bitrabbit.btc

bitcoin/l2s/trading

[bitrabbit.btc @bitrabbit_btc]

@gw11123 没有，以后会重新活跃的

[bitrabbit.btc @bitrabbit_btc]

以前defi的目标是把传统金融去中心化，2026上演的剧情变成传统金融全面入侵区块链

[bitrabbit.btc @bitrabbit_btc]

Solana用极端的硬件+POH让真实TPS在达到了1200-2000这个水平，以太坊L1+L2只有200左右，BSC大概也在100-200左右，而微信支付宝的最大TPS轻松超过10万甚至达到百万也是不难的，区块链用尽了全力也只能勉强达到了web2性能的1%，区块链的性能困境是整个行业只能在赌博交易上雕花的根源。

事实证明区块链不可能三角永远无法都被突破，这是由区块链的技术特性决定的（全局状态存储+全网实时通信验证），大概三年前我意识到了这点，转向了非区块链的去中心化技术。目前来看只有闪电网络和P2P网络这种没有全局状态，无需节点实时验证的去中心化技术有机会真正实现web2级别的大规模采用。

[bitrabbit.btc @bitrabbit_btc]

@wei193348383 好久不见

[bitrabbit.btc @bitrabbit_btc]

其实​纯数字理工科也在文科化，​写代码、做数据清洗、画 CAD 图纸、做基础的结构计算，包括解数学题，这些工作本质上也是处理符号，在 AI 眼里，代码和小说没有区别，都是 Token 的排列组合，这些技能也在归零。

而土木工程现场施工、外科手术、实验物理、芯片制造工艺、能源勘探这些需要与物理世界产生深度链接性质的工作，需要处理“非结构化的物理反馈”（泥土的湿度、血管的弹性、光刻机的微振动），从仿真到现实的鸿沟是 AI 短期内无法跨越的。AI 可以生成完美的桥梁图纸，但它无法解决施工现场突发的泥石流。物理世界的“摩擦力”保护了这部分理科生。

脑洞的重要性在AI时代也愈发重要了，AI 擅长 1 到 N（扩写、优化、模仿），​AI 无法做到 0 到 1（提出一个反直觉的、疯狂的、违背概率预测的新概念）。

这提醒我们不要去卷那些正在归零的技能，去卷那些 AI 永远无法拥有的“碳基生命的特权”——勇气、连接与疯狂。

[Aelia Capitolina @Areskapitalon]

别再说AI时代文科生受益了，绝大部分文科生学的不过是一些最简单的“技能”，而这些技能，价格正在无限趋近于零。我的一些没有任何文科基础的朋友，都在用AI辅助写小说了。只要有一个想法，AI就能辅助把它变成成品，写出自己喜欢的作品的难度也早就无限趋近于零了。结果现在，做出自己喜欢的影视作品的难度也正在变成零。

AI时代缺乏的是脑洞。以及能够一起冒险的朋友。人对自己本质属性而非工具属性的再发现。

[bitrabbit.btc @bitrabbit_btc]

在AIME（数学竞赛）能拿96%准确率的AI面前，培养人类去当“做题家”的边际收益已经接近于零，甚至为负，未来的教育必然（也被迫）会向“广度+深度+真实复杂性”演化，而单纯的“做题技巧性难度”会大幅降低。👀

[赵纯想 @chunxiangai]

现在二十来岁的人，根本无法意识到他们有多幸运。因为意识不到，所以他们不会手舞足蹈、欢呼雀跃。

按部就班地去找工作，给家长一个交代。在电子游戏上虚度光阴，在一切没有意义的聚会后，收获迷惘与空虚。

人无法同时拥有Claude Code和对人生的失控感！

我们这些可怜的三十来岁的人，FOMO情绪大到恨不得跟二十来岁、十几岁的人换命，换身。

时间，已经开始在我们身上“收网”了。却同时地、刚刚在他们那儿撒下迷魂脂粉。让他们，误以为时间像一块丰腴的肥皂，一时半会儿也用不完似的。

一个刚上大一的年轻人，从掌握AI编程、AI视频工作流、AI智能体赋能传统行业，到使用这些技能赚到钱，养活自己，实现在社会中的“自举”，是那么地近！

这是怎样的世界？只用一层薄薄的，名为“行动力”的纸膜，就把天量的人拦在了外面。让他们像牛群一样，对狮子熟视无睹，依旧成群结对地去课堂上，啃草。

我的弟弟，只因为我多说了两嘴Claude Code，就已经对我产生了不耐烦的情绪。天啊！他刚刚购买了一款独立游戏，38元。像素风2D解谜游戏。我真想告诉他，Claude Code可以在十天内复刻这个游戏，上架，销售……赚取被动收入。终结他和妈妈之间的大部分亲子矛盾……

你可以轻松复制、下载、购买你看到的一切——这是AppStore时代的移动互联网故事。

你可以轻松复制、上载、销售你看到的一切——这是Claude Code时代的AI故事。

拿着锤子的人，看什么都像钉子。这句话的另一个模态是：不管你同意与否，锤子真的会砸向它所能砸到的一切，去测试它所砸之物能不能算做钉子！就像人类曾经尝试将蒸汽机装进一切旧有的事物中，婴儿车、缝纫机，根本不关心它们是否是最佳场景……

AI，远比蒸汽机细密，像水蒸气，正在钻进社会的每一个骨缝里。同样不关心人们是否同意。这不是愿不愿意参与的问题……是活生生的to be or not to be…

教育的改革有严重的滞后性，在AI前沿工作的人们，看如今的教育，就像苍蝇的复眼中的人类，完全是慢动作，完全是老态龙钟。

房间门已经开了，大象已经走进来了。浑浊的泥土的气息，已经被象耳扇进每一个人的鼻窝。但人们似乎，不约而同地保持了沉默。

[bitrabbit.btc @bitrabbit_btc]

@TheOneNFT Happy new year

[bitrabbit.btc @bitrabbit_btc]

P2P社交赛道

[Colin Wu @colinwu]

明年 2026 承接 perpdex 热点赛道的百团大战，大概率是:

1 预测市场

2 股票代币化

但是这俩都有比较高的合规成本，行业进入深水区了，低垂的果实已经摘完，不过这俩确实都有很大的想象创新空间

除此之外就还是隐私、AI+区块链、稳定币、支付（U 卡）等

大家觉得还有哪些赛道可能爆发？

[bitrabbit.btc @bitrabbit_btc]

互联网时代，真相会拨开云雾复见天

[bitrabbit.btc @bitrabbit_btc]

中国人这400年所遭遇的苦难，归根溯源要90%的原因要归咎到满清为了防汉作出的各种愚化民众政策，导致在大变革时代完全错过了工业革命。

对比下即使国内对web3的高压政策，也不能防碍国人在web3领域矿业，交易平台这些crypto产业链上的主导地位，因为现在的高压跟当时满清对汉人的残酷完全不是一个量级

[bitrabbit.btc @bitrabbit_btc]

AI时代提问能力与抽象能力最重要，那么我们继续问Gemini 问题:

既然AI已经在大部分认知服务上做的不错，那么AI在工业界与实体资源的渗透，有哪些技术难点，比如想将使用AI将现代工业中工人取代掉，便利店员取代掉，将家庭保姆取代掉，结合上面的讨论分析一下具体有哪些技术难点：

Gemini ：这是一个非常深刻的问题，触及了人工智能领域目前最硬的骨头——具身智能（Embodied AI）。
​结合之前的**“科学思维与方法流程图”，我们可以发现：“编程/律师”主要处理的是绿色区域（逻辑演绎），输入和输出都是数字符号，是一个封闭、确定的系统**。
​而**“工人/保姆/店员”处理的是红色区域（观察与验证），必须与物理世界进行即时交互。物理世界是开放、混乱且不确定**的。

​要实现你说的“取代”，目前存在四大技术难点，我们可以称之为**“莫拉维克悖论（Moravec's Paradox）”的现代版体现**：

​1. 感知与交互的“非标准化”难题 ( The "Unstructured Environment" Problem)
​对应流程图： “观察与问题”（Top Red Zone）

​难点解析：

​工业工人： 现代流水线已经高度自动化（标准化环境），但维修工很难被取代。因为漏油的管道、生锈的螺丝、磨损的皮带，每一个故障的样子都不一样。AI很难“观察”出这些非标问题。

​便利店员： 收银容易（它是数据处理），但理货极难。货架乱了，一包薯片被压扁了，一瓶水倒了，地面洒了咖啡。机器人需要识别成千上万种形状不一、状态各异的商品，并做出正确的物理抓取。

​家庭保姆（地狱难度）： 家是最非标准化的环境。孩子的玩具满地都是，衣服材质各异，猫狗乱跑。AI难以在如此混乱的环境中建立统一的“观察模型”。

​2. 精细运动控制与触觉反馈 (The "Dexterity & Tactile" Gap)

​对应流程图： “实验验证”（Bottom Red Zone - 执行层面）

​难点解析：
​人类的双手是进化的奇迹。我们可以拿起一个鸡蛋而不捏碎它，也可以用力拧开瓶盖。这依赖于极度复杂的力反馈（Force Feedback）。

​技术瓶颈： 目前的机器人主要靠视觉（看），**触觉（摸）**非常弱。
​保姆场景： 给婴儿换尿布或擦嘴。这不仅需要视觉识别，需要极其微妙的力度控制。机器人稍有计算偏差，就可能弄伤婴儿。这种物理验证的容错率几乎为零。

​店员场景： 拿取一个软面包 vs 拿取一瓶玻璃饮料，手指施加的力度完全不同。

​3. 长尾场景与泛化能力 (The "Long-Tail" Case)

​对应流程图： “构建模型/理论”（Green Zone - 模型的覆盖度）

​难点解析：
​大语言模型（LLM）之所以强，是因为它看过了互联网上几乎所有的文本。但物理世界的数据极其匮乏。
​工业场景： 我们可以教机器人拧螺丝，但如果螺丝滑丝了怎么办？如果螺丝掉进机器缝隙里了怎么办？这些**“意外情况”（Edge Cases）**在物理世界无穷无尽。
​人类拥有常识物理模型（知道水会流，玻璃会碎，火会烫），不需要专门学习。AI目前还很难具备这种通用的物理常识来应对突发状况。

​4. 能源效率与硬件成本 (The "Power & Cost" Wall)
​对应流程图： “结果分析”（Bottom Red Zone - 成本效益分析）

​难点解析：
​人类： 一个工人或保姆，每天只需要吃饭喝水（约2000大卡，转换成电能极低），就能工作8-10小时，且大脑算力只需约20瓦。

​机器人： 一个能像人一样行走的双足机器人，加上高算力GPU进行实时视觉处理，耗电量巨大，电池续航可能只有1-2小时。
​商业逻辑： 如果制造一个能完全替代便利店员的机器人需要100万人民币，且每两小时要充电，那么它的**“投入产出比”**远不如雇佣一个人类店员。在商业验证环节，目前是不通过的。
​
最终结论
​回到你的流程图逻辑：
AI 可以在“绿色区域”里秒杀人类（算力、知识调用），但在“红色区域”里（感知真实世界的微妙变化、在物理世界中灵巧行动、对不确定结果负责），人类的身体进化了数百万年，依然是目前最高效、最节能、最通用的“智能机器”。

总结分析表：为什么“蓝领”比“白领”更难取代？

[bitrabbit.btc @bitrabbit_btc]

如果这个话题再扩展开来，用科学思维的流程图来解释，我们可以得出一个合理的推断，除了在少数创新的领域（比如从0到1的商业模式，或者前沿科学研究）认知这一高阶能力，在AI时代将会被重新划分成三明治结构：

AI时代（新工作流）：

人类退守两端，把中间让渡给硅基生物。
​入口（Input）： 核心能力是 "提问力" (Inquiry) 和 "抽象力" (Abstraction)。

​黑盒（Process）： AI 负责 "知识检索" 和 "逻辑推演"。

​出口（Output）： 核心能力是 "鉴别力" (Critical Thinking) 和 "决策力" (Decision Making)。

1、观察与问题 / 抽象概念与提出假说 (The "Why" & "What")，这是人类最有价值的领域：

​AI本质上是概率模型，它是被动的。由于缺乏真实的肉体体验和情感，AI无法感知“痛苦”、“不便”或“好奇”，因此它无法像牛顿被苹果砸中那样产生原生的“观察”，也无法在毫无提示的情况下定义什么是“值得解决的问题”。

​定义问题比解决问题更难。 在AI时代，提出一个精准的、有价值的问题（Prompting/Questioning），意味着你指明了探索的方向。如果你无法抽象出概念或提出假说，AI巨大的算力就无处发力。

2、中间绿色区域：构建模型 / 演绎与预测 (The "How")，这部分AI可以代劳，因为大部分模型人类已经有了，AI只需调用和演绎。​

AI的优势： 这正是大语言模型（LLM）最擅长的地方。人类几千年来积累的物理定律、经济模型、编程逻辑、营销漏斗等“标准模型”，都已经压缩在AI的参数里了。

​效率革命： 过去，一个人要构建模型并进行推演，需要查阅大量文献、耗费数周计算。现在，只要你给出的“前置假说”正确，AI能瞬间调用最匹配的“模型”进行逻辑演绎，生成预测结果。这也是圈出的绿色部分，是“算力”替代“脑力”最彻底的环节。

3、实验验证 / 结果分析 / 修正 (The "So What" & "True or False")，人类必须负责验证和分析，这是核心能力。​

AI的幻觉与隔离： AI会“一本正经地胡说八道”（Hallucination），而且AI目前大多运行在数字世界，无法直接在物理世界进行“实地实验”（比如AI推导出的新药配方，必须由人去实验室做临床；AI写的营销方案，必须由人去市场投放看反馈）。

​人类的责任（鉴别力）： 演绎的结果只是“可能性”，通过实验去验证其真伪，并结合现实世界的复杂约束（道德、法律、情感、成本）进行价值判断（Value Judgment），这是人类独有的“把关人”角色，这也可以解释现在AI在工业界的应用远不如知识产业（编程、文案、法律等等）的原因。

​前AI时代人类需要从头吃到尾。我们需要自己观察，自己苦读十年书去构建模型，自己计算推演，最后自己验证。“记忆力”和“计算力”是核心竞争力。

而AI时代的专家，不再是那个背诵了最多公式的人（那是绿色区域），而是那个知道在什么时候用什么公式（红色上部），并且知道计算结果对不对（红色下部）的人。

[bitrabbit.btc @bitrabbit_btc]

其实这种价值是隐形的，只是暂时还没体现出来的，市场经济逻辑将慢慢让这这种价值发挥出来：

大家都使用AI变得更聪明了→
一部分人就能借助AI完成以前需要很多人完成的认知服务工作→
导致很多中产认知工作被消灭→
同时把认知服务的价格打到地板 →
让剩下所有人都能以极低成本过上原来中产的生活 ，最终把人类整体从“为钱打工”推进到“为兴趣和体验而活”的阶段。

AI真正消灭的是“卖认知服务的中产”，但同时把“买认知服务”的门槛降低到连乞丐都能用。

远期图景其实是这样的：
60%-80%的传统白领工作确实没了（律师、会计、程序员、翻译、记者、教师、中层管理……）

但这些服务的价格暴跌到很低，普通人反而过得更轻松（写合同、报税、设计海报、写代码、教孩子功课，全是9.9元包年）

被解放出来的时间+极低的创业/创作成本 → 大量人转去做真正“只有人能做而且愿意付费的事”：开民宿、做手工、当主播、拍短视频、开小酒馆、做独立游戏、环游世界当数字游民、养猫开猫咖……

这才是“娱乐/体验/生活方式经济”真正的爆炸点：不是因为大家有钱到不工作，而是不工作也能活得不错 + 做自己喜欢的事几乎没成本。

附 Gemini 3的看法：https://t.co/OocH9F1hev

[Robinson · 鲁棒逊 @python_xxt]

这一年里

大家是不是都变得 更聪明了，
但是发现难以把这种聪明，转化为价值？

[bitrabbit.btc @bitrabbit_btc]

以上内容由我提出假说+Gemini分析的人机协作共同完成👀，这篇回答也是这个三明治模型的应证

[bitrabbit.btc @bitrabbit_btc]

如果这个话题再扩展开来，用科学思维的流程图来解释，我们可以得出一个合理的推断，除了在少数创新的领域（比如从0到1的商业模式，或者前沿科学研究）认知这一高阶能力，在AI时代将会被重新划分成三明治结构：

AI时代（新工作流）：

人类退守两端，把中间让渡给硅基生物。
​入口（Input）： 核心能力是 "提问力" (Inquiry) 和 "抽象力" (Abstraction)。

​黑盒（Process）： AI 负责 "知识检索" 和 "逻辑推演"。

​出口（Output）： 核心能力是 "鉴别力" (Critical Thinking) 和 "决策力" (Decision Making)。

1、观察与问题 / 抽象概念与提出假说 (The "Why" & "What")，这是人类最有价值的领域：

​AI本质上是概率模型，它是被动的。由于缺乏真实的肉体体验和情感，AI无法感知“痛苦”、“不便”或“好奇”，因此它无法像牛顿被苹果砸中那样产生原生的“观察”，也无法在毫无提示的情况下定义什么是“值得解决的问题”。

​定义问题比解决问题更难。 在AI时代，提出一个精准的、有价值的问题（Prompting/Questioning），意味着你指明了探索的方向。如果你无法抽象出概念或提出假说，AI巨大的算力就无处发力。

2、中间绿色区域：构建模型 / 演绎与预测 (The "How")，这部分AI可以代劳，因为大部分模型人类已经有了，AI只需调用和演绎。​

AI的优势： 这正是大语言模型（LLM）最擅长的地方。人类几千年来积累的物理定律、经济模型、编程逻辑、营销漏斗等“标准模型”，都已经压缩在AI的参数里了。

​效率革命： 过去，一个人要构建模型并进行推演，需要查阅大量文献、耗费数周计算。现在，只要你给出的“前置假说”正确，AI能瞬间调用最匹配的“模型”进行逻辑演绎，生成预测结果。这也是圈出的绿色部分，是“算力”替代“脑力”最彻底的环节。

3、实验验证 / 结果分析 / 修正 (The "So What" & "True or False")，人类必须负责验证和分析，这是核心能力。​

AI的幻觉与隔离： AI会“一本正经地胡说八道”（Hallucination），而且AI目前大多运行在数字世界，无法直接在物理世界进行“实地实验”（比如AI推导出的新药配方，必须由人去实验室做临床；AI写的营销方案，必须由人去市场投放看反馈）。

​人类的责任（鉴别力）： 演绎的结果只是“可能性”，通过实验去验证其真伪，并结合现实世界的复杂约束（道德、法律、情感、成本）进行价值判断（Value Judgment），这是人类独有的“把关人”角色，这也可以解释现在AI在工业界的应用远不如知识产业（编程、文案、法律等等）的原因。

​前AI时代人类需要从头吃到尾。我们需要自己观察，自己苦读十年书去构建模型，自己计算推演，最后自己验证。“记忆力”和“计算力”是核心竞争力。

而AI时代的专家，不再是那个背诵了最多公式的人（那是绿色区域），而是那个知道在什么时候用什么公式（红色上部），并且知道计算结果对不对（红色下部）的人。

[Baibanbao 白板报 @baibanbaonet]

总有一天愚蠢的人类会明白：在跟AI交互过程中，最有价值的是人类提出的那些问题，而不是AI给出的那些答案。

[bitrabbit.btc @bitrabbit_btc]

@MOBWOM 以后多发点哈👀

[bitrabbit.btc @bitrabbit_btc]

从20年的defi，到23年的铭文，24年的pumpfun，再到今年的hyperliquid，本质上都是对CEX的去中心化尝试， 对CEX的去中心化链上创新，也将是未来加密行业的持续叙事，直到大部分人慢慢转移到链上。

[Neo @ralongar]

2

"We're migrating our group to Keet, a pure P2P platform with no central servers. Each of us—you, me, anyone who downloads the app—becomes a node, managing our own storage and connecting peer-to-peer with end-to-end encryption. No one, not governments nor corporations, can track us or halt our boundless journey."

[bitrabbit.btc @bitrabbit_btc]

@Pears_p2p @mafintosh @andrewosh Legend team 🍐

[bitrabbit.btc @bitrabbit_btc]

@fluidvoice @axopoa Yeah, i notice block speed become slow when there are few txs