全面揭穿关于比特币的几个常见误解

Odaily星球日报Publicado a 2024-01-25Actualizado a 2024-01-25

Resumen

我们还为时尚早。

原文作者:Yassine Elmandjra

原文编译:Yvonne

原文来源:SevenUp DAO

上周的事件表明,尽管比特币被越来越多的机构所接受,但比特币仍然被严重误解:

  • Jamie Dimon 声称中本聪控制了比特币

  • Vanguard 声称比特币波动太大,不可投资

  • 瑞银声称比特币在现实世界中没有应用价值

在这篇文章中,我将重温比特币最常见的误解。

我们还为时尚早。

观点:比特币没有任何支撑

反驳:比特币由世界上最强大的计算网络支持。

「支撑」比特币的计算能力达到了 500 exahashes/ 秒,超过了世界上最大计算网络的总和。这种计算能力不是集中在一个地方,也不是由一个实体控制的。它分布在全球网络中,确保了去中心化和抵御攻击或故障的能力。

矿工支持 > 政府支持

全面揭穿关于比特币的几个常见误解

观点:比特币浪费了太多电力

反驳:比特币消耗的能源并非浪费。它被有目的地分配用于维持一个对未来货币具有深远意义的网络。

比特币的能源消耗是一个重要的设计特征,它为去中心化、独立、全球化和自动化的货币系统提供了必要的安全性。比特币的挖矿对计算能力的要求很高,成本也很高,因此比特币建立的系统让任何攻击网络的企图都变得非常不可行。

此外,比特币的能源消耗很大一部分来自可再生能源。比特币挖矿的自由市场原则为矿工寻求廉价电力提供了强大的动力,无意中引导他们采用更可持续的能源解决方案。许多采矿场都战略性地位于丰富的可再生能源附近。这些矿工利用了原本可能被闲置的能源,特别是在可再生能源产量变化很大、并不总是与需求保持一致的地区。在这种情况下,比特币挖矿可以作为可再生能源电网的稳定器,提供持续的能源需求,帮助资助和支持可再生能源基础设施的扩展。

同样值得注意的是,比特币浪费的特性很大程度上取决于其能源消耗的直接性和明确性,这与包括传统金融系统在内的其他系统更为隐蔽和分散的能源成本形成了鲜明对比。

比特币挖矿所消耗的能源应该与一种去中心化的、全球性的、安全的、透明的、超越国界和政治制度的货币的内在价值相权衡。有鉴于此,比特币的能源消耗不是一种浪费,而是对全球金融网络的投资,任何人在任何地方都可以不受歧视地使用比特币。它象征着支持基于自由市场原则的开放式全球经济体系的集体承诺。

对不起,怀疑论者们,你们只能选择一个。

全面揭穿关于比特币的几个常见误解

观点:比特币处理交易的速度很慢

反驳:比特币提供了强大的交易结算保障。

比特币的交易速度反映了其优先考虑安全性和去中心化的设计选择。

在去中心化的全球货币体系中,「交易速度」远不如「交易不变性」更能衡量性能。虽然区块时间会影响交易的初始确认速度,但并不能保证交易的不变性。与「更高吞吐量」的金融结算网络相比,比特币的去中心化结算保证是无与伦比的。按照确保交易最终完成的时间来衡量,比特币是「最快」区块链。

此外,比特币的「小」区块大小为了平衡交易吞吐量和个人参与网络的能力,而不需要过多的数据资源。其 10 分钟的区块间隔也是经过深思熟虑的设计选择,以便有足够的时间进行网络同步和稳定的交易验证。

观点:比特币太不稳定

反驳:比特币的波动性凸显了其货币政策的可信度。

波动性是比特币货币政策的自然结果。与现代中央银行不同,比特币并不优先考虑汇率的稳定性。相反,基于货币数量规则,比特币限制货币供应量的增长,允许资本自由流动,放弃稳定的汇率。因此,比特币的价格是需求相对于供应的函数。

比特币的波动性不足为奇。

不过,随着时间的推移,比特币的波动性会逐渐减小。随着比特币应用的增加,比特币的边际需求在其总网络价值中所占的比例会越来越小,从而降低价格波动的幅度。例如,在其他条件相同的情况下, 100 亿美元市值的 10 亿美元新需求对比特币价格的影响应该比 1000 亿美元网络价值的 10 亿美元新需求对比特币价格的影响更大。

重要的是,我们认为波动不应排除比特币作为价值储存手段的可能性,这主要是因为波动通常与比特币价格的大幅上扬相吻合。

观点:比特币被犯罪分子利用

反驳:比特币是抗审查的。

批评比特币为犯罪活动提供便利,就是批评比特币的一个基本价值主张:抵制审查。作为一种中立技术,比特币允许任何人进行交易,无法识别「罪犯」。比特币不依赖中央机构通过名称或 IP 地址来识别参与者,而是通过加密数字密钥和地址来区分参与者,这就赋予了比特币强大的抗审查能力。只要参与者向矿工支付费用,任何人都可以随时随地进行交易。

如果比特币网络上的犯罪活动可以被审查,那么所有活动都可以被审查。相反,比特币使任何人都可以在全球范围内进行无限制的价值交换。这并不意味着比特币天生就是犯罪工具。与比特币相比,手机、汽车和互联网为犯罪活动提供便利的可禁止性并不逊色。

即便如此,只有一小部分比特币交易是出于非法目的。根据 Chainalysis 的数据, 2022 年有 0.24% 的加密货币交易被认为是非法的,在过去 6 年中平均不到 0.7% 。

全面揭穿关于比特币的几个常见误解

观点:政府可以轻易关闭比特币

反驳:政府无法阻止比特币。他们只能阻止自己使用比特币。

比特币是在全球计算机网络上运行的,因此任何一个政府或机构要想关闭它都是极具挑战性的。比特币网络的弹性来自于它的分布式架构,分布在不同辖区的数千个节点维护并验证区块链。只要世界上任何地方至少有两个节点在运行,比特币就能继续运行。

虽然政府可以在其境内监管或限制比特币的使用,但比特币的全球性和去中心化特性使得完全关闭比特币实际上是不可能的。

观点:中本聪控制着比特币

反驳:比特币包含一个独特的制衡系统,确保任何个人或实体都无法控制它。

中本聪并不控制比特币。比特币的核心是一个由分散的计算机节点网络支持的软件。它的软件正式确定了它的规则。人类不是真理的最终仲裁者,不能单方面决定改变其规则。相反,验证交易的节点也会执行规则。

每个节点都遵循同一套规则,只有在遵循这些规则的情况下才允许进入网络。如果某个节点试图破坏规则,所有其他节点都会拒绝接受其信息。除非各利益相关方选择接受,否则建议的软件更改毫无意义。节点遍布全球,各自为政,它们不会接受任何有损于完整性的行为。然而,节点只是维护比特币完整性的一部分。比特币包含一个独特的制衡系统,旨在鼓励协议创新和维护,同时确保任何改变都符合利益相关者的利益。

制衡系统的关键是比特币这一资产的价值,它为利益相关者提供了解决争端和维护系统完整性的经济激励。任何利益相关者都不享有优先权利或待遇,但每个利益相关者都能从比特币的价格升值中获益,这是网络的主要信号机制。任何威胁系统完整性的改变都会威胁到比特币的价值。因此,利益相关者几乎没有恶意行为的动机。

这种制衡系统也是比特币能够维持其可预测的货币政策并将比特币供应量限制在 2100 万枚的原因。任意改变比特币的规则是非常不可能的。

全面揭穿关于比特币的几个常见误解

观点:比特币没有内在价值

反驳:比特币是全球货币的竞争者。

虽然比特币的价值驱动因素与传统资产不同,但断言它没有内在价值是不正确的。比特币作为货币资产的特性是其价值的基础,并表明它在金融世界中的作用是可持续的,而不仅仅是投机。比特币的内在价值不在于传统的基于现金流的资产,而在于其符合货币体系历史和现代需求的独特属性。

比特币常被称为「数字黄金」,它不仅具有黄金的许多特性,而且还对这些特性进行了改进。比特币既稀缺又耐用,同时还具有可分割、可验证、可携带和可转移的特点,这些货币特性赋予了比特币超强的实用性,可能会推动需求,并使比特币成为全球数字货币的合适人选。

观点:没有人使用比特币

反驳:你看到数字了吗?

  • 累计交易额: 41.6 万亿美元

  • 累计交易量: 9.54 亿笔

  • 累计矿工收入: 588 亿美元

  • 余额不为零的地址: 5170 万

  • 市场成本基础: 4.4 亿美元

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 1 hora(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 1 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 3 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 3 hora(s)

Trading

Spot
Futuros
活动图片