bitcoin/l2s/trading
San
Joined November 2016
- Tweets2.4K
- Following3.9K
- Followers3.1K
- Likes11.6K
每一次底层硬件 / 基础设施的量级提升，都会打破之前的技术边界，催生之前无法实现的新应用形态，形成范式级创新
光纤普及 + PC 性能提升 → PC 互联网浪潮
智能手机硬件成熟 + 3G普及 → 移动互联网浪潮
4G 全面普及 + 手机拍摄能力提升 → 短视频浪潮
算力芯片突破 + 海量数据积累 → AI 大模型浪潮
以前defi的目标是把传统金融去中心化，2026上演的剧情变成传统金融全面入侵区块链
其实纯数字理工科也在文科化，写代码、做数据清洗、画 CAD 图纸、做基础的结构计算，包括解数学题，这些工作本质上也是处理符号，在 AI 眼里，代码和小说没有区别，都是 Token 的排列组合，这些技能也在归零。
而土木工程现场施工、外科手术、实验物理、芯片制造工艺、能源勘探这些需要与物理世界产生深度链接性质的工作，需要处理“非结构化的物理反馈”（泥土的湿度、血管的弹性、光刻机的微振动），从仿真到现实的鸿沟是 AI 短期内无法跨越的。AI 可以生成完美的桥梁图纸，但它无法解决施工现场突发的泥石流。物理世界的“摩擦力”保护了这部分理科生。
脑洞的重要性在AI时代也愈发重要了，AI 擅长 1 到 N（扩写、优化、模仿），AI 无法做到 0 到 1（提出一个反直觉的、疯狂的、违背概率预测的新概念）。
这提醒我们不要去卷那些正在归零的技能，去卷那些 AI 永远无法拥有的“碳基生命的特权”——勇气、连接与疯狂。
在AIME（数学竞赛）能拿96%准确率的AI面前，培养人类去当“做题家”的边际收益已经接近于零，甚至为负，未来的教育必然（也被迫）会向“广度+深度+真实复杂性”演化，而单纯的“做题技巧性难度”会大幅降低。👀
现在二十来岁的人，根本无法意识到他们有多幸运。因为意识不到，所以他们不会手舞足蹈、欢呼雀跃。
按部就班地去找工作，给家长一个交代。在电子游戏上虚度光阴，在一切没有意义的聚会后，收获迷惘与空虚。
人无法同时拥有Claude Code和对人生的失控感！
我们这些可怜的三十来岁的人，FOMO情绪大到恨不得跟二十来岁、十几岁的人换命，换身。
时间，已经开始在我们身上“收网”了。却同时地、刚刚在他们那儿撒下迷魂脂粉。让他们，误以为时间像一块丰腴的肥皂，一时半会儿也用不完似的。
一个刚上大一的年轻人，从掌握AI编程、AI视频工作流、AI智能体赋能传统行业，到使用这些技能赚到钱，养活自己，实现在社会中的“自举”，是那么地近！
这是怎样的世界？只用一层薄薄的，名为“行动力”的纸膜，就把天量的人拦在了外面。让他们像牛群一样，对狮子熟视无睹，依旧成群结对地去课堂上，啃草。
我的弟弟，只因为我多说了两嘴Claude Code，就已经对我产生了不耐烦的情绪。天啊！他刚刚购买了一款独立游戏，38元。像素风2D解谜游戏。我真想告诉他，Claude Code可以在十天内复刻这个游戏，上架，销售……赚取被动收入。终结他和妈妈之间的大部分亲子矛盾……
你可以轻松复制、下载、购买你看到的一切——这是AppStore时代的移动互联网故事。
你可以轻松复制、上载、销售你看到的一切——这是Claude Code时代的AI故事。
拿着锤子的人，看什么都像钉子。这句话的另一个模态是：不管你同意与否，锤子真的会砸向它所能砸到的一切，去测试它所砸之物能不能算做钉子！就像人类曾经尝试将蒸汽机装进一切旧有的事物中，婴儿车、缝纫机，根本不关心它们是否是最佳场景……
AI，远比蒸汽机细密，像水蒸气，正在钻进社会的每一个骨缝里。同样不关心人们是否同意。这不是愿不愿意参与的问题……是活生生的to be or not to be…
教育的改革有严重的滞后性，在AI前沿工作的人们，看如今的教育，就像苍蝇的复眼中的人类，完全是慢动作，完全是老态龙钟。
房间门已经开了，大象已经走进来了。浑浊的泥土的气息，已经被象耳扇进每一个人的鼻窝。但人们似乎，不约而同地保持了沉默。
AI时代提问能力与抽象能力最重要，那么我们继续问Gemini 问题:
既然AI已经在大部分认知服务上做的不错，那么AI在工业界与实体资源的渗透，有哪些技术难点，比如想将使用AI将现代工业中工人取代掉，便利店员取代掉，将家庭保姆取代掉，结合上面的讨论分析一下具体有哪些技术难点：
Gemini ：这是一个非常深刻的问题，触及了人工智能领域目前最硬的骨头——具身智能（Embodied AI）。
结合之前的**“科学思维与方法流程图”，我们可以发现：“编程/律师”主要处理的是绿色区域（逻辑演绎），输入和输出都是数字符号，是一个封闭、确定的系统**。
而**“工人/保姆/店员”处理的是红色区域（观察与验证），必须与物理世界进行即时交互。物理世界是开放、混乱且不确定**的。
要实现你说的“取代”，目前存在四大技术难点，我们可以称之为**“莫拉维克悖论（Moravec's Paradox）”的现代版体现**：
1. 感知与交互的“非标准化”难题 ( The "Unstructured Environment" Problem)
对应流程图： “观察与问题”（Top Red Zone）
难点解析：
工业工人： 现代流水线已经高度自动化（标准化环境），但维修工很难被取代。因为漏油的管道、生锈的螺丝、磨损的皮带，每一个故障的样子都不一样。AI很难“观察”出这些非标问题。
便利店员： 收银容易（它是数据处理），但理货极难。货架乱了，一包薯片被压扁了，一瓶水倒了，地面洒了咖啡。机器人需要识别成千上万种形状不一、状态各异的商品，并做出正确的物理抓取。
家庭保姆（地狱难度）： 家是最非标准化的环境。孩子的玩具满地都是，衣服材质各异，猫狗乱跑。AI难以在如此混乱的环境中建立统一的“观察模型”。
2. 精细运动控制与触觉反馈 (The "Dexterity & Tactile" Gap)
对应流程图： “实验验证”（Bottom Red Zone - 执行层面）
难点解析：
人类的双手是进化的奇迹。我们可以拿起一个鸡蛋而不捏碎它，也可以用力拧开瓶盖。这依赖于极度复杂的力反馈（Force Feedback）。
技术瓶颈： 目前的机器人主要靠视觉（看），**触觉（摸）**非常弱。
保姆场景： 给婴儿换尿布或擦嘴。这不仅需要视觉识别，需要极其微妙的力度控制。机器人稍有计算偏差，就可能弄伤婴儿。这种物理验证的容错率几乎为零。
店员场景： 拿取一个软面包 vs 拿取一瓶玻璃饮料，手指施加的力度完全不同。
3. 长尾场景与泛化能力 (The "Long-Tail" Case)
对应流程图： “构建模型/理论”（Green Zone - 模型的覆盖度）
难点解析：
大语言模型（LLM）之所以强，是因为它看过了互联网上几乎所有的文本。但物理世界的数据极其匮乏。
工业场景： 我们可以教机器人拧螺丝，但如果螺丝滑丝了怎么办？如果螺丝掉进机器缝隙里了怎么办？这些**“意外情况”（Edge Cases）**在物理世界无穷无尽。
人类拥有常识物理模型（知道水会流，玻璃会碎，火会烫），不需要专门学习。AI目前还很难具备这种通用的物理常识来应对突发状况。
4. 能源效率与硬件成本 (The "Power & Cost" Wall)
对应流程图： “结果分析”（Bottom Red Zone - 成本效益分析）
难点解析：
人类： 一个工人或保姆，每天只需要吃饭喝水（约2000大卡，转换成电能极低），就能工作8-10小时，且大脑算力只需约20瓦。
机器人： 一个能像人一样行走的双足机器人，加上高算力GPU进行实时视觉处理，耗电量巨大，电池续航可能只有1-2小时。
商业逻辑： 如果制造一个能完全替代便利店员的机器人需要100万人民币，且每两小时要充电，那么它的**“投入产出比”**远不如雇佣一个人类店员。在商业验证环节，目前是不通过的。
最终结论
回到你的流程图逻辑：
AI 可以在“绿色区域”里秒杀人类（算力、知识调用），但在“红色区域”里（感知真实世界的微妙变化、在物理世界中灵巧行动、对不确定结果负责），人类的身体进化了数百万年，依然是目前最高效、最节能、最通用的“智能机器”。
总结分析表：为什么“蓝领”比“白领”更难取代？
如果这个话题再扩展开来，用科学思维的流程图来解释，我们可以得出一个合理的推断，除了在少数创新的领域（比如从0到1的商业模式，或者前沿科学研究）认知这一高阶能力，在AI时代将会被重新划分成三明治结构：
AI时代（新工作流）：
人类退守两端，把中间让渡给硅基生物。
入口（Input）： 核心能力是 "提问力" (Inquiry) 和 "抽象力" (Abstraction)。
黑盒（Process）： AI 负责 "知识检索" 和 "逻辑推演"。
出口（Output）： 核心能力是 "鉴别力" (Critical Thinking) 和 "决策力" (Decision Making)。
1、观察与问题 / 抽象概念与提出假说 (The "Why" & "What")，这是人类最有价值的领域：
AI本质上是概率模型，它是被动的。由于缺乏真实的肉体体验和情感，AI无法感知“痛苦”、“不便”或“好奇”，因此它无法像牛顿被苹果砸中那样产生原生的“观察”，也无法在毫无提示的情况下定义什么是“值得解决的问题”。
定义问题比解决问题更难。 在AI时代，提出一个精准的、有价值的问题（Prompting/Questioning），意味着你指明了探索的方向。如果你无法抽象出概念或提出假说，AI巨大的算力就无处发力。
2、中间绿色区域：构建模型 / 演绎与预测 (The "How")，这部分AI可以代劳，因为大部分模型人类已经有了，AI只需调用和演绎。
AI的优势： 这正是大语言模型（LLM）最擅长的地方。人类几千年来积累的物理定律、经济模型、编程逻辑、营销漏斗等“标准模型”，都已经压缩在AI的参数里了。
效率革命： 过去，一个人要构建模型并进行推演，需要查阅大量文献、耗费数周计算。现在，只要你给出的“前置假说”正确，AI能瞬间调用最匹配的“模型”进行逻辑演绎，生成预测结果。这也是圈出的绿色部分，是“算力”替代“脑力”最彻底的环节。
3、实验验证 / 结果分析 / 修正 (The "So What" & "True or False")，人类必须负责验证和分析，这是核心能力。
AI的幻觉与隔离： AI会“一本正经地胡说八道”（Hallucination），而且AI目前大多运行在数字世界，无法直接在物理世界进行“实地实验”（比如AI推导出的新药配方，必须由人去实验室做临床；AI写的营销方案，必须由人去市场投放看反馈）。
人类的责任（鉴别力）： 演绎的结果只是“可能性”，通过实验去验证其真伪，并结合现实世界的复杂约束（道德、法律、情感、成本）进行价值判断（Value Judgment），这是人类独有的“把关人”角色，这也可以解释现在AI在工业界的应用远不如知识产业（编程、文案、法律等等）的原因。
前AI时代人类需要从头吃到尾。我们需要自己观察，自己苦读十年书去构建模型，自己计算推演，最后自己验证。“记忆力”和“计算力”是核心竞争力。
而AI时代的专家，不再是那个背诵了最多公式的人（那是绿色区域），而是那个知道在什么时候用什么公式（红色上部），并且知道计算结果对不对（红色下部）的人。
其实这种价值是隐形的，只是暂时还没体现出来的，市场经济逻辑将慢慢让这这种价值发挥出来：
大家都使用AI变得更聪明了→
一部分人就能借助AI完成以前需要很多人完成的认知服务工作→
导致很多中产认知工作被消灭→
同时把认知服务的价格打到地板 →
让剩下所有人都能以极低成本过上原来中产的生活 ，最终把人类整体从“为钱打工”推进到“为兴趣和体验而活”的阶段。
AI真正消灭的是“卖认知服务的中产”，但同时把“买认知服务”的门槛降低到连乞丐都能用。
远期图景其实是这样的：
60%-80%的传统白领工作确实没了（律师、会计、程序员、翻译、记者、教师、中层管理……）
但这些服务的价格暴跌到很低，普通人反而过得更轻松（写合同、报税、设计海报、写代码、教孩子功课，全是9.9元包年）
被解放出来的时间+极低的创业/创作成本 → 大量人转去做真正“只有人能做而且愿意付费的事”：开民宿、做手工、当主播、拍短视频、开小酒馆、做独立游戏、环游世界当数字游民、养猫开猫咖……
这才是“娱乐/体验/生活方式经济”真正的爆炸点：不是因为大家有钱到不工作，而是不工作也能活得不错 + 做自己喜欢的事几乎没成本。
附 Gemini 3的看法：g.co/gemini/share/6bb458592b…
如果这个话题再扩展开来，用科学思维的流程图来解释，我们可以得出一个合理的推断，除了在少数创新的领域（比如从0到1的商业模式，或者前沿科学研究）认知这一高阶能力，在AI时代将会被重新划分成三明治结构：
AI时代（新工作流）：
人类退守两端，把中间让渡给硅基生物。
入口（Input）： 核心能力是 "提问力" (Inquiry) 和 "抽象力" (Abstraction)。
黑盒（Process）： AI 负责 "知识检索" 和 "逻辑推演"。
出口（Output）： 核心能力是 "鉴别力" (Critical Thinking) 和 "决策力" (Decision Making)。
1、观察与问题 / 抽象概念与提出假说 (The "Why" & "What")，这是人类最有价值的领域：
AI本质上是概率模型，它是被动的。由于缺乏真实的肉体体验和情感，AI无法感知“痛苦”、“不便”或“好奇”，因此它无法像牛顿被苹果砸中那样产生原生的“观察”，也无法在毫无提示的情况下定义什么是“值得解决的问题”。
定义问题比解决问题更难。 在AI时代，提出一个精准的、有价值的问题（Prompting/Questioning），意味着你指明了探索的方向。如果你无法抽象出概念或提出假说，AI巨大的算力就无处发力。
2、中间绿色区域：构建模型 / 演绎与预测 (The "How")，这部分AI可以代劳，因为大部分模型人类已经有了，AI只需调用和演绎。
AI的优势： 这正是大语言模型（LLM）最擅长的地方。人类几千年来积累的物理定律、经济模型、编程逻辑、营销漏斗等“标准模型”，都已经压缩在AI的参数里了。
效率革命： 过去，一个人要构建模型并进行推演，需要查阅大量文献、耗费数周计算。现在，只要你给出的“前置假说”正确，AI能瞬间调用最匹配的“模型”进行逻辑演绎，生成预测结果。这也是圈出的绿色部分，是“算力”替代“脑力”最彻底的环节。
3、实验验证 / 结果分析 / 修正 (The "So What" & "True or False")，人类必须负责验证和分析，这是核心能力。
AI的幻觉与隔离： AI会“一本正经地胡说八道”（Hallucination），而且AI目前大多运行在数字世界，无法直接在物理世界进行“实地实验”（比如AI推导出的新药配方，必须由人去实验室做临床；AI写的营销方案，必须由人去市场投放看反馈）。
人类的责任（鉴别力）： 演绎的结果只是“可能性”，通过实验去验证其真伪，并结合现实世界的复杂约束（道德、法律、情感、成本）进行价值判断（Value Judgment），这是人类独有的“把关人”角色，这也可以解释现在AI在工业界的应用远不如知识产业（编程、文案、法律等等）的原因。
前AI时代人类需要从头吃到尾。我们需要自己观察，自己苦读十年书去构建模型，自己计算推演，最后自己验证。“记忆力”和“计算力”是核心竞争力。
而AI时代的专家，不再是那个背诵了最多公式的人（那是绿色区域），而是那个知道在什么时候用什么公式（红色上部），并且知道计算结果对不对（红色下部）的人。
bitrabbit retweeted
2
"We're migrating our group to Keet, a pure P2P platform with no central servers. Each of us—you, me, anyone who downloads the app—becomes a node, managing our own storage and connecting peer-to-peer with end-to-end encryption. No one, not governments nor corporations, can track us or halt our boundless journey."
What lies ahead is not only severe challenges but also unprecedented opportunities; it concerns the direction of our long-term destiny. Only with the determination to all in without turning back and fully commit ourselves to this crucial expedition can we turn challenges into opportunities.
#sip031
bitrabbit retweeted
What I’ve gathered from the whole SIP-031 debate:
⚠️Worst case Scenario:
• The Endowment burns capital with no results
• $STX token gets diluted
Mostly valid concerns but not constructive.
We’re way too focused on the short-term impact.
If SIP-031 passes, the entire vision for sBTC will vanish into thin air. Stacks will forever be branded as a centralized VC chain. What truly supports a brand’s premium positioning is its unwavering commitment to its founding principles and beliefs, even in the face of adversity – just as Porsche, in its toughest times, never abandoned development support for the 911, proving its commitment by cutting executive salaries to ensure its funding.
In 1957, when Ferrari racing cars were involved in a major accident resulting in multiple fatalities, the company refused to abandon its racing program or motorsport development. Following the tragedy, Ferrari focused intensely on improving vehicle safety, elevating safety standards for both race cars and production models to restore its reputation. Simultaneously, the launch of the 250 series—renowned for its exceptional performance and design—achieved tremendous market success, gradually steering the brand back on course.
Similarly, Huawei succeeded in establishing its premium image in China precisely because it did not capitulate during its most challenging period under US sanctions, persistently continuing the development of its independently developed chips.
In contrast, a negative case is Tesla: its sharp sales decline is significantly linked to Elon Musk's perceived support for Russia. Previously, Musk was widely seen as relentlessly striving for humanity's future. His apparent alignment with the aggressor, Russia, shattered that carefully cultivated public persona.
Brands lacking a distinct identity and unwavering core values and convictions will struggle to command premium pricing.
If SIP-031 gets approved, sBTC will become untrusless in the future, and STX will super hardly command the premium narrative pricing for BTCfi in the capital markets.
just like franco said on the forum: SIP-031 marks collectivism has won and individualism has failed.
In bitcoin, what makes it thrive is individualism .@muneeb