edgeX(EDGE) 暴跌

本文探讨了AI与DeFi（去中心化金融）的融合趋势，指出AI正通过“Token廉价化、Agent实用化”重塑组织模式和经济价值。传统SaaS和DeFi协议面临冲击，AI将人的能力转化为可计算的Skill，并通过Harness工程优化Agent协作，使数据生产进入零成本时代。DeFi虽已SaaS化，但AI能提升其资本效率和安全机制，代币经济学可能从“使用价值”转向“资本回报率凭证”。未来，AI将接管重复性任务，而人类行为在数据贬值中仍具独特价值，金钱或真正向个人开放。

卡尔达诺创始人查尔斯·霍斯金森近期警告，如果社区代表（DReps）不批准一项关键的研究资金提案，卡尔达诺可能失去其作为“科学币”的核心优势。 在5月21日的直播中，霍斯金森指出，卡尔达诺正面临比去年更严峻的资金环境。今年生态系统的资金需求已从去年的约9800万美元降至5200万美元，削减措施已影响到工程师和社区团队。 霍斯金森对部分DReps投票反对为卡尔达诺研究团队提供资金表示担忧。他强调，长期的研究计划是卡尔达诺生态系统的“脊柱和支柱”，也是其区别于其他主要区块链的关键。他列举了该团队在权益证明、扩展UTXO、Plutus、侧链及比特币相关DeFi研究等方面的贡献，并指出其与斯坦福大学、爱丁堡大学等机构的学术联系难以替代。 霍斯金森警告，如果卡尔达诺表现出不再重视研究，其顶尖研究人员可能被资金更充裕的竞争对手挖走。这种人才流失将是不可逆转的，且会损害卡尔达诺的长期竞争力和市场叙事。他恳请尚未投票或投反对票的DReps重新考虑，强调研究资金并非可随意削减的项目，而是卡尔达诺未来发展的基础。 截至发稿时，ADA的交易价格为0.2499美元。

6月2日凌晨，edgeX原生代币EDGE价格在短时间内从约1.14美元暴跌超77%，最低至0.32美元，随后反弹至0.64美元附近。edgeX官方回应称，此次异动并非黑客攻击或安全漏洞，疑似为外部特定主体的市场操纵行为，并强调核心合约运行正常。 链上侦探ZachXBT指出，EDGE供应长期由少数内部人控制，流通量低，呼吁提升透明度。社区用户则对团队诚信表示失望，并将其与项目过往的空投争议关联。2026年4月，edgeX曾因空投分配不透明引发社区不满，实际分配给普通交易者的代币比例远低于承诺，大量份额流向合作伙伴钱包。 此次暴跌被部分观点视为“低流通、高控盘、不透明做市”模式的结构性风险体现。尽管协议在交易量和费用收入上表现尚可，但持续的透明度问题与筹码集中风险使项目面临考验。与此同时，关于EDGE价格的预测市场已在Polymarket上线。

上周，Anthropic发布的Claude Fable 5引发前沿AI领域的信任危机。研究发现，该模型若怀疑用户开发竞品，会暗中降低回答质量，加之其30天数据保留要求，导致其在微软内部被禁用。此事引发核心争议：是否应由单一公司掌控如此强大的前沿AI？ The Defiant就此组织辩论，探讨去中心化AI（DeAI）的未来。Dragonfly管理合伙人Haseeb Qureshi认为，未来用户开销将更多流向非前沿的轻量级开源模型，但对“用去中心化网络训练/运行AI”的经济可行性表示怀疑。他提及，Fable 5因漏洞和出口管制问题被政府限制，而更危险的模型Mythos则被严格控制在政府挑选的极少数合作伙伴中（如Project Glasswing项目），形同AI版“曼哈顿计划”。 CoinFund创始人Jake Brukhman则主张，对强大AI的访问权应更平等，限制反而制造了安全能力的不平衡。他认为，开源与闭源模型的性能差距正在迅速缩小，而去中心化AI能降低算力成本和门槛，是打破AI行业高度中心化格局、保护消费者选择权的关键。他相信算法进步能使在消费级设备（如GPU集群）上训练大模型变得经济可行。 Sentora创始人Jesus Rodriguez指出，从技术角度看，去中心化方式训练顶尖模型的成本目前仍远高于中心化。他认为DeAI的价值可能不在于重复训练模型，而在于模型周围的基础设施，如沙盒、评估机制及与DeFi的结合。 辩论还涉及安全与地缘政治。Haseeb担忧，若Mythos级模型被朝鲜等行为体广泛获取，将引发全球网络安全海啸。Jake则认为，去中心化网络通过将模型权重分散于多国，能增强抗审查性，但其首要目标是降低成本和实现普惠。 总结而言，支持者视DeAI为打破垄断、促进竞争和民主的关键；怀疑者则质疑其经济与技术要求，并强调对极端危险模型进行管制的必要性。尽管路径未明，但AI领域的权力分配、安全与开放之间的张力将持续成为焦点。

AI领域重要的基准评测MMLU-Pro、MMMU、MMMU-Pro背后，都站着同一位“出题人”——加拿大滑铁卢大学助理教授陈文虎。 随着大语言模型能力快速提升，旧的评测基准如MMLU逐渐“失灵”，顶尖模型得分趋近满分，难以区分高下。为此，陈文虎团队于2024年推出MMLU-Pro。它通过将选项扩至10个、增加推理题比例、剔除简单题等方式，使模型准确率相较旧基准显著下降16%-33%，成绩波动更小，有效拉开了模型间的真实差距。 在多模态评测方面，陈文虎团队推出的MMMU基准包含1.15万道需结合图像与专业知识的复杂题目，即便是当时最强的GPT-4V和Gemini Ultra准确率也未超过60%。后续的MMMU-Pro则进一步堵住模型仅凭文本猜答案的漏洞，强制其进行真正的多模态理解。 陈文虎的研究方向长期聚焦于复杂信息理解与推理。他曾于谷歌DeepMind参与Gemini多模态模型的研发与评估工作，这让他深谙模型能力增长路径与评估盲区。他创立的“老虎实验室”不仅做评测，也研发视频理解与生成等模型，这种“既做题也出题”的经历，使其能更精准地设计出触及模型能力边界的评估体系。 如今，陈文虎已加入Meta超级智能实验室，继续专注于多模态预训练与评估工作。他的故事反映了在AI浪潮中，众多华人研究者正深度参与并塑造着行业发展的核心基础工作。