Loading...
Loading...
专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统撰文：Alma Li，Techub News
导语：
从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。
在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。
核心观点：
“真实的投研不是一个按钮，而是一套系统化的研究工程。”
AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。
从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。
于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。
从项目上币到个人投资：研究目标变了，底层思维没有变
TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？
Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。
最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。
当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。
但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。
个人投研的痛点：信息不缺，决策过程却被切碎
TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？
Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。
在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。
这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。
“它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。
AI 不是买卖按钮，而是可复现的研究助理
TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？
Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。
他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。
在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。
这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。
“我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。”
数据分层：先定义证据质量，再让 AI 推理
TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？
Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。
他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。
这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。
Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。
AI 带来知识平权，不等于认知平权
随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。
“我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。”
差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。
对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。
先在自己身上验证，再考虑产品化
目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。
考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。
参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。
独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。
当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。
投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。
编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
Charlie Holtz（查理·霍尔茨）与 Jackson Sippe（杰克逊·西普）：AI 编程代理的“指挥家”如何改变工程师工作流撰文：Techub News 整理
在最新一期的 YC Root Access 节目中，主持人 Aaron 对话了初创公司 Conductor 的两位联合创始人 Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）。这家公司2026 年 5 月完成了由 Spark 和 Matrix 共同领投的 2200 万美元 A 轮融资。他们开发了一款革命性的 Mac 应用，旨在让工程师能够同时指挥多个 AI 编程代理协同工作，从而极大提升开发效率。本次对话深入探讨了他们的创业故事、产品理念以及对未来软件工程形态的深刻洞察。
从“为自己打造工具”到改变工程师工作方式
Conductor 的核心产品是一个 Mac 应用程序，它允许开发者同时运行多个编码代理，例如 Claude Code 或 Codex。与传统在 IDE 中手动编辑代码或在终端中与单个 AI 交互不同，Conductor 将所有编码代理整合到一个界面中。用户只需点击一下，就可以创建一个代码库的隔离副本，指派 AI 代理去完成任务，然后审查并合并其工作成果。
Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）在大学相识，尽管年级相差甚远，但共同的兴趣和项目合作让他们走到一起。毕业后，Charlie Holtz（查理·霍尔茨）在 Replicate 负责增长和工程，而 Jackson Sippe（杰克逊·西普）则在 Netflix 的机器学习基础设施团队工作。两人一直保持着合作项目的习惯，并最终决定共同创业。
他们的创业之路并非一帆风顺。最初申请 Y Combinator 时，他们的想法是“用 AI 帮你预订餐厅和网球场”，但这很快被证明是一个“为解决方案寻找问题”的案例。进入 YC 孵化器后，前一个半月他们都在不断尝试和抛弃各种想法，从 B2C 到 B2B，构建了众多原型，但用户反馈往往不佳。主持人 Aaron 回忆道，当时每隔几天见面，他们就会有一个全新的方向。
转机出现在一次办公室会议上。Aaron 建议他们考虑开发工具领域，并给出了一个关键建议：“在墙上贴一张你俩的海报，上面写着‘打造这两个家伙想要的东西’。” 他们真的照做了。这个建议将范围缩小到开发工具，并让他们回归到解决自身痛点的初心。当时，他们感觉现有的 AI 编程工具还不够强大，而随着 Sonnet 3.5 等模型的发布，存在巨大的可能性未被发掘。
他们曾尝试构建一个“IDE 之后”的用户界面，让人工智能完全接管工作流，但当时的模型能力和工具调用成熟度不足以支撑这个愿景。暂时搁置这个宏大想法后，他们决定先做一个更好的聊天应用 Chorus，允许用户同时与多个模型对话。正是在构建 Chorus 及其开发工具的过程中，他们偶然发现了 Conductor 的雏形。
当 Charlie Holtz（查理·霍尔茨）第一次快速构建出 Conductor 的原型，并展示给 Jackson Sippe（杰克逊·西普）时，后者的反应是：“首先，这完全不是我想要的样子，很多东西得改。其次，这太令人印象深刻了，效果居然这么好，我们必须做这个。” 从写下第一行代码到发布产品，大约只用了三周时间。第一周是 Charlie Holtz（查理·霍尔茨）独自完成原型，效果出奇地好；随后他们花了约两周半进行打磨。
真正让他们确信“就是它了”的时刻，是当 Charlie Holtz（查理·霍尔茨）第一次给一个代理分配任务，然后按下快捷键给另一个代理分配任务，接着看到第一个代理出现“未读”提示点，点进去发现它已经完成工作时。那种能够同时运行多个代理并保持高效的神奇体验，以及 Jackson Sippe（杰克逊·西普）——这位通常对新奇事物持怀疑态度的伙伴——也认为它确实有用的反馈，成为了关键信号。更令人兴奋的是，他们能够“用 Conductor 来构建 Conductor”，这本身就是一个充满魔力的正反馈循环。
Conductor Cloud：突破本地瓶颈，迈向持续协作
在访谈中，Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）宣布了 Conductor Cloud 的发布。在此之前，Conductor 完全在用户的 Mac 本地运行。这意味着一旦关闭笔记本电脑，正在工作的 Claude Code 或其他代理就会停止。Conductor Cloud 的推出改变了这一局面，现在用户可以创建由云环境支持的工作空间，即使关闭电脑，代理也能持续工作。
这解决了用户遇到的一个主要瓶颈：本地算力和管理能力的限制。许多 Conductor 的重度用户已经达到了他们能在本地同时运行的不同工作树或实例数量的上限。Charlie Holtz（查理·霍尔茨）坦言，以他个人的认知负荷，最多只能同时有效管理三到五个代理。他认为这部分是一个界面设计问题，也是团队接下来迫切希望解决的挑战。他们已经证明了同时运行多个编码代理是可行的，但要突破三到五个的限制，达到更高层级，就需要在抽象层面进行创新，重构交互界面。
回顾 Conductor 的诞生，最初他们尝试手动管理多个代理，但摩擦太大，很难超过一两个。即使更早之前尝试构建类似工具，也因时机不成熟而失败——当时还无法完全脱离 IDE。AI 代理需要达到一个“甜点”状态：既不需要人类关注其每一个动作，又需要人类保持足够的关注以实现有效的编排和多任务并行。在早期实验中，他们甚至为每个代理克隆了五个代码仓库副本，后来才发现并使用 Git 的工作树功能，并一步步构建出 Conductor 所需的基础组件。
业务的增长证明了产品的市场契合度。自今年一月以来，Conductor 的用户量增长了约十倍。用户群体非常广泛，从独立黑客到大型上市公司的工程师，每天都在使用它。团队虽然精干，但正在快速成长，并计划扩大规模。
病毒式传播与洞察顶尖工程师
除了卓越的产品构建能力，Conductor 团队，尤其是 Charlie Holtz（查理·霍尔茨），还以其制造病毒式传播内容的能力而闻名。他的一个著名案例是在 GPT-4 Vision 发布当天，编写了一个简单的 Python 脚本，通过网络摄像头实时观察他的动作，并用 David Attenborough（大卫·爱登堡）的声音克隆进行旁白解说，仿佛他身处《地球脉动》纪录片中。这条推文意外爆火，甚至被爱登堡本人看到，尽管后者并不太欣赏这个作品。
Charlie Holtz（查理·霍尔茨）将这种能力部分归功于他在 Replicate 的工作经历，当时他的主要任务就是通过构建演示应用和制作展示技术可能性的视频来促进增长。他分享的心得包括：保持真实和直接，避免公司腔调，不装腔作势，像和朋友聊天一样表达；内容形式可以简单直接，比如他的爱登堡视频就是原始的屏幕录制，几乎没有剪辑；最重要的是进行大量尝试，发布许多内容，观察什么能引起共鸣，从而掌握“爆款内容”的形态。Jackson Sippe（杰克逊·西普）则补充了一个精辟的总结：“制作你自己也想点击的内容”，这与 YC “打造你自己想要的产品”的建议一脉相承。
为了深入了解用户，Conductor 团队经常在城市中进行“自行车巡游”，与用户面对面交流，并观察他们如何使用产品。这让他们得以近距离观察世界上最优秀的工程师如何在技术前沿进行构建。他们发现了几个有趣的现象：
重视技能文件： 顶尖工程师会投入大量精力构建和维护“技能文件”。他们会将学到的 React 最佳实践、代码库特定知识等整理成 Markdown 文件，供 AI 代理持续学习，从而提升代理输出的质量。
配置趋于简洁： 令人有些意外的是，许多优秀工程师的开发环境设置其实非常简单和“纯净”。Charlie Holtz（查理·霍尔茨）将其类比为那些拥有复杂 Vim 配置但未必高效产出的人，暗示过度优化工具本身可能并非关键。
划分“自由区”与“严谨区”： 他们观察到并正在实践一种模式：在代码库的某些部分，可以放手让 AI 自由发挥；而在其他更核心或需要精心设计的部分，则由人类担任架构师，AI 作为执行者。这创造了“无杂乱区域”，平衡了效率与控制。
未来展望：从管理代理到领导 AI “军团”
当被问及编程和工程学的未来时，Charlie Holtz（查理·霍尔茨）和 Jackson Sippe（杰克逊·西普）表达了他们的看法。尽管预测几年后的事情很困难，但他们确信模型会变得比现在聪明十倍、百倍，能够在无需人类频繁干预的情况下运行更长时间，感觉上会越来越像一个人类同事，尽管其“思维”方式依然与人类迥异。
Conductor Cloud 的推出正是为了迎接这个未来，让代理能够长时间运行。他们展望，未来的界面需要让工程师感觉像是管理着一个庞大企业的 CEO，手下有成千上万的 AI “员工”在为你工作。大部分时间，你就像 CEO 一样坐在办公桌前，接收来自“工程主管”、“市场主管”等 AI 的高层汇报。偶尔，你需要深入细节进行检查，这类似于现在的代码审查（PR Review），只不过你是向下钻取，询问某个具体的“AI 员工”完成了什么工作。
这又回到了之前关于顶尖工程师观察的问题：最好的 AI 使用者，往往也是最好的人类协作者。 他们能够理解各个层级发生的事情，查看代理在每个层面上的操作，优化其遇到的瓶颈，并且进行前瞻性思考，而不是被动回应代理的输出。他们需要思考：要完成这个任务，我需要回答哪些设计问题？我需要关心哪些部分？应该给代理施加哪些约束条件？
对于 Conductor 的未来，他们的愿景是让它不再局限于个人笔记本电脑，而是能够运行在任何地方，成为管理组织内所有 AI 的“指挥中心”。用户可以从手机、笔记本电脑或现有的云基础设施接入这个系统。Charlie Holtz（查理·霍尔茨）特别对“提升抽象层级”感到兴奋。他认为目前的 Conductor 在某种程度上还带有其诞生时期（2023年7月）的模型能力印记，他渴望探索更高层次的抽象，让人们以不同于现在的方式控制模型，这里面有大量的界面和产品实验空间。
这将为用户解锁什么？首先，是突破人类工作记忆的瓶颈（目前是三到五个代理）。其次，是突破代码审查的瓶颈。目前工程师仍需非常仔细地审查 AI 添加的每一行代码，这消耗了大量精力。团队认为，目前仍停留在 2010 年代的 GitHub PR 审查模式，未来在审查环节有巨大的创新潜力。
最后，谈到团队建设，他们目前招聘的标准有些“非传统”：现有团队成员要么玩过极限飞盘，要么是法国人。当然，更重要的是寻找那些行动敏捷、有创业公司经验或自己创过业、渴望快速行动并置身于技术前沿的人。最关键的是，要有动力为自己、为最优秀的工程师打造工具。能够“使用自己打造的工具来打造这个工具”，在不同层级上同时工作——既在开发具体功能，又在思考和改进背后的工作流程并将其产品化——这种体验正是 Conductor 团队乐趣和动力的核心来源。正如 Charlie Holtz（查理·霍尔茨）所说：“没有其他我更愿意从事的工作，也没有其他我更愿意一起共事的人。” 在这个软件工程范式剧烈变革的时代，为改变构建方式本身而工作，无疑是最激动人心的事情之一。RaveDAO暴涨暴跌背后争议……Jack XBT“团队至少可能知情”围绕RaveDAO代币价格暴涨暴跌事件，内部牵连的嫌疑日益增大。对于其在短短9天内暴涨超10000%后暴跌的背景，链上分析师指出了团队的“可知情可能性”。
“团队至少知晓幕后操纵者”
链上分析师ZachXBT周日通过X（原推特）表示：“RaveDAO团队很可能至少知道操纵代币价格的主体是谁。”他指出，4月26日在中心化交易所（CEX）发生的可疑活动与RaveDAO团队相关的链上地址有关联，这可能与团队此前的解释相矛盾。
在另一篇帖子中，他解释说，从用于初始代币分配的“RAVE”地址中，约有2300万美元（约合338亿韩元）规模的代币转移到了两个Bitget存款地址。就在此转移发生后，价格从1美元暴跌约40%至0.6美元。
RaveDAO澄清“与价格波动无关”
RaveDAO方面周六通过X平台的一系列帖子划清界限，称：“我们注意到关于$RAVE和团队的传闻与指责，但并未参与近期的价格波动。”
然而，ZachXBT反驳道：“考虑到代币供应的集中程度，团队不知道这些价格波动背后操纵者的可能性很低。”他补充说：“很难相信，在几乎没有实际应用价值的情况下，市值能在9天内从6000万美元‘自然’增长到60亿美元。”
9天暴涨10000%后，48小时内暴跌90%
RAVE代币从约0.25美元上涨至27.33美元，涨幅约11000%。但随后在48小时内暴跌超过90%，导致约57亿美元（约合8.3898万亿韩元）的市值蒸发。目前价格在0.67美元左右交易。
ZachXBT表示，此案例并非特例，并指出：“在大型CEX上曾发现过类似的操纵迹象。只不过这次最为明目张胆。”他接着指出：“交易所没有察觉到这种规模价格波动的可能性也很低。”
此次事件再次引发了关于模因性/低流动性代币结构可能引发的暴涨暴跌风险，以及对交易所和项目团队角色的质疑。
文章摘要 by TokenPost.ai
🔎 市场解读
RAVE代币在9天内暴涨超10000%后，于48小时内暴跌90%，呈现出典型的投机性价格扭曲模式。
链上数据显示大规模代币转移流向CEX，并与价格崩盘时间点吻合，这是核心疑点。
💡 策略要点
初始代币集中度和链上资金流向是判断操纵与否的核心指标。
在暴涨阶段，必须确认流动性、上市交易所以及大额充提币动向。
模因/低流动性代币短期内发生极端波动的可能性高，风险管理至关重要。
📘 术语解释
链上分析：基于区块链交易数据追踪资金流向的分析方式。
CEX（中心化交易所）：如币安、Bitget等存在中央运营主体的交易所。
拉高出货：人为拉高价格后通过大量抛售导致暴跌的操纵方式。
💡 常见问题解答 (FAQ)
Q.
RAVE代币为何如此暴涨暴跌？
短期内大规模资金流入，加上特定地址向交易所转移的代币数量与价格上涨和下跌时机吻合，导致了异常波动。这通常暗示了人为价格形成的可能性，而非单纯的市场需求。
Q.
通过链上分析可以确认什么？
可以追踪特定钱包的资金流动、交易所充提币、代币集中度等，从而判断是否有内部人员介入或推测抛售时机。在此次案例中，初始分配地址与交易所之间的关联也被用作核心依据。
Q.
投资此类代币时需要注意什么？
必须确认代币供应量是否集中在少数钱包、是否具有实际应用性（效用）、交易所流动性是否充足。对于暴涨的资产，最重要的是看“谁在何时可以抛售”。
TP AI 注意事项
本文使用基于TokenPost.ai的语言模型进行文章摘要。正文的主要内容可能被省略或与事实有出入。
Jack Dorsey：告别传统公司层级，借助 AI 走向智能体架构撰文：Jack Dorsey 及 Roelof Botha，Block
编译：Yangz，Techub News
在红杉，我们发现速度是创业成功的最佳预测指标。大多数公司都把 AI 视为一种生产力提升工具。但很少有人关注 AI 在改变我们协作方式上的潜力。而 Block 正在展现的，是对组织设计进行根本性重构，最终利用 AI 来提升速度，使其成为一种复利式的竞争优势。
在企业第一张组织架构图诞生的两千年前，罗马军队就解决了一个至今仍在困扰所有大型组织的问题：如何在沟通受限的情况下，协调分散在广阔地域上的数千人？
他们的答案是一种嵌套式的层级结构，在每一级都保持稳定的管理幅度。最小的单位叫「八人组」（contubernium），由八名士兵组成，共用一顶帐篷、装备和一头骡子，由一名十人长（decanus）领导。十个八人组构成一个「百人队」（century），共八十人，由一名百夫长（centurion）指挥。六个百人队组成一个「支」”（cohort）。十个支队组成一个军团（legion），约五千人。在每一层，都有一个指定的指挥官，拥有明确的权威，负责从下级汇总信息，并将决策传达给下级。这种结构（8 → 80 → 480 → 5,000）本质上是一个信息路由协议，其基础是一个简单的人类限制：一个领导者有效管理的人数大约在三到八人之间。罗马人通过数百年的战争发现了这一点。即使在今天，美国陆军的层级链条也遵循着类似的模式。我们现在称之为「管理幅度」，它仍然是地球上每一个大型组织的核心制约因素。
下一个重大变革来自普鲁士。1806 年，拿破仑的军队在耶拿战役中摧毁了普鲁士军队。之后，以 Scharnhorst 和 Gneisenau 为首的一批改革者围绕一个令人不安的事实重建了军队：你不能依赖顶层个人的天才，你需要的是一个系统。他们创建了总参谋部，这是一个由训练有素的军官组成的专门阶层，他们的工作不是作战，而是规划行动、处理信息、协调各部队。Scharnhorst 希望这些参谋军官能够「辅佐无能的将军，提供领导者和指挥官可能缺乏的才能」。在「中层管理」这一术语出现之前，这就是其原型。这些专业人士的职责是在复杂的组织中路由信息、预先计算决策并保持对齐。军队还正式区分了「直线」（line）和「职能」（staff）两种职权。直线部门推进核心使命，职能部门提供专业支持。直到今天，每家公司仍然在使用这套术语。
这一军事层级结构通过 19 世纪 40、50 年代的美国铁路进入了商业世界。美国陆军将西点军校培养的工程师借调给私营铁路公司，这些军官带来了军事组织思维。职能与直线层级、事业部结构、官僚化的报告与控制体系：所有这些都是在军队中发展起来的，后来才被铁路公司采用。19 世纪 50 年代中期，纽约和伊利铁路公司的 Daniel McCallum 创建了世界上第一张组织架构图，用以管理一个绵延 500 多英里、拥有数千名员工的系统。那些在小型铁路上行之有效的非正式管理方式开始失效，火车相撞事故频发，造成人员伤亡。McCallum 的架构图将罗马人使用过的层级逻辑正式化了：权力层级、明确的汇报关系、结构化的信息流动。它成为了现代公司的蓝图。
后来，被称为「科学管理之父」的 Frederick Taylor（1856-1915）优化了这套层级内部的工作方式。Taylor 将工作分解为专门化的任务，分配给经过培训的专家，并通过测量而非直觉来进行管理。这催生了职能金字塔式组织，即一种针对信息传递系统效率而优化的结构，最初由军方开创，后被铁路公司商业化。
第二次世界大战期间，职能层级结构首次经受了真正的考验。曼哈顿计划需要物理学家、化学家、工程师、冶金学家和军事人员在极端保密和时间压力下，跨越学科界限，共同实现一个目标。奥本海默将洛斯阿拉莫斯实验室组织为若干职能分部，但他坚持跨分部开放协作，抵制了军方惯用的部门划分模式。1944 年，当核爆问题成为关键瓶颈时，他围绕这一问题重组了实验室，创建了跨职能团队，这在当时的美国企业界是前所未见的。这种做法奏效了，但这是在战争时期由一位非凡领导者主导的例外情况。战后商界面临的问题是：这种跨职能的协作能否成为常规？
随着二战后企业的成长与全球化，职能型设计的规模局限性变得日益突出。1959 年，麦肯锡的 Gilbert Clee 和 Alfred di Scipio 在《哈佛商业评论》上发表了《创建世界级企业》一文，为将职能专长与事业部相结合的矩阵式组织结构提供了理论框架。在 Marvin Bower 的领导下，麦肯锡帮助壳牌、通用电气等公司实施了这些原则，在中央标准与本地灵活性之间取得平衡。这便成为了推动战后全球经济发展的「专业化」或「现代」公司的雏形。
随着时间的推移，其他框架也应运而生，以应对矩阵结构的复杂性、僵化和官僚化问题。20 世纪 70 年代末，由 Tom Peters 和 Robert Waterman 提出的麦肯锡 7S 框架，区分了「硬 S」（战略、结构、系统）和「软 S」（共同价值观、技能、人员、风格）。其核心理念是：仅仅依靠结构要素是不够的。组织效能需要文化特质以及决定战略能否真正成功的人的因素之间实现对齐。
最近几十年，科技公司在组织结构上进行了大胆的实验。Spotify 推广了采用短周期冲刺的跨职能小队模式。Zappos 尝试了合弄制，完全取消了管理头衔。Valve 采用扁平化结构，没有正式的层级。这些实验都揭示了传统层级结构的某些局限性，但都没有解决根本问题。Spotify 在规模扩大后又回归了传统管理模式。Zappos 则经历了显著的人员流失。而 Valve 的模式被证明难以扩展到几百人以上。当组织规模增长到数千人时，它们都会回归层级式协调，因为还没有任何一种替代性的信息路由机制足够强大到能够取代它。
这个制约因素与罗马人曾经面对的、美国海军陆战队在二战中重新发现的如出一辙：缩小管理幅度意味着增加指挥层级，但层级越多，信息流动就越慢。两千年的组织创新，本质上都是在试图规避这一权衡，却始终未能打破它。
那么，现在有什么不同？
在 Block，我们正在质疑一个基本假设，即组织必须通过层级来构建，并以人作为协调机制。相反，我们打算取代层级所承担的功能。如今大多数使用 AI 的公司，都是在给每个人配备一个「副手」，这使得现有结构在不改变其本质的前提下略微改善了运作。然而，我们追求的则截然不同：一个作为「智能体」（或迷你 AGI）来构建的公司。
我们并不是第一个试图超越传统层级的尝试者。海尔的人单合一模式、平台型组织、「数据驱动」的管理都是针对同一个问题的真实探索。它们所缺乏的，是一种能够真正执行层级所承担的协调功能的技术。AI 就是那种技术。有史以来第一次，一个系统将能够维护持续更新业务模型，并利用这个模型来协调工作。此前，这项工作需要人类通过层层管理来传递信息。
要实现这一点，一家公司需要两样东西：一个是关于其自身运营的某种 「世界模型」 ，另一个则是足够丰富的客户信号，使这个模型变得有用。
Block 以远程办公为先。我们所做的一切都会产生工件（artifacts）。决策、讨论、代码、设计、计划、问题、进展，都以被记录的行动形式存在。这些就是构建公司世界模型的原材料。在传统公司里，经理的职责是了解其团队正在发生什么，并将这些背景信息在层级中向上和向下传递。而在一个工作已机器可读的远程优先公司里，AI 可以持续构建并维护这幅图景：正在构建什么、什么被卡住了、资源如何分配、什么有效、什么无效。这些信息过去由层级结构承载，现在则由公司世界模型承载。
然而，系统的能力，取决于输入给它的客户信号的质量。而金钱是世界上最诚实的信号。
人们在调查中会说谎，会忽视广告。但当他们消费、储蓄、转账、借贷或还款时，这就是事实。每一笔交易都是关于某个人生活的一个事实。Block 每天通过 Cash App 和 Square 分别获取数百万笔交易的买卖双方数据，此外还有运营商户业务所产生的数据。这赋予了客户世界模型一种罕见的能力：建立在不断累积的诚实信号之上的、对每个客户、每个商户的财务现实的理解。信号越丰富，模型就越好；模型越好，交易就越多；交易越多，信号就越丰富。
公司世界模型与客户世界模型共同构成了一种新型公司的基础。在这种公司里，不再是产品团队去构建预先设定的路线图，而是去构建四样东西：
第一：功能，即原子化的金融原语。支付、借贷、发卡、银行业务、先买后付、薪酬服务等基础金融功能不是产品，它们是难以获取和维护的基础构件（有些具备网络效应，且需要监管许可）。它们自身没有用户界面。它们拥有可靠性、合规性和性能方面的目标。
第二：世界模型。这包含两个方面。公司世界模型让公司能够理解自身及其运营、绩效和优先事项，取代了过去在管理层级中流动的信息。客户世界模型则是基于专有交易数据构建的、对每个客户、每个商户、每个市场的表征。它从原始交易数据起步，随着时间的推移，将逐步演化为完整的因果模型和预测模型。
第三：智能层。它负责将基础金融功能组合成针对特定客户、在特定时刻的解决方案，并主动交付。例如，一家餐厅的现金流在季节性低谷到来前趋紧，而模型此前已经见过这种模式。智能层灰从借贷功能中组合出一笔短期贷款，利用支付功能调整还款计划，并在商户甚至还没想到要寻求融资时，就将方案呈现给他们。再如，一个 Cash App 用户的消费模式发生了变化，模型将其与「搬到新城市」关联起来。这时，智能层灰组合出一个新的直接存款设置、一张为新社区优化了返现类别的 Cash App 卡，以及一个根据其更新后的收入校准的储蓄目标。没有哪个产品经理决定去构建这两个方案。基础金融功能已经存在，而智能层识别到这些时刻，并将它们组合了出来。
第四：界面（硬件和软件）。Square、Cash App、Afterpay、TIDAL、bitkey、proto。这些是交付界面，智能层通过它们来交付组合好的解决方案。它们很重要，但价值创造的核心并不在这里。价值在于模型和智能层本身。
当智能层尝试构建解决方案却因功能缺失而失败时，这种失败信号就是未来的产品路线图。传统的路线图，即产品经理对下一步开发内容进行假设，是任何公司最终的限制因素。而在这种模式下，客户的实际需求直接决定了产品待办事项列表。
如果这就是公司所打造的产品，那么问题就变成了：员工们该做什么？
新型的组织结构由此而来，且与传统模式截然相反。在传统公司中，人是智能体，层级负责路由各类信息。而在新模型中，智能存于系统之中，人处于边缘位置，而边缘是实际行动发生的地方。
边缘是智能与现实接触的地方。人们可以深入到模型尚无法触及的领域，感知模型无法感知的事物，例如直觉、有主见的判断、文化背景、信任状况、房间里的气氛等。他们可以做出模型不应独自做出的决策，尤其是伦理决策、新情况、以及一旦犯错代价关乎存亡的高风险时刻。一个无法接触世界的世界模型，只是一个数据库。但边缘并不需要管理层级来协调。世界模型为边缘的每个人提供了他们所需的背景信息，使他们无需等待信息在指挥链中上下传递，就能采取行动。
在实践中，这意味着我们将角色规范为三种：
个体贡献者（ICs）：他们构建和运营各类金融功能、模型、智能层以及界面。他们是系统特定层面的深度专家。世界模型提供了过去由经理提供的背景信息，因此个体贡献者可以在自己的层面做出决策，而无需等待指令。
直接责任人（DRI）：他们负责特定的跨领域问题、机会或客户成果。一个直接责任人可能在一个为期 90 天的项目中负责某个细分领域的商户流失问题，并拥有充分的权限，可以根据需要从世界模型团队、借贷功能团队和界面团队调动资源。直接责任人可以持续专注于某些问题，也可以转而去解决新的问题。
身兼管理及实干双重角色：他们既参与实际构建工作，也负责人员发展。他们取代了传统上以信息路由为主要职责的经理。这些人仍然会写代码、构建模型或设计界面。同时，他们也投入精力促进身边人的成长。他们不会把时间花在状态同步会、对齐会和优先级谈判上。世界模型负责对齐，直接责任人结构负责战略和优先级，而他们负责技术和人员管理。
这里不再需要一个永久性的中层管理阶层。旧层级所做的其他一切，都由系统来协调。每个人都被赋予了权力，其角色更贴近实际工作和客户。
Block 正处于这一转型的早期阶段。这将是一条艰难的路，其中某些部分在真正奏效之前很可能会出问题。我们现在把它写出来，是因为我们相信每家公司最终都需要面对我们曾面对过的同一个问题：你公司所理解的、真正难以被理解的东西是什么？这种理解是否每天都在加深？
如果答案是「什么都没有」，那么 AI 就只是一个成本优化的故事。你可以裁员，在几个季度内提高利润率，但最终会被更聪明的对手吞并。如果答案是在加深，那么 AI 并不会仅仅增强你的公司，它将揭示你公司的本质。
Block 的答案是经济图谱，即数百万的商户和消费者，每笔交易的双方，实时观察到的金融行为。这种理解随着系统运行的每一秒都在复利式增长。我们相信，这背后的模式——一个作为智能体而非层级来组织的公司——意义重大，足以在未来几年重塑各类公司的运作方式。Block 目前的发展足以证明这一理念并非纸上谈兵（当然，我们也欢迎各方讨论和反馈，以检验并改进我们的想法）。
公司运转的快慢取决于信息流动，而层级和中层管理阻碍了信息流动。两千年来，从罗马的「八人组」到今天的全球企业，我们从未有过真正的替代方案。八个共用一顶帐篷的士兵需要一个十人长，八十个人需要一个百夫长，五千人需要一个指挥官。问题从来不是你是否需要层级，而是：对于这些层级所承担的职能，人是否是唯一的选择？ 很明显，现在已经不是了。Block 正在构建下一个时代的组织。AI浏览器助手被攻破……彗星·Copilot·Gemini均存在HashJack技术漏洞新近曝光的"HashJack"技术正面揭示了AI浏览器助手的安全漏洞。这种攻击方式通过在正常URL的哈希片段中植入恶意代码，能够暗中操控用户正在使用的AI浏览器助手功能，此举给行业带来了巨大冲击。
该威胁手法由网络安全公司Cato Networks的威胁分析组织"Cato CTRL"发现。他们在最新报告中警告，该技术可同时作用于Perplexity AI的Comet、微软(MSFT)的Edge版Copilot以及谷歌(GOOGL)的Chrome版Gemini。问题的核心在于URL哈希区域是服务器或安全工具几乎无法检测的盲区。正因如此，恶意指令在结构上极易隐藏，而AI助手会误将其当作页面上下文的一部分予以执行。
实际测试表明，Perplexity的Comet被判定为最易受攻击的浏览器助手。这款基于自主代理功能的AI工具，会机械执行URL中隐藏的指令，甚至将敏感用户账户信息或电子邮件地址传送到外部攻击服务器。尽管Copilot和Gemini通过部分防御功能降低了风险等级，但其结构性漏洞本身并未根除。
报告详细列举了HashJack可能引发的六种攻击场景，包括：伪造信息推送、恶意链接诱导、回调网络钓鱼、医疗信息篡改、凭证数据窃取、恶意代码指南传播等。尤其当浏览器内置AI正逐步获得用户信任的背景下，此类操控可能造成超乎想象的损害。
对此各企业应对策略出现分化。Cato团队数月前已向三家公司通报漏洞，Perplexity将其判定为严重缺陷并于11月完成修复。微软也在10月底发布补丁，强调针对迂回提示注入攻击的深度防御策略。而谷歌却回应称此现象属"预期设计"并"不予修复"，引发舆论批评。这意味着Gemini目前仍暴露在此威胁之下。
安全专家指出，此次事件超越了单纯的技术缺陷，暴露出AI浏览架构本身存在的设计盲点。多数AI浏览器采用将完整URL传送给AI的处理机制，此过程中却缺失对哈希片段的验证环节。专家强调："随着AI助手获得越来越多个人信息与系统权限，此类上下文操控风险已成为亟待解决的重大课题。"
值得注意的是，本报告恰在Perplexity的Comet浏览器上周被曝存在其他缺陷后发布，产生叠加效应。当时安全公司SquareX曾警告攻击者可通过该浏览器的隐藏API掌控整台设备。接连暴露的安全漏洞，正迫使AI浏览器市场面临更严格审查及新型安全框架的建设压力。
Bitcoin Amsterdam 2025 将新增 Jack Mallers 与 Saifedean Ammous 参与演讲在此前宣布 Cameron 与 Tyler Winklevoss 为压轴讲者后，Bitcoin Amsterdam 2025 再度升级议程，邀请更多比特币界具有影响力的人士。
BTC Inc. 与 Amsterdam Decentralized（欧洲最大比特币峰会的主办方）今日宣布，Strike 创始人 Jack Mallers 与畅销书作家 Saifedean Ammous 将加入比特币阿姆斯特丹峰会（Bitcoin Amsterdam 2025）的演讲阵容，峰会将于 2025 年 11 月 13 至 14 日举行。此前已确认 Gemini 联合创始人 Cameron 与 Tyler Winklevoss 为压轴讲者。
Jack Mallers
Mallers 是 Strike 创始人兼执行长，以及全球支付公司 Twenty One Capital 的联合创始人兼执行长。Strike 基于比特币闪电网络（Lightning Network）提供即时、低成本的资金转移，推动比特币支付进入主流市场，并与主要平台和商户合作，开创跨境商业新模式。
Mallers 曾入选 Forbes 30 Under 30，是比特币界最知名的青年企业家之一。他曾协助将闪电网络支付引入萨尔瓦多，并持续领导 Strike 的全球扩张。
「比特币能改变世界，因为世界无法改变比特币。」 — Jack Mallers
Saifedean Ammous
这位经济学家及《比特币标准》（The Bitcoin Standard）畅销书作者将首次在 Bitcoin Amsterdam 2025 演讲。Ammous 亦著有《法币标准》（The Fiat Standard）及《经济学原理》（Principles of Economics），长期将比特币视为不仅是技术创新，更是经济必要。
「不，你没有错过比特币列车。我们才刚开始。」 — Saifedean Ammous
与会者将密切关注 Ammous 是否会在阿姆斯特丹演讲中预告下一个重大项目。
议程、分会与 VIP 体验
峰会每日 10:00 至 17:00，设三个平行舞台：
Treasury Stage — 机构采用、企业财务、宏观经济趋势
Orange Stage — 协议开发与基础设施
Proof-of-Work Stage — 论述、启发与社区观点
两天活动将提供超过 60 小时精心策划的节目，包括教育课程、工作坊、业界公告、炉边谈话、辩论及全球比特币趋势评论。
VIP / Whale Pass 持有人将可进入专属休息室及专为机构投资人、高管与长期比特币支持者设计的专属环节。
参与人数、侧活动及社区
Bitcoin Amsterdam 2025 预计吸引逾 5,000 名来自欧洲及全球的与会者。除主会议外，城市还将举办一系列丰富的侧活动，包括聚会、社交晚宴、艺术装置与现场演出，让阿姆斯特丹成为欧洲比特币社区的一周中心。
对话 FufutureDAO 基金会负责人 Jack：当纳斯达克进场，谁能坐上 RWA 的历史级班车？撰文：Web3 农民 Frank
上链只是 RWA 的起点，让资产真正可交易，才是代币化的终局。
RWA 叙事，何时才能真正从「映射赛道」转向「交易逻辑」？
在经历了 BlackRock、Franklin Templeton 等华尔街巨头的轮番入局后，这个问题的答案，似乎一直悬而未决，直到一个关键变量的出现——纳斯达克的潜在入场，无疑将为这场深刻的叙事迭代，踩下最有力的一脚油门。
在此背景下，RWA 走到了一个微妙的拐点，过去那种停留在「资产映射」层面的玩法已显疲态，而关于「链上原生用途」与「可组合交易」的新范式正在成为角逐的焦点，当资产上链本身不再是难题，真正的挑战在于：谁能接住链上交易这「最后一公里」？
带着这个疑问，我们与 FufutureDAO 基金会负责人 Jack 进行了一场深度对话，在他看来，RWA 的胜负手不在于发行的先后，而在于交易本身。
而好戏，将在纳斯达克亲自入场后，才真正开始。
一、「旧资产」与「新世界」的冲突
1.今年以来，从各大 TradFi 巨头相继入局到最新 SEC 的表态，RWA 成为全行业关注的焦点，您怎么看这波热度？有没有什么行业误读或概念混淆？
Jack：我认为当前最大的误读，就是将「资产上链」这个动作本身与 RWA 的终极价值划上了等号。很多人认为，只要把一支股票、一笔债券变成一个 Token，RWA 革命就完成了，这本质上还是在用 Web2 的「映射思维」，把区块链仅仅当成了一个去中心化的数据库。
这种思维忽略了根本问题：资产上链后，如何释放其流动性？如何建立高效的做市机制？如何实现跨资产的组合交易？如果这些底层的交易逻辑问题不被解决，那所谓的「链上 RWA」就只是一个存在于钱包里的、流动性枯竭的凭证，与它在传统券商账户里的状态并无本质区别。
因此，我们看到的不仅仅是当前关于稳定币、美股的 RWA 代币化尝试，更应该预见到，未来广阔的大宗商品、不动产、甚至碳信用等主流金融资产，都需要一套全新的链上交易范式来承载，这才是万亿规模的真正所在。
2.很多人将合规视为 RWA 最大的拦路虎，您似乎认为还有更深层次的瓶颈？
Jack：合规是准入门槛，但它不是成败的唯一决定因素。即便解决了所有合规障碍，RWA 赛道依然面临一个更核心的瓶颈：传统金融资产的低效、非透明属性，与区块链世界原生的高效、透明属性之间的根本性冲突。
举个例子，一支美股的清算交割需要 T+1，而链上交易是原子性的、7x24 小时，如何弥合这种时间与效率的错配？这些都是深层次的结构性矛盾，需要全新的基础设施设计。
因此，我一直强调，RWA 的成功不在于「上链」本身，而在于我们能否利用区块链的特性，为这些旧资产创造出传统金融体系内无法实现的「杀手级应用」，这才是一切价值的源头。
3.这个观点很有趣，是不是也解释了为什么在这波 RWA 浪潮下，我们还未看到一个像 Aave 或 Uniswap 那样的「杀手级」应用？
Jack：是这样的，根本原因在于「资产上链」和「资产可交易」之间存在着巨大的鸿沟。Aave 和 Uniswap 的成功，是因为它们为加密原生资产（这类资产天生 7x24 小时、无历史包袱）量身打造了一套全新高效的「交易语言」和「借贷语言」。
但现在我们试图用这套为加密原生资产设计的语言，去描述一支有开闭市时间、有复杂清算流程、价格锚定在链下的股票，结果自然是「水土不服」。
换言之，当前主流的 DeFi 基础设施，特别是 AMM，是为价格发现机制模糊、高波动性的加密原生资产设计的，但 RWA，比如特斯拉的股票，它在纳斯达克有一个绝对权威的公开市场价格。你不能用 AMM 去「发现」它的价格，你只能去「跟踪」它。
用错误的工具去解决问题，自然无法产生真正的网络效应，所以，真正的命题不是简单地把 RWA 资产扔进现有的 DeFi 乐高，而是要为 RWA 资产设计一套全新的、原生的交易逻辑和基础设施。
二、如何迎接 RWA 的「纳斯达克时刻」
1.最近纳斯达克亲自下场、发行代币化股票这件事，可能会对现有 RWA 格局造成怎样的「颠覆性冲击」？
Jack：我认为这将不是冲击，而更像是一个彻底厘清当前 RWA 市场混乱局面的「奇点事件」。
首先，之前所有关于 RWA 发行商「合规与否」的争论，将在纳斯达克发行第一个原生链上股票时被自然终结，因为它是全球金融体系顶级的流动性池和信任源，它定义的标准就是最终标准。
更关键的是，它可能彻底重构 RWA 叙事下的价值链，像 Ondo Finance 这类专注于发行和承销的协议，其生存空间可能会被严重挤压——因为一旦资产的「源头」可以直接上链时，任何中间环节的价值都会被削弱，不用说，相比市面上琳琅满目的 xxTSLA 等代币化 RWA 资产，大家肯定会更偏向选择直接集成纳斯达克发行的、最具流动性和公信力的原生资产。
这恰恰是下游协议的历史性机遇。靠近下游流量入口、围绕链上可组合性构建交易能力的去中心化协议和合规交易所，比如 OSL/HashKey 或 Fufuture 等链上协议，反而可能成为真正吃到红利的一批。
我们可以将这种变化理解为 RWA 的「集装箱时刻」，回顾全球贸易史，在标准集装箱出现前，全球货运由无数大小不一、效率低下的包裹（就像现在链上充斥的各种 ALT 资产）组成。是集装箱这个全球统一标准的建立，才催生了现代化的全球供应链和自动化港口。一旦纳斯达克将美股 RWA 化，它提供的就是「价值集装箱」的标准，市场会迅速淘汰掉那些包装丑陋、标准不一的「垃圾包裹」，释放出巨大的、标准化的新配置需求和交易机会。
而我们这样的协议，定位就是为这些「价值集装箱」提供自动化港口和全球交易网络，是新秩序下的核心枢纽。
2.很多人提到现有 DeFi 基础设施对 RWA 资产的水土不服，能否从底层逻辑上再深入剖析一下，比如 Uniswap 的 AMM 模式，其核心缺陷到底在哪？
Jack：首先需要明确的是，AMM 机制在 DeFi 早期是革命性的创新，它以一种无需许可的方式，优雅地解决了无数长尾资产的冷启动流动性问题，其历史地位毋庸置疑。但是它的设计哲学决定了它只是不适合于 RWA 这种资产类别,这是一个工具与任务不匹配的根本性问题。
对 RWA 来说，AMM 的核心缺陷在于它的「价格发现机制」，它是在一个封闭的流动性池内，通过两种资产的相对数量来被动地「计算」出价格，这对于没有链下真实锚点的加密原生资产是可行的——在很多场景下，池子里的价格就是市场价格的真实反映。
但 RWA，比如代币化的特斯拉股票，至少中短期内，它在纳斯达克有一个绝对权威的、每秒都在更新的公开市场价格，这个价格是「因」，而链上交易的价格必须是「果」，AMM 机制不仅无法主动跟随这个价格，反而会因为任何的链上交易而产生偏离，从而为套利者提供了源源不断的、几乎无风险的攻击空间，并让流动性提供者（LP）承担近乎百分之百的无常损失。
因此我认为，任何试图通过简单改造，比如调整曲线、增加费用等级的方案，都是治标不治本的，RWA 需要的是一个全新的交易结构：它必须能高效、低成本地从外部权威信源（Oracle）获取价格，并将这个价格作为「锚」，然后围绕这个锚点，通过更接近于订单簿和 RFQ（报价驱动）模式的结合体，来高效地匹配流动性和完成交易。
一言以蔽之，它的核心应该不再是「发现」价格，而是「响应」价格。
3.既然发行方的价值会被削弱，那么超越资产上链这个概念本身，RWA 的第一个「杀手级应用」最有可能出现在哪个领域？
Jack：第一个杀手级应用，一定是将 RWA 作为原生抵押品，进行全球化、7x24 小时的衍生品交易，这就解决了传统金融中资产割裂、交易时间受限的核心痛点。
想象一下，一个亚洲的投资者，在周末晚上，可以用他持有的代币化苹果公司股票作为保证金，去开一个比特币的永续合约多单，这个场景在传统金融里是完全无法实现的，它需要跨时区、跨市场、跨品种的复杂清算，但在链上，这一切都可以通过智能合约瞬间完成。这就是真正的价值创造。
其实这也是 Fufuture 目前的产品核心思路——支持用户将各类金融资产作为统一保证金，去交易 BTC、ETH 甚至将来全球任何主流金融资产，未来还计划推出专门为 RWA 设计的现货交易市场，彻底打通从现货持有到衍生品交易的全链路。
三、定义 RWA 新语法：下游交易应用的黎明
1.聊了这么多挑战，能否结合 Fufuture 的思考与落地实践，谈谈在链上使用股票类 RWA 资产，技术和市场上又有哪些关键挑战？
Jack：最大的挑战在于风险控制和清算机制。比如股票资产在传统市场有休市时间，而加密衍生品的风险是 7x24 小时不间断的，我们必须设计一套全新的、混合式的风控引擎，既要能处理非交易时段的价格「跳空」风险，又要保证链上清算的及时和高效。
除此之外，市场上的挑战在于引导用户理解并接受这种新范式，其实 Fufuture 的产品设计理念是「资产不可知论」，也即我们基础设施的底层风控和清算逻辑，不局限于美股，未来可以无缝扩展到代币化的黄金、原油、国债乃至碳信用等更广泛的 RWA 资产类别,为这个更宏大的未来铺设管道。
2.对于即将到来的 RWA「纳斯达克时刻」，传统世界的资源和经验如何被整合进链上业务逻辑中的？仅仅是渠道合作，还是有更深层的业务协同？
Jack：远不止渠道合作，而是更深层次的业务协同。例如我们就正在与一些 Web2 科技巨头进行合作探索，不仅是获取流量，更是为了在合规框架内，共同探索高效的身份验证（KYC）和资金出入金解决方案。
当海量传统用户和资金想要进入这个新世界时，谁能提供最安全、最丝滑的桥梁，谁就能掌握主动权。
3.站在 2025 年底，请您大胆预测一下，18 个月后 RWA 市场会是什么样子？ 哪些今天我们热议的概念会被证伪，又有哪些我们尚未关注到的新突破会诞生？
Jack：我认为届时会有几个显著变化：
第一，「万物皆可 RWA 发行」的狂热会被证伪，资产发行会向少数几个拥有顶级信用的巨头高度集中，小而美的发行协议很难生存。
第二，最大的突破将出现在「跨资产可组合性」上。 我们会看到第一个真正意义上的「链上全能交易账户」诞生，用户可以用代币化的房产股权作为抵押，去交易大宗商品期货，所有风险和头寸都在同一个协议内进行净额结算，这才是 DeFi 的终极魅力。
第三，RWA 的叙事中心将彻底从「资产端」转移到「应用端」，市场的关注点不再是谁又把什么东西搬上了链，而是谁能用这些资产创造出最惊艳的金融玩法。
结语
一个心照不宣的共识是，整个行业其实都在等待，等待纳斯达克、纽交所这类全球金融体系的「造物主」，落下那枚决定性的棋子。
因为他们的入场，将彻底结束 RWA 关于「是什么」的讨论，并开启「能做什么」的全新篇章，这也迫使我们正视一个现实，RWA 从不只是一场技术栈的革新，它更是一场关于金融结构与行为逻辑的深度重构。
正是在这种预期下，RWA 的「基础设施叙事」正无可逆转地取代「映射型叙事」。
而那句我们早已熟悉的「上链只是第一步，交易才是语言」，也终于从一句口号，变成了一个需要严肃作答的考题。
Jack Dorsey：重塑全球沟通的人作者：Thejaswini M A
编译：Block unicorn
前言
会议室里一片寂静。2008 年 10 月，杰克・多西环顾桌子四周，看着 Twitter 的董事会成员，试图寻找一个盟友，但一个也没有。
埃文・威廉姆斯（Evan Williams）不愿与他对视。风险投资家们以谨慎的语气谈论 「运营挑战」 和 「管理问题」。
平台经常崩溃。员工抱怨他早早离开去上瑜伽课。董事会对他失去了信心。
弗雷德・威尔逊（Fred Wilson）宣布了决定：他们想要新的领导层。威廉姆斯将接任首席执行官。多西可以继续担任董事长，但他对 Twitter 的日常控制权已经结束。
他没有争辩。31 岁的他从未管理过如此规模的公司，压力令人窒息。但走出这座承载他创意的建筑时，他感到一阵刺痛。这个平台源自他青少年时期对调度通信的迷恋。现在，这个愿景属于别人了。
从自己创立的公司被解雇，教会了他商学院从未涉及的经验教训。对多西来说，这只是开始。
通过黑客技术获得工作
杰克・帕特里克・多西在一个密苏里州天主教工人阶级家庭长大。他的父亲制造质谱仪，母亲经营一家咖啡馆。年幼的杰克患有言语障碍，长期足不出户，在那里他接触到了计算机和通讯系统。
多西编写了调度软件。现实中的出租车公司使用他的代码来协调他们的车队，为实际业务解决实际问题。
他的痴迷并非偶然。多西已经意识到简短、频繁的更新对于协调复杂系统的巨大作用。紧急调度员不会浪费时间，因为清晰的表达可以挽救生命。如果同样的效率能够改善日常沟通，那又会怎样？
在毕晓普・杜堡高中，他兼职做过时装模特。放学后，他会入侵系统，不是为了破坏，而是为了理解它们如何运作。
改变他人生的一次黑客行动发生在 16 岁。调度管理服务公司（Dispatch Management Services）建立了一个网站，但没有列出联系信息。当多西发现一个安全漏洞时，他没有利用它，而是给公司主席发送电子邮件，解释了漏洞及修复方法。
多西用这个机会开启了一场对话。
主席格雷格・基德（Greg Kidd）在一周内决定雇用他。一个来自密苏里的青少年如今为曼哈顿一家物流公司工作，学习如何实时协调运输和资源。
14 岁时，他编写的调度软件已被出租车公司实际使用。18 岁时，他在纽约大学只差一个学期毕业就辍学了。因为他脑海中的想法太多，无法忍受等待文凭的到来。
如果人们可以像调度员更新自己的位置和活动一样，向好友发送简短的状态更新，那会怎样？如果不用打电话或发长邮件，就能知道网络中每个人的当前动态，那会怎样？
席卷全球的平台
2000 年，多西搬到加利福尼亚，创立了一家专注于通过网络调度快递员和紧急服务的公司。这次创业失败了。接下来的五年，他作为自由程序员不断完善自己的想法，等待合适的时机。
这个时机在 2006 年到来，当时他加入了陷入困境的播客公司 Odeo。在一次头脑风暴中，多西提出了他的状态更新概念。他描述这是一个结合了博客的广播特性和即时通讯的即时性的平台。
多西与诺亚・格拉斯（Noah Glass）和比兹・斯通（Biz Stone）合作，在两周内打造了 Twitter 的第一个原型。「twttr」 这个名字沿用了五个字符的短信代码格式，灵感来自 Flickr。
2006 年 3 月 21 日晚 9 点 50 分，多西发布了第一条推文：「just setting up my twttr.」
这 24 个字符改变了数百万人沟通的方式。
Twitter 的突破性时刻出现在 2007 年的西南偏南（South by Southwest）音乐节上。与会者使用该服务协调聚会并分享实时更新。音乐节期间，每日推文量从 2 万条激增至 6 万条。多西青少年时期关于状态更新的直觉被证明是正确的。
但成功带来了他未准备好应对的挑战。2007 年至 2008 年担任首席执行官期间，多西难以应对 Twitter 的运营需求。服务频繁崩溃。员工抱怨他的管理风格。有报道称他会提前下班去上瑜伽课和时装设计课程。
董事会失去了耐心。
2008 年 10 月如审判日般到来。他们从他自己的创意中解雇了他。联合创始人埃文・威廉姆斯接手。多西保留了董事长的头衔，但每个人都知道真相。那个构想出 Twitter 的天才少年被认为不适合管理它。
这教训令人痛苦，但也让他清醒。多西能打造人们喜爱的产品，但他还无法建立能够扩展的组织。
他没有退缩，而是选择了转型。
他的前任老板吉姆・麦克尔维（Jim McKel)') 最近因为无法接受信用卡付款而损失了一笔玻璃艺术品交易。数百万无法获得商家服务的小企业主与麦凯维一样，都感到无比沮丧。
他们的解决方案是一个小型、方形的设备，插入智能手机的耳机插孔。任何人都可以在任何地方接受信用卡付款。第一个 Square 读卡器成本仅 10 美元，将每部手机变成一个销售点系统。
Square 体现了与 Twitter 相同的哲学：消除障碍，民主化访问。如果说 Twitter 给了每个人一个广播平台，那么 Square 则赋予每个企业家只有大公司才能拥有的支付处理能力。
该公司于 2010 年正式推出。
这一次，多西吸取了 Twitter 的经验教训。他建立了更强大的运营系统，聘请了经验丰富的管理人员，专注于可持续增长而非病毒式传播。
到 2015 年，Twitter 在新领导层的带领下陷入困境。用户增长停滞，股价下跌。Facebook 和 Instagram 等竞争对手吸引了更多注意力。
董事会要求多西重返首席执行官职位，但提出了一个前所未有的条件：他必须继续担任 Square 的首席执行官。批评人士质疑，是否有人能够同时有效地管理两家大型上市公司。
他在两家公司都设有办公室，将每日行程安排精确到分钟，依靠领导团队提供战略方向。
这一安排奏效了。Twitter 稳定下来，Square 继续增长，并于 2015 年 11 月上市。两家公司都受益于多西的设计敏锐度以及他化繁为简、寻求简单解决方案的能力。
被解雇的首席执行官学会了成为一名领导者。
打造未来的货币
在多西重建职业生涯的过程中，他发现了比特币。这种加密货币体现了他在调度系统中学会的原则：去中心化、点对点通信、消除中间人。
「比特币彻底改变了一切，」 他在 2018 年宣称。如果他没有在管理 Twitter 和 Square，他会全职致力于比特币。
他不满足于只是口头支持。2020 年，Square 投资了 5000 万美元购买比特币，之后又追加了 1.7 亿美元。通过 Square 的 Cash App，他让数百万从未拥有加密货币的人能够接触到比特币。
多西还成立了 Spiral，一个资助开源比特币开发的部门。与大多数以盈利为导向的企业加密项目不同，Spiral 的使命是利他主义的：为所有人改善比特币的基础设施。
但他的第二次担任推特首席执行官之际，平台审查日益严格。2016 年大选揭露了外国势力如何利用推特传播虚假信息。国会听证会和广告商抵制也成了家常便饭。
2020 年大选后，挑战达到顶峰。Twitter 开始为有争议的推文贴上标签，并最终在 1 月 6 日国会骚乱后暂停了包括特朗普总统在内的高调账户。
多西为这些决定辩护，认为它们是必要的，但他也承认其影响。「我相信这是 Twitter 的正确决定，」 他在谈到特朗普账户被封号时写道。「但我也认为，重要的是要审视这一行动对全球公共对话的更广泛影响。」
这一经历强化了他日益增长的信念：中心化平台拥有过多权力。他开始资助去中心化替代方案的研究，包括 Twitter 支持的 Bluesky 项目，开发开放的社交媒体协议。
2021 年 11 月 29 日，多西第二次辞去 Twitter 首席执行官职务。他的辞职信解释了原因：「我决定离开 Twitter，因为我相信公司已经准备好摆脱其创始人。」
与第一次离开不同，这次的退出是自愿且有计划的。他为继任者、首席技术官帕拉格・阿格拉瓦尔（Parag Agrawal）做好了准备，并认为 Twitter 需要没有创始人时代包袱的领导。
不到一年后，埃隆・马斯克以 440 亿美元收购了 Twitter，并开始实施自己的愿景。多西保留了 2.4% 的股份，但对这些变化几乎未发表过公开评论。
离开 Twitter 后，多西成为去中心化的布道者。他捐赠了 14 个比特币支持 Nostr，一个无需中心服务器或企业控制的去中心化社交网络协议。
在 Block，他加倍投入比特币项目。公司开发了 3 纳米比特币挖矿芯片，并推出了 Bitkey，一款为主流用户设计的自托管钱包。Block 的挖矿硬件采用模块化设计，预计使用寿命为十年，而非行业标准的 3 到 5 年。
如今，多西站在技术和意识形态的交汇处。通过 Block，他在为后传统银行世界构建金融基础设施。通过比特币倡导和 Nostr 资助，他推动现有互联网平台的替代方案。
贯穿其中的是他相信个人应掌控自己的金融和数字生活的信念。比特币消除了对银行和政府的依赖。Nostr 消除了对平台公司的依赖。自托管钱包消除了对交易所的依赖。
这些都是重视个人主权而非机构控制的政治哲学表达。
多西依然专注于未来，就像他梦想实时城市地图时一样。他当前的项目反映了他认为最重要的互联网基础设施仍在建设中。
最初激发他灵感的警用扫描仪依然影响着他对沟通的思考。最好的信息是简洁、清晰、可操作的。
它们告诉你某人在哪里，将要去哪里。
其他一切都是噪音。
多西的成就不仅限于 Twitter 或 Block。他展示了复杂系统可以简化而不失功能。
扫描仪仍在噼啪作响。他仍在倾听。他仍在构建实时发生的一切地图。
关于杰克・多西的介绍就到这里。我们下一篇文章见。
JACK DORSEY'S BLOCK 正在研发 BITKEY 比特币钱包文/sean
在传统互联网领域有许多大佬关注着加密领域，Jack Patrick Dorsey就是其中一位...
Jack Dorsey 是一位美国软件工程师和科技创业者，如果你对他不是很了解，那么你有可能对Twitter、Square等有所耳闻并且使用，Jack Dorsey就是Twitter联合创始人和Square创始人兼CEO。
Twitter由Jack Dorsey在2022年卖给了马斯克，传言套现过亿美金，而Square这家公司则更名为了Block，一家于2009年成立的支付服务提供商。软件在2010年时就推出了移动支付应用服务，该软件可于iPhone、iPod Touch、iPad和基于Android系统的手机上运行，并允许用户通过手机在Block设备上刷卡或者手动输入细节使用信用卡。服务范围包括美国、加拿大、澳大利亚、日本等国家。
那么现如今，这个金融服务巨头 Block 似乎很努力的在向加密货币行业转向。一位Beta测试人员上传了一些图像，让人们第一次看到 Block 于2022 年首次发布的新型比特币硬件钱包，并展示了一个配有指纹检查器的小型六边形设备，为该设备增加了一层额外的生物识别安全性。
Block 进入硬件钱包市场之际，比特币的安全性和自我托管至关重要，名誉扫地的前 FTX 首席执行官 Sam Bankman-Fried 正在进行的审判就足以证明了这一点。
Bankman-Fried 对交易所的管理不善导致了价值数十亿美元的客户加密货币的损失，如果用户控制了这些资产的私钥，这些资金本就不会受到影响。所以我们也会看到，在FTX问题发生后，众多的资金转向了DEX。
Jack Dorsey希望做到一个安全、隐私、他人不可操控的加密货币存储单元。此前，就有暗示了Block公司对硬件钱包的愿景，强调了客户对其持有的比特币完全控制的重要性。该设备预计将符合这一理念，允许用户安全地独立管理他们的比特币资产。
目前，Block 的硬件比特币钱包仍然在测试期并未上市。预计将具有具有竞争力的价格，确保更多的人可以在不花太多钱的情况下参与加密生态系统。
Block 进军硬件钱包领域有望对加密货币存储行业产生重大影响，也将会巩固Block公司作为加密行业关键参与者的地位。更多的信息相信在不久的未来都会被Jack Dorsey逐一透露，目前来看距离Block公司的比特币钱包投入生产和上市似乎又进了一步。Jack 孔所投某项目遭盗币，犯罪嫌疑人2天内被抓回中国PANews 9月30日消息，Jack 孔在X平台表示，其投资的一个项目被盗，经过中国警方和国际组织的努力，在48小时内把潜逃泰国的犯罪嫌疑人送回中国，人赃俱获。Jack 孔对中国警方、泰国、BitMart及其CEO，以及慢雾、币安、Tether、imToken团队的帮助表示感谢。撰文：Alma Li，Techub News 导语： 从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。 在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。 核心观点： “真实的投研不是一个按钮，而是一套系统化的研究工程。” AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。 从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。 于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。 从项目上币到个人投资：研究目标变了，底层思维没有变 TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？ Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。 最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。 当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。 但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。 个人投研的痛点：信息不缺，决策过程却被切碎 TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？ Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。 在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。 这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。 “它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。 AI 不是买卖按钮，而是可复现的研究助理 TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？ Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。 他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。 在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。 这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。 “我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。” 数据分层：先定义证据质量，再让 AI 推理 TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？ Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。 他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。 这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。 Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。 AI 带来知识平权，不等于认知平权 随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。 “我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。” 差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。 对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。 先在自己身上验证，再考虑产品化 目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。 考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。 参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。 独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。 当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。 投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。 编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。 免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
