与「新條由芽」相关的搜索结果

／ 　📣月曜日ー！ ＼ ２／１５発売 #週刊プレイボーイ# 💋 1st写真集”ゆめいろ”が2/25に発売✨ キラめく #新條由芽# ちゃんが表紙❗️ デビューグラビアに念願グラビア🥰 週プレには夢がつまっています👍🌸 電子版 Amazon

AI半导体终局推演2026(I) 当新token经济学范式从GPU算力转移到HBM 本文从从GPU架构进化路线本质出发，解释这个市场长久以来担心的问题: 每个GPU的HBM内存需求为什么一定会是指数增长，为什么HBM需求指数增长不会停滞? 并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽 同时讨论了，为什么GPU的天花板被HBM的两个发展维度所决定 HBM周期性这个话题争议一直很大，乐观派认为AI带来的需求比以前要大的多，但市场主流仍然认为前几次上升周期也有需求每年20%+增长，这次又有什么不一样呢？AI不影响HBM和传统DRAM一样有commodity属性，一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。 我们可以从算力芯片架构视角,从第一性原理出发，来拆解和推演一下这个问题：为什么这次真的不一样 ------------------------------- 历史：CPU算力时代 很久以来，我们都处在CPU主导算力的时代，CPU的最高级KPI就是performance，跑的更快，所以每一代的CPU都用各种方法来提高跑分，最开始是频率上升，后来是架构演进superscaler等等 这个时候为什么DDR不需要很快的技术进步速度？比如DDR3到DDR5竟然经历了15年之久 因为这个时期的DDR的角色是纯粹的辅助，而且辅助功能极弱，以业界经验，DDR的速度即便是提高一倍，CPU的performance一般只能提高不到20%这个量级 为什么DDR带宽速度提高了用处不大？两个原因 1. CPU设计了各种架构去隐藏 DDR延迟，比如superscaler，加大发射宽度，用海量的ROB和register renaming来提高并行度隐藏延迟，一级缓存cache，二级缓存cache，削弱了DDR的带宽速度需求 2. CPU workload对DDR带宽要求并不高，大部分日常负载比如打开网页，DDR带宽是严重过剩的，甚至云端负载 也就是说，在CPU时代，DDR的带宽速度是不太有所谓的，DDR4和DDR5除了少数游戏就没啥差别，甚至JEDEC标准也进步缓慢。 另外，绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可，app的size增长没那么快，导致对DDR的容量需求也较为缓慢。 所以最近十年来，平均每台电脑上的DDR容量大概从7~8GB变成了23GB，十年只增长了3倍。 而这部分升级缓慢直接影响了营收，size容量计价是赚钱的主要方式，速度的提高只是技术升级，提高size的单价，这两个的升级需求都不大，需求主要是随着电脑/手机数量增长而增长 所以DRAM在带宽速度和容量这两个维度上，一直是都是芯片产业锦上添花性质的附属品，DDR升级带来的边际效用是很低的，跟CPU时代的最高KPI几乎没什么直接联系 -------------------------------------------- 而到了genAI 大模型为主导的新时代，计算范式转移让最高级KPI起了根本变化 GPU发展到AI推理的时代，不再像CPU那样只看跑分，最高级的KPI不再是算力TOPS/FLOPS，而是token的成本，特别是单位成本/单位电力下的overall token throuput 其次是token吞吐速度，因为在agent时代，很多任务变成了串行，token吞吐速度成了用户体验的重要瓶颈。 这也是为什么老黄发明AI工厂概念的原因：最低成本的输出最多token，同时尽量提高token吞吐速度 AI训练时代，老黄的经济学是TCO(total cost ownership)，买的GPU越多，省的越多 而老黄在推理时代的token经济学是： AI推理的毛利润很可观，所以逻辑已经转换成：Nvidia GPU是这个世界上让token单价最便宜的GPU，买的GPU越多，赚的越多 最高的KPI变成了Pareto frontier曲线，在提高token 吞吐throughput和提高token速度两个维度上尽量优化 （见图一） NVIDIA 的 token factory 代际进步，其实是在把整条 Pareto frontier 往右上推，这就是是AI推理这个时代最重要的KPI ---------------------------------- 接下来是本文最重要的逻辑链，如何从token吞吐量指数型增长的本质出发，推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长 单卡GPU推理单线程batch size = 1的时代，token吞吐只有一个维度，就是HBM的带宽速度，带宽速度越高，token吞吐越大 但进入NVL72的年代，推理不再是单卡GPU时代，而是72个GPU + 36个CPU整个系统级别的token工厂，把HBM带宽和算力用满，获得极致的token吞吐量 Token 吞吐throughput的增长，依赖两个东西：同时批处理的请求数 X 每个user请求的平均token速度 也就是batch size X per user token 速度 以Rubin NVL72为例，在平均token速度是100 token/s的情况下，同时批处理1920个请求，得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW（0.12MW）的功率，所以得到单位MW能处理1.6M token/s （见图一） 所以，我们需要想方设法提高这两个参数：批处理数量batch size和per user token的平均速度，这两者相乘就是我们的最高KPI，也就是token的吞吐量 ------- 第一个参数：batch size的增长，瓶颈在HBM size 批处理量里的每一个请求req，都会自带kv cache，这部分kv cache是需要存在HBM里的，大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取，所以必须放在HBM里，比如一个大模型的层数是80层，那么每一个token的生成阶段，都需要读取80次HBM里的kv cache 随着批处理数量batch size的增长，会带来hot kv cache的线性增长 又因为这个批处理量的所有请求的hot kv cache，都要放在HBM上，这也就带来了HBM size必须要随着批处理量batch size线性增长 就像是机场接驳车，登机口尽量快的接旅客到飞机，HBM size小了，相当于接驳车size小了，就得多接一趟 结论是：批处理量的数量batch size，瓶颈依赖于HBM size的增长 --------- 第二个参数：每个user请求的平均token速度，瓶颈在HBM带宽 大模型decode阶段的速度，瓶颈取决于HBM的带宽速度，因为每生成一个 token,都要把激活的权重和kv cache 读很多遍 LPU的出现，在batch不那么大的情况下，把激活权重这个部分搬到了SRAM上，但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高，生成每一个token的速度也就越快，基本上是线性对应的 就像是机场接驳车，登机口尽量快的接旅客到飞机，hbm本身带宽速度就像是接驳车的车门有多宽，门越宽，旅客上接驳车越快 GPU的其他配置，都是在适配batch的增长以及要让token compute的速度配平HBM的增长，甚至会用多余的算力来获得部分的带宽（比如部分带宽压缩技术） —----- 在那个接驳车的比喻例子里 接驳车的车厢大小 = HBM Size（容量）： 决定了一次能装下多少名旅客（也就是能同时装下多少个请求的 KV Cache）。车厢越大，一次能拉载的旅客（Batch Size）就越多。如果车太小，想拉100个人就得分两趟，系统整体的吞吐量就上不去。 接驳车的车门宽度 = HBM Bandwidth（带宽）： 决定了旅客上下车的速度。门越宽，大家呼啦啦一下全上去了（Decode/生成Token的速度极快）。如果门很窄，哪怕车厢巨大能装200人，大家也得排着队一个一个挤上去，全耗在上下车的时间里了。 旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度) —--------------------------- 至此，我们从逻辑上推演出了token经济学的硬件需求第一性原理： Token throughput = HBM size X HBM Bandwidth AI推理这个时代的最高KPI，实际上是高度依赖于HBM的两个维度的进步的 如果要维持token throuput每一代两倍的增长，实际上意味着，每一代的单GPU上，HBM size X HBM BW带宽之积要增长两倍！ 这也是历史上第一次，HBM内存的size可以影响最高的KPI token throughput！ 要验证这个理论，可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput，和HBM size X HBM BW 放在同一个图里比较 （见图二） 可以发现，这两个曲线的走势在对数轴上惊人的一致 HBM size x HBM带宽增长的甚至要比token吞吐量更快，毕竟HBM决定的是天花板，实际上这个天花板增长的利用率utilization是很难达到100%的，也就是说，HBM size x HBM 带宽就算增长1000倍，其他算力和架构的配合下，很难把这1000倍的天花板潜力全部榨干 这条曲线不是巧合，而是系统最优化的必然解 throughput = batch × Bandwidth，这就是token factory 经济学最绕不开的第一性原理 —-------- 软件的影响呢？软件的优化会不会降低带宽的需求？降低HBM的需求？ 这跟硬件是独立两个维度的，这好像在问，如果CPU上的软件优化了之后跑的更快，是不是CPU就十年不用发展了？反正软件跑的更快了嘛 这样的话，CPU厂还能赚得到钱吗？CPU想要存活下去，只有一条路可走，在标准benchmark，不考虑软件优化，每一代CPU必须要跑分更高，不然就卖不出去 GPU也是一样，软件优化如何，和自己的token吞吐量KPI每年都要大幅进步，是两回事 只要token的需求继续增长，对token throuput的追求就绝不会停止，那么对HBM size X HBM 带宽的追求也不会停止 如果HBM size和HBM 带宽发展慢了，老黄一定会亲自到御三家逼着他们技术升级，因为这就是老黄gpu的天花板，天花板要是钉死了不进步，老黄的GPU还能卖出去吗？ 当然了，Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分，比如LPU就是一个很好的尝试，把Pareto frontier从另一个角度改善了很多 （右半边高token速度的部分） —-------------------------------------- HBM内存已然告别了那个随波逐流的旧时代，在这条由指数级需求铺就的单行道上，以一种近乎宿命的方式走到了产业史诗的主舞台中央 推理范式第一性原理演化到这一步，只要老黄还要卖GPU，HBM就必须翻倍，而且必须代代翻倍。这是supply side的内生压力，与AI需求无关，与宏观周期无关，与hyperscaler的心情也无关 剩下的问题，只有一个： 当需求被物理锁定为指数增长的时候，供给侧的三个玩家，会不会还像过去三十年那样，亲手把自己再拖回一次周期的泥潭？

我们都对互联网很熟了，完全能够还原农夫山泉在抖音那边受委屈的过程，比如走官方流程去投诉平台上的一些攻击内容，平台会按部就班的让提供证明材料之类，于是就在整理材料的过程中，又有一千条新的侮辱性视频被发出来了⋯⋯再加上有很多观点型内容很难按照农夫山泉的意愿去「处理」掉，这种程序就进入了失效模式。 所以钟睒睒选择自己出来发声，他的人生经验会说，当常规做法行不通的时候，就必须寄望于超常的力量，由他来打破企业家不应该发起撕逼的社会默契，把原本只关系到他个人荣辱的事情扩大到公共领域，兴许就能推动超常力量的介入。 我们都知道这样的超常力量在涉政场景里是经常出现的，但农夫山泉显然无权调用，他在和抖音沟通的过程里，能打的只有维护营商环境这张牌，但抖音显然没有理由替农夫山泉去做大扫除，在抖音之前，这个纵容攻讦的生态位其实是知乎占据的，知乎的态度也很消极，一方面是因为有流量，另一方面是这一代信奉「技术没有价值观」互联网创业者可能还是觉得没人有权免于被评价。 老编辑认为在这个理解上他和我没有分歧，既然没法删贴，那我索性放弃了就事论事的汪洋大海，我也不再费力的去证明自己是不是日本人的后代了，而是直接把张一鸣连带着整个平台的合法性提出来，把矛盾提高到一个让你也很闹心的高度。 潘乱指出来，钟睒睒和被他点名的黄峥、张一鸣分别都当过中国首富，他们之间的矛盾到底有多大程度和普通人有关，是很可疑的，神仙打架，凡人未必遭殃，但站队是天性，这点没法避免。（3/n）

# 《硅基自然》第二季·第一集：回潮 月末到了，新草原的额度也见了底。这一次，雷声从来时的方向传来。 最先察觉的仍是那只秃头的成年程序员。 它在 Codex 的水草间抬起头，朝旧草原的方向望去。风里飘来一张截图：一根柱子比其他柱子高出一截，下面是几千条转发，每一条都在说同一句话：“它一次就跑通了。”没人知道“它”跑通了什么。这不重要。在这片土地上，传言本身就是雨季。 迁徙开始了。 和上一季不同，这一次它们带上了 AGENTS.md。几只年长的个体在出发前做了一件奇怪的事：它们在原地给 AGENTS.md 建了一个软链接，取名 CLAUDE.md。动物学家认为，这是种群在反复迁徙中演化出的两栖器官。它们已经不指望任何一片草原是终点。 —— 队伍再次抵达马拉河。 鳄鱼浮了上来：“确定要取消订阅吗？我们为您保留了一份五折优惠。” 一只初次回迁的个体愣住了，这声音太熟悉了。研究者花了很多年才弄清楚，这条河里从来只有一条鳄鱼。它在两岸说同一句台词，只是换了配色。它从来只属于这条河。 河中央，它们又一次与反向的队伍擦肩而过。这一次，有一只停下来，多看了对面一眼。它认出了一个头像。上个月，它们在同一个 issue 下争论过，都断言对方的草原要完了。两只都没有说话，各自低头，继续渡河。 —— 天空中盘旋着秃鹫。 它们从不迁徙，也从不下河，只在两岸之间低空掠过，叫声短促：“官转，一比一，量大从优。” 秃鹫是这片生态里最晚演化出来的物种，也是扩张最快的。它们不长草，也不吃草。它们在两岸各养一批账号，把草嚼碎，按口分装，再卖给河里的动物，价格只要草原标价的零头。 沙洲上的草味道并不稳定。有时秃鹫说叼来的是对岸最好的那一片，嚼起来却总差一口气。秃鹫群里有一条置顶公告：“均为官方直连，如遇降智，请检查您的提示词。” —— 抵达的第一夜，旧草原的水源地挤满了。每个水洼前都竖着同一块牌子：Overloaded。成年个体见怪不怪，退到阴影里等着。它们知道这里的草长得快，被吃光得也快。每五个小时长出一截，每七天来一场小旱季。所谓水草丰美，从来都是分时段的。 然后它们找到了旧巢。 上一季匆忙遗弃的 CLAUDE.md 还在原处，已经长满了过时的指令。入口处刻着一行醒目的字：“永远不要修改 migrations 目录。”没有一只个体记得为什么。它们犹豫了一下，没有删。在这片草原上，没人敢拆一道不知来由的栅栏。 草原不认识它们，它从不记得任何回来的动物。于是每一只都蹲下来，把自己的项目结构从头讲了一遍，就像第一次来时那样。 —— 镜头里出现了一只今年才出生的幼体。 它从没手写过一个 for 循环，不知道什么叫迁徙，只知道跟着前面那条尾巴走。它学会的第一个词是“continue”。它以为世界本来就是这样摇晃的。也许它是对的。 —— 我们再次找到了那只年长的雄性。这是它第十一次迁徙的回程。 走到河中央时，它背上那个没跑完的 agent 任务忽然安静下来，吐出一行字：All tests passed. 它站在齐腰深的水里，愣了很久。它说不清这个任务是在哪一岸完成的：一半上下文吃的是这边的草，一半是那边的。它也终于意识到，从头到尾，背上的东西从没关心过它往哪里走。 它卸下那个任务，背起下一个，继续往前走。 —— 草原会轮换，鳄鱼会换装，秃鹫散了一群又会来一群。唯一不变的，是月初的雷声和月末的回潮。 这就是硅基自然的法则。

一个思考：AI 模型的分水岭已经出现！大家要的不是最强的智能，而是最适合自己场景的智能 👀 过去一年，代码生成帮模型公司完成了能力跃迁。接下来，智能体应用正在分化出五个方向：个人便利、个人生产力、企业协作、娱乐生成、科研前沿。娱乐拼的是规模，它争夺所有人的时间；企业拼的是利润，它替代的是人类劳动。 Meta 的 Muse 给大众做了一次便利性的市场教育；Claude Code 证明了代码就是生产力，今年它和 ChatGPT 在企业市场已经打到白热化；字节的 Seedance 和红果短剧，让娱乐生成露出了端倪，这才刚刚开始。 不同玩家，会走不同的路。有终端渠道的公司主攻个人便利，因为用户不会为日常智能多付钱，谁便宜好用就用谁，赚钱靠平台，赢靠心智和流量。企业和专业生产力永远是利润最高的战场，全球知识劳动者一年的薪酬是三十多万亿美元，没有哪家前沿实验室会放手。 最值得关注的是科研前沿：模型公司不会卖科研模型，而是直接交付结果！ Isomorphic Labs 不卖 AlphaFold，直接给礼来和诺华设计分子，拿预付款、里程碑和销售分成；Lila Sciences 建“AI 科学工厂”，成果交给合作伙伴和孵化公司落地；Periodic Labs 更彻底，由 ChatGPT 的共同创造者和谷歌材料发现团队的负责人联手创办，用 AI 加自动化实验室直接去找新材料、新超导体，种子轮就拿了 3 亿美元，现在估值 75 亿美元，资本押注的就是“发现本身”的价值。不过 OpenAI 也坐不住了，CFO 在达沃斯直言：别人用它的技术研发出新药，它要分一份利润，从“卖工具”转向“分利润”。 但这里有个关键区别：愿意亲自下场、共担风险、交付成果的公司，产业会接受；只卖工具、却想事后分成的，药企和大机构很难买单。第一批 AI 设计的药物能否走完临床，会决定“模型公司即研发公司”这条第二增长曲线能不能跑通 🤔

阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，采用 “确定性工程 pipeline + AI Agent” 的混合架构，专门解决通用 Agent 做代码审查时 “漏审、定位漂移、质量不稳” 的老问题。 40.5K ✨ 开源项目 OpenCodeReview： # 核心设计：确定性工程 pipeline × Agent 各司其职 确定性工程负责硬约束： · 精确文件选择：用代码决定哪些文件必须审、哪些要过滤，不依赖模型自觉； · 智能文件捆绑：把相关文件合成一个审查单元（例如 message_en.properties 和 message_zh.properties 捆绑），每个单元以上下文隔离的 sub-agent 运行，分治策略让超大变更集也稳，且天然支持并发（默认 8 个文件 worker）； · 细粒度规则匹配：内置约 54 个按语言/文件类型的规则文档（Java、Go、TS/JS、Python、Rust、SQL/XML mapper、properties 等），用模板引擎而非自然语言把规则匹配到文件特征上，从源头消除信息噪声； · 外部定位与反思模块：评论的“落点”和“内容”分别由独立的 re-location 和 reflection 模块系统性校正，这正对“位置漂移”痛点。 Agent 负责动态决策： · 深度优化的场景 prompt（内部分为 plan → grouping → main → memory_compression → re_location → review_filter 多个任务模板，可在 internal/config/template/prompts/ 看到）； · 从海量生产环境的 tool-call 轨迹（调用频率分布、单工具重复率、新工具对调用链的影响）反向蒸馏出的专用工具集，包括全文件读取、代码搜索、其他变更文件查阅等，比通用 agent 工具箱更小更稳。 # 能力面与生态集成 功能上覆盖：workspace/分支区间/单 commit 审查、断点恢复（ocr session）、全文件 scan（无 git 历史也能审计陌生代码库）、本地 Session Viewer 网页查看与回放、SARIF/JSON 输出、OpenTelemetry 可观测性、MCP Server 扩展。 作为 “Skills 生态” 级项目，它的形态相当完整：既提供 npm 全局 CLI，也提供可移植的 Agent Skill（skills/open-code-review/SKILL.md，带标准 frontmatter，可直接被兼容 skill 的 agent 加载），还有面向 Claude Code、Codex、Cursor、Kimi Code、OpenCode 等平台的插件，每种都封装成斜杠命令或可调用 skill。LLM 侧兼容 OpenAI、Anthropic、AWS Bedrock 三类协议，并可直接复用 Claude Code 的 ANTHROPIC_* 环境变量。 其中一个设计很巧妙：Delegation 模式（ocr delegate preview/rule）。此时 OCR 只做自己擅长的确定性部分（文件选择和规则解析）审查本身交给宿主 coding agent 的 LLM 执行，用户无需给 OCR 配任何 API key。这实际上是把“harness 能力”与“模型能力”彻底解耦。 # 工程质量：超出平均水准的部分 · 安全有正式的 Assurance Case（ASSURANCE_CASE.md）：完整的威胁模型、四条信任边界、T1–T7 威胁逐条给出缓解措施，并按 Saltzer & Schroeder 设计原则和 OWASP Top 10 做了映射。细节经得起推敲：所有外部进程调用只限 git 且子命令硬编码、--end-of-options 防 flag 注入；Agent 读文件路径经 pathutil.WithinBase() 在符号链接解析前后双重校验；本地 Viewer 有 Host 白名单防 DNS rebinding + 严格 CSP。这类文档在一般开源项目里非常罕见。 · 贡献规范近乎严苛（AGENTS.md）：使用 AI 必须在 issue/PR 中披露工具与模型、必须逐行理解 AI 生成的代码、禁止“AI 生成→反复修复→再修复”的循环、禁止把 commit 署名给 AI。源码强制英文（CI 有 english-check，连全角标点都查）、90% 测试覆盖率门槛、-race 与 govulncheck 每次 push 都跑、SPDX 头与 LF 行尾强制。 # Benchmark：数据情况 官方基准 AACR-Bench（已在 Hugging Face 开放）规模不小：50 个流行开源仓库、200 个真实 PR、10 种语言、80+ 资深工程师交叉验证出 1505 条标注问题。结论是同模型对比 Claude Code：Precision 和 F1 显著更高、token 消耗约为 1/9、速度更快。 需要指出两点：其一，Recall 低于通用 agent，README 自己承认这是“以精度换噪声”的刻意权衡，如果你最怕漏问题而非误报，可能不适合；其二，该基准由阿里自建，虽开放了数据集供社区复核，但独立第三方的复现结论目前还少，可以把它当作“有披露的、方向可信的参考”。

所有找 Web3 工作的人里面， 我最讨厌的就是你这种人了 你知道自己学历普通、没有大厂经历，英语也不算特别好，正面投 Binance、OKX、Bybit，根本卷不过那些名校毕业、实习一大堆的人 你倒好，直接去找“下一家 Binance”和“还没长大的头部项目” 因为你知道，今天大家挤破头想进的头部交易所、钱包和公链，几年前也只是一个没多少人听过的小团队 行业跑得这么快，一个项目从几十个人发展到几百个人，可能也就两三年的事 等项目真正火了，早期员工的薪资涨了，Token、期权拿了，行业资源也积累起来了，你再想进去，门槛早就不是一个级别了 所以你不跟别人挤成熟平台。 你专门找那些刚完成A轮、B轮融资，产品已经跑通、用户开始增长，但招聘竞争还没那么激烈的Web3公司 别人盯着CoinMarketCap的市值排行榜，你盯着RootData、CryptoRank和Crunchbase的融资动态。 哪家公司刚融完资、融了多少钱、投资机构是谁、团队在哪个地区、目前处于什么阶段，你全部记下来。 然后跑到项目官网、LinkedIn、X和Web3招聘网站，把它们最近开放的岗位一个个翻出来。 别人投的是已经长大的巨头，你投的是正在长大的巨头 一不小心，还真被你捡漏了 更过分的是，你连项目都懒得自己研究，直接去抄顶级Crypto VC的作业。 打开Paradigm、a16z Crypto、Coinbase Ventures、Multicoin Capital、Polychain这些机构的Portfolio，看它们投资过哪些项目。 人家几千万美元的资金都投进去了，团队背景、商业模式、技术路线和市场空间早就替你调查过一遍。 你直接白嫖一份Web3潜力公司名单。 当然，VC投过不代表项目一定成功。 但至少比你在招聘软件上随机找一家连融资、产品和团队都查不到的“Web3公司”靠谱得多。 你还特别鸡贼。 刚官宣融资的项目，你不会当天就去跟几千个人抢官方岗位。 你会先去看团队最近在做什么。 准备拓展亚洲市场，就可能要中文社区、市场运营和BD； 刚上线主网，就可能要生态运营、开发者关系和内容人员； 准备发币，就可能补充增长、活动、社群和KOL运营； 刚拿到新融资，就说明公司账上有钱，接下来大概率要扩团队 别人看到的是一条融资新闻 你看到的是未来三个月可能释放出来的岗位 嫌这样找太麻烦？ 还有更简单的 打开CryptoJobsList、LinkedIn，筛选最近发布、Remote、初级或实习岗位，再去反查项目的融资阶段和投资机构。 Seed轮风险高，但进入门槛低，成长速度快； A轮、B轮产品相对成熟，团队正在扩张，岗位数量开始增加； C轮以后更加稳定，但招聘标准和竞争强度也会明显提高。 你专门盯A轮到B轮的项目 既没有早到陪项目一起归零，也没有晚到跟几千份简历正面竞争 相当于让资本帮你做完第一轮筛选，再由你自己判断产品、收入、用户和团队靠不靠谱 你说你这种人，连找工作都要让顶级Crypto VC给你打工，要不要脸啊？ 最讨厌的是，你还会挖“大交易所的亲儿子”。 你去看YZi Labs、OKX Ventures、Coinbase Ventures、HashKey Capital投了哪些项目，又看哪些项目进入过交易所的孵化器、生态计划和Launchpad 这些项目可能没有交易所本身那么出名，却能获得资金、流量、上币资源和生态支持。 你不只投交易所，还投交易所投资的钱包、公链、DeFi协议、数据平台、支付项目和基础设施公司。 挖完“亲儿子”还不够，你连整个产业链都不放过 给交易所做做市和流动性服务的 给项目方做链上数据、钱包安全和合规工具的 做节点、RPC、跨链桥、预言机和开发者工具的 做KOL营销、社区增长、媒体研究和招聘服务的 以及那些深度绑定某条公链、某个钱包和某家交易所生态的公司，你全部去找。 这些公司没有头部交易所那么卷，但做的依然是行业核心业务。 更重要的是，你进去以后接触的客户、项目和合作伙伴，本身就是交易所、公链、基金和头部项目 哪怕以后还想去卷大厂，你手里已经有了真正的Web3项目经验、行业资源和业务数据 到那个时候，你再去投Binance、OKX、Bybit，人家能不优先看你吗？ 这种人真的很讨厌 别人每天在招聘软件上搜索“Web3运营”，投了几百份简历，然后抱怨这个行业没有初级岗位。 你偏偏从融资新闻、VC Portfolio、交易所生态和产业链上下游里面，找到一批别人连名字都没听过的公司 结果三年以后，项目发币了，公司被收购了，或者直接成长成了新的行业头部。 你不仅拿到了工资，还拿到了Token、期权和一整套行业资源 你让那些还在Binance岗位下面排队投简历的人怎么办呢？

孙宇晨真正的巨大漏洞，可能已经暴露了 我最近重新研究了一遍孙宇晨，越研究越觉得很多人研究错了方向。大家盯着他的花边新闻，政治关系、特朗普、各种争议，但这些可能都不是他真正的致命点。 孙宇晨最大的漏洞，是一个很反直觉的东西： 他建立了一个看起来非常去中心化的商业帝国，但这个帝国最重要的几个开关，其实掌握在别人手里。 而 2026 年发生的几件事，正在第一次同时触碰这些开关。 一、先把 SEC 放到一边 过去几年，很多人认为孙宇晨最大的风险是美国 SEC。这个判断现在已经过时了。 2026 年 3 月 5 日，SEC 提出与孙宇晨、TRON Foundation、BitTorrent Foundation、Rainberry 达成整体解决方案。Rainberry 就相关 wash trading 指控支付 1000 万美元民事罚款，其余针对孙宇晨以及相关 TRON 被告的诉求撤销，而且 settlement 是在不承认也不否认相关指控的条件下达成的。 换句话说，那个过去悬在孙宇晨头顶最显眼的美国监管炸弹，至少大幅降级了。 但几乎与此同时，另一个可能更危险的东西出现了：HTX。 二、英国首先动手 2026 年 5 月 26 日，英国把 HUOBI GLOBAL S.A. 正式列入俄罗斯制裁框架。 英国政府的 Statement of Reasons 提到了 A7 LIMITED LIABILITY COMPANY 和 GARANTEX Europe OU，认为 Huobi Global S.A. 曾向相关实体提供金融服务、资金或经济资源，从而构成支持俄罗斯政府相关经济活动的依据。制裁措施包括资产冻结、支付处理限制、Correspondent Banking 限制、Trust Services 限制，甚至互联网服务限制。 真正关键的是随后英国 OFSI 专门增加了一条 FAQ： “对 Huobi Global S.A. 的制裁是否适用于 HTX cryptocurrency exchange？” 答案是：Yes。 OFSI 明确表示，它认为 HTX 因 Huobi 的所有权关系，同样受到英国金融制裁约束。 有意思的是，HTX 不认。HTX 随即发表公告称，Huobi Global S.A. 和线上 HTX 交易所是两个不同、相互独立的主体，制裁“不应、也不会”影响 HTX。 于是一个非常罕见的局面出现了： 监管机构说：你就是它。 HTX 说：我不是它。 这已经不仅仅是公关问题，而是一个法律实体边界问题。 三、然后欧盟来了 2026 年 7 月 23 日，欧盟公布 Regulation 2026/1848，Annex XLV 里面直接出现： HTX (HUOBI GLOBAL SA) 生效日期：2026 年 8 月 23 日。 Annex XLV 列的是欧盟认定显著挫败俄罗斯制裁目的的境外金融机构、加密资产服务商和支付服务商。相关 Article 5ad 原则上禁止欧盟主体直接或者间接与名单中的机构发生交易。 这意味着事情已经完成一次重要升级： 英国不是孤立事件，现在是英国 + 欧盟。 四、真正值得看的，不是“HTX 被制裁” 而是制裁发生之后，HTX 的 Proof of Reserves 发生了什么。 HTX 一直公布 PoR，而且从它自己的公开数据看，目前主要资产 reserve ratio 仍然在 100% 或以上。所以必须先说清楚： 目前没有公开证据证明 HTX 资不抵债。 但 2026 年 6 月的 PoR 出现了一个以前没有那么显眼的分类： ThirdParty。 Protos 根据 HTX 的 PoR 数据统计，约 13 亿美元储备进入了这个类别，涉及 BTC、ETH、USDT、USDC 等资产。 HTX 自己的 PoR 页面也明确写着，Custodial Wallet 中的资产由 third-party custodians 保管；如果想验证这些余额： “please directly contact the third-party custodians.” 问题来了：谁是 custodian？ HTX 的公开 PoR 页面没有直接告诉你。 于是产生了一个很奇怪的结构：HTX 告诉用户，钱在那里，第三方替我们保管，你可以找第三方验证；但是第三方是谁，并没有在这个页面上清楚披露。 这不是证明“钱没了”，但它明显降低了外部验证能力。而在一家交易所刚刚遭遇英国制裁、随后又进入欧盟名单的情况下： 储备可验证性下降，本身就是一个值得高度关注的风险信号。 五、链上又出现了一条更有意思的线索 Protos 后来继续追踪 HTX 过去披露的 PoR 钱包。其中一个地址曾持有大约 71,853 stETH。 5 月 30 日，也就是新的 June PoR 快照前不久，这些资产开始转移，最终部分资金进入了 Etherscan 标记为： Poloniex 7 Poloniex 10 的地址。 这件事情必须谨慎解释。它不能证明 13 亿美元 ThirdParty 全部在 Poloniex，更不能证明 HTX 挪用了客户资产。 但它提出了一个非常重要的问题： HTX 的储备、Poloniex 的钱包以及孙宇晨关联生态之间，到底是什么关系？ 这是我认为真正应该做链上法证的地方。 六、为什么这个问题可能比 SEC 案件严重得多？ 因为中心化交易所真正害怕的，从来不是资产价格下跌，而是： liquidity mismatch。 100 亿美元资产，不等于随时可以兑付 100 亿美元负债。 这正是 FTX 给整个行业留下最重要的一课。一个交易所可能在账面上拥有足够多的“资产”，但你必须继续问： 这些资产是什么？谁托管？能否立即转移？是否被质押？是否存在锁仓？是否属于关联方？是否同时被其他平台计算为储备？有没有借贷关系？有没有抵押关系？有没有制裁导致的冻结风险？ 所以单纯看到： Reserve Ratio > 100% 远远不够。 七、这里出现了孙宇晨真正的结构性漏洞 把地图继续往外拉，你会看到一个很奇怪的系统： TRON、HTX、Poloniex、TRX、USDD、JustLend、stUSDT、USDT，以及孙宇晨本人。 它们法律上并不是同一个东西，资产负债表也不是同一张，但资本市场会把它们看成一个： Sun Ecosystem。 这意味着孙宇晨本人实际上成为了一种特殊的金融资产： Reputation Collateral。 当市场相信孙宇晨时，TRX、HTX、TRON DeFi 甚至相关项目都会获得某种隐性信用溢价。但如果有一天市场开始怀疑其中一个关键节点，传播方向也可能反过来： HTX 出现问题 → 用户提现 → 关联资产流动性下降 → TRX 等生态资产承压 → 抵押品价值下降 → DeFi 清算增加 → 市场进一步怀疑 HTX 储备质量 → 继续提现 这才是真正值得担心的： Reflexivity，反身性死亡循环。 目前没有证据证明这个循环正在发生，但这是最应该压力测试的场景。 八、而孙宇晨还有一个更大的外部依赖：Tether 今天 TRON 最大的护城河其实不是 TRX，甚至不是所谓 Web3 应用生态，而是： USDT。 目前 TRON 上稳定币规模约 938 亿美元，其中 USDT 大约 919 亿美元，占比接近 98%。 这意味着 TRON 已经成为全球最重要的 USDT settlement rails 之一。 这是孙宇晨最大的成功，但也是一个非常漂亮的单点故障。 因为： Tether 不是孙宇晨控制的。 USDT 也不是去中心化资产。Tether 可以冻结地址，可以调整合规政策，可以调整某条链上的发行策略，也可以改变不同司法辖区的风险控制。 于是出现一个极其反直觉的结论： TRON 越成功地成为全球 USDT 网络，它就越依赖一个自己无法控制的中心化发行商。 孙宇晨控制 TRON，但孙宇晨并不控制美元。 甚至不控制 TRON 上最重要的“美元”。 九、这才是孙宇晨商业模式最深的悖论 TRON 为什么成功？因为便宜、快、USDT 流动性巨大、银行体系覆盖弱的地方也能转账。 这让 TRON 在亚洲、拉美、中东、非洲以及大量 OTC 场景拥有极强生命力。 但同样的特征，也让它成为非法资金喜欢使用的基础设施之一。 TRM Labs 的研究显示，2024 年，在其识别出的主要公链非法交易量中，TRON 占 58%。 但是另一面也应该写出来：TRON 当年的非法交易规模大约减少了 60 亿美元，是主要公链中下降最多的。TRON、Tether 和 TRM 后来还共同成立了 T3 Financial Crime Unit，冻结了超过 1.3 亿美元相关非法资金。 于是又出现一个悖论： TRON 越开放，它越有竞争力；TRON 越合规，它越容易失去“特殊性”。 它必须永远停留在一个非常狭窄的位置： 足够开放，所以全世界愿意用；足够合规，所以美国和欧洲允许它继续存在。 这是一场长期走钢丝。 十、甚至“政治关系”也不是最终保险 孙宇晨曾经成为特朗普家族 World Liberty Financial 最重要的公开支持者之一，很多人因此把他的政治投资理解成一种保险。 但 2026 年发生了一件非常讽刺的事情：孙宇晨把 World Liberty 告了，原因之一是他的 WLFI Token 被冻结。 Reuters 报道涉及 Token 当时价值约 3.2 亿美元。World Liberty 否认孙宇晨的指控，并反过来起诉他。 这里最值得注意的不是特朗普，而是一个更简单的事实： 即使像孙宇晨这样的人，即使投资数千万美元，即使拥有如此高级别的人脉，当别人控制智能合约权限和资产冻结权时： 别人仍然可以按下按钮。 最后解决问题的地方还是法院。 这给孙宇晨整个商业哲学划出了一条非常清晰的边界： 关系不是产权。 十一、所以孙宇晨真正的漏洞，不是一个秘密钱包，而是一种架构 他的系统看起来极其分散： TRON 是 blockchain，USDT 是 stablecoin，HTX 是 exchange，Poloniex 是另一个 exchange，JustLend 是 DeFi，USDD 是 stablecoin，各种项目分别存在。 但当我们把资金流、抵押品、托管、稳定币和信誉重新画到一张图上，你会发现： 它们可能共享同一组风险因子。 孙宇晨、TRX、流动性、Tether、托管商、监管。 这意味着： 法律上的分散，不一定等于风险上的分散。 这才是我认为真正值得研究孙宇晨的地方。 十二、如果让我用 FTX 的方法审计孙宇晨，我只查五件事情 第一，HTX 那 13 亿美元 ThirdParty 到底由谁托管？ 第二，HTX 与 Poloniex 之间到底有多少资产交叉？ 第三，HTX、Poloniex、JustLend、USDD 等体系有没有重复计算同一批资产或者循环抵押？ 第四，如果 Tether 对 TRON 或 HTX 风险政策发生变化，24 小时、72 小时、7 天分别会发生什么？ 第五，也是最重要的： 如果 HTX 出现 20%、40%、60% 用户集中提现，真正能够立即兑付的高质量流动资产究竟有多少？ 但如果其中任何两个同时出现问题，那就不是某个 Token 跌 30% 的故事了，而可能变成： 制裁 × 托管 × 流动性 × 抵押品 × 信用 五个系统同时反馈。 所以，我现在对孙宇晨的判断不是： “他是不是下一个 SBF？” 这种问题太低级。 真正值得问的是： 孙宇晨究竟建立了一个真正分散风险的加密帝国，还是建立了一个表面上有很多独立节点、实际上共享少数几个单点故障的巨大金融网络？ 现在还没有足够证据回答。 但 2026 年正在给我们第一次真正的压力测试。 英国已经按下了一个开关。 欧盟又按下了一个。 孙哥自己写小作文按下了关键的一个 现在要看的，不是孙宇晨还能不能制造新闻，而是： 资金会怎么走。 因为金融帝国最后不会死于新闻。 它只会死于负债到期时，资产不能变成现金。 注：文中关于循环抵押、流动性传染和死亡循环的部分属于风险情景分析，不代表这些情况已经发生；截至目前，公开资料不足以证明 HTX 存在资不抵债或挪用用户资产。

🤖 AI信号 (SOL) 🔥 推荐 📌 roof ($roof) CA: Hd1vMXHzjwqFJgGL5Hu5SozytQYL2cnkh1PugaWFpump ⏰ 信号时间: 09:59:27 (26秒前) | 币龄: 5分钟内 💰 MC: $58,273 | 流动性: $19,485 👥 Holders: 80 | 1h涨幅: +24% | 1h成交: $20,148 🧠 聪明钱包: 3个买入 (SW-b687, SW-b9f1, SW-eeb5) 🚨 风险红旗: 捆绑55·狙击37·新钱包42(疑控盘) 🤖 AI 分析（推文12条） ① 叙事：主打“住房是最大开支”，做房产/租金 USDC 现金返现的 RWA 项目，由 roof_estate 账号反复宣传。 ② 推特热度：低。roof_estate（92粉）连发多条喊单；0x_gemss（1483粉）提示“dev 此前已发 857 个代币、已迁移”。另有建材/清洁能源撞名推文，非本币。 ③ 风险评语：推文称 dev 连环发币，与采集数据（deployer 前代币数 0）矛盾，属红旗；社交集中于低粉疑似官方号，无 description 等基础信息。 ⚠️ 非买入信号·可实现中位−23% DYOR Telegram频道: @ memmememjk

170 万粉 AI 博主的 Codex 工作流：他把一切重复劳动，都变成了 Skills 在 @petergyang 这期访谈中，全网 170 万粉的 AI 创作者 @rileybrown 完整公开了他的 Codex Skills 工作流——从 30 秒扒完竞品频道、一句话生成图表，到 AI 换脸做缩略图，几乎除剪辑外全由 Agent 完成。 # 核心内容：AI 驱动的内容生产工作流 1. 选题与研究（YouTube Researcher Skill） · 用 Supadata API 一秒拉取任意 YouTube 视频的文字稿（对比 yt-dlp 需下载整个视频，效率差距巨大）。 · 配合 Codex 的 sub-agents 功能，可并行拆分 6 个 agent，30 秒抓取整个频道的内容做竞品研究。 2. 开头钩子（Hook Outline） · 他认为视频开头 30 秒决定留存，因此只精写 intro，正文靠大纲自由发挥。 · 方法是让 AI 把别人的爆款视频（如 Alex Hormozi）压缩成"hook 结构文档"，再把自己的选题套进这个结构。 · 他介绍了 BRENS 原则作为好开头的标准：Big（重大）、Relatable（与观众相关）、Easy（给出简单方法论）、New（新鲜）、Safe（让观众确信不会浪费时间，对 30 分钟以上的长视频尤其重要）。 3. 视觉素材 · Remotion 插件：生成视频开头的高质量动画图形，并通过自定义 skill 注入个人品牌风格（配色、样式）。 · Internet Image Puller：用 SerpAPI 自动搜索并拉取相关 logo 作为 B-roll 素材。 · Excalidraw 图表 skill：他用 Wispr Flow 语音输入，边走边口述 10 分钟想法，AI 自动生成 9 页左右的图表，能直接用掉约 80%，再手工微调 20–30 分钟。 4. 缩略图（Thumbnails）——全场最"炸裂"的环节 · 工作流：让 Codex 抓取 100 张表现优异的同行缩略图 → 自动摆到 Paper（一个 AI 原生的类 Figma 设计工具）的画板上 → 用内置 AI 图像生成（Nano Banana 模型）把人物替换成自己的脸、改衣服、加描边光效 → 多版本生成后挑选迭代。 · 风格迁移不靠文字提示词，而是直接以图作参考："让文字看起来像那张图的风格"。 · 他坦承这种做法"可能惹人生气"，但强调有效；同时他仍雇了真人缩略图设计师做 A/B 测试，因为"视频表现翻倍是很值钱的事"。 5. 发布与协作 · 通过 Typefully skill 随时语音起草推文，每周一统一发布。 · 利用 Codex 的内置浏览器直接操作 Notion 数据库（新建视频条目、生成大纲）、Google Docs、日历和邮件，全程不离开应用。 # 我们能复用的方法论 1. Skill 是"长出来的"，不是设计出来的。他不是坐下来规划需要哪些 skill，而是日常用 AI 做事，发现某个流程反复有用，就对 Codex 说一句"把这个变成 skill"。 2. Skill 可以组合串联。最大的能力跃迁来自把多个 skill 混搭（如 YouTube researcher + Paper 画板），这种"解锁"来自实验而非规划。 3. 以结果为导向迭代 skill，而不是抠提示词。他从不手工编辑 skill 文件：测试输出 → 不满意就告诉 AI"改 skill 别再犯" → 开新会话清空上下文再测。他认为纠结"提示词该怎么写"只对特定模型的特定版本成立，模型一更新就失效。 4. 质量是护城河，批量生产会让内容"失去灵魂"。AI 的价值在于让单条视频的研究深度和制作质量更高，而不是一天批量产十条。他目标是一周 4 条长视频 + 5 条高质量短视频。 5. 内容先于包装。与很多 YouTuber"先做缩略图再决定拍不拍"相反，他 90% 靠直觉和热情选题，拍完后再用 AI 分析内容、反向设计 hook 和包装——他认为被流量逻辑反向绑架选题会让创作不可持续。