Loading...
Loading...
Google 首席科学家 Jeff Dean（杰夫·迪恩）与 Transformer 之父 Noam Shazeer（诺姆·沙泽尔）：25 年 AI 之路与 AGI 蓝图撰文：Techub News 整理
导语
2025 年 2 月，知名播客主持人 Dwarkesh Patel 邀请到了 Google 的两位传奇工程师——首席科学家 Jeff Dean（杰夫·迪恩）和 Transformer 架构共同发明人 Noam Shazeer（诺姆·沙泽尔）进行了一场深度对话。两人均在 Google 工作了近 25 年，是塑造现代计算与 AI 格局的关键人物。Jeff Dean 主导了 MapReduce、BigTable、TensorFlow、TPU 等基础系统的开发，如今是 Gemini 项目的三位联合负责人之一。Noam Shazeer 则是 Transformer、Mixture of Experts、Mesh TensorFlow 等核心 AI 技术的发明者或共同发明者，同样深度参与 Gemini 项目。这场对话不仅是对 Google 25年技术史的回顾，更是两位顶尖大脑对 AGI（通用人工智能）未来路径的前瞻性探讨，揭示了从硬件设计、算法创新到组织形态的深层思考。
摘要
从 N-gram 模型到 Transformer：回顾了 Google 早期在语言模型（如 2007 年的两万亿词条 N-gram 模型）上的探索，以及 Transformer 诞生的必然性与偶然性。
硬件与算法的「共舞」：探讨了摩尔定律变迁下，从通用 CPU 到专用 AI 芯片（如 TPU）的转变如何反过来塑造了深度学习算法的发展。
推理计算的范式转变：未来 AI 能力的飞跃将更多来自「推理时计算」的扩展，通过搜索、验证和多步思考，让模型在回答问题时「想得更深」。
下一代 AI 架构构想：提出了超越当前 Transformer 的、更「有机」的模型生长方式，灵感来源于大脑的模块化与连接可塑性，以适应硬件层级和多样化任务。
Google 的 AGI 愿景：AI 不仅是信息检索，更是信息组织与创造的工具，其目标是理解多模态世界并帮助人类完成复杂任务。
从 25 人到 AGI：Google 的技术演进史
当被问及在 Google 早期是否了解公司的一切时，Jeff Dean（杰夫·迪恩）幽默地回忆起公司规模的指数级膨胀。他加入时 Google 只有约 25 人，可以记住每个人的名字和项目。但随着公司壮大，会经历「知道所有软件工程师」到「只知道所有项目」，再到「收到‘鸭嘴兽项目’上线邮件却不知其为何物」的阶段。Noam Shazeer（诺姆·沙泽尔）的加入故事则更具偶然性：1999 年在招聘会上看到 Google，误以为已是巨头而错过，2000 年因喜欢其搜索引擎而投递简历，被当时墙上用蜡笔绘制的、呈指数增长的每日搜索查询图表所吸引，决定加入这个「一群聪明人做好事」的地方，并计划「赚够钱后就去专心研究 AI」——这个计划以他未曾预料的方式实现了。
两人回顾了 Google 如何天然成为 AI 研究的沃土。公司的使命——「整合全球信息，供大众使用，使人人受益」——本身就是一个需要先进 AI 才能实现的宏大目标。从早期的网页索引和搜索，到后来的机器翻译、拼写纠正，AI 一直是 Google 核心业务的延伸与深化。
硬件与算法的共生：从摩尔定律到 TPU
对话深入探讨了硬件进步如何与算法发展相互塑造。Jeff Dean（杰夫·迪恩）指出，过去二十年，摩尔定律在通用 CPU 上的红利逐渐消退，但专用机器学习加速器（如 TPU 和 GPU）的崛起，使得针对现代计算（尤其是矩阵运算）的高性能和高效能成为可能。Noam Shazeer（诺姆·沙泽尔）进一步阐释，当前深度学习得以爆发，正是因为算术变得极其廉价，而数据移动相对昂贵。这使得以大量矩阵乘法（N³ 运算，N² 数据通信）为核心的架构成为主流。
这种硬件特性直接影响了算法设计。Jeff Dean（杰夫·迪恩）以量化为例说明了「协同设计」的重要性。早期 TPUv1 冒险采用 8 位整数进行推理，如今训练和推理已可使用 INT4 甚至更低的精度。这需要算法设计者意识到低精度能带来巨大的吞吐量/成本提升，并与芯片设计者紧密合作。他调侃道，如果只问当前的算法研究者，他们可能会因为量化带来的麻烦而拒绝；但如果能看到全貌，知道量化能让模型快三倍，「那么你就得忍受这点麻烦」。
两人还设想了一个反事实世界：如果内存成本下降速度远快于算术成本，AI 可能会更像 20 年前的样子，依赖对大型内存的查找，而非如今的计算密集型模型。这凸显了当前技术路径的硬件依赖性。
早期探索与 Transformer 的必然性
Jeff Dean（杰夫·迪恩）分享了他 1990 年的本科论文，内容是在 32 处理器超立方机器上并行化神经网络的反向传播。他当时天真地以为 32 个处理器就能训练出强大的神经网络，后来才发现需要百万倍的计算量。直到 2008-2010 年左右，得益于摩尔定律，神经网络才开始在真实问题上发挥作用。
更引人注目的是 Google 在 2007 年的工作：为参与 DARPA 机器翻译比赛，团队训练了一个基于两万亿词条的五元文法（5-gram）语言模型。当时的系统翻译一个句子需要 12 小时，因为要进行数十万次磁盘寻址。Jeff Dean（杰夫·迪恩）与团队合作，设计了内存中的压缩数据结构，将翻译延迟降至 100 毫秒左右。这个将整个互联网词汇关系进行潜在表征的系统，可视为当今大语言模型的早期雏形。Noam Shazeer（诺姆·沙泽尔）则在更早的 2001 年就构建了基于语言模型的拼写纠正系统，其准确性令全公司惊叹。
当被问及是否当时就预见到 N-gram 模型会通向智能时，两人都给出了否定的答案。Noam Shazeer（诺姆·沙泽尔）认为，语言建模之所以成为「世界上最好的问题」，在于其目标简单（预测下一个词的概率分布）、拥有近乎无限的训练数据（互联网文本），并且是「AI 完备」的——做好这一点，几乎就能解决任何问题。Transformer 的诞生被形容为「想法已在空气中」，需要有人将注意力机制、键值存储等已有灵感组合起来，并解决关键的新问题。
从信息检索到 AGI：Google 使命的扩展
随着 AI 模型从检索信息（如 BERT 用于搜索）发展到实际完成工作（如编写代码），Google 的核心使命也在演进。Jeff Dean（杰夫·迪恩）认为，Google 始终是「组织全球信息」的公司，但这一定义已超越检索，涵盖了「根据指导创造新信息」。例如，帮助用户给兽医写信、总结视频内容、处理基因组或自动驾驶汽车激光雷达数据等。
AI 的目标是理解存在于所有模态中的世界信息，并将其转化为对人们有用的洞察，帮助他们完成各种任务——无论是娱乐性聊天，还是从上百个网页中综合信息回答复杂问题。Noam Shazeer（诺姆·沙泽尔）更展望了消除语言障碍的愿景：让任何语言的使用者都能无障碍获取和理解任何内容（如观看任何语言的视频）。
长上下文、推理计算与模型进化
当前模型的上下文长度有限（虽已可达百万 token），且存在「幻觉」问题。Noam Shazeer（诺姆·沙泽尔）指出，模型参数记忆事实的效率较高（大约每个参数记忆一个事实），但上下文中的每个 token 需要大量内存存储键值。未来的挑战是让模型能够「关注」数万亿 token，例如整个互联网或个人的全部信息。这需要突破二次复杂度的朴素注意力算法，开发新的近似算法。
两人都认为，未来 AI 能力提升的关键将从预训练更多地转向「推理时计算」。Noam Shazeer（诺姆·沙泽尔）算了一笔经济账：即使进行一万亿次操作 per token，成本也极低，使得与模型对话比阅读平装书便宜 100 倍，比咨询客服、软件工程师或医生便宜无数个数量级。因此，有巨大空间通过增加推理计算来让模型「更聪明」。Jeff Dean（杰夫·迪恩）描述，这就像有一个旋钮，拧得越多（消耗更多计算），答案质量就越高。这对于重要性不同的问题非常有用。
实现更高效推理需要算法创新，例如使用「草案模型」：让小模型一次预测多个 token，再由大模型验证，从而突破单 token 解码的瓶颈。此外，搜索（探索多种解决方案路径）将是利用额外推理计算的核心部分。
下一代架构：超越 Transformer 的「有机体」
在对话最富想象力的部分，Jeff Dean（杰夫·迪恩）勾勒了超越当前 Transformer 的下一代 AI 架构蓝图。他称之为更「有机」、不那么精心数学构造的机器学习模型。灵感来源于大脑的不同专门化区域，以及连接的可塑性。
模块化与专门化：超越混合专家模型当前的结构化形式，实现更有机的「专业能力」生长。模型可以根据需要，在特定领域增加容量并学习更多。
连接适应硬件：模型连接方式应适应硬件层级。同一芯片/HBM 内的「神经元」连接应极度密集；跨芯片连接减少；跨 TPU Pod 或跨数据中心（城域）的连接则更少，仅传递最重要的表征信息。Jeff Dean（杰夫·迪恩）希望这种连接模式能有机地涌现出来，而非手动指定。
动态计算分配：这种「有机体」可以根据任务需求，动态激活不同规模的计算子图。需要 10 个工程师的输出或 100 个工程师的输出，不是调用更多代理实例，而是激活不同模式或更大规模的子图。计算量可能因任务难度差异万倍甚至百万倍。
持续进化与蒸馏：这个系统可以持续进化，虽然部署复杂，但可以通过蒸馏技术，定期将其能力提取到高效、可服务的模型中。Jeff Dean（杰夫·迪恩）呼吁业界发明能瞬间将巨型「有机体」蒸馏到手机上的技术。
Noam Shazeer（诺姆·沙泽尔）补充，要实现这种飞跃，还需要改进训练目标。仅仅预测下一个 token 可能不是最有效的学习方式。人类会通过回答问题、视觉输入、在环境中行动并观察结果（如婴儿学习重力）来学习。让模型在学习过程中采取行动，将比被动观察数据集有效得多。甚至，模型可以通过「思想实验」或自我对弈（如 AlphaZero 下棋）来提升，无需外部数据。
研发加速、数据效率与开源思考
随着 AI 自动化自身研发过程，进步可能加速。Noam Shazeer（诺姆·沙泽尔）指出，当前全球可能有上万名 AI 研究者，每年产生 Transformer 级突破的概率或许是 10%。如果这个社区通过 AI 工具扩大千倍，可能会带来突破的井喷。自动化探索可以让人工研究者从繁琐实验中解放，更专注于高层指导。
Jeff Dean（杰夫·迪恩）特别提到利用 AI 加速芯片设计的潜力。当前芯片设计周期长达 18 个月以上，制造只占其中一小部分。如果通过自动化搜索大幅缩短设计时间，就能更快地响应算法变化，实现更快的硬件迭代，形成加速反馈循环。
关于数据效率，人类仅接触过约 10 亿 token 的数据，却掌握了大量知识。这表明当前模型从数据中提取信息的能力还有巨大提升空间。通过改变训练目标（如掩码预测、dropout、多轮学习）、纳入更多视觉数据，以及让模型通过行动学习，可以大幅提升样本效率。
当被问及 Google 早期开源 Transformer 等核心技术是否后悔时，Noam Shazeer（诺姆·沙泽尔）认为，看到其他公司的进展有助于认清机会规模，而且市场并非零和游戏。AI 将带来 GDP、健康、财富等领域的数量级增长。如今，Google 会根据技术的关键性和产品化节奏，灵活决定是立即发表、产品化后发表，还是仅内部使用。目标是在推动领域发展与保持竞争优势间取得平衡。
25 年长青的秘诀：好奇心、谦逊与协作
回顾长达 25 年且横跨多个领域的突破性职业生涯，两人分享了他们的秘诀。Jeff Dean（杰夫·迪恩）强调持续学习新领域的重要性：关注研究动态，与不同领域的同事合作，让专业知识相互「感染」，从而获得解决新问题的综合能力。Noam Shazeer（诺姆·沙泽尔）则认为「谦逊」是关键：要能随时放弃自己的想法，拥抱更好的方案。他提到 Google Brain 早期「自下而上」的算力分配（类似全民基本收入），鼓励了探索和失败；而如今 Gemini 项目更多「自上而下」的协调，则促进了协作，减少了重复建设。未来的理想模式是两者结合，既鼓励协作，也保持灵活性。
Jeff Dean（杰夫·迪恩）还有一个名为「去吧，杰夫，疯狂点子」的内部幻灯片，用于分享他基于新能力设想的产品方向，以此激发团队兴趣，而非强制命令。这或许正是 Google 这个科技巨头能持续创新的文化缩影。在这场跨越四分之一世纪的回顾与展望中，两位先驱不仅梳理了 AI 发展的来路，更为我们描绘了一条通往更强大、更有机、更通用人工智能的激动人心的未来路径。
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：Transformer 架构八年未变，AI 的未来在于企业应用撰文：Techub News 整理
导语
2017年，一篇名为《Attention is All You Need》的论文横空出世，其提出的 Transformer 架构彻底改变了人工智能的发展轨迹，开启了生成式 AI 的浪潮。八年后的2025 年 6 月，这篇论文的八位作者之一、当时还是一名大三本科生的 Aidan Gomez（艾丹·戈麦斯）已成长为估值数十亿美元的 AI 独角兽 Cohere 的 CEO。在 The MAD Podcast 主持人 Matt Turck 的深度访谈中，Gomez 首次详细揭秘了 Transformer 论文诞生背后的“意外”故事，并阐述了他为何坚信企业级 AI 而非追逐 AGI（通用人工智能）才是 AI 技术造福世界的正道。这场对话不仅是对 AI 发展史上关键节点的回顾，更是对当下 AI 商业化路径与未来趋势的一次深刻洞察。
摘要
Transformer 的诞生源于“行政错误”与有机合作：Gomez 进入 Google Brain 实习源于一场误会（其经理误以为他是博士生），而论文的诞生则是几个独立研究小组因共同兴趣自发合并、冲刺会议 deadline 的结果。
Transformer 架构统治力惊人，八年未遇挑战：Gomez 坦言，Transformer 的持久性“令人震惊”，其成功部分源于整个 AI 基础设施（包括芯片）都已围绕其优化，新架构的替代门槛极高。
“推理计算”是重大突破，但潜力远未挖尽：让模型在不同问题上分配不同“思考”时间的“推理计算”范式解锁了巨大能力，且实现成本远低于预训练，未来将在科学、医疗、企业自动化等领域发挥更大作用。
Cohere 押注企业 AI 而非 AGI“宗教”：Gomez 直言不喜欢 AGI 圈子的“角色扮演”和“新宗教”氛围，认为通过 AI 提升人类生产力、降低成本和改善服务（如医疗）才是更有意义的方向。
智能体（Agent）平台“North”是企业 AI 的核心：Cohere 的垂直整合战略使其能提供从底层模型（Command、Embed）到上层智能体平台（North）的全栈解决方案，并特别注重数据安全（支持本地/私有云部署）和多语言/多模态能力。
Transformer 诞生记：一场美丽的“意外”
2017年，还在多伦多大学读大三的 Aidan Gomez（艾丹·戈麦斯）通过一封“cold email”联系上了 Google Brain 的研究员，原因是他反复在阅读的论文作者栏看到这个名字。他提出了自己对论文的一些扩展想法，并由此获得了一个实习机会。“我经理以为我是博士生，”Gomez 回忆道，“所以我想我是通过一个行政错误进去的——我们通常不招本科生。”这个“错误”让他坐到了另一位论文合著者 Noam Shazeer 旁边，并加入了 Lucas Kaiser 的团队。
最初的项目是一个名为“One Model To Learn Them All”的多模态模型。在开发过程中，Gomez 和 Kaiser 构建了一个名为“Tensor2Tensor”的框架用于高效分布式训练，并成功说服了邻座的 Noam Shazeer 使用它。随后，他们发现 Google Translate 团队也在进行类似的研究。“我们意识到大家在做同一件事，”Gomez 说，“我们都关注基于文本的自回归模型，并且更纯粹地利用注意力机制，而不是之前那些复杂且有些‘丑陋’的 RNN、LSTM 模型。”于是，几个小组决定合并力量，专注于打造一个最简单、高效的基于注意力的语言模型——这就是 Transformer 的雏形。
论文的写作过程堪称“疯狂冲刺”。团队为了赶上顶级 AI 会议 NeurIPS 的投稿截止日期，进行了高强度的工作。“我们尝试了无数东西，修补了很多小 bug，”Gomez 举例道，比如最初纯注意力架构无法区分序列中元素的位置信息，是 Noam Shazeer 灵光一现，提出了在嵌入中添加正弦波来表示位置的方法——这个方案至今仍被广泛使用。
论文发表后，在自然语言处理（NLP）和机器翻译的小圈子内引起了兴奋，但当时远未达到后来革命性的广泛认知。对于 Google 为何没有更快地利用 Transformer 架构开发出类似 ChatGPT 的产品，Gomez 澄清道，Google 实际上迅速将 Transformer 应用到了搜索和翻译等核心产品中（如 BERT）。“准确的说法是，他们没有像 OpenAI 那样早期且独特地全力投入互联网文本的纯序列建模（即大规模语言模型预训练）。” Gomez 总结道。
Transformer 为何统治八年？生态锁定与极高的替代门槛
距离论文发表已过去八年，Transformer 架构依然是 AI 领域的绝对主流，这一点连 Gomez 本人都感到“震惊”。“我们今天训练的 Transformer 和当年的看起来如此相似，”他说。他认为，这并非因为研究社区缺乏新想法，而是一个“自我实现的预言”或“强化循环”。
整个 AI 社区对 Transformer 的热情催生了专门为其优化的庞大基础设施堆栈。“我们现在甚至有专门为该架构优化的芯片，”Gomez 指出。因此，要转向一种新架构，需要付出巨大的努力和能量去重写一切。“新架构必须提供极其令人信服的理由（才能取代它），而我们还没找到那个架构。”他坦言，替代的门槛已被推得极高。
Gomez 本人也曾热切期待 Transformer 的继任者。他甚至将 Cohere 纽约办公室的一间会议室命名为“SSM”（状态空间模型），坚信它将是替代者。但现实是，Transformer 就像一个“伟大的艺术家”，不断吸收其他架构（如 SSM、扩散模型）中的优秀思想，并将其整合进自身，从而持续进化，保持了领先地位。
推理计算：一个“显而易见”却改变游戏规则的想法
近半年来，“推理计算”（Test-Time Compute）或“思维链”推理成为 AI 领域的热点。但在 Gomez 看来，这其实是一个酝酿已久且“显而易见”的方向。“我们已经知道它要来好几年了，”他说。
其逻辑在于：在引入推理能力之前，语言模型对所有输入（无论是“1+1”还是“治愈癌症”）都分配相同的“能量”和即时响应时间。这显然不合理。不同复杂程度的问题理应获得不同的“思考”资源。推理计算正是让模型能够根据问题复杂度，动态分配计算步骤（“思考时间”）的范式。
“它的有效性令人惊讶，”Gomez 评价道。模型仅需极少量的人类示范（如何一步步思考），就能自己掌握推理方法，从而解锁了前所未有的能力。更关键的是，实现推理能力的成本“远低于预训练”，使得智能提升变得“非常容易获得”。
然而，Gomez 认为这仅仅是开始。“我们只是触及了表面。”目前的研究主要集中在数学和编程领域，但在医学、物理、化学等纯科学领域，以及企业自动化场景中，还有巨大的空白等待探索。“所有有趣的问题都需要推理。”
从研究到创业：为何 Cohere 选择“枯燥”但重要的企业 AI
在目睹了早期大规模语言模型展现出的惊人能力后，Gomez 联系了他在 Google Brain 结识的两位朋友 Nick 和 Ivan，共同创立了 Cohere。与许多同期涌现的、目标直指 AGI 的明星实验室不同，Cohere 很早就确立了企业 AI 的方向。
“我从来不喜欢整个 AGI、有效利他主义圈子的氛围，”Gomez 直言不讳，“感觉像在角色扮演，像人们在创立一种新宗教……‘创造上帝’这类东西。我不喜欢那种精神气质。”相比之下，企业级应用或许听起来“枯燥”，但他认为其意义远为重大。
“提升人类生产力，让人类能做更多事，增加供给，降低事物成本，让人类成就更多——这些远比‘建造上帝’或‘从 AI 手中拯救世界’更激励我。我想用 AI 来拯救世界。” Gomez 阐述了他的理念。他希望通过 AI 让医生花更少时间写病历、填表格，而将更多时间用于诊治病人；为医生配备能帮助他们研究罕见病例的智能体。他的目标是让这项技术在全球经济中真正发挥作用。
当然，作为行业领军者，他无法完全避开关于 AGI/ASI（人工超级智能）的讨论。但他认为，AGI 的定义模糊且不断变化。“我认为我们在很大程度上已经拥有了 AGI。”他举例说，如果在他和 Cohere 的模型之间选择谁来诊断开药，理性的选择肯定是模型。“我保证它懂得比我多。”AI 已经在许多方面比普通人更聪明，并且未来在某些领域超越最顶尖的人类专家也是必然趋势。“我反对那些贩卖末日论调的人，”Gomez 总结道，“技术进步意味着什么？其切实的影响才是关键。”
Cohere 的全栈蓝图：模型、智能体与安全优先
Cohere 采取了一条垂直整合的道路。其核心是自研的模型层：包括生成模型 Command（对标 GPT、Llama 等）和搜索模型系列（Embed V4, Rerank 3.5）。这些模型构成了其智能体平台“North”的基石。North 允许企业构建能接入内部所有软件和数据的 AI 智能体，让其去完成具体任务。
Gomez 特别强调了 Cohere 在安全部署上的独特优势。与许多提供 API 调用服务的竞争对手不同，Cohere 可以将其模型直接部署在客户的硬件上，无论是在客户的云虚拟私有云（VPC）中，还是为受监管行业部署在本地数据中心。“这带来了巨大的解锁效应，”Gomez 解释，因为 AI 智能体需要访问企业的核心数据（邮件、文档、客户记录等），数据不出境、完全私有的部署模式让客户更放心地接入更多关键系统，从而发挥 AI 的最大价值。
在模型训练数据方面，Gomez 证实了合成数据已成为主流且效果卓越。“合成数据现在是我们训练 Command 等模型所用数据的主要部分，而且在许多情况下，它实际上比人类数据更有用。”他举例说，人类回答问题时往往简洁（如直接回答“11”），但人类实际上更喜欢模型那种充满同理心、耐心细致的回答风格。因此，他们需要用模型来重写人类答案，以生成风格更优的训练数据。
此外，Cohere 在多语言和多模态上也投入颇深。其 Cohere For AI 实验室发布了支持超百种语言的模型。Gomez 指出，日语、韩语等市场被严重低估，现有技术无法满足其企业级文档处理需求。因此，Cohere 选择与富士通（日本）、LGCNS（韩国）等地区巨头合作，开发针对当地语言和企业场景的定制模型。多模态能力也被视为企业场景的“入场券”，对于理解包含图表、幻灯片的 PDF 文档以及实现计算机视觉操控（让 AI 使用图形界面）至关重要。
智能体（Agent）的现在与未来：从研究到落地
Cohere 的智能体平台 North 目前处于早期访问阶段。Gomez 将其描述为一个“完全私有化、高度可定制、原生支持推理的消费级聊天机器人升级版”。它可以集成企业内部的任何软件，并花时间（几分钟甚至几十分钟）进行深度研究、筛选数据以完成任务。
他分享了一个生动的用例：财富管理。当突发事件（如战争、新关税）爆发时，理财经理的客户会纷纷来电询问对策。经理通常需要花费数周时间研究并制定对冲组合方案，但市场瞬息万变，等方案出炉可能已错过时机。North 这样的智能体可以极快地阅读海量分析报告和新闻，迅速提出初步方案，人类经理在此基础上进行修改和决策，将周期从数周缩短到数小时。
面对智能体能力泛化可能带来的“选择困难症”，Gomez 观察到市场已经发生了变化。“早期客户会问‘AI 很酷，董事会给我压力，我该用它做什么？’我们需要帮他们识别机会。但现在，客户的成熟度大大提高了。他们很清楚自己要做什么，只需要一个合作伙伴来帮他们执行这个路线图。”许多大企业会带着数百个已识别的用例来找 Cohere。
当然，智能体并非万能。Gomez 指出，在医疗、金融等敏感领域，必须保持“人在回路”的监督。此外，在需要真正突破性科学发现（如解决千年数学难题、发现新化合物）的领域，AI 目前还无法提供核心帮助，但他相信这一天很快就会到来。
CEO 的展望：技术乐观主义与社会关切
当被问及什么让他夜不能寐时，Gomez 的答案出人意料地并非技术挑战。“让我睡不着的是政治，”他说，“是世界各地出现的分裂……我主要担心我们的社会、自由民主制度。我为自由主义过去一个世纪取得的进步感到担忧。”
但他对 AI 持乐观态度，认为 AI 可以成为一股强大的向善力量，帮助“好人”获胜，并解决过去十五年来全球经济面临的一些问题，如生产力增长缓慢、财富分配不均等。
对于 Cohere 未来三到五年的成功愿景，Gomez 希望看到 AI 技术带来可衡量的 GDP 和生产力增长，希望这项技术能在全球范围内整合，成为每个人日常工作的一部分，而不仅仅是娱乐或搜索工具。“我希望它能帮助人们成就更多，让东西变得更便宜、更丰富。”这或许正是这位从一场“意外”中走出的 AI 先驱，为其所创造的技术所描绘的最朴实也最宏大的蓝图。
Cohere CEO Aidan Gomez（艾丹·戈麦斯）：企业 AI 的规模化边界、合成数据与后 Transformer 时代撰文：Techub News 整理
导语
2025 年 4 月，Transformer 架构论文的八位作者之一、知名 AI 公司 Cohere 的联合创始人兼 CEO Aidan Gomez（艾丹·戈麦斯）做客由 Redpoint Ventures 制作的播客节目《Unsupervised Learning》。在这场长达 51 分钟的深度对话中，Gomez 以其独特的双重身份——既是奠定当前 AI 浪潮基础的关键研究者，又是领导一家估值数十亿美元 AI 公司的掌舵人——分享了关于企业 AI 落地、模型能力边界、数据策略以及未来 AI 架构演变的深刻见解。在当前 AI 从狂热探索转向务实落地的关键节点，Gomez 的思考为行业提供了宝贵的路线图。
摘要
企业 AI 成功的关键在于“中间路线”：既非纯咨询，也非纯标准化产品，而是需要深度支持与定制化集成，尤其要解决数据隐私和跨软件访问的复杂性问题。
规模化定律正在失效：单纯堆砌算力和资本的“暴力美学”已进入回报递减阶段，未来的模型进步需要更聪明、更具创造性的算法和数据策略。
合成数据成为主力，但人类评估仍是黄金标准：在模型训练中，合成数据已占主导，能极大降低成本；然而在评估模型输出的有效性和安全性时，人类专家仍不可或缺。
推理能力是当前最大突破：具备“测试时计算”（test-time compute）或“思维链”能力的模型，在处理此前无法解决的复杂业务流程自动化任务上，实现了从“几乎总失败”到“几乎总成功”的质变。
Transformer 架构终将被超越：尽管 Transformer 展现了惊人的生命力，但作为其共同创造者的 Gomez 热切期待在 5-10 年内出现新的、更优越的 AI 基础架构。
企业 AI 的落地模型：定制化集成是胜负手
面对企业如何部署生成式 AI 的多种模式——从纯咨询服务、自带工程团队的产品化方案，到开箱即用的标准化产品——Aidan Gomez（艾丹·戈麦斯）认为，长期来看，“中间路线”将会胜出。AI 是一项复杂的新技术，企业往往需要帮助才能将其整合到现有经济体系和五花八门的软件生态中。
Gomez 指出，AI 智能体要实现有效的自动化，必须拥有与人类员工同等级别的信息访问权限。这意味着它需要接入企业的电子邮件、聊天记录、通话、CRM、ERP、HR 软件等几乎所有系统，以获取足够的上下文。这带来了两大挑战：首先是前所未有的隐私问题，很少有软件需要如此广泛的数据访问权限，因此隐私在 AI 领域比其他企业软件更为关键；其次是极高的定制化需求，每家公司的软件“马赛克”都独一无二，没有标准配置，因此需要大量定制化工作来整合所有上下文并接入模型。
这正是 Cohere 在其新的智能体平台“North”上投入巨资的方向：让平台更容易根据每家公司的特定软件图谱进行定制和集成。Gomez 坦言，实现完全自助、无需人工干预的安装和配置目前仍是“幻想”，未来更可能是一种“中间状态”——自动化解决部分问题，但鉴于访问薪资数据、客户数据或患者数据等敏感信息的风险极高，相当多的安全护栏（guardrails）和人工监督仍是必要的。
产品市场契合点：从客户支持到深度研究
凭借与众多企业合作的独特视角，Gomez 分享了当前他认为已具备明确产品市场契合度（PMF）的 AI 用例。
客户支持是技术已准备就绪、需求极为明确的领域，正在电信、医疗、金融服务等各个垂直行业快速铺开。另一个难以归类但需求旺盛的领域是研究增强——用 AI 智能体辅助人类，将需要一个月的研究工作在短短一两个小时内完成。他举了一个生动的例子：银行的财富经理接到客户要求对冲某个未来地缘政治事件的请求，传统上需要耗时数日进行紧急研究。而现在，能够阅读海量资料并生成带有引用来源的详实报告的 AI 模型，可以将这类知识工作的效率提升十倍。
展望未来 12 个月，Gomez 预测，随着像 North 这样的自动化基础设施在企业中部署到位，更多“平凡的”后台办公室工作将开始上线，例如财务、法务领域的流程自动化。此外，销售也是一个成熟的领域。销售人员在会见客户前需要进行的内部和外部研究（公司战略、关键联系人、历史沟通记录等），完全可以由 AI 智能体高效完成，生成一份全面的情报简报，从而极大提升销售效率。
关于企业是选择多个“最佳单项”解决方案，还是一个统一的平台，Gomez 认为会经历一个从分散到整合的过程。初期各部门可能采购各自的应用，但很快他们会发现，销售智能体不能只接入 CRM，财务智能体也不能只接入 ERP，它们都需要连接公司内所有其他信息源。维护这些分散应用与所有数据源的连接将带来巨大的负担，因此最终会强烈倾向于整合到一个统一的、能接入一切、并实现所有自动化目标的平台。这也正是 Cohere 通过 North 平台所布局的“长线游戏”。
模型战略：垂直整合与专业化之路
在“一个模型统治一切”还是“多个专业模型并存”的辩论中，Gomez 的观点经历了演变。他最初更倾向于需要专业模型，但随着模型展现出自我发展出“专家子网络”的能力，这种压力有所缓解。
然而，定制模型仍然至关重要。基于网络数据训练的通用模型，缺乏关于特定业务或领域的根本性上下文信息。网络上有大量关于人类历史、文化、科学的信息，但制造业数据、客户交易数据、详细的个人健康记录等并不在网络上。对于这些模态或数据类型，Cohere 的做法是与拥有这些数据的机构合作，创建仅供其访问的定制模型，使其在该领域变得非常出色。
尽管如此，通用模型的能力已经非常卓越，而合成数据能够显著弥合差距。因此，Gomez 认为，一个组织内部不会运行数十或数百个模型，可能只有少数几个。他并不认为每个团队都需要自己的微调模型，除非他们专注于模型从未接触过的某种新型数据。
谈到 Cohere 同时构建底层模型和上层应用（North）的垂直整合战略优势时，Gomez 强调，这让他们拥有更多杠杆来提供客户所需的体验。最新版的 Command 模型已经针对 North 平台中客户需要的用例进行了优化，例如知道如何使用 ERP、如何与 CRM 协作。这种技术与客户实际需求之间的深度整合，对于产品质量至关重要。许多现有应用未能兑现其对用户的产品承诺，部分原因就在于它们只是技术的消费者，无法为了客户需求而改变底层技术。
数据与评估：合成数据当家，人类把关仍在
在数据策略方面，Gomez 揭示了当前模型训练的前沿实践。合成数据已经占据了 Cohere 为新模型生成数据的“压倒性多数”。用 10 万名医生来教模型学医的成本高得不可行，但用 100 名医生提供高质量、可信赖的“种子”数据，然后生成上千倍的合成仿制数据，则是可行的策略。在代码、数学等可验证领域，这更容易实现，因为可以检查结果并过滤垃圾数据。在其他领域虽然更复杂，但仍然是可行的。
然而，在模型评估（Eval）环节，人类仍然是无法脱离的“黄金标准”。Gomez 明确指出，要让人类退出评估循环，除非有一个比当前模型更专业的“专家”来观察它，但这首先假设你能构建出那个“专家”。因此，在评估方面，仍然严重依赖人类。毕竟，最终使用模型的是人，他们最适合评估模型的有用性。
能力突破：推理改变游戏规则，规模化遭遇瓶颈
Gomez 兴奋地谈到，推理能力是当前一代模型最明显的突破。对于 Cohere 专注的企业场景而言，推理的意义不在于解决数学奥林匹克竞赛，而在于教会模型使用人类在业务中使用的工具，来推理并解决业务中存在的问题。
在具备推理能力之前，许多任务根本无法让模型达到足够的准确度来完成，几乎是“不可能”的，模型几乎总是失败。而有了推理能力后，模型几乎从不失败。无论是多复杂的任务，它似乎都能找到办法完成。推理能力解锁了“反思”——理解第一次尝试为何失败，并利用这个信息找到达成同一结果的其他路径。这带来了真正的解放。
同时，Gomez 明确表示，“规模即一切”的假说正在被打破。资本和算力的回报递减效应已经非常明显。行业将不得不变得更聪明、更有创造力，才能解锁技术的下一个台阶。他认为这是好事，是对创新者施加的良好压力，迫使大家去探索和尝试。旧策略（单纯砸钱堆算力）是“无聊且愚蠢的”，他更期待新时代的到来。
未来架构：Transformer 的统治终将结束
作为 Transformer 架构的共同创造者，Gomez 对此架构的持久统治感到惊讶甚至“不满”。他坦言，如果在 2018 年（Transformer 论文发表一年后）被问到，7 年后我们是否还会主要使用 Transformer，他会认为概率“接近零”。
尽管目前出现了像状态空间模型（SSM）、离散扩散模型等有潜力的新架构，但往往发现可以将它们的优点“偷”过来融入 Transformer，从而削弱了彻底更换架构的必要性。例如，离散扩散模型在用户体验上很酷（像图像扩散一样从噪声中生成文本），但它是否真的是比 Transformer 更好的语言模型？Gomez 表示怀疑。
尽管如此，他热切期望在未来的 5 到 10 年内，会出现新的、成为主流的 AI 架构。“拜托，一定要有（新架构）。”他说道。这反映了一位奠基者对技术持续进步的真诚渴望。
AI 与社会：乐观前景与务实关切
Gomez 对 AI 的未来持乐观态度，但并非乌托邦式的幻想。他认为 AI 不会导致大规模失业，因为世界面临的是供给约束而非需求约束。只要能够将人们转移到需要的岗位并进行再培训，人类的需求是无限的。AI 技术将增强人类，让他们能够产出更多世界需要的东西。
他关注的 AI 风险更侧重于中短期：担心恶意行为者（尤其是国家层面）可能获得的能力；希望自由民主国家能率先掌握并建立优势；担忧社会是否具备足够的基础设施来帮助受影响岗位的人员转型到新的、更有成就感的工作。至于“终结者”式的生存风险（x-risk），他认为目前有足够多近中期的现实问题需要关注和解决，不应让公众和政策制定者的焦点过早集中在末日场景上。
最后，Gomez 分享了他最期待的下一个模型能力突破：从经验中学习。目前，模型无法记住与用户的互动历史和学习反馈，每次对话都像是面对一个刚来的实习生。他憧憬未来模型能像真正的实习生一样，在用户的教导和反馈中成长，从不犯错到熟练，最终成为用户的“2.0 版本”。这种与系统共同成长的联系，将彻底改变人机交互的深度和价值。
QURANUM Protocol: 자산을 자본으로, 자본을 시장으로QURANUM Protocol: 자산을 자본으로, 자본을 시장으로
실물자산을 온체인화하는 것은 시작에 불과한 이유
한동안 실물자산(RWA)을 둘러싼 가장 큰 질문은 상당히 단순했습니다: 전통적인 자산을 온체인에 올릴 수 있는가?
오늘날 이 질문은 점점 덜 중요해지고 있습니다. 관련 인프라는 이미 빠르게 발전하고 있기 때문입니다.
토큰화된 자산은 2026년에도 지속적으로 성장하고 있습니다. Centrifuge의 최신 연중 보고서에 따르면, 7월 말 기준 분산형 토큰화 자산의 가치는 약 370억 달러에 달했으며, 이는 연초 약 250억 달러에서 크게 증가한 수치입니다. 토큰화된 미국 국채는 여전히 시장에서 가장 큰 비중을 차지하는 자산군 중 하나이며, 토큰화된 주식, 원자재 및 기타 자산군 역시 지속적으로 확대되고 있습니다.
그렇다면 다음 질문은 어쩌면 *“우리는 또 무엇을 토큰화할 수 있는가?”*가 아닐지도 모릅니다.
진짜 질문은 이것입니다:
“이 모든 자산이 온체인에 올라온 이후, 우리는 실제로 무엇을 할 수 있는가?”
바로 여기서부터 이야기가 흥미로워지기 시작합니다.
표현에서 활용으로
토큰화는 자산에 온체인상의 표현을 부여합니다. 하지만 단순히 온체인에 존재한다고 해서 그 자산이 반드시 생산적인 자산이 되는 것은 아닙니다.
토큰화된 국채는 보유할 수 있습니다. 토큰화된 주식은 이전할 수 있습니다. 토큰화된 펀드는 거래할 수 있습니다. 이러한 기능들은 분명 유용하지만, 자산이 온체인 금융 시스템의 일부가 된 이후 발휘할 수 있는 모든 가능성을 반드시 담아내는 것은 아닙니다.
더 큰 기회는 그다음 단계에서 발생합니다. 이러한 자산이 유동성에 기여하고, 담보로 활용되며, 신용을 지원하고, 수익을 창출하거나, 다른 금융 상품과 상호작용할 수 있게 되는 것입니다.
최근 연구 역시 이러한 방향을 가리키고 있습니다. RWA 담보는 점차 온체인 금융을 위한 새로운 핵심 금융 수단으로 논의되고 있으며, 토큰화된 국채, 사모신용, 원자재, 주식 및 기타 자산들이 온체인에서 의미 있는 기반을 형성해 나가고 있습니다.
이는 업계에 미묘하지만 중요한 변화가 일어나고 있음을 보여줍니다.
우리는 이제 단순히 자산이 온체인에 존재할 수 있는가를 묻는 것에서 벗어나, 온체인에 존재하게 된 자산이 얼마나 유용한 자산으로 발전할 수 있는가를 묻는 방향으로 나아가고 있습니다.
QURANUM이 주목하는 지점
QURANUM은 바로 이러한 전환을 중심으로 구축되고 있습니다.
토큰화된 자산을 최종 결과물로 보는 것이 아니라, 프로토콜은 보다 광범위한 가치의 흐름을 중심으로 설계되었습니다:
자산 → 자본 → 시장
개념은 비교적 간단합니다. 적격 자산을 통합된 온체인 금융 프레임워크 안으로 가져오고, 각 자산의 위험 및 유동성 특성에 따라 평가한 뒤, 정해진 매개변수와 기준에 따라 이러한 자산이 다양한 형태의 자본 활동을 지원할 수 있도록 하는 것입니다.
이를 통해 세 개의 연결된 레이어가 형성됩니다.
Asset Layer는 글로벌 고품질 자산이 QURANUM에 유입되는 영역으로, 미국 주식, ETF, 미국 국채, BTC, ETH, BNB, 스테이블코인 및 기타 우량 자산을 포함합니다. 이러한 자산은 프로토콜 자본을 구성하는 실질적이고 검증 가능한 기반을 형성합니다.
Capital Layer에서는 이러한 자산이 보다 적극적인 역할을 수행하기 시작합니다. 통합 Treasury, RFV 리스크 가격 책정, 3중 원장 분리, 담보 기반 신용, 유동성 전략 및 수익 전략을 통해 QURANUM은 자산이 단순히 온체인에서 보유되는 것을 넘어 지속적으로 작동할 수 있는 자본으로 전환되도록 설계되었습니다.
Market Layer에서는 이러한 자본이 보다 폭넓은 금융 활용 영역으로 이동할 수 있습니다. 여기에는 현물 시장, 무기한 선물, 예측 시장, 담보 대출, RWA 시장, 수익 시장 및 구조화 금융 상품이 포함됩니다. 목표는 단순히 자산을 온체인에 올리는 것이 아니라, 자산이 시장에 진입하고 금융 활동을 통해 가치를 창출할 수 있도록 하는 것입니다.
이 세 개의 레이어는 하나의 단순한 흐름으로 연결됩니다:
우량 자산 집결 → 자산 생산성 활성화 → 온체인 금융시장 구축
이 차이는 중요합니다.
QURANUM은 Treasury를 단순히 거대한 자산 풀로 바라보지 않습니다. 대신 Treasury를 더 광범위한 **자본 엔진(capital engine)**의 일부로 보고 있습니다.
하나의 자산. 다양한 자본 기능.
이것은 아마도 이 아이디어에서 가장 흥미로운 부분일 것입니다.
QURANUM에는 적격 자산이 프로토콜에 유입되거나 프로토콜과 상호작용할 수 있는 세 가지 경로가 있습니다: Mint, Borrow, Earn.
Mint를 통해 자산은 Bond 메커니즘을 통해 유입되고, 위험 평가를 거치며, 프로토콜 자본과 RON 발행 역량에 기여할 수 있습니다.
Borrow를 통해 사용자는 적격 자산에 대한 경제적 익스포저를 유지하면서, 해당 자산을 담보로 활용하여 정해진 위험 매개변수에 따라 qUSD 유동성에 접근할 수 있습니다.
Earn을 통해 사용자는 자산 익스포저를 유지하는 동시에 배당금이나 이자와 같은 기초 현금흐름을 수익 전략과 연결할 수 있습니다.
중요한 것은 사실 이 세 가지 메커니즘의 이름이 아닙니다. 그 이면에 있는 원칙입니다:
자산은 토큰화되었다고 해서 더 이상 유용하지 않게 되는 것이 아닙니다.
자산은 어떻게 구조화되고, 가격이 책정되며, 위험이 관리되는지에 따라 다양한 금융 목적에 활용될 수 있습니다. 이는 기존 자산을 단순히 또 하나의 토큰화된 형태로 만드는 것보다 훨씬 더 흥미로운 가능성을 제시합니다.
자본 효율성에는 엄격한 리스크 관리가 필요합니다
그러나 이 논의에서 쉽게 간과할 수 있는 중요한 부분이 있습니다.
자산의 생산성을 높인다는 것은 모든 자산을 동일한 가치로 취급한다는 의미가 아닙니다. 유동성이 높은 100만 달러 규모의 Treasury 포지션과 변동성이 높거나 신속한 청산이 어려운 자산을 반드시 동일한 방식으로 취급해서는 안 됩니다.
이 때문에 QURANUM은 리스크 가격 책정과 RFV를 아키텍처의 핵심에 배치합니다. 자산의 편입 여부는 유동성, 변동성, 커스터디 조건, 가격 데이터 소스 및 청산 가능성 등을 포함한 다양한 요소를 기준으로 평가되며, 이에 따라 리스크 가중치와 자본 한도가 조정됩니다.
원칙은 간단합니다:
자산의 가치가 곧바로 사용 가능한 자본과 동일한 것은 아닙니다.
각 자산이 어느 정도의 자본을 책임 있게 뒷받침할 수 있는지를 판단할 수 있는 명확한 프레임워크가 필요합니다.
QURANUM에서 바로 이 지점에서 Treasury, RFV 및 리스크 관리 레이어가 중요한 역할을 합니다.
Treasury에서 금융시장으로
Treasury 자체가 최종 목표는 아닙니다.
자본이 단순히 프로토콜 내부에 축적되기만 한다면 그 잠재력은 제한적일 수밖에 없습니다. 따라서 장기적인 QURANUM 아키텍처는 보다 광범위한 시장 레이어로 확장되는 방향을 지향합니다: 현물(Spot), 무기한 선물(Perpetuals), 예측(Prediction), 대출(Lending), RWA 시장, 수익 시장(Yield Markets), 구조화 상품(Structured Products).
이는 Treasury를 바라보는 새로운 관점을 만들어냅니다.
단순히:
“우리는 자산을 보유하고 있습니다.”
가 아니라:
“우리는 금융 활동을 뒷받침할 수 있는 자산 기반을 보유하고 있습니다.”
라는 의미가 됩니다.
이러한 차이는 중요합니다. 금융시장은 궁극적으로 자본이 실제로 이동할 수 있는 능력을 기반으로 작동하기 때문입니다.
진짜 질문은 그다음에 무엇이 일어나는가입니다
RWA 시장은 이제 단순히 자산을 토큰화할 수 있는지를 묻던 초기 단계에서 상당히 발전했습니다.
시장 규모는 계속해서 성장하고 있습니다. 새로운 자산군이 등장하고 있으며, 기관들의 참여도 점차 확대되고 있습니다. 또한 토큰화된 자산은 담보, 유동성 및 기타 금융 활용 수단으로 점점 더 많이 고려되고 있습니다.
하지만 토큰화된 자산의 성장만으로 더욱 효율적인 금융 시스템이 보장되는 것은 아닙니다.
더 어려운 문제는 **자본 효율성(Capital Efficiency)**입니다.
자산의 가치는 어떻게 평가해야 할까요? 어느 정도의 위험을 감당할 수 있을까요? 어떻게 유동성에 기여할 수 있을까요? 자산의 기초 현금흐름은 어떻게 활용할 수 있을까요? 그리고 자본은 어떻게 하나의 금융 활용 영역에서 다른 영역으로 이동할 수 있을까요?
무엇보다 중요한 질문은 다음과 같습니다:
“단순히 자산을 시장에 넣는 것이 아니라, 자산을 중심으로 시장을 어떻게 구축할 것인가?”
이것이 바로 QURANUM이 탐색하고 있는 방향입니다. QURANUM의 아키텍처는 글로벌 자산에서 시작하여 Treasury와 리스크 관리를 중심으로 구축된 자본 레이어를 거치고, 궁극적으로 이러한 자본을 더욱 광범위한 온체인 금융시장과 연결하는 것을 목표로 합니다.
자산 → 자본 → 시장
토큰화가 시작이었다면,
이러한 자산을 생산적으로 활용하는 것이 다음 단계가 될 수 있습니다.
QURANUM을 알아보고 지속적으로 연결하세요:
📱Website: quranum.ai
🐦X: https://x.com/Quranum_Pro
💬Telegram: https://t.me/QuranumOfficial
Own the Assets. Power the Markets. Share the Value.
자산을 보유하고・시장을 움직이며・가치를 함께 나누세요.
QURANUM Protocol：資産を資本へ、そして資本を市場へQURANUM Protocol：資産を資本へ、そして資本を市場へ
現実世界の資産をオンチェーン化することが始まりにすぎない理由
しばらくの間、現実世界資産（RWA）をめぐる最大の問いは、非常にシンプルなものでした。「従来の資産をオンチェーン化できるのか？」
今日、この問いは次第に重要性を失いつつあります。関連するインフラはすでに進化を続けているからです。
トークン化された資産は、2026年を通じて成長を続けています。Centrifugeの最新の年央スナップショットによると、分散型トークン化資産の価値は7月末時点で約370億ドルに達し、年初の約250億ドルから増加しました。トークン化された米国債は依然として市場の主要な資産カテゴリーの一つであり、トークン化された株式、コモディティ、その他の資産クラスも引き続き拡大しています。
では、次に問うべきことは、もしかすると 「他に何をトークン化できるのか？」 ではないのかもしれません。
それは：
「これらすべての資産がオンチェーン化された後、私たちは実際に何ができるのか？」
ということです。
ここから、話はより興味深くなります。
表現から活用へ
トークン化によって、資産はオンチェーン上で表現されるようになります。しかし、オンチェーン上に存在するだけで、その資産が必ずしも生産的になるわけではありません。
トークン化されたTreasuryは保有することができます。トークン化された株式は移転できます。トークン化されたファンドは取引できます。これらはいずれも有用な機能ですが、資産がオンチェーン金融システムの一部となったときに発揮できる可能性を、必ずしもすべて捉えているわけではありません。
より大きな可能性は、その次にあります。つまり、これらの資産が流動性に貢献し、担保として機能し、信用を支え、収益を生み出し、あるいは他の金融商品と相互作用できるようになることです。
最近の研究も、すでにこの方向を示しています。RWA担保は、オンチェーン金融における新たなプリミティブとしてますます注目されており、トークン化されたTreasury、プライベートクレジット、コモディティ、株式、その他の資産が、オンチェーン上で意味のある基盤を形成しつつあります。
これは、業界に微妙ながらも重要な変化が起きていることを示しています。
私たちは、単に**「資産はオンチェーン上に存在できるのか」と問う段階から、「オンチェーン上に存在することで、これらの資産はどれほど有用なものになれるのか」**を問う段階へと移行しています。
ここでQURANUMが登場します
QURANUMは、まさにこの転換を軸として構築されています。
トークン化された資産を最終的なプロダクトとして捉えるのではなく、プロトコルはより広範な価値の流れを中心に設計されています：
Assets → Capital → Markets
その考え方は比較的シンプルです。適格資産を統合されたオンチェーン金融フレームワークに取り込み、それぞれのリスク特性と流動性特性に基づいて評価した上で、定められたパラメータの範囲内で、これらの資産がさまざまな形の資本活動を支えられるようにします。
これによって、3つの相互接続されたレイヤーが形成されます。
Asset Layerは、高品質なグローバル資産がQURANUMに入る領域です。米国株、ETF、米国国債、BTC、ETH、BNB、ステーブルコイン、その他の優良資産などが含まれます。これらの資産は、プロトコル資本の実質的かつ検証可能な基盤を形成します。
Capital Layerでは、これらの資産がより積極的な役割を担い始めます。統合Treasury、RFVリスクプライシング、3帳簿分離、担保型クレジット、流動性戦略、収益戦略を通じて、QURANUMは資産を単にオンチェーン上で保有する状態から、継続的に機能する資本へと移行させることを目指しています。
Market Layerでは、その資本がより幅広い金融アプリケーションへと移動できます。これには、現物市場、パーペチュアル、予測市場、担保型レンディング、RWA市場、イールド市場、ストラクチャード・プロダクトなどが含まれます。目的は単に資産をオンチェーン化することではなく、資産が市場に入り、金融活動を通じて価値を生み出せるようにすることです。
これら3つのレイヤーは、シンプルな流れに沿ってつながっています：
優良資産を集約 → 資産の生産性を活性化 → オンチェーン金融市場を構築
この違いは重要です。
QURANUMはTreasuryを単なる巨大な資産プールとして捉えているのではありません。Treasuryを、より広範な**「資本エンジン（capital engine）」**の一部として位置づけています。
1つの資産。多様な資本機能。
これは、この構想の中でもおそらく最も興味深い部分です。
QURANUMには、適格資産がプロトコルに参加、またはプロトコルと連携するための3つの経路があります：Mint、Borrow、Earn。
Mintでは、資産がBondメカニズムを通じてプロトコルに取り込まれ、リスク評価を受けた上で、プロトコルの資本およびRONの発行能力に貢献します。
Borrowでは、ユーザーは適格資産への経済的エクスポージャーを維持しながら、それらを担保として活用し、定められたリスクパラメータの範囲内でqUSDの流動性にアクセスできます。
Earnでは、ユーザーは資産へのエクスポージャーを維持しながら、配当や利息などの基礎となるキャッシュフローをイールド戦略と連携させることができます。
重要なのは、実際にはこの3つのメカニズムの名称ではありません。その背後にある原則です：
資産は、一度トークン化されたからといって、その有用性を失う必要はありません。
資産は、その構造、価格設定、そしてリスク管理の方法に応じて、さまざまな金融目的に活用できる可能性があります。これは、既存の資産を単に別のトークン化された形にするだけの場合よりも、はるかに興味深い可能性を示しています。
資本効率にはリスク管理の規律が必要
しかし、この議論には見落とされやすい重要なポイントがあります。
資産をより生産的にすることは、すべての資産を同じ価値として扱うことを意味するわけではありません。100万ドルの高い流動性を持つTreasuryポジションを、価格変動が大きい、あるいは清算が難しい資産と必ずしも同じように扱うべきではありません。
だからこそ、QURANUMはリスクプライシングとRFVをアーキテクチャの中心に据えています。資産の受け入れについては、流動性、ボラティリティ、カストディ条件、価格情報源、退出・清算能力などの要素を基準として評価し、それに応じてリスクウェイトや資本上限が調整されます。
原則はシンプルです：
資産価値が、そのまま利用可能な資本と同じになるわけではありません。
資産がどれだけの資本を責任ある形で支えることができるのかを判断するためのフレームワークが必要です。
QURANUMにおいて、まさにここでTreasury、RFV、そしてリスク管理レイヤーが重要な役割を果たします。
Treasuryから金融市場へ
Treasuryそのものが最終的な目標ではありません。
資本が単にプロトコル内に蓄積されるだけでは、その潜在的な価値は限られてしまいます。そのため、QURANUMの長期的なアーキテクチャは、より広範なマーケットレイヤーへと発展していきます：Spot、Perpetuals、Prediction、Lending、RWA Markets、Yield Markets、Structured Products。
これにより、Treasuryに対する見方も変わってきます。
単に：
「私たちは資産を保有している」
ではなく、
「私たちは金融活動を支えることができる資産基盤を持っている」
ということになります。
この違いは重要です。なぜなら、金融市場は最終的に、資本が実際に動くことができるかどうかに大きく依存しているからです。
本当の問いは、その次に何が起こるのか
RWA市場はすでに、「資産をトークン化できるのか」という問いだけを投げかけていた初期段階から、大きく前進しています。
市場規模は拡大しています。新たなアセットクラスが登場しています。機関投資家の参加も増えています。そして、トークン化された資産は、担保、流動性、その他の金融的な活用方法において、ますます注目されるようになっています。
しかし、トークン化された資産の成長だけで、より効率的な金融システムが実現するとは限りません。
より難しい課題は、**資本効率（Capital Efficiency）**です。
資産価値をどのように評価すべきなのか？ どれほどのリスクを支えることができるのか？ どのように流動性へ貢献できるのか？ その基礎となるキャッシュフローをどのように活用できるのか？ そして、資本をある金融アプリケーションから別の金融アプリケーションへ、どのように移動させることができるのか？
そして、おそらく最も重要なのは：
「単に資産を市場に入れるのではなく、資産を中心として市場をどのように構築するのか？」
という問いです。
これこそが、QURANUMが探求している方向性です。QURANUMのアーキテクチャはグローバル資産から始まり、Treasuryとリスク管理を中心に構築されたキャピタルレイヤーを通過し、最終的にはその資本をより広範なオンチェーン金融市場へと接続することを目指しています。
Assets → Capital → Markets
トークン化が始まりだったとすれば、
これらの資産を生産的に活用することが、次の章になるのかもしれません。
QURANUMを詳しく知り、つながり続ける：
📱Website: quranum.ai
🐦X: https://x.com/Quranum_Pro
💬Telegram: https://t.me/QuranumOfficial
Own the Assets. Power the Markets. Share the Value.
資産を保有し、市場を動かし、価値を共有する。
Google DeepMind 研究副总裁 Noam Shazeer（诺姆·沙泽尔）：「大语言模型想要什么？」撰文：Techub News 整理
导语
在2025 年 9 月举行的全球顶尖芯片会议 Hot Chips 2025 上，Transformer 论文《Attention Is All You Need》的联合作者之一、Google DeepMind 研究副总裁 Noam Shazeer（诺姆·沙泽尔）发表了主题为「AI 下一阶段预测」的开场演讲。作为深度参与了从早期语言模型研究到现代大规模 AI 系统构建全过程的先驱人物，Shazeer 的视角兼具历史纵深与前沿洞察。他不仅回顾了自己从 Google Brain 到创办 Character.ai，再回归 Google 领导 Gemini 项目的历程，更系统性地剖析了驱动大语言模型（LLM）智能进步的核心要素，并对未来 AI 硬件的发展方向提出了恳切建议。这场演讲是理解当前 AI 浪潮技术根源和未来演变趋势的宝贵窗口。
摘要
大语言模型的智能提升依赖于计算量、参数规模、模型深度、训练数据量与信息流动效率等多个因素的协同增长，每一项的边际提升都可能对数地提高模型「智商」。
硬件创新是 AI 革命的关键驱动力，未来硬件应在保持确定性的前提下，提供更多的计算能力（FLOPS）、更高的内存容量与带宽，以及更快的网络互连。
低精度计算（如 FP8）在深度学习中日益普及且有效，但硬件与软件生态需要协同突破才能充分发挥其潜力。
模型推理（尤其是长链思维）和训练后优化（如 RLHF）所需的计算量将大幅增长，可能成为未来 AI 计算负载的重心。
尽管 Transformer 架构取得了巨大成功，但探索更有机、更具「神经状态」记忆能力的新架构，可能是进一步提升模型能力与效率的方向。
大语言模型想要什么？
Noam Shazeer（诺姆·沙泽尔）开篇便提出了一个核心问题：是什么让大语言模型变得更聪明？他将其归纳为几个关键因素的组合，每一项的提升都能对数地提高模型的「智商」。首要因素是计算量，即能够执行更多的浮点运算。他指出，深度学习尤其是 LLM 的爆发，很大程度上归功于能够执行比传统单线程处理器高出几个数量级计算的高度并行处理器的出现。
其次，模型参数的数量也至关重要，它决定了模型能吸收多少知识。虽然参数量的增长通常与计算量同步，但并非必然，通过稀疏化等方法可以在不显著增加计算负担的情况下增加参数。此外，模型的深度（即层数）以及层间的非线性变换，是「深度学习」之名的由来，也对模型能力有贡献。
Shazeer 特别强调了信息流动的重要性。Transformer 架构的核心优势就在于它能高效地在序列的不同部分之间移动信息。无论是序列内部（如注意力机制），还是网络层之间，更畅通、更丰富的信息流都会让模型变得更聪明。最后，训练数据的规模和独特性同样关键。使用更多、更独特的训练样本，避免简单重复，是持续提升模型性能的基础。
「任何时候，如果我们能在不严重损害其他因素的前提下，显著提升其中一项，那通常就是一个巨大的胜利。」Shazeer 总结道。
从语言建模痴迷者到 Transformer 联合创始人
Shazeer 回顾了自己是如何「入坑」LLM 领域的。时间回到 2015 年，他在 Google Brain 工作，遇到了一群痴迷于「十亿词语言建模基准」的研究者。当时，基于 LSTM 的模型在数十个 GPU 上运行数周，只为了将困惑度（perplexity）从 30.5 降低到 30.0。这种对极致性能的追求深深吸引了他。
他认为，语言建模是「最好的问题」。文本是抽象思维最精炼的形式，而预测下一个词这个任务表述极其简单，却蕴含着解决通用人工智能（AGI）的潜力。「如果你在这个任务上越做越好，你几乎就解决了人工智能。你可以通过图灵测试，可以完成任何通过交谈就能完成的任务。」Shazeer 解释道。当时，可用的训练数据看似无穷无尽，这让他看到了无限的可能性。
他的第一个主要贡献是探索稀疏性。既然增加参数和计算能让模型更聪明，而计算又很昂贵，那么是否可以只增加参数而不成比例地增加计算呢？他提出了「稀疏门控混合专家」（Sparsely-Gated Mixture of Experts）模型，其核心思想是设计一种与密集矩阵乘法兼容的块级稀疏性，以避免降低硬件计算单元的利用率。这个想法在当时并未立即实用化，但如今已被广泛采用。
随后在 2017 年，他与一群研究者合作，共同创造了 Transformer 架构。他们希望用注意力机制取代当时占主导地位的、训练起来很「烦人」的 RNN。注意力机制通过构建一种键值存储，极大地增加了序列维度的信息流动，而且整个架构可以高效地用矩阵乘法实现，从而在 GPU 或 TPU 上快速运行。「这最终取得了相当不错的成功。」Shazeer 谦虚地表示。
2018 年，随着 Google 开始构建 TPU Pod（大规模 TPU 集群），Shazeer 开始思考如何将模型扩展到单个芯片的内存限制之外。他与 Cliff 等同事合作开发了 Mesh TensorFlow 库，使得 Transformer 模型能够分布式地横跨多个芯片运行，实现了模型并行，为当今的超大规模模型训练奠定了基础。
七年前的预言与今日的现实
Shazeer 展示了他 2018 年在一次大型会议上发表的题为「自然语言模型：越大越好」的演讲片段，以此作为「我早就说过」的回顾。当时，他展示了参数规模从 3000 万到 50 亿的模型生成文本的质量变化，并预测了千亿参数模型的潜力。他当时驳斥了「小模型有利于泛化、速度和内存」的常见观点，认为训练数据不足、计算机太慢或内存限制都不是根本问题，并大力推介了当时的 TPU v3 超级计算机和 Mesh TensorFlow。
「快进到 2025 年，我想说，我早就告诉过你们应该放大 Transformer。」Shazeer 笑着说道。如今，这已成为行业共识。
自 2018 年以来，他还致力于解决其他关键问题，例如推理延迟。Transformer 在处理并行序列时效率很高，但在逐令牌生成（解码）时，注意力层会退化为向量-矩阵乘法，在现代硬件上效率不高。他参与提出了多查询注意力（Multi-Query Attention）和推测解码（Speculative Decoding，当时称为块级并行解码）等技术，以加速推理过程。此外，他还参与了 T5 项目、Google 的对话机器人 LaMDA 的前身「Mina」的开发，并因此受到启发，共同创办了 Character.ai，旨在构建具有个性、能与用户深度互动的聊天机器人。
「当时，我们是最早推出消费者可直接在线对话的 LLM 的公司之一。」Shazeer 提到，「结果发现很多人将其用于娱乐目的，这很有道理，因为这些模型本质上是被训练来『编造东西』的，而不是告诉你真相。」这也正是他于 2024 年回归 Google，共同领导 Gemini 项目的原因之一——他看到了 LLM 在实用化应用方面的巨大进展和潜力。
硬件，请给我们更多！
作为软件和算法研究者，Shazeer 深知硬件的基石作用。他首先感谢了在场的硬件社区，称 AI 革命「没有你们就不可能发生」。那么，大语言模型到底需要硬件提供什么？
他的清单简明而直接：
更多的 FLOPS（计算能力）：这让我们能够训练计算更密集的模型，并使用更多的训练样本。
更高的内存容量和带宽：从片上存储到 HBM，整个内存层次的瓶颈都可能限制模型的设计。如果内存带宽相对计算能力过低，我们就不得不使用非常大的矩阵乘法维度来补偿，这限制了模型设计的灵活性。内存容量则直接决定了我们能构建多大的模型。
更快的网络带宽：当今的训练和推理几乎都是分布式的。网络带宽在所有层次上都至关重要。特别是对于推理延迟，当用户希望模型进行长时间「思维链」推理时，我们希望单步推理时间足够短。这通常受限于访问所有模型参数的速度，即内存带宽。通过模型并行将参数分布在更多芯片上，可以聚合内存带宽，但这又需要芯片间具备足够高的互连带宽。
「总而言之，如果你能给我更多这些标准的东西——更多的 FLOPS、更大的内存容量、更高的内存和网络带宽——我们真的能用得很好。」Shazeer 强调，模型架构师在设计时，总是在问：「芯片能承受什么？哪个部分未被充分利用？」硬件的特性直接塑造了软件和算法的形态。
此外，Shazeer 还提出了两个更具体的偏好：
低精度计算：对于深度学习中的许多应用，参数和激活值本身就在不断变化，低位精度通常足够，且能以更低的功耗提供更高的计算吞吐。「如果你能给我更多低精度的 FLOPS，那通常很有好处。」
确定性：这对于研究和调试至关重要。在 AI 研究中，大量实验因算法想法本身无效而失败，但也可能因为软件错误或数据问题。如果实验是确定性的，研究人员就可以进行微调并精确复现问题，从而高效地排除故障。「除非你能告诉我，通过牺牲确定性可以获得 10 倍的性能提升，否则，确定性就是好的。」
观众问答：架构、对齐与未来
在问答环节，与会者提出了众多深刻的问题，Shazeer 的回答同样富有洞见。
关于第一令牌延迟是否重要，他认为这取决于应用场景。如果是对话式应用，只要生成速度比用户阅读速度快即可；但如果需要生成长文本后才给出答案，则整体延迟比第一令牌延迟更重要。
针对下一代模型架构的探索，有观众询问是否可能借鉴更「有机」、带有循环连接等复杂结构的生物启发设计，以提升「每参数智能」。Shazeer 承认尝试过很多想法，但指出人类大脑的参数与训练数据（经验）之比远高于当前 LLM，这可能是因为人类寿命（训练时间）有限。他更倾向于不过度限制参数，而是追求「每计算智能」的提升。
关于计算增长的重点，Shazeer 预测，未来在训练后优化（如人类反馈强化学习 RLHF）和推理上的计算投入可能会与预训练相当，因为这些都是提升模型最终能力的有效手段。
对于数据耗尽的担忧，Shazeer 的态度相对乐观。他认为即使数据总量充足，数据质量的持续提升永远有益。这与他在 2018 年「数据无穷」的乐观表态形成微妙的对照，反映了行业认识的深化。
硬件-软件协同设计的挑战被多次提及。Shazeer 指出，这常常是一个「先有鸡还是先有蛋」的困境：如果当前硬件不支持某项功能（如低精度），软件就不会使用它，导致下一代硬件也不会包含该功能。打破循环需要硬件团队的前瞻性冒险和软件团队对未来硬件的模拟。
关于AGI 与对齐，当被问及如果硬件在 2025 年停止发展，仅凭现有架构是否能实现 AGI 时，Shazeer 给出了一个引人深思的回答：「可能可以。我认为真正会加速这一切的是自我加速——我们可以用 AI 来帮助我们构建更好的软件和硬件。」至于对齐问题，他坦言自己并不确定硬件架构是否能以「新兴」的方式贡献于对齐研究，这反映了他对未知领域的诚实态度。
最后，针对模型可能机械复述训练数据（数据 regurgitation）以及使用模型自身生成数据进行训练可能导致的质量退化问题，Shazeer 认为这需要后续的数据筛选和质量控制来解决。同时，有观众重提了 RNN 所具有的「神经隐藏状态」的记忆与遗忘能力，并询问未来是否会回归类似机制，而非单纯依赖不断增长的外部上下文（Context）。Shazeer 对此表现出浓厚兴趣，认为这是一个好想法，并幽默地发出了工作邀请。
整场演讲和问答在轻松、坦诚且充满探索精神的氛围中结束，Shazeer 的谦逊与好奇心给听众留下了深刻印象，也为 AI 硬件与软件社区的未来协作指明了充满希望的方向。
GWDC 2026 KOREA · Hackathon 全球招募开启：$100K 现金与生态资源护航，全球 Builder 齐聚首尔共建 AI × Web3Web3Labs 携手全球商业伙伴、行业媒体、社区与高校生态，面向全球 Builder 持续开放项目提交，9 月底首尔另设 48 小时线下决赛
关于GWDC
GWDC（Global Web3 Developer Conference）作为全球顶尖的技术盛会，始终致力于连接全球开发者、技术领袖与创新企业，通过深度整合产业生态，全面推动前沿技术的跨界交流与创新实践。
本届大会由 Web3Labs 主办，Techub News、Hypai Labs 及 TokenPost 联合主办，将于 9 月 28 日至 30 日在韩国首尔 aT Center 举行。大会预计吸引 8,000+ 参会嘉宾、500+ 核心开发者、近百家参展商及 100+ 投资机构，旨在共建万人级 AI × Web3 交流平台。
顶级政商及行业领袖
GWDC 2026 KOREA 已成功汇聚 “政、产、融、研” 重量级嘉宾。截至目前，韩国副总理兼财政部长具润哲（Koo Yun-cheol）、韩国国会议员闵炳德（Min Byoung-dug）、香港立法会议员吴杰庄（Johnny Ng）、亚洲经济发展委员会主席尹锡宪（Suk-hun Yoon）等政界及金融领域重要嘉宾已确认出席，共话全球数字经济发展、合规治理与技术创新。
此外，大会还将汇聚 Web3Labs CEO 黄俊瑯（Caspar Wong）、Bithumb CEO Lee Jae-won、NAVER 创始人及 Happybean Foundation 主席 Kwon Hyuk-il、TRON 创始人孙宇晨（Justin Sun）、Kakao Pay CEO Shin Won-geun、Microsoft 大中华区数字业务副总经理 Ryan Li、Animoca Brands 集团总裁 Evan Auyang、YZi Labs 管理合伙人兼负责人 Ella Zhang、Nano Labs 创始人兼董事长 Jack Kong 等行业及机构代表，共同探讨 Web3 与 AI 的融合发展及前沿技术的产业落地。
关于GWDC · Hackathon
作为大会核心环节的 GWDC 2026 KOREA·黑客松，秉承“For Builders, By Builders”的极客精神，目前已正式面向全球 Builder 开启项目招募。
本届黑客松将围绕最多 5 条生态公链展开，奖池总额将超过 $100,000 USD，截至目前，本届黑客松已获 TRON 加持，并携手全球顶级云服务商 Microsoft 提供强大的算力与云端资源支撑，全方位赋能参赛团队的开发、测试与部署。项目招募持续开放，诚邀各阶段团队踊跃参与。
此外，本届黑客松将于首尔另设 48 小时线下决赛。所有团队均可赴首尔参与现场角逐，在极限开发与优化中，与全球开发者、顶级投资人及行业领袖深度交流碰撞，并于现场见证获奖名单揭晓，解锁更多生态合作与品牌曝光机会。
一、GWDC 2026 KOREA·Hackathon 基本信息介绍
时间：2026年9月28日 - 30日
地点：首尔·aT Center
形式：线下 Coding + Demo Day
奖金：50K USD + 价值50K USD生态资源支持
二、黑客松赛程安排：48小时极限挑战
本届黑客松分为线上报名与线下现场开发及决赛两个阶段，以下时间均为韩国标准时间（KST），请参赛团队提前关注相关时间节点：
线上团队报名 8 月 25 日 – 9 月 25 日
团队自行组队及报名
线下现场阶段 9 月 28 日 17:00–20:00
黑客松现场启动
公链生态及技术负责人进行项目介绍、技术分享与生态任务交流
开发者大礼包领取
9 月 28 日 20:00 – 9 月 30 日 11:00｜现场 Coding
参赛团队围绕生态挑战进行项目开发、技术优化与产品完善。
9 月 30 日 12:00 前
项目提交
9 月 30 日 15:00–17:00
Innovation Stage 项目展示 & 颁奖仪式
评审与项目展示
本届黑客松将邀请参与生态公链的 CXO、技术及生态负责人，以及行业头部 VC 担任评委，对参赛项目进行现场评审。优秀团队将获得 Innovation Stage 现场展示机会，并有机会与行业投资机构及生态伙伴进行深入交流，拓展后续投资与生态合作机会。
三、参赛权益与生态支持
· $50K USD 现金奖励 + $50K USD 生态资源支持
优胜项目可获得最高 $50,000 USD 现金奖励及价值最高 $50,000 USD 的生态资源支持。
· Microsoft Azure Credits 支持
符合条件的项目可获得 Microsoft 最长 6 个月的免费云服务 Credits，为项目开发、测试及部署提供云端资源支持。
· Web3Labs 全球加速机会
获胜项目将优先进入 Web3Labs 2026 全球加速计划及孵化项目储备库，获得后续项目发展与生态支持机会。
· 行业资源与投资对接
与行业资深从业者、头部企业及一线 VC 进行交流，拓展投资、生态合作及行业资源。
· 全球媒体与市场曝光
优胜项目将获得持续的媒体报道与市场推广支持，通过全球媒体及社区渠道提升项目曝光度与行业影响力。
四、GWDC 2026 KOREA Hackathon 参赛要求
· GitHub 开源代码仓库：参赛项目须提交可公开访问的 GitHub 代码仓库。
· Demo 视频：须提交项目 Demo 视频，时长不超过 3 分钟。
· Pitch Deck：提交完整项目介绍及 Pitch Deck。
· 现场展示：入围决赛的团队须在 Innovation Stage 进行项目现场展示。
· 团队规模：每支参赛团队最多 5 人。
参赛团队可根据自身情况选择线上参与或前往首尔参加现场环节。最终项目提交须包含以上全部材料，并按照赛事时间节点完成提交。
五、GWDC 2026 KOREA · Hackathon 报名通道
黑客松详情及赛道：www.gwdc.net/hackathon.html
开发者报名：https://forms.gle/vQRpYf9T7mwZBEPX9
官方 TG 社群：https://t.me/GWDC_Global
请选择您团队的报名通道，如未加入合作高校/社区通道，可选择其他。具体赛道与任务详情将于 9 月中旬公布。
全球矩阵伙伴与协作网络
目前，GWDC 2026 KOREA 已联动全球多地的头部行业品牌、媒体、AI 与 Web3 社区，以及知名高校链协。通过品牌资源共建、媒体矩阵报道、社区联合传播及高校生态资源整合，为本次万人级大会及黑客松赛事提供全方位的宣发支持与全球推广网络。
技术创新不止于代码，更在于将新的想法真正带入现实。GWDC 2026 KOREA Hackathon 希望为全球 Builder 提供一个开放的创作与交流平台，让更多创新想法被看见、被实践，并连接更多真实的应用场景。
期待与全球 Builder 相聚首尔，用代码，让世界重新有趣。
Gemini, MoonPay, Dallas Fed, BIS 这一周在 Agentic Finance 上交汇了作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
过去一周，金融行业里发生了几件表面上完全不在一个频道里的事情。
8月25日，Google Cloud推出了面向金融机构的Gemini Enterprise for Financial Services，把AI进一步推进KYC、信用分析、投资组合监控、债券发行和金融研究这些真正接近核心业务的工作流。
两天以后，MoonPay宣布把PayBox接入Solana上的Kamino，用户已经可以通过Claude或者ChatGPT这样的交互入口发起借贷和获取收益。
与此同时，Dallas Fed发布了一篇看起来没那么性感的研究，讨论如果存款可以24小时实时转移，而AI又能够自动替企业和个人比较收益，银行一直以来依赖的存款粘性会发生什么。
再往后一天，BIS在讨论稳定币与代币化存款时，又提到了刚刚完成真实资金测试的Project Agorá。
单独看，每一件事都可以被归到一个熟悉的新闻分类里：Google是企业AI，MoonPay是加密金融，Dallas Fed是银行研究，Project Agorá是央行和商业银行研究下一代跨境支付基础设施。
但如果把它们放在一起，能看到一条更值得注意的线索。
过去两三年，我们一直在讨论AI什么时候会真正改变金融。但我越来越觉得，这个问题问得不够准确。真正的分界线从来不是AI什么时候“更懂金融”，而是它什么时候开始被允许代表人去做金融决策，并且真的能够移动资金。
这两者之间的差别，可能比从搜索引擎到ChatGPT还大。
几年前我刚开始研究生成式AI和Fintech结合的时候，整体判断其实相对保守。那时候金融行业最现实的应用仍然是客服、报告、反欺诈、费用管理、内部知识检索和各种提高员工效率的工具。这些当然有价值，但基本都停留在“AI站在钱的旁边帮忙”，并没有真正碰到钱。
原因也很简单。一个模型写错一段市场文案，可以重新修改；一个模型如果替企业把500万美元转错了地方，显然不是点一下“撤销”就能解决。金融机构对黑箱的容忍度天然比普通软件公司低得多。准确性、权限、审计、责任归属、监管要求，任何一个环节没有解决，模型再聪明，也只能做助手。
而最近几个月真正值得注意的变化，并不是行业突然相信“全自动AI理财”马上会到来，而是越来越多公司开始把“让AI动钱”这件事拆成一系列更小、更可控的授权。
Robinhood今年推出Agentic Trading时，并没有让一个模型直接接管用户全部资产，而是专门设置一个允许AI操作的独立账户。到第二季度末，这类账户已经接近10万个，管理资产超过1亿美元。
Ramp走的路线更加不性感，却可能更接近真实企业财务的演化路径。它的AI并不是直接取代CFO，而是先读取公司的报销、付款和会计政策，对高把握度的情况自动处理，把异常情况交还给人。
Rocket Money最近推出的Rowan也体现了类似趋势：它不再只是给用户看一张“你这个月花了多少钱”的图，而是可以在后台发现订阅、发消息提醒、帮助取消服务、谈判账单，甚至按照预设规则完成储蓄转账。
这些产品放在一起看，会发现市场并没有从“人工操作”直接跳到“机器完全自主”，而是沿着一条更现实的路径前进：先观察，再建议，再准备动作，再由人批准，然后逐渐把那些规则清楚、风险可控的动作交给机器执行。
这也是为什么我觉得，Agentic Finance真正重要的概念并不是“自动化”，而是“授权”。
今天企业员工拿着一张公司信用卡，本身就是一种金融授权。他当然不能把公司银行账户里的钱全部花掉，但可以在一定商户类别、金额和审批规则内自主消费。基金经理、企业财务负责人、采购经理，本质上也都是在一个事先定义好的授权框架里替别人管理资金。
AI Agent真正要做的，并不是发明一种全新的金融制度，而是把这种我们早就习以为常的授权关系变成机器可以理解和执行的规则。
比如，一家公司完全可以告诉一个AI财务代理：必须保留至少30天运营现金；剩余资金只能放在指定银行或者高评级产品；不能产生外汇风险；单笔资金移动超过50万美元必须人工批准；只有当收益差超过20个基点时才值得切换；任何新出现的交易对手都必须经过人工审核。
一旦这些规则可以被机器直接理解，事情就发生了本质变化。AI不需要获得无限权力，也不需要成为一个完全不受监管的“机器人对冲基金”。它只需要在边界内自主行动。
这也是最近Google、MoonPay、Visa、Mastercard这些公司做Agent支付时越来越明显的共同方向。表面上大家都在讨论AI如何付款，真正花大量精力解决的却是权限：谁授权，授权多少，授权到什么时候，哪些商户和账户可以碰，什么情况下必须停下来重新找人确认，最后出了问题如何留下完整的审计记录。
所以我现在越来越相信，未来Agentic Finance最重要的产品之一，甚至不一定是某个更聪明的大模型，而是一套足够可靠的“金融授权系统”：它能把一句很模糊的人类指令——比如“帮我把公司闲钱管好”——翻译成几百条可以被机器严格执行的规则。
从这个角度再看MoonPay最近半年的动作，就比单独看它和Kamino合作有意思得多。
3月，MoonPay推出Open Wallet Standard，重点解决AI怎么安全使用钱包、怎么在不接触私钥的情况下获得有限的签名权限；5月，它收购DFlow，把交易执行基础设施补进来；6月又收购Entendre，增加对账、财务、资金管理和报表能力；7月推出PayBox，把卡和钱包直接接进Claude、ChatGPT这样的交互环境；到了8月，再通过Kamino把借贷和收益管理接进来。
单独看，每一步都不算惊天动地。连在一起看，却很像是在拼一套面向AI Agent的金融底层能力：先解决身份和权限，再解决执行，再解决财务运营，最后开始碰信用、借贷和资产配置。
这也是Agentic Payments和Agentic Finance真正的区别。
前者回答的是：AI怎么替我付钱？
后者问的是：AI怎么替我管理资产负债表？
一旦进入第二个问题，支付就只剩下其中一个动作。现金放在哪里、什么时候借钱、抵押什么资产、闲置资金赚多少收益、什么时候做再平衡、如何管理流动性和风险，这些原本需要企业财务团队、银行家或者投资经理不断做出的判断，都开始有可能进入机器的执行范围。
可是这里一直还有一个基础设施上的矛盾。
如果AI可以每秒计算一次最佳方案，钱本身却仍然只能按照银行营业时间、跨境代理行、批量清算和人工对账的速度移动，那么再聪明的Agent也没有太大意义。它像一辆性能极好的跑车，却只能开在一条坑坑洼洼的乡间土路上。
这也是Project Agorá值得放进这篇文章的原因。
Project Agorá本身不是一个AI项目。它是BIS Innovation Hub和国际金融协会联合推动的实验，研究如何把代币化的商业银行存款和央行准备金放进一个多币种、可编程的平台里，以改善批发跨境支付。
它与Agentic Finance之间真正的联系，并不是“BIS也开始做AI”，而是它正在研究AI最终需要调用的另一块金融基础设施：钱本身能不能变得更容易被机器读取、组合和执行。
今年7月，28家金融机构和央行已经在受控环境里完成真实资金测试，涉及瑞郎、欧元、英镑、日元、韩元和美元。测试规模本身非常小，远远谈不上生产环境，但它至少验证了一件事情：商业银行存款和央行货币并不是天然只能活在今天这些缓慢、彼此割裂的系统里，它们同样可以进入一个支持条件触发、原子结算和自动执行规则的环境。
BIS自己对此仍然非常谨慎。系统之间怎么互联，法律上的最终结算怎么认定，智能合约出了问题谁负责，网络安全、治理以及几十年旧系统怎么迁移，这些问题都远远没有解决。所以把Agorá写成“下一代全球金融系统已经建好了”，显然是夸大。
但它至少证明了一个容易被crypto叙事掩盖的问题：可编程货币并不一定等于稳定币，也不一定意味着银行被绕过去。传统银行存款本身，也可能变成可以被软件调用的金融资产。
而真正有意思的地方，也恰恰从这里开始。
因为银行今天正在投入大量资源消灭资金流动里的摩擦，但这些摩擦过去某种程度上本来就是银行商业模式的一部分。
这正是Dallas Fed那篇文章最值得注意的地方。
一家银行的存款为什么值钱？
当然有很多很高大上的原因。企业把5000万美元放在JPMorgan，不只是因为懒得开户，背后可能绑定着信贷额度、外汇、工资支付、现金管理、托管以及多年的客户关系。这些东西不会因为隔壁银行利率高了10个基点就突然消失。
但另一个原因没有那么高大上，却同样真实：搬钱太麻烦。
今天一家公司的账户里有200万美元暂时闲置，A银行给4.20%，B银行给4.35%。为了15个基点，财务团队是不是每天早上都要重新检查一次？是不是值得重新登录、比较交易对手风险、做资金划拨、考虑清算时间，再重新做一轮对账？还要保证明天工资和供应商付款不会受到影响。
绝大多数时候，答案都是算了。
钱就继续放在那里。
这就是金融体系里一个很少被单独拿出来讨论的资产：人的惰性。
Dallas Fed的文章说得很直接，运营存款之所以有粘性，一部分就来自资金无法快速重新配置的现实摩擦。如果未来即时结算、代币化存款和AI Agent同时成熟，寻求更高收益的客户理论上就可以在自己几乎不做任何操作的情况下完成资金切换。
AI不会觉得15个基点“不值得折腾”。
它没有周一早上的会议，不会忘记，也不会因为今天很忙就把这个事情拖到下周。对于它来说，不断比较不同金融产品的边际注意力成本几乎为零。
这当然不意味着未来所有企业存款都会像热钱一样每五分钟换一家银行。客户关系、信用额度、监管要求、风险管理仍然存在，资金切换也永远不会真正达到零成本。
但问题在于，它根本不需要发展到这么极端，才会影响银行。
Dallas Fed以美国银行体系接近17万亿美元的相关存款做了一个敏感度测算。如果存款的平均停留期限缩短10%，银行体系承担期限转换的能力可能减少大约5800亿美元的“十年期等值风险敞口”；如果存款利率对市场利率变化的敏感程度提高10%，银行可承担的久期风险可能减少约7000亿美元。
这并不是说AI会让美国银行突然少放7000亿美元贷款。把这个数字简单解释成“贷款能力减少7000亿美元”并不准确。
它真正说明的是另外一件事情：存款粘性本身就有巨大的经济价值。
如果未来可编程货币和AI Agent只是让这份粘性稍微弱一点，银行负债端的成本和期限结构就可能跟着变化。
过去大家谈可编程货币时，看到的通常都是好处：结算更快、对账更少、成本更低、可以全天运行，也可以把支付条件直接写进交易逻辑里。
但它还有一个很少被强调的另一面：钱一旦更容易移动，持有钱的人就拥有了更多选择权。
对于资产持有者来说，这是效率；对于把这些钱当作稳定资金来源的机构来说，却意味着更激烈的竞争。
银行为了让钱像软件一样运行，也可能必须接受一个结果：钱开始按照软件的速度比较价格。
这就把问题带到了我最近一直在思考的另一个方向。
过去我一直认为，金融本质上是一个分销（distribution）生意。
银行争的是谁拿到工资直接入账，信用卡公司争的是谁成为消费者最常用的那张卡，券商争的是谁占住投资者的手机屏幕，财富管理机构争的是谁拥有客户关系。大量Fintech产品花几十亿美元获客，本质上都在争夺同一个东西：谁能站在用户和金融产品之间。
因为谁拥有分销，谁就有机会决定哪个产品被看见。
但AI Agent可能会让这场竞争逐渐从“分销”（distribution）变成“资金路由”（routing）。
以前你会问：我最喜欢哪家银行？
未来更重要的问题可能是：我的财务Agent把哪些银行放在可接受交易对手名单里？
以前基金公司想办法让自己的货币基金排在App首页。
未来Agent可能直接判断：当收益差超过18个基点、流动性满足要求、交易对手风险低于某个阈值时，资金应该自动去哪里。
以前贷款机构拼广告、品牌和销售渠道。
未来Agent可能直接比较实际利率、抵押要求、提前还款条件以及企业当前的现金流状况，再决定应该调用谁的资金。
到了这里，真正值钱的东西就不再只是“用户有没有下载你的App”，而是你有没有进入机器的默认规则。
谁被写进授权范围，谁就有资格参与竞争；谁最终赢得资金路由，谁就拿到了资金流。
Agentic Commerce改变的是需求流向哪里。
Agentic Finance改变的是资本流向哪里。
所以如果今天我是一个银行CEO，我当然会关心AI能不能减少分析师写报告的时间，能不能把KYC和反欺诈调查自动化，这些都是非常现实的效率提升。
但更长期的问题可能是另外一个：
当我的企业客户拥有一个24小时工作的财务Agent以后，我凭什么继续拥有他的下一美元？
最聪明的银行未必会抵抗这场变化，反而可能最早把Agent放进自己的体系里。客户日常运营资金继续留在活期账户，暂时不用的钱自动进入收益更高的存款或者基金，需要流动性时再自动回来；外汇、贷款额度、抵押品和付款也都可以被一起优化。这样即使Agent不断寻找更优解，资金仍然可以留在同一家银行生态内部。
从这个角度来看，Project Agorá这样的探索未必会削弱银行，甚至可能帮助受监管的商业银行货币在稳定币时代继续保持核心地位。
所以这并不是一个“AI加Crypto最终干掉银行”的简单故事。真正危险的，未必是银行本身，而是那些长期以来把客户不愿意比较、不愿意切换、嫌麻烦，当成自己护城河的金融商业模式。
过去一家银行很重要的优势，是客户搬走太麻烦。下一阶段真正强的银行，可能必须证明一个完全相反的命题：客户随时都可以走，但他的AI算完以后，依然决定把钱留在这里。
过去十几年，Fintech最激烈的战争发生在手机屏幕上。大家争日活、争主账户、争最常用的那张卡，争谁离用户更近。
下一轮很多真正重要的金融战争，可能根本没有界面。
它发生在后台的一套授权规则里，发生在一张可接受交易对手名单里，发生在十几个基点的收益差里，也发生在AI判断“这笔钱此刻应该去哪里”的那一瞬间。
所以Agentic Finance真正值得问的问题，可能从来都不是：AI什么时候会替我们管理钱？而是，当越来越多的钱开始按照机器可以理解的规则，自动寻找自己的最佳去处以后——
谁还有资格决定，这些钱最终留在哪里？
卓銳證券「AI·CRYPTO 全球資產配置」線下主題論壇吸引近200名投資者八家資管與數位資產機構同場 共探雙主線配置新範式
（香港，2026 年 8 月 27 日）適逢 Bitcoin Asia 2026 在港召開，由卓銳證券（香港）有限公司（下稱「卓銳證券」）主辦的「AI·CRYPTO 全球資產配置」主題論壇，於今日下午在香港萬麗海景酒店舉行。論壇聚焦 AI 與數位資產雙主線驅動下的宏觀週期研判，現場吸引近 200 名投資者參與，互動環節反應熱烈。
論壇匯聚華夏基金（香港）、易方達基金（香港）、Animoca Brands、VDX、BE Trust、Metalpha、BigQuant、北水金控等機構的業界領袖，議題涵蓋數位資產 ETF 的發展路徑、比特幣的機構化進程以及 AI 算力週期的資本傳導，回應投資者在雙主線交匯下對配置方向的關注。
圖註：「AI·CRYPTO 全球資產配置」論壇現場，吸引近 200 名投資者參與。
宏觀研判：AI 牛市能否繼續，需要爆款應用持續接力
卓銳證券基金經理 Jerry Ou 以「AI 與比特幣雙重敘事下的全球資產配置展望」為題發表主題演講，從宏觀週期出發拆解兩條主線對全球資金流向的影響。
他指出 AI 是過去三年美股牛市的絕對主力，而目前 CAPEX 已經到了 CSP 自由現金流轉負的時刻。繼續高強度 CAPEX 只能靠巨額借債，這要求 AI 應用在 2030 年形成 1 萬億美元 ARR（vs.2026 年才 1 千多億美元）才夠還債。目前全球 AI to C 商業化都沒跑通，今年 ARR 大漲幾乎全靠 Anthropic 跑通了 AI to B，主要是編程 AI 取代程式設計師，這導致美國程式設計師職位大幅萎縮，尤其是應屆畢業生。然而，非農就業總人數為何未見顯著下滑，主要是因為 AI 數據中心建設產生的新工作崗位大多位於共和黨執政州和關鍵搖擺州。接下來，AI to B 的爆款應用方向主要在金融、法律、諮詢等高薪白領崗位。而最終衝上 1 萬億美元 ARR，則需要 AI+機器人跑通，目的是大幅降低勞動力成本，實現美國製造業回流。目前 AI 股票尤其是半導體的估值已經處於歷史頂峰，但是否回落甚至轉熊關鍵要看上述 AI 爆款應用能否持續接力，2000 年代科網泡沫破裂是三重利空的意外疊加。
至於比特幣，他認為按四年減半規律，當前處於熊市週期階段，而熊市底部價格通常由挖礦成本決定。
圖註：卓銳證券基金經理 Jerry Ou 就 AI 與比特幣雙重敘事下的資產配置展望發表主題演講。
配置視角：比特幣與主要資產相關性低，配置價值受關注
華夏基金（香港）投資組合管理總監 William Kung以「比特幣新機遇」為題分享。他從資產配置角度指出，過去十年比特幣與主要資產類別的相關性很低——與標普 500、納斯達克 100 的相關係數分別為 0.17 與 0.19，與黃金、債券則接近於零，具備獨特的風險收益特徵。以過去五年的回測為例，在傳統 60/40 組合中納入比特幣，配置比例較高的組合表現相對更佳。
就市場空間，他提到數位資產目前占全球財富總量的比重不足 0.4%，比特幣市值約相當於黃金的 3.5%。機構資金的動向亦在同步變化：根據截至 2026 年 8 月中旬的 13 F 申報，摩根士丹利與摩根大通的比特幣相關敞口環比分別增加約 3.7% 與 12.2%，以太幣相關敞口增幅更為顯著。他並指出，第四次減半後，效率最高礦工的現金生產成本約在 6 萬美元附近，可作為觀察支撐位的參考。
圖註：華夏基金（香港）投資組合管理總監 William Kung 分享比特幣的配置價值與下半年展望。
圓桌一｜比特幣的機構化進程
首場圓桌由 Techub News 聯合創始人 Bobby 主持，VDX 首席戰略官 Paolo、Animoca Brands 投資與戰略合作總監 David Ching 及 BE Trust 投資總監 Yaney 參與討論，議題聚焦 ETF、流動性與新一輪市場週期。三位嘉賓的共同判斷是：這輪上漲並非週期反轉，而是流動性預期、ETF 淨流入與空頭回補疊加的階段性修復。更值得關注的是交易結構的變化。BE Trust 投資總監 Yaney 形容，市場正處於「早期持幣者向華爾街機構換手的關鍵階段」，四年一輪的週期效應正在弱化，波動率將逐步向成熟大類資產收斂。VDX 首席戰略官 Paolo 亦觀察到比特幣與納斯達克科技資產的相關性持續走高，已成為機構眼中的高 Beta 資產。
圖註：圓桌一「比特幣的機構化進程：ETF、流動性與新一輪市場週期」討論現場。
產業滲透：成本下降，反而推高算力需求
易方達香港數碼營銷總監 Sapphire Wang 則從產業滲透與需求端切入，分享 AI 時代的投資新格局。她引述史丹福大學 2026 年 AI Index 報告指出，全球企業的 AI 採用率已超過 88%，滲透速度明顯快於互聯網普及初期。就算力需求的走向，她以傑文斯悖論作解釋：模型推理成本下降並不會減少總消耗，反而因應用場景擴張，推動 Token 與算力需求進一步上升。
她並提到中美 AI 產業鏈高度互補——美國主導模型層與算力晶片，但發電量相對不足，數據中心擴張受制於電力供應；中國掌握光模組、PCB 等硬體產能與能源優勢，先進製程則依賴進口。單一市場難以形成閉環，兩者互為必要條件。
圖註：易方達香港數碼營銷總監 Sapphire Wang 就 AI 時代的投資新格局發表主題演講。
圓桌二｜算力新週期：從晶片到雲端，資本開支如何傳導為投資機會
第二場圓桌由卓銳證券市場副總裁 Miranda 主持，BigQuant 首席執行官梁舉、北水金控聯合創始人 Kylie Li 及 Metalpha 生態負責人 Max參與討論。議題圍繞 AI 資本開支沿產業鏈向下游延伸後，投資機會分佈的變化。三位嘉賓認為，近期 AI 資產回撤是高位擁擠交易的出清，而非產業週期見頂——產業仍在高速成長，只是商業化兌現跟不上炒作預期，二級市場估值已明顯透支。Metalpha 生態負責人 Max 將當前的 AI 行業類比早期的區塊鏈行業：「基建投入巨大、資本熱度極高，但真正跑通閉環、持續盈利的應用仍然稀少。」機會的位置也在移動——從堆算力轉向降本與落地，定製晶片、光通信、液冷、電力基建等效率優化環節，以及垂直應用層，被視為下一階段的主戰場。
圖註：圓桌二「算力新週期：從晶片到雲端，資本開支如何傳導為投資機會」討論現場。
跨界對話延續至會後
論壇最後設自由交流環節，與會機構代表就各自關注的議題繼續深入交流。公募基金、數位資產投資平台與量化科技公司，過往關注重點各有不同，但隨著數位資產合規化推進與 AI 產業週期演進，其面臨的核心課題日趨接近：在市場變數增多、週期縮短的環境下，如何建立清晰且可複製的配置方法。
從傳統證券到虛擬資產，從香港到新加坡、澳洲，卓銳證券正沿著同一條路徑推進——讓不同類型的資產，回到同一張配置表上。目前，卓銳證券持有香港證監會第 1、2、4、5 及 9 類牌照，其中第 1 類牌照已獲批面向專業投資者及零售客戶提供虛擬資產存入、交易及提取的全流程服務；自主研發的一站式平台 ZR，讓投資者以單一帳戶完成股票、ETF 與虛擬資產的配置。
「成為備受信賴的全球金融科技平台」——這是卓銳證券的願景，也是舉辦本次主題論壇的初衷。公司表示，未來將持續圍繞全球資產配置議題舉辦更多線下交流活動，與投資者一同把握雙主線下的市場機遇。
風險提示：嘉賓發言僅為個人觀點分享，不構成任何證券、金融產品或工具要約、招攬、建議、意見或任何保證。
一周暴涨20%，BTC重回8万美元：Digital Gold叙事回来了？作者 Charlie，常驻硅谷参与和观察前沿科技十五年，聚焦AI如何重构金融服务、支付网络、与资本市场。Fintechnize 与【沙丘路的毛圈狮子】创始人，Venture Partner @ Generative Ventures。曾任OSL美洲支付负责人，加密货币独角兽 Strike 副总裁（参与萨尔瓦多比特币法案，并负责拉美比特币闪电网络和稳定币支付业务），万亿级基金 Franklin Templeton 宏观与货币分析师，全球支付巨头Adyen早期成员。文章为个人观点，不是投资建议。
如果过去一个星期没有一直盯着加密市场，最近再打开Bitcoin价格，大概会有一种错过了好几集连续剧的感觉。熟悉我的朋友都知道最近两周我们带娃长途跋涉经历了什么，所以几天没来得及看市场，我也被这个走势惊到了。
上周初BTC还在$64K上下挣扎，前一天跌破$64K的时候，市场上甚至还在讨论是不是要重新去测试$60K；结果短短几个交易日里，$67K、$70K、$75K几个位置接连被突破，上周五一度冲到$79.5K附近。经过周末短暂回落之后，今天Bitcoin又重新往上走，盘中几次站上$79K，最高到了$79,888，离$80K只差了百来美元。
从六万出头到八万门口，几天涨了20%多，自然会让人想找出那条“真正的利好”。网上现在的解释也很多：有人说是美国财政部突然扩大长期国债回购，重新释放流动性；有人把它归结于特朗普政府最近两天密集释放对加密行业友好的监管信号；还有更多交易员干脆把这一切称作一次巨大的空头挤压。
其实这些说法都没有错，但如果要用其中任何一个单独解释20%的涨幅，我觉得都未免有些牵强。
更准确地说，这轮行情不是一条新闻把Bitcoin从$64K推到了$80K，而是一个已经压缩了两个月的市场，在买卖双方力量极度不平衡的时候，连续撞上了几个恰到好处的催化剂。ETF资金先回来，财政部和监管消息再点火，最后大量空头仓位被迫平仓，让本来可能只有几个百分点的上涨变成了一场非常典型的反身性行情。
所以如果要理解为什么Bitcoin偏偏在这几天突然涨了20%，要先回头看它过去两个月到底发生了什么。
这轮暴涨真正的前提，是之前已经没人愿意卖了
Bitcoin在去年10月创下大约$126K的历史高点，到今年6月底最低跌到$58K附近，八个月时间腰斩了一半以上。表面上看，这很像Bitcoin过去每个周期都会经历的传统加密寒冬，但我觉得2026年这次的结构和2018年、2022年其实很不一样。
2018年的问题是ICO泡沫破裂，2022年的问题是Terra、Celsius、FTX等一连串加密体系内部的信用危机；而这一次没有一个类似FTX的大机构突然爆雷，也没有哪条公链或者稳定币把整个系统拖下水。
真正发生的问题反而简单得多：过去两年一直推动Bitcoin上涨的几个主要买家，同时消失了。
2024到2025年的牛市里，最大的结构变化当然是ETF。以前市场天天讨论Bitcoin减半之后矿工每天少挖多少币，但进入ETF时代之后，这部分新增供给其实已经没那么重要了，真正决定价格的是二级市场上谁愿意吸收已有的Bitcoin。
ETF每天流入几亿美元，就相当于市场上多出一个持续不断的结构性买家；到了今年6月，这个逻辑完全反过来，美国现货Bitcoin ETF一个月净流出大约$4.5 billion，其中有好几天单日流出四五亿美元，甚至接近七亿美元。
另一个牛市里很重要的买家，是Strategy以及后来大量模仿它的Digital Asset Treasury，也就是数字资产财库公司。原来的飞轮很漂亮：股价高于Bitcoin净资产价值，发股票或者债券融资，再拿钱买BTC；BTC上涨又抬高净资产和股价溢价，然后再融资、再买币。这个游戏顺着走的时候是一台永动机，但价格掉下去以后同样可以反着走。
也是今年5月底6月初，Strategy第一次卖出部分Bitcoin支付现金义务，绝对规模当然算不上什么，但对于市场心理冲击很大，因为大家突然发现所谓企业财库并不是一个永远只买不卖的买家，在融资环境不好时同样可能成为卖家。
再加上今年上半年美联储一直不愿意真正转鸽，实际利率维持高位，美元偏强，中东战争和油价又不断制造新的通胀压力。
与此同时市场上最性感的故事并不是加密，而是AI、半导体以及一批明星科技IPO。
投资者面前一边是20%甚至30%盈利增长的AI公司，另一边是持有成本不低、美联储偏鹰而且还在不断下跌的Bitcoin，边际资金往哪里走并不难理解。
所以6月份Bitcoin从$75K跌穿$60K，本质上是一个很典型的资金流危机：宏观环境把新的买家挡在门外，ETF开始释放供给，企业财库的融资飞轮失速，价格下跌又触发杠杆平仓和近期买家的止损，几股力量互相强化以后，市场最后只能靠不断降价来寻找新的买家。
但市场见底通常并不是因为某一天突然出了一个天大的利好，恰恰是坏消息还在不断出现，价格却慢慢开始跌不动了。
Glassnode在7月初看到，当时长期持有者的亏损兑现一度占到了全部已实现价值的43%，单日亏损兑现最高达到大约$280M，是2022年底以来最高的水平；与此同时期货未平仓量大幅下降，永续合约资金费率明显冷却，期权市场也已经极度偏向下行保护。换言之，6月底那一跌不只是价格下来了，而是把大量弱手和旧杠杆一起清出了市场。
这点很重要，因为一个市场如果下面还有成群结队等着止损的人，再大的利好砸进去都会有人趁反弹跑路；但如果最想卖的人已经在$58K、$60K附近卖得七七八八，同样规模的新增买盘对价格的影响就会完全不同。
到了7月，这种迹象越来越明显。伊朗冲突还在，油价又涨过，美联储依然偏鹰，Strategy卖Bitcoin，ETF需求也没有明显恢复，但是BTC就是没有再去创新低。Coinbase当时也注意到，越来越多真正意义上的坏消息，对于价格的冲击开始减弱。
其实这往往是我觉得比“出现利好”更重要的筑底信号：市场不需要所有人突然变得乐观，只需要那些真正想卖的人已经卖完了。
到8月中旬，市场已经变成了一根压得很紧的弹簧
7月底到8月上旬，Bitcoin一直在$62K到$66K之间横着，最奇怪的是传统风险资产的宏观条件其实已经开始变好。油价回落，美债收益率下降，市场预期的加息概率也减少，全球股市不断创新高，按今年上半年的正常逻辑，Bitcoin应该多少跟着Nasdaq起来一些，但它偏偏不涨。
Coinbase在8月7日的一份报告里专门提到这一点。他们发现年初BTC对于Nasdaq的敏感度还接近一比一，但到了8月已经下降到接近零。宏观条件改善了，BTC却还在原地，所以问题已经不是宏观环境不够好，而是加密市场自己的需求根本没回来。
当时看这当然不是什么好消息，但现在回头看，反而是后来暴涨最重要的伏笔。因为当时的市场逐渐形成了一个很极端的状态：6月份愿意割肉的人已经卖掉很多，长期持有者重新开始积累，杠杆也清了一大轮，可新的多头又迟迟没有进场。价格在狭窄区间里横得越久，做空和防守的仓位自然越积越多，整个市场就像一根不断被压紧的弹簧，只差一个足够强的力量把它放开。
真正的变化出现在8月17日。
8月12日、13日、14日，美国Bitcoin ETF还是连续净流出，分别大约-$61M、-$131M和-$56M。结果到了17日，ETF突然转成+$298M净流入，第二天又流入大约$189M，两天接近$500M。
而且这里最值得注意的不是金额本身，而是时间：美国财政部那条后来被所有人津津乐道的长期国债回购新闻，是19日才出来的。
也就是说，在所谓“大利好”出现之前，真正的现货资金其实已经开始回来。
我觉得这个时间顺序非常重要，因为它说明这一轮行情并不是一场完全靠新闻标题制造出来的投机挤压。如果是19日先出新闻，然后ETF跟着价格上涨追高，我们还可以把它理解成趋势资金追涨；但17、18日已经出现明显的资金流逆转，意味着至少有一批真正的机构资金比新闻早一步开始重新配置Bitcoin。
18日又出现了第二个变化，SEC推出新的加密监管提案，包括安全港安排以及更明确的代币发行路径。这类东西对加密交易员来说可能没有价格K线那么刺激，但对机构投资者反而更重要，因为过去几年加密资产最大的折价之一，就是监管风险根本没法定价。今天能买的东西，明天会不会被SEC重新定义、会不会突然重新进入执法优先的模式，对一个大机构来说远比某个代币一天涨10%重要。
所以到18日晚上，整个市场已经和一个星期前很不一样：下面的卖家少了，ETF买家回来了，监管风险溢价开始下降，但是价格还没有真正突破。
然后到了19日，火柴掉了下来。
财政部那条新闻不是QE，但它恰好点中了市场最敏感的神经
8月19日，美国财政部宣布，从9月9日开始，把10–20年以及20–30年期限美债的流动性支持回购单次上限，从原来的$2B提高到至少$4B。
很多加密市场参与者第一时间把它解读成“美国重新放水”，甚至直接等同于QE。我觉得这个说法有些过头。财政部买回几十亿美元长期国债，放在三十多万亿美元的美国国债市场里规模很小，而且财政部自己写得也很清楚，目的是支持市场流动性；美联储没有印钱买债，7月底议息会议甚至还有三名委员希望加息25个基点，说美国已经重新启动QE显然站不住脚。
但问题在于，市场真正交易的从来不是那$4B本身，而是这件事透露出来的政策反应函数。
当时美国联邦债务已经超过$40 trillion，30年期美债收益率又一度升到5.3%左右，接近2007年以来最高水平。长期利率越高，美国政府未来滚动融资的成本也就越高，所以当财政部在这样一个时间点突然把长期国债回购能力至少翻倍，市场自然会产生一个新的联想：当30年期收益率不断往上走的时候，政府到底愿意把它放到多高？
这和QE当然还有很远的距离，但对于资产定价来说，边际信息已经发生了变化。过去市场默认长端利率可以完全由市场自己往上定价；现在至少多了一种可能性，即一旦财政融资压力足够大，财政部会通过回购、调整发行期限结构，甚至更主动的期限管理来缓解长端压力。
这也是为什么当时真正一起涨的不是Bitcoin和Nasdaq，而是Bitcoin和黄金，美元反而走弱。换言之，市场并没有简单交易“流动性来了，所有风险资产一起涨”，而是开始重新定价财政压力、美元信用以及潜在金融压抑的尾部风险。
碰巧就在同一天，白宫又给加密市场加了一把火。特朗普与Coinbase、Robinhood、Kraken等加密行业高管见面，并公开推动国会通过CLARITY Act；前一天SEC刚发监管提案，CFTC也在同步推进加密市场结构规则。48小时之内，SEC、白宫、CFTC、国会释放出来的方向高度一致。
财政部解决的是宏观叙事。
华盛顿解决的是监管风险溢价。
而ETF已经在前两天把真正的钱带了回来。
如果只是这三个条件叠加，我觉得Bitcoin涨个5%到10%完全说得过去。但从$64K直接冲到接近$80K，剩下那一段必须去衍生品市场里面找答案。
为什么不是涨5%或10%，而是一下子涨了20%？
这应该是整轮行情里最关键的一环。
Bitcoin此前已经在$60K多横了将近两个月，大量交易员不断在上方做空，同时期权市场也长期偏向下行保护。Glassnode此前测算的短期持有者成本大约就在$69K，这条线可以粗略理解成过去几个月新进投资者的平均盈亏平衡点。熊市的时候价格在下面，每次往$69K反弹，自然会有大量套牢的人想解套；久而久之，市场也形成了一个很强的共识：涨到这里就卖。
但这种结构有一个非常有意思的反面。一旦$69K真的被突破，那群等着“反弹就空”的人突然发现价格没有按照过去两个月的剧本运行，而Glassnode看到的链上成本分布又表明，$69K以上一直到$80K出头，本身就是一段相对稀薄的供给区域。
也就是说，下面挤了很多空头，上面偏偏没有很多卖家。
于是价格从$68K突破$69K之后，整件事开始变得机械化。假如有人在$65K做空，到了$68K还可以忍，到了$70K开始需要补保证金，到了$72K可能就不得不主动减仓；如果再往上，交易所直接把他的空头仓位强平，而平掉空头在市场上的实际动作，就是买回Bitcoin。
第一批空头被迫买回来以后，价格继续涨；价格越涨，又会触发下一批更高价位的空头平仓；下一批被迫买入又进一步推高价格。这种情况下，买方甚至不需要相信Bitcoin值$80K，因为他们根本没有选择，不管市场价格是多少都必须买回来。
据市场统计，这几天整个加密市场被清算的看空仓位超过$4B。所以Bitcoin才没有按照正常的节奏从$64K涨到$66K，盘两天，再去$68K，而是$69K、$70K、$75K几个位置连续被击穿，最终两三天时间直接冲到$79K。
这其实就是市场里很典型的反身性：上涨不再只是结果，而开始变成下一轮上涨的原因。
所以，如果一定要回答“是什么让Bitcoin这几天突然涨了20%”，我会这样排顺序：最底层是6月底以来的卖压耗尽和去杠杆，让市场失去了大量潜在卖家；17、18日ETF资金流逆转是真正的新买盘；财政部以及监管新闻让这个已经很脆弱的平衡被打破；而最后把一轮本来可能只有5%到10%的上涨放大成20%多的，则是空头挤压和趋势资金追涨。
这些东西并不是四个平行的理由，而是一条因果链。缺掉其中任何一环，这次行情大概都不会长成现在这样。
如果6月底没有真正完成一轮投降式抛售，19日出了再大的好消息，上面都会有大量套牢筹码趁机卖掉；如果17日ETF资金没有先回来，空头挤压结束以后价格很容易马上失去支撑；如果财政部和监管没有同时出现，ETF可能继续慢慢买，价格也未必有力量一下突破$69K；而如果市场里没有那么多空头，即使突破成功，也大概率只是一轮正常的上涨，不会两三天直接飞到$80K门口。
归根结底，真钱改变了方向，政策新闻打破了平衡，而杠杆放大了结果。
涨了20%之后为什么还没有马上跌回来？
然而，空头挤压从来不是一个能够长期维持价格的理由。空头最多买一次，仓位平完了也就没了。历史上Bitcoin这种因为衍生品挤仓突然暴涨十几个百分点，然后几天之内原路掉回去的情况并不少见，今年5月就刚刚发生过一次。
当时BTC同样突破了$80K附近，重新站上真实市场均值和短期持有者成本，Glassnode甚至把$85K左右视作下一道结构性阻力。只看当时几天的K线，也很容易觉得熊市已经结束；结果不到一个月，Bitcoin重新跌到了$67K，后来Glassnode干脆把那轮行情称为“The Rally That Wasn't”。
所以这一次会不会重演5月，现在还不能下结论。不过截至目前，确实有一个比较明显的区别：ETF并没有在第一天涨完以后就消失。
17日和18日合计接近$500M净流入之后，19日又流入约$517M，20日更达到大约$606M，随后仍然继续保持正流入。
换言之，上周这轮上涨里面同时存在两类完全不同的买家：一种是空头，被强迫在任何价格买回来；另一种是ETF投资者，他们完全可以选择不买，却仍然主动把真实资金放进市场。
前者决定了为什么涨得这么快，后者才决定涨完之后有没有可能留下来。
周末其实已经提供了第一次小测试。周五Bitcoin冲到约$79.5K之后，美国ETF休市，BTC最低回踩到大概$75.6K，但没有像典型挤仓退潮一样一路跌回$70K附近；到了周一，价格又重新吃掉了周末大部分回撤，多次站上$79K，盘中甚至达到$79,888。
这里我反而不太关心今天究竟有没有探到$80,001。整数位当然适合当新闻标题，但从市场结构来看，真正重要的是市场能不能开始接受$79K、$80K这个价格。
一根插针只能说明有人愿意追高，反复在这里成交，才说明新的均衡价格有机会形成。
$80K以后，谁还愿意继续买
如果Bitcoin接下来真正站稳$80K，也不代表新牛市就已经自动确认。Glassnode此前看到的下一块比较明显的长期持有者供应，大约集中在$83K–$86K，这里反而可能是比$80K更重要的一道墙。
原因也很好理解。从$64K涨到$75K的过程中，很多空头在替多头买币，越涨强平越多；但到了$80K以上，最脆弱的空头基本已经被清得差不多，之后每多走一美元，就越来越需要真正的现货资金自己掏钱。
所以未来一两周，ETF资金流会比“Bitcoin今天是不是突破$80K”更值得看。如果每天还能不断出现+$200M、+$300M甚至+$500M的净流入，同时价格在$79K–$80K回踩时开始有稳定买盘，那么这一轮的性质就会逐渐从空头挤压变成趋势反转。反过来，如果价格刚突破，ETF马上重新转成持续流出，那5月的剧本仍然完全可能重演。
还有一个我觉得更有意思、但目前只能当作观察而不能当作结论的变化，是Bitcoin最近和其他资产之间的关系。
2026年上半年，Bitcoin基本还是典型的流动性敏感型风险资产，实际利率上升、美元走强、Nasdaq跌，它通常跌得更多。但最近几天的走势出现了一些不太一样的味道：黄金大幅上涨，美元走弱，美债长端成为市场关注的焦点，而Bitcoin也同步大涨；今天Nasdaq盘中偏弱，黄金继续上行，Bitcoin却仍然在攻击$80K。
前面也提到，Coinbase在8月初已经发现，Bitcoin和Nasdaq的敏感度从年初接近一比一，下降到接近零。现在再结合财政部对于长期美债市场的动作，很自然会让人开始重新思考一个几年没有被认真交易过的问题：如果美国财政赤字、债务和融资成本最终限制了政府容忍长期利率自由上升的能力，Bitcoin会不会从一个单纯的Nasdaq高贝塔资产，重新获得一些类似黄金的财政和货币对冲属性，也就是Digital Gold的第一性原理？
这个故事当然很好听，但现在证据还远远不够。几天的相关性不能叫市场机制切换，财政部回购也不能被包装成QE。下一次真正出现风险规避行情，如果Nasdaq跌2%，Bitcoin又熟练地跌5%，那这个所谓digital gold叙事很快就会被市场自己打脸。
不过至少这轮20%的暴涨已经把一个事情说得很清楚：Bitcoin现在的价格形成机制，已经越来越不能简单用四年减半周期或者某一条新闻来解释了。
ETF时代以后，真正值得盯的是边际买家是谁、这些买家的资产负债表发生了什么、宏观政策改变了哪些激励，以及衍生品仓位会把这些变化放大多少。撰文：Techub News 整理 导语 2025 年 2 月，知名播客主持人 Dwarkesh Patel 邀请到了 Google 的两位传奇工程师——首席科学家 Jeff Dean（杰夫·迪恩）和 Transformer 架构共同发明人 Noam Shazeer（诺姆·沙泽尔）进行了一场深度对话。两人均在 Google 工作了近 25 年，是塑造现代计算与 AI 格局的关键人物。Jeff Dean 主导了 MapReduce、BigTable、TensorFlow、TPU 等基础系统的开发，如今是 Gemini 项目的三位联合负责人之一。Noam Shazeer 则是 Transformer、Mixture of Experts、Mesh TensorFlow 等核心 AI 技术的发明者或共同发明者，同样深度参与 Gemini 项目。这场对话不仅是对 Google 25年技术史的回顾，更是两位顶尖大脑对 AGI（通用人工智能）未来路径的前瞻性探讨，揭示了从硬件设计、算法创新到组织形态的深层思考。 摘要 从 N-gram 模型到 Transformer：回顾了 Google 早期在语言模型（如 2007 年的两万亿词条 N-gram 模型）上的探索，以及 Transformer 诞生的必然性与偶然性。 硬件与算法的「共舞」：探讨了摩尔定律变迁下，从通用 CPU 到专用 AI 芯片（如 TPU）的转变如何反过来塑造了深度学习算法的发展。 推理计算的范式转变：未来 AI 能力的飞跃将更多来自「推理时计算」的扩展，通过搜索、验证和多步思考，让模型在回答问题时「想得更深」。 下一代 AI 架构构想：提出了超越当前 Transformer 的、更「有机」的模型生长方式，灵感来源于大脑的模块化与连接可塑性，以适应硬件层级和多样化任务。 Google 的 AGI 愿景：AI 不仅是信息检索，更是信息组织与创造的工具，其目标是理解多模态世界并帮助人类完成复杂任务。 从 25 人到 AGI：Google 的技术演进史 当被问及在 Google 早期是否了解公司的一切时，Jeff Dean（杰夫·迪恩）幽默地回忆起公司规模的指数级膨胀。他加入时 Google 只有约 25 人，可以记住每个人的名字和项目。但随着公司壮大，会经历「知道所有软件工程师」到「只知道所有项目」，再到「收到‘鸭嘴兽项目’上线邮件却不知其为何物」的阶段。Noam Shazeer（诺姆·沙泽尔）的加入故事则更具偶然性：1999 年在招聘会上看到 Google，误以为已是巨头而错过，2000 年因喜欢其搜索引擎而投递简历，被当时墙上用蜡笔绘制的、呈指数增长的每日搜索查询图表所吸引，决定加入这个「一群聪明人做好事」的地方，并计划「赚够钱后就去专心研究 AI」——这个计划以他未曾预料的方式实现了。 两人回顾了 Google 如何天然成为 AI 研究的沃土。公司的使命——「整合全球信息，供大众使用，使人人受益」——本身就是一个需要先进 AI 才能实现的宏大目标。从早期的网页索引和搜索，到后来的机器翻译、拼写纠正，AI 一直是 Google 核心业务的延伸与深化。 硬件与算法的共生：从摩尔定律到 TPU 对话深入探讨了硬件进步如何与算法发展相互塑造。Jeff Dean（杰夫·迪恩）指出，过去二十年，摩尔定律在通用 CPU 上的红利逐渐消退，但专用机器学习加速器（如 TPU 和 GPU）的崛起，使得针对现代计算（尤其是矩阵运算）的高性能和高效能成为可能。Noam Shazeer（诺姆·沙泽尔）进一步阐释，当前深度学习得以爆发，正是因为算术变得极其廉价，而数据移动相对昂贵。这使得以大量矩阵乘法（N³ 运算，N² 数据通信）为核心的架构成为主流。 这种硬件特性直接影响了算法设计。Jeff Dean（杰夫·迪恩）以量化为例说明了「协同设计」的重要性。早期 TPUv1 冒险采用 8 位整数进行推理，如今训练和推理已可使用 INT4 甚至更低的精度。这需要算法设计者意识到低精度能带来巨大的吞吐量/成本提升，并与芯片设计者紧密合作。他调侃道，如果只问当前的算法研究者，他们可能会因为量化带来的麻烦而拒绝；但如果能看到全貌，知道量化能让模型快三倍，「那么你就得忍受这点麻烦」。 两人还设想了一个反事实世界：如果内存成本下降速度远快于算术成本，AI 可能会更像 20 年前的样子，依赖对大型内存的查找，而非如今的计算密集型模型。这凸显了当前技术路径的硬件依赖性。 早期探索与 Transformer 的必然性 Jeff Dean（杰夫·迪恩）分享了他 1990 年的本科论文，内容是在 32 处理器超立方机器上并行化神经网络的反向传播。他当时天真地以为 32 个处理器就能训练出强大的神经网络，后来才发现需要百万倍的计算量。直到 2008-2010 年左右，得益于摩尔定律，神经网络才开始在真实问题上发挥作用。 更引人注目的是 Google 在 2007 年的工作：为参与 DARPA 机器翻译比赛，团队训练了一个基于两万亿词条的五元文法（5-gram）语言模型。当时的系统翻译一个句子需要 12 小时，因为要进行数十万次磁盘寻址。Jeff Dean（杰夫·迪恩）与团队合作，设计了内存中的压缩数据结构，将翻译延迟降至 100 毫秒左右。这个将整个互联网词汇关系进行潜在表征的系统，可视为当今大语言模型的早期雏形。Noam Shazeer（诺姆·沙泽尔）则在更早的 2001 年就构建了基于语言模型的拼写纠正系统，其准确性令全公司惊叹。 当被问及是否当时就预见到 N-gram 模型会通向智能时，两人都给出了否定的答案。Noam Shazeer（诺姆·沙泽尔）认为，语言建模之所以成为「世界上最好的问题」，在于其目标简单（预测下一个词的概率分布）、拥有近乎无限的训练数据（互联网文本），并且是「AI 完备」的——做好这一点，几乎就能解决任何问题。Transformer 的诞生被形容为「想法已在空气中」，需要有人将注意力机制、键值存储等已有灵感组合起来，并解决关键的新问题。 从信息检索到 AGI：Google 使命的扩展 随着 AI 模型从检索信息（如 BERT 用于搜索）发展到实际完成工作（如编写代码），Google 的核心使命也在演进。Jeff Dean（杰夫·迪恩）认为，Google 始终是「组织全球信息」的公司，但这一定义已超越检索，涵盖了「根据指导创造新信息」。例如，帮助用户给兽医写信、总结视频内容、处理基因组或自动驾驶汽车激光雷达数据等。 AI 的目标是理解存在于所有模态中的世界信息，并将其转化为对人们有用的洞察，帮助他们完成各种任务——无论是娱乐性聊天，还是从上百个网页中综合信息回答复杂问题。Noam Shazeer（诺姆·沙泽尔）更展望了消除语言障碍的愿景：让任何语言的使用者都能无障碍获取和理解任何内容（如观看任何语言的视频）。 长上下文、推理计算与模型进化 当前模型的上下文长度有限（虽已可达百万 token），且存在「幻觉」问题。Noam Shazeer（诺姆·沙泽尔）指出，模型参数记忆事实的效率较高（大约每个参数记忆一个事实），但上下文中的每个 token 需要大量内存存储键值。未来的挑战是让模型能够「关注」数万亿 token，例如整个互联网或个人的全部信息。这需要突破二次复杂度的朴素注意力算法，开发新的近似算法。 两人都认为，未来 AI 能力提升的关键将从预训练更多地转向「推理时计算」。Noam Shazeer（诺姆·沙泽尔）算了一笔经济账：即使进行一万亿次操作 per token，成本也极低，使得与模型对话比阅读平装书便宜 100 倍，比咨询客服、软件工程师或医生便宜无数个数量级。因此，有巨大空间通过增加推理计算来让模型「更聪明」。Jeff Dean（杰夫·迪恩）描述，这就像有一个旋钮，拧得越多（消耗更多计算），答案质量就越高。这对于重要性不同的问题非常有用。 实现更高效推理需要算法创新，例如使用「草案模型」：让小模型一次预测多个 token，再由大模型验证，从而突破单 token 解码的瓶颈。此外，搜索（探索多种解决方案路径）将是利用额外推理计算的核心部分。 下一代架构：超越 Transformer 的「有机体」 在对话最富想象力的部分，Jeff Dean（杰夫·迪恩）勾勒了超越当前 Transformer 的下一代 AI 架构蓝图。他称之为更「有机」、不那么精心数学构造的机器学习模型。灵感来源于大脑的不同专门化区域，以及连接的可塑性。 模块化与专门化：超越混合专家模型当前的结构化形式，实现更有机的「专业能力」生长。模型可以根据需要，在特定领域增加容量并学习更多。 连接适应硬件：模型连接方式应适应硬件层级。同一芯片/HBM 内的「神经元」连接应极度密集；跨芯片连接减少；跨 TPU Pod 或跨数据中心（城域）的连接则更少，仅传递最重要的表征信息。Jeff Dean（杰夫·迪恩）希望这种连接模式能有机地涌现出来，而非手动指定。 动态计算分配：这种「有机体」可以根据任务需求，动态激活不同规模的计算子图。需要 10 个工程师的输出或 100 个工程师的输出，不是调用更多代理实例，而是激活不同模式或更大规模的子图。计算量可能因任务难度差异万倍甚至百万倍。 持续进化与蒸馏：这个系统可以持续进化，虽然部署复杂，但可以通过蒸馏技术，定期将其能力提取到高效、可服务的模型中。Jeff Dean（杰夫·迪恩）呼吁业界发明能瞬间将巨型「有机体」蒸馏到手机上的技术。 Noam Shazeer（诺姆·沙泽尔）补充，要实现这种飞跃，还需要改进训练目标。仅仅预测下一个 token 可能不是最有效的学习方式。人类会通过回答问题、视觉输入、在环境中行动并观察结果（如婴儿学习重力）来学习。让模型在学习过程中采取行动，将比被动观察数据集有效得多。甚至，模型可以通过「思想实验」或自我对弈（如 AlphaZero 下棋）来提升，无需外部数据。 研发加速、数据效率与开源思考 随着 AI 自动化自身研发过程，进步可能加速。Noam Shazeer（诺姆·沙泽尔）指出，当前全球可能有上万名 AI 研究者，每年产生 Transformer 级突破的概率或许是 10%。如果这个社区通过 AI 工具扩大千倍，可能会带来突破的井喷。自动化探索可以让人工研究者从繁琐实验中解放，更专注于高层指导。 Jeff Dean（杰夫·迪恩）特别提到利用 AI 加速芯片设计的潜力。当前芯片设计周期长达 18 个月以上，制造只占其中一小部分。如果通过自动化搜索大幅缩短设计时间，就能更快地响应算法变化，实现更快的硬件迭代，形成加速反馈循环。 关于数据效率，人类仅接触过约 10 亿 token 的数据，却掌握了大量知识。这表明当前模型从数据中提取信息的能力还有巨大提升空间。通过改变训练目标（如掩码预测、dropout、多轮学习）、纳入更多视觉数据，以及让模型通过行动学习，可以大幅提升样本效率。 当被问及 Google 早期开源 Transformer 等核心技术是否后悔时，Noam Shazeer（诺姆·沙泽尔）认为，看到其他公司的进展有助于认清机会规模，而且市场并非零和游戏。AI 将带来 GDP、健康、财富等领域的数量级增长。如今，Google 会根据技术的关键性和产品化节奏，灵活决定是立即发表、产品化后发表，还是仅内部使用。目标是在推动领域发展与保持竞争优势间取得平衡。 25 年长青的秘诀：好奇心、谦逊与协作 回顾长达 25 年且横跨多个领域的突破性职业生涯，两人分享了他们的秘诀。Jeff Dean（杰夫·迪恩）强调持续学习新领域的重要性：关注研究动态，与不同领域的同事合作，让专业知识相互「感染」，从而获得解决新问题的综合能力。Noam Shazeer（诺姆·沙泽尔）则认为「谦逊」是关键：要能随时放弃自己的想法，拥抱更好的方案。他提到 Google Brain 早期「自下而上」的算力分配（类似全民基本收入），鼓励了探索和失败；而如今 Gemini 项目更多「自上而下」的协调，则促进了协作，减少了重复建设。未来的理想模式是两者结合，既鼓励协作，也保持灵活性。 Jeff Dean（杰夫·迪恩）还有一个名为「去吧，杰夫，疯狂点子」的内部幻灯片，用于分享他基于新能力设想的产品方向，以此激发团队兴趣，而非强制命令。这或许正是 Google 这个科技巨头能持续创新的文化缩影。在这场跨越四分之一世纪的回顾与展望中，两位先驱不仅梳理了 AI 发展的来路，更为我们描绘了一条通往更强大、更有机、更通用人工智能的激动人心的未来路径。