数学 · 1527

Vitalik 发布“局部混合”密码学研究：探索下一代混淆技术，或成为新型密码学基础原语

比推消息， 以太坊联合创始人 Vitalik Buterin 发布最新文章《Obfuscation（第三部分）：Local Mixing》，深入介绍一种正在探索中的密码学混淆技术路线——“局部混合”（Local Mixing），并称其可能成为继椭圆曲线、RSA 和格密码之后的新型密码学基础工具。Vitalik 表示，当前主流混淆技术主要依赖复杂数学假设，但往往存在极高计算开销；而局部混合采用完全不同的思路，不依赖椭圆曲线、大整数分解或格密码，而是借鉴对称密码学和哈希函数设计经验，通过不断打乱、重构和隐藏电路结构，在保持功能不变的情况下消除信息泄露。局部混合技术主要包括可逆化（reversibility）、强化处理（hardening）、混合（mixing）、分割（splitting）、交叉移动（crossing walk）以及“组件化”（gadgetization）等步骤，通过向电路中加入随机结构、重新排列逻辑门以及非线性隐藏机制，使攻击者难以恢复原始计算逻辑。Vitalik 指出，该技术仍处于早期阶段，安全性尚未经过长期验证，并面临随机攻击、线性分析等挑战。不过，他认为局部混合代表了一条全新的密码学探索路径，其目标是构建更高效的不可区分混淆（iO）方案。如果局部混合技术取得突破，将可能带来新的抗量子公钥加密方案，并推动通用混淆技术发展。目前该领域仍需要多年密码分析和优化验证，但 AI 辅助研究可能显著加快这一成熟过程。Vitalik 称，混淆技术被视为密码学“最后前沿”，因为理论上其他密码学原语都可以基于混淆和单向函数构建，而局部混合不仅可能降低传统混淆方案的成本，也可能成为未来密码学基础设施的重要方向。

1天前

都在抢更早的数据，VC的alpha到底藏在哪里？

作者：insights4vc编译：深潮 TechFlow原标题：私募市场情报战升温：AI 时代，VC 的 alpha 从哪里来？深潮导读：风投回报极度集中，早期发现好公司几乎是基金生死线。这篇文章拆解了私募市场数据工具的最新演进，以及它们到底能不能带来超额收益。对正在用 AI 和研究工具找项目的投资人来说，这是一份清醒地图。风投一向是信息生意。优势往往在于时机：创始人先告诉前同事，而不是先更新资料；新公司开始招人，早于它出现在数据库里；投资人在融资公布前就开始关注某个团队。这种优势很重要，因为风投回报高度集中。2026 年牛津学术研究引用的数据显示，在一个长期 LP 数据集中，4.5% 的投资金额贡献了约 60% 的回报。[1] 因此错过少数几家卓越公司，就能影响整只基金。但早期发现它们只是问题的一部分。投资人还需要形成信念、拿到额度、获得有意义的持股，并在几年里保持正确。私募市场数据行业现在越来越靠近公司诞生的那一刻。PitchBook、Crunchbase、Dealroom、Tracxn 和 CB Insights 仍是交易、基金、估值和公司历史的核心记录系统。PitchBook 在 2026 年第二季度实现 1.747 亿美元收入，折合年化收入近 7 亿美元。[2] 新平台不是在取代这一层。它们是在用更快更新、行为数据和早于传统公司记录出现的信号来延伸这一层。三个变化最突出。第一，Harmonic、Specter 等公司在构建持续更新的公司和人物图谱，而不是主要依赖定期更新的资料。第二，专门产品在寻找更早的行为信号。Evertrace 追踪创始人形成的指标，包括公司注册、技术活动、研究和域名。Frontrun 监控选定风投在 X 上的关注图谱变化。第三，API 和模型上下文协议（MCP）正在把这些数据搬进基金自己的软件和 AI 工作流。Crustdata 代表这个市场的基础设施端，而 Affinity 补充来自邮件、日历和 CRM 活动的第一方关系数据。采用是可见的，但投资超额收益的证据并不明显。Harmonic 说数百个风投团队使用其平台，Specter 报告超过 300 家投资机构，Evertrace 超过 200 家基金，Affinity 超过 3300 家私募资本机构。上市公司 Tracxn 披露 2026 财年拥有 2289 个客户账户。[3][4][5][6] 这些数字大多来自公司自报。供应商很少披露其模型挖掘出的完整公司集合，因此精确率、召回率、误报率和单个线索的经济价值都很难评估。没有任何单一信号本身足够。员工离职可能很早但含糊。公司注册客观但常见。GitHub 活动在开发者主导的市场有价值，但在其他领域相关性有限。招聘速度和员工迁移提供更广泛的信号，而收入、客户和使用数据往往更有决策价值，但来得更晚。当几位可信的行业专家同时关注同一家公司时，投资人注意力可以提供早期迹象，尽管这个信号依赖平台，且可能自我强化。最强的防御性来源很可能藏在数据栈更深处：事后无法重建的历史时间序列、跨人和公司的准确实体解析、有权限的第一方基金数据，以及通过 CRM 系统、API 和智能体的分发。公开数据未必是专有的。但五年正确打时间戳的变更历史可以成为专有资产。AI 更可能让这些基础设施更容易被查询，而不是消除对它们的需要。随着研究、分类和工作流成本下降，干净的数据、来源和机构背景变得更有价值。投资判断、额度和关系仍然不是简单的自动化层能解决的。可能的结果是，一个更广泛的私募市场情报市场会出现，而不是独立的寻找项目软件品类。成熟数据库会增加发现和...

1天前burnking

黑吃黑？虚假DeFi竟钓出朝鲜Lazarus真黑客

来源：安全公司 ANY.RUN 编译：Odaily星球日报 原标题：年度钓鱼大戏，虚假DeFi钓出朝鲜Lazarus真黑客皇马球迷，数学背景，只会用Ai写代码。核心观点：安全机构通过设立虚假的DeFi公司，成功渗透朝鲜Lazarus集团下属“Famous Chollima”黑客组织，揭示了其利用伪造身份、AI工具和远程协作渗透西方公司的完整流程，并暴露了其不断演变的工具集与基础设施。关键要素：研究人员伪装成招聘方，在数月内招募三名朝鲜特工，通过ANY.RUN沙箱环境实时记录其操作行为、工具使用及协作模式。特工使用伪造驾照、被盗社保号和骡子账户完成入职流程，其中部分证件经Google Gemini加工处理并带有SynthID水印，暴露了伪造痕迹。攻击者依赖ChatGPT、Google Gemini等AI工具进行编码、翻译和文件修改，并利用AstrillVPN、远程桌面软件和专用服务器隐蔽接入企业环境。三名特工在开发过程中表现出技能不足，频繁搜索基础问题，并在选择性网络中断和验证码诱导下暴露更多代理服务器及基础设施信息。调查发现，Famous Chollima旨在长期潜伏企业内部，合法获取代码、系统和知识产权访问权限，而不仅限于短期攻击，威胁持续性显著。经常被钓鱼的加密朋友，大概都听过朝鲜黑客组织的 Lazarus Group，其比较知名的“战役”包括但不限于：Bybit（15 亿美元）盗窃案、Ronin Network / Axie Infinity 桥攻击（6.2 亿美元）、DMM Bitcoin / Ginco 相关攻击（3.08 亿美元）、Harmony Horizon Bridge 攻击（1 亿美元）、Atomic Wallet 攻击（1 亿美元）等。而这些攻击成功的关键，离不开社会工程学——黑客通常会伪装成正常的应聘，经年累月的潜伏加密公司，静待时机。最近，安全机构 ANY.RUN 联合 BCA LTD（该公司致力于威胁情报和狩猎）以及 NorthScan（一项揭露朝鲜 IT 工作人员渗透的威胁情报计划），三方联手布局，有效打击了朝鲜黑客特工。研究人员创建了一个虚假的 DeFi 初创公司，并成功招募了朝鲜 Lazarus Group 旗下专攻人力渗透的“Famous Chollima”特工，从而获得了对朝鲜 IT 工人行动的内部视角。ANY.RUN 沙箱环境实时展现了特工的行为模式，暴露了他们不断演变的工具集、远程访问工作流程、AI 工具的使用情况及其支撑基础设施。本次调查超越了单纯的招聘环节，深入展示了这些特工入职后如何协作、如何获取并利用公司资源。研究结果表明，朝鲜 IT 工人计划不仅构成招聘风险；一旦特工潜入组织内部，他们就能合法地获取代码、系统、知识产权和关键业务流程的访问权限。以下是三方共同撰写的报告，由 Odaily星球日报 编译，—————————引言去年 12 月，我们首次完整记录了“Famous Chollima”的渗透周期。从招募同伙以帮助他们入职西方公司，到伪造证件、将笔记本电脑运至中间人住所，甚至在面试期间使用 AI 工具进行实时协助和翻译，全程尽在掌握。在那次调查中，我们伪装成愿意替他们参加面试并借出笔记本电脑的中间人，以此换取他们薪资的一定比例。关键在于，那些笔记本电脑实际上是 ANY.RUN 沙箱环境，记录了他们每一次点击和每一步操作。这为我们提供了海量指标、长达数小时的电脑操作录像和面对面接触的影像资料，成就了一项史无前例的调查，并登上了众多媒体的头条。（“Famous Chollima...

1天前Odaily星球日报#钱包安全 #黑客

美股价值投资正在走向另一个陷阱

来源：深潮 TechFlow原标题：（观点：美股的价值投资，不等于基本面投资）当"基本面已死"成为共识，盲目抱团巨头的投资者，终将遭遇惊人的资本毁灭。导读：当市场高喊「基本面已死」、资金疯狂抱团科技巨头时，作者用一个天文学发现拆穿了这一叙事背后的逻辑漏洞。本文从估值倍数的构成切入，提醒投资者区分企业的真实质量与市场愿意支付的溢价，对加密和科技领域的长期配置尤其有警示意义。我保证这次引言不会像上次关于天气的那篇那么长。但请给我 90 秒。一百多年前，一位名叫亨丽埃塔·勒维特的女性正在做着繁琐的工作：在照相底片（胶片出现之前的成像方式）上测量数千颗恒星的亮度。她注意到一类脉动恒星有一个特点：这些恒星脉动得越慢，它们本身就越亮。¹这在今天看来可能只是有点意思，就像「好吧，还挺酷的」。但在当时，天文学家分不清一颗离地球很近的暗星和一颗很远很亮的恒星。对他们来说，两者在照相底片上留下的污迹是一样的。视亮度是这两个变量的混乱混合：这东西本身有多亮，以及它离我们有多远。亨丽埃塔的工作把这两件事拆开了：如果你能观测到脉动速率，就能知道它的真实光度；如果你知道它的真实光度，就能根据它看起来有多暗反推出距离。天文学家称之为「标准烛光」。几年后，一个叫埃德温·哈勃的人发现了其中一颗脉动星，套用了勒维特的数学方法，发现他一直以为是我们银河系内一团气体云的东西，其实是一整个独立的星系，在一百万光年之外。所以简单来说，可观测宇宙变大了大约一万亿倍，只因为一个人弄清楚了如何把事物看起来的样子和它实际的样子区分开。这本身显然就很酷。但另一件有趣的事是，大约在同一时期，有另外两位天文学家各自独立地画了一张散点图，一个轴是真实光度，另一个轴是温度。他们发现恒星并不是随机分布在这个空间里的，而是聚集成不同的家族。这背后的含义是：视亮度完全相同的恒星，可能而且确实属于完全不同的家族，有着完全不同的过去，最重要的是，有着完全不同的未来……那么，星星里写着什么？过去几年，围绕市场、叙事、资本、公司建设和金融虚无主义的讨论很多。随着科技界和金融界开始面对一个与前几十年截然不同的未来，这种感觉似乎达到了某种狂热的高潮。尤其明显的是，把进步与资产价格分开这件事变得噪音更大，而且在很多方面更具反身性。但作为以买入（有望）跑赢的资产为生的投资者，一个简单的框架是：远期回报约等于基本面增长乘以估值倍数变化（再乘以你一路上收取的分红）。在这种情况下，估值倍数可以很干净地对应到照相底片上的污迹。它是一个可观测的数据点，却把市场无法直接看到的两件事纠缠在一起：这家企业实际有多好，以及它的未来现金流离现在有多远（或者说有多持久）。我认为，大部分可赚的钱来自那些最有能力比别人更早解开这两个变量的投资者（也就是「差异认知」），而我们将继续看到那些把污迹当成星星的投资者遭受惊人的资本毁灭。价值投资不等于基本面投资我认为有一种被误解的观点：基本面投资在历史上主导了超额收益的创造。这种传说大多来自格雷厄姆、巴菲特、老虎基金一脉，以及围绕这群人构建的大量叙事。人们相信，到了 2000 年代的某个时候，这种方法不再有效，任何这样投资的人都被动量、趋势以及「直接买科技巨头」碾压。结论曾经（现在仍然？）是「基本面已死」。²现代版的「基本面不重要」本身并不愚蠢。它植根于我们 Compound 团队许多人以前写过的很多想法。最大的公司获得最大的机械性买盘，软件行业存在赢家通吃的经济规律，AI 意味着巨头能比挑战者更快地把规模转化为护城河，而且还有市场微观结构的原因让动量更深入地嵌入我们的市场基础设施。这些都是真...

1天前深潮TechFlow#美股

AI 逼近超人级数学能力，全球顶尖数学家担忧人类研究价值被削弱

比推消息，近日约 40 名全球顶尖数学家在旧金山 OpenAI 办公室举行会议，讨论一个备受争议的问题：当人工智能在数学研究领域超越人类后，数学家未来还将扮演什么角色。多伦多大学教授 Daniel Litt 在会议上提出极端设想，未来可能出现高质量数学研究消失、人类数学专业能力逐渐丧失的情况。他表示，虽然这一结果并非最可能发生，但数学界必须尽快适应 AI 带来的变化。数学被认为是最早受到 AI 科研能力冲击的学科之一。近期，OpenAI 公布了 10 项由 AI 生成或辅助完成的数学与计算机科学成果，涉及多个通常需要多年训练才能掌握的研究领域。OpenAI 数学家、菲尔兹奖得主 Jacob Tsimerman 表示，AI 很快可能在数学研究领域达到稳定超越人类的水平。他近期宣布将加入 OpenAI，参与 AI 安全相关工作。近年来，AI 已开始产生部分具有突破性的数学成果。今年 5 月，OpenAI 一款尚未公开发布的模型提出了反驳单位距离猜想的例子，该成果被部分数学家认为达到了可发表水平。与此同时，Anthropic 旗下研究人员也利用 Claude 辅助完成高维数学问题研究。不过，数学界对于 AI 取代人类研究者仍存在分歧。部分专家认为，AI 能够生成证明，但未必真正理解数学概念。哈佛大学数学家 Melanie Matchett Wood 指出，目前顶级 AI 模型仍难以准确解释证明中的关键难点。西北大学数学教授 Bryna Kra 表示，数学不仅是得到答案，更重要的是理解结果。一个没有被理解的证明，不会真正成为数学文献的一部分。与此同时，也有研究者认为 AI 可能成为数学家的工具，而非替代者。OpenAI 研究科学家 Sébastien Bubeck 表示，未来数学可能类似软件工程，AI 帮助大量研究者协作解决复杂问题；也可能类似物理学，通过 AI 模型推动更大规模的科学探索。随着 AI 在科研领域持续突破，数学家正在面对一个新的时代命题：未来的数学研究，是人与 AI 共同创造，还是逐渐走向机器主导。

3天前

6年前，他为何敢投宇树？丨早期投资人独家揭秘

来源 | 铅笔道口述 | 宇树早期投资人 赵楠编辑 | 王方原标题：宇树早期投资人：6年前，我为什么敢投？丨独家今天（8月19日），宇树科技正式登陆科创板，成为A股“人形机器人第一股”。宇树发行价150.80元/股，首日开盘后涨幅达629.44%，截至此时市值达4449亿元。之前，铅笔道与它的早期投资人赵楠聊了聊，尝试还原：当宇树还很低调时，为什么敢出手？以下是赵楠口述。- 01 -遇见宇树，因为四足机器人我第一次见到宇树，是在2020年4月。那不是一次偶然的见面。2019年开始，我就在系统性地看机器人赛道，基本上把当时能看的方向都看了一遍：四足机器人、水下机器人、送餐机器人，甚至包括一些偏消费级的产品。那一轮看下来，我心里其实已经有一个比较清晰的判断：机器人这个行业，不是“会不会发生”的问题，而是“什么时候发生”。真正的问题是：哪些方向已经被验证，哪些只是想象。在我看来，四足机器人，是少数已经被验证过的方向。你看Boston Dynamics（波士顿动力），它已经把机器狗做出来，而且已经有客户在用。这件事说明一件非常关键的事情：机器人不是科幻，而是进入现实世界了。但与此同时，它也暴露了一个更本质的问题——成本问题：人太贵、研发太重、供应链不成熟。当时波士顿动力的问题很典型：团队是全球最顶尖的团队，人力成本极高；研发周期长，投入巨大；甚至早期产品还在用柴油而不是锂电；最后被谷歌转手卖给软银愿景基金。但这个事，并不是说四足机器人没有需求，而是成本撑不住。直到今天，四足机器人还是宇树的核心业务之一所以我当时的判断是：谁能把成本打下来，谁就有机会。显然，中国团队就有机会，因为我们有供应链优势。- 02 -为什么投资？也正是在这个判断之下，我在2020年4月第一次去杭州，见到了王兴兴（宇树创始人）。那次见面，其实很快就让我意识到，这不是一个“刚起步”的团队。当时是2020年，他们已经做了三年。王兴兴在上海大学读研究生的时候，就已经在带一个四足机器人实验室，那个时候就开始做XDog的算法。到我们见到他的时候，他对四足机器人每个细节的功能、程序理解得很深入了。换句话说，当很多团队还在“看赛道”的时候，他们已经在积累技术了。这一点在机器人行业特别关键，因为这是一个典型的“时间换能力”的行业。很多东西不是钱能砸出来的，是必须一点点积累的。真正让我下决心的，是另外几件更具体的事情。第一，他们掌握的是机器人最核心的底层能力。很多人以为机器人是一个“整机产品”，但实际上，真正决定一家机器人公司高度的，是三个东西：驱动、传感器、控制器。这三块如果不在自己手里，你就永远只是一个系统集成商。而宇树在2020年，这三块上已经有了技术积累和专利。这意味着它不是在拼装产品，而是在构建底层能力。这一点，基本上决定了它的上限。第二，是客户。很多机器人公司是“先做产品，再找客户”，但宇树是反过来的——他们在2020年已经有客户，而且不是普通客户。当时他们的客户里，包括苹果、英伟达、Meta、谷歌这些公司。这些公司买他们的机器狗，用来做AI训练、算法训练。国内的客户则主要是高校。这件事非常关键，因为它说明两点：第一，这个产品已经可用；第二，这个技术已经被顶级的技术公司认可。王兴兴一直推着大家做一件事：做出简单的、客户能接受的产品，先卖一波。不是为了赚钱，而是通过卖产品，来锻炼公司研发、生产、销售整个体系。通过跟客户交流，又能发现问题，迭代产品。第三，是量产能力。我当时去他们公司，看了一个很细节的东西——他们写字楼旁边有一个仓库，里面放着压床机，用来做零部件成型。当时王兴兴介绍，一台四足机...

3天前铅笔道#宇树IPO #王兴兴

为什么资本追逐 AI Native，不再理睬互联网老登

资本不奖励守旧，不是因为守旧的人有错。是守旧的部分已经明码标价，没有信息差，也就没有超额收益。2026 年上半年，全球风险投资 5100 亿美元，一个半年超过了 2025 全年的 4400 亿。七成以上进了 AI，OpenAI 和 Anthropic 两家拿走 2170 亿，占 43%。钱多到这个份上，你会以为人人都能分一点。事实是分配比总量更极端，而且第一道筛子不筛行业，筛人。被筛掉的那一类，现在有个不太客气的叫法：互联网老登。先说死一件事：本文里的「老登」跟年龄没关系。它指的是一套在移动互联网周期里成型、被反复验证、给持有人带来过巨大回报的方法论。持有它的人可能四十五岁，也可能三十二岁。被重新定价的是这套方法论，不是出生年份。把这两件事搞混，是老登最常犯、也最舒服的一个错——因为如果问题是别人年龄歧视，你就一个字都不用改。01什么叫 AI Native这个词已经被用烂了。会用 ChatGPT 不叫 AI native，公司名里带个 AI 也不叫，二十几岁更不叫。真正把人分开的是三条。第一条，出发点是模型，不是需求。老登做产品的顺序是：看用户要什么，写成需求，找技术实现。AI native 的顺序反过来：先摸清模型今天能干到哪一步、明天可能到哪一步，然后从这个能力边界往外长产品。前者把模型当工具，后者把模型当地基。这两种人做出来的东西，第一版看不出差别，到第三版差出一个物种。第二条，组织的默认单位不是人。互联网时代的分工，是把一件事拆给十个人。AI native 公司的分工，是把十件事收给一个人加一堆 agent。国内一家应用层公司的 CEO 说过，团队不到十个人，但有大量 AI 在夜里干活，员工每天早上第一件事是检查 AI 前一晚交的活。Cursor 那边更极端，公开报道里提到公司没有产品经理，工程师自己写代码、自己跟用户聊、自己参与招人。第三条，信息是一手的。AI native 的输入来源是论文、模型卡、GitHub 的 issue、X 上的原始讨论、自己跑的 eval。老登的输入来源是行业峰会、闭门会、券商报告、公众号解读，以及找人喝咖啡。这一条最不起眼，杀伤力最大，后面单独说。三条都满足，二十五岁是 AI native，四十五岁也是。三条都不满足，二十五岁照样是老登。AI native 是个状态，不是个年龄段。麻烦在于，这个状态的入场券是作品，不是履历。02两张名单把这一轮的结果摊在桌面上，是两张名单。第一张全是 AI native 的公司。它们的估值不是在涨，是在换量级。名单一 · 上游OpenAI　2026 年 Q1 单轮融资 1220 亿美元，投后 8520 亿美元，史上最大一笔私募融资。Anthropic　Q2 单轮 650 亿美元，投后 9650 亿美元，约占该季度全球风投总额的一半；5 月的收入运行率已到约 470 亿美元。DeepSeek　2026 年 5 月首轮融资约 700 亿元人民币。同年 4 月，梁文锋将直接持股由 1% 提至 34%，通过关联主体合计控制约 84.29% 股权。月之暗面（Kimi）　2025 年 12 月估值 43 亿美元；2026 年 1‒2 月连做三轮至 180 亿；5 月 D 轮约 20 亿美元、投后破 200 亿；7 月一轮超 35 亿美元、投后 350 亿；Pre-IPO 目标投前 500 亿。ARR 3 月破 1 亿、5 月破 2 亿、6 月站稳 3 亿美元，API 占七成以上。智谱 · MiniMax　2026 年初先后登陆港股，市值均破千亿元人民币，国内首批上市的大模型公司。第二张...

4天前Wendy#AI #DeepSeek

从Meta走出的Fireworks聊开源与闭源，谁会胜出？

作者：Silicon Valley Vector 硅谷坐标编辑：Peggy，BlockBeats原标题：硅谷坐标 x Fireworks 联创 Benny Chen：开源模型、token 增速、推理优化和模型定制编者按：在开源模型加速逼近闭源前沿模型、推理价格持续下降的背景下，行业讨论正在从「谁拥有能力最强的模型」转向「谁能以更低成本把模型投入生产」。但当模型能力趋同、Token 消耗增长成为共识，一个更底层的问题开始浮现：企业真正愿意付费的，究竟是更便宜的模型调用，还是能够稳定完成具体任务的专属智能？近日，《硅谷坐标》主持人曹卿云与 Fireworks AI 联合创始人陈宇飞进行了一场对谈。Fireworks 位于模型与企业应用之间，主要为客户提供开源模型推理、性能优化和定制服务。相比单纯讨论开源能否追平闭源，陈宇飞的观察更接近真实工作负载：Token 流向哪里、企业为何付费，以及模型从概念验证走向生产还缺少什么。在这场对谈中，陈宇飞是将「开源与闭源谁会胜出」拆解为一组更底层的结构性问题：Token 增长能否转化为收入，通用能力能否替代垂直积累，低价模型能否通过企业评测，以及推理平台如何在云厂商和应用公司之间获得价值。第一，是开源模型的使用规模与商业价值正在分化。过去，能力追赶和调用价格是判断开源竞争力的主要指标；如今，Fireworks 平台每天处理约 40 万亿至 50 万亿个 Token，开源模型的实际使用量已经快速扩大。但免费流量、促销补贴和模型价格差异，会让 Token 统计高估部分需求。客户可能大量调用低价模型，却仍把最高预算交给效果最好的闭源模型。这意味着，开源的下一阶段不再只是扩大流量，而是证明其能够在高价值任务上达到甚至超过前沿模型，并把成本优势转化为付费意愿。第二，是通用模型与垂直模型开始沿着不同方向演进。过去，每次前沿模型升级，都可能直接淘汰一批微调模型；现在，法律、医疗、编程等垂直应用正在积累更细的评测、数据和工作流，其优化目标也与前沿实验室逐渐分离。通用模型需要提高能力上限，垂直模型则要在有限场景内稳定交付结果。前者可以解决更广泛的问题，后者却更理解用户如何定义「正确」。这意味着，垂直公司的壁垒并不只是拥有一个定制模型，而是能够持续把行业需求转化为评测体系，并随着基础模型更新反复迁移。第三，是企业 AI 落地的瓶颈正在从模型供给转向评测能力。过去，企业概念验证往往依赖试用体验和主观判断；现在，当 AI 进入呼叫中心、法律检索和医疗辅助等生产环节，仅凭「看起来效果不错」已经无法支持采购决策。企业必须知道模型在哪些任务上有效、何时失效，以及从闭源切换至开源会改变多少成本和质量。评测因此不再是附属工具，而是连接采购、训练与生产部署的基础设施。谁能定义任务、建立测试分布并持续更新标准，谁才真正掌握模型选择权。第四，是推理平台的价值正在从「卖便宜算力」转向组织模型、硬件与工作流。过去，推理优化主要被理解为降低单个 Token 的成本；现在，缓存、任务拆分、模型路由和上下文管理都可能直接改变任务完成率。不同模型不必争夺同一个位置，而可以分别担任执行者和顾问。Fireworks 的商业逻辑也由此成立：不自建重资产硬件，而是通过训练、定制和持续推理，将收入与客户模型的实际使用绑定。但这条路径的主要对手并非单一新云公司，而是能够同时控制算力、软件和客户入口的大型云厂商。第五，是开源模型崛起未必削弱基础设施需求，反而可能压缩模型层溢价，并把价值进一步推向推理和算力。科技巨头持续增加资本开支，也不只是计算短期回报，而是在衡量错过 AI 周期...

4天前律动BlockBeats#AI

投入八年突然转向，以太坊为何放弃Poseidon？

作者：ChandlerZ，Foresight News原标题：八年投入急转弯，以太坊为何突然放弃Poseidon？8 月 13 日，以太坊研究员 Justin Drake 在 X 发文称，以太坊基金决定在 L1 层放弃 SNARK 友好型哈希算法 Poseidon，转而采用 SHA2 或 BLAKE2 等传统哈希函数。这个决定背后是八年研究、数千万美元投入的积累，以及对后量子密码学路线图的一次重大修正。Poseidon 自 2019 年推出以来，一直被视为 zkRollup 与 zkVM 等应用的理想哈希方案，它的结构使其在 SNARK 电路中比传统的基于二进制运算的哈希函数更便宜、更高效。但当后量子安全成为以太坊的硬性要求时，Poseidon 的局限性开始暴露。Justin Drake 表示，这一转变得益于突破性的 SNARK 设计进展，即通过「二进制域」运算方式，使传统哈希函数在 SNARK 电路中的性能可媲美此前专为 SNARK 优化设计的 Poseidon，单台笔记本电脑每秒可完成约 100 万次传统哈希调用验证。文中介绍，Poseidon 自 2019 年推出以来一直是主流的 SNARK 友好型哈希方案，为 zkRollup 与 zkVM 等应用提供安全保障。Justin Drake 称，规划显示生产级 leanVM 预计将于 2027 年推出，共识层、数据层与执行层的相关部署预计在 2028 年完成，以太坊基金会后量子团队也在加速推进二进制域相关研究。为什么是现在？传统哈希长期难以进入 SNARK，主要障碍来自计算语言差异。SHA2、BLAKE2s 和 Keccak 大量使用异或、移位等布尔运算，传统 SNARK 通常在大素数域上处理算术，模拟每一项位运算会产生高昂约束成本。Poseidon 直接围绕素数域算术设计，以更少约束换取更高证明速度，代价则是算法历史较短，需要持续密码分析。二进制域把底层数学切换到仅含 0 和 1 的最小素域，并用二进制扩域承载更大数据。位运算因此可以直接进入证明系统，SNARK 开始适配传统哈希，技术重点从设计 SNARK 友好型哈希转向设计哈希友好型 SNARK。Jim Posen 与 Benjamin Diamond 2023 年提出的 Binius 展示二进制塔域 SNARK 路径，Benedikt Bünz、Ron Rothblum 与 William Wang 的 Flock 论文于 2026 年 7 月 29 日上传 arXiv，其 M4 Max 基准为单核每秒证明 8.2 万次 BLAKE3 压缩、4.2 万次 SHA-256 压缩和 3 万次 Keccak 置换，10 核 BLAKE3 吞吐量超过 66 万次。Drake 称，笔记本电脑每秒可证明约 100 万次传统哈希调用，开销约为原生 CPU 布尔计算的 100 倍；SNARK.fast 数日前在 M3 Max 上达到每秒 180 万次 BLAKE3。2027 年 leanVM，2028 年三层部署Poseidon 被放弃的另一个关键原因是后量子安全的时间表正在加速，Project Eleven 发布的《The Quantum Threat to Blockchains - 2026 Report》指出，量子计算机的快速发展正对区块链安全构成严重威胁。一旦出现「密码学相关量子计算机」（CRQC），Shor 算法可快速破解 ECDSA（比特币及多数公链采用）和 RSA 等非对称加密，预计 Q-Day（量子破译日）可能在 2030 至 203...

5天前Foresight News#L1 #以太坊

AI 可能根本没有语言墙：只练一种语言，其他语言也会跟着变强

比推消息，据监测，苹果研究团队拿 9 款模型、11 种语言做了一轮强化学习实验，想搞清楚：如果训练数据只有一种语言，模型学到的解题能力能不能拿去做其他语言的题？答案是，可以，而且效果相当明显。只用一种语言训练，模型在很多其他语言上也会一起变强。比如在法语测试上，直接用法语训练，成绩平均提升 25.6 个百分点；完全不用法语训练，只拿西班牙语的题来练，最后考法语也能提升 24.6 个百分点，只差 1 个百分点。模型学到的不只是某一种语言里的题，还有一部分可以换语言继续用的解题方法。所以以后想把模型的中文推理练强，未必所有强化学习数据都得重新做成中文。但训练语言也不能随便换，特定语言确实可能触发特定能力退化。同样一套强化学习，换一种训练语言，有些模型在其他语言和任务上反而会明显退步。最夸张的一组实验里，Qwen3-4B 用斯瓦希里语训练后，一组训练时没见过的英语测试比原模型掉了 19.2 个百分点；多语言一起训练时，这项测试反而提升了 4.5 个百分点。这篇论文验证的主要还是数学、逻辑、图、几何等答案可以自动判断对错的推理题。这些题换一种语言后，底层解法往往没有变。对于阅读理解、隐喻、语义判断、文化知识这些真正依赖语言本身的任务，论文没有验证。

5天前