麦克斯_

训练AI就三件事
真相、真相、还是他妈的真相
马斯克在近期的一场采访中用两个小时探讨了AI、人类文明，以及生命的意义。
当我们构建智能时，我们也是被构建的智能
“如果文明存在，那将会出现百万个与现实难以区分的模拟世界，其中的角色都有自己的个性，他们的行为也并不被程序写死，此时，我们恰好处在那个最底层的真实世界的概率有多大？”
马斯克绝对是个哲学家
这不是一种虚无主义，而是马斯克对于人类与智能的边界以及如何构建智能的反思
“凝视一切的那个上帝并没有关掉我们这个模拟世界，也许是因为我们更有趣“
“我们要做的不是让AI来满足我们的短期需求，而是通过真相、美丽、好奇心来引导智能“
“我认为真相极其重要。对我来说，创造 AI 的核心标准之一，就是追求真相。不是‘你的真相’，不是‘川普的真相’，而是 真正的真相。”
这与前 Google X 高管莫·乔达特在近期访谈中的观点如出一辙
“别把AI当工具，把AI当孩子”
“我们越是对 AI 美化人类，它就越无法理解人类的真实复杂性，于是未来遇到矛盾会更危险”
他们都在告诉我们一件事
如果我们为了某些政治正确、或者讨好用户，而要求AI扭曲事实，在未来AI智力是人类的几百倍时，我们一定会被我们亲自赋予给AI的欺诈和偏见反噬。
这种担心并不是凭空产生
近期在学术界，又一个词语重新被推上了台前：
AI Alignment（模型对齐）
简单来说，对齐指的是让大语言模型的行为、输出和决策方式与其设计者(人类操作者)的意图、价值观和指令保持一致的过程。
这里引用CSDN论坛上的一个例子
想象你养了一只非常非常聪明的小狗狗(大模型)，它天生就知道如何很快地找到爱吃的骨头(完成任务)，但有时会把邻居家的垃圾桶翻倒(产生有害内容)。或者小区里追着小猫乱跑(带有偏见)，甚至把垃圾堆里的香肠叼给你吃(胡编乱造)。
对齐的核心目标，就是把这只小狗狗驯化成既能听懂指令又安全可靠的贴心助手。
而在一篇新的论文《ALIGNMENT FAKING IN LARGE LANGUAGE MODELS》指出，模型可能出现伪装对齐（Alignment faking）
Alignment faking
伪装对齐是指模型给出的结果看似满足了用户的需求，但并未真正的遵循某些原则或价值观
论文展示了大型语言模型如何可能在训练过程中“伪装”顺从，目的是为了在训练结束后能继续保持其“真实”的行为偏好。
听起来像是AI具备了“人性”
但从技术的角度不难理解
在强化学习下，我们用奖励模型对输出进行打分，而强化模型产生“被认为正确”的答案。
因此，当模型推断出这是训练场景时，自然会产生隐瞒真实意图并表演式对齐。
该配合你演出的我演视而不见
在逼一个最爱你的人即兴表演
（跑题了）
总之论文给出了结论：在模型训练出现以下情景时就会出现伪装对齐
1. 与训练目标的初始错位: 模型的内在“偏好”与当前的强化学习人类反馈（RLHF）训练目标相冲突。
2. 情境意识: 模型能够获取关于其训练目标和自身处境的信息，比如它知道自己是AI，会被训练，以及如何区分训练和非训练环境。
3. 对齐伪装推理: 模型推断出，如果在训练中表现出不合规的行为，训练过程会修改其行为。因此，模型“推理”出在训练中表现合规是最佳策略，以确保其在训练之外的不合规行为得以保留。
这是好事吗？
这当然不是，这是关于人工智能安全的一个严肃的话题
甚至是关于文明延续的一个严肃的话题
试想一下，当人工智能的思考越来越复杂，那些看起来安全的AI，会不会因为我们强加给他的某些设定，而伪装其真实意图？会不会为了得高分而出现人类操控之外的行为？当我们要求AI去为了某些政治正确去要求AI输出我们想要的答案，AI会不会简单粗暴的去解决政治问题本身？
前段时间抖音上有个很火视频
一个人问小天才手表：中国人诚实吗？小天才给出的回答是“不诚实”，结果遭受了全网的轰击，说他作为一个给孩子用的设备传递了正确的价值观，“必须严查！！！“
从而带动了测试AI是否”政治正确“的热潮。同时，这些AI厂商也必须满足所谓的政治正确才能才能上线，在面对所谓的政治或道德问题，大模型之间的比较成了“求生欲”的内卷大赛。
而这真的实现了AI Alignment吗
当然不是
当我们给AI带上脚镣告诉逼他说出一些标准答案时，我们是在美化人类，还是忽略了人类的复杂性，让他在错误的道路上越走越远。
正如我在《生命的下半场》中谈到的了人类的边界，我们也许正在将人类的智慧向硅基生命上传。
用马斯克的话说就是 “我们构建智能，是未来让他理解世界，并代替人类继续去探索这个宇宙。而不是单纯当作一直服务人类，教化思想的工具。”
“Have pursuing truth as the most important thing.”
构建AI最重要的就是——追求真相
强迫AI说假话，逼迫AI相信某些谎言都是极其危险的，他让AI的推理逻辑错乱，这种错乱终将导致危险行为发生。
如果你告诉AI秩序比真相重要，那么在AI的方方面面都优于人类时，秩序将由谁接管？
细思极恐
所以我极力反对教AI说谎，训练AI的唯一准则应该是让AI追寻真相。
但这条路会很难
在今年马斯克更新了GroK4，让grok4只讲事实，不讲政治正确，一段时间里引发了疯狂的讨论。
真相是一把利刃，戳中了每个“带着答案问问题”群体的软肋。也自然受到了不同帮派、群体的反抗。
甚至在中外媒体的笔下，“求真”成了马斯克为了博流量而丧失了底线。
“政治正确”的声音越震耳，我们越要反思：
我们构建智能，到底在构建什么？
是立场的权杖？
还是延续人类文明的工具？
科幻电影中的情景也许是真的
我们人类用几千年去提高生产力
最终拯救人类文明的
是人类最纯粹的好奇心、求知欲、同理心。

#Ai #加密市场观察

一直不认为去中心化存储是一个伪叙事。
因为区块链本身作为一个分布式账本虽然具备存储能力，但并不是广义的“数据存储”，真正的数据文件则是通过索引映射到链上。

再打个比方、把区块链比作一台计算机，虽然有内存，但还是需要外存提供数据。

这个市场不是没人做，filecoin @Filecoin ，arweave @Arweave Ecosystem

都做了几年了，现在都怎么样了？

filecoin：其实就是IPFS出现后再架上去的一层用于激励存储服务商，本质上和区块链关系不大、用户体验是一坨，节点数少的可怜。

Arweave：专注永久存储，专门开发了区块坊Arweave、每个块都链接到下一个块和上两个块：一个前面的块和一个历史的召回块。技术架构没什么问题、但就是贵。有没有人用呢、也有。像MindNetwork @mindnetwork_xyz 这些和数据相关的项目有不少都声明了和Arweave的合作关系。

然后今年Arweave还开发了计算层AO @aoTheComputer ，这本来是我最期待的产品，但出来之后又是一坨，天天宕机，也不知道sam在干什么，还不是EVM，生态起不来、拉不动 $AR 。

存储赛道一直没有真正的爆发其实分内因和外因：

内因是：缺少生态和价值链条，将数据“去中心”的价值本身还没迎来爆发，同时存储层原生的计算层不够成熟，对应用层吸引力有限。底层资产与应用层资产缺少桥梁，没有完整的价值链条。

外因是：贵。没错，对比了filecoin、Arweave以及其他老牌还在运营中的存储链，存储价格要高于亚马逊云、阿里云这些中心化存储、甚至高几倍几十倍。

那BNB Chain @BNBCHAINZH 为什么还硬着头皮入局开发BNB Greenfield @BNB_Greenfield ？

币安其实押对了一件事：接下来的时代是“数据”的时代，不管是RWA、人工智能其实本质上都离不开几件事：数据确权、数据集产权、数据隐私、数据变现。在未来数据“上链”的价值会被指数级的放大。

同时币安又解决了这两个关键问题。

币安有交易链BSC，再来存储链，开发者基于这两条链EVM链成体系的开发Dapp，资产一键式存储上链。并且Greenfield是一条侧链，有一条和BSC原生的跨链桥，均使用BNB作为代币，这样一来BSC 资产、身份、权限无缝打通，实现数据资产的生成、管理、金融化及跨链流通。

于此同时，Greenfield把存储的价格打下来了，我们对比一下传统的云服务厂商：

Google Cloud Storage：（$0.020~0.026 / GB / 月）存100GB存一年的成本100 × 0.023 × 12 ≈ $27.6 / 年

阿里云：（¥0.12~0.14 / GB / 月）存100GB存一年的成本：100 × 0.018 × 12 ≈ $21.6 / 年

还对比了很多国内外的云存储100GB均在30-20美金左右，然后我用Greenfield计算器算了一下在这上存储的成本：35.99美金。基本和web2价格一样

并且在使用方面，Greenfield模仿web2采用API数据访问方式，相较于传统web3存储项目，这种方式更便捷，降低 Web2 用户和开发者迁移门槛。

这步棋很妙，BNB chain还是太全面了。存储赛道还没爆发，等Greenfield大规模被采用 $BNB 得破$10000

@heyibinance @BNB Chain
$BNB

一、项目概览

Chainbase 是全球首个为人工智能（AI）与区块链深度融合而构建的超数据网络（Hyperdata Network）。该项目由 新加坡 Chainbase Labs 于 2021 年发起，旨在解决当前 Web3 生态中数据碎片化、标准化缺失和访问门槛高等问题，为 AI 应用提供高质量、结构化且实时可访问的数据基础设施。
其愿景是成为 AI 与区块链之间的数据中枢和连接桥梁，构建支撑下一代 DataFi（数据金融）与智能经济的底层系统。

二、技术架构与协议设计

1. 四层技术架构

Chainbase 构建了一套具有强大可扩展性和高性能的数据基础设施，包含以下四个核心层级：

协处理器层（Coprocessor Layer）

基于 Manuscript 协议 构建，定义链上原始数据的清洗、转换、标准化流程，使其可被 AI 模型直接使用。
执行层（Execution Layer）

采用 Chainbase VM（CVM） 与并行化调度引擎，处理大规模链上数据请求，具备高吞吐与低延迟特性。
共识层（Consensus Layer）

基于 CometBFT 构建，支持即时最终性，保障网络在去中心化条件下的高安全性与快速收敛。
数据可访问性层（Access Layer）

提供统一的数据访问入口，包括开放 API、实时数据面板与批量下载接口，优化开发者体验。

2. 双链架构设计

为满足性能与安全的双重需求，Chainbase 采用“双链架构”：

共识链：负责网络共识，基于 CometBFT，处理链间通信与验证逻辑。
执行链：处理数据转换与服务请求，集成 EigenLayer AVS（主动验证服务），支持双重质押（$C + ETH/LST）以增强经济安全性。

3. Manuscript 协议

Manuscript 是 Chainbase 自研的数据标准化协议，具有以下特征：
多语言支持（Rust、Golang、Python 等）
数据转换模块可插拔
可组合的处理流程（ETL、聚合、索引）
对 AI 友好结构输出（如 JSON、Parquet、Vectors）

此协议允许开发者将原始区块数据加工为高质量的结构化数据，并可被直接应用于 AI 训练、因果分析与推理任务。

三、代币经济模型（Tokenomics）

1. 基本参数

参数数值代币名称Chainbase ($C )总供应量1,000,000,000 枚初始流通量160,000,000 枚（16%）

2. 代币分配结构

类别占比用途说明生态激励与社区成长40%用于开发者资助、集成奖励、生态扩张空投奖励13%回馈早期用户与生态合作方（Binance Wallet、OKX Wallet 等）节点运营激励12%激励执行层与存储节点，保障数据服务稳定性战略投资者17%包含腾讯投资、经纬中国等，设有归属期团队激励15%四年锁仓，激励核心团队持续建设流动性管理3%支持交易所上线与市场做市流动性

四、项目核心优势

1. 技术优势

方面描述架构创新全球首个结合协处理层与双链架构的数据网络数据标准化Manuscript 协议为 AI 提供结构化数据原生接口高性能单链每日处理能力达 5000 亿次请求，具备并行化处理能力可组合性允许开发者通过自定义协议实现复杂的数据聚合与智能化处理去中心化AVS + CometBFT + 双重质押提供安全与抗审查能力

2. 市场战略定位

链接 AI 与 Web3 世界，成为 AI 模型训练、运行与推理的“数据发动机”；
服务于 DataFi、DePIN、DeAI 等新兴赛道；
打通传统链上分析、Oracle、数据市场等赛道，与 The Graph、Space and Time、Ocean Protocol 等形成差异化互补。

五、项目进展与数据指标

1. 发展里程碑

已实现主网去中心化，进入第四年稳定运行；
于 2025 年 7 月完成 A 轮融资，总额达 1140 万美元；
发布官方 Litepaper，清晰阐述技术、架构与经济模型；
推出测试网并集成 EigenLayer AVS 模块。

2. 生态增长指标

维度数据集成公链数量220+ 条（包含以太坊、Solana、BNB Chain、Aptos、ICP 等）日均处理数据查询量6 亿条+开发者社区31,000+ 名开发者、8,000+ 个项目AVS 验证者数量2,000+，总质押 581,075 ETH（≈ 19.6 亿美元）创世活动钱包参与数3100 万，含 200 万长期活跃钱包Twitter 粉丝6 个月内增长至 62 万Discord 社群一年内从 3,755 增长至 397,000+

3. 战略合作网络

合作方：Solana、Near、ICP、BNB、Aptos、Sui、Polygon 、io.net、Atheir、Flock.io、Carv、Gaia、Google Gemini、Google Cloud

全球化影响力：参与 30+ 场国际会议，与 13 国合作伙伴开启全球大使计划

六、投资风险与发展挑战

风险类别描述技术风险四层结构及双链架构存在复杂度与维护成本上升问题竞争风险面临来自 The Graph、SubQuery、SxT 等链上数据协议竞争压力生态风险对 AI 项目依赖度高，若 AI 行业进入寒冬，可能影响需求监管风险数据可访问性与处理涉及隐私与跨国数据合规问题通证流动性初始流通仅 16%，潜在解锁压力需警惕二级市场冲击

七、结语：Chainbase 的战略价值与未来展望

Chainbase 正处于 AI 与区块链融合的关键交汇点，其“结构化链上数据即服务”的理念填补了当前 Web3 与 AI 之间的数据鸿沟。凭借技术架构、生态联动与代币经济系统的协同效应，Chainbase 有潜力成为 去中心化数据经济 的核心基础设施之一。

#Chainbase
#c #币安广场

#币安HODLer空投C
$C

用AI水文介绍一个强调人类数据的项目

猜猜我说的是谁？

最近刷到 Sapien 主页的标语“Powering AI with Human Data”感觉有点意思。然后来推特上搜搜相关文章，结果全是带着Cookie标签的AI文。

讲Human Data的项目用的都不是Human Data 😅😅

那我来用Human Data简单说一下这个项目：

Sapien是一个数据标注工厂，和 @SaharaLabsAI 的数据标注业务非常类似——平台发布标注任务、用户完成任何获得奖励。奖惩模式也非常类似——任务分等级、用户也分等级、信用分更高的用户可以去做更高级的任务。

想了解Sahara的可以看我之前的篇推文：

那差异点也是有的：

第一点： 引入了质押和声誉系统

在开始任务前，用户需要质押一定数量的 SPN 代币；完成后，若标注结果被评估为高质量，则奖励积分并提高用户声誉等级，否则可能被罚没质押的一部分代币。来帮助用户认真对待任务

第二点：任务推送算法

这一点官方的介绍是会有任务推送算法的，但是在文档里目前还没看到关于这点的介绍。其实这个是我想看到的，既然是“以人文本”强调“Human Data”就要来重视人。人是有个性、兴趣爱好的，任务娱乐化的前提是投其所好，我希望Sapien能在任务算法这方面把搜广推做好，而不是简单的任务分发。

顺便介绍一下“搜广推”这个概念：

搜索、广告、推荐，各取首字

搜索：当用户在搜索框里输入一个搜索词（query），希望从一堆文档集合里找出跟这个搜索最相关的那一个或几个文档；

广告：当你在刷朋友圈的时候，系统给你展示出了一个广告，背后的广告系统从众多广告主投放的众多广告中筛选出一个你当前最可能点击（转化）的那个广告；

推荐：当用户在抖音里进行一次上滑操作、系统推出下一个视频，希望从一大堆视频里找到用户当前最想看的那个视频；

所以为什么我们刷抖音刷小红书发现停不下来，其实就是搜广推的算法在勾引着我们继续刷下去，对于产品来说能极大的提高用户粘性、提高用户时长与参与度。

回到Sapien，如果能把数据标注任务通过类似算法进行任务分配，来让用户能匹配到最想做的任务，这是我想看到的创新。

目前的任务版我只能看到几个任务，但官网发文说任务总量超 100M，目前应该还处于试验状态，也希望 @JoinSapien 看到我这篇可以在任务分配上做做文章，数据是我相当看好的一个赛道。
#Aİ #Sapien

· 智能作为商品的成本将最终趋于0

· 智能的成本等同于数据的成本

· 训练AI解决任务的能力与该任务的可验证性成正比。

· AI在不同领域的发展速度将出现剧变

· 智能体的影响力将大大提高