高息揽储也救不了 Ebisu Finance 关停命运？ Ebisu Finance @EbisuEthan 宣布停止运营，ebUSD 铸造已经暂停，用户需要关闭剩余Trove、取回 Stability Pool 存款，并撤出DEX流动性，前端将在 10月30 日下线 正式上线到宣布关停，核心产品实际运行时间约一年 Ebisu 的基础质押与再质押收益约为4.2%以上，激进策略目标最高约为 8% 至 10%，后期上线的 sUSDe 金库曾显示约7% APY。平台还允许用户通过循环借贷，将抵押资产敞口放大至最高 11 倍，而回报则来自借款人利息、协议费用以及折价获得的清算抵押品，收益越高，背后承担的利率波动、脱锚和清算风险也越大 最终拖垮 Ebisu 的仍然是规模。截至 2026 年7月30 日，协议TVL仅约 5.33 万美元，过去 30 天产生费用 62 美元，协议收入只有 46 美元，ebUSD 流通量约 2.5 万枚，仅相当于最初500万枚铸造上限的约 0.5 %。 CoinGecko 显示 ebUSD 报价约为 0.916 美元，市值约2.32 万美元，24 小时成交额仅 1.24 美元

吴说获悉，高收益稳定币协议 Ebisu Finance 宣布停止运营，已暂停铸造 ebUSD，并要求用户关闭剩余 Trove、提取 Stability Pool 存款及 ebUSD DEX 流动性，前端将于 10 月 30 日下线。团队表示，协议始终未能扩大 ebUSD 流动性并形成持续需求，尝试调整清算机制、拓展多链抵押资产、推出结构化杠杆产品及寻求收购均未解决这一问题。Ebisu 不会发行 EBISU 代币，也不会向 xEBISU 或参与 Liquity v2 分叉活动的 BOLD 持有人空投，xEBISU 不具备货币价值。

每天一个英文单词，读懂外媒报道中国的字里行间。美国国务卿卢比奥说，中国海警船在台湾周边海域的活动正在 undermine regional stability，侵蚀区域稳定。undermine 这个词是怎么来的？有哪些微妙含义？一分钟，跟温乐狄学起来！ 更多内容👉

河南淅川：精准施策抢晴收 颗粒归仓守粮安Xichuan, Henan Province: Implementing Targeted Measures to Harvest Under Clear Skies, Ensuring Grain Harvest and Stability

Sky的协议净收入在2026 Q1是60M，较2025 Q4提升了2.6倍，其中大部分增长都来自USDS的规模扩张，Vault的增长，随后更多的资本被部署到了Spark、Grove这些Sky Agent，带动了Stability Fee Revenues 大幅增长，同时费用端没有过大的增加。 这个数据在熊市当中，稳定币竞争焦灼的环境下，已经非常出色。

The Information 报道称，中国一家国有企业已经开始生产浸没式 DUV 光刻机，今年计划生产约 5 台，2027 年计划生产约 20 台，客户包括中芯国际、华虹和长鑫存储。 我认为这则消息对 ASML 的影响更多体现在市场情绪，而不是公司基本面。对于中国半导体产业来说，真正的关键不是能不能造出一台光刻机，而是能否满足晶圆厂量产所要求的三项核心指标：Yield良率，Stability稳定性和Throughput吞吐量 只有三者同时达到高水平，设备才具备大规模量产能力。目前，这些能力都尚未得到验证。 事实上，中国过去多年也生产过 i-line 等低端光刻机，但始终没有在先进晶圆制造中实现广泛应用。原因就在于，实验室里能够运行一台设备，与晶圆厂 24 小时连续稳定生产数百万颗芯片，是完全不同的两件事。 光刻机真正困难的地方，不在于造出第一台样机，而在于长期的工程验证。每一次曝光都要求纳米级精度，任何细微的温度变化、机械振动、光源漂移、镜头污染或软件误差，都可能导致良率下降。因此，设备通常需要经过数年持续优化，并在客户产线上不断积累数据、修正参数、提升稳定性和吞吐量，最终才能进入大规模量产。 因此，我认为，中国光刻机自主化无疑是 ASML 长期需要面对的战略挑战，但现阶段距离真正改变全球光刻机竞争格局，仍然还有很长的工程化道路要走。

CSS 每日文明风险日报（CSR） CSS Daily Risk Report – Perception Layer V1.6 (Frozen Edition – Release Candidate 1) 日期：2026年6月13日 | 内部编号：CSS_Daily_20260613_v1.6_RC1 结构化情报 · 证据透明 · 纯文本 · 无代码表示 --- 📌 引用摘要（Executive Summary） 系统状态：全球文明风险指数（CRI）为 8.2，系统维持脆弱稳定态（Fragile Stability），连续第三日处于超高风险区间。 今日变化：超级资本集中事件（SpaceX IPO、万亿富豪诞生）成为新的结构性驱动力。美伊和平协议接近达成但执行风险仍存，OpenAI遭遇多州调查标志着AI治理竞赛正式启动。战争风险下降，但资本与技术权力集中速度继续上升。韧性比率（CAI/CRI）报 0.63，连续第四日处于0.70警戒线以下。 核心判断：当前风险的主要驱动力已由“战争冲突”转向“结构集中”。系统正从“冲突驱动风险”过渡到“结构驱动风险”。超级平台对文明基础设施的控制力进入可观测区间。 --- 一、文明风险指数（CRI） 项目 数值 当前值 8.2 风险等级 超高风险（8.0–8.5） 7日斜率 +0.10（前日+0.11） 24小时核心驱动因素： ① SpaceX完成历史最大IPO，市值突破2万亿美元，马斯克成为首位万亿富豪 ② 美伊和平谅解备忘录接近签署，布伦特原油跌至三个月低位 ③ 美国多州总检察长调查OpenAI（数据治理、市场支配地位、AI安全责任） ④ 欧盟正式启动乌克兰、摩尔多瓦第一阶段入盟谈判 ⑤ 刚果埃博拉疫情持续扩散，欧盟官员警告“世界正坐在火山口上” ⑥ 美国追加5000万美元防疫资金 ⑦ 美加墨世界杯进行中，大规模跨境人口流动持续 ⑧ G7峰会即将召开，AI与贸易议题成为焦点 风险解读： CRI维持于8.2。系统韧性比率（0.63）持续低于警戒线。最值得关注的不是单一风险事件，而是风险形态的根本转变：战争风险下降，但资本权力集中加速。全球系统正在从“冲突驱动风险”转向“结构驱动风险”。SpaceX对卫星互联网、商业发射、月球物流、火星殖民入口及军民两用太空基础设施的集中控制，标志着超级企业开始拥有文明基础设施。 --- 二、文明变量状态卡（V-Series） 变量 当前状态 风险等级 趋势 V_capital 万亿富豪诞生 + 超级资本集中（SpaceX IPO） 极高 ↑↑ V_tech AI治理竞赛启动 + 多州调查OpenAI + 行业内部分化 极高 ↑ V_inst 多边机制空转 + 美伊协议执行不确定性 极高 → V_geo 美伊协议接近达成（战争风险↓） + 中东规则耦合转变 高 ↓ V_market 中东风险重定价 + 布伦特原油跌至三个月低位 + 股市上涨 中高 → V_energy_price 布伦特原油低位运行 中 ↓ V_human 埃博拉持续扩散 + 世界杯进行中 + 美追加防疫资金 极高 ↑ V_expansion 欧盟制度扩张（乌克兰/摩尔多瓦入盟谈判启动） 高 ↑ 变量解读： · V_capital（新增）：SpaceX IPO与万亿富豪事件标志着文明权力结构变化。资本、技术、基础设施和数据权力正在同一主体内部耦合。风险评级9.3/10。 · V_tech：AI产业已进入“治理竞赛”周期。2023创新→2024军备→2025基础设施→2026治理。OpenAI调查范围是未来72小时关键观测项。 · V_geo：美伊协议从“军事耦合”向“规则耦合”转变，但签署风险≠执行风险，仍存不确定性。 · V_human：埃博拉尚未达到全球传播阶段，但公共卫生系统已进入预警状态。 --- ⚡ 三、熵压指数（EPI） 项目 数值 当前值 0.42 状态 显著高于预警线（0.35），处于中高熵压区 主要来源： · 技术熵压：0.46 ↑（AI治理竞赛启动 + 超级资本与技术融合） · 经济熵压：0.43 ↑（资本集中加速 + 通胀预期） · 制度熵压：0.42 ↑（美伊协议执行不确定性 + 多边机制空转） · 公共卫生熵压：0.40 ↑（埃博拉扩散 + 世界杯人口流动） · 地缘熵压：0.37 ↓（美伊和平协议接近达成） 结构解释： EPI升至0.42。熵压的核心驱动是“基础设施俘获循环”（Infrastructure Capture Loop）：超级平台通过控制卫星网络、火箭系统、AI平台、能源网络、金融资本及全球数据流入口，正在重塑文明权力结构。这属于高阶文明风险信号。 --- 📈 四、文明适应指数（CAI） 项目 数值 CAI总分 5.2（持平） 韧性比率（CAI/CRI） 0.63 分项表现： · 资本适应：4.2 ↓（超级资本集中加速，治理工具滞后） · 技术适应：5.0 ↓（AI治理框架尚在形成中，多州调查为碎片化响应） · 医疗适应：5.8 ↓（埃博拉+世界杯，监测压力上升） · 制度适应：5.5 →（欧盟制度扩张为正面信号，但多边机制仍空转） · 社会信任：4.1 →（全球多地抗议与暴力事件频发） 核心判断： 韧性比率连续第四日位于0.70警戒线以下，确认系统处于“韧性不足”区间。超级资本集中事件暴露了适应能力的结构性缺口——现有治理框架尚未准备好应对“私人主体拥有文明基础设施”的新形态。

World Model × Reward Density：递归自我迭代的真正拐点 过去几个月，讨论 AI 递归自我迭代（Recursive Self-Improvement, RSI）时，关注点几乎都放在模型能力和算力增长上。 但研发系统的实验效率相对模型和算力，可能才是真正的瓶颈。 过去一年，这个系统正在发生两个根本性变化：一是 World Model 快速成熟，二是 AI Model Design 的 Reward Density 持续提高。这两个趋势彼此强化，最终指向同一个结果——AI 研发正在从依赖真实实验，转向依赖模拟、预测与自动验证。 World Model 的意义远不只是让模型理解现实世界，更重要的是让 AI 可以构建越来越接近真实世界的原生模拟环境（Native Simulation World）。过去的模拟器主要依赖人工编写规则、物理公式和专家经验，只能覆盖有限场景；未来的模拟器将越来越多由模型生成，直接学习真实世界中的交通、人类行为、企业经营、材料性质、机器人动力学乃至科学规律。模拟世界将逐渐从 Rule-based 转向 Model-based。 这意味着 Simulation 与 World Model 不再是两个独立模块，而是一个递归系统。真实世界提供数据，训练 World Model；World Model 构建更真实的 Simulation；Simulation 为 AI 提供几乎无限的实验机会；实验产生大量高质量合成数据，再反过来继续优化 World Model。 整个循环可以表示为： Reality → World Model → Simulation → Synthetic Experience → Better World Model → Better Simulation → ... 一旦进入这一循环，Simulation 本身开始成为新的数据源。过去互联网几乎承担了全部训练数据来源；未来互联网、Simulation、机器人和自动实验室将共同构成模型训练的数据基础。其中，Simulation 将成为增长最快的数据来源，因为它几乎没有成本，可以无限复制、暂停、回滚、并行和加速运行。 机器人是最直接的受益者。今天机器人最大的瓶颈并非模型能力，而是真实数据获取速度。现实中，一台机器人一年只能积累几千小时经验，而 Simulation 可以同时运行数百万个机器人，在一天内完成现实世界几年甚至几十年的探索。机器人训练因此会逐渐从 Reality-first 转向 Simulation-first，真实机器人更多承担最终校准，而非主要学习过程。 科学研究也将遵循相同路径。未来药物、材料、催化剂、电池、蛋白质设计等领域，大部分假设将在 Simulation 中完成筛选，仅将最有希望的方案送入真实实验室验证。湿实验将越来越像对 Simulation 的最终确认，而非发现过程本身。 如果说 World Model 解决的是实验环境，那么 Reward Density 解决的是实验反馈速度。 AI Model Design 正在成为所有研发任务中 Reward Density 提升最快的领域之一。过去修改一个 Attention、优化一个训练策略或者调整一个架构，往往需要数周训练才能知道结果，反馈极其稀疏。今天越来越多中间信号已经能够提前提供可靠奖励，包括 Loss Curve、Scaling Prediction、Training Stability、Token Efficiency、Inference Latency、Proxy Benchmark 等。很多决策无需等待完整训练即可获得有效反馈，研发循环开始从周缩短到天、再缩短到小时。 World Model 的加入进一步提高了 Effective Reward Density。过去，一个团队提出一百个模型设计，只能真正训练其中极少数。未来，大部分方案将在 Simulation 中完成预验证，仅保留少数最优设计进入真实训练。单位时间内能够获得的有效反馈数量因此不是线性增加，而可能提高一个甚至多个数量级。 真正发生变化的不是 Reward Density 本身，而是有效 Reward Density： 过去： 100 个想法 → 训练 3 个 → 获得 3 个 Reward。 未来： 100 个想法 → Simulation 验证 95 个 → 训练 5 个 → 获得近百个高质量 Reward。 研发系统开始进入典型的正反馈。 RSI 意味着：Model → Better Model。 但如果拆开来看，其实是： Model → Better World Model → Better Simulation → Better Evaluation → Better Model。 更进一步，World Model 本身也是模型，因此模型不仅开始优化模型，还开始优化整个研发基础设施，包括 Evaluation、Reward Model、Simulation、Compiler、Kernel、Memory System、Chip、Interconnect、Datacenter、Energy 以及 Robot Lab。优化对象从单一模型扩展到整个 Intelligence Stack。 从这个角度看，RSI 的速度可以拆解为五个核心变量： RSI Speed = f(Model Capability × Experiment Speed × Reward Density × Automation Ratio × Compute) 过去几年，模型能力和算力提升最快，而实验速度、Reward Density 和自动化比例一直是限制因素。现在，这三个变量正在同时改善，并形成多个相互强化的反馈环。 Reward Density 提高，实验速度提升；实验速度提升，提高自动化比例；自动化比例提升，进一步增加迭代频率；更高的迭代频率提升模型能力；更强的模型又提升 World Model；更好的 World Model 再提高 Reward Density。 整个系统开始形成真正意义上的递归飞轮，而不是单变量增长。 因此，RSI 更可能表现为阶段性加速，而不是平滑指数增长。每当一个关键瓶颈被突破，例如 Evaluation、Simulation 或 Robot Lab，整个系统都会进入新的增长档位。 基于目前的发展节奏，可以将 RSI 粗略划分为四个阶段。 第一阶段已经开始。AI 能够辅助模型研发，但仍高度依赖人类完成实验、分析和决策，研发循环以周为单位。 第二阶段将在 World Model 和 Reward Density 继续成熟后出现。AI 将能够提出设计、完成 Simulation、自动 Evaluation、自动 Revision，人类只负责批准关键实验，研发循环压缩至小时级。这将是自动 AI Research 真正形成飞轮的起点。 第三阶段将随着 Robot Lab 普及而到来。Simulation 与自动实验室形成闭环，真实实验自动更新 World Model，整个研发流程实现 7×24 小时运行。现实世界逐渐从主要训练场转变为校准场。 第四阶段，也是 RSI 真正意义上的广义扩张。AI 不再只是优化模型，而是持续优化芯片、网络、能源、机器人、制造系统和整个智能基础设施。递归优化对象从 Software 扩展到整个 Physical Intelligence Stack。 基于上述路径，接下来最值得关注的是五个领先指标：AI 完成一次研发迭代所需时间；AI Model Design 的 Reward Density；World Model 对真实训练结果的预测精度；Simulation 与现实实验的一致性；以及整个研发闭环中自动化完成的比例。 这些指标共同决定了递归自我迭代是否真正开始进入加速阶段。 接下来，Simulation 将成为主要训练场，Reality 将成为最终校准场。 当 World Model 足够准确、Reward Density 足够高、Robot Lab 足够自动化之后，AI 将第一次拥有持续、自主、高频率优化自身的实验环境。这并不意味着智能会瞬间爆发，而意味着决定增长速度的约束正在系统性消失。 当研发系统本身成为优化对象时，递归自我迭代才真正开始。