreal and fluid, yet unmistakably symbolic. This shadow is **Dalí’s legacy made visible** — a symbolic extension of his identity through time, dream, and visual distortion. Lighting & Rendering: Pixar-like rendering with detailed but stylized textures. Use subtle filmic grain, soft shadows, and warm color grading. Subtle sparkles or light speckles inside the shadow to evoke dreamlike texture. Typography (top-left corner): “Salvador Dalí” in minimalist black sans-serif font, “Dalí” bolded.

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。