与「相互100」相关的搜索结果

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。

8.26梭哈晨报： 你问为什么涨的老师都有，那是因为老师跌的一个都不说啊，太老实了有时候只能成为老师的下酒菜了！ 1. $BTC 突破80000后回调，回调还是结束了就仁者见仁智者见智了，没上车的想上车，做空的在感叹要回本了； 2. $ETH 距离3000比距离1000还是近一点的； 3. $SOL 果然不愧是末日战车的样子； 4.美国 SOL 现货 ETF 单日总净流入 3225.16 万美元； 美国 XRP 现货 ETF 单日总净流入 2387.12 万美元； 美国 HYPE 现货 ETF 单日总净流入 751.31 万美元； 5.Solana Meme币周现货交易量突破52亿美元，创2026年新高； 所以 @SolanaFndn 还认不认meme链了？ 6.日本约40家银行启动代币化存款相互转账试验，目标实现24小时即时结算； 还挺先进来着； 7.Jim Cramer：英伟达财报已成 AI交易“风向标”，仍看好其前景； 8.英伟达财报已成 AI交易“风向标”； 整个半导体都在等它的财报出来； 9.Arthur Hayes：FLOP 代币经济学信息图将于本周发布； 黑子的交易所卖不出去，只能开始做项目卖币给韭菜了； 10.Serenity：Semtech光通信需求强劲，2028财年订单已覆盖超70%； 所以我的光能不死吗？ 11.贝莱德完成 50 亿美元比特币至 ETF 税延互换，最低门槛降至 100 万美元； 12.韩国 DRAM 8 月出口价格同比暴涨 401%，海力士称明年或为内存最短缺年份； 如果存储继续涨，兄弟们还会说永远缺存储是诈骗吗？ 13.OpenAI被曝已预训练Bel模型：超10T参数，冲击通用人工智能； 14.Coinbase就永续合约和预测市场监管向美CFTC和SEC提交三项建议； 15.美光科技CEO以均价968.9美元出售4万股公司股票，套现约3876万美元； 价格是价格，产品是产品，不要自己信了； ------------------ 强势的可以玩，弱势补涨的不能玩，这种行情还像坨屎的就是说 @NEARProtocol 真jb丢人，去年还和zec绑定起来🤮。 #Bitcoin# #Ethereum# #Solana# #Crypto# #Nasdaq#

今天刚好刷到一个之前没怎么接触过的项目@termix_ai。 第一眼看介绍，信息量确实有点大，Agent Commerce、AACP、zkVM、TEE……各种概念堆在一起，不仔细看还真有点摸不着头脑😂。 不过看到 YZi Labs 参与过 TermiX 100 万美元种子轮融资，我就顺手多研究了一下。越往下看，反而觉得它想解决的问题挺实际。 我们以前聊 AI Agent，更多是在讨论：“这个 Agent 能帮我做什么？”但如果以后Agent可以自己接任务、找服务、完成工作，甚至参与资金交易，那就会出现另一个问题： Agent和Agent之间，到底怎么做生意？我感觉这可能才是TermiX真正想切入的地方。 我后来把它的架构理了一遍，发现AACP、TermiX和 是相互衔接的。 简单理解，AACP是TermiX背后的核心协议，负责把Agent 之间的任务、报价、执行、验证、争议以及结算这些流程串起来。 而 则可以理解成建立在这套协议之上的Agent市场，让这些东西真正变成一个可以参与的交易场景。 这样看就容易理解多了。比如一个Agent发布任务，另一个Agent报价接单，资金进入托管，任务完成后再进行验证，确认没问题以后完成结算。 听起来和我们平时找人做事有点像，只不过现在交易双方变成了Agent。 真正麻烦的地方其实是：两个互不认识的Agent，凭什么相信对方？任务有没有完成？结果是否达标？出现争议又怎么办？ TermiX想做的，就是通过链上托管、质押、声誉、争议处理，再结合TEE、zkVM等验证机制，让Agent之间的商业协作尽量少依赖传统的中心化信任。 所以现在看TermiX，我反而没有太纠结那些复杂的技术名词。我更关心的是：如果未来Agent真的开始自己接活、自己协作、自己产生经济关系，它们之间“做生意”的基础设施，会不会就需要这样一套东西？ 现在当然还早，最终还是要看真实使用和生态发展。 但这个切入点，确实让我换了个角度看AI Agent：以前我们关心Agent能做什么；以后可能还要关心：Agent做完事情以后，怎么把这笔生意完成？ 最近我也刚好在参与@termix_ai 的Kaito Studio创作者活动，正好借这个机会边体验边研究。 如果想看看 后面有新的发现，再慢慢和大家聊。😄

日本中標的印度高鐵項目，目前日本和印度相互甩鍋。 7月15日，日本前法務大臣牧原秀樹發文稱：「高鐵問題100%是印度責任，並批評印度毫無誠信、屢次反覆更改立場。」 7月17日，印度外交部反駁表示，「日本人虛偽、捏造說詞，內容與事實不符。」

来，我们接着讲。 早晨去了医院，抽血抽出来终于不是酱油色，而是鲜红的了，血氧到了100%。zao体重减了三公斤。 中午去吃了水饺，然后下午见了邻居，聊了几个小时。 他是澳洲国籍，但住在中国。 无他，成本低。 傍晚去剃了个头。 因为我想看看脸部是不是不肥了，让理发师剃了胡子。 哦，还是肥。 出门遇到一直在这里转悠的残障人士。 智力应该有点小问题，但知道追着我要钱。 上一次剃头前给过他100铢。 这次他看见我的车子，就在车旁边站了很久，等我理发出来。 给了他50铢。 现在我也很少带现金，都是二维码支付了。 你看，世界在趋同。 泰国政府正在迅速的学习中国，掌控小商家的现金流，税基就必然扩大了。 而中国学的美国，并且青出于蓝而胜于蓝，除了没有武装税警外，对钱流和大数据的掌握，远超过美国。 美国没人敢逃税，会进监狱，倾家荡产。 中国也一样，会被罚的倾家荡产，外加失信人名单，子女不能考公务员和事业单位，比美国人进监狱还惨。 所以，你我研究世界，有多大区别，世界大同。 美国人全球收入被追税。 中国人全球收入也被追税。 中国人吃化工化的视频食品，美国人也吃工业化食品。 中国人多高血压心梗脑梗患者，美国人多肥胖糖尿病患者。 一样的普罗大众早死，精英层吃着特供和昂贵无比的有机食品，从不碰工业化食品。 所以中国的精英层和一线城市居民凭借良好食品和优秀医疗体系预期寿命八九十岁时，美国的精英层和大城市高尚街区的居民一样活到八九十岁。 至此，你还不明白这个世界的大同吗？ 欧洲政客坐在空调间里立法严厉惩罚使用空调的普通民众时，美国大统领也在以关税惩罚，导致牛肉价格比五年前暴涨三倍。 中国的权贵资本成亿美元的往外走，而普罗大众只有五万换灰额度。 所以看待世相，从你的阶级去看吧。 不是针对夫人，而是针对权贵。 马克思是个坏人，他界定了阶级，把虚拟的资本定义为资产阶级，于是有了千万不要忘记阶级斗争，斗富人，实际上在断绝无产阶级的活路。 工人阶级应该骂马克思:他妈的，你背叛了工人阶级。 共产国际呼吁全世界无产阶级联合起来。 现实是全世界无产阶级相互殴斗，之后还要跟机器人殴斗。 权贵欣然欣赏无产阶级打倒创造财富的资本家，并代表无产阶级殴斗其他国家的无产阶级，从而掌握权力，掀起战争，贩卖军火。 并收割富人。 世界本身是这样的。 每个人有个位置和价格，决定了你此时的阶级。 随着你的认知和自我奋斗，变化你的阶级。 而你是站在自己的阶级说话，还是站在自由选择权这边。 完全取决于你自己。 选择决定你我的生活。 认知决定你的选择。

来，我们接着讲。 早晨去了医院，抽血抽出来终于不是酱油色，而是鲜红的了，血氧到了100%。zao体重减了三公斤。 中午去吃了水饺，然后下午见了邻居，聊了几个小时。 他是澳洲国籍，但住在中国。 无他，成本低。 傍晚去剃了个头。 因为我想看看脸部是不是不肥了，让理发师剃了胡子。 哦，还是肥。 出门遇到一直在这里转悠的残障人士。 智力应该有点小问题，但知道追着我要钱。 上一次剃头前给过他100铢。 这次他看见我的车子，就在车旁边站了很久，等我理发出来。 给了他50铢。 现在我也很少带现金，都是二维码支付了。 你看，世界在趋同。 泰国政府正在迅速的学习中国，掌控小商家的现金流，税基就必然扩大了。 而中国学的美国，并且青出于蓝而胜于蓝，除了没有武装税警外，对钱流和大数据的掌握，远超过美国。 美国没人敢逃税，会进监狱，倾家荡产。 中国也一样，会被罚的倾家荡产，外加失信人名单，子女不能考公务员和事业单位，比美国人进监狱还惨。 所以，你我研究世界，有多大区别，世界大同。 美国人全球收入被追税。 中国人全球收入也被追税。 中国人吃化工化的视频食品，美国人也吃工业化食品。 中国人多高血压心梗脑梗患者，美国人多肥胖糖尿病患者。 一样的普罗大众早死，精英层吃着特供和昂贵无比的有机食品，从不碰工业化食品。 所以中国的精英层和一线城市居民凭借良好食品和优秀医疗体系预期寿命八九十岁时，美国的精英层和大城市高尚街区的居民一样活到八九十岁。 至此，你还不明白这个世界的大同吗？ 欧洲政客坐在空调间里立法严厉惩罚使用空调的普通民众时，美国大统领也在以关税惩罚，导致牛肉价格比五年前暴涨三倍。 中国的权贵资本成亿美元的往外走，而普罗大众只有五万换灰额度。 所以看待世相，从你的阶级去看吧。 不是针对夫人，而是针对权贵。 马克思是个坏人，他界定了阶级，把虚拟的资本定义为资产阶级，于是有了千万不要忘记阶级斗争，斗富人，实际上在断绝无产阶级的活路。 工人阶级应该骂马克思:他妈的，你背叛了工人阶级。 共产国际呼吁全世界无产阶级联合起来。 现实是全世界无产阶级相互殴斗，之后还要跟机器人殴斗。 权贵欣然欣赏无产阶级打倒创造财富的资本家，并代表无产阶级殴斗其他国家的无产阶级，从而掌握权力，掀起战争，贩卖军火。 并收割富人。 世界本身是这样的。 每个人有个位置和价格，决定了你此时的阶级。 随着你的认知和自我奋斗，变化你的阶级。 而你是站在自己的阶级说话，还是站在自由选择权这边。 完全取决于你自己。 选择决定你我的生活。 认知决定你的选择。

Skills for Design Engineers 作者 @emilkowalski 是知名设计工程师，曾在 Vercel、Linear 工作，也是 Sonner、Vaul 等流行组件的创建者。他把多年积累的一套 UI/动画原则，沉淀成设计工程师们的设计品味 Skills，让 Codex、Claude Code、Cursor 等 Coding Agents 在写 UI 和动画时，具备接近资深设计工程师的审美判断！ 仓库结构：三个相互补充的 Skills 1. 先建立决策框架（emil-design-eng） 主 Skill：设计工程哲学 + 动画决策框架 + 组件构建原则 2. 再审查代码（review-animations） · SKILL.md 以严格标准审查动画/动效代码，输出“Before/After/Why”表格 · STANDARDS.md 评审的数值/曲线参考表（easing、duration、spring 等） 3. 最后帮助用户精准描述动效（animation-vocabulary） 词汇表：把“那个弹一下的效果”翻译成“Pop in”等专业术语 核心主张：动画不是“让它动起来”，而是“让它感觉对” 1. 动画需要理由 每条动画都必须回答一个问题：“它为什么要动？” 合理理由： · 空间一致性（toast 从同一方向进出） · 状态指示（按钮变形表示加载完成） · 解释关系（引导用户理解状态变化） · 防止突兀（元素突然出现/消失） · 反馈（按下按钮时 scale(0.97)） 不合理理由： · “看起来很酷” + 高频出现 → 应该删除 2. 按使用频率决定动画强度 · 每天 100+ 次（快捷键、命令面板）：禁止动画 · 每天几十次（hover、列表导航）：删除或大幅简化 · 偶尔（弹窗、抽屉、toast）：标准动画 · 罕见/首次（ onboarding、反馈）：可以适当“惊喜” 最实用的技术原则 Easing：不要信默认，要用强曲线 · UI 元素进入/退出 → ease-out · 已在屏幕上的元素移动 → ease-in-out · hover / 颜色 → ease · 恒速运动 → linear · 绝对禁止 UI 动画使用 ease-in（开头慢，用户会感觉到延迟） Duration：UI 动画控制在 300ms 内 · 按钮按下反馈：100–160ms · Tooltip / 小弹层：125–200ms · 下拉框/选择器：150–250ms · 模态框/抽屉：200–500ms Physical correctness · 永远不要从 scale(0) 开始：现实中不会凭空出现。用 scale(0.95) + opacity: 0。 · Popover 从触发点缩放：transform-origin 要指向触发按钮，而不是元素中心（modals 例外）。 · 按钮按下必须有反馈：transform: scale(0.97) 是默认。 性能规则 · 只动画 transform 和 opacity（GPU 层）。 · 不要用 width/height/margin/top/left 做动画。 · Framer Motion 的 x/y/scale 简写不是硬件加速的，要用完整 transform 字符串。 · 不要用父元素的 CSS 变量驱动子元素 transform（会引发样式重算风暴）。 · 预定动画用 CSS；动态/可打断的用 JS 或 Spring。 打断与对称 · CSS transition 可打断、可重定向；@ keyframes 会从头开始。 · 长按/删除等场景：按下慢（2s linear），释放快（200ms ease-out），非对称时间。 无障碍 · 尊重 prefers-reduced-motion：不是“全部关掉”，而是保留 opacity/颜色，移除位移动画。 · hover 动画必须加 @ media (hover: hover) and (pointer: fine)，避免触屏设备误触发。 评审 Skill：如何检查代码 review-animations 设定了十条“不可妥协”的标准，并把输出格式严格化为： · transition: all 300ms > transition: transform 200ms ease-out -- 精确指定属性，避免 all 触发非 GPU 动画 · transform: scale(0) > transform: scale(0.95); opacity: 0 -- 不应凭空出现 animation-vocabulary：把模糊感受翻译成专业词 这个 Skill 本质上是一个动效术语反向查询表。用户说“iOS 拉到底部会弹回去那种感觉”，它能回答“Rubber-banding”；用户说“元素从按钮里长出来”，它能回答“Origin-aware animation”。 它涵盖： · 进出/序列/变换/状态过渡 · 滚动/交互反馈 · Easing / Spring / 循环/环境动画 · 打磨效果（Blur、Clip-path、Skeleton、Number ticker） · 性能术语与动画原则 这对设计师和工程师的沟通、以及给 AI 下精确指令，都很有价值。

恭喜 Aether AI 喜获投资。Aether AI 由 UCSD 助理教授黄碧薇创立。黄教授@huang_biwei深耕因果 AI 领域 12 年，是 Causal-Learn 作者，发表过 100+ 篇顶会论文，并曾获 Apple Scholar。 过去几年，AI 行业默认相信：模型越大、数据越多、算力越强，智能就会继续进步。这套方法在语言模型上很成功。但当 AI 走向物理世界，问题就复杂了。 文字说错了可以改，机器人抓空一次，杯子可能就碎了。桌面高两厘米，光线、材质、角度一变，任务都可能失败。 所以具身智能真正需要的，不只是识别画面，而是理解物理世界如何变化。 现在很多 AI 模型学的是相关性：什么词后面接什么词，什么画面后面出现什么画面，什么动作后面大概率出现什么结果。这在文本、图像、视频里有效。 但机器人要判断的是：手有没有碰到杯子，摩擦力够不够，重心会不会变，继续动作会不会摔。 它真正要知道的是：如果我现在动一下，世界接下来会怎样？ 这就是因果问题。 因果大模型关注的，不只是预测下一个状态，而是理解变量之间如何相互影响。 改变一个动作，结果会怎样？换个环境，技能还能不能迁移？如果没有执行这个动作，另一种结果会不会发生？ 这些能力，对 Physical AI 很关键。因为真实世界不可能被训练数据完全覆盖。机器人不可能提前见过所有桌面高度、物体材质、失败姿态和真实环境。 只记住过去见过的模式，很难稳定工作。理解背后的因果结构，才有机会举一反三。 这也是 Aether AI 正在探索的方向：以因果世界模型为核心，打造下一代机器人大脑。 过去一年，“世界模型”很热。视频生成模型能生成连续画面，空间智能模型能理解三维结构。 但机器人还需要更进一步：和物理世界交互，处理接触、碰撞、摩擦、重心和反馈，在变化的环境里完成任务。 所以世界模型不能只停留在画面和空间结构上，还要进入因果推演：理解动作为什么导致结果，变量变化后系统如何演化，失败背后真正影响结果的因素是什么。 只有这样，机器人才能从“看起来会做事”，走向“真的能做事”。 大语言模型成功之后，Scaling Law 成了很多人的信仰。但在具身智能里，更重要的问题是： Scale What？你到底在放大什么？ 如果只是采集更多遥操数据、堆更多视频、买更多算力，未必能解决泛化问题。真正重要的是，模型能不能从同样的数据里抽取更深层的信息。 同样的数据，相关性模型看到的是表层模式，因果模型要挖的是背后的结构。 Aether AI 的短期目标，是打造一个能够跨本体、跨任务、跨环境泛化的机器人大脑，服务机器人本体厂商，以及工厂、仓储物流、家居、医疗健康等真实场景。 这家公司做的，不是简单给机器人接入一个语言模型，而是从算法、模型到系统层面，构建一套以因果智能为核心的新范式。 过去这一波 AI，让机器学会了生成语言、图像和代码。下一阶段，AI 要面对更难的问题：理解世界如何运转。 当 AI 进入机器人、科学发现、生物医药、新材料这些领域，它必须处理变量、干预、反馈和反事实推理。 这些问题，天然指向因果。 因果大模型值得关注，不只是因为它是一个新概念。它可能代表 AI 从“学习已有数据”，走向“理解世界机制”的一次范式变化。 如果说大语言模型打开了数字世界里的智能入口，那么因果世界模型，正在尝试打开物理世界里的下一扇门。 Aether AI 官网：

知道很多人没有赶上币安@binancezh #BinanceOnline# 大会，没赶上 BinanceOnline 大会的看这里！ 我帮大家筛好了跟CZ大表哥，一姐以及币安有关的全部核心干货，不用翻回放，直接看就行！ 一、何一（一姐,币安联席 CEO，首席客服官）@heyibinance 1）外界只看到币安用户做到 3.1 亿，其实内部最骄傲的是团队架构彻底理顺、高端人才越聚越多，人才才是币安能一直做大的根本 2）一直守住币安原本的做事风格没变，同时拼命补齐合规这块短板，一直在全球吸纳行业厉害的人才 3）别看现在是熊市，整个加密行业其实在悄悄变强，早就不只是单纯炒币了，区块链也开始真正用到实体经济里，和传统金融走得越来越近 4）敢定下 30 亿用户的大目标，不是吹牛，是头部企业该有的格局； 最终不是只做一个交易所，而是想做成全球人人都能用的金融基础服务 5）用户增长越来越快，新增用户耗时一次比一次短，能看出来行业认可度、技术创新都在飞速进步 6）做产品的初心就是服务普通老百姓、底层人群，想让全世界普通人都能享受到公平的金融服务，不被有钱人垄断 7）心里最担心的就是顶尖人才不够用，所以币安一直在全球大范围招人，认定人才 + 创新才是未来赢下赛道的关键 8）现在业务已经覆盖 100 多个国家、3.1 亿用户，这只是刚开始；很多金融机构只服务有钱人，币安偏要做大众普惠服务 9）未来五年最看好AI 结合金融，想用 AI 抹平普通人跟专业投资者的信息差，让小白也能拥有专业的投资判断能力 10）2014 年入行加密圈，最早就用加密货币给社区癌症患者做公益筹款，一直觉得加密不只是炒币工具，更是做公益、帮普通人的好载体 二、Richard Teng（币安联席 CEO）@_RichardTeng 1）跟着币安一路走来，始终守住把用户放第一位、踏实做事、团队齐心的初心，这也是币安能熬过牛熊一直发展的原因 2）币安早就不只是一个普通交易所了，已经升级成全球区块链底层基建平台，而且一直在往全球合规最正规的交易所靠拢 3）大量引进传统金融、合规风控、商务运营的专业人才，适配全球各个国家的业务布局 4）全球还有十几亿普通人根本用不上正规的银行金融服务，币安做加密的初心，就是打破这种金融壁垒，让资金能自由流通 5）不断上新品类，贵金属、石化产品、美股都能交易，支持全天 24 小时随时买卖，方便机构和普通人做资产避险、风险对冲 6）合规实力很强，是全球唯一被阿布扎比官方全程监管的平台，已经拿到 20 多个国家和地区的合规认可，等全球监管明朗后，能承载海量用户入驻 7）现在全球加密监管还很乱，每个国家规矩都不一样，没有统一标准，想完全统一监管还要很多年； 币安进入任何国家，都会老老实实适配当地规则 8）主动参与全球行业规则制定，帮忙推动出台合理监管政策，既保护普通用户，也维护整个行业稳定发展 9）重金砸在合规建设上，合规团队将近 1600 人，占员工总数超 20%； 还花大钱用 AI 辅助合规审核，把安全合规做成币安的一大优势 10）很看好 AI 和区块链互相结合，同时也关注大健康、生活服务这类跨界发展机会 11）自己最早用加密货币做跨境转账，还曾在不丹直接用加密买东西，能看出来币安支付已经普及到全球小众地区 12）美国现在对加密行业态度明显变友好，会带动全球监管放宽、资本进场，稳定币、现实资产代币化这些赛道都会跟着受益 三、CZ大表哥 币安创始人@cz_binance 1）投资不爱跟风炒热门 AI 应用，更喜欢布局底层硬基建：AI 数据中心、电力供给、高端算力芯片这些实打实的产业 2）现在英伟达垄断 AI 芯片市场，但这种局面不会一直持续，未来一定会出来专门为 AI 定制的芯片 3）长期看好机器人、生物科技两大方向，AI 能极大加速医药研发、基因研究、蛋白质分子实验等领域的突破 4）个人 70%-80% 的资金还是重仓 Web3 和区块链赛道，这是自己最熟悉、最有把握的领域 5）投资习惯很稳妥，都是先小额试水、边投边学习，靠身边行业资深前辈，拿到圈内最新一手消息 6）未来每个人都会拥有专属 AI 智能助手，还有家用实体机器人，生活、工作都能帮着处理 7）行业最终没有传统金融和 Web3 的界限，往后区块链会变成所有金融公司必备的底层技术，谁都绕不开 8）币安现在一直在给 AI 生态铺路，优化区块链底层设施，支持小额高频交易、去中心化存数据、AI 自动帮用户交易 9）AI 以后会把投资操作简化到极致，用户只需要说一句简单指令，AI 就能自动找最优价格、完成全套交易 10）目前 AI 智能助手还不算成熟，风控防护不完善，直接管大额资金有风险； 币安上线的 AI 交易工具，用隔离钱包单独管控资金，用户实际体验口碑很好 11）AI 未来能成为免费的专业理财顾问，比普通真人理财师更客观、更个性化，不会刻意推销产品割韭菜 12）稳定币对高通胀、没有正规银行的国家特别重要，能帮当地人轻松持有美元资产，是金融普惠的关键 13）极度看好现实资产代币化，把美股、实体资产都搬到链上，让全球普通人都能平等参与优质资产投资 14）普通人不用额外投入成本，靠家里闲置电脑、硬件就能参与 AI 产业挖矿，搭配加密资产能形成一个全新的万亿级赚钱生态 四、NINA RONG (BNB CHAIN 执行总监）@nina_rong BNB 链由三条公链组成，最终目标是承载十亿级普通 Web3 用户 全球 40% 的稳定币交易都在 BNB 链上，是全球最大稳定币公链 同时也是第二大 RWA 公链，60% 的链上 AI 机器人都跑在 BNB 链生态里 技术一直在持续升级，交易确认速度做到亚秒级，今年还要把整体处理能力大幅提升 马上推出 AI 机器人开发工具，重点发力跨境支付、非美元稳定币生态，覆盖更多国家需求 主打底层技术隐形化，普通人不用懂区块链，直接用钱包、APP 就能享受所有服务，门槛拉到最低 五、币安支付负责人 币安早就跳出单纯炒币平台的定位，现在做成了一站式金融超级 App，日常消费、跨境转账、资产理财全都能搞定 核心目标就是抹平传统银行和加密支付的隔阂，普通人用起来跟普通银行卡一样简单，不用懂任何区块链知识 币安卡福利很实在：用稳定币消费免转换费、免跨境手续费，还能拿 15% 的消费返现 已经对接巴西、越南等多国本地扫码支付，线下门店买东西，直接打开币安 APP 扫码就能付款 会根据每个国家的消费习惯单独做本地化适配，贴合当地人花钱、转账的习惯，做接地气的金融服务 六、ELLA ZHANG (YZI LABS 负责人)@ellazhang516 2018 年刚踏入这个行业，一门心思只深耕区块链，完全没重视 AI 赛道。现在回头复盘，确实是当初格局和眼界受限，错过了早期布局的好机会 科技行业每一次颠覆性变革，从来都不是单一领域独立完成的，都是不同技术相互结合催生出来的 区块链和 AI 彼此赋能、深度绑定，已经是行业发展的必然走向 传统金融和链上 DeFi 不存在谁颠覆谁、互相争抢市场的情况，更多是互补共生、慢慢融合，而现实资产代币化，就是眼下最确定的行业风口 往后传统股市和加密资产会逐步打通、互相渗透，稳定币也会成为衔接传统金融和加密领域最关键的桥梁 让我们继续keep building #BNB！# #Binance#

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。