BTC Pierre🔆

[BTC Pierre🔆 @SatoshiPierre]

愿世界和平，希望是个意外而不是阴谋

[XYZ漫谈 @XYZCauserie]

这下可以房这张图了
一个都跑不了
全给老子埋了
$SPCX

[XYZ漫谈 @XYZCauserie]

这张图真的绝了，无数脆弱衍生品叠加，压死骆驼的最后一根稻草什么时候会出现？
向勇敢冲锋的勇士们致敬！
悲观者正确，乐观者成功，祝大家集体发财！
$SPCX

[BTC Pierre🔆 @SatoshiPierre]

@btctzv 互关互关

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

90%的人用Claude都是在瞎用，今天给你一张真正的升级路线图

说真的，大多数人打开Claude就开始乱问，问完觉得"也就这样"，然后继续回去用GPT。不是Claude不行，是你根本没入门。

我整理了一套从小白到专家的完整学习路径，4个级别，花一天时间，你能跨越别人半年的摸索期。

1️⃣ 第一级：24分钟，先把基础打牢

别觉得基础没用，很多人连Claude的设置界面都没配置对，就开始抱怨效果差。先看这两篇：

Claude傻瓜指南 🔗 https://t.co/cOVLXKWzqk
Claude设置 🔗 https://t.co/IUXXX6HT1Y

2️⃣ 第二级：1小时，开始真正干活

光会聊天没用，要让Claude嵌进你的工作流里。这一级有6篇，覆盖协作、团队、设计、项目、PPT、技能，全是实操向的：

Claude协作 🔗 https://t.co/Uu81jWQ38g
Claude团队版 🔗 https://t.co/W117GA8936
Claude设计 🔗 https://t.co/wN5PMdNIML
协作+项目 🔗 https://t.co/JUCG6z8Xlh
Claude幻灯片 🔗 https://t.co/MuDoFnlDwX
Claude技能 🔗 https://t.co/FV0YB0djw9

3️⃣ 第三级：3.5小时，开始拉开差距

这一级才是真正分水岭。你会学到怎么让Claude别一直拍你马屁、怎么写代码、怎么突破使用限制、怎么停止无效提示：

避免奉承 🔗 https://t.co/sITjoA2EqV
Claude代码 🔗 https://t.co/HWNrhaah2b
Claude 101 🔗 https://t.co/DrlGHtD4cD
突破Claude限制 🔗 https://t.co/2xPIANFVby
停止瞎提示 🔗 https://t.co/x9KnKwwXKa

4️⃣ 第四级：8小时，专家模式开启

能走到这一步的人不多，但走到这里你就真的不一样了。Claude直接操控电脑、用API自己构建工具，这才是AI真正的玩法：

Claude电脑 🔗 https://t.co/0ME7ckbQXa
用Claude API构建 🔗 https://t.co/sobW0u3H6P

最后说一句，别想着一口气全看完，那样你什么都记不住。一天学一级，四天之后你对Claude的理解会超过身边99%的人。

[Huan @Huanusa]

Anthropic每年砸75万美元+请顶级工程师，
就为了搞懂大语言模型到底是怎么工作的

而斯坦福大学刚刚把其中80%的核心内容
浓缩成一个2小时免费讲座！

这可能是你本月投资回报率最高的事情了
认真看完这2小时，你对AI的理解会直接甩开90%的人：
从Transformer原理、训练机制、涌现能力，到模型的局限与未来方向，全都讲透。
不想再云里雾里跟风AI？

花2小时把底层逻辑吃透，未来少踩无数坑。
强烈建议立刻收藏，今天就看！

[BTC Pierre🔆 @SatoshiPierre]

先转再学习

[fin @fi56622380]

AI半导体终局推演2026(I)
当新token经济学范式从GPU算力转移到HBM

本文从从GPU架构进化路线本质出发，解释这个市场长久以来担心的问题:
每个GPU的HBM内存需求为什么一定会是指数增长，为什么HBM需求指数增长不会停滞?

并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽

同时讨论了，为什么GPU的天花板被HBM的两个发展维度所决定

HBM周期性这个话题争议一直很大，乐观派认为AI带来的需求比以前要大的多，但市场主流仍然认为前几次上升周期也有需求每年20%+增长，这次又有什么不一样呢？AI不影响HBM和传统DRAM一样有commodity属性，一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。

我们可以从算力芯片架构视角,从第一性原理出发，来拆解和推演一下这个问题：为什么这次真的不一样

-------------------------------
历史：CPU算力时代

很久以来，我们都处在CPU主导算力的时代，CPU的最高级KPI就是performance，跑的更快，所以每一代的CPU都用各种方法来提高跑分，最开始是频率上升，后来是架构演进superscaler等等

这个时候为什么DDR不需要很快的技术进步速度？比如DDR3到DDR5竟然经历了15年之久

因为这个时期的DDR的角色是纯粹的辅助，而且辅助功能极弱，以业界经验，DDR的速度即便是提高一倍，CPU的performance一般只能提高不到20%这个量级

为什么DDR带宽速度提高了用处不大？两个原因

1. CPU设计了各种架构去隐藏 DDR延迟，比如superscaler，加大发射宽度，用海量的ROB和register renaming来提高并行度隐藏延迟，一级缓存cache，二级缓存cache，削弱了DDR的带宽速度需求

2. CPU workload对DDR带宽要求并不高，大部分日常负载比如打开网页，DDR带宽是严重过剩的，甚至云端负载

也就是说，在CPU时代，DDR的带宽速度是不太有所谓的，DDR4和DDR5除了少数游戏就没啥差别，甚至JEDEC标准也进步缓慢。

另外，绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可，app的size增长没那么快，导致对DDR的容量需求也较为缓慢。

所以最近十年来，平均每台电脑上的DDR容量大概从7~8GB变成了23GB，十年只增长了3倍。

而这部分升级缓慢直接影响了营收，size容量计价是赚钱的主要方式，速度的提高只是技术升级，提高size的单价，这两个的升级需求都不大，需求主要是随着电脑/手机数量增长而增长

所以DRAM在带宽速度和容量这两个维度上，一直是都是芯片产业锦上添花性质的附属品，DDR升级带来的边际效用是很低的，跟CPU时代的最高KPI几乎没什么直接联系

--------------------------------------------
而到了genAI 大模型为主导的新时代，计算范式转移让最高级KPI起了根本变化

GPU发展到AI推理的时代，不再像CPU那样只看跑分，最高级的KPI不再是算力TOPS/FLOPS，而是token的成本，特别是单位成本/单位电力下的overall token throuput

其次是token吞吐速度，因为在agent时代，很多任务变成了串行，token吞吐速度成了用户体验的重要瓶颈。

这也是为什么老黄发明AI工厂概念的原因：最低成本的输出最多token，同时尽量提高token吞吐速度

AI训练时代，老黄的经济学是TCO(total cost ownership)，买的GPU越多，省的越多

而老黄在推理时代的token经济学是：

AI推理的毛利润很可观，所以逻辑已经转换成：Nvidia GPU是这个世界上让token单价最便宜的GPU，买的GPU越多，赚的越多

最高的KPI变成了Pareto frontier曲线，在提高token 吞吐throughput和提高token速度两个维度上尽量优化
（见图一）

NVIDIA 的 token factory 代际进步，其实是在把整条 Pareto frontier 往右上推，这就是是AI推理这个时代最重要的KPI

----------------------------------

接下来是本文最重要的逻辑链，如何从token吞吐量指数型增长的本质出发，推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长

单卡GPU推理单线程batch size = 1的时代，token吞吐只有一个维度，就是HBM的带宽速度，带宽速度越高，token吞吐越大

但进入NVL72的年代，推理不再是单卡GPU时代，而是72个GPU + 36个CPU整个系统级别的token工厂，把HBM带宽和算力用满，获得极致的token吞吐量

Token 吞吐throughput的增长，依赖两个东西：同时批处理的请求数 X 每个user请求的平均token速度

也就是batch size X per user token 速度

以Rubin NVL72为例，在平均token速度是100 token/s的情况下，同时批处理1920个请求，得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW（0.12MW）的功率，所以得到单位MW能处理1.6M token/s

（见图一）

所以，我们需要想方设法提高这两个参数：批处理数量batch size和per user token的平均速度，这两者相乘就是我们的最高KPI，也就是token的吞吐量

-------
第一个参数：batch size的增长，瓶颈在HBM size

批处理量里的每一个请求req，都会自带kv cache，这部分kv cache是需要存在HBM里的，大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取，所以必须放在HBM里，比如一个大模型的层数是80层，那么每一个token的生成阶段，都需要读取80次HBM里的kv cache

随着批处理数量batch size的增长，会带来hot kv cache的线性增长

又因为这个批处理量的所有请求的hot kv cache，都要放在HBM上，这也就带来了HBM size必须要随着批处理量batch size线性增长

就像是机场接驳车，登机口尽量快的接旅客到飞机，HBM size小了，相当于接驳车size小了，就得多接一趟

结论是：批处理量的数量batch size，瓶颈依赖于HBM size的增长

---------
第二个参数：每个user请求的平均token速度，瓶颈在HBM带宽

大模型decode阶段的速度，瓶颈取决于HBM的带宽速度，因为每生成一个 token,都要把激活的权重和kv cache 读很多遍

LPU的出现，在batch不那么大的情况下，把激活权重这个部分搬到了SRAM上，但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高，生成每一个token的速度也就越快，基本上是线性对应的

就像是机场接驳车，登机口尽量快的接旅客到飞机，hbm本身带宽速度就像是接驳车的车门有多宽，门越宽，旅客上接驳车越快

GPU的其他配置，都是在适配batch的增长以及要让token compute的速度配平HBM的增长，甚至会用多余的算力来获得部分的带宽（比如部分带宽压缩技术）

—-----
在那个接驳车的比喻例子里

接驳车的车厢大小 = HBM Size（容量）： 决定了一次能装下多少名旅客（也就是能同时装下多少个请求的 KV Cache）。车厢越大，一次能拉载的旅客（Batch Size）就越多。如果车太小，想拉100个人就得分两趟，系统整体的吞吐量就上不去。

接驳车的车门宽度 = HBM Bandwidth（带宽）： 决定了旅客上下车的速度。门越宽，大家呼啦啦一下全上去了（Decode/生成Token的速度极快）。如果门很窄，哪怕车厢巨大能装200人，大家也得排着队一个一个挤上去，全耗在上下车的时间里了。

旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度)

—---------------------------

至此，我们从逻辑上推演出了token经济学的硬件需求第一性原理：

Token throughput = HBM size X HBM Bandwidth
AI推理这个时代的最高KPI，实际上是高度依赖于HBM的两个维度的进步的

如果要维持token throuput每一代两倍的增长，实际上意味着，每一代的单GPU上，HBM size X HBM BW带宽之积要增长两倍！

这也是历史上第一次，HBM内存的size可以影响最高的KPI token throughput！

要验证这个理论，可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput，和HBM size X HBM BW 放在同一个图里比较
（见图二）

可以发现，这两个曲线的走势在对数轴上惊人的一致

HBM size x HBM带宽增长的甚至要比token吞吐量更快，毕竟HBM决定的是天花板，实际上这个天花板增长的利用率utilization是很难达到100%的，也就是说，HBM size x HBM 带宽就算增长1000倍，其他算力和架构的配合下，很难把这1000倍的天花板潜力全部榨干

这条曲线不是巧合，而是系统最优化的必然解

throughput = batch × Bandwidth，这就是token factory 经济学最绕不开的第一性原理

—--------
软件的影响呢？软件的优化会不会降低带宽的需求？降低HBM的需求？

这跟硬件是独立两个维度的，这好像在问，如果CPU上的软件优化了之后跑的更快，是不是CPU就十年不用发展了？反正软件跑的更快了嘛

这样的话，CPU厂还能赚得到钱吗？CPU想要存活下去，只有一条路可走，在标准benchmark，不考虑软件优化，每一代CPU必须要跑分更高，不然就卖不出去
GPU也是一样，软件优化如何，和自己的token吞吐量KPI每年都要大幅进步，是两回事

只要token的需求继续增长，对token throuput的追求就绝不会停止，那么对HBM size X HBM 带宽的追求也不会停止

如果HBM size和HBM 带宽发展慢了，老黄一定会亲自到御三家逼着他们技术升级，因为这就是老黄gpu的天花板，天花板要是钉死了不进步，老黄的GPU还能卖出去吗？

当然了，Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分，比如LPU就是一个很好的尝试，把Pareto frontier从另一个角度改善了很多 （右半边高token速度的部分）

—--------------------------------------

HBM内存已然告别了那个随波逐流的旧时代，在这条由指数级需求铺就的单行道上，以一种近乎宿命的方式走到了产业史诗的主舞台中央

推理范式第一性原理演化到这一步，只要老黄还要卖GPU，HBM就必须翻倍，而且必须代代翻倍。这是supply side的内生压力，与AI需求无关，与宏观周期无关，与hyperscaler的心情也无关

剩下的问题，只有一个：

当需求被物理锁定为指数增长的时候，供给侧的三个玩家，会不会还像过去三十年那样，亲手把自己再拖回一次周期的泥潭？

[ahr999 Porter 0.1 BTC @ahr999x]

若把一人多地址、机构归集地址、失活地址都扣掉，真实提币持有 0.1 BTC 以上的人数，大概率只会比这个更少，真实“自托管且净持有 0.1 BTC 以上的人”稀缺度非常高。

[BTC Pierre🔆 @SatoshiPierre]

#BitgetIPOPrime 快来加入，额度已打满

[Bitget中文 @Bitget_zh]

想去现场看SpaceX火箭发射？Bitget买单！

庆祝Bitget IPO Prime首期项目 $preSPAX 认购开启，狂撒 8,000 USDT 惊喜大奖！

🏆 至尊观礼大奖（1名）：独揽 3,000 U！
🔹 参与方式：参与 $preSPAX 认购或VIP空投，在下方表单提交 UID 。

🍀 锦鲤转发奖（100名）：每人 50 USDT！
🔹 参与方式：关注 @Bitget_zh + 转发本推文并带话题 #BitgetIPOPrime，在表单提交uid及推文链接。

马上填写表单，锁定大奖：https://t.co/6o6yUgTL4e

[qinbafrank @qinbafrank]

https://t.co/bw3n1MlnwU

[加蜜师弟 @oyoovi]

https://t.co/KUPazXMAqX

[ForeGate @Fore_Gate]

Christmas vibes from the true icon, Michael Owen sends his warmest greetings on ForeGate:

"May your days be filled with joy and happiness." 🌟

From our family to yours – Merry Christmas! 🎄❤️

[OdailyNews @OdailyChina]

https://t.co/7KUc9uxLin

[BTC Pierre🔆 @SatoshiPierre]

Gogogogo ,bet the futures

[ForeGate @Fore_Gate]

🚀ForeGate Beta Launch!

🔮The future of prediction markets starts here.

ForeGate is a next-gen prediction platform where you can:
• Trade on real-time events
• Create your own markets
• Earn test rewards

Join the Beta & shape tomorrow today
https://t.co/fJpPsjYmzr

[小隐新十年（Feng Wang） @wangfeng_0128]

阅读/今夜，准确地说是北京时间9月4日凌晨1点，加密世界与传统金融的交汇处，将迎来一个决定性的时刻。在RWA叙事已持续升温整整一年后，备受瞩目的该赛道领导者Ondo Finance，将在以太坊上线其“Ondo Global Markets”。这不仅是一次产品发布，更是对整个RWA赛道未来路线的一次关键提问，它将代币化股票领域早已存在的路线分歧，正式推上了“三大范式之争”的舞台。

Ondo上线倒计时：除了万亿市场，你必须看懂的RWA三大范式之争
https://t.co/8hy6rh2E4f

[rick awsb ($people, $people) @rickawsb]

https://t.co/NMEmYsxOCc

[Kay老湿 @kaylaoshi]

《稳定币支付怎么做 AML 防止洗钱？》

随着对 Crypto Payment 的学习越来越深入，也开始接触到更底层的环节 —— 其中最关键的，就是 AML（反洗钱）。

今天就来聊聊：稳定币/加密支付 到底怎么做 AML？

1. 什么是 AML？

AML（Anti-Money Laundering）反洗钱，是持牌金融机构必须履行的合规义务。在加密行业也一样，无论你是交易所、OTC、U 卡服务商，只要想合法合规运营，AML 就绕不过去。

在 Crypto 的语境下，AML 的目标很直接：别让黑钱借助加密货币，偷偷溜进传统金融体系。

一般包括 4 个组成部分：用户身份审核（KYC）、交易行为分析（KYT）、异常行为报告（STR/SAR）、黑名单管理（如 OFAC、UNSC 全球制裁地址）。

其中最核心的一环，就是 KYT —— 你收的每一笔 U，都必须搞清楚来龙去脉。

2. 加密支付 AML 核心 - KYT

KYT（Know Your Transaction）的本质在于“确保你收到的那笔 U 不是黑钱”。

所谓的“黑 U”一般来自这 5 个渠道：
• 黑客攻击：比如来自 Bybit 被盗的那 40 万 ETH
• 链上诈骗：钓鱼、社工诈骗等
• 混币服务：如 Tornado Cash
• OFAC 制裁：地址在美国财政部的制裁名单里
• 暗网相关：涉及 darknet market 的转账行为

一旦收了这类资金，你的项目、账户，甚至整个交易路径都可能面临合规风险，严重的可能被冻结账户甚至被监管追责。

3. KYT 完整流程

KYT 的流程表面看不算复杂，主要可以拆成 5 步：

1️⃣ 链上地址风险识别

首先要识别地址身份，系统打上“标签”，比如：交易所钱包？混币池？有黑客地址交互记录？是否出现在 OFAC、UNSC 等黑名单里？

举个 🌰：
你收到 A 地址转来的 USDT，系统发现 A 是个被标记过的混币地址，那这笔交易立马被判为“高风险”，资金直接被冻结。

2️⃣ 资金路径追踪

仅仅识别地址还不够，，更要“顺藤摸瓜”追踪整条链上路径。也就是看这笔钱中间转了几手（专业一点叫 hops），有没有经过高风险地址。

实际追踪过程非常复杂，需要用到“污染比例”模型。比如：收到 100 USDT，其中 8U 来自黑客地址，那污染比例是 8%。

行业普遍做法是按比例设风险等级：
• 污染 <1%：低风险，直接通过
• 污染 1%～5%：中风险，记录 + 提示
• 污染 >5%：高风险，自动拦截

3️⃣ 交易实时监控

KYT 不能只看“这一笔”是不是黑钱，更重要的是持续盯住每一笔入账，并把交易行为关联起来分析。

比如可以设置这些风险触发条件：
• 连续频繁交易，1 分钟 ＞ 10 笔
• 超大额交易，单笔额度 ＞ $ 100W

现在越来越多的 KYT 服务会采用 AI 模型来分析用户“交易习惯”，比如：一个用户正常每天只收几笔钱，突然某天爆发几十笔入账，可能就会有问题。

4️⃣ 风险响应策略

一旦监控发现风险，系统要立刻给出响应动作。

这些算是常见动作：
• 自动冻结这笔资金（钱入账之后不允许做任何操作）
• 禁止用户提现
• 弹窗提醒，要求管理员人工审核
• 将交易打包进“可疑活动报告”（SAR）

5️⃣ 合规审计记录

KYT 系统最后一步是“留下痕迹” —— 万一以后被查了，你得解释：
• 为什么没拦截？
• 这笔交易的风险分数是多少？
• 审核人员何时做了决定？
• 是否上报“可疑交易报告” （STR）

这些记录不仅是内部风控记录，也是应对监管审计的关键材料。

4. 写在最后

事实上，很多早期加密支付项目采取了最适合自己的策略 —— 不做 AML 😂。毕竟没牌照、没收入，KYT 系统又贵又麻烦。

但现在合规化趋势越来越清晰的背景下，不做 AML 和 KYT 就相当于“裸奔”，非常容易沦为“链上黑钱”的洗钱工具。

如果希望业务长期生存，那 AML 和 KYT 绝对是必备的“底层安全组件”。

[BTC Pierre🔆 @SatoshiPierre]

Sahara AI 是一个去中心化的 AI 区块链平台，专注于 Web3 协作经济，允许用户创建、共享和货币化 AI 模型、数据集。平台通过区块链确保 AI 资产的安全性和所有权，已与 Microsoft、Amazon 等企业合作 #AIforALL @saharaai