浅谈本轮牛市:这是最好的周期,拥抱这个过程

Odaily星球日报Dipublikasikan tanggal 2024-06-25Terakhir diperbarui pada 2024-06-25

Abstrak

当真的有了 mass adoption,你会怀念那个尚未 mass adoption、万物萌发的时代。

原文作者:Luyao

李阳请我写篇文章,聊聊我对这个周期的看法。

因为我是他所认识的人里,为数不多看好这个周期的人。

这让我觉得很奇怪,有什么理由不看好呢?

这很像是种了果树,根在长,枝在长,叶在长,只是还没结果实而已。

如果你只盯着果实,那将会是漫长的痛苦。

币圈大多是投资者,很容易陷入这种没有果实的悲伤里。

我觉得大可不必,生长是需要时间的,连农民都知道果树不是一天长成的,更何况我们今天种下的是一些从未有过的新物种,更需要我们的耐心和爱。

17/18 年我们经历了一场 ICO 的浪潮,诞生了无数的山寨币、空气币、骗局。

当时许多人认为 crypto 走上了歧路,羞于提起这段历史。

人们心想,crypto 是一个伟大的、改造社会、拯救人类的东西,居然被用来发行这些没有意义的代币,甚至是骗局,太失望了。

有些人直到今天也是这么认为的。

然而站在今天回头看,我们会得出完全不同的结论。

正是这场投机浪潮带来的大量用户,直接推动了以太坊基础设施的发展,我们获得了更好的钱包、更好的 RPC 节点、更好的开发者工具、更多对于扩容的探索;

正是这场浪潮中创造的大量长尾资产,它们的交易借贷等金融需求,催生出了我们今天繁荣的 DeFi 生态。

甚至于我们可以说, 17/18 年是以太坊生命历程中,最重要的时期。

我们应当从中学到,每一个阶段都有它自身的意义,不要着急用当下的眼光去判断它。

前天 Arweave 发布了一个有趣的东西。

传统的 crypto - AI 交互有点像预言机模式,比如 Autonolas,AI 会在链下进行计算,然后将结果写入区块链。

而 Arweave 由于它特殊的合约机制,你可以将整个大模型存储在合约内并执行,实现链上原生 AI 与资产的交互。这不仅消除了中心化的风险,还增强了可组合性。

官方给出的示例很有意思。它们做了一个游戏,游戏里发行了一种「羊驼币」,你可以找到羊驼国王,用你真实的资产($AR)来换这个羊驼币,但至于他给不给你这个币,完全取决于他的意愿。这个国王就是 AI 控制的。

完全由 NPC 控制的资产发行,这是过去无法想象的。但显然,它并不仅限于此,未来还有更多可能性。

浅谈本轮牛市:这是最好的周期,拥抱这个过程

聊这些并不是要聊 Arweave,这不过是我们这个周期许多进展中的一个。

在游戏上,过去一年我们获得了更多真正可玩的全链游戏,和许多更好的工具;

在社交上,我们经历了将人代币化的 Friend.Tech,和完全去中心化的社交网络 Farcaster 等一系列项目;

在内容上,我们看到 Bodhi 试图将一切内容资产化,来构建一个基础 layer;

在 AI 上,我们获得了 Autonolas 等各种 AI agent,再到 AO 的 AI 模块;

在 Meme 上,我们见到了大量的新代币,甚至大量的用户自己创建的 Meme coin,以及降低 Meme coin 发行门槛的工具(如 pump.fun)。

上述这一切,过去一年发生的所有这一切,本质都是相似的。我们可以清晰地看到,crypto 在逐渐延伸到外围其他事物上。这些事物本身也是虚的东西:游戏 / 人 / 关系 / 内容 /AI/Meme,只是对于 crypto 该如何与它们交互,人们还在探索中。

不要问「这有什么意义」,万物的生长都有其意义,当下的我们还无法领悟,但最终我们都会明白。

不要问「什么时候有 mass adoption」,唯一可以肯定的一件事是,当真的有了 mass adoption,你会怀念那个尚未 mass adoption、万物萌发的时代。

这就是最好的周期,拥抱这个过程。

原文链接

Bacaan Terkait

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit1j yang lalu

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit1j yang lalu

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit1j yang lalu

GPT Merancang GPT

marsbit1j yang lalu

Trading

Spot
Futures
活动图片