活动回顾丨Bitcoin Asia 上的 Agent Economy智能流和资金流,过去是两条平行的轨道。
一条跑在应用层,提问、响应、任务完成;一条跑在支付层,授权、清算、对账。两条轨道从不直接相连,中间靠一个动作缝合——人点一下按钮。
人是唯一的接口。
8 月 27 日晚,DogPay 在香港办了一场名为「The Payment Layer for the Agent Economy」的活动,作为 Bitcoin Asia 期间的 Side Event,Money in Motion 联合主办。
讨论的其实是同一件事的不同侧面:当那个按钮不再由人来点,这两条轨道会发生什么。
一、付款方第一次不是人
我在分享里提的判断是:Agentic Payment 真正的变化不在通道,在付款方。
过去二十年,支付行业优化的一切——费率、成功率、结算速度、拒付率——都建立在同一个动作上:人点击,点击构成授权,授权发生在某个确定的时刻。这一刻之前和之后是两个世界,整套风控、清算和争议解决机制都是照着这个结构建的。
Agent 把这个前提拆了。支付变成任务执行过程中的一个字段:预算在哪里设、权限由谁授、什么条件下触发、按结果还是按用量计费、价格是否随负载浮动。系统要回答的不再只是「谁向谁付款」,还有「为什么付、谁批准的、怎么追溯」。
大屿讲 Agent Trading 时,把同一个问题带到了交易场景。他给出两条演进路径:一条是 Agent 成为独立自主的交易主体,自己发现机会、生成交易逻辑;另一条是成为交易者的数字分身,复刻人的交易体系、风险偏好和执行纪律。前者想象空间更大,后者更接近当下能落地的路径。
两条路径听上去差得很远,卡住它们的东西却完全一样:钱包安全、权限管理、审计追踪。
这不是巧合。代理消费和代理交易,分野的标准是同一个——Agent 是在执行人的意图,还是在生成自己的意图。而无论落在哪一边,人都从那个接口的位置上退了出来。
接口消失之后,两条流只能合并到同一条轨道上跑。
二、支付的逻辑,正在往 token 上搬
这件事最激进的实践者不在加密行业,在 Stripe。
我们此前拆过它那笔七十多亿美元的收购——史上最大一笔,买的是 AI 模型网关 OpenRouter,一家不做支付的公司。同期的股东信里,Stripe 十五年来第一次改写了自己的起源故事:资本与智能,正在成为托底每一门生意的两股数字流。
为什么一家支付公司要去管企业怎么花 token?
因为 token 的消费已经变成了流。AMP PBC 分析流经 OpenRouter 的一百万亿个 token 后发现,中位请求并不是一个人在提问,而是一台机器在循环中间。一个 agent 跑一晚上,同类调用重复几千次,无人值守、持续发生。
而 Stripe 这家公司向来只做一件事:在流上收费。
于是围着美元长了二十年的那一整套东西,开始一层层往 token 上搬——计量、路由、定价、风控、对账,一样都不少,只是标的从美元换成了 token。而这套体系里的三个角色也各就各位:AI token 制造账单,卡组织完成刷卡,稳定币负责结算。
模型是商品,计量层是收银台。
这句话底下是一个更冷的结构。稳定币解决的是转移,但它从没解决转移标的的估值。一笔链上付款可以在一秒内完成,可「这次模型调用该付多少」,链和币都回答不了。搬运的成本被压到接近零之后,所有的价值都挤到了定价这一侧。
谁掌握计量,谁就掌握定价。
三、同一个形状,两个方向长出来
回到香港这场活动。
DogPay 讲的三层——DogID 做身份,DogRouter 做用量,DogPay 做支付——放进上面那个坐标里看,几乎是同一个答案。Agent 需要先被识别,才谈得上被授权;被授权之后才能被计量;任务完成之后,付款、分账和对账才有触发的依据。身份、用量、支付,正好是这条链上的三个卡口。
而这个形状不是抄来的,是被约束逼出来的。当消费从离散事件变成连续的流,当付款方从人换成机器,任何人做这件事都会撞上同样三个问题:认得出是谁,算得清用了多少,结得了账。少一层都不成立。
所以香港一场 Side Event 上讨论的三层,和 Stripe 花七十多亿买回来的那个位置,指向的是同一件事。区别只在方向:一个从美元那一侧往上搬,把成熟的支付逻辑套到新商品上;一个从 Agent 原生那一侧往下长,先有机器的用量和身份,再回头解决钱。
出发点相反,形状一样。
这也解释了 DogPay 为什么把自己定位成价值流转网络,而不是一个收款按钮。收款工具处理的是一次性事件;它要处理的是一条一直在跑的流——当人和 Agent 混在同一个协作网络里,价值如何被记录、分配和结算。
形状想清楚了,不等于位置就定了。
从美元往上搬的那一侧,握着二十年的对抗性交易数据和最完整的商户网络;从 Agent 原生往下长的这一侧,握着更早的用量入口和更灵活的合规姿态。谁先站住,现在没有答案。这是一场还没跑的比赛,押哪边都是下注。
四、生而全球的东西,不需要落地
亚洲这一侧的问题,从来不是有没有需求。
这场活动能在 Bitcoin Asia 期间爆满,本身就是信号。从 API 调用到跨境收款再到智能交易,Agent Economy 在亚洲已经是在跑的生意,现场的人不是来听趋势的,是带着各自具体的问题来的。
生机勃勃的另一面,是一个还没被认真回答的问题。
agent 和 stablecoin 都是生而全球的。它们不在任何一个司法辖区出生,不依赖任何一个城市的清算系统,也不需要落地在任何一个地方。传统金融中心的逻辑恰恰相反——资金必须经过某个物理和法律的节点,城市的价值来自它是那个必经之地。
当这个节点开始收缩,香港要想清楚的是:在一个不需要地理的价值网络里,一个城市凭什么被需要。
我倾向于认为答案不在牌照本身。牌照能界定边界,界定不出吸引力;何况一个生而全球的东西,会去找摩擦最小的那条路径,而不是规矩最全的那一条。真正把城市留在网络里的,可能是机构——像 DogPay 这样足够灵活、能同时站在合规和链上两边、又愿意在标准还没成形的时候先做出来的机构。
城市的位置,要靠生态挣回来。
这是判断,不是结论。它成立的前提是接下来两三年里,Agent 支付的规则由做事的人写,而不是等规则写好了再做事。
十月六日,Money in Motion 和 LongTree Labs 会在新加坡办第一届 AGENTIC MONEY,把这些问题继续往下推。
按钮消失之后,两条流会自己找到一条轨道。真正的问题是,它经不经过这里。
TradingBase.AI 专栏|AI真正的竞争,已经不是模型,而是“连接能力”过去两年,AI行业几乎所有的讨论都围绕着模型展开。
谁的参数更多,谁的推理能力更强,谁拥有更长的上下文,谁能够完成更复杂的任务,这些几乎成为评价一家AI公司最重要的标准。从GPT到Claude,从Gemini到各种垂直模型,整个行业都在不断刷新模型能力的上限。
但最近,一个新的变化正在悄悄发生。
越来越多行业开始意识到,模型能力固然重要,但真正限制AI落地的,已经不再是模型本身,而是模型能否连接真实世界。
过去的大模型更像一座知识图书馆。它能够理解问题、生成答案,却很难真正参与现实世界的工作流程。它知道很多事情,却无法主动调用企业系统、访问实时数据,也无法直接完成复杂任务。因此,大模型虽然拥有很强的推理能力,却始终停留在“会思考”的阶段。
而今天,整个AI行业正在进入另一个阶段。
随着 Model Context Protocol(MCP)等开放标准快速发展,AI开始拥有连接数据库、交易系统、企业应用以及外部工具的能力,模型第一次真正拥有了与现实世界持续交互的接口。
AI真正的价值,不再是回答问题
过去几年,人们习惯把AI理解成一个聊天工具。
提出问题,等待回答,结束对话。
这种交互方式虽然极大降低了知识获取门槛,但对于企业来说,真正重要的问题从来不是"知道答案",而是"完成工作"。
一家金融机构每天需要处理的不只是分析报告,还有市场数据、风控系统、订单执行、资产管理以及不同平台之间的数据协同。如果AI无法连接这些系统,那么再强大的模型,也只是一个信息助手。
因此,越来越多企业开始把关注点放在AI如何连接业务,而不是AI如何生成内容。
真正有价值的AI,不应该停留在聊天窗口,而应该能够读取实时数据、调用专业工具、协调多个系统,并持续完成整个业务流程。
模型负责思考,而连接能力决定执行。
未来AI真正的竞争,很可能不是谁拥有最大的模型,而是谁能够连接最多的真实世界。
金融行业,比任何行业都更需要“连接”
金融市场天然就是一个由大量数据和系统组成的复杂网络。
行情数据来自不同交易所,宏观数据来自不同机构,链上信息实时变化,资金流动跨越多个市场,而风险管理、交易执行和资产配置又分别运行在不同的平台之中。
过去,这些系统彼此独立。
今天,AI开始成为连接这些系统的新入口。
未来的AI量化平台,不只是分析市场,而是持续连接市场。
它需要实时获取不同来源的数据,理解它们之间的关系,快速形成市场洞察,并将这些洞察转化为可执行的决策。
这意味着,AI量化竞争的重点,也正在发生变化。
过去大家比模型。
未来,更重要的是:
谁拥有更完整的数据连接能力,谁拥有更稳定的系统协同能力,谁能够更快地把信息转化为行动。
TradingBase正在构建的不只是AI分析能力
对于TradingBase而言,AI量化从来不仅仅意味着一个更聪明的模型。
真正重要的是,如何让AI持续连接市场、理解市场,并帮助用户在不断变化的环境中完成高质量决策。
因此,TradingBase持续关注的不只是模型升级,而是数据连接、市场感知、多维分析以及智能决策体系的建设。因为未来真正优秀的AI量化平台,不应该只是提供分析结果,而应该成为连接市场信息、交易数据、资金流向和决策逻辑的智能中枢。
只有当AI真正连接起整个市场,它才能真正理解市场。
也只有当AI能够持续理解市场,AI量化才有机会从分析工具,升级为真正的决策基础设施。
结语
过去,AI行业比的是模型能力。
今天,越来越多企业开始比连接能力。
因为模型决定AI能够思考什么,而连接能力决定AI能够做到什么。
未来AI真正的竞争,不会只发生在模型排行榜上,更会发生在每一次数据调用、每一次系统协同、每一次实时决策之中。
对于AI量化而言,同样如此。
未来真正领先的平台,不一定拥有最大的模型。
但一定拥有最完整的连接能力。
因为连接,才是AI进入真实世界的开始。
TradingBase.AI 专栏|AI正在让金融市场进入“实时决策时代”过去几十年,金融行业始终遵循着一个相对稳定的工作流程:信息产生、人工分析、形成判断、执行交易。从研究报告到投资委员会,从策略讨论到交易执行,每一个环节都需要时间。很多时候,市场竞争拼的不是谁拥有更多信息,而是谁能够更快完成分析,并率先做出决策。
然而,这套延续了数十年的逻辑,正在被AI重新定义。
最近几个月,全球金融行业围绕Agentic AI展开的新一轮布局,让一个趋势变得越来越清晰。越来越多金融机构开始尝试让AI不仅负责分析数据,还参与研究、风控、投资建议甚至部分交易执行流程。与此同时,监管机构也开始讨论如何为自主AI建立新的监管框架,因为现有规则已经无法完全覆盖AI自主决策所带来的风险。
真正值得关注的,不是AI又拥有了什么新能力,而是金融市场正在进入一个新的时代。
这个时代,比拼的不再只是分析能力,而是实时决策能力。
从分析市场,到实时响应市场
传统投资体系更像是一场考试。
市场给出一道题,分析师负责寻找答案,交易员负责执行答案,整个过程强调的是分析深度和判断准确率。
但AI改变了这一切。
今天的市场每天都在产生海量数据。宏观经济数据、链上资金流、机构持仓变化、社交媒体情绪、全球政策变化以及不同市场之间的联动关系,都在以秒级速度更新。任何一个变量发生变化,都可能影响市场下一步走势。
当市场变化速度越来越快时,仅仅依靠人工分析已经很难满足实际需求。真正重要的,不再是几个小时之后得出一个更完整的结论,而是在变化刚刚出现时,就能够快速识别信号,并及时调整策略。
金融市场正在从"分析驱动"逐渐走向"响应驱动"。
AI真正改变的是决策效率,而不是预测能力
很多人认为AI最大的价值是预测未来。
事实上,未来金融行业更需要的,可能不是一个不断告诉你市场会涨还是跌的模型,而是一套能够持续理解市场变化、动态调整策略并实时响应风险的系统。
这也是为什么越来越多金融机构开始投入Agentic AI和自动化决策系统。AI不再只是负责生成报告,而开始承担监测风险、识别异常、协助交易以及优化执行路径等任务。
未来市场最大的竞争,很可能不是谁预测更准确,而是谁能够更快完成一次完整的"感知、分析、决策、执行"循环。
当这个循环从几小时缩短到几分钟,再缩短到几秒钟时,整个金融行业的竞争逻辑都会发生改变。
TradingBase为什么关注“实时决策”
对于TradingBase而言,AI量化从来不仅仅意味着更复杂的模型。
真正重要的是,如何让AI持续理解市场,并把不断变化的数据转化为有价值的决策依据。
市场每天都会产生大量信息,但真正影响交易结果的,往往不是信息本身,而是信息出现之后多久能够形成有效决策。
因此,TradingBase持续关注的不只是数据分析,而是市场洞察、趋势识别以及动态决策能力。通过AI持续监测市场变化、资金流动、情绪变化以及多维数据之间的关联,帮助用户更快理解市场正在发生什么,而不是等市场已经完成变化之后才开始分析原因。
AI量化未来真正重要的能力,不是预测一个固定结果,而是在不断变化的市场环境中,持续保持正确的响应能力。
下一阶段的竞争,不属于预测最快的人
每一次金融技术革命,都会重新定义竞争优势。
互联网时代缩短了信息传播时间,大数据时代提升了数据分析效率,而AI时代真正改变的,是决策速度。
未来市场不会停止变化,信息也不会减少。真正决定竞争力的,不是拥有更多数据,而是在海量数据中,更快识别真正重要的变化,并及时完成决策。
这也是TradingBase所理解的AI量化未来。
不是替代人的判断,而是帮助每一次判断,更快、更准确、更接近市场真实变化。
当金融市场进入实时决策时代,真正的优势,或许已经不再属于预测未来的人。
而属于那些能够最快理解变化、最快适应变化的人。
TradingBase.AI 专栏|为什么越来越多顶级机构开始“不预测市场”了?过去几十年,投资行业几乎建立在同一个信念之上:预测未来。
无论是基本面分析、技术分析还是量化模型,所有方法最终都在试图回答同一个问题:未来市场会怎么走。分析师研究宏观经济,基金经理研究行业周期,量化团队研究历史数据,本质上都是希望比市场更早一步发现未来的方向。但最近几年,一个值得关注的变化正在全球金融市场悄悄发生。
越来越多顶级机构开始发现,市场正在变得越来越难预测。这并不是因为数据变少了,也不是因为模型退化了,而是因为市场本身正在发生变化。AI、算法交易、高频系统以及全球化的信息传播正在不断提高市场效率。当越来越多参与者拥有相似的数据、相似的工具以及相似的分析能力时,传统意义上的预测优势正在被快速压缩。
过去,一个重要消息可能需要几天时间才能被市场充分消化;今天,一条新闻从发布到被全球资金定价,可能只需要几分钟甚至几秒钟。过去依靠信息差建立优势的机构,正在发现信息差越来越难形成;过去依靠数据优势获得超额收益的团队,也开始发现数据获取成本正在快速下降。
市场并没有变得更简单,恰恰相反,它变得更加高效,也更加复杂。
从预测未来,到适应未来
在传统投资逻辑中,预测能力往往被视为最重要的能力。谁能够更早看见未来,谁就能够获得更高收益。但随着市场效率不断提升,越来越多机构开始意识到一个现实问题:未来本身正在变得越来越难以预测。
原因并不复杂。市场参与者越来越多,信息传播越来越快,算法系统越来越普及。任何明显的机会都会被迅速发现,任何公开的信息都会被快速定价。许多过去能够持续存在数周甚至数月的市场机会,如今可能只存在几个小时。
在这种环境下,单纯追求预测准确率开始变得越来越困难。于是,一种新的思路开始出现。
与其不断试图预测未来,不如建立一套能够持续适应未来变化的系统。因为市场最大的特点并不是确定性,而是不确定性。真正重要的能力,未必是提前知道未来会发生什么,而是在变化出现时第一时间发现它,并迅速作出调整。
越来越多顶级机构开始把重点放在实时感知、动态调整和持续学习上,而不是单纯提高预测模型的复杂程度。市场开始奖励那些适应变化的人,而不仅仅是预测变化的人。
AI正在改变交易的底层逻辑
很多人认为AI进入金融行业之后,最大的价值在于预测市场。事实上,AI真正改变的,可能恰恰是“预测”这件事本身。
传统量化模型往往依赖历史规律。通过研究过去的数据,寻找未来可能重复出现的模式。但现实市场从来不是静态环境。宏观经济会变化,流动性会变化,监管环境会变化,投资者行为也会变化。一个过去有效的策略,很可能因为市场结构变化而迅速失效。AI的出现,让交易系统第一次具备了持续学习和动态调整的能力。
未来的AI系统不再只是一个给出买卖信号的工具,而更像一个持续观察市场、理解市场并根据市场变化不断优化自己的决策系统。它关注的不只是价格变化本身,而是价格背后的原因;它分析的不只是历史数据,而是实时发生的资金流动、市场情绪以及不同市场之间的联动关系。
从这个角度来看,AI最大的价值并不是让预测变得更准确,而是让系统变得更敏捷。未来优秀的AI系统,不一定是最会预测未来的系统,而是最会适应未来的系统。
TradingBase正在关注什么
对于TradingBase而言,AI量化从来不仅仅是预测涨跌。市场每天都有无数关于未来的预测。有人预测牛市,有人预测熊市,有人预测利率变化,有人预测资金流向。但真正决定投资结果的,往往不是谁的预测更多,而是谁能够更快理解市场正在发生什么。
因此,TradingBase持续关注的不仅仅是单一数据指标,而是市场背后的整体结构变化。资金正在流向哪里?市场情绪正在发生什么变化?哪些信号是真正重要的,哪些信号只是噪音?不同资产之间正在形成怎样的新关联?
这些问题,往往比简单预测涨跌更有价值。
随着AI不断进入金融市场,未来的竞争很可能已经不是预测能力的竞争,而是感知能力、学习能力以及适应能力的竞争。TradingBase正在尝试通过AI分析、市场洞察以及智能决策体系,帮助用户更快发现变化、更早识别趋势,并在复杂市场环境中建立更稳定的决策框架。
因为未来市场最重要的问题,或许不再是“市场会怎么走”。
而是:“当市场开始变化时,你能否第一时间发现它?”
结语
过去几十年,投资行业相信预测未来。未来几十年,市场或许会越来越奖励那些能够快速适应未来的人。
AI不会让市场变得更容易预测,相反,它正在让市场变得更加高效、更加动态,也更加复杂。当越来越多参与者拥有相似的工具和分析能力时,传统的信息差和预测优势将不断缩小。
真正重要的能力,不再只是提前知道未来会发生什么,而是在变化出现时,能够迅速理解它、适应它,并做出正确反应。
这或许才是AI量化真正进入下一阶段的标志。
未来的赢家,未必是预测最准确的人。
而更可能是适应最快的人。
TradingBase.AI 专栏|市场越来越有效率,为什么赚钱反而越来越难了?过去十年,金融市场发生了一件非常有意思的事情。获取信息变得越来越容易。十年前,一个普通投资者很难第一时间看到机构报告,很难获得实时数据,也很难接触全球市场的信息。信息差本身,就是一种竞争优势。但今天,无论是传统金融还是数字资产市场,几乎所有人都站在同一个信息世界里。宏观数据实时公布,链上数据完全透明,市场新闻秒速传播,AI甚至能够帮助每个人快速整理和分析信息。按理来说,市场应该变得更加公平。但现实却恰恰相反。越来越多人发现,即使拥有比过去更多的信息、更先进的工具、更快的分析能力,赚钱反而变得越来越困难。这背后,实际上隐藏着一个正在被很多投资者忽略的变化。
信息越来越透明,优势正在快速消失
过去市场里的优势,很多来自信息获取能力。谁更早知道消息,谁更早拿到数据,谁就更容易获得超额收益。但随着互联网、量化交易以及AI的发展,这种优势正在被快速压缩。今天,当一条重要消息出现时,全球市场几乎会在几秒钟内完成反应。ETF资金流向、链上大额转账、宏观经济数据、企业财报,都会被无数算法系统同时分析。市场并没有变慢。恰恰相反,它变得越来越快。而当所有人都能看到同样的信息时,单纯的信息优势开始失效。这也是为什么越来越多投资者会产生一种感受:消息明明知道了,行情却已经走完了。因为市场开始提前消化信息。
AI正在让市场变得更加“聪明”
如果说互联网时代解决的是信息传播问题,那么AI时代正在解决信息理解问题。过去需要分析师花几个小时整理的数据,现在AI几分钟就能完成。过去需要团队研究的市场关联关系,现在模型能够同时监控数百个变量。这意味着一个新的现实:AI不仅帮助投资者分析市场,也帮助市场本身变得更有效率。当越来越多机构开始使用AI系统时,市场会出现一种现象:机会被发现得越来越快。很多过去能够持续存在数周甚至数月的机会,现在可能几天、甚至几个小时就会消失。从某种意义上说,AI正在压缩市场里的“低效率空间”。而传统意义上的套利、信息差以及简单策略,也因此越来越难获得超额收益。
真正稀缺的,不再是信息,而是认知框架
很多投资者现在仍然习惯每天追新闻、追热点、追市场观点。但问题在于:信息本身已经越来越廉价。真正有价值的,不再是谁看到消息,而是谁能够理解消息背后的逻辑。同样一条新闻,有人看到的是短期波动,有人看到的是行业趋势,有人看到的是资金迁移方向。区别不在于信息,而在于认知框架。这也是为什么在AI时代,简单的信息整理价值正在下降,而系统化分析能力的重要性却越来越高。因为市场不缺数据。市场缺的是:把数据变成判断的能力。
TradingBase正在解决什么问题?
很多人认为AI量化平台的价值是预测涨跌。但实际上,对于TradingBase而言,更重要的一件事是:帮助用户建立理解市场的能力。因为未来市场最大的挑战,可能已经不是信息不足,而是信息过载。每天数以万计的数据、新闻、链上活动和市场信号同时出现,大多数投资者面对的不是“看不到”,而是“看不懂”。TradingBase持续推动AI分析、市场洞察与智能决策体系建设,本质上并不是为了制造更多信息。而是帮助用户从海量噪音中识别真正重要的信号。未来的竞争,或许不再是谁获得更多数据,而是谁能够更快理解数据背后的意义。
结语
过去的市场,奖励拥有信息的人。今天的市场,奖励拥有认知的人。随着AI不断进入金融行业,市场会变得越来越高效,机会会被越来越快发现,简单的信息优势也会不断消失。但与此同时,新的优势正在形成。那就是:在所有人都拥有信息的时代,依然能够看清趋势、理解逻辑并做出正确决策的能力。这或许也是AI时代投资最重要的变化。因为未来真正稀缺的,不是信息。而是认知。
TradingBase.AI 专栏|为什么越来越多机构开始“不预测市场”,而开始预测资金流向?过去几十年,投资行业最经典的问题一直是:
市场会涨还是跌?
几乎所有投资模型、研究报告和分析框架,都围绕这个问题展开。分析师研究基本面,交易员研究技术指标,量化团队研究历史数据,本质上都是在试图回答同一个问题:
未来价格会怎么走。
但最近几年,一个越来越明显的变化开始出现。
越来越多顶级机构开始降低对“价格预测”的依赖,转而研究另一件事:
资金会流向哪里。
这看似只是研究对象的变化,但背后其实代表着整个投资逻辑的转变。
因为市场从来不是因为价格上涨而上涨,而是因为资金流入才上涨;也不是因为价格下跌而下跌,而是因为资金撤离才下跌。
换句话说,价格是结果,资金才是原因。
从“预测价格”到“追踪资金”
传统投资逻辑最大的特点,是试图寻找未来价格的确定性。
但随着全球市场复杂度不断提升,这种确定性正在越来越难获得。
宏观经济、地缘政治、人工智能、量化交易、高频交易以及全球流动性变化,使得市场影响因素越来越多。
很多时候,即使判断对了方向,也未必能够获得理想收益。
于是越来越多机构开始改变思路。
与其预测价格,不如研究资金。
因为资金往往比价格更早行动。
一家公司股价上涨之前,机构资金往往已经提前布局;一个行业成为热点之前,资本往往已经开始聚集;一个赛道爆发之前,流动性往往已经出现变化。
市场最终反映的是价格,但真正推动市场的,是资金流向。
AI为什么特别适合研究资金流
这也是为什么AI正在成为资金流分析的重要工具。
因为资金流本质上是一个复杂系统。
它涉及:
宏观数据、市场情绪、链上行为、机构持仓、ETF申购赎回、跨市场流动性以及实时交易行为。
这些数据单独看价值有限,但当它们同时出现时,就会形成趋势信号。
过去,人很难实时处理如此庞大的数据网络。
但AI可以。
它能够持续监测不同市场之间的关联变化,发现资金迁移轨迹,并在大量噪音中识别真正重要的信号。
从某种意义上说,AI并不是在预测未来。
而是在寻找:
未来可能发生之前的痕迹。
AI量化真正的价值,不是预测
这也是TradingBase一直关注的方向。
很多人认为AI量化的核心是预测价格。
但事实上,市场最难的从来不是预测,而是理解市场正在发生什么。
因为价格只是表象。
真正重要的是:
资金为什么进入、为什么离开、为什么在某个时间点选择某个方向。
对于AI量化平台而言,价值不仅仅在于给出一个买卖信号,而是帮助用户理解市场背后的驱动力。
当市场进入AI时代后,数据越来越多,信息越来越快。
真正稀缺的已经不是信息本身,而是:
从信息中发现资金流动逻辑的能力。
这也是TradingBase持续加强数据分析、市场洞察与AI决策辅助能力的重要原因。
下一轮竞争,可能是“资金流认知能力”的竞争
过去投资行业拼的是信息获取能力。
后来拼的是数据分析能力。
而未来,竞争可能会进入新的阶段:
资金流认知能力。
谁能够更早发现流动性变化,谁能够更快识别资金迁移方向,谁就更有机会提前看到趋势。
而AI正在成为这一能力的重要基础设施。
未来优秀的AI量化系统,可能不只是告诉用户:
市场会涨还是跌。
而是能够帮助用户理解:
市场里的钱,正在往哪里走。
过去,投资行业试图预测价格。
今天,越来越多机构开始研究资金。
因为价格永远是结果,而资金才是真正的原因。
在AI不断改变金融行业的今天,未来最有价值的能力,或许已经不再是预测市场。
而是看见趋势形成之前的资金流向。
而这,也正是TradingBase持续关注和探索的方向。
SFI主席Eddie Chong携自研AI Trading Bot亮相加密谷,斩获瑞士量化大赛前十、斩获欧洲权威认证SFI(StableCoin Financial Infrastructure) 是全球领先的 Web4 全栈基础设施服务商,依托合规稳定币支付、RWA 资产代币化、实体消费生态、AI 量化交易四大核心板块搭建闭环商业体系。其中,自研 SFI AI Trading Bot 凭借独立技术架构与长期正向实盘收益,成为集团与 Solulu 生态最核心的营收增长引擎。
近期,被誉为欧洲顶尖技术交流阵地的瑞士 AI 区块链量化闭门峰会在加密谷圆满落幕,大会汇聚以太坊联合创始人、Hyperliquid 高层、瑞士多家银行及顶级 AI 量化专家圈层。SFI 携自研 AI Trading Bot现场亮相,与全球顶尖技术团队、传统金融机构深度对标交流,其完整策略体系、智能交易逻辑与银行级风控模型获得全场权威认可。
凭借全年交易所实盘赛事的稳定表现,SFI AI Trading Bot 成功突围,以 73 套全自主研发策略、覆盖币圈 / 外汇 / 期货全品类、综合年化收益超 367% 的硬核成绩,强势入围瑞士量化交易大赛前十,拿下欧洲 Web4 与传统金融双重权威认证。
七年技术沉淀:Eddie Chong 十余年亲历深耕,完成 AI 量化技术跃迁
SFI 整套 AI 量化体系并非短期跟风研发,而是SFI 主席 Eddie Chong 亲身带队、十余年深耕行业的技术沉淀成果。
早在 2014 年,Eddie Chong 便率先切入比特币挖矿赛道,是行业最早一批原生从业者。他亲身完整经历 2017 年超级牛市周期,三年产业布局累计斩获数千倍收益,在一线实战中积累了最扎实的市场认知、风险把控逻辑与海量底层行情数据。
自 2017 年起,Eddie Chong 带领团队开启系统化技术迭代,从早期人工主观交易、传统程序化量化逐步升级,历时七年专项技术攻坚,突破传统量化固化短板,最终完成从 “传统代码机械化交易” 到 “AI 自主学习、动态进化智能交易” 的关键性技术跨越,打造出如今完全自研、独立可控的 SFI AI Trading Bot 交易体系。
目前 SFI AI Trading Bot 搭载 73 套独立自研策略矩阵,主力布局BTC、ETH 主流加密资产,以数字货币、全球外汇为两大核心交易板块,同时覆盖期货多品类市场,实现跨市场对冲、套利、趋势交易的全场景覆盖。
区别于市面套用模板、依赖通用模型的 AI 工具,SFI 整套量化架构、策略逻辑、风控系统全部为团队独立研发,具备完全技术自主权与持续迭代能力,也是其能持续跑出超额收益的核心壁垒。
欧洲权威圈层高度认可,技术实力获官方背书
本次瑞士 AI 量化闭门峰会汇聚欧洲最顶尖的行业决策者:以太坊核心团队、Hyperliquid 高管、瑞士持牌银行风控专家、AI 算法研发负责人齐聚一堂。
现场专家对 SFI AI 交易体系给出高度评价:
● 认可其全自动 AI 交易逻辑与智能调仓机制
● 肯定跨市场多策略对冲模型的创新性
● 高度认同整套系统的合规风控架构与机构级适配能力
多方机构现场深度评估系统商业化对接空间,标志着 SFI AI 量化技术正式获得欧洲加密圈层 + 传统银行体系的双重权威认证。
Eddie Chong 专访:AI 量化仍处 3–5 年超级红利期
峰会现场,SFI 主席 Eddie Chong 接受行业媒体专访,深度解读行业周期与技术优势。
Eddie 坦言,本次参会让团队看到全球顶级量化的真实实力:瑞士本地一支60 人专业量化团队,可稳定运行 1500 余套策略,拥有极致稳健的 APY 表现,是 SFI 后续迭代的重要对标方向。
他进一步拆解行业本质:
“传统量化是把历史经验写成固定代码,属于静态执行;AI 量化是机器不断学习市场、自我进化,属于动态生长,这是两代技术的根本性差距。”
针对赛道红利,Eddie 给出明确周期判断:
当前 AI 量化渗透率仍低,未来 3–5 年仍是普通人可借助 AI 工具超额获利的黄金红利期。
待 3–5 年后 AI 量化全面普及,赛道将趋近股票市场高度内卷,超额收益逐步抹平,进入大众标准化投资时代。
战略升级:加码 AI 技术自研,开放全球生态合作
凭借独立自研技术、多年实盘验证、欧洲权威赛事认证,SFI AI Trading Bot 已稳固成为集团核心收入支柱。
下一阶段,SFI 将持续加大研发投入:
● 持续迭代 73 套 AI 策略的稳定性与跨市场适配性
● 深化银行级风控体系升级
● 拓展外汇、期货、数字资产多场景联动交易模型
同时 SFI 将以开放姿态,与全球量化团队、欧洲资管机构、传统银行展开技术共建与业务联动,持续放大 Web4 基建 + AI 智能交易的生态优势。
从 2014 年 Eddie 入局挖矿起步,到七年 AI 技术深耕、再到斩获欧洲前十权威认证,SFI 正持续以自主可控的底层技术,抢占全球 AI 量化新周期的绝对话语权。
TradingBase.AI 专栏|为什么越来越多年轻人开始“不相信专家”,却开始相信AI?过去几十年,人们遇到重要决策时,通常会寻找专家。投资找分析师,创业找顾问,理财找基金经理,医疗找医生,法律找律师。因为在信息稀缺时代,专业知识本身就是价值。但最近两年,一个有趣的现象开始出现。越来越多年轻人在做决策时,第一时间咨询的对象,不再是专家,而是AI。无论是ChatGPT、Claude,还是各种垂直领域AI工具,人们开始习惯先向AI提问,再决定是否咨询专业人士。很多人把这看成一种效率提升。但如果把时间拉长来看,这可能正在改变整个知识行业过去几十年的运行逻辑。
专家的价值,正在从“提供答案”变成“验证答案”
过去专家最大的优势是什么?信息差。因为普通人获取信息成本很高,而专家拥有更多经验与知识储备。但AI出现之后,信息获取成本被迅速拉平。今天一个普通用户,只需要几秒钟,就可以获得过去需要数小时甚至数天才能整理出来的信息。这意味着:专家不再垄断答案。而当答案开始变得廉价,真正值钱的东西就会发生变化。未来专家的价值,可能不再是告诉你答案是什么,而是告诉你:这个答案是否正确。
金融行业正在率先发生变化
这一变化在金融行业表现得尤其明显。过去普通投资者获取市场信息的主要方式,是财经媒体、研究报告和投资顾问。但今天,越来越多投资者开始使用AI工具分析市场、总结财报、解读新闻,甚至生成投资框架。AI并没有让每个人都成为专业投资者。但它确实让更多人拥有了接近专业投资者的信息获取能力。问题在于:当所有人都能获得信息之后,信息本身就不再构成优势。真正的优势开始变成:如何理解信息。
TradingBase看到的真正趋势
很多人认为AI量化的核心是预测市场。但在TradingBase看来,未来更重要的一件事可能是:帮助用户理解市场。因为绝大多数投资失败,并不是因为缺少信息。而是因为:信息太多。过去用户的问题是看不到机会。今天用户的问题是:不知道应该相信什么。每天海量新闻、观点、KOL分析、宏观事件、链上数据不断出现,普通投资者反而更容易陷入信息过载。而AI真正的价值,并不是制造更多信息,而是帮助用户筛选信息、理解信息,并最终形成决策逻辑。这也是TradingBase持续推动AI分析能力与智能决策体系建设的重要原因。
AI时代最稀缺的,不再是知识
过去二十年,互联网最大的价值是让知识变得便宜。而未来十年,AI最大的价值可能是:让认知变得更高效。因为当知识唾手可得之后,人们真正缺少的已经不是答案。而是:判断力。谁能够更快理解市场本质,谁能够更早识别噪音与趋势,谁就能够获得优势。从这个角度看,AI并不是专家的终结者。它更像是一种认知放大器。它让更多普通人拥有接近专业机构的分析能力,也让真正优秀的人拥有更强的决策能力。
结语
过去,人们依赖专家获得答案。今天,人们开始通过AI获得答案。而未来,真正重要的问题可能不再是:“答案是什么?”而是:“哪些答案值得相信?”当信息越来越丰富,知识越来越便宜,认知能力反而会成为新的稀缺资源。这或许也是AI时代最重要的变化之一。对于TradingBase而言,AI量化未来的意义,可能不只是帮助用户发现机会。更重要的是:帮助用户在海量信息中,看清真正重要的东西。
TradingBase.AI 专栏|AI开始“记住你”了,金融行业真正危险的变化可能才刚开始过去几年,大模型行业一直在追求一件事:让AI变得更聪明。
更长的上下文、更强的推理、更复杂的Agent协同,几乎成为整个行业最核心的发展方向。但最近,一个新的变化开始被越来越多科技公司推进,而它的重要性,可能不亚于模型能力本身。AI开始拥有“长期记忆”。最近,OpenAI、Google、Anthropic 都在持续强化 AI Memory(长期记忆)能力。AI不再只是一次性对话工具,而开始逐渐能够“持续记住用户”。(theverge.com)很多人第一反应是:这只是体验升级。但如果真正往深层看,会发现这件事改变的,其实不是聊天体验,而是:AI与人的关系结构。因为过去所有软件,本质上都是“工具”。你打开、使用、关闭,它不会真正“认识你”。但Memory出现之后,事情开始变化。AI开始记住你的偏好、行为、习惯、决策逻辑,甚至开始形成“长期用户画像”。而当AI真正拥有长期记忆之后,它就不再只是一个工具,而会逐渐变成:一个持续陪伴、持续学习、持续影响决策的系统。
AI行业,正在从“响应式”进入“陪伴式”
过去的大模型,更像搜索引擎升级版。你提问,它回答。你结束,它停止。整个逻辑,本质上是“即时响应”。但Memory体系出现之后,AI开始从“响应式工具”,进入“陪伴式系统”。它会记住你长期关注什么、偏好什么、过去做过什么决策,甚至会根据历史行为调整未来反馈。这意味着,AI开始第一次真正拥有:连续性。而连续性,恰恰是过去所有互联网产品最核心的东西。社交平台依赖连续行为理解用户;推荐算法依赖长期数据塑造用户;而现在,AI也开始进入这一阶段。不同的是:过去平台理解的是“行为”,而未来AI理解的,可能是:人的决策逻辑本身。
AI真正改变的,可能不是效率,而是“决策依赖”
很多人现在讨论AI,仍然停留在“效率工具”层面。但Memory真正危险的地方,并不是效率,而是:人会逐渐开始依赖AI做决策。因为当AI长期记住你之后,它给出的建议,会越来越像“理解你的人”。比如:它知道你风险偏好;知道你过去的交易习惯;知道你什么时候容易情绪化;甚至知道你曾经在哪些市场阶段做错过决定。而当AI开始具备这些长期信息后,它影响的,就不再只是操作效率,而是:人的判断本身。这件事,在金融行业会被放大得尤其明显。因为金融市场本身,就是一个高度依赖情绪、认知与决策连续性的行业。过去,交易最大的变量是:人会变。但未来,当AI开始持续跟踪用户行为后,市场可能第一次出现一种新的结构:AI比用户更了解用户自己。
AI量化真正的下一阶段,可能不是“预测”
这件事,对AI量化行业的影响,其实会非常深。过去AI量化的核心,是预测市场。谁能更快分析数据、谁能更精准识别机会,几乎决定系统竞争力。但Memory体系出现之后,AI量化可能会进入另一个阶段:AI开始理解“用户”。例如:它知道用户风险承受能力;知道用户仓位习惯;知道用户什么时候容易追涨杀跌;知道用户在哪类行情下最容易失控。这意味着,未来AI量化真正重要的,可能已经不只是:预测市场。而是:理解交易者本身。对于TradingBase而言,这种变化会非常关键。因为未来AI量化系统真正重要的竞争力,可能不只是策略模型,而是:谁能建立更完整的用户行为理解系统。过去量化行业研究的是市场;未来,AI量化可能会同时研究:市场与人。
TradingBase真正需要面对的下一阶段
过去AI量化行业拼的是:谁的模型更强。但未来,AI量化的竞争逻辑可能会发生变化。因为当模型能力逐渐被拉平之后,真正决定长期竞争力的,可能会变成:谁更懂用户。这意味着,未来AI量化系统真正重要的,不只是:市场分析能力、策略生成能力以及数据处理能力。还包括:用户行为理解能力、风险偏好识别能力、情绪波动分析能力以及长期决策辅助能力。而这一点,也正是TradingBase持续在推进的方向。未来AI量化真正优秀的平台,可能不只是:“帮用户做交易”。而是:“帮用户避免自己犯错”。因为市场最大的风险,很多时候并不是行情本身,而是:人在情绪里的决策。
结语
过去几年,AI行业一直在追求“更聪明”。但现在,一个更大的变化开始出现:AI开始“记住你”。而当AI真正拥有长期记忆之后,它就不再只是一个工具,而会逐渐变成:一个持续理解你、影响你、甚至改变你的系统。过去的软件是被使用的;而未来的AI,可能会开始:长期陪伴人类做决策。
TradingBase.AI 专栏|AI Agent开始“挤掉软件”了,真正危险的可能不是人失业过去几年,AI行业一直在讨论一个问题:AI会不会替代人类工作。程序员会不会被替代,分析师会不会被替代,客服和运营会不会消失,几乎成为整个AI行业最常见的话题。很多人理解AI的方式,也始终停留在“替代岗位”这一层。但最近几个月,一个更大的变化开始出现。AI真正开始冲击的,可能不是某一个职业,而是整个软件行业本身。
最近,Google开始全面推进“Agentic Gemini”体系,让AI可以跨Gmail、Docs、Search等系统自主完成任务。Anthropic也在持续推出金融Agent,可以自动完成研究、估值、风控以及客户分析。
与此同时,一个越来越明显的趋势开始出现:企业开始不再购买“功能软件”,而开始购买“结果”。而这件事,可能正在改写整个软件行业过去二十年的底层逻辑。
软件行业最大的变化:AI开始绕过“界面”
过去所有软件,本质上都建立在同一个逻辑上:人是系统操作核心。无论ERP、CRM、OA、交易系统还是数据后台,本质上都需要人去点击、输入、分析和操作。因此过去的软件竞争逻辑,是谁的功能更多、界面更完整、流程更强。但Agent体系出现之后,这套逻辑开始变化。因为Agent并不真正关心“软件长什么样”,它只关心:如何完成任务。
最近法国AI公司H Company推出的Holo3系统,已经能够像人一样识别软件界面、点击按钮、跨系统操作。这意味着,AI开始绕过软件“界面层”。而一旦界面不再重要,很多传统软件的价值逻辑就会被重新定义。过去软件行业真正值钱的,是复杂功能与流程管理;但未来,企业可能越来越不在乎“软件”,而只在乎:事情能不能被自动完成。
AI真正替代的,可能不是岗位,而是“流程”
很多人低估Agent,是因为还把它当聊天机器人。但现在的Agent,已经越来越不像“聊天工具”。它们开始自己拆解任务、调用工具、跨系统执行,并持续完成完整流程。这一点,在金融行业已经开始非常明显。最近华尔街正在大量构建“AI分析师军团”。多个Agent同时完成研究、数据抓取、估值建模、报告生成以及风险分析。这意味着AI真正改变的,可能不是某一个岗位,而是:整个工作流程本身。而一旦Agent能够覆盖完整流程,很多传统SaaS软件就会面临一个非常现实的问题:
如果AI已经能直接完成工作,企业为什么还需要那么多中间系统?这也是最近硅谷开始频繁讨论“The Patil Effect”的原因。越来越多人开始担心,AI Agent会直接冲击大量传统SaaS公司。因为未来企业真正需要的,可能不再是:“一个软件”。而是:“一个能够把事情做完的Agent系统”。
AI行业开始进入“执行时代”
过去的大模型,更像“信息系统”。你问,它答。但Agent时代出现之后,AI第一次真正开始进入:执行层。OpenClaw、CrewAI、Claude Cowork等系统真正重要的地方,并不是聊天能力,而是:AI开始能够持续工作。这会带来一个非常大的变化:未来企业竞争的核心,可能不再是谁“数字化程度更高”,而是谁拥有:更强的AI执行系统。因为Agent真正改变的,不只是效率,而是企业运行方式。过去企业依赖“人+软件”完成工作;而未来,越来越多企业可能开始依赖:“人+Agent系统”。
为什么这件事对TradingBase更重要
对于TradingBase这样的AI量化平台而言,这种变化其实会更早出现。因为金融本身,就是一个高度流程化行业。市场分析、数据处理、风险控制、交易执行、仓位管理,本质上都属于连续流程。过去这些流程虽然已经部分自动化,但核心逻辑仍然是:“人控制系统”。但Agent体系出现之后,未来AI量化可能会越来越像:一个自动协同运行的AI组织。一个Agent负责链上数据,一个Agent负责宏观事件,一个Agent负责市场情绪,一个Agent负责风险动态调整,多个系统实时协同执行。这意味着,未来AI量化真正的竞争,可能已经不只是策略,而是:谁拥有更完整的AI执行体系。因为当模型能力被快速拉平之后,真正决定长期竞争力的,很可能会变成:系统协同能力、执行稳定性以及Agent组织能力。
结语
过去二十年,软件行业的核心逻辑是:让人更高效地使用系统。但现在,一个更大的变化开始出现:AI开始自己操作系统。而当AI开始直接完成工作流程时,被改变的,可能就不只是某个岗位。而是:整个软件行业本身。智能流和资金流,过去是两条平行的轨道。 一条跑在应用层,提问、响应、任务完成;一条跑在支付层,授权、清算、对账。两条轨道从不直接相连,中间靠一个动作缝合——人点一下按钮。 人是唯一的接口。 8 月 27 日晚,DogPay 在香港办了一场名为「The Payment Layer for the Agent Economy」的活动,作为 Bitcoin Asia 期间的 Side Event,Money in Motion 联合主办。 讨论的其实是同一件事的不同侧面:当那个按钮不再由人来点,这两条轨道会发生什么。 一、付款方第一次不是人 我在分享里提的判断是:Agentic Payment 真正的变化不在通道,在付款方。 过去二十年,支付行业优化的一切——费率、成功率、结算速度、拒付率——都建立在同一个动作上:人点击,点击构成授权,授权发生在某个确定的时刻。这一刻之前和之后是两个世界,整套风控、清算和争议解决机制都是照着这个结构建的。 Agent 把这个前提拆了。支付变成任务执行过程中的一个字段:预算在哪里设、权限由谁授、什么条件下触发、按结果还是按用量计费、价格是否随负载浮动。系统要回答的不再只是「谁向谁付款」,还有「为什么付、谁批准的、怎么追溯」。 大屿讲 Agent Trading 时,把同一个问题带到了交易场景。他给出两条演进路径:一条是 Agent 成为独立自主的交易主体,自己发现机会、生成交易逻辑;另一条是成为交易者的数字分身,复刻人的交易体系、风险偏好和执行纪律。前者想象空间更大,后者更接近当下能落地的路径。 两条路径听上去差得很远,卡住它们的东西却完全一样:钱包安全、权限管理、审计追踪。 这不是巧合。代理消费和代理交易,分野的标准是同一个——Agent 是在执行人的意图,还是在生成自己的意图。而无论落在哪一边,人都从那个接口的位置上退了出来。 接口消失之后,两条流只能合并到同一条轨道上跑。 二、支付的逻辑,正在往 token 上搬 这件事最激进的实践者不在加密行业,在 Stripe。 我们此前拆过它那笔七十多亿美元的收购——史上最大一笔,买的是 AI 模型网关 OpenRouter,一家不做支付的公司。同期的股东信里,Stripe 十五年来第一次改写了自己的起源故事:资本与智能,正在成为托底每一门生意的两股数字流。 为什么一家支付公司要去管企业怎么花 token? 因为 token 的消费已经变成了流。AMP PBC 分析流经 OpenRouter 的一百万亿个 token 后发现,中位请求并不是一个人在提问,而是一台机器在循环中间。一个 agent 跑一晚上,同类调用重复几千次,无人值守、持续发生。 而 Stripe 这家公司向来只做一件事:在流上收费。 于是围着美元长了二十年的那一整套东西,开始一层层往 token 上搬——计量、路由、定价、风控、对账,一样都不少,只是标的从美元换成了 token。而这套体系里的三个角色也各就各位:AI token 制造账单,卡组织完成刷卡,稳定币负责结算。 模型是商品,计量层是收银台。 这句话底下是一个更冷的结构。稳定币解决的是转移,但它从没解决转移标的的估值。一笔链上付款可以在一秒内完成,可「这次模型调用该付多少」,链和币都回答不了。搬运的成本被压到接近零之后,所有的价值都挤到了定价这一侧。 谁掌握计量,谁就掌握定价。 三、同一个形状,两个方向长出来 回到香港这场活动。 DogPay 讲的三层——DogID 做身份,DogRouter 做用量,DogPay 做支付——放进上面那个坐标里看,几乎是同一个答案。Agent 需要先被识别,才谈得上被授权;被授权之后才能被计量;任务完成之后,付款、分账和对账才有触发的依据。身份、用量、支付,正好是这条链上的三个卡口。 而这个形状不是抄来的,是被约束逼出来的。当消费从离散事件变成连续的流,当付款方从人换成机器,任何人做这件事都会撞上同样三个问题:认得出是谁,算得清用了多少,结得了账。少一层都不成立。 所以香港一场 Side Event 上讨论的三层,和 Stripe 花七十多亿买回来的那个位置,指向的是同一件事。区别只在方向:一个从美元那一侧往上搬,把成熟的支付逻辑套到新商品上;一个从 Agent 原生那一侧往下长,先有机器的用量和身份,再回头解决钱。 出发点相反,形状一样。 这也解释了 DogPay 为什么把自己定位成价值流转网络,而不是一个收款按钮。收款工具处理的是一次性事件;它要处理的是一条一直在跑的流——当人和 Agent 混在同一个协作网络里,价值如何被记录、分配和结算。 形状想清楚了,不等于位置就定了。 从美元往上搬的那一侧,握着二十年的对抗性交易数据和最完整的商户网络;从 Agent 原生往下长的这一侧,握着更早的用量入口和更灵活的合规姿态。谁先站住,现在没有答案。这是一场还没跑的比赛,押哪边都是下注。 四、生而全球的东西,不需要落地 亚洲这一侧的问题,从来不是有没有需求。 这场活动能在 Bitcoin Asia 期间爆满,本身就是信号。从 API 调用到跨境收款再到智能交易,Agent Economy 在亚洲已经是在跑的生意,现场的人不是来听趋势的,是带着各自具体的问题来的。 生机勃勃的另一面,是一个还没被认真回答的问题。 agent 和 stablecoin 都是生而全球的。它们不在任何一个司法辖区出生,不依赖任何一个城市的清算系统,也不需要落地在任何一个地方。传统金融中心的逻辑恰恰相反——资金必须经过某个物理和法律的节点,城市的价值来自它是那个必经之地。 当这个节点开始收缩,香港要想清楚的是:在一个不需要地理的价值网络里,一个城市凭什么被需要。 我倾向于认为答案不在牌照本身。牌照能界定边界,界定不出吸引力;何况一个生而全球的东西,会去找摩擦最小的那条路径,而不是规矩最全的那一条。真正把城市留在网络里的,可能是机构——像 DogPay 这样足够灵活、能同时站在合规和链上两边、又愿意在标准还没成形的时候先做出来的机构。 城市的位置,要靠生态挣回来。 这是判断,不是结论。它成立的前提是接下来两三年里,Agent 支付的规则由做事的人写,而不是等规则写好了再做事。 十月六日,Money in Motion 和 LongTree Labs 会在新加坡办第一届 AGENTIC MONEY,把这些问题继续往下推。 按钮消失之后,两条流会自己找到一条轨道。真正的问题是,它经不经过这里。
