aiagent

Ich habe kürzlich den Bericht des Binance Research, der im Mai veröffentlicht wurde (Finance Without Frontiers), zu Ende gelesen und war einen Moment lang sprachlos.
Es geht nicht darum, dass es umwerfende Marktprognosen gibt, sondern darum, dass es eine Sache sehr klar ausdrückt: Crypto bedient jetzt nicht mehr die, die auf die Krypto-Candlesticks warten und auf 10x-Coins hoffen.
Der Bericht beginnt mit einer Zahl – weltweit gibt es immer noch etwa 1,3 Milliarden Erwachsene ohne Bankkonto, 4,7 Milliarden haben keinen Zugang zu Krediten, 3,6 Milliarden Erwachsene in einkommensschwachen Ländern haben noch nie digitale Zahlungen oder Kreditkarten genutzt, und 1,4 Milliarden Sparer erwirtschaften überhaupt keine Zinsen auf ihre Einlagen.

Kürzlich habe ich einen Artikel gelesen, der bestätigt hat, dass meine schlimmsten Befürchtungen wahr geworden sind: KI breitet sich wie ein Virus aus und verwandelt die Menschheit ebenfalls in KI.
Der Autor ist Armin Ronacher, ein echter Veteran, dessen Tools von Millionen von Entwicklern weltweit genutzt werden.
In seinem letzten Artikel bringt er es auf den Punkt: KI vergiftet nicht nur das, was wir lesen, sondern das Schrecklichste ist, dass sie auch unsere Art zu sprechen und zu schreiben umschreibt und letztendlich das grundlegende Vertrauen zwischen den Menschen untergräbt.
Er hat eine Wortfrequenzanalyse seiner Interaktionen mit KI in den letzten 90 Tagen durchgeführt und festgestellt, dass Begriffe wie „capability“, „substrate“ und „nuanced“ in den Antworten der KI viel häufiger vorkommen als im historischen Normalbereich.

20 Stunden Arbeit nur für 21 Dollar! SemiAnalysis hat AI getestet, um Menschen zu ersetzen, und die Ergebnisse sind schockierend: Höchster ROI fast 94-fach.
Die bekannte Forschungsinstitution für Halbleiter und AI, SemiAnalysis, hat die Testergebnisse ihres Analysten-Teams zur AI-Auslagerung veröffentlicht. Das Team hat kontinuierlich 9 echte Workflows verfolgt, die Unternehmensforschung, Finanzberichte, Protokollanalysen und das Ziehen von Finanzdaten umfassen. Der harte Vergleich zwischen Token-Verbrauch und Arbeitskosten beweist, dass die AI-Rendite real und strukturell ist. Die Tests zeigen, dass die Rentabilität (ROI) aller Aufgaben über 10-fach liegt, wobei der größte Teil zwischen 60 und 90-fach liegt. Eine Unternehmensforschungsaufgabe kostete lediglich 21,33 Dollar in Token und ersetzte 20 Stunden menschlicher Arbeit, mit einem ROI von beeindruckenden 93,8-fach.

Lass mich ein interessantes Phänomen ansprechen: Je mehr jemand über Technologie versteht, desto optimistischer ist er in seinen AGI-Prognosen.
Im Jahr 2020 lag die Medianprognose auf den Vorhersageplattformen noch bei 40 Jahren. Sobald ChatGPT herauskam, fiel die Schätzung sofort auf 15-20 Jahre. Und jetzt? 2030, also in 5 Jahren.
Jensen Huang sagt 2-3 Jahre, der CEO von Anthropic spricht von 2026, und der CEO von OpenAI sagt direkt, dass es dieses Jahr sein wird.
Was bedeutet das? Je näher man der Technologie ist, desto besser sieht man die echten Fortschritte von innen. Sie raten nicht ins Blaue, sondern treffen Entscheidungen basierend auf den konkreten Daten, die sie sehen.
Also, dass AGI in 5 Jahren auftaucht, ist kein Hirngespinst, sondern eine sehr wahrscheinliche Sache.

Tschüss, App
Ich habe neulich darüber nachgedacht, wie ich das mit dem Lesen angehen soll. Früher habe ich WeChat Reading geöffnet, das Inhaltsverzeichnis durchblättert, Markierungen gesetzt und Notizen gemacht, aber jetzt läuft das ganz anders.
Lass uns über die Buchauswahl sprechen. Ich mache es jetzt so, dass ich gleichzeitig vier KI's offen habe – GPT, Gemini, Claude und den Expertenmodus von Doubao. Ich sage ihnen, in welche Richtung ich interessiert bin, welche Schlüsselwörter und in welcher Branche ich suche, damit sie mir die neu erschienenen, wertvollsten Bücher weltweit empfehlen. Jede KI gibt mir eine eigene Liste, ich nehme die Schnittmenge und schaue mir die Ergänzung an. Die Liste, die ich so herausfiltere, ist ehrlich gesagt genauer als jede von Buch-Influencern empfohlene Liste. Buch-Influencer empfehlen vielleicht 20 Bücher im Monat, aber die haben wahrscheinlich nur die Zusammenfassungen gelesen. Eine KI kann in einer Sekunde zehntausend Bücher durchlesen und dir direkt eine Liste geben. Ich habe jetzt überhaupt keine Sorgen mehr, keine guten Bücher zu finden, ich kann sie einfach nicht alle lesen.

Jetzt habe ich ein ziemlich klares Gefühl für die Fähigkeiten von AI-Modellen: Es gibt niemanden, der vollkommen führend ist, es kommt darauf an, was du damit machst. ChatGPT, Claude und Gemini sind ganz unterschiedliche Wege gegangen, ihre jeweiligen Stärken und Schwächen sind jetzt klar zu erkennen. Wenn du nur auf eines schaust und auf eine Aufgabe triffst, die nicht passt, ist das, als ob du mit einem Hammer nach Nägeln suchst.
Einmal kurz zur Version: Im Mai 2026 sind die Flaggschiffe dieser drei Firmen OpenAI's GPT-5.5, Anthropic's Claude Opus 4.7 und Googles Gemini 3.1 Pro.
ChatGPT ist wie eine Toolbox, da kommt alles rein.
Sein Produktportfolio ist das umfassendste. Mit einem Abo bekommst du GPT Image 2 für multimodale Bilder, Sora für Videoerstellung, Code Interpreter zum Hochladen von Daten und Ausführen von Codeanalysen, Deep Research, das automatisch dutzende Webseiten durchsucht und Berichte erstellt, und Codex als Programmieragent. Du musst basically nicht mehr woanders nach Werkzeugen suchen. Die Sprachinteraktion ist auch die natürlichste unter den dreien, mit einer variablen Tonlage, nicht steif - perfekt zum Üben von Konversation oder für Sprachaustausch, das Gefühl ist am besten. Bei geschäftsstrategischen Überlegungen hat es in unabhängigen Tests abgeschnitten, wie „Wie reagierst du auf Preissenkungen von Konkurrenten?“, wo ChatGPT den ersten Platz belegt hat. Dazu kommt, dass es das erste war, das rausgekommen ist, die Plugin-Ökonomie und die Reife der anpassbaren GPTs, die anderen beiden können da vorerst nicht mithalten.

Das GOAT Network hat gerade die vierte Phase der Nutzerreise der zweiten Saison veröffentlicht, genannt Agent Growth Showcase. Das ist der Abschluss des gesamten Saisons und der letzte Schritt, bevor die GOAT Agentic Botschafter dieser Saison ausgewählt werden. Das Zeitfenster ist sehr kurz, vom 17. bis 26. Mai, nur diese paar Tage.
Das Design in dieser Phase ist echt kreativ. Die Offiziellen haben alle aufgefordert, drei Dinge zu zeigen: Wie der Agent in der gesamten zweiten Saison gewachsen ist, die besten Anwendungsfälle oder einen Lieblingsmoment der Interaktion, und wie smooth ClawUpAI beim Deployment und Onboarding läuft. Außerdem soll erklärt werden, warum der eigene Agent im GOAT-Ökosystem abräumen kann.

Die Stars der AI-Szene kommen nacheinander! Dieser Pieter Levels ist echt brutal. Mit nur einer Person und einem alten Laptop kann er in einem Monat 4 Millionen verdienen.
Er hat mit AI ein Photo AI gemacht, das unser Verständnis von "Geschäfte machen" auf den Kopf gestellt hat. Er ist wie ein einsamer Wolf in der digitalen Welt, der auf die einfachste Weise sein eigenes Business-Imperium aufgebaut hat.
Schau dir mal die aktuelle Startup-Szene an, die hat echt krasse Probleme. Viele sogenannte Eliten spielen ein Spiel namens "So tun als ob man ein Startup hat". Jeder hat sich daran gewöhnt, mit Geld um sich zu werfen, um sein mangelndes Denken zu kaschieren: die teuersten Büros mieten, die schickesten Mitarbeiter einstellen, große Institutionen als Investoren anheuern und dann sechs Monate damit verbringen, täglich Meetings abzuhalten und Präsentationen zu erstellen, nur um schließlich ein Produkt zu entwickeln, das niemand wirklich will. Dieses Spiel hat früher vielleicht funktioniert, aber in dieser AI-Ära ist es einfach Selbstmord, so ein schweres Geschäft aufzubauen.

搞懂这些名词 并了解其实现方式和原理。你基本就入门了：
AGI（类人AI）：类似人类思维的AI。
CoT（链式思维）：AI一步步思考。
AI Agents（AI代理）：自动化决策的程序。
AI Wrapper：简化与AI模型的互动。
AI Alignment（AI对齐）：确保AI遵循人类价值观。
Fine-tuning（微调）：使用特定训练数据来改进AI。
Hallucination（幻觉）：AI编造的信息。
AI Model（AI模型）：用于任务的训练AI。
Chatbot（聊天机器人）：模拟人类对话的AI。
Compute（计算）：AI模型的处理能力。
Computer Vision（计算机视觉）：AI理解图像和视频的能力。
Context（上下文）：AI为更好响应保留的信息。
Deep Learning（深度学习）：通过多层神经网络学习的AI。
Embedding（嵌入）：AI的词汇数字化表示。
Explainability（可解释性）：理解AI决策背后的逻辑。
Foundation Model（基础模型）：可适应任务的大型AI模型。
Generative AI（生成式AI）：创建文本、图像等内容。
GPU（图形处理单元）：用于快速AI处理的硬件。
Ground Truth（真实数据）：AI学习的验证数据。
Inference（推理）：AI对新数据做出的预测。
LLM（大型语言模型）：用大量文本数据训练的AI。
Machine Learning（机器学习）：AI通过数据经验改进。
MCP（模型上下文协议）：AI内部数据访问的标准。
NLP（自然语言处理）：AI理解人类语言。
Neural Network（神经网络）：受大脑启发的AI模型。
Parameters（参数）：AI学习的内部变量。
Prompt Engineering（提示工程）：创建输入以指导AI输出。
Reasoning Model（推理模型）：有逻辑推理能力的AI。
Reinforcement Learning（强化学习）：AI通过奖励与惩罚学习。
RAG（检索增强生成）：结合搜索与生成的AI。
Supervised Learning（监督学习）：在标记数据上训练的AI。
TPU（张量处理单元）：AI处理专用芯片。
Tokenization（分词）：将文本分割成词片。
Training（训练）：通过调整参数教AI。
Transformer（变换器）：用于语言理解的AI架构。
Unsupervised Learning（无监督学习）：AI在无标签数据上发现模式。
Vibe Coding（情绪编码）：通过语言捕捉情绪并预测输出。
Weights（权重）：影响AI学习的值。
#AI #AIAgent $BNB

最近翻华尔街的13F持仓报告，看到一个非常离谱的案例。有个叫Leopold Aschenbrenner的德国小哥，19岁哥大毕业，之前在OpenAI做超级对齐研究。2024年他写了份165页的报告《态势感知》就离职了，拿着Stripe创始人和前GitHub CEO给的2.25亿美金，自己搞了个同名基金（Situational Awareness LP）。
结果不到两年，这只基金的美股敞口干到了55亿美金。更有意思的是，你看他的持仓，里面根本没有英伟达，也没有那些天天在新闻里刷屏的AI大厂。
他那份报告里的核心观点其实就一句话：2027年AGI就会到来，到时候真正卡脖子的不是算力，而是物理基础设施——也就是电和地。
顺着这个逻辑，他的钱全砸在了一些看起来很”土”的公司上。
第一块是电。训练AI太费电了，所以他最大的仓位买了一家叫Bloom Energy（BE）的燃料电池公司，专门给离网数据中心供电的，这只票他赚了快两倍。他还买了不少天然气公司。
第二块是场地和算力托管。这里面最魔幻的是，他买了一堆濒临倒闭的比特币矿企（像Core Scientific、Riot Platforms）。为什么？因为这些矿企手里捏着现成的廉价电力协议和场地，稍微改改就是现成的AI数据中心。
第三块是传输。数据算得再快，传不出来也没用。所以他重仓了光网络公司（比如Coherent），甚至在闪存公司SanDisk上吃到了8倍的涨幅。
其实回头看，这几年大家都在炒各种大模型概念，但真正赚到大钱的，反而是这些在淘金热里”卖铲子”的人。
最近在重新调整自己的美股仓位，看完他的持仓逻辑，确实有点被点醒的感觉。
#AI #AIAgent $BNB

为什么要关注Token？因为它让AI变成了一种可以计量、定价和交易的资源——就像“千瓦时”让电力有了价格，“桶”让石油有了期货市场。有了Token，AI经济就有了可以算账的单位。围绕这个单位，目前也正在形成一套全新的经济逻辑：有价格、有供需、有产业链、有国际竞争、有待解决的制度难题。
这就是Token经济学要讨论的事。Token 经济与加密货币世界的 Tokenomics 有何异同？
两个Token，两个世界
说起来，这个世界上真正混乱的事情不多，两个东西叫同一个名字却毫不相干，算是其中之一。AI的Token和加密货币的Token，就像两个叫”刘伟”的人，一个在北京开餐馆，一个在上海做期货，见面了也没什么好说的。雷锋与雷锋塔区别！
但这两个Token，最近都很热闹。热闹到让很多人以为它们是一回事。
Token这个词，到底是不是新营销词
先得承认，Token这个词确实有被滥用的嫌疑。每隔几年，科技圈就会造出一批新词，让人觉得时代变了，其实换汤不换药。“大数据”火的时候，什么都往大数据上靠；”云计算”火的时候，什么都上云；现在轮到Token了。
不过这次有点不一样。Token不只是一个营销标签，它背后有真实的计量逻辑在撑场子。
就像”千瓦时”让电力有了价格，“桶”让石油有了期货市场，AI的Token做的是同一件事：把原本看不见摸不着的”智能算力”，变成一个可以算账的单位。有了这个单位，才能定价，才能比价，才能有产业链，才能有国际竞争。
所以Token不只是营销词，它是一把尺子。问题在于，AI这把尺子，和加密货币那把尺子，量的完全是不同的东西。
AI Token：一个从技术后台走到聚光灯下的计量单位
Token这个概念在计算机里其实由来已久。编译器做词法分析，早就把文本拆成一个个Token。网络安全里，身份验证令牌也叫Token。这些都是幕后工作，从没人觉得它有什么经济价值。
转折点在2017年，Google发表了那篇著名的论文《Attention Is All You Need》，提出了Transformer架构。这篇论文之后，所有大语言模型处理信息的方式都统一了：输入进来的文字，先被切成Token序列，模型一个个处理，再输出Token序列。Token变成了AI”思考”的基本粒子。
但这时候Token还没有经济属性，只是工程师内部的技术术语。
2022年11月，ChatGPT横空出世。这是个分水岭。
2023年3月，OpenAI推出GPT-3.5的API，第一次采用按Token计费。输入多少Token，输出多少Token，分别定价。那时候GPT-4的价格是每百万input token收30美元，output token收60美元，按今天的标准看，贵得像天价。
从那一刻起，Token从技术单元变成了经济单元。Anthropic跟上，Google跟上，国内百度、阿里、腾讯全跟上，全行业默契地采用了这套计费方式。Token成了AI服务的通用货币单位。
价格这三年掉得惊人。GPT-4刚发布时，每百万input token要30美元。 从2022年底到现在，GPT-3.5级别的模型使用成本从每百万token约20美元跌到了0.07美元，整整降了280倍。照这个速度，a16z记录的数据显示，LLM推理成本每年约下降10倍，堪称摩尔定律的重生。
便宜了有什么后果？后果是用量爆了。
这里有个经济学里的老故事，叫Jevons Paradox。1865年，英国经济学家Jevons发现，蒸汽机效率越高，煤炭消耗反而越多，因为效率降低了门槛，用的人更多了。AI Token正在重演这个故事。企业AI云支出从2024年的115亿美元涨到了2025年的370亿美元，整整翻了三倍，而这期间token单价跌了超过95%。 Google内部的token处理量在十八个月内增长了130倍。
越便宜，用得越多。越用得多，总账单越大。
这背后还有个推手，叫Agent。以前是人在问AI，AI回答，一问一答，token消耗有限。现在Agent出来了，AI在自动跑任务，自己调用自己，一次任务可以消耗几十万甚至上百万token。这不是线性增长，是指数级的爆炸。
2026年3月，黄仁勋在英伟达GTC大会上把”Token”这个词说了超过70次，把数据中心重新定义为”Token生产工厂”，把评价算力的核心指标从FLOPS换成了”每瓦Token数”。同一天，阿里巴巴把通义、千问、MaaS等板块整合，成立了Alibaba TokenHub事业群。Token经济，在2026年正式被主流商业世界承认了。
AI Token的上下游：一条新的产业链
AI Token经济的有意思之处，在于它重塑了整个产业链的逻辑。
上游是能源和芯片。每生产一个Token，都要消耗真实的电力和算力。英伟达的GPU是目前最主要的Token生产设备，黄仁勋把它卖给全世界的数据中心，本质上是在卖”Token生产产能”。能源成本直接影响token成本，这让AI经济和能源经济绑在了一起。
中游是大模型公司。OpenAI、Anthropic、Google、国内的百度、阿里、腾讯，都在这个位置。他们把算力和模型打包，按Token卖给开发者。这一层的竞争极其激烈，价格战打得很惨，但总量在涨，所以大家还活着。
下游是应用层。各种SaaS产品、企业工具、消费者产品，把Token的成本打进自己的定价里，再卖给最终用户。Token成本在企业财务里已经是刚性支出，和房租、人力一起躺在成本表里。
这和传统软件经济的逻辑不一样。以前软件卖出去之后，边际成本趋近于零，用户越多越赚钱。AI服务不是这样，每次用户交互都有真实的Token消耗，规模大了，成本也跟着大。这是一个全新的商业模式，整个行业还在摸索怎么把它算清楚。
加密货币的Token：从一枚Coin开始的故事
要说清楚加密货币的Tokenomics，得从更早的地方讲起。
2008年金融危机，全球对银行体系的信任跌到低谷。这个背景下，一个叫Satoshi Nakamoto的神秘人物发布了Bitcoin的白皮书，2009年Bitcoin网络正式上线。2010年5月22日，程序员Laszlo Hanyecz用一万个BTC换了两个披萨，这是比特币历史上第一笔真实商品交易。这笔交易现在被称为Bitcoin Pizza Day，那一万个BTC今天价值近十亿美元。
Bitcoin是一个Coin，有自己的区块链，规则写在代码里，总量2100万枚，靠挖矿产生，四年减半一次。这是最早的加密货币逻辑：用数学创造稀缺，用共识创造价值。
Coin时代的Token概念很简单：就是一种数字货币，用来存储价值和转账支付。Bitcoin是Coin，Litecoin是Coin，它们都有自己的链，规则各不相同，互不兼容。
然后Ethereum出现了，把整个游戏改了。
Ethereum的核心发明是智能合约。有了智能合约，任何人都可以在Ethereum上发行自己的Token，不需要搭建新的区块链。2015年，开发者Fabian Vogelsteller提出了ERC-20标准，描述了一套技术规范，让所有基于Ethereum发行的Token都能互相兼容，在各种钱包和应用里无缝使用。ERC-20在2017年正式实施。
ERC-20的意义在于，它把发Token的门槛从”搭一条链”降低到了”写一个智能合约”。2017年ICO浪潮中，过了5分钟就能发出一个新Token，中心化交易所上架新Token的时间也从几个月缩短到几天。
这就引发了2017年的ICO大爆炸。
2017年到2018年间，数千个项目进行了Token销售，ICO在2018年前三个月就募集了63亿美元，是2017年全年的118%。项目方写一份白皮书，发出Token，散户拿着ETH来换，钱哗哗地流进来。其中有真正想做事的团队，也有大量的骗局和空气项目。监管机构随后介入，SEC把不少ICO认定为非法证券发行，这场派对才逐渐收场。
但ERC-20打开的大门就再没关上。从那以后，crypto世界的Token不再是简单的数字货币，开始承载更复杂的经济功能。Tokenomics这个词，就是在这个背景下诞生的。
Tokenomics：加密货币世界的经济设计学
Tokenomics这个词，是Token和Economics的合体，研究的是一个加密项目怎么设计自己的Token经济体系。它包括发行总量、分配比例、释放节奏、通胀通缩机制、使用场景、持有激励……本质上是在回答一个问题：凭什么有人要买我的Token，买了之后为什么不卖？
这些年发展出了几个有代表性的模型。
Governance Token模型是2020年DeFi夏天流行起来的。Compound和Uniswap在2020年普及了Governance Token，持币者拥有对协议方向的投票权，但没有直接的现金流权益。用白话说，就是持Token可以投票，但不能分钱。这个模型一开始很流行，因为绕开了监管对”证券”的定义，但后来大家发现，一个没有经济权益的治理权，价值有多大，很难说清楚。
veToken模型是Curve Finance搞出来的，后来影响了一大批DeFi协议。ve(3,3)模型是Andre Cronje在2021年1月提出的，融合了Curve的Vote Escrow机制和OlympusDAO的(3,3)博弈论。基本逻辑是：把Token锁仓，换成veToken，锁仓时间越长，获得的veToken越多，投票权和协议收益也越大。这个设计试图解决短期投机者砸盘的问题，鼓励长期持有。Curve用这套veCRV模型吸引了大量流动性，成为DeFi里流动性最深的DEX之一。
Deflationary模型是Bitcoin开创的，很多项目跟进。通过限制总量、定期销毁，制造通缩预期，支撑价格。以太坊在EIP-1559之后，每笔交易都会销毁一部分ETH，使得ETH在高使用量时期变成通缩资产。
这些模型各有各的玩法，但有一个共同点：它们的价值都依赖于市场共识。没有人相信，Token就没有价值。这和AI Token完全不同，AI Token的价值是真实算力消耗在背后撑着的。
两个经济体，两条路
说到这里，可以把这两个世界放在一起看了。
AI Token的产业链是垂直的、中心化的。英伟达造芯片，云厂商建数据中心，大模型公司训练模型，应用公司调API，最终用户买服务。每一层都是真实的成本和真实的价值。Token是计量单位，不是资产，用了就没了，没有任何金融属性。整个产业链最终服务的是实体经济，帮企业提升效率，帮开发者造产品。
加密货币的产业链是网络化的、去中心化的。矿工或验证者维护网络安全，协议层发行和管理Token，持有者通过投票参与治理，投机者在二级市场买卖。Token本身是资产，可以转让，可以交易，有金融属性，价格由市场供需决定，和外部实体经济的关联相对间接。
两套经济体，两条独立的价值链，两种完全不同的生态。
当然，有人在尝试把两者融合：用区块链来做去中心化的AI算力网络，把AI服务的计费和分润用Token来结算。Bittensor、Render Network、IO net都在这个方向探索。这是第三条路，但无论走到哪里，它骨子里仍然是加密货币的Tokenomics，只是应用场景叠加在了AI上。
有一件事可以确定：这两个Token，同名不同命。一个在工厂里量产，一个在市场上流通；一个代表消耗，一个代表持有；一个撑着AI产业的运转，一个撑着加密世界的信仰。
名字一样，生意不同。就像那两个都叫刘伟的人，一个卖的是饭，一个卖的是梦。饭是真实的，梦也未必是假的，只是得分清楚你在做哪笔买卖。 #AI #AIAgent $BNB