深度研究

提供深度研究报告与独立分析,结合数据、技术与经济视角,对区块链生态、项目潜力与市场趋势进行系统性剖析。

超越价格的聚合分析:Glassnode 全局指标

随着数字资产领域分裂为数千种资产、板块和快速变化的市值组,整体市场分析变得愈发困难。资产价格波动、新项目推出或消失会导致整体数据序列出现结构性断层,使长期分析难以进行。 Glassnode推出了**全局指标**套件,通过可配置的资产篮子(如按市值阈值、前N名或资产标签定义)来聚合多个加密货币的链上和市场数据。该框架提供两种输出:**原始聚合值**(保留原始单位的经济意义)和**指数**(经过基数归一化的连续时间序列,便于趋势分析和跨篮子比较)。 指数化调整揭示了原始数据难以捕捉的市场动态。例如,在2024年,小市值板块(<1亿美元)因迷因币狂热而大幅上涨,但原始市值数据却无法有效反映这一上涨,因为表现优异的小市值资产会因突破阈值而离开该篮子,导致“优胜者离场”的偏差。经连续性调整的指数则消除了这种偏差,清晰显示了小市值板块的强劲增长及其与其他市值板块的分化。 在盈利情绪方面,已花费输出利润率(SOPR)的全局指标显示,比特币与山寨币的SOPR经常出现分歧,两者利差本身可成为信号。经指数调整后,小市值资产的持有者情绪比原始数据显示得更稳定,而大中市值资产则显示出长期趋势:每个周期中,持有者在卖出时实现的平均利润略有下降,反映更多供应被长期锁定。 在衍生品头寸方面,未平仓合约(OI)的指数显示,虽然大市值资产在绝对值上占主导,但中小市值资产的OI波动性大得多,在投机时期急剧飙升又迅速平仓,这可以作为市场脆弱部分出现级联风险的早期预警信号。 目前发布的全局指标套件包含四个指标(总市值、SOPR中位数、总未平仓合约、活跃地址),每个指标均按四个市值篮子(所有代币、大市值≥$1B、中市值$100M–$1B、小市值<$100M)计算,采用每周再平衡和等权重方式。数据可通过Glassnode API获取原始值和指数值。 该框架将传统价格指数的连续性规范引入链上和市场数据,为日益多元化的加密市场提供了更稳健的整体分析工具。

insights.glassnode11 小時前

超越价格的聚合分析:Glassnode 全局指标

insights.glassnode11 小時前

Marvell 大涨 32% 后,藏在背后的华人芯片家族浮出水面

Marvell股价单日大涨32.5%,创历史新高,过去一年涨幅达265%。其直接催化因素是英伟达CEO黄仁勋在Computex大会上将Marvell的定制ASIC和光互连技术称为“AI数据中心架构的核心”。这背后浮现出一个华人芯片家族——戴氏兄妹及其家族的产业网络。 戴家三兄妹均毕业于加州伯克利电子工程专业。小妹戴伟立与丈夫Sehat Sutardja于1995年在硅谷创办Marvell。大哥戴伟民于2001年在上海创办芯原股份,成为中国“半导体IP第一股”。二哥戴伟进创办的图芯后来被芯原收购。 过去三十年,戴氏兄妹及其关联家族共创立或深度参与六家公司,其中两家上市,四家被并购。他们精准踩中了半导体产业多次范式切换的节点:从PC时代(无晶圆厂模式、EDA工具)、移动互联网时代(IP授权、嵌入式GPU),到如今的AI与后摩尔时代(芯粒、先进封装、AI专用芯片)。 更深层的是“戴+Sutardja”两个华人家族的联姻与合作,构筑了一张横跨中美、连接产业链多环节的产业网络。戴家在中国半导体生态根基深厚,而Sutardja家族则拥有延伸至东南亚和欧洲的工程师网络与产能调度能力。他们共同投资或孵化了至少15家公司,覆盖芯粒时代所需的IP、互连标准、封装工厂、专用计算芯片等关键层面,形成了一个规模可观、分散但协同的资产组合。 Marvell此轮上涨的逻辑在于抓住了AI数据中心的新瓶颈:定制ASIC和高速互连。而戴+Sutardja家族的产业布局,如芯原(一站式ASIC定制)、Silicon Box(先进封装工厂)、以及被Arm收购的Dream Big(AI SuperNIC)、被高通收购的Alphawave(高速互连IP)等,均与这一逻辑高度重叠。他们走的是一条提供开放标准关键组件、构建核心产能、并通过并购或本土龙头模式实现价值的路径,虽难以诞生下一个平台巨头,却能在产业生态中持续保有重要影响力和多次成功退出的机会。

marsbit13 小時前

Marvell 大涨 32% 后,藏在背后的华人芯片家族浮出水面

marsbit13 小時前

Deepseek 能否为中国节省 1 万亿美元?

《DeepSeek 能否为中国节省 1 万亿美元?》一文探讨了DeepSeek如何通过技术创新,可能大幅降低中国AI基础设施的建设成本。 核心在于,AI硬件的成本正从计算芯片向昂贵的内存(如HBM)倾斜。DeepSeek通过三方面技术突破,系统性降低了对这类稀缺硬件的依赖: 1. **压缩“记性”**:采用多头潜在注意力(MLA)等技术,将长上下文对话所需的缓存(KV Cache)压缩至原来的极小部分,极大节省显存。 2. **按需唤醒“身体”**:利用混合专家(MoE)模型架构,每次只激活部分参数,并结合智能的存储调度,将多数参数移出昂贵显存。 3. **复用计算结果**:将算过的上下文作为缓存复用,用低成本的内存读取替代高成本的重复计算。 这些技术协同,使DeepSeek V4等模型在长上下文场景下,用同等硬件可能产出数倍的有效Token,等效于大幅提升硬件效率、摊薄单位成本。 文章据此进行推演:到2030年,全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%,在日均Token消耗达到数千万亿级的规模时,节省的投资额可能接近1万亿美元(约7万亿元人民币),相当于少建数万座智算中心。 更重要的是,此举将产业价值从受制于人的尖端算力芯片,部分转移至中国已有所突破的存储芯片及系统工程领域,提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”,而在于通过极致优化,降低行业对最昂贵、最稀缺硬件的边际依赖,让AI能力更普惠,重塑未来AI基建的账本。 (注:文中关于万亿节省的具体数字属于基于行业趋势的推演观点。)

marsbit昨天 00:47

Deepseek 能否为中国节省 1 万亿美元?

marsbit昨天 00:47

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

谷歌研究院与特拉维夫大学联合发表论文,提出对抗大模型“幻觉”问题的新思路:与其追求让AI全知全能或过度拒答,不如培养其“元认知”能力,即让模型能够感知并诚实表达自身对每个答案的确信程度。 论文指出,当前主流方法存在局限:一味增加知识覆盖无法穷尽所有事实;而通过大幅拒答来降低错误率则会征收沉重的“实用性税”,牺牲大量本可正确回答的问题。核心原因在于模型缺乏“判别力”,难以精准区分具体问题的对错,导致校准良好但实用性低下。 论文重新定义了“幻觉”:问题不在于AI输出错误信息,而在于其“没有资格确定却以确定的语气给出错误信息”。因此,解决路径应是实现“忠实不确定性”——让AI语言表达的确信度与其内部状态的真实确信度对齐。这比消灭所有错误更可行,是一个依赖内部信号的闭环问题。 在AI代理(Agent)时代,元认知更为关键。没有它,Agent在调用外部工具(如搜索)时将陷入“盲飞”,无法智能决策何时需要搜索、如何评估信息可信度。 实现元认知面临几大挑战:“自举悖论”涉及用静态数据训练动态能力的困难;“对齐破坏信号”指RLHF等训练可能磨灭模型原有的内部不确定性信号;“因果性评估”则需区分真正的元认知与对其的表演。 论文建议,评估反幻觉方法应超越单一准确率指标,转而分析完整的“实用性-错误率权衡曲线”,并关注其在其他任务上的“附带损伤”。最终目标是让AI学会诚实地沟通其认知状态,从而在保留实用性的同时,将错误信息的危害降至最低,建立可靠信任。

marsbit昨天 00:42

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

marsbit昨天 00:42

活动图片