张雪早到了20年,Saylor和Tom Lee早到了多久?

marsbit發佈於 2026-03-31更新於 2026-03-31

文章摘要

作者远山洞见通过张雪机车的故事,类比加密货币领域的Saylor和Tom Lee的投资策略。张雪初中未毕业,早年艰辛,2024年创立机车公司,2026年即在世界摩托车锦标赛击败传统巨头,以低价高质产品获得大量订单,尽管公司亏损。类似地,MicroStrategy的Saylor持有大量比特币并持续加仓,BitMine的Tom Lee囤积以太坊尽管浮亏。三人都在众人质疑中逆势投入,用亏损换取筹码。张雪的成功在短期内通过赛事验证,而加密货币投资的回报仍需时间证明。文章指出,在结果揭晓前,“疯子”与“先驱”难以区分,他们并非疯狂,只是过早行动。张雪早到了20年,Saylor和Tom Lee的“早到”时间尚未可知。

作者:远山洞见

张雪早到了20年。Saylor 和 Tom Lee 早到了多久?

张雪机车刷屏,扒了一下,有点绷不住,也想到了咱们币圈版张雪

初中没毕业,10岁丧父,19岁骑着破摩托冒雨追了电视台的车3个小时,只为了被拍一段骑车的镜头

2024年创立张雪机车,2025年交付第一批车,

2026年就在WSBK世界超级摩托车锦标赛上把杜卡迪、雅马哈、川崎这些统治赛道几十年的欧美日巨头碾了

两天两冠,领先将近4秒。但真正让我坐不住的不是励志故事,是数据

去年产值7.5亿,研发投入6958万,全年亏损2278万。今年1月拿了9000万A轮,估值10.9亿。

820RR售价43800起,同配置进口车至少10万。开启预订100小时,锁单5543台

一家亏着钱的公司,造了一台碾压百年巨头的车,卖不到人家一半的价格,订单还在排队

然后我发现了一个更有意思的事

Crypto现在也有人在做一模一样的操作:亏着钱,疯狂加仓

  • Strategy的Saylor,手里73.8万个BTC,但上周他还花了12.8亿美元买了17994个BTC
  • BitMine的Tom Lee,囤了440万个ETH,浮亏大概74亿美元,2月3月每周都在加仓

张雪、Saylor、Tom Lee,三个人三条赛道,但底层动作完全一样:所有人觉得他疯了的时候,他在用亏损换筹码

但区别在于验证速度

张雪的答案两天就出来了。

第一回合领先3.669秒,第二回合再次夺冠。研发花的每一分钱,赛道直接给了回应

Saylor和Tom Lee的答案还在路上。BTC和ETH没有赛道可以跑,仓位的回报只能等时间来验证

但扒完张雪的经历,有一个细节让我印象很深。

他2024年才创立公司,2025年才交付第一批车。中间只有一年。这一年里他亏着钱造车,没人信他,"你一个初中生造什么摩托车"。然后上周末,答案来了

在答案揭晓之前,"疯子"和"先驱"看起来是一模一样的

世界上大部分逆势下注的人,最后确实输了。但偶尔有那么几个,他们不是疯了,只是早到了

张雪早到了20年。Saylor 和Tom Lee 早到了多久?

相關問答

Q张雪机车在WSBK世界超级摩托车锦标赛上取得了什么成绩?

A张雪机车在2026年WSBK世界超级摩托车锦标赛上两天两冠,领先第二名将近4秒,击败了杜卡迪、雅马哈、川崎等传统巨头。

QMicroStrategy的Saylor和Fundstrat的Tom Lee在加密货币市场采取了什么相似策略?

A他们都在公司亏损的情况下持续加仓加密货币。Saylor用12.8亿美元购买了17994个BTC,Tom Lee则持续加仓ETH,尽管浮亏约74亿美元。

Q张雪机车的820RR摩托车售价和订单情况如何?

A820RR售价43800元起,比同配置进口车便宜至少一半。开启预订100小时内,锁单量达到5543台。

Q文章认为张雪、Saylor和Tom Lee三人的共同点是什么?

A他们都在众人认为疯狂的情况下,坚持用亏损换取未来筹码,属于逆势下注的先驱者。

Q为什么说张雪的验证速度比Saylor和Tom Lee更快?

A张雪通过WSBK赛事两天就证明了产品实力,而加密货币持仓的回报需要等待市场验证,时间周期更长。

你可能也喜歡

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit56 分鐘前

年薪百万抢电工,Meta急到自己办技校

marsbit56 分鐘前

OpenAI 不靠最贵的模型卖钱了

OpenAI近期调整了API定价策略,旗舰模型GPT-5.6 Luna降价80%,Terra降价20%,而顶级模型Sol未降价但新增了更快的“Fast”模式。此次调整的核心并非单纯的价格战,而是标志着OpenAI首次引导用户根据任务需求选择不同模型,而非一味追求最强模型。官方建议复杂任务可由Sol进行规划,再由Luna等成本更优的模型执行。 此举与Anthropic近期推出半价替代旗舰的Claude Opus 5策略相似,显示硅谷领先公司正形成默契:旗舰模型(如Sol、Fable)的角色正从直接盈利转向树立技术品牌和探索上限,而商业化走量和利润则主要由中端及性价比模型(如Luna、Opus)承担。这类似于汽车等行业“旗舰立形象,走量车型赚利润”的模式。 更深层的变化在于成本下降的驱动力。OpenAI透露,此次降价部分得益于由Sol模型自身参与优化底层生产内核,实现了效率提升与成本降低,开启了“模型优化模型”的自我加速循环。 行业竞争焦点正从“谁最聪明”的单项性能比拼,转向为企业提供基于任务重要性、出错成本、规模等因素的“模型组合”最优解,追求整体ROI。这类似于云计算按数据冷热使用不同存储的策略。 OpenAI的长期战略日益清晰:其真正目标并非依靠单一模型的高毛利,而是通过极低的调用成本构建庞大的开发者生态与调用量,形成类似操作系统或云平台的渗透率与用户粘性。当API调用成本低至可被忽略,AI将如水电般无缝嵌入所有业务流程,其发展也将从追求智能巅峰的“产品时代”,进入驱动全面自动化与效率的“基础设施时代”。

marsbit56 分鐘前

OpenAI 不靠最贵的模型卖钱了

marsbit56 分鐘前

交易

現貨
活动图片