科技類資訊分享，主要會是區塊鏈知識和 AI 分享
IG : https://www.instagram.com/the.blockspace
TG: https://t.me/theblockspaces
IG : https://www.instagram.com/the.blockspace
TG: https://t.me/theblockspaces
开源与商业模式没有冲突
哪怕模型开源了，你把所有东西都告诉别人，使用的门槛也非常高。别人要用起来很难；其次，要用起来还要把成本做得很低，也是难上加难，没有那么容易。
并不是我开源了，别人就能轻易做到跟我一样的部署成本，这里面还是有很多工作要做的。虽然这些工作的原理都明白，但不是每一家公司都有这个意愿和能力去组织人力达到这个目标
## 长期愿景：AGI 的路线图
从技术路线上来看，AGI 这条路线图其实是比较清晰的。目前这一代 AI 技术，如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个前提：你要给它完整的上下文、完整的指令。
而这个前提是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。现在 AI 能具备的是，在一个局限的上下文里，它能做得比人更好。
但它还是替代不了人类。这里面还差一个东西，就是持续学习。因为人是能够持续学习的。你招一个员工，他可能花两个月时间来熟悉公司的环境、熟悉他的工作，两个月后他就可以上手了。
他就能做很多事情。他能够听懂你说的话——比如你说"叫那个小王来"，他就知道小王是谁。但如果是 AI 的话，因为它前面没有这两个月的学习，没有这个上下文。
你跟它说"叫小王过来"，你得告诉它小王是谁、什么职务、他在哪里、要怎么去找他、找他的时候要注意什么。你得给 AI 所有的上下文。在这种情况下 AI 是能做的，但你不可能给它所有的上下文，这不现实。
所以 AI 并不能替代你的员工。但如果 AI 具有持续学习的能力，它就能跟你的员工一样，到公司学习两个月，
然后就可以替代天下的人了。所以我们离下一步，还差一个"学习如何学习"。
我们觉得时间表应该是：先解决"学习如何学习"，然后到达智能的奇点——能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
与美国的差距：资源，而不是人才
这笔融资的钱，能买多少卡我就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少我都买。如果我在半年之内就把钱花完了，我觉得是个好事。如果半年之内把钱都花完，那太幸福了，太理想了。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达的卡，肯定比放在银行里好。放在银行里，现在可能就是两个点的利息；但买英伟达的卡，是十个月回本的生意。
在现在最大的模型上，我们其实是训不起的。我们哪怕把五百亿全花掉，其实也训不起；哪怕能堆起来，也用不起。现在最大的模型，激活大概是八百 B；国内的话，我们还在几十 B 的规模，国内最大的模型可能就是几十 B 激活，差一个数量级。
如果我要训练跟美国同样大的模型，应该需要五万张 GB300，或者二十万张华为 950。这只是训练，还没有考虑做研究。所以我们跟美国之间最大的差距是在资源上。
人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养：因为算力少，我们能做的实验机会比较少，所以我们的人才整体上跟美国有差距。人才的差距，本质上也是因为算力的差距。
https://drive.google.com/file/d/13NSXtglkcMJoWPRyT_2yQq_VhREG8nkt/view
哪怕模型开源了，你把所有东西都告诉别人，使用的门槛也非常高。别人要用起来很难；其次，要用起来还要把成本做得很低，也是难上加难，没有那么容易。
并不是我开源了，别人就能轻易做到跟我一样的部署成本，这里面还是有很多工作要做的。虽然这些工作的原理都明白，但不是每一家公司都有这个意愿和能力去组织人力达到这个目标
## 长期愿景：AGI 的路线图
从技术路线上来看，AGI 这条路线图其实是比较清晰的。目前这一代 AI 技术，如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个前提：你要给它完整的上下文、完整的指令。
而这个前提是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。现在 AI 能具备的是，在一个局限的上下文里，它能做得比人更好。
但它还是替代不了人类。这里面还差一个东西，就是持续学习。因为人是能够持续学习的。你招一个员工，他可能花两个月时间来熟悉公司的环境、熟悉他的工作，两个月后他就可以上手了。
他就能做很多事情。他能够听懂你说的话——比如你说"叫那个小王来"，他就知道小王是谁。但如果是 AI 的话，因为它前面没有这两个月的学习，没有这个上下文。
你跟它说"叫小王过来"，你得告诉它小王是谁、什么职务、他在哪里、要怎么去找他、找他的时候要注意什么。你得给 AI 所有的上下文。在这种情况下 AI 是能做的，但你不可能给它所有的上下文，这不现实。
所以 AI 并不能替代你的员工。但如果 AI 具有持续学习的能力，它就能跟你的员工一样，到公司学习两个月，
然后就可以替代天下的人了。所以我们离下一步，还差一个"学习如何学习"。
我们觉得时间表应该是：先解决"学习如何学习"，然后到达智能的奇点——能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
与美国的差距：资源，而不是人才
这笔融资的钱，能买多少卡我就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少我都买。如果我在半年之内就把钱花完了，我觉得是个好事。如果半年之内把钱都花完，那太幸福了，太理想了。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达的卡，肯定比放在银行里好。放在银行里，现在可能就是两个点的利息；但买英伟达的卡，是十个月回本的生意。
在现在最大的模型上，我们其实是训不起的。我们哪怕把五百亿全花掉，其实也训不起；哪怕能堆起来，也用不起。现在最大的模型，激活大概是八百 B；国内的话，我们还在几十 B 的规模，国内最大的模型可能就是几十 B 激活，差一个数量级。
如果我要训练跟美国同样大的模型，应该需要五万张 GB300，或者二十万张华为 950。这只是训练，还没有考虑做研究。所以我们跟美国之间最大的差距是在资源上。
人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养：因为算力少，我们能做的实验机会比较少，所以我们的人才整体上跟美国有差距。人才的差距，本质上也是因为算力的差距。
https://drive.google.com/file/d/13NSXtglkcMJoWPRyT_2yQq_VhREG8nkt/view
https://vettedconsumer.com/unified-memory-explained-why-mini-pcs-can-run-70b-models-a-big-gpu-cant-and-where-they-slow-down/
Vetted Consumer
Unified Memory, Explained: Why Mini PCs Can Run 70B Models a Big GPU Can't (and Where They Slow Down)
One idea explains the whole mini PC category: unified memory lets a $2,000 box hold a 70B model no consumer GPU can fit, then decode it slowly. The roofline math, the prompt-processing catch, the NPU red herring, and the owner-measured speeds.
目前只要用這個 code 可以用一年 core 的 Plasma one card
福利 3% XPL 5% AI 可以加減用 雖然但是不會當我的主力卡
https://www.plasma.org/download/PLSMWT
福利 3% XPL 5% AI 可以加減用 雖然但是不會當我的主力卡
https://www.plasma.org/download/PLSMWT
Plasma
Your Plasma One invite | Plasma
Use your invite code to get started with Plasma One.
BTW 科普一下 最大的前幾美股代幣化發行商 Ondo Finance & xStocks Robinhood
https://tokenterminal.com/explorer/tokenized-assets
非常優秀關於 ARM INTEL 的分析，還有很重要的 Agentic AI 帶來 CPU 的增長
https://moontalksmarket.substack.com/p/moontalkcpuai-agentcpu
https://moontalksmarket.substack.com/p/moontalkcpuai-agentcpu
Substack
【Moontalk市場觀察】CPU角色蛻變？AI Agent時代下的CPU架構重塑與投資邏輯
當市場仍將AI算力敘事集中於GPU時，推理、Agentic AI與異質運算架構的興起，正悄悄改變CPU在資料中心中的戰略定位。從ARM進軍商業資料中心CPU，到Intel重塑AI基礎設施角色及與Google合作，本文將拆解CPU如何從被忽視的傳統晶片，重新成為AI運算堆疊中的關鍵變量。
好的投資人要能想像 12 到 18 個月後的報紙頭條
如果你做的是短期部位（幾週到一個月），新聞（newsflow）就是王道，你追的是訊息的邊際變化，估值往往次要。因為短線波動常由情緒與事件驅動。比如你操作科技股波段，晶片公司傳出大客戶訂單延遲，你要立刻判斷市場會怎麼反應，而不是先去糾結長期本益比
反過來，對長期投資人（持股 2–3 年、年週轉率低於 40%），或當資金體量相對股票池越來越大，你在意的重點會完全不同。你要確認的是投資論點是否來自結構性的市佔提升、競爭格局的永久改變，或護城河的強化。短期波動（單月營收起伏、零星砍單傳聞）只要不觸及核心競爭力，就應該被大幅降噪。
https://www.threads.com/@vincentyucw/post/DWSYLUdExac/media
如果你做的是短期部位（幾週到一個月），新聞（newsflow）就是王道，你追的是訊息的邊際變化，估值往往次要。因為短線波動常由情緒與事件驅動。比如你操作科技股波段，晶片公司傳出大客戶訂單延遲，你要立刻判斷市場會怎麼反應，而不是先去糾結長期本益比
反過來，對長期投資人（持股 2–3 年、年週轉率低於 40%），或當資金體量相對股票池越來越大，你在意的重點會完全不同。你要確認的是投資論點是否來自結構性的市佔提升、競爭格局的永久改變，或護城河的強化。短期波動（單月營收起伏、零星砍單傳聞）只要不觸及核心競爭力，就應該被大幅降噪。
https://www.threads.com/@vincentyucw/post/DWSYLUdExac/media
這是由資安研究員 Patrick Wardle（前 NSA）建立的 Objective-See，專門提供一整套 免費、開源的 macOS 安全工具。
裡面幾個比較熱門的：
• LuLu → 免費防火牆（可控每個 App 的網路連線）
• BlockBlock → 即時偵測惡意程式想常駐系統
• KnockKnock → 掃描開機啟動項，有沒有可疑程式
• RansomWhere? → 偵測勒索病毒行為
這些工具在開發者 / 資安圈其實很常用，而且很多都有開源，透明度很高。
💡 適合誰：
用 mac 但不想完全依賴內建防護的人
有在接觸 crypto / 開發 / 隱私比較敏感的
想知道電腦到底在「偷偷做什麼」的人
⚠️ 小提醒：
macOS 可能會跳「未驗證開發者」，這是正常的（不是 App Store 上架）
👉 總結：這套算是 mac 上少數「免費但專業等級」的安全工具組合，有需要可以直接收藏。
https://objective-see.org/tools.html
裡面幾個比較熱門的：
• LuLu → 免費防火牆（可控每個 App 的網路連線）
• BlockBlock → 即時偵測惡意程式想常駐系統
• KnockKnock → 掃描開機啟動項，有沒有可疑程式
• RansomWhere? → 偵測勒索病毒行為
這些工具在開發者 / 資安圈其實很常用，而且很多都有開源，透明度很高。
💡 適合誰：
用 mac 但不想完全依賴內建防護的人
有在接觸 crypto / 開發 / 隱私比較敏感的
想知道電腦到底在「偷偷做什麼」的人
⚠️ 小提醒：
macOS 可能會跳「未驗證開發者」，這是正常的（不是 App Store 上架）
👉 總結：這套算是 mac 上少數「免費但專業等級」的安全工具組合，有需要可以直接收藏。
https://objective-see.org/tools.html
objective-see.org
Objective-See: Tools
Free, open-source tools to protect your Mac
AI 已經開始直接吃掉音樂人的收入。像 Suno 這類工具每天可以生成約 700 萬首歌，兩週的產量就等於 Spotify 幾十年累積的曲庫，用戶接近 1 億、付費超過 200 萬。這種產量碾壓之下，很多中下游音樂人的接案量在短時間內直接腰斬，原本一首歌能賣幾千到幾萬，現在變成 AI 先生成，人類只負責「修」，價格被壓到 800–1000。音樂公司也開始用 AI 一天做幾百首「市場歌」去測流量，哪首爆就發哪首，整個產業正在從創作轉向流水線。AI 可以穩定做出 60 分的歌，卻還做不出 90 分以上的情感與表達，所以被淘汰的會是能做及格作品的人，留下來的，會是那些真正有風格、有東西想說的創作者。
https://mp.weixin.qq.com/s/0pdPOOjFsxho-Gw5r_dYJg
https://mp.weixin.qq.com/s/0pdPOOjFsxho-Gw5r_dYJg
如果說過去對量子計算的討論還停留在「可能會威脅密碼學」，那這篇的關鍵在於，它已經把威脅轉化成具體的工程尺度：需要多少 qubits、多少 gates、多少時間，甚至連攻擊成功率都可以被估算。
像針對 secp256k1 的 Shor’s algorithm，已經被壓縮到約 1200–1450 個 logical qubits、7000–9000 萬個 Toffoli gates，在特定硬體假設下甚至可以在數十分鐘內完成，這意味著問題不再是「會不會發生」，而是「什麼時候可以做到」。
更重要的是，這種進展開始出現類似資安領域的訊號，用零知識證明證明能力存在，但不公開完整 exploit，代表量子密碼分析正在從學術問題，進入具有現實攻擊價值的階段。當一個領域開始收斂成這種工程化與不透明並存的狀態，通常就意味著，它離真正的應用（或災難）已經不遠了。
https://www.physics2045.blog/2026/04/03/google-on-crypto-quantum-vulnerabilities/
像針對 secp256k1 的 Shor’s algorithm，已經被壓縮到約 1200–1450 個 logical qubits、7000–9000 萬個 Toffoli gates，在特定硬體假設下甚至可以在數十分鐘內完成，這意味著問題不再是「會不會發生」，而是「什麼時候可以做到」。
更重要的是，這種進展開始出現類似資安領域的訊號，用零知識證明證明能力存在，但不公開完整 exploit，代表量子密碼分析正在從學術問題，進入具有現實攻擊價值的階段。當一個領域開始收斂成這種工程化與不透明並存的狀態，通常就意味著，它離真正的應用（或災難）已經不遠了。
https://www.physics2045.blog/2026/04/03/google-on-crypto-quantum-vulnerabilities/
