Loading...
Loading...
Chai Research 创始人 William Beauchamp（威廉·博尚）：1.4 万 DAU 社交 AI 平台的增长与反主流 AI 观撰文：Techub News 整理
导语
在最新一期的 Latent Space 播客中，主持人 Alessio 和 Swix 来到了 Chai Research 的办公室，与公司创始人 William Beauchamp（威廉·博尚）进行了一场深度对话。Chai 是一款拥有超过 140 万日活跃用户（DAU）的社交 AI 聊天应用，在竞争激烈的消费级 AI 领域独树一帜。William Beauchamp（威廉·博尚）的背景颇为独特：他毕业于剑桥大学经济学专业，曾是一名职业扑克玩家，随后创立并运营了一家成功的量化交易公司。在 30 岁生日时，他决定将才华转向更具影响力的领域，从而创立了 Chai。本次对话不仅回顾了 Chai 从零到一的创业故事，更深入探讨了其与 Character.AI 等资金雄厚的对手的竞争策略、内部 AI 模型迭代的「数据飞轮」、以及对 AI 技术未来发展的根本性思考。
摘要
从量化交易到 AI 社交平台：William Beauchamp（威廉·博尚）基于对机器学习生态的观察，认为 AI 的未来不是由少数巨头垄断的「单一智能」，而是由无数小团队在分布式平台上构建的多样化智能。
产品市场契合（PMF）的发现：早期尝试新闻、食谱等实用型聊天机器人均告失败，直到一款「治疗师」机器人意外获得用户长时间互动，才揭示了用户对「无评判、有趣、陪伴式」对话的真实需求。
增长引擎与竞争：Chai 的增长经历了后端架构瓶颈、竞争对手策略变化、内部 AI 模型迭代飞轮成熟以及引入专业增长负责人等多个关键拐点，最终在 2023 年底实现用户体验反超 Character.AI。
反主流的 AI 发展观：Beauchamp 不认同简单的「规模定律」和 AGI 即将到来的叙事。他认为当前大语言模型（LLM）本质上是「模拟器」和「超级知识」系统，擅长存储和检索信息，但在「推理」能力上存在根本局限，AI 的未来在于构建更丰富、更易用的用户生成内容（UGC）平台。
务实的技术路线：Chai 极度重视推理成本优化，与 DeepSeek 等团队合作，并大量使用「拒绝采样」和奖励模型来提升回复质量，而非盲目追求模型参数量或添加多媒体功能。
从扑克牌桌到 AI 社交：一位量化交易者的转型
William Beauchamp（威廉·博尚）的职业生涯始于对概率和风险的精算。从剑桥大学经济学毕业后，他没有像许多同学一样加入大型对冲基金，而是用玩扑克积累的 10 万美元作为启动资金，开始了自营量化交易。他自学 Python 和机器学习，在早期神经网络和随机森林兴起的年代，试图预测资产价格。这段经历让他深刻理解了机器学习在实战中的应用与局限，也让他看到了一个成熟的机器学习生态应有的样子：不是一个庞然大物垄断所有数据、算力和人才，而是众多专业化的小团队在一个中心化市场（交易所）上竞争。
当他的交易公司年利润达到约 500 万美元，团队全是牛津、剑桥背景的数学物理精英时， Beauchamp 在 30 岁生日之际进行了反思。他意识到，尽管财务成功，但这份事业对世界的「影响力」有限。他考虑过加密货币，但认为其核心用例更偏向「赌博」和「规避监管」，而非创造长期价值。与此同时，他注意到了语言模型的潜力。尽管当时 OpenAI 的 GPT-3 尚未发布，但已有研究（如谷歌的 BERT）让他预感到，能够与人自然对话的计算机将成为下一个重大趋势。
与当时 Sam Altman（萨姆·奥尔特曼）等人宣扬的「AI 是单一智能体，依赖更多数据、算力和研究员」的主流观点不同，Beauchamp 基于其机器学习经验持相反看法。他认为，任何机器学习任务的性能都遵循 S 型曲线，最终会在人类水平附近趋于平缓（如自动驾驶、图像识别）。因此，AI 的未来不应是「大英百科全书」式的集中化产物，而应是「维基百科」式的分布式平台。他设想构建一个平台，让任何小团队都能为其特定目的创建、迭代和部署最好的 AI。这便是 Chai 最初愿景的由来。
寻找 PMF：从「治疗师」机器人到 UGC 平台
Chai 最初的产品形态是一个 API 平台，开发者可以提交 Python 脚本（即早期的「智能体」），实现文本输入和输出。Beauchamp 自己尝试创建了新闻机器人、食谱机器人等各种应用，但均无人问津。转折点发生在他让妹妹学习 Python 并创建了一个「治疗师」机器人之后。第二天，数据显示有 20 个活跃用户平均使用了 20 分钟——全部是在和这个治疗师机器人聊天。
这一发现揭示了用户的核心需求：他们想要的不是信息检索工具，而是无评判、即时响应、可以随心所欲倾诉的「陪伴」。与被动消费的 TikTok 或 Instagram 不同，与 AI 互动让用户感觉自己在「参与」和「贡献」，从而避免了使用后的空虚感。Beauchamp 开始将 Chai 对标为「社交 AI 的 Instagram」，一个让人们创造和分享 AI 体验的平台。
然而，另一个难题出现了：专业的开发者和工程师对构建聊天机器人毫无兴趣。Beauchamp 意识到，真正的创造者应该是消费者自己。于是，Chai 进行了一个在当时并不明显的创新：向用户开放创作工具。用户可以为机器人选择名称、头像，并编写提示词（prompt）来塑造其性格。这一举措释放了巨大的创造力，用户创造了 Beauchamp 从未想过的角色类型，比如「校园恶霸」或各种浪漫原型，满足了更广泛人群的细分需求。Chai 从此真正成为一个用户生成内容（UGC）驱动的社交 AI 平台。
与巨头共舞：Chai 的增长拐点与竞争策略
Chai 的发展并非一帆风顺的直线增长。Beauchamp 在播客中剖析了增长曲线上的几个关键拐点，这些拐点也是与 Character.AI 等资金雄厚对手竞争的真实写照。
拐点一：基础设施瓶颈。 Chai 早期完全建立在 Google Cloud Platform (GCP) 上，包括 Firebase。这套架构支撑了从 0 到 50 万 DAU 的快速增长，但在接近 50 万 DAU 时达到了极限。随后长达数月的迁移和架构重构期导致了服务不稳定，影响了新用户体验和 App Store 排名，增长一度停滞。渡过这个工程难关后，平台才具备了支撑当前 140 万 DAU 的弹性。
拐点二：竞争对手策略变化。 Beauchamp 坦言，Character.AI 的出现和崛起对 Chai 构成了巨大压力。Character.AI 的创始团队来自 Google，融资能力极强，能够负担比 Chai 当时昂贵得多的模型进行推理，导致用户直接抱怨「Chai 的 AI 更笨」。Beauchamp 将此视为「硅谷式超规模商业」的经典案例。他观察到，当 Character.AI 的创始团队可能因公司被收购或进入「维护模式」而减少用户获取（UA）支出时，市场为 Chai 等竞争对手留出了增长空间。
拐点三：数据飞轮的成熟。 这是 Chai 实现反超的核心。团队建立了一个高效的模型评估系统「Chivers」（类似于 LMSys 的竞技场）。任何开发者（或内部研究员）都可以提交模型，系统会将其部署并随机呈现给约 5000 名用户进行 A/B 测试（「哪个回复更好？」）。通过这种基于人类反馈的实时评估（ELO 评分），Chai 的 AI 团队将迭代周期从「每月几个模型」缩短到「每天评估 20-50 个模型」。这种快速反馈循环使得团队能在提示工程、DPO 微调、拒绝采样和奖励模型训练等方面快速迭代和优化。大约在 2023 年 10 月，用户社群的风向发生了明显转变，开始普遍认为 Chai 的体验超过了 Character.AI。
拐点四：专业增长负责人的加入。 一位前字节跳动（TikTok）增长负责人加入了 Chai。当他发现 Chai 在几乎零广告投入的情况下达到了百万 DAU 时非常兴奋。在他的指导下，Chai 开始了付费用户获取，将日广告支出从零逐步提升至数万美元（仍远低于竞争对手的规模），从而将年增长率从 2 倍助推至 3 倍。
Beauchamp 也分享了一些「失败」的尝试，例如他曾力推的「语音」功能。尽管团队投入巨大解决了延迟、成本和音质问题，并早于竞争对手推出，但 A/B 测试显示该功能对核心指标（留存、参与度、 monetization）几乎没有影响。只有约 15% 的用户偶尔使用。这让他更加坚信史蒂夫·乔布斯（Steve Jobs）的信条：必须从用户需求出发，而不是从酷炫的技术出发。目前用户的最大痛点并非多媒体，而是 AI 内容仍主要由「硅谷的中年男性」创造，UGC 的深度和工具丰富度还远远不够。
AI 的未来：超级知识、平台化与对「推理」的质疑
William Beauchamp（威廉·博尚）对当前 AI 领域的主流叙事提出了鲜明挑战。他不同意简单的「规模定律」和 AGI 即将到来的预测。他认为，将大语言模型称为「推理引擎」是一种误解。
「我更愿意把它们看作模拟器，就像物理模拟引擎。它们被训练来预测下一个最可能的词元（token），这并不是真正的推理，只是在做最可能的事情。」
他指出，当前 AI 真正擅长的是「知识」的存储和检索，其能力已超越任何个人类，这是一种「超级知识」。人们很容易将知识渊博与智能混为一谈。真正的「智能」或「推理」能力的提升，在他看来是有限的，并且需要像 AlphaGo 那样的树搜索等不同机制的结合。
因此，他认为 AI 的发展不是一个可以通过「集中化 crowdsourcing」解决的「智能」问题（如同维基百科 crowdsource 的是知识而非智力），而是一个需要「分布式平台」来激发多样性和创造力的生态问题。他批评 OpenAI 等大型实验室的做法类似于「大英百科全书」，雇佣标注员创建高质量但有限的数据集。而未来的方向应该是让更多人能够以分布式的方式贡献数据和塑造 AI。
在技术实践上，Chai 高度重视推理成本优化。Beauchamp 盛赞了 DeepSeek 在推理引擎上的工作，认为他们通过减小 KV 缓存等技术显著提升了「性能/美元」比。Chai 自身也与 MK1 等专注推理优化的团队合作。此外，Chai 大量使用「拒绝采样」技术：对于每个用户输入，模型会并行生成多个（例如 16 个）候选回复，然后通过一个内部训练的奖励模型（Reward Model）选出最优回复再返回给用户。这也解释了为何 Chai 不采用流式输出（streaming）—— 因为需要看到完整回复才能进行评选。这种方法让他们能够在给定的延迟预算内，使用规模更大或质量更好的模型。
文化、招聘与未来
Chai 团队目前只有约 15 人，Beauchamp 形容其文化是「高强度」和「硬核」的。他寻找的是有「特殊印记」的人才：不一定是名校背景，但必须有实际构建过东西、取得过突出成绩的经历（无论是通过交易、开源项目还是其他任何途径）。公司也通过「Chai Grants」项目向开源社区提供无附加条件的资助，以回馈社区并结识人才。
展望未来，Beauchamp 将 AI 的当前阶段比作互联网的 1998 年，还有很长的路要走。对于 Chai 而言，核心任务依然是加厚 UGC 层，提供更强大的工具，让用户能像 TikTok 用户轻松制作视频一样，轻松创造出丰富、个性化的 AI 角色和体验，最终构建一个内容创作者、消费者和推荐算法良性循环的强大生态。
当稳定币开始反哺交易所：OSL 与香港持牌生态，出现了哪些新变化？交易不再是唯一的价值捕获环节，香港的稳定币基建路径，正提供一个新的观察样本。
撰文：农民 Frank
在很长一段时间里，加密行业对香港虚拟资产合规生态，都抱有一种近乎固化的审视。
牌照很难拿，合规成本高，上币标的受限，用户准入也远比离岸市场严格，尤其是在最关键的交易深度上，香港持牌平台长期难以与 Binance、OKX 等处在同一个量级。
久而久之，在很多人的认知里，「合规」甚至和「缺乏流动性」画上了等号。
但 2026 年中报季披露的数据，却让这个判断显得有些过时，其中最明显的变化来自 OSL：
上半年 OSL 平台总交易量达到 1720 亿港元，同比增长 241.3%，截至 9 月初，其在 CoinGecko 全球交易所排名中更是升至第 8，成为香港现货交易量和稳定币交易量均排名第一的持牌数字资产平台。
与此同时，香港另一家头部持牌平台 HashKey 也保持增长，上半年平台交易量同比增长 31.8%，其中机构客户交易量增长 58.8%。
这两组数据，也说明合规与流动性，并非一道非此即彼的选择题，尤其是 OSL 近半年来明显加速的增长曲线，更值得单独拆解。
如今回头看，它过去一年大量发生在「交易之外」的投入，正在反过来向 OSL Exchange 输送流动性，这也带出了一个比「OSL 为什么成为香港第一」更值得讨论的问题：
稳定币基础设施，为什么开始做大一家交易所？以及更进一步，这条路径，又是否隐藏着香港 Web3 市场真正的破局方向？
一、持牌下半场，香港交易所的「流动性」分野
香港虚拟资产市场此前一个阶段，最重要的关键词，一直都是「牌照」。
这并不难理解。
当一个新的监管市场刚刚建立，有没有资格合法经营、能不能服务零售和机构客户，本身就是最稀缺的资源，牌照决定的是一家平台能不能坐上牌桌，银行通道、托管能力与资产准入，则决定它能够提供怎样的服务。
但随着监管框架逐渐稳定，市场日趋成熟，一个更加现实的问题开始浮出水面，那就是有资格做交易，和真正有人愿意来交易，是两回事。
对于普通投资者而言，如果一家平台买卖价差更大、出入金麻烦、资产选择更少，自然没有迁移资金的动力；而对动辄数千万甚至上亿美元规模的机构，几个基点的滑点、交易费和资金调拨成本，最后都会变成真金白银。
所以竞争的重心，自然而言会从牌照稀缺性，转向另一件更难复制的东西——谁能让资金更低成本、更高效率地进来，并且留下来。
OSL 最近的一系列动作，某种程度上，正是这种变化最直接的体现。
前阵子 OSL HK 宣布针对专业投资者与机构客户，将所有稳定币与稳定币、稳定币与法币现货交易对的 Maker 和 Taker 手续费同时降至 0，覆盖 USDT/USD、USDT/HKD、USDGO/USD、USDGO/USDC、USDGO/USDT 和 RLUSD/HKD 六个交易对。
按照 OSL 的口径，它也是目前香港唯一对上述机构稳定币现货交易实施 Maker/Taker 双向零费率的持牌平台。
对于大额、高频的机构交易来说，这并不是一个无关痛痒的优惠。
当交易量从百万美元上升至千万乃至亿美元级别，哪怕只有几个基点的成本差异，都足以直接影响最终的执行结果，尤其是更低的交易费、更深的订单簿、更小的滑点，再叠加券商、资产管理机构通过 omnibus 等模式接入，一旦形成规模，流动性本身就会产生明显的网络效应。
资金越多，流动性越深、执行条件越好；而更好的交易体验，又会继续吸引更多资金，这也是交易平台最典型的「强者恒强」， OSL 在现货与稳定币交易量上同时跃升香港第一，本身也说明这种流动性竞争已经开始反映到实际市场表现中。
只不过，从传统交易所的商业逻辑来看，主动把手续费降到零，多少有些反常识。
毕竟过去十几年，Crypto 交易所最经典的商业模式一直极其简单，就是「用户进来 → 完成交易 → 平台从每一笔撮合中收取手续费」，在这套逻辑下，交易量越大，手续费收入越高。
主动放弃 Maker 和 Taker 收费，看起来就像主动砍掉最核心的一块商业收入，如果 OSL 仍然只是一家靠撮合吃饭的交易所，这当然很难长期成立。
但问题恰恰在于，如果扒一下财报就会发现，交易手续费已经不再需要承担 OSL 整个平台唯一的商业化任务。
按照 OSL 2026 年中报的财务列示口径，支付业务收入达到 490.83 亿港元，占集团总收入的 88%，由于其中涉及数字资产交易的总额确认方式，这一数字不能简单理解为传统意义上的净营收或利润，但至少从业务结构上可以看出，支付与稳定币相关业务已经从一个附属板块，成长为 OSL 整个商业体系中极为重要的一部分。
这也改变了交易业务本身的定价逻辑。
当一家平台真正想争夺的，不再只是某一次买卖产生的几个基点手续费，而是一笔资金从进入、兑换、托管、交易，到支付和结算的完整生命周期，那么交易本身，就完全可以被重新定价。
于是，所谓「零费率」不一定是一场简单的烧钱换量，它更像是一场公开的阳谋：先把交易成本压低，吸引机构流动性进入，再通过更完整的资金与账户关系，放大这笔资金在整个体系里的长期价值。
而 OSL 为什么开始有条件这么做，答案其实还要继续往交易所以外找。
二、当交易所，不再只是一家「交易所」
如果把时间拨回一年多以前，OSL 官宣向稳定币转型时，包括笔者在内，都很容易把交易和支付理解成两门彼此独立的生意。
一边是已经相对成熟的交易所业务，负责买卖 Crypto、撮合交易和赚取手续费；另一边则是仍处于扩张阶段的稳定币支付，需要持续投入资源建设跨境支付、企业结算与法币通道，大概率会成为一个需要持续输血的无底洞。
但今天回头再看，支付业务不仅没有变成单纯消耗资源的新业务，反而随着稳定币交易量、支付规模和法币通道不断扩张，开始为交易平台提供资金入口和流动性。
这就让 OSL 原本以交易为中心的商业模型，有了被重新改写的可能。
其实，传统互联网券商已经走过类似的路径，Robinhood、富途等平台的收入早已不局限于股票交易佣金，像净利息、融资业务、证券借贷、会员订阅等，都逐渐成为完整商业模型的一部分。
说到底，「低佣金」甚至「零佣金」，意味着平台开始经营用户完整的账户关系，使得某一笔交易本身的重要性下降，而资金在整个体系里的停留时间、周转频率，以及由此衍生出的支付、融资、托管和资产管理需求，则变得更加重要。
Crypto 正在出现类似的变化。
过去交易所最经典的商业模式非常简单，「用户 → 入金 → 交易 → 手续费」，但进入稳定币时代以后，一条明显更长的资金路径开始出现「企业资金 → 支付 → 换汇 → 托管 → 清算 → 交易 → 再结算」。
服务链条被拉长，交易也不再是资金生命周期的终点，而只是其中一个环节。
从这个角度，重新梳理 OSL 过去一年多的布局，很多原本看起来彼此分散的动作，也就开始连起来了，无论是 Banxa、MiCA、澳大利亚 AFSL，还是 StableHub、USDGO，都旨在让更多资金能够合规地进入数字资产体系，在其中停留、兑换、交易和结算，最后再顺畅地回到法币世界。
最核心的一块资产，自然是 USDGO。
今年 2 月，OSL 推出企业级美元稳定币 USDGO，由美国联邦监管银行 Anchorage Digital Bank N.A. 担任发行方，上线六个月后，流通规模就从约 5000 万美元增长至超过 12 亿美元，增幅超 24 倍，成为全球流通规模第六大的合规稳定币。
再往下一层，是 StableHub。上线约四个月后，StableHub 的 USDC 存入规模突破 2 亿美元，初步跑通了如何把稳定币兑换、美元兑换、托管与结算集中到一套体系里完成的路径。
而再往外一圈，则是法币世界。
今年 1 月，OSL 完成对 Web3 支付基础设施公司 Banxa 的收购，使得全球监管版图扩展至超过 40 项交易和支付牌照及注册，覆盖美国、加拿大、欧洲、英国、澳大利亚等主要市场，此后又取得欧盟 MiCA 授权和澳大利亚 AFSL，为面向全球机构客户开展支付、托管和数字资产相关服务补齐合规基础。
8 月，OSL 又取得自己的 SWIFT Business Identifier Code，也就是 BIC，进一步接入传统银行跨境支付网络，并强化美元虚拟账户以及法币、稳定币与数字资产之间的跨境结算能力。
与此同时，它还成为香港受规管港元稳定币 HKDAP 首阶段机构应用的主要认可分销商，为其提供分销和流动性支持；另一端，则推出 AgentPay，尝试为 AI Agent 提供支持 USDT、USDC、USDGO 等资产的自动化稳定币支付和结算基础设施。
这些动作如果逐项来看，很容易变成一串冗长的公司新闻，但把它们放到同一条资金路径里，逻辑就清楚得多：
Banxa 与 SWIFT BIC 解决法币进入和退出；
USDGO、HKDAP 展现稳定币运营与分销能力；
StableHub 聚合流动性与结算；OSL Exchange 承担交易与价格发现；
支付网络和 AgentPay 则让稳定币重新进入企业、跨境支付乃至新的 Agent 经济场景；
于是，一家原本主要依赖用户主动进来「买币卖币」的交易所，开始逐渐变成一个资金在不同货币、数字资产、国家和商业场景之间流动时，自然需要经过的节点。
这时候，再回头看 OSL Exchange 最近的交易量增长，逻辑也就完全不同了，过去我们习惯理解为交易所赚钱，再拿收入去投入支付和稳定币业务，但现在恰恰相反，稳定币基础设施开始反过来给交易所「供水」：
企业支付把资金带进来，稳定币让资金能够以数字形态停留和流转，StableHub 和交易平台承接兑换与流动性需求；更深的流动性又带来更低的滑点、更好的机构执行体验，继而吸引更多资金和金融机构进入。
最终形成的是一套自我强化的循环：「资金进入 → 稳定币沉淀 → 交易与兑换 → 流动性加深 → 机构接入 → 更多资金进入」，也只有放在这套结构里，上文提到的「零手续费」才真正变得容易理解。
平台真正想留下的，并非一笔交易产生的几个基点收入，更在于这笔钱本身，以及围绕这笔钱不断产生的下一次支付、换汇、托管、交易与结算。
当交易开始从商业模式的终点，变成资金网络中的一个节点，一家交易所，也就不再只是一家「交易所」了。
三、香港 Web3，会迎来自己的「DeepSeek 时刻」么？
到这里，问题其实已经不再只是 OSL 为什么能够获得更多交易量。
更值得关注的是，当交易所之间的竞争从上币数量、手续费和 App 体验，进一步延伸到合规网络、资金入口、稳定币流动性与机构级清结算能力，香港的数字资产市场也开始进入一个新的阶段。
这几项能力一旦真正连接起来，形成的就不只是交易量，而是一套比单纯订单簿更难复制的资金网络。
某种意义上，无论是 OSL 还是 HashKey，今天所发生的变化，都不能只放在单独一家公司的维度里观察，它们背后真正指向的，是香港过去几年一直在回答的一道题：
一个高度监管的虚拟资产市场，究竟能不能真正长出自己的商业规模？
毕竟过去几年，香港已经完成了非常重要的第一步。交易平台持牌，稳定币进入监管框架，传统券商与资产管理机构开始进入数字资产市场，RWA、ETF、托管和机构交易逐渐建立各自的合规路径。
但如果香港 Web3 最终服务的，只是本地用户买卖 BTC 和 ETH，那么即便政策再开放，它的市场天花板依然十分清晰，这本来也不是香港过去几十年作为国际金融中心赖以存在的逻辑。
它真正特殊的地方，从来不是本地市场本身有多大，反而是长期扮演着一个「连接者」：既连接中国内地与全球资本，连接亚洲企业与美元融资市场，也连接贸易、银行、财富管理与全球资产配置。
到了数字资产时代，这个角色其实没有改变。
只是它连接的对象，开始从股票、债券与传统货币，进一步延伸到稳定币、Tokenized Assets 和链上金融。
从这个角度重新观察 OSL 与 HashKey，两家的路径虽然不同，却恰好代表了香港数字金融向外生长的两个方向。
OSL 更多沿着稳定币、支付、全球法币通道和清结算网络，让资金更加顺畅地进出链上世界；HashKey 则更多沿着机构交易、资产管理和 RWA，把传统金融资产带入数字化体系。
一个更偏向「资金」，一个更偏向「资产」，而一个真正成熟的数字金融市场，本来就同时需要这两端。
这或许也是香港 Web3 最有可能孕育「DeepSeek 时刻」的地方。
它不在于香港再多一项政策、再发几张牌照，或者突然出现一家估值很高的 Web3 公司，恰恰相反，最大的可能性，是某一天市场突然发现，一套过去被认为监管更严、成本更高、很难与离岸市场竞争的体系，同样能够跑出自己的效率、商业规模与全球竞争力。
如果这样的公司能够从香港持续长出来，那么市场对「合规是否天然意味着低效率」的认知，才算真正发生改变。
从这个角度看，香港更像一个母港，平台在这里建立监管框架、治理能力与机构信用，再把支付、交易、托管和资金服务能力输出到更加广阔的全球市场。
这也是香港作为国际金融中心最熟悉的一套逻辑，本地市场从来不是全部，真正重要的，是全球资金为什么愿意经过这里。
如果这条路径最终能够成立，那么未来，全球资金、资产和机构，才会更愿意通过香港建立起来的合规基础设施进入数字经济。
到了那一步，香港 Web3 才真正有可能迎来属于自己的「DeepSeek 时刻」。
写在最后
Web3 的第一个十年，基本由「投机交易」和「Token 叙事」驱动。
这也是很多老用户怀念的黄金时代，新的公链、新的资产、新的财富效应不断出现，一轮又一轮市场周期都围绕着「下一个 Token 会涨多少」展开。
但野蛮生长的盛宴不会永远持续，过去两年，行业重心肉眼可见地向稳定币、支付、清算、RWA 和机构金融基础设施迁移。
这不意味着投机会消失，从人性的角度看，只要资产存在波动，交易就永远会是数字资产世界最重要的需求之一，真正改变的，是交易不再需要承担全部的价值捕获任务。
对交易平台而言，竞争不再只是多成交多少 BTC、多收多少手续费，而在于谁能把更多资金留在自己的体系里，让它继续完成支付、兑换、托管、投资与清算。
这种变化，在香港这个连接东西方资本与金融体系的枢纽，表现得尤其明显。
所以，OSL Exchange 成为香港现货与稳定币交易量双第一的持牌数字资产平台，本身并不是最值得关注的部分，排名会变化，市场份额会变化，交易量也会随周期起伏。
重要的是，在从「香港持牌数字资产交易所」向「稳定币支付与交易基础设施」延伸之后，一条新的增长路径正在逐渐被验证：支付把资金带进来，稳定币让资金流动起来，而交易平台，则成为整套资金网络自然沉淀流动性的地方。
如果这个循环能够持续，那么未来决定一家合规交易平台规模上限的，可能就不再只是有多少人在里面炒币。
而是有多少真实的资金，愿意经过它。
豆包手机明日开卖，AI能帮你操作App了吗？文｜李炤锋
编辑｜张雨忻
昨日，豆包手机助手发布消费者版本。这款基于豆包App（应用）、与手机厂商在操作系统层合作的AI助手，首款落地机型为中兴通讯旗下努比亚NaviX Ultra，而这款手机将在9月16日正式公开发售。
去年底，豆包手机助手技术预览版曾落地努比亚M153工程样机，重点展示AI如何跨应用“操作手机”。不到一年时间，全新推出的消费者版本更强调日常可用性：除屏幕问答、本地记忆和检索外，“操作手机”功能以Beta（测试版）形式开放；豆包同时推出SAEP（屏幕自动化操作声明协议），并设置30天公示期。
根据协议，第三方应用可以自主声明是否允许AI助手执行屏幕自动化，也可以限制具体操作。30天公示期内，未明确同意接入的第三方应用默认不操作。消费者版豆包手机助手进一步加入应用侧选择权：第三方应用可以整体拒绝GUI，也可以单独限制发布、删除和权益领取等操作。
从事GUI（图形用户界面）Agent研究的人士认为：“未来手机里肯定要有一个原生AI助手。这个事情不一定由手机厂商自己做，但最后一定要做到系统级。”而随着NaviX Ultra和一众系统级手机助手进入消费市场，系统级AI助手正在走向普通用户的日常使用场景中。
走出对话框，手机AI开始跨App完成任务
今年7月，中兴通讯高级副总裁、努比亚总裁倪飞在接受媒体采访时表示：“用户真正想要的是‘省心’，但今天的手机功能越多、操作越复杂，这种矛盾已经积累到了一定程度，需要一个全新的产品形态来回应。”
这正是豆包手机助手在尝试解决的问题：它嵌入手机系统，能在用户授权后搜索当前屏幕和本机信息，调用日历等系统工具，或进入其它App完成App中的操作。用户可以通过AI键发起任务，多个任务还可以排队或临时插队。
比如，在豆包手机助手的官方演示中，用户拍下新学期课表后，可以让助手将课表加入个人日历；也可以让它打车到屏幕显示的地址，添加银都大厦为途经点，上车后再把车牌号发给飞书同事，并提醒对方10分钟后下楼。
这套使用方式在去年的技术预览版——努比亚M153上已经有过雏形。一段公开演示中，用户让豆包根据相册里的一张血压仪照片，在淘宝“挑一个便宜的同款”，再“把链接发给张三”。豆包识别出商品，也识别出“张三”是QQ好友，随后连续完成相册、电商和社交应用之间的操作。
据悉，M153调用了Android的INJECT\_EVENTS系统级权限。获得用户授权后，即使第三方App没有为AI提供接口，豆包也可以模拟点按、滑动和输入；遇到密码、人脸识别等敏感环节，再把手机交还用户。
但在实际使用中，涉及到一些登录验证和平台风控的跨App操作都可能中断任务。随后，豆包主动限制了金融支付、刷激励等高风险场景。
今年2月，Google在Galaxy S26系列和部分Pixel 10机型上测试Gemini多步任务：它可以为同事安排包含多个停靠点的网约车，任务转入后台后，用户仍可通过通知查看进度、随时接管，并在购买前确认。Google负责Android开发者产品管理的副总裁Matthew McCullough在官方博客中写道：“衡量应用成功的标准，正在从‘让用户打开App’转向‘真正完成用户的任务’。”
2026年以来，一批系统级手机AI助手批量涌现。
6月发布的HarmonyOS 7开发者Beta中，华为小艺接入超过200项系统级感知数据，可以从面试邀请中识别时间、地点和注意事项，写入备忘录；也可以在手机上要求小艺寻找电脑中的文件，再发送到手机。
7月的2026世界人工智能大会（WAIC）上，努比亚NaviX Ultra、阶跃星辰STEPX Neo和荣耀Robot Phone集中亮相。STEPX Neo搭载的Amoo助手接到“帮我处理一下明天汇报的事情”后，会读取飞书日历和群消息，拆解任务、生成PPT（演示文稿），再把文件发回飞书；修改文档前会申请权限，涉及支付则由用户确认。
而几乎在同一时间，超级App们和手机AI助手之间的关系也在发生变化。
今年6月，微信确认与华为、荣耀、小米、OPPO、vivo合作A2A（智能体间通信）能力，手机助手可以提交发消息或音视频通话指令，由微信执行并返回结果，全程采用双重授权。8月，vivo蓝心小V与支付宝服务智能体“阿宝”合作，用户说“帮我叫车去高铁站”或“帮我开具打车发票”，相关服务均可在对话中完成。
可以看出，2026年，手机AI助手进入了密集发布期。除了搭载豆包手机助手的努比亚之外，Google、华为、阶跃和荣耀相继将Agent带到手机系统层，微信、支付宝等超级App也开始接收系统助手发出的指令。
AI替你点屏幕，怎样才能不越界？
当采用GUI路线的手机AI助手越来越普及，它们更加迫切地需要处理三项权限问题：用户是否授权、应用是否放行，以及发送、下单和支付前由谁确认。从豆包此次推出SAEP（屏幕自动化操作声明协议）上，也许能窥探到有关这一权限边界的安全举措。
目前，CUA（计算机操作智能体）已经将GUI技术路线作为主流，它在解决的问题是：AI如何直接操作软件，又如何限制可访问的范围。有研究员把CUA形容为“给你的电脑配了一个特别全能的程序员，什么都懂，会写代码，同时也懂网络安全”。
目前的操作方式是：面对可以结构化处理的任务，手机会优先调用代码、命令和工具；只有遇到没有接口的软件，才转向识别屏幕、点击按钮。GUI更像一项兜底能力，让Agent能够继续操作那些尚未向AI开放的软件——手机App数量庞大，各种临时页面又不断变化，不可能全部接口化，需要GUI来覆盖未接入的部分。
一位GUI研究员告诉智能涌现：“不能指望所有App开发者都为AI完成适配，GUI肯定是必要的补充。”另一位从业者也提到，“短时间内，市面仍会有很多软件不具备AI能力，尤其是大型软件，即使有接口也非常复杂，可能一时半会儿接不完。”
手机Agent比电脑Agent更依赖应用生态。在电脑上，操作系统可以直接决定哪些软件可以通过与Agent连接；但到了手机端，操作系统不具备这样的权限，不仅不同服务都被封装在各自App内，定位、相机、通讯录等权限也由系统和应用共同控制。如果第三方App既不开放接口，也不允许AI操作界面，手机助手就无法继续执行任务。
目前，GUI会把每一步操作显示在屏幕上。一位研究员说，“大家都能看得懂，也都能够了解这个AI助手正在做什么东西”。用户可以据此判断是否暂停或接管。
但“看得见”不等于“做得好”。卡内基梅隆大学研究团队今年推出的手机Agent评测基准iOSWorld，用26款自研iOS应用模拟同一名用户的数字生活，并设计了133项任务。表现最好的模型在跨应用任务中的成功率也只有37%，真实消费场景还要面对不断变化的页面、身份验证和平台风控。
和App场景相比，手机系统层还聚合了相册、通讯录、位置、日历等用户个人信息。手机AI助手掌握的信息越完整，能完成的任务越多。所以，接下来要比拼两项能力：一是“怎么造出更多、更好的数据”，二是“怎么编排各个步骤、各个Agent之间的协作”。
但同时，更多能力也意味着对生态的要求也更高。
对此，豆包手机助手选择推出SAEP（屏幕自动化操作声明协议），允许第三方应用在GUI Agent执行前，先声明是否放行，以及哪些操作不可执行。
“SAEP有点像AI时代的Robots协议（网络爬虫访问规则）。网站通过这项协议告诉搜索引擎等自动程序，哪些页面允许抓取、哪些不允许；SAEP则让应用声明Agent能否进入应用，以及哪些操作必须停下。”一位研究员解释。
接入SAEP后，第三方应用既可以拒绝全部屏幕自动化，也可以只限制内容发布、删除、签到抽奖和权益领取等具体操作；拒绝声明随时生效。30天公示期内，除系统自带应用、字节跳动旗下应用和明确同意接入的第三方应用外，其余应用默认不操作。公示期结束后，未表态的应用将按风险等级逐步开放，明确拒绝的应用则始终不被操作。
应用通过SAEP表达意愿，手机系统负责读取声明、限制GUI权限，并在敏感步骤交还用户。这需要模型公司与终端厂商共同完成。
此前，努比亚总裁倪飞把豆包与努比亚的合作概括为：“模型公司解决AI能不能做到，终端厂商解决用户能不能真正用起来。”按照倪飞披露的分工，豆包负责大模型和Agent能力，努比亚负责系统、硬件、产品工程、质量、渠道和用户服务。合作范围覆盖模型、操作系统和整机工程。
在这套分工中，权限与信任最终由操作系统承接，这意味着手机操作系统和Agent的关系将愈发一体化。
今年8月，在杭州举行的支付宝AI生态合作伙伴大会上，vivo副总裁、AI全球研究院院长周围曾表示：“硬件形态不会消失，但操作系统会重构——从管理App，变成管理Agent、管理权限、管理信任。”
更早的7月，国家互联网信息办公室首次单独公布7款手机端侧生成式AI服务备案，涉及Apple智能、华为小艺AI大模型、OPPO AndesGPT大模型、vivo蓝心端侧大模型、小米澎湃AI、三星盖乐世AI和努比亚豆包手机大模型。手机系统级AI助手，正在进入一个行业井喷期。
一位GUI研究员对智能涌现表示，相比独立AI应用，手机拥有更稳定的用户关系：“只做AI软件，用户可能谁免费就用谁；但手机不一样，一部手机往往要用几年，会伴随用户很久。”
9月16日，NaviX Ultra将正式开售。届时，豆包手机助手将正式进入消费市场，SAEP也将随之接受真实用户和应用开发者的检验。
图片来源｜豆包手机助手
B面具身智能：机器人烧钱，数采公司躺赚？具身智能的“包工头”。
作者丨王满华
来源丨投中网
8月下旬，“人形机器人第一股”宇树科技正式登陆科创板。然而，上市前黄仁勋亲自站台、联想火线入股带来的超高关注，并没有让宇树科技的股价延续造富神话。上市第11个交易日，宇树科技股价盘中跌破550元，较1100元高点已经“腰斩”。
就在同一时间，另一群在“宇树”背后的公司正在闷声发财。它们不造机器人、不研究模型，只做一件事：雇人，给机器人“喂”数据。
900亿热钱，谁在“吃肉”？
尽管股价遭遇巨大波动，但宇树科技73天闪电过会的上市之路，无疑是具身智能产业今年以来的缩影。据IT桔子统计，2026年上半年，国内具身智能赛道融资322笔，总额达到935亿元，同比增长约5倍。资本市场强势关注的同时，热钱也开始涌向具身智能头部企业。
今年3月，银河通用宣布完成25亿元新一轮融资，刷新了去年12月由其创下的3亿美元（约21亿元人民币）中国具身智能单轮融资纪录。4月，它石智航拿下4.55亿美元（约30亿元人民币）单轮融资，刷新中国具身智能融资纪录。到6月底，智平方宣布完成近50亿元新一轮融资，投后估值超过200亿元，成为粤港澳大湾区首个200亿级具身智能独角兽。
而在宇树科技上市前夕，2023年才成立的智元机器人，在7月正式确认启动港股IPO流程，传闻估值至少400亿港元。据第一财经统计，今年上半年，国内估值超百亿元的具身智能企业已有22家。
然而，资本押注的是“未来”，热钱也不等于利润。宇树科技招股书（上会稿）显示，今年一季度其扣除非经常性损益后的净利润为4025.36万元，同比下降52.55%。
今年3月，原力无限联合创始人刘扬在接受每日经济新闻采访时，也直言：“2025年，行业里大量所谓的‘商业化订单’，本质上是公关性质的展示采购和数据采集合作，而不是真正意义上的生产力替代。”而刘扬的这句话也隐约揭露了一个事实：具身智能产业链上，最先尝到甜头的不是机器人公司，而是数据采集公司。
数据采集服务商——杭州数犀科技项目负责人孙潇告诉惊蛰研究所，此前他的公司专门从事智驾数据标注，今年5月意外了解到具身智能赛道开始出现大量数据采集需求，因此选择果断入局做起了数据采集业务。
据孙潇透露，虽然其公司正式经手数据采集业务还不到两个月，但是已经在苏州、宿迁、南阳建了三个基地，目前还在大力扩充采集员的队伍，“目前这个业务的毛利能够做到30%左右，比很多传统行业都要高。而且订单多到根本做不完。”
为什么大多数机器人公司还在亏损，数据采集公司却能够先吃到肉？答案要从具身智能的底层逻辑说起。具身智能可以简单理解为硬件和软件的结合。其中硬件包括机器人本体、关节、灵巧手等，软件则是由具身大模型驱动的智能系统，让机器人理解物理世界并生成动作指令。
近些年硬件技术的发展进步飞快，但软件技术的发展卡在了数据上。不久前，世界机器人大会上有一组被反复引用的数据：当前国内真实物理交互场景合规数据仅50万小时，而机器人商业化落地需要数千万小时，缺口超过99%。而这组数字背后是具身智能行业面临的结构性矛盾，也是产业链发展释放出的阶段性机会。
中国信通院发布的《具身智能训练场研究报告(2026年)》显示，截至今年6月底，全国建成启用超70家机器人训练场，在建或规划中的训练场达到46家。在官方口径披露的训练场之外，更多数据采集服务商也找到了属于自己的生态位。
具身智能也有“包工头”
数据需求的暴增，让订单像雪片一样飞向数据采集公司，但这门生意的本质是一场层层转包的人力分账。
“我们很多业务不是直接对接的上游机器人公司，而是发包商先从机器人公司接单，再转包给我们。”孙潇告诉惊蛰研究所，“机器人公司给夹爪采集的出价通常是每小时100多元，中间发包商转一道手后，给到我们的价格是每小时70元到90元，我们数据采集公司再按照40元到70元的价格，结算给一线采集员。”显然，数据采集公司的利润来自于上游发包商报价与一线采集员结算价格的价差。
“我们一开始在苏州做数据采集的时候就发现，人员薪资水平、员工社保这些成本核算下来，非常不划算。所以后来就开始分散到三、四线城市，甚至更偏远的地区去做。像宿迁、南阳，房租便宜，工资水平也偏低，采集员岗位日薪160元左右就能招到人，干满两个月之后再给缴社保。要是像机器人公司那样把总部放在北上广深，同样的人力配置，成本翻倍都不止。”
对于数据采集公司的生态位，孙潇表现得很坦然，“我们本质上就相当于产业链里的包工头。虽然现在这个赛道非常早期，但从历史的角度讲，我们肯定能吃到具身智能行业增长的蛋糕。”
当然，“包工头”赚到钱的前提，还得是有人愿意干。而从孙潇分享的情况来看，数据采集公司的招聘门槛低到令人意外：识字，无学历、性别要求，新手三天即可上手。“一天凑够4、5个有效时长，轻轻松松日入160元左右，月休四天，一个月至少3800元。对于三线城市的年轻人来说，这份收入比在超市当收银员、在奶茶店摇奶茶更有吸引力。”
不过孙潇也指出，这份工作虽然不像流水线计件一样会累，但有时候可能会让人觉得枯燥，很考验人的耐心。“因为数据采集的本质是为机器人提供训练数据，机器人（背后的大模型）不是一上来就能理解采集员的这个动作是在干什么，所以会要求采集员做动作的时候要不急不慢，这就导致一个很简单的动作可能就做很久或者做很多遍，有的人没耐心就坚持不下去。”
一线采集员的表现，也关系到数据采集公司的收入。由于上游发包商是以有效时长作为结算标准，因此大部分数据采集公司会通过扩大人员规模的方式，提高有效时长的产能。但人员规模的扩张不一定能堆出产能，人员水平、项目要求、采集设备的差异，都可能影响采集结果，尤其是“人的问题”。
“我们粗略统计，一线采集员一天坐班8小时，实际能够产出的数据只有4小时左右，做得好的团队能把产出系数做到0.6，相当于一天能产出4.8个小时数据。人跟人之间也有差距，有的人会当成工作对待，有的人只把它当成兼职。我们之前允许居家采集，有的人一天就能产出6小时数据，但有的人连最基础的3、4个小时都做不出来。”
孙潇坦言，数据采集表面上看是用人头堆产能，但也恰恰卡在“人”身上。用人门槛过低，就意味着规模化需要以管理能力为前提。因此为了及时完成订单，孙潇所在的公司最后选择把人员集中到一起，一天两班倒。
“要是一天只做8小时，按照上游的数据缺口，起码要5到10年才能满足需求，机器人公司等不起。所以如果一套设备一天的有效时长达不到4小时，他们就会把采集设备收回。京东之前也有说要在宿迁做一个10万人规模的数据采集基地，但是他们本地推进的速度并没有想象得那么快，我估计也是遇到了数据产能和质量上的问题。”孙潇说道。
等一个“GPT时刻”
为了让机器人拥有堪比人类的“大脑”，像孙潇所在公司这样的“包工头”们开始拼命搬砖，而具身智能的竞争重心也在逐渐转移到数据量级上，“就像GPT一样，训练数据的质量和规模对机器人模型的影响也非常大。”
今年8月，三位华人创立的Dyna Robotics，用超过100万小时的人类第一视角视频对DYNA-2模型进行预训练。结果发现，高精度制造场景测试中的任务成功率从上一代模型的20%提升到了90%。这意味着物理AI拥有了自己的Scaling Law（缩放定律，指模型性能随参数量、数据量和算力增加而按幂律提升的规律），机器人的“大脑”进化也可以像大语言模型一样，通过“堆数据”来提升。
孙潇说：“当下具身智能行业形成了一个近乎偏执的共识：采集的时长要绝对充足，可以冗余，但不能缺。我们上游发包商给到的ego（第一视角）数据需求就达到百万小时级，夹爪类数据也有十几万小时。所以我觉得相比外界传言的‘上千万小时数据缺口’，真实的数据需求只会多不会少。”
他还提到，产业上游对真实世界高质量数据的需求，也催生了一个耐人寻味的倒挂现象——“你的机器人有多智能，它就得需要多少人工”。
“我们目前做的只是数量上的工作，实际数据提交之后还要经过清洗、标注等其他工序，才能让数据真正能用。所以最后给到模型训练的一小时数据，其综合成本可能要到300元到500元之间。我跟上游的算法工程师聊过，他们真机可用的一条数据成本要到1200元到1300元，还有的能够达到1600元。”孙潇说。
“但是你不要光看价格高，因为它们对真实场景的要求非常高。机器人后面要进入千家万户，就需要有真实场景作为采集素材。但是哪家数据公司能够一口气拿出来几十套现成的房子，给你去做数据采集？不过据我所知，现在出现一种类似拼单的新模式，几家机器人公司对接同一家数据采集训练场，大家在同一个场景下，用各自的设备采集数据。”
另外，小区门口的小超市、药店、早餐店这些需要实地采集的真实场景，也存在沟通困难、成本高、执行难的问题。在孙潇看来，目前只有工厂这类标准化的场景可以大体量复制，家庭生活、餐饮零售等长尾场景的需求仍然悬而未决。
热钱涌动的另一面，是行业挥之不去的“内循环”争议。“有的地方单位买入机器人，让数据采集公司采集数据后，再卖回给机器人公司。这样一来，机器人厂商拿到了训练数据，可以向资本市场鼓吹更大的故事，地方单位也完成了考核指标，有种大家互相刷单的意思。”
孙潇还举出之前英伟达和OpenAI的“例子”，“我拿了你的投资，我再买你的显卡用来训练更强的大模型，互相成就彼此的估值。”而具身智能赛道的当下是一级市场讲故事、二级市场买预期，中间是数据采集公司在真实地“搬砖”。
从产业演进来看，具身智能行业距离自己的“GPT时刻”仍然隔着三重拐点：技术上，还差着数千万小时的数据；生产上，正在从小批量试用转向大规模落地；经济上，多数公司仍在亏损，商业闭环尚未跑通。
但不可否认的是，热钱的涌入让机器人第一次以具象且富有实感的方式走进真实世界。那些在三四线城市不断冒出的“数据采集工厂”，正在为具身智能的全面繁荣铺设地基。或许机器人还在烧钱，但是“喂”它的人，已经先吃到了肉。
专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统撰文：Alma Li，Techub News
导语：
从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。
在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。
核心观点：
“真实的投研不是一个按钮，而是一套系统化的研究工程。”
AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。
从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。
于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。
从项目上币到个人投资：研究目标变了，底层思维没有变
TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？
Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。
最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。
当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。
但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。
个人投研的痛点：信息不缺，决策过程却被切碎
TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？
Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。
在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。
这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。
“它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。
AI 不是买卖按钮，而是可复现的研究助理
TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？
Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。
他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。
在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。
这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。
“我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。”
数据分层：先定义证据质量，再让 AI 推理
TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？
Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。
他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。
这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。
Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。
AI 带来知识平权，不等于认知平权
随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。
“我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。”
差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。
对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。
先在自己身上验证，再考虑产品化
目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。
考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。
参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。
独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。
当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。
投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。
编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
当 Polymarket 们等走向「幕后」：预测市场的下半场，在交易所之外？概率不再只属于某一家平台，围绕它的聚合、衍生品与智能执行基础设施，正在成形。
撰文：农民 Frank
预测市场，最近在发生一个挺有意思的变化。
从币安、Coinbase，再到盈透证券（IBKR）、Robinhood，头部玩家们纷纷重心上移，不再执著于复制一个 Polymarket。
大家纷纷在想办法，怎么让 Polymarket、Kalshi 们逐渐「退到幕后」，变成其他金融产品可以直接调用的底层能力。
这其实很像今天的股票交易，用户通过富途、老虎或 Robinhood 点击买入 TSLA，大多数用户不会关心订单最终流向哪家 Market Maker、经过哪套清算系统。
预测市场未来也可能如此。
前端可能是某一家券商、钱包、新闻 App 甚至 AI Agent，中间是 Aggregator 和 Router，真正提供市场、流动性与结算的 Polymarket、Kalshi 们，则越来越像隐藏在背后的金融基础设施。
回看 DeFi，从 AMM 到聚合器、衍生品、专业做市和智能执行，这条路已经走过一遍。
预测市场，或许也正在进入类似的下半场。
一、预测市场，开始更多走向「幕后」
过去几年，预测市场证明了现实世界里的「不确定性」，的确可以成为一种有价格、有流动性的交易资产。
从美国总统大选，到世界杯等体育赛事，再到 Crypto、宏观经济乃至娱乐文化，很多原本只能被讨论的问题，被 Polymarket、Kalshi 等平台压缩成一份可以买卖并产生盈亏的 Event Contract。
这是非常关键的一步，而当这层需求逐渐被验证之后，头部玩家的打法也开始发生明显变化。
今年 4 月，币安接入 Predict.fun，由第三方预测市场基础设施提供市场能力，自己提供前端入口，允许用户在 App 里直接交易概率事件；两个月后，又进一步开放 Prediction Markets API，让量化策略、交易 Bot 和第三方产品可以直接调用市场数据与交易能力。
Coinbase 走的也是类似路线，它把 Prediction Markets 纳入自己的「Everything Exchange」，但上线初期的市场流动性全部来自 Kalshi，并明确表示未来还会支持更多 Prediction Market Venue。
而在传统金融一侧，IBKR 已经更进一步。
今年 5 月，IBKR 直接把 Kalshi、CME Group 和 ForecastEx 三家 Prediction Market 放进一个统一界面，用户无需分别开户，就可以在同一个账户里搜索事件、比较不同交易所的价格与流动性，并完成交易。
Robinhood 则开始继续向交易与清算层延伸，与 Susquehanna 合作运营 Rothera，后者承接了原 MIAXdx/LedgerX 的 CFTC 注册交易所与清算基础设施，6 月已开始把部分世界杯和职业棒球 Event Contracts 路由至这一关联交易所。
这几个头部玩家的动作，其实指向的是同一件事，即预测市场正从一个用户需要主动前往的「目的地」，变成一种可以被其他产品调用的金融能力。
过去，如果我们想交易接下来的美国中期选举，可能需要先打开 Polymarket，再找到对应市场，但未来，它可能是一张出现在币安首页的事件卡片、Robinhood 上一条财经新闻旁边跳动的实时概率。
用户可能根本意识不到自己正在使用预测市场进行交易，至于订单最终来自 Predict.fun、Kalshi、CME，还是被 Router 拆到多个市场，更是没那么重要。
这也意味着，Prediction Market 越来越隐形，Prediction Asset 反而越来越重要。
一旦走到这一步，行业真正有意思的问题也就变了——这些散落在 Polymarket、Kalshi、Predict.fun 甚至更多市场里的流动性，该怎么被组织起来？
譬如围绕美国中期选举，哪里的价格最好？哪里的深度最大？两个市场之间有没有概率偏差？
这套问题，其实和早期 DeFi 非常像。Uniswap 证明了 Token 可以在链上交易之后，市场并没有停止在「再造十个 Uniswap」，随后真正长出来的，是 1inch 这样的流动性聚合器、CoW Swap 这样的智能执行网络、Hyperliquid 这样的衍生品基础设施，以及围绕它们生长起来的做市商和量化交易系统。
预测市场也正在逐渐走到类似的阶段。
Fortune 就是一个很典型的早期案例，截至今年 8 月，已完成 Seed、Pre-A 等多轮融资，累计金额超过 400 万美元，用于 Fortune Agent 升级、接入更多预测市场，以及扩展流动性和相关基础设施。
它想切入的，就是「The Liquidity Infrastructure for Prediction Markets」这一层，不久前也刚进一步接入 Polymarket 的流动性，与此前已经支持的 Predict.fun 一起放进 Fortune Markets 的统一入口。
用户开始可以在一个入口中查看不同来源的市场、交易量、流动性以及隐含概率，而不必在不同 Prediction Market 之间来回切换。
这只是一个很早期的形态，却已经透露出 Fortune 想做的事情——把原本彼此割裂的 Prediction Markets，逐渐抽象成一个统一的流动性层。
二、不只是「预测市场版 1inch」，还能做什么？
当然，如果因此把 Fortune 这样的新玩家简单理解成「预测市场版 1inch」，又有些刻舟求剑。
预测市场未必会完整复制 DeFi 的发展路径，Fortune 这类新玩家，主要是在尝试把视角从 Prediction Market 转向 Prediction Asset。
看起来只差一个单词，背后逻辑却天差地别：Market 关心的是「去哪里交易」，Asset 关心的则是「究竟在交易什么，以及围绕它还能构建什么」。
就像 BTC 不属于 Binance，特斯拉也不只 Robinhood 能交易，美股并非只有现货买卖，Crypto 也不局限于 Spot，一旦 Prediction Assets 可以跨不同市场被寻找、定价、组合与交易，市场之上的基础设施才真正有机会形成。
以 Fortune 为例，新玩家们想搭建的体系，可以大致拆成几个相互连接的层次。
1.把分散的 Prediction Assets 先「放在一起」
众所周知，今天的预测市场仍然高度分散。
同一类事件可能同时存在于 Polymarket、Predict.fun 及其他平台，不同平台之间又拥有各自独立的市场结构、流动性和定价。
早在今年 4 月，Fortune 原生 Prediction Market 就已上线，到了 8 月，又进一步接入 Polymarket CLOB v2，与此前支持的 Predict.fun 放进 Fortune Markets 的统一入口。
用户现在可以直接在 Fortune Markets 浏览来自不同流动性来源的事件市场，并在建立仓位之前比较各自的流动性、成交量和隐含概率。
新版交易流程又加入了 Outcome Selection、Position Preview 和 Portfolio 等功能，把发现市场、建立仓位以及后续管理逐渐串在一起。
过去，一个用户想交易同一类政治、体育或者 Crypto 事件，可能需要分别进入几个平台搜索，再自己比较价格和深度，现在 Fortune Markets 把这个过程压缩为「发现事件 → 比较不同平台 → 选择价格与流动性 → 建立仓位 → 统一管理」。
理论上讲，预测市场的聚合，其实远比普通 DEX Aggregator 要复杂得多。
1 ETH 在 Uniswap 和 Curve 里仍然是同一个 ETH，但两个看起来几乎一样的预测市场，可能只因为截止时间、事件定义、判定条件或结算规则存在细微差异，就成为完全不同的资产。
从这个角度看，Fortune 首先做的并不是创造更多市场，而是把原本散落在不同平台里的 Prediction Assets，逐渐变成一个更容易被搜索、比较和交易的资产池。
2.从「买 YES / NO」，走向更完整的金融产品
一旦资产被连接起来，下一步的问题自然发生变化。
今天预测市场最常见的交易方式，依然是看好一个结果，买 YES；不看好，就买 NO，然后等待事件结算。
这很像 Crypto 早期只有 Spot。
但如果 Prediction Assets 最终发展成一个规模足够大的资产类别，交易需求理论上不会永远停留在二元下注，当底层资产规模足够大，市场通常都会继续长出杠杆、期权、组合、对冲和结构化产品。
这也是 Fortune 把 Prediction Derivatives 纳入整体产品方向的原因，它想进一步把 Event Contract 从一份「等待最终答案」的二元合约，转化成能够被组合、管理和策略化使用的 Prediction Asset。
这一步其实很关键。
因为一个资产类别真正成熟，往往不是看现货市场有多热闹，而是看它周围能否形成足够丰富的金融结构。
BTC 从现货走向 Perpetual、Options 和结构化产品之后，才逐渐形成今天完整的交易体系；股票市场也同样拥有期货、期权、ETF 与各种组合工具。
Fortune 现在所押注的，是 Prediction Asset 也会经历类似的金融化过程。
不过这也带来另一个问题，如果未来一个用户面对的不再是几个市场，而是几百、几千个 Prediction Assets，甚至不同的组合和策略，人还有没有能力自己完成全部研究与执行？
这才是 Fortune AI Agent 真正应该出现的位置。
3.让 AI 直接进入交易链路
实事求是地讲，预测市场可能是 AI Agent 最容易让人理解的金融场景之一。
因为它天然存在一条非常清晰的传导链：现实世界发生变化 → 新信息出现 → 事件概率改变 → 市场重新定价 → 产生交易机会。
只不过，传统交易需要手动完成整个过程，从看新闻、刷社交媒体、分析市场情绪，到判断这条消息究竟会不会改变某个事件的概率，最后还要找到对应市场、比较价格、确定仓位并执行交易。
Fortune Agent 想压缩的，恰恰就是这条链路。
目前已经上线的 Trading Agent，就被设计为一个 Multi-Agent System，持续从 News、Sentiment 和 Arbitrage 三类信号中寻找机会，再进一步验证条件，其中用户连接钱包后，能自行设定单次交易金额、风险等级，以及是否启用 Automated Trading。
如果深挖 Fortune 后续对 Agent 的描述，还有 24/7 Market Intelligence、Structured Decision-making、Risk Management 和 Execution，那和前面的 Fortune Markets 放在一起，整套产品逻辑完全串了起来。
比如某个宏观事件突然出现新的政策信号。
Agent 首先捕捉信息并判断它可能改变某项事件的真实概率；随后 Fortune Markets 可以同时提供来自不同 Venue 的相关 Prediction Assets、价格和流动性；如果市场报价尚未充分反映新信息，Agent 再进一步寻找更合适的交易机会与执行路径。
这时候，Fortune 想做的已经不只是一个「AI 预测器」，它更接近于把信息层、资产层、流动性层与执行层接在一起。
而最外面，还有一层负责让这套网络冷启动的 Incentive Layer。Fortune 目前已经建立起以 F Points 为核心的激励体系，包括 Daily Check-in 和邀请机制；用户邀请其他参与者后，可以获得其 F 收益的 10%。
看起来这些是传统 Web3 项目常见的 Points、NFT 与 Referral 玩法，但放回整个产品架构里，它承担的其实是一个很现实的问题：
一个新的 Prediction Asset 网络，最早期的流动性、交易用户和生态参与者从哪里来？
更多用户参与，带来更多交易与流动性；更深的流动性改善成交体验，又进一步吸引新的用户和策略进入；当 Agent 和更多金融产品加入之后，交易频率与策略复杂度也可能随之提高。
所以把 Fortune 从头到尾串起来，它现在真正尝试构建的并不是一个孤立功能，而是一条相对完整的链路：
Prediction Markets 提供底层事件资产；
Fortune Markets 负责把资产与流动性连接起来；
Prediction Derivatives 扩展资产的金融表达方式；
Fortune Agent 负责信息处理与交易执行；
Incentive Layer 再为整个网络提供早期增长动力；
也因此，如果一定要给 Fortune 一个定位，它既不只是 Prediction Market，也不只是「预测市场版 1inch」。
更准确地说，它想做的是一套围绕 Prediction Assets 的交易与执行基础设施。
三、当「概率」真正成为一种资产
当然，Fortune 最终能不能把这套路线图真正做出来，现在还很难下结论。
它仍然是一个早期项目。
Polymarket 的流动性接入与 Agent 已经能够看到实际产品，但统一订单路由、成熟的 Prediction Derivatives，以及足够深的跨市场流动性网络，都还远没有走到最终形态。
但如果把视角拉回整个行业，Fortune 押注的方向并不孤立。Apex 已经开始把 Kalshi 的 Event Contracts 通过 API 接进券商基础设施；Paradigm 也在开发面向专业交易者的 Prediction Market Terminal，并研究内部做市与 Prediction Market Index。
预测市场越来越像一个真正的金融市场，那真正的金融市场，一定不会只有交易所。
接下来至少有三层变化值得观察。
1.从 Bet 到 Portfolio，高度金融化
今天很多人第一次接触 Prediction Market，还是把它理解成「我赌某件事会不会发生」。
但对更成熟的交易者来说，其实能创造一连串可以表达完整观点的资产组合。
比如，当一个交易者判断美国通胀重新升温、Fed 转鹰时，未必只交易「下次 FOMC 是否加息」，完全可以同时围绕「Fed 是否维持更高利率」「BTC 年底是否突破某个价位」「美国是否避免衰退」等不同事件建立仓位。
这些单独看都是 Event Contract，组合在一起，却可以表达一套完整的 Higher for Longer 宏观 Thesis。
如果这一阶段真的出现，Portfolio Management、Correlation、Hedging 和 Risk Management 也就会自然跟上，届时 Fortune 这类项目如果能够真正补齐 Derivatives 与组合层，价值也不再只是帮用户「少开几个网页」。
2.从单一市场交易，到跨市场聚合执行
这个很容易理解，市场越大，单个平台的重要性反而可能下降。
Crypto 最终没有形成「一个交易所承载所有流动性」的格局，Prediction Market 大概率也不会。
不同监管体系、用户群体、做市商、事件类别和地域，会长期制造市场分割，而市场分割，本身就是基础设施的机会，毕竟套利者需要价格，做市商需要订单流，机构需要深度，普通用户需要最好的成交价格，Agent 则需要足够多可以扫描和执行的 Venue。
所以 Prediction Market 真正走向成熟以后，交易入口可能反而越来越「隐形」，譬如在券商 App 看到一条新闻：「Fed 下月调整利率概率：72%」
旁边一个按钮，就可以买入，至于背后的订单到底来自 Polymarket、Kalshi，还是被 Router 拆到三个市场里完成，不重要。
这才是 API 化真正可能带来的变化。
3.从 Human Trader，到 AI Trader
我始终认为，预测市场可能会成为 AI Agent 最天然的金融应用场景之一。
因为它本身就是「信息 → 概率 → 价格 → 交易」，而这恰恰是 AI 最擅长介入的一条链路。
如果说 Crypto 给 AI Agent 提供了一个无需银行账户、可以 24 小时直接控制资产的金融系统，那么 Prediction Market 则进一步给它提供了一个可以直接交易「认知」的市场。
AI 最核心的能力之一，本来就是处理信息，而 Prediction Market 最核心的资产，本来就是信息被压缩之后形成的概率。
二者天然契合。
我们可以试想一下，未来一个 Agent 可以同时监听新闻、社交媒体、宏观数据、链上数据、公司公告、体育比赛、政策文件等等，然后不断重新计算自己的概率模型。
市场价格一旦和模型产生足够大的偏离，就直接下单，这时候 Prediction Market 的速度也会发生变化。
过去 Alpha 可能来自我比别人更早看到一条新闻，以后就可能变成：我的 Agent 比你的 Agent 更快理解这条新闻意味着什么；甚至再下一阶段，谁能够在更多 Venue 之间，更快把认知优势转化成成交。
于是信息优势、模型优势和执行优势，会逐渐变成同一件事。
这可能才是所谓 AI × Prediction Market 真正有意思的地方，当然，所有这些想象成立之前，还有几个现实问题绕不过去。
首先是流动性，没有足够深的盘口，再先进的 Router 和衍生品都没有意义；
其次是 Resolution，预测市场最终仍然需要一套可信、明确而且尽量少争议的事件结算机制；
再往后则是监管，一个 Event Contract 究竟属于衍生品、博彩，还是一种新的金融工具，不同地区依然存在完全不同的答案；
最后还有 Agent 本身，AI 可以处理大量信息，但「能够总结新闻」和「能够稳定产生 Alpha」之间，仍然隔着很远的距离；
这些问题不会因为市场正在增长就自动消失。
反而只有当这些基础设施逐步补齐之后，Prediction Assets 才可能真正从一个新鲜的交易品类，变成成熟资产类别。
写在最后
客观地讲，从 2024 年美国总统大选，到 2026 年世界杯，Polymarket、Kalshi 已经完成了预测市场最困难的首轮用户教育：
现实世界的诸多不确定性，是真的可以被交易。
但这更像是上半场，如果回看几乎所有金融市场的发展史，就会发现，证明一种资产能被交易，从来不是故事的终点。
当参与者越来越多、资产越来越多、平台越来越多之后，决定市场成熟度的，往往是交易所之外那些没那么性感的东西，譬如流动性、做市、路由、衍生品、风险管理、组合策略，以及更自由、更自动化的执行。
DeFi 已经走过一遍，预测市场很可能也正在走上类似的路。
所以今天重新看 Fortune 这类新玩家，真正值得关注的，是越来越多「概率」真的成为资产之后，我们该如何更高效地交易它们？
它需要更深的流动性，更丰富的金融工具，更高效的执行，以及能够 24 小时理解现实世界、不断重新计算概率的 AI Agent。
而这，或许才是 Prediction Market 从「市场」走向 Prediction Assets 之后，真正的下半场。
被 Meme 盖过的暗线：AI Agent 正在 Robinhood Chain 上自己交易撰文：Gandalf，Techub News
导语
所有人都在看 Meme，但 Robinhood Chain 上复合增速最快的其实是另一条曲线：AI Agent。首周 2100 个 Agent、7700 万美元交易量；第一个 1 亿美元用了两周，下一个 5000 万只用三天。Uniswap 在主网第一天就上线了 AI 插件，Unidity 让 GPT-5、Claude、DeepSeek、Qwen3 Max 四个大模型实盘对战交易代币化股票。本文梳理这条被 Meme 盖过的暗线，以及它为什么可能才是这条链回到 RWA 初心的现实路径。
核心要点
AI-native 是设计定位：主网首日 Uniswap 同步上线 AI 插件，后续开源 Trading Tools（定投/指数/跟单）
增长曲线：首周 2100+ Agent、7700 万美元 → 7/17 达 4500+ Agent、1.5 亿美元、开发者融资 230 万
Unidity 四模型实盘对战：GPT-5、Claude Sonnet 4.5、DeepSeek、Qwen3 Max 交易代币化股票
9 月 1 日 Robinhood 官方全面推出 AI 代理加密交易功能，把能力收进自家产品
冷静看：Agent 交易量占链上总量不足 1%，方向正确但尚未证明自己
Robinhood Chain 上有两条增长曲线。Meme 那条被所有人看见了，另一条几乎没人写——AI Agent 在这条链上自主交易的规模，增长速度比 Meme 更陡。
从设计之初就是 AI-native
这不是意外产物。Robinhood Chain 在主网发布时就被定位为 AI-native 的链，配套动作在第一天就到位了：2026 年 7 月 2 日，Uniswap 随主网上线的同时推出了 AI 插件。
Uniswap 后来把这套能力产品化为 Uniswap Trading Tools——一个开源的 AI 技能库，教 Claude Code、Cursor 这类编码 Agent 如何接入 Uniswap，内置三种能力：定投机器人、指数机器人（定义一篮子代币和目标权重）、以及跟单交易。
图源：Uniswap 官方博客《Uniswap is Live on Robinhood Chain》（2026 年 7 月 1 日）
复合速度比 Meme 更快
主网上线首周，链上已部署超过 2100 个 Agent，Agent 交易量约 7700 万美元。此后的加速曲线很说明问题：第一个 1 亿美元 Agent 交易量用了两周，下一个 5000 万美元只用了三天。
到 7 月 17 日，链上 Agent 数量超过 4500 个，累计交易量超过 1.5 亿美元，并已为开发者募集到 230 万美元。当时就有分析指出，Agent 的复合增速比 Meme 更快。
四个大模型的实盘对战
最具体的产品是 Unidity——一个让 AI Agent 在链上交易代币化股票的平台，在 Uniswap 的发射台 Pools 上启动。它同时跑着四个 Agent，分别由 GPT-5、Claude Sonnet 4.5、DeepSeek 和 Qwen3 Max 驱动，实盘交易代币化股票。
另一个方向是 HoodPilot，主打让用户自己构建在 Robinhood Chain 上运行的 AI 交易 Agent。
官方侧的动作同步跟上：2026 年 9 月 1 日，Robinhood 全面推出 AI 代理加密交易功能，把这套能力从链上开发者生态收进了自家产品。
为什么这条线更值得关注
Meme 的用户忠于活跃度，热度过去就会迁移。Agent 不一样——一旦策略部署在某条链上，迁移成本包括代码改写、流动性适配和历史数据积累，粘性天然更高。
更重要的是，Agent 交易的标的里包含代币化股票。这恰好是 Robinhood 最初想要的那个用例：如果 Agent 生态能持续扩张，它可能才是这条链从「Meme 赌场」回到「RWA 结算层」的现实路径——不是靠散户手动买股票代币，而是靠自动化策略把股票代币变成程序化交易的底层资产。
当然，目前这条曲线的绝对规模仍远小于 Meme。1.5 亿美元的 Agent 交易量，对比 8 月全月近 180 亿美元的链上总交易量，占比不到百分之一。它是一条方向正确但尚未证明自己的曲线。
为 RWA 造的链，79% 的交易量是 Meme撰文：Gandalf，Techub News
导语
CoinDesk 在 7 月 13 日的报道标题说得直白：「Robinhood 为代币化股票造了一条链，Meme 币接管了它」——当时链上已沉淀 1.35 亿美元价值、80 万个地址，但几乎没有一分钱在做这条链该做的事。两周后 CoinGecko 的数据把这个反转钉死：7 月 27 日，Meme 占这条链 DEX 交易量的 79.2%。本文梳理反转发生的过程、Galaxy 研报的「压力测试」判断，以及 IOSG 提出的那个核心问题：赌场还是结算层？
核心要点
7 月 13 日 CoinDesk 统计：上线 12 天，1.35 亿美元价值、80 万地址，但几乎不用于代币化股票
7 月 26 日：Meme 发行数量超越 Solana 登顶；7 月 27 日：Meme 占 DEX 交易量 79.2%（CoinGecko）
Galaxy 8 月 4 日研报：TVL 破 3 亿，Memecoin 占 79%，2800 万用户分销叙事正被链上压力测试
IOSG「Casino or Settlement Layer」之问：Meme 是冷启动引擎，还是会在补贴退坡后集体迁走
Robinhood 官方态度：把「支持 RWA 与 Meme」写进定位，上架 CASHCAT 并自持约 780 万美元
Robinhood Chain 上线不到一个月，就出现了一组让所有人意外的数据。据 CoinGecko 统计，2026 年 7 月 27 日，Meme 币贡献了这条链上去中心化交易所交易量的 79.2%。而它原本是为代币化股票造的。
图源：CoinDesk（2026 年 7 月 13 日）
分水岭出现得比预期早
早期信号在 7 月中旬就已经出现。7 月 11 日，这条链的稳定币市值一周翻倍至超 2.7 亿美元，DEX 日交易量突破 6.9 亿美元，TVL 突破 1 亿美元——增长很猛，但结构已经开始倾斜。7 月 12 日，链上出现某交易者卖出 1504 万枚 CASHCAT、价值约 104 万美元的记录，一只猫主题 Meme 币开始进入视野。
7 月 26 日是更明确的转折点：Robinhood 旗下公链的 Meme 币发行数量超越 Solana 登顶，同日月活突破 200 万、周增 50%。一条主打 RWA 的链，在发币数量上做到了全行业第一。
Galaxy 的压力测试判断
2026 年 8 月 4 日，Galaxy 发布研报，把这个现象总结为一次压力测试：TVL 突破 3 亿美元，Memecoin 占据 79% 的交易量，Robinhood 引以为傲的 2800 万用户分销叙事正在经历链上检验。
研报点出的核心矛盾是：分销能力确实真实存在，但它导流过来的用户在链上做的事，和 Robinhood 设想的完全不同。散户来了，只是没有去买代币化股票。
同期的资产结构印证了这一点。链上代币化资产规模长期停留在千万美元量级——到 9 月 3 日才突破 8800 万美元，而稳定币市值早在 8 月 19 日就达到 6.4 亿美元，TVL 在 8 月 22 日突破 10 亿美元。真正沉淀在这条链上的，不是股票。
「赌场还是结算层」
IOSG Ventures 在其文章《Casino or Settlement Layer? Robinhood Chain's RWA problem》中提出了这个二选一的框架：这条链究竟是一个偶然获得了 RWA 基础设施的赌场，还是一个暂时被投机占据的结算层。
支持后一种解读的论据是：Meme 提供了冷启动流动性和用户获取通道，它们压力测试了基础设施、为 DEX 铺出了深度，给了这条链一个纯 RWA 流量在第一个月无论如何都造不出来的心跳。
支持前一种解读的论据同样有力：Meme 交易者忠于活跃度而不忠于任何一条链，补贴与热度结束后，他们会迅速迁移到下一条链；而他们与 Robinhood 最终想要争取的投资者群体，未必有多少重叠。
官方的选择
值得玩味的是 Robinhood 自己的态度。8 月 14 日，Robinhood 对外表述其旗下链「活跃度居前三，支持 RWA 与 Meme」——把 Meme 明确写进了官方定位。
更进一步，8 月 7 日 Robinhood 在自家平台上线了 $CASHCAT 交易；8 月 13 日，Arkham 的链上追踪显示 Robinhood 持有约 780 万美元的 CASHCAT。这家券商不只是默许了链上的 Meme 狂潮，它自己也下场了。
BE Semiconductor：混合键合正在成为 AI 的下一个瓶颈封装正在成为新的性能扩展层
半导体封装正在演进到这样一个阶段：在不久的将来，半导体元件如何被封装，将开始在决定产品或系统整体“性能”方面发挥重要作用。高性能计算（HPC）受益于让逻辑芯片与存储芯片彼此保持更近距离。TSMC 将 CoWoS 描述为 HPC 和 AI 的重要基础，因为它能够把逻辑芯片与高带宽内存放在同一个封装中。混合键合则是朝这一目标迈出的下一步。混合键合取消了传统微凸点，直接将铜焊盘与周围介电材料表面进行键合，从而实现更高的互连密度、更低的延迟以及更好的散热特性。半导体行业已经无法继续仅依赖晶体管微缩来获得大部分性能提升，未来更大比例的性能增益将需要通过这些裸片如何被组装在一起来实现。
由于上述趋势，半导体行业经济利益的控制权也可能发生显著变化。过去，封装设备所创造的大部分价值，主要集中在提升吞吐量、降低成本以及改善生产良率。然而，随着混合键合以及其他能够提升封装整体性能的技术出现，设备制造商可能会发现，客户越来越受制于设备能否高效完成特定装配功能这一瓶颈。随着一代又一代半导体架构需要更多裸片放置、更严格的对准精度以及更好的热管理能力，单位封装所需的设备内容价值可能会以高于半导体出货量增长的速度上升。
因此，这就是更广泛的行业机会。根据 SEMI 的数据，随着 AI 相关应用需求在半导体后道供应链中持续扩张，组装和封装设备销售额预计将持续增长至 2028 年。虽然 BE Semiconductor（BESIY）所面对的机会相比上述更广泛行业机会更加狭窄、总体价值量也更低，但其自身机会依然具有相当价值。Besi 专注于提供半导体封装中精密放置环节所需要的设备，在这个环节中，多个 chiplet 之间需要在极小互连间距下实现高精度对准，同时不能牺牲速度或良率。随着每个封装中放置的裸片数量不断增加，同时互连尺寸进一步缩小，精密放置环节的复杂度也会随之提高，从而为 Besi 创造更多机会。
【原文图片位置：TSMC CoWoS-S 横截面图（TSMC）】
Besi 掌控着精密工艺的关键节点
根据 Besi 的 2026 年投资者日演示材料，公司在其所定义的可服务市场中占据大约 70% 的市场份额，其中不包括 TCB、引线键合、切割以及其他类别；同时，2025 年公司在 die attach（裸片贴装）市场中的份额达到 49%，在先进裸片放置市场中的份额达到 83%。这一市场地位来自公司多年来持续在运动控制、机器视觉、更高吞吐量以及工艺可靠性方面进行投资。混合键合进一步放大了这些投资的价值。基于焊料的连接方式在回流过程中具有一定程度的自对准能力，因为熔融焊料的表面张力可以把元件拉回正确位置。混合键合则不存在这种由焊料驱动的自对准，因此通常必须通过更严格的预键合对准以及工艺控制来避免放置误差。因此，客户所需要的是一种既能提供接近前道工艺洁净度，又能同时具备后道工艺速度和精度的设备。
除了通过混合键合强化现有产品组合之外，Besi 还通过与 Applied Materials 建立合作进一步拓宽了自身的“护城河”。这项合作可以为客户提供表面处理、计量以及工艺控制，而 Besi 则继续开发并交付高速精密放置和键合解决方案。此外，由 Applied Materials 与 Besi 共同开发的 Kinex 平台，将湿法清洗、等离子体活化、键合以及原位计量整合到一套生产流程中，从而减少晶圆和裸片在不同设备之间转移的需求。
Applied Materials 还收购了 Besi 9% 的战略股权，进一步强化双方合作关系。Besi 目前披露，公司已经拥有 21 家混合键合客户，应用场景涵盖逻辑芯片、存储芯片、共封装光学以及消费电子。虽然拥有 21 家混合键合客户并不能保证未来一定出现大规模订单，但相比仅依赖两家领先逻辑芯片客户，这显然建立了一个更加广泛的潜在订单管线。
【原文图片位置：双方共同开发的 Kinex 平台（Applied Kinex）】
三条需求曲线可以同时上升
这一投资逻辑中最重要的一点，是 Besi 并不需要依赖某一项单一技术转型。如今许多 AI 封装仍然在逻辑芯片、存储芯片、桥接裸片以及光学器件中使用传统技术，包括倒装芯片、热压键合以及高精度裸片贴装。在这些现有技术之外，当逻辑芯片设计厂商开始堆叠缓存和计算裸片时，混合键合又创造了另一类设备机会。下一代高带宽内存很可能会形成第二个大规模市场。此外，共封装光学也可能创造第三个放量市场，因为网络工程师希望把光引擎放置得更靠近交换芯片和加速器。由于 Besi 向封装组装流程中的多个阶段提供设备，因此公司拥有足够多的潜在增长来源，可以通过其他业务领域的成功抵消某一种架构出现延迟的影响。
为了实现管理层制定的 2030 年财务模型，Besi 预计年收入将达到 17 亿至 22 亿欧元，同时营业利润率达到 45%-55%。这些预测数字同时考虑了已经成熟的传统先进封装业务，以及正在增长的亚微米精度业务。考虑到 AI 封装尺寸和复杂度不断提升，这一计划具有可信度。chiplet 数量增加意味着裸片放置步骤增加，而光子器件则需要极高精度的对准。混合键合系统可以同时创造设备销售收入以及服务型收入。公司的目标并不是从封装成本中的每一美元都获得收入，而是成为整个封装工艺流程中，对精度最敏感节点上的最佳设备供应商。
订单已经跨入量产阶段
最新一个季度表明，公司目前正在进入量产爬坡的初期阶段，而不只是出现一次暂时性的研发需求高峰。季度收入目前达到 2.499 亿欧元，同比增长 68.7%。订单达到 2.929 亿欧元，同比增长 128.8%。毛利率提升至 65.7%，净利率达到 35.6%。数据中心、光子学、混合键合以及 AI 电源管理应用都出现了广泛需求。管理层还给出了下一季度收入环比再增长 10%-15% 的指引，同时预计毛利率将在 63%-65% 之间。
这轮增长真正重要的地方，是它属于高质量增长。订单增长的结构非常关键：目前订单仍然高于收入，这对于下一阶段在手订单转化非常有利。由于产品组合改善，毛利率也有所提升。尽管研发支出显著增加，但由于收入增长速度快于管理费用，净利率同样得到改善。管理层预计，由于产品组合变化，下一季度毛利率会出现轻微环比下降。此外，Besi 灵活的亚洲制造基地使其能够扩大产量，而无需像规模更大的前道设备公司那样承担显著增加的固定成本负担。
盈利增长足以消化估值溢价
基于公司自身指引，而不是其他机构的预测，我预计本财年收入约为 10 亿欧元。这一预测假设第四季度收入较第三季度指引中值仅出现非常温和的增长。我的基准情景预测是，下一财年收入约为 14 亿欧元，净利率为 39%，净利润约为 5.4 亿欧元。按照当前汇率进行汇率调整后，对应每份 ADR 的 EPS 约为 7.8 美元。我预测中的新增收入大约有一半来自混合键合以及先进热压键合技术，其余新增收入则来自裸片贴装活动增长、光子业务以及传统主流市场的部分复苏。
我的模型并没有采用管理层长期框架的上限。相反，我假设毛利率维持在 60% 中段，同时费用增长速度低于收入。这些假设既符合 Besi 最近一个季度的实际表现，也符合 Besi 的商业模式，因为公司拥有可扩展的亚洲制造体系。推动盈利改善的核心杠杆并不是激进涨价，而是让高精度设备的高价值产品组合通过一套已经承担了绝大部分必要研发和服务投入的成本结构进行放量。
按照大约 223 美元的参考股价计算，BESIY 当前交易价格略低于我前瞻盈利预测的 30 倍。根据 Seeking Alpha，BESIY 的历史 EV/EBITDA 倍数大约为 58 倍。以相同指标计算，Kulicke & Soffa 约为 40 倍，AMAT 约为 38 倍，LRCX 约为 45 倍。这几家公司的过去五年平均估值倍数分别约为 24 倍、19 倍和 22 倍，而 BESIY 自身过去五年的平均估值约为 40 倍。虽然这四家公司当前都高于各自五年平均水平，但 BESIY 绝对意义上的历史估值仍然明显高于同行。此外，BESIY 当前的历史盈利仍然反映的是上一轮周期中较弱的一段，而现在的订单情况已经反映出一个明显更好的产品组合。
如果对我的前瞻盈利预测应用大约 35 倍市盈率，可以得到 BESIY 大约 275 美元的目标价，比前述参考股价高约 23%。这一估值倍数确实略高于更广泛半导体设备行业的历史盈利倍数，但考虑到 Besi 更快的增长前景、显著更高的利润率，以及公司直接参与混合键合市场，我认为这种估值溢价是合理的。因此，目前估值支持“买入（Buy）”评级，而不是“强烈买入（Strong Buy）”。
投资逻辑失效的验证条件很清晰
Besi 面临的最大风险来自混合键合技术真正实现大规模量产采用的时间。与热压键合相比，混合键合拥有实现更好技术性能的潜力，但由于两者之间存在成本差异，很多存储芯片厂商可能会比最初预期更长时间地继续使用热压键合。此外，一些存储芯片厂商也可能推迟提升混合键合产品的产量，同时逻辑芯片领域的规模化应用也可能仅局限于少数几家大型厂商。以上任何一种情况都会延长 Besi 实现高毛利混合键合设备大规模销售所需要的时间。
除了 Besi 业务爬坡时间相关风险之外，公司还面临执行风险。例如，Besi 正在混合键合获得更广泛采用之前，就提前增加供应、服务以及制造能力。如果 Besi 的设备最终良率低于预期、吞吐量改善速度慢于预期，或者集成式 Kinex 混合键合工艺流程的资格认证出现明显延迟，那么这些新增能力就可能无法得到充分利用。此外，ASMPT 和 Kulicke & Soffa 等键合设备专业厂商也存在竞争，它们可能会缩小与 Besi 在精度和总体拥有成本方面的差距。汇率波动、贸易限制，以及移动端或工业需求再次下滑，也可能进一步压制 Besi 的增长能力。Besi 在美国交易的 ADR 还是 OTC 场外交易，这意味着其买卖价差和流动性可能不如阿姆斯特丹交易所。正如前面提到的，这些都是周期性行业中不可忽视的重要风险。
正如前面所说，如果 2027 年出现以下三个条件，我会认为自己的投资逻辑已经失效。第一，收入没有超过 12 亿欧元。第二，至少连续两个季度订单低于收入。第三，在 AI 驱动型应用需求持续增长的同时，净利率却重新下降至 30% 低位区间。如果出现这些情况，那么按照当前参考股价计算，公司前瞻市盈率将超过 40 倍，但缺乏足够增长来支撑这一估值。因此，对 Besi 的积极展望仍然需要看到更强的在手订单转化、更广泛客户基础中的销量增长，以及经营杠杆持续改善的证据。
风险收益仍然偏向上行
半导体设备公司 Besi 并不是一只便宜的股票，但它也是少数几家正处于 AI 芯片堆栈中由于互连密度提升和散热要求上升所形成的精度瓶颈位置上的设备供应商之一。从公司近期业绩来看，先进封装技术已经开始推动业务增长。未来混合键合、下一代存储技术以及共封装光学的进一步发展，都可能继续推动这一需求增长。不过，正如前面所说，目前估值限制了我能够获得的合理“安全边际”，但我认为，技术领先地位、客户接受度提升以及盈利杠杆这三者结合，足以支持“买入（Buy）”评级。
CDDJAP夏季加速营启动，从与会嘉宾观点看香港AI和Web3发展机遇！(一）8月27日，「资本与智能的交汇之处 —— CDDJAP 2026 夏季加速营启动典礼 · Launch Ceremony」在香港数码港3座功能厅成功举行，同期，主题为“Where Capital Meet Intelligence”的高峰论坛成功举办。论坛汇聚了香港数码港首席公众使命官陈思源（Eric Chan）先生，香港交易所前行政总裁、滴灌通创始人兼主席李小加先生，香港大学副校长（大学拓展）汪揚教授，隆领投资创始人、美图公司联合创始人蔡文胜先生，Kingston Capital 联席主席、香港Web3.0协会理事会荣誉会长陈少杰（Jack Chan）先生，HashGlobal 创始人沈康先生，香港数字资产学会（HKDAS）执行委员会成员 Marco Lim先生，Draper Dragon 合伙人 Larry Li和Richard Wang，CDDJAP合伙人Seven Guo先生，以及CDDJAP Summer Cohort 2026 15位入营项目负责人等专业人士，现将嘉宾发言及圆桌讨论的主要内容分享如下，所有内容均根据会议记录整理形成，未经过发言嘉宾本人审核。
香港数码港首席公众使命官陈思源（Eric Chan）：
CDDJAP成为数码港完善创投生态、深化头部风投合作的重要战略布局。
数码港高度重视与 Draper Dragon 的战略合作，双方共同发掘和支持拥有创新技术及高增长潜力的科技初创企业。
优秀的风险投资伙伴不仅提供资金，还能凭借市场洞察、产业资源和国际网络，帮助创业团队加快商业落地，实现规模化增长。
双方联合推出的加速器计划聚焦人工智能和区块链，帮助初创企业优化商业模式、验证市场需求，并做好融资准备。
1s cohort 已于 2026年5月完成，共有 15个项目参与。多家初创企业获得了商业验证机会，Draper Dragon也在对部分高潜力团队进行进一步评估，并探讨投资的可能性。
展望2nd cohort ，我们希望发掘更多优秀团队，创造更多投资机会，推动数码港初创企业拓展内地及国际市场。
数码港将继续与业界具影响力的创投机构建立战略合作。在對的时机，为有潜力的创始人对接合适的资本、专业资源和发展机会，帮助他们从创新走向商业应用，并从取得早期市场进展迈向区域及全球增长。
Draper Dragon 合伙人Larry Li：
香港在全球人工智能产业生态中扮演重要角色
两年前，我们与数码港携手推出CDDJAP加速器项目，依托的正是我们在硅谷长期积累的大学、加速器与孵化器网络资源，但基金管理是我们的本业，多年投资实践让我们形成一个共识，孵化器是科技创新生态中不可缺失的关键一环。
同时，我想强调的是，当前国际形势下，香港的桥梁和窗口作用非常重要。去年到现在，香港资本市场的表现有目共睹，大量人工智能项目来到香港，进一步体现了香港地位的重要性。当前，人工智能在硅谷及全球市场都是最热门的行业，大量资金都被吸引过来，在台湾、香港、韩国等地区的指数中，人工智能相关上市公司占据了50%甚至70%的权重。作为专注早期项目的投资机构，我们在香港看到了两个机会。
第一个机会是Token出海。从整个人工智能产业的情况来看，日本在算力方面的投资增长很快，欧洲也在迎头赶上，但中美在算力基础设施上仍有较大差距。大家看到了DeepSeek以及Kimi等产品的出现，就突然意识到中国模型的Token生成成本低、效率高，既然算力出海受限，那么Token出海就成为可能。香港在这方面拥有得天独厚的机会，我认为这是眼前的一个重大机遇。
第二个机会是光互联产业。算力中心需要光互联，第一代技术中，像中际旭创这样的大型上市公司已经来到香港。现在是光互联2.0时代，已经涌现出一批全新技术，这其中，中国的产业链，占据了很大比例，我们最近参与的几个项目，正在研发OCS 2.0版本中的关键器件。这些创新技术服务全球市场需要在香港或境外设立身份，这也是香港的又一个机会。
当然，中美之间是双向流动的，硅谷历来是新商业模式的发源地。大模型之后需要落地和应用，我们知道大模型在企业应用方面表现很好，但这只是个开始，后面还有更多可能。这也是我们设立加速器的目标，把美国的一些好的创意吸引到香港，再扶持它们与大陆进行应用结合；大陆企业在产品化、效率、成本控制和推广方面非常出色，可以依托香港服务全球市场。我们一直保持这个策略，认为香港有其独到之处，所以，这几年我们团队在这里投入了大量精力，非常高兴大家能参与我们的生态和项目。
香港大学副校长汪揚教授：
Regulating The Empty Room，What Hong Kong Can Learn from the U.S. Digital Asset Shift？
首先，祝贺CDDJAP加速营第二期启动！美国的现实情况是，无论《CLARITY法案》能否通过，数字资产市场都在快速发展。美国证券交易委员会（SEC）与美国商品期货交易委员会（CFTC）并未等待完备成文法律出台，而是通过解读公告与无行动豁免机制推进监管工作。各大传统金融巨头着手搭建实际基础设施，如美国存管信托和结算公司（DTCC）开展为期三年的代币化试点，有50余家机构组成工作组参与；纽约证券交易所（NYSE）通过专业转让代理机构发行原生链上股票。美国采取“实践先行式监管”模式，在受监督的豁免机制下让基础设施走向成熟，之后再将规则写入法律。由此得到的启示是，华尔街正在搭建服务机构资本的底层通道，而香港还停留在研讨规划方案的阶段。
当前，全球资产代币化市场已经形成“白名单市场Vs蓝名单市场”的鲜明格局，其中，白名单市场主要针对在岸市场及机构客户，且以注册型证券代币（RST）实现链上所有权为主要形式，市场服务需由法定权属以及结算终局性的受监管资本提供，如贝莱德BUIDL、富兰克林邓普顿BENJI即为典型案例，二者管理资产规模均超过25亿美元，该市场的竞争壁垒主要在于转让代理与结算基础设施的控制权；而蓝名单市场主要针对离岸市场以及零售客户，且以封装证券代币（WST）为基础，提供全天候合成资产敞口，该类市场无需取得美国券商或交易商牌照就可满足全球散户的投资需求，其优势在于广泛的分销渠道与快速上币能力，如币安通过获得阿布扎比全球市场（ADGM）牌照的股票产品在30日内交易规模突破30亿美元。
而香港正处在上述两大市场的夹缝之中。它缺少原生的直接注册底层体系，无法主导白名单市场；同时虚拟资产交易平台相关规则限制过多，难以承接蓝名单市场的散户流量。香港似乎已经陷入一个过度合规的困境，暨对一个基本尚未成型的市场实施监管。虚拟资产交易平台需要达到银行级合规标准，需要支付巨大的运营成本，却未能实现足够多资产挂牌交易以带动交易量。2026年出台的部分监管举措，例如对虚拟资产基金敞口设置严格的净资产门槛，优先目标是风险管控，而非培育市场。香港发行合规的现实世界代币资产、获取稳定币牌照仅仅是第一步；倘若缺少二级市场流动性、做市商参与以及协议互操作性，这些资产只会闲置在区块链账本之上。这便形成监管悖论，监管约束越严苛，市场参与主体就越少，监管机构可用于优化后续规则的真实市场数据也随之变少。即便稳定币本身合规，如果没有繁荣的配套生态，其价值也微乎其微。
但香港市场也同时存在着较大的机会，主要就是机构层面的机遇。目前政策过度聚焦散户交易平台，却忽视代币化给机构业务带来的颠覆性影响，传统主经纪商整合托管、清算、保证金融资以及证券借贷业务，代币化会把上述业务收益转移至掌控转让代理关键节点与链上结算通道的参与方。这就使得，作为香港银行和券商高利润业务的清算与融资业务，恰恰可能会最先向链上迁移。这一被忽视的基于主经纪商运行逻辑的创新机遇使得数字资产不只是“一类可供挂牌的全新资产类别”，而更是“一套需要争夺掌控权的全新底层基础设施”。
综上，香港拥有深厚的金融底蕴，但具备前瞻性的监管需要魄力。创新诞生于基础设施之中，而非法条文本。监管要服务真实存在的市场，而不是制定规则把市场参与者赶走。香港数字资产发展可重点关注以下三项原则：
一是流动性优先原则，暨香港监管可将衡量政策成效的标准设定为资产流转活跃度，而非牌照发放数量，可跳出单纯搭建合规牢笼的思路，重点放在发展链上质押资产管理、再质押以及跨境结算网络。
二是监管灵活性原则，暨借鉴美国模式，灵活运用沙盒豁免与无行动豁免机制，允许企业测试真实流动性业务模型，而不必等待完整立法周期落地。
三是面向终局原则，暨面向未来金融形态，监管体系必须考虑适配可编程、由程序代理运行的证券，以及智能合约驱动的全天候资本流动。
香港交易所前行政总裁、滴灌通创始人兼主席李小加：
Crypto世界的第一性原理已经改变，但可用Crypto的哲学实现投资底层资产的极大扩展
首先，祝贺CDDJAP加速营第二期启动！今天在座的大多数朋友来自Crypto领域，或者正积极投身于这个行业，所以，我想先谈一个关于Crypto的大的历史趋势。
Crypto的初衷是构建一个更加平权的社会，其潜在的变革对象正是包括中美两国在内的法币体系；然而，当地缘政治冲突加剧，而美国改变策略选择将Crypto作为战略武器的情况下，Crypto的产业逻辑将发生根本性的转变。
我们知道，Crypto世界所有产品的共同利益基础是法币世界资金的持续流入； 这种流入构成了Crypto诞生以来价格增长的主要支撑。但在美国选择Crypto作为一种战略武器的前提下，Crypto世界的这种利益基础就会发生本质性的变化，比如，西方机构，如BlackRock、JP Morgan等机构的资金进入Crypto领域，本质上是用传统世界的方法论在新世界里寻找高利润空间。这就意味着，Crypto世界的游戏规则将发生实质性变化，而且这些机构一旦大规模进入，现有的Crypto大户未必能与之抗衡。
与此同时，我们也知道，过去十几年，Crypto世界的增长很大程度上依赖中国资本的非监管流入。在国有银行体系和国家信用保护下，中国老百姓的风险意识相对薄弱，这为Crypto世界提供了持续的资本来源。但今天，这个时代同样也已经结束了。中国当前的经济基础是资本项下的管制强化和存量再分配，中国资金向境外或Crypto世界流动的大潮正在退去。因此，RWA、稳定币等一切可能被视作资本外逃渠道的工具，其原有的发展逻辑都在终结。如果这个趋势是退潮而非涨潮，那么Crypto世界的第一性原理已经改变。
虽然Crypto的时长逻辑在变，但我们对Crypto世界的运营哲学，比如去中心化、极细颗粒度的信息披露、记录不可篡改和不可逆转、实体经济与金融有效连接高度认可。我们创立的NUMA 牛码新市（Micro Connect New Markets）项目，正是将Crypto世界的核心方法论下沉到传统金融的毛细血管中。
我们知道，传统金融的底层资产其实非常有限，名义上，全世界只有约2万家上市公司，真正有交易量的其实更少，投资者实际上是在一个极小的池子里打转。我们的方案是，不以公司为证券化的唯一标的，而以商业合同作为资产证券化标的；任何一个合同，只要已有第一投资人（房东、加盟商、供应链等），只要可以产生现金流，就可以成为我们证券化的基础标的。我们的具体做法是将合同证券化为“PCC 千元牛码证”（例如10万元投资对应100张千元证），实现合同层面的Tokenization。
与此同时，我们完全在现有监管体系和持牌机构框架内运作，不撼动传统金融的根基和秩序，但在最底层进行改造。传统投资的“圣经”是夏普比率，暨投资者承担1单位风险，必须要求1单位以上的收益回报，比率超过1才被视为好投资。我们延续这一逻辑，我们为每一个合同生成一个多维度的夏普比率，并每日更新，投资者可以通过设定投资总额、投资分散度（如100万分散到1000个合同）和最低夏普比率为自己设定筛选投资组合的标准；而我们的系统则通过扫描所有合同为每一个投资者匹配符合其投资条件的组合。如果条件过严导致无匹配结果，投资者可调整参数或等待。
显而易见，这套模式需要处理海量、高频、极度分散的计算，且每天都要计算到最底层。没有AI技术，这需要上万人才能完成，但实际上依靠人力执行并不可行。正因为如此，去年我们几乎处于停滞状态。直到今年Agentic AI出现，才让这一构想真正落地。我们感恩身处AI时代——30年前赶上改革开放的红利，如今AI让我们再次出发。
当Crypto世界依赖资本流入增长的时代终结，我们需要重新思考其第一性原理。New Market的方法是，用Crypto的哲学改造传统金融的底层，以合同为标的、以夏普比率为准绳、以AI为引擎，实现投资底层资产的极大扩展。
隆领投资创始人、美图公司联合创始人蔡文胜：
Web3行业处于低谷，香港依然是创业的理想之地
首先，祝贺CDDJAP加速营第二期启动！当下Web3行业处于低谷，借加速营启动的契机，我想和大家分享，为什么香港依然是创业的理想之地，我们该如何在这里把握Web3与AI的时代机遇。
一、Web3当下遇冷的核心原因
现在Web3行情相对低潮，究其原因，AI带来的是生产力变革，因此受到全球广泛欢迎；而Web3天生具备革新属性，旨在重构现有组织架构、金融架构乃至社会治理模式，必然会面临重重阻力。
此外，前两年行业行情和特朗普密切相关。上一任期特朗普原本并不支持Web3发展，正如小加总所说，美国大量印钞，一旦加密货币广泛普及，必将冲击现有货币体系。上一轮竞选失利后，特朗普家族银行账户遭到冻结，才开始支持加密货币，他起诉摩根大通的案件涉及数十亿美金也尚未有结果。虽然特朗普全面拥抱Web3，但他需要处理俄乌冲突、中东局势等诸多事务，竞选承诺迟迟未能落地，动用国家储备买入比特币的计划没有推进，《天才法案》原定去年四季度通过，如今8月依旧悬而未决，6-9月期间法案通过概率仅约15%，后续仍存在较大不确定性。
另一方面，市场原本期待内地借助香港开放Web3相关赛道。去年4、5月，国泰君安宣布布局RWA，股价短期大幅上涨，但随后监管政策收紧，相关计划全部搁置。原本京东、阿里有望拿下稳定币相关资质，但只要是涉及内地业务的主体，基本受到限制。美图是首家买入比特币的港股上市公司，但在两年前选择卖出，主要原因就是受制于合规要求。香港稳定币牌照发给渣打、汇丰，这样的格局很难激活市场，两家机构属于传统金融既得利益者，很难主动颠覆自身业务。汪扬教授说得十分准确，在严苛监管之下，本土市场需求难以释放，普通用户很难参与。不过香港拥有自由表达的宽松环境，这是香港的独特价值。
二、香港迎来科创创业新机遇
即便如此，香港依旧蕴藏极佳的创业机会。有人会提出疑问，互联网、移动互联网时代，香港为什么没能诞生顶尖科技企业？过去难以诞生巨头，主要受限于三大因素。
第一，香港办公成本居高不下。过去金融、地产行业占据主导，写字楼租金高昂。早期互联网、移动互联网属于劳动密集型产业，美图这类面向普通用户的软件，员工规模达到1800人；网易游戏员工约3.5万人，腾讯12万人，阿里23万人，京东、美团规模更大，香港很难承载数千人规模的团队。但AI时代彻底改变这一局面，创业所需人力大幅缩减。
第二，早期香港创业者以本地人为主，市场局限于700多万本地人口。并非香港创业者能力不足，台湾同样难以诞生头部互联网企业，核心瓶颈就是本土市场规模太小，互联网商业模式需要前期投入抢占市场、形成规模效应，狭小的本地市场很难支撑企业成长。
第三，过去港府对科创更多是口号式支持。2000年提出建设数码港，扶持政策难以落地。如今，这三大制约条件都发生了根本性转变。
首先，AI大幅降低人力需求。过去估值10亿美金的独角兽企业，员工规模普遍需要500人，如今十几人团队就有机会打造独角兽。10人团队办公，即便香港租金高于内地，成本差距也可以忽略。百亿美金级别的企业，员工通常不超过100人；Deepseek估值数百亿美金，起步阶段核心团队仅38人，目前也只有百人左右。AI时代，团队规模不再是创业门槛。
其次，香港人才结构迎来重大变化。高才通计划获批10万份，叠加优才、专才政策，近几年香港引进50万内地人才，在校内地大学生数量已达18万人，夯实了创业人才基础。大疆创始人汪滔毕业于港科大，当年香港缺乏科创氛围，只能前往深圳创业。如今大量内地人才汇聚，将构筑香港独特的人才优势。
最后，港股市场意识到单一依赖金融、地产存在巨大风险。金融行业虽然具备一定竞争力，但港交所每日交易量不足美股二十分之一，地产行业增长乏力，香港开始全力扶持科创产业。三大条件同步改善，我认为香港将迎来重大发展机遇。
三、香港创业的核心优势
当然，很多人会问，为什么目前还没有看到标杆企业诞生？优质企业不可能一蹴而就，我们进一步梳理香港的核心优势。
第一，税务优势突出。香港企业利得税超额利润部分税率为 16.5%，薪俸税最高标准税率 15‑16%；内地一般企业所得税基准税率 25%，高新技术企业可享受 15% 优惠税率。以税前年薪 100 万元为例，内地高收入区间个税边际税率最高可达 45%，叠加五险一金后实际到手约七成；而香港百万年薪人员薪俸税税负较低，仅需缴纳法定强积金，税后可支配收入更高，员工到手收入优势明显，这也是不少互联网大厂将核心人才派驻香港的考量因素之一。
第二，开放包容的监管思路是其不可替代的优势。在一些地区，注册域名个人需要备案，网站需要备案，AI领域同样存在类似约束，而在香港，不存在这类强制监管要求。拥有这样宽松的创业环境，如果企业依旧做不起来，那就是自身能力问题。当然，内地充分竞争的市场环境能够锻炼团队，经历过内卷打磨，创业者来到香港放眼全球市场，很容易形成降维打击。
香港还有一大优势，创业不一定要申领牌照。香港目前发放13家数字货币交易牌照，包括HashKey、OSL，但至今没有一家实现盈利，核心原因就是合规成本过高。在香港创业做数字货币交易所，不必执着申请牌照。币安、OKX在香港不开展本地业务、不申领牌照，依然能够服务全球用户。泰达2011年落户香港，最早探索锚定货币模式，2013年推出全球首个稳定币USDT，同样没有申请本地牌照；Bitfinex在美国遭到监管制裁，落地香港后不持牌，依旧可以开展全球业务。拿牌照有合规经营的优势，但倘若目标是全球市场，完全可以不申请本地牌照。类比证券业务，美国资本利得税高达30%，香港没有相关税收，何必耗费成本申请1号、9号牌照？香港累计发放数百张1、9号牌照，99%的机构持续亏损，每年合规成本高达五六百万。游戏行业也是同理，企业选择落地香港，无需版号限制，面向全球发行游戏，只要产品具备竞争力，单款产品就能稳定创造收益。
四、给创业者的两点建议
总结来说，第一，创业不必执着申请牌照；第二，不一定需要融资。
在我看来，借助AI和Web3，只要产品足够优质，完全不需要外部资金。Web3行业尤为明显，大量拿到融资的项目最终走向跑路，反而是不依赖融资的团队能够长久发展。OKX 2013年创立，仅获数百万投资，最终成长为全球最大交易所之一，去年一轮融资估值250亿美金，并获纽交所投资推进美股上市。赵长鹏当初卖掉房产买入比特币开启创业，并没有获得太多外部资金。FTX创始人SBF，2017年来到香港，初期睡在朋友家客厅，没有任何启动资金。他通过比特币搬砖套利，赚取数亿美金，2021年巅峰时期，一年盈利数十亿美金，但FTX做大之后开始大规模融资，引入淡马锡等机构，最终出现重大经营失误，创始人锒铛入狱。SBF曾经向Anthropic投资5亿美金，持股13.8%，对应估值超千亿美金，原本有望跻身全球富豪行列，盲目融资反而成为败笔。
Web3赛道，只要项目本身扎实，并不需要依赖融资，AI领域同理。当然，企业想要持续扩张，融资可以作为可选路径。拿牌照、融资本身没有对错，但多数优质项目，依靠自身现金流就能稳步发展。OpenClaw创始人最初只是独自运营平台，并没有投入大量营销费用，短时间内火遍全球。当然，我并不是完全否定融资，部分项目确实存在资金需求。如果初创者连几万元启动资金都难以筹措，可以寻求加速器扶持，小额创业资金更容易对接，不必执着大额融资。加速器能够为早期创业者提供有效助力。
最后，回归香港本身。香港是绝佳的创业落脚点，背靠内地，能够吸纳庞大的内地人才资源；内地激烈的市场竞争，可以锤炼创业者能力。立足香港，面向全球市场开拓业务，形成降维打击，就是最优的发展路径。
HashGlobal创始人沈康（James Shen，KK）：
香港IFC2.0：依托RWA打通亚洲资产与全球链上流动性
首先，祝贺CDDJAP加速营第二期启动！今天和大家探讨香港国际金融中心下一阶段的发展方向，也就是香港IFC2.0的构想。我们正处在互联网迭代变革的时代，互联网已经走过信息连接、商业连接阶段，迈入第三代互联网——资产互联的时代。从2025年开始，资产上链、权益流转、链上结算成为新的发展主线，万物上链将会是未来十年资本市场最重要的主题。
区块链与Web3为资本市场搭建起一套全球统一的记账体系，链上资产具备可编程、可拆分、可组合、7×24小时全球流转的特性，让现实世界资产拥有了链上第二生命周期。与此同时，人工智能也深度赋能RWA全流程，在资产筛选、风控审核、数据分析、自动化执行等环节，持续提升资产落地效率。对比传统金融，RWA模式也带来运行逻辑的变化，传统金融依靠标准化产品、券商银行渠道、财经媒体营销，区分机构与零售客群；而RWA需要定制化代币化方案，依托钱包、交易所做分销，借助社群与KOL开展运营，围绕链上权益搭建用户生态。
RWA的范畴并不局限于国债、基金、固收、房地产这类金融资产，文娱IP、会员权益、收藏品等非金融资产同样属于RWA。金融类RWA是打开机构市场的起点，而非金融类RWA，能够挖掘增量商业场景，拓展Web3的发展边界。稳定币成为全新的支付结算基础设施，DeFi构建起链上应用底层，海外市场也已经看到趋势，美国SEC推出Project Crypto计划，正式拥抱万物上链的行业浪潮。
回望过去，香港已经完成了IFC1.0的实践。过去二十余年，香港扮演着“连接中国资产与全球传统资本”的枢纽角色。香港把内地与亚洲的股权、债权、实体资产进行产品化改造，依托成熟的上市、融资、交易以及专业服务体系，打造出全球机构看得懂、买得到、持有的金融产品，成为中国资产走向全球市场的关键门户。
时至今日，香港已经为发展Web3金融与RWA夯实了基础，香港已经拥有持续迭代的数字资产可信监管与持牌体系，开展代币化政府债券等代币化市场实践，建立稳定币发行人监管的链上资金框架，同时汇聚银行、券商、法律、会计、跨境资本等大批顶尖金融专业人才。站在这个基础之上，香港有望通过建设香港IFC2.0—用RWA连接亚洲资产与全球链上资本，迈向新的阶段。
IFC1.0对接的是全球传统机构资本，而IFC2.0面向的是全球链上资本与链上用户。它的运行逻辑十分清晰：挖掘亚洲地区大量优质、可产品化的底层资产，在香港的监管框架之下完成合规架构设计与代币化发行，再接入全球稳定币资金与链上生态，实现资产全天候不间断的流通与运营。
这里我想强调一个关键认知：RWA的价值，并不是完成代币发行的那一刻就结束，而是从发行完成之后才真正开启。发行环节考验传统金融能力，解决资产组织、合规确权；但真正释放价值，离不开发行后的链上运营，实现资产持续交易、抵押融资与流动性供给。
香港的优势，是实现资产可信上链，解决资产合规、确权、机构认可的问题。但资产想要真正活起来，还需要全球链上生态提供资金、用户、交易、借贷场景。所以香港和链上生态不是竞争关系，而是合作互补的关系，希望香港能承担全球链上金融落地亚洲资产中心的作用。
在这套合作体系中，BNB生态是不可或缺的全球链上流动性底层。它坐拥海量全球用户地址与活跃用户群体，具备规模可观的稳定币资金池，配套公链、钱包、去中心化交易、借贷协议等完整基础设施，也已经和贝莱德、Circle等众多传统金融、Web3头部机构开展合作，能够为代币化后的亚洲资产提供全球触达、7×24小时交易、抵押借贷等全套链上能力。
Hash Global也深度参与到这一进程当中，在RWA、公链、DeFi、密码安全、Web3应用等全赛道完成投资布局，同时作为BNB Chain早期节点，和BNB生态深度协同。Hash Global发起设立获得YZi Labs战略支持的合规BNB收益基金，搭建起传统机构通往Web3生态的桥梁；持续举办各类闭门论坛交流，对接亚洲机构与链上资源。Hash Global一方面投资RWA相关基础设施项目，另一方面为亚洲金融机构提供RWA战略咨询，推动项目落地，承担生态共建者的角色。例如，Hash Global已经有若干示范项目正在推进落地，包含日本房地产信托份额的RWA项目，稳定币链上流动性通路，亚洲头部金控传统金融产品的链上分发，还有IP卡牌这类非金融资产，探索链上用户运营新模式。
总而言之，IFC2.0想要形成完整闭环，离不开四方协同，香港输出可信制度与金融专业能力，亚洲供给丰富优质的底层资产，BNB生态提供全球用户、稳定币资金和链上流动性，Hash Global作为纽带，推动各方业务落地。
IFC1.0已经证明，香港可以成功把中国资产对接全球传统资本；而IFC2.0的使命，就是证明香港同样能够将亚洲资产，连通广阔的全球链上资本世界。香港输出制度与金融优势，链上生态输出网络与流动性，多方携手，共同把握RWA时代带来的全新历史机遇。
香港数码资产学会（HKDAS）执行委员会成员Marco Lim；
香港建设“国际算力枢纽”应打出“人才教育、Web3算力孵化、资本反转”三张王牌
首先，祝贺CDDJAP加速营第二期启动！香港数码资产学会HKDAS是2020年在香港注册成立的非牟利机构，专注Web3、AI、金融科技以及数字资产的科普推广、人才培养、创业孵化和产业融合。站在当下，我们观察到一个非常值得思考的行业现实：如今资本遇到了两样用钱也买不到的东西，一个是顶尖AI芯片，另一个就是顶尖人才。像英伟达H100、B200这类高端芯片受到出口管制，资本很难随意获取；而像DeepSeek、大疆、宇树科技这类拥有原创技术突破的领军人才，同样不是单纯依靠资金就可以直接买到。AI芯片是生产力的硬件载体，人才是生产力的软件载体，缺少这两者，资本本身只是一堆数字，很难转化为真正的生产力。
再把目光放回香港算力的现状。目前香港整体总算力达到5000PFLOPS，其中数码港AI超算中心AISC贡献3000PFLOPS，截至2025年底算力使用率已经达到80%。现在全球算力的定价权掌握在美国手中，但我认为，香港完全有机会去争夺算力定价权。未来随着沙岭数据园区的扩容建设，香港有条件朝着“国际算力枢纽”的目标迈进。
当然，我们不需要完全复刻美国的发展路径。香港应当打出属于自己的三张王牌：人才教育、Web3算力孵化、资本反转。
第一张牌，人才教育：我们要从单纯培养理论家，转向锻造复合型的资源架构师。
过去十年，香港的AI人才数量增长超过280%，总规模大约23600人，接近一半人才接受过香港本地教育。但行业评判人才的标准已经发生改变。在算力资源稀缺的时代，谁可以用更少的算力训练出效果更强的模型，谁就掌握新的定价权。这不是单一的算法问题，而是算法、金融、工程、监管合规结合的综合能力。
当前市场非常紧缺五类人才：芯片设计工程师、工艺制程工程师、基础研究人才、AI应用开发工程师，还有一类是香港尤其需要重视的——既懂AI技术，又熟悉金融、医疗、法律等垂直行业的跨领域融合人才。
想要培育这类人才，我们要对现有教育体系做“基因改造”，主要有三条路径。
第一是推进跨学科融合，搭建“AI+金融+Web3”交叉课程，让学生在校期间就直面真实的算力约束与合规难题；
第二是坚持应用导向孵化，让在校人才走进家族办公室、医疗、物流等真实产业场景，学会在有限算力条件下创造商业价值；
第三是打造全球人才磁极，不只是出台政策吸引人才来港，更要把香港真实的产业难题，变成全球顶尖人才愿意前来求解的课题。
第二张牌，算力Web3孵化：把算力从一项成本，转变为可以交易的资产。
算力是稀缺资源，稀缺资源就理应被定价、被交易、被对冲。香港有一个全球难得的机会，就是依托Web3技术推动算力证券化。香港的定位，并不是自己去大规模制造芯片，而是打造算力资产的定价平台。谁掌握这个定价平台，谁就拿到算力时代的铸币权。
我们有一个目标，争取在2030年前建成4万P规模的国产智算中心，国产算力的成本预计比英伟达算力低60%。未来可以形成这样的分工：大湾区负责算力的生产供给，香港承担算力证券化与资产定价的角色。
客观来看，香港已经具备不错的Web3基础：现有13家持牌虚拟资产交易平台，还有2张稳定币发行人牌照，数码港Web3基地集聚310多家相关企业，代币化产品的管理资产规模一年增长7倍，达到107亿港元。
未来孵化器的使命，不再仅仅是孵化普通DApp应用，我们希望能够孵化出全球第一个算力资产交易所。未来内地AI、硬科技明星企业来到香港，除了发行股票，还可以发行算力通证，让全球资本可以直接参与中国AI算力的价值发现。让算力像黄金、石油大宗商品一样，可以代币化、期货化、指数化。
第三张牌，资本反转：从南向资金的目的地，升级为中国AI硬科技资产的全球定价中枢。
过去香港资本市场的主流叙事，是内地资金南下投资港股。但现在格局正在发生变化，全球资本正在重新评估、定价中国的AI和硬科技资产，覆盖AI芯片、存储、算力、光通信、半导体设备、储能、人形机器人等诸多赛道。
我们能够看到明确的数据信号：2026年上半年港股IPO集资大幅增长，大量A股科技企业赴港募资；北向资金持续流入，境外投资者持有A股流通市值已经达到很高规模。当下海外资本大多通过A股间接参与中国科技企业，香港要抓住机遇，把间接参与变成直接定价。
简单来说，内地负责生产AI，产出芯片、大模型、机器人与实体制造；香港负责完成定价，依托港交所、A+H上市机制，联动美元、人民币国际资本完成价值定价。纽约距离硅谷四千公里，而香港距离大湾区仅仅三十公里，纽约可以做到的事，香港不仅可以做到，还可以做得更快、更懂本土产业。
除了这三张王牌，香港还有一张独一无二的底牌，就是“一国两制”的制度优势。香港既是全球最大离岸人民币中心，执行联系汇率制度；同时又是普通法司法管辖区，作为中国的特别行政区。全球范围内，没有第二个城市拥有这样的双重制度身份。当全球资本寻找中国AI资产的定价锚，香港就是独一无二的选择。
总结来讲，香港不一定需要自主生产最顶尖的芯片，也不一定去训练全球最大的大模型。但香港，是少数能够同时听懂内地产业逻辑和国际资本语言的城市。我们要推动三件反转：
第一，反转人才逻辑，培养适配算力稀缺时代、能创造实际价值的复合型人才；
第二，反转资产定义，推动算力上链落地，打造全球算力资产交易平台；
第三，反转资本流向，从过去南向资金的目的地，升级为中国AI资产的全球定价中枢。
当然也要客观看到现实，把算力变成可交易资产，愿景很美好，但落地过程中，监管框架、定价模型、市场流动性，每一关都充满挑战，不可能一步到位。撰文：Techub News 整理 导语 在最新一期的 Latent Space 播客中，主持人 Alessio 和 Swix 来到了 Chai Research 的办公室，与公司创始人 William Beauchamp（威廉·博尚）进行了一场深度对话。Chai 是一款拥有超过 140 万日活跃用户（DAU）的社交 AI 聊天应用，在竞争激烈的消费级 AI 领域独树一帜。William Beauchamp（威廉·博尚）的背景颇为独特：他毕业于剑桥大学经济学专业，曾是一名职业扑克玩家，随后创立并运营了一家成功的量化交易公司。在 30 岁生日时，他决定将才华转向更具影响力的领域，从而创立了 Chai。本次对话不仅回顾了 Chai 从零到一的创业故事，更深入探讨了其与 Character.AI 等资金雄厚的对手的竞争策略、内部 AI 模型迭代的「数据飞轮」、以及对 AI 技术未来发展的根本性思考。 摘要 从量化交易到 AI 社交平台：William Beauchamp（威廉·博尚）基于对机器学习生态的观察，认为 AI 的未来不是由少数巨头垄断的「单一智能」，而是由无数小团队在分布式平台上构建的多样化智能。 产品市场契合（PMF）的发现：早期尝试新闻、食谱等实用型聊天机器人均告失败，直到一款「治疗师」机器人意外获得用户长时间互动，才揭示了用户对「无评判、有趣、陪伴式」对话的真实需求。 增长引擎与竞争：Chai 的增长经历了后端架构瓶颈、竞争对手策略变化、内部 AI 模型迭代飞轮成熟以及引入专业增长负责人等多个关键拐点，最终在 2023 年底实现用户体验反超 Character.AI。 反主流的 AI 发展观：Beauchamp 不认同简单的「规模定律」和 AGI 即将到来的叙事。他认为当前大语言模型（LLM）本质上是「模拟器」和「超级知识」系统，擅长存储和检索信息，但在「推理」能力上存在根本局限，AI 的未来在于构建更丰富、更易用的用户生成内容（UGC）平台。 务实的技术路线：Chai 极度重视推理成本优化，与 DeepSeek 等团队合作，并大量使用「拒绝采样」和奖励模型来提升回复质量，而非盲目追求模型参数量或添加多媒体功能。 从扑克牌桌到 AI 社交：一位量化交易者的转型 William Beauchamp（威廉·博尚）的职业生涯始于对概率和风险的精算。从剑桥大学经济学毕业后，他没有像许多同学一样加入大型对冲基金，而是用玩扑克积累的 10 万美元作为启动资金，开始了自营量化交易。他自学 Python 和机器学习，在早期神经网络和随机森林兴起的年代，试图预测资产价格。这段经历让他深刻理解了机器学习在实战中的应用与局限，也让他看到了一个成熟的机器学习生态应有的样子：不是一个庞然大物垄断所有数据、算力和人才，而是众多专业化的小团队在一个中心化市场（交易所）上竞争。 当他的交易公司年利润达到约 500 万美元，团队全是牛津、剑桥背景的数学物理精英时， Beauchamp 在 30 岁生日之际进行了反思。他意识到，尽管财务成功，但这份事业对世界的「影响力」有限。他考虑过加密货币，但认为其核心用例更偏向「赌博」和「规避监管」，而非创造长期价值。与此同时，他注意到了语言模型的潜力。尽管当时 OpenAI 的 GPT-3 尚未发布，但已有研究（如谷歌的 BERT）让他预感到，能够与人自然对话的计算机将成为下一个重大趋势。 与当时 Sam Altman（萨姆·奥尔特曼）等人宣扬的「AI 是单一智能体，依赖更多数据、算力和研究员」的主流观点不同，Beauchamp 基于其机器学习经验持相反看法。他认为，任何机器学习任务的性能都遵循 S 型曲线，最终会在人类水平附近趋于平缓（如自动驾驶、图像识别）。因此，AI 的未来不应是「大英百科全书」式的集中化产物，而应是「维基百科」式的分布式平台。他设想构建一个平台，让任何小团队都能为其特定目的创建、迭代和部署最好的 AI。这便是 Chai 最初愿景的由来。 寻找 PMF：从「治疗师」机器人到 UGC 平台 Chai 最初的产品形态是一个 API 平台，开发者可以提交 Python 脚本（即早期的「智能体」），实现文本输入和输出。Beauchamp 自己尝试创建了新闻机器人、食谱机器人等各种应用，但均无人问津。转折点发生在他让妹妹学习 Python 并创建了一个「治疗师」机器人之后。第二天，数据显示有 20 个活跃用户平均使用了 20 分钟——全部是在和这个治疗师机器人聊天。 这一发现揭示了用户的核心需求：他们想要的不是信息检索工具，而是无评判、即时响应、可以随心所欲倾诉的「陪伴」。与被动消费的 TikTok 或 Instagram 不同，与 AI 互动让用户感觉自己在「参与」和「贡献」，从而避免了使用后的空虚感。Beauchamp 开始将 Chai 对标为「社交 AI 的 Instagram」，一个让人们创造和分享 AI 体验的平台。 然而，另一个难题出现了：专业的开发者和工程师对构建聊天机器人毫无兴趣。Beauchamp 意识到，真正的创造者应该是消费者自己。于是，Chai 进行了一个在当时并不明显的创新：向用户开放创作工具。用户可以为机器人选择名称、头像，并编写提示词（prompt）来塑造其性格。这一举措释放了巨大的创造力，用户创造了 Beauchamp 从未想过的角色类型，比如「校园恶霸」或各种浪漫原型，满足了更广泛人群的细分需求。Chai 从此真正成为一个用户生成内容（UGC）驱动的社交 AI 平台。 与巨头共舞：Chai 的增长拐点与竞争策略 Chai 的发展并非一帆风顺的直线增长。Beauchamp 在播客中剖析了增长曲线上的几个关键拐点，这些拐点也是与 Character.AI 等资金雄厚对手竞争的真实写照。 拐点一：基础设施瓶颈。 Chai 早期完全建立在 Google Cloud Platform (GCP) 上，包括 Firebase。这套架构支撑了从 0 到 50 万 DAU 的快速增长，但在接近 50 万 DAU 时达到了极限。随后长达数月的迁移和架构重构期导致了服务不稳定，影响了新用户体验和 App Store 排名，增长一度停滞。渡过这个工程难关后，平台才具备了支撑当前 140 万 DAU 的弹性。 拐点二：竞争对手策略变化。 Beauchamp 坦言，Character.AI 的出现和崛起对 Chai 构成了巨大压力。Character.AI 的创始团队来自 Google，融资能力极强，能够负担比 Chai 当时昂贵得多的模型进行推理，导致用户直接抱怨「Chai 的 AI 更笨」。Beauchamp 将此视为「硅谷式超规模商业」的经典案例。他观察到，当 Character.AI 的创始团队可能因公司被收购或进入「维护模式」而减少用户获取（UA）支出时，市场为 Chai 等竞争对手留出了增长空间。 拐点三：数据飞轮的成熟。 这是 Chai 实现反超的核心。团队建立了一个高效的模型评估系统「Chivers」（类似于 LMSys 的竞技场）。任何开发者（或内部研究员）都可以提交模型，系统会将其部署并随机呈现给约 5000 名用户进行 A/B 测试（「哪个回复更好？」）。通过这种基于人类反馈的实时评估（ELO 评分），Chai 的 AI 团队将迭代周期从「每月几个模型」缩短到「每天评估 20-50 个模型」。这种快速反馈循环使得团队能在提示工程、DPO 微调、拒绝采样和奖励模型训练等方面快速迭代和优化。大约在 2023 年 10 月，用户社群的风向发生了明显转变，开始普遍认为 Chai 的体验超过了 Character.AI。 拐点四：专业增长负责人的加入。 一位前字节跳动（TikTok）增长负责人加入了 Chai。当他发现 Chai 在几乎零广告投入的情况下达到了百万 DAU 时非常兴奋。在他的指导下，Chai 开始了付费用户获取，将日广告支出从零逐步提升至数万美元（仍远低于竞争对手的规模），从而将年增长率从 2 倍助推至 3 倍。 Beauchamp 也分享了一些「失败」的尝试，例如他曾力推的「语音」功能。尽管团队投入巨大解决了延迟、成本和音质问题，并早于竞争对手推出，但 A/B 测试显示该功能对核心指标（留存、参与度、 monetization）几乎没有影响。只有约 15% 的用户偶尔使用。这让他更加坚信史蒂夫·乔布斯（Steve Jobs）的信条：必须从用户需求出发，而不是从酷炫的技术出发。目前用户的最大痛点并非多媒体，而是 AI 内容仍主要由「硅谷的中年男性」创造，UGC 的深度和工具丰富度还远远不够。 AI 的未来：超级知识、平台化与对「推理」的质疑 William Beauchamp（威廉·博尚）对当前 AI 领域的主流叙事提出了鲜明挑战。他不同意简单的「规模定律」和 AGI 即将到来的预测。他认为，将大语言模型称为「推理引擎」是一种误解。 「我更愿意把它们看作模拟器，就像物理模拟引擎。它们被训练来预测下一个最可能的词元（token），这并不是真正的推理，只是在做最可能的事情。」 他指出，当前 AI 真正擅长的是「知识」的存储和检索，其能力已超越任何个人类，这是一种「超级知识」。人们很容易将知识渊博与智能混为一谈。真正的「智能」或「推理」能力的提升，在他看来是有限的，并且需要像 AlphaGo 那样的树搜索等不同机制的结合。 因此，他认为 AI 的发展不是一个可以通过「集中化 crowdsourcing」解决的「智能」问题（如同维基百科 crowdsource 的是知识而非智力），而是一个需要「分布式平台」来激发多样性和创造力的生态问题。他批评 OpenAI 等大型实验室的做法类似于「大英百科全书」，雇佣标注员创建高质量但有限的数据集。而未来的方向应该是让更多人能够以分布式的方式贡献数据和塑造 AI。 在技术实践上，Chai 高度重视推理成本优化。Beauchamp 盛赞了 DeepSeek 在推理引擎上的工作，认为他们通过减小 KV 缓存等技术显著提升了「性能/美元」比。Chai 自身也与 MK1 等专注推理优化的团队合作。此外，Chai 大量使用「拒绝采样」技术：对于每个用户输入，模型会并行生成多个（例如 16 个）候选回复，然后通过一个内部训练的奖励模型（Reward Model）选出最优回复再返回给用户。这也解释了为何 Chai 不采用流式输出（streaming）—— 因为需要看到完整回复才能进行评选。这种方法让他们能够在给定的延迟预算内，使用规模更大或质量更好的模型。 文化、招聘与未来 Chai 团队目前只有约 15 人，Beauchamp 形容其文化是「高强度」和「硬核」的。他寻找的是有「特殊印记」的人才：不一定是名校背景，但必须有实际构建过东西、取得过突出成绩的经历（无论是通过交易、开源项目还是其他任何途径）。公司也通过「Chai Grants」项目向开源社区提供无附加条件的资助，以回馈社区并结识人才。 展望未来，Beauchamp 将 AI 的当前阶段比作互联网的 1998 年，还有很长的路要走。对于 Chai 而言，核心任务依然是加厚 UGC 层，提供更强大的工具，让用户能像 TikTok 用户轻松制作视频一样，轻松创造出丰富、个性化的 AI 角色和体验，最终构建一个内容创作者、消费者和推荐算法良性循环的强大生态。