律动BlockBeats

BlockBeats 消息，8 月 3 日，Viction Foundation 在社交媒体上发文表示，作为 Binance 例行审查周期的一部分，VIC 将根据其内部标准被下架。这一决定并不反映项目基本面或运营有任何变化。Viction 主网已稳定运行 8 年，网络仍在正常运转，团队继续推进建设，网络升级也即将到来，这些都不会因交易平台决定而改变。
团队正与现有交易平台合作伙伴保持密切沟通，确保交易体验顺畅；同时积极拓展更多交易平台，加强多渠道流动性，降低对单一交易平台的依赖。开发路线图按计划推进，不受影响。交易平台只是分发渠道，并不定义协议本身，更多更新即将公布。

BlockBeats 消息，8 月 3 日，据韩联社报道，周一公布的一项民调显示，受股市暴跌等争议的影响，韩国总统李在明的支持率跌至去年 6 月就职以来的最低水平。
这项由 Realmeter 公司进行、受媒体 EKN 委托的民调显示，民众对李在明的正面评价较前一周下降 0.4 个百分点至 45.9%，这也是连续第三周下滑。民众对李在明的负面评价上升 1 个百分点至 50.5%，首次突破 50% 关键位。
同一民调机构进行的另一项民调显示，执政党共同民主党的支持率为 45.1%，较前一周上升 3.8 个百分点；而主要反对党国民力量党的支持率则下降 2.9 个百分点，至 37.7%。

BlockBeats 消息，8 月 3 日，策略师表示，美国财政部可能使用欧元而非美元为其日元购买计划提供资金，以避免本币贬值并使其强势美元政策受到质疑。
两位知情人士透露，纽约联邦储备银行上周五要求至少两家美国大型银行查询日元兑欧元汇率。「美国很可能不希望被外界看到其正在抛售美元。」法农信贷银行驻新加坡高级策略师大卫·福雷斯特表示。他说：「美国维持强美元政策，他们不希望被认为是在试图通过削弱本国货币来获得竞争优势，因为这种做法将违背二十国集团关于外汇政策的共识。美国财政部如果抛售美元，这在形象上并不好看，因此选择使用欧元。」新西兰银行驻惠灵顿货币策略师杰森·王表示。
他指出：「最终效果其实相同，因为资金未来某个阶段仍需要重新配置回欧元，这可能意味着美国最终仍会卖出美元，只不过这种方式更加不透明。」

如今聊到 AI，大家对上下游已经很熟了。炒存储的时候知道看光模块、看材料、看设备；炒算力的时候知道看英伟达、看电力、看散热。
但一说到机器人，大部分人的认知还停留在春晚上那几台能走两步的人形机器人，觉得很酷，但除此之外机器人的上下游有哪些、机器人行业的「紫苏叶」是什么、大多数人都说不上来。
其实机器人产业也有自己的供应链，也在分化出越来越多的细分赛道。硬件有人做，模型有人做，但还有一个很少被普通人注意到、却可能影响机器人能力上限的环节：数据。更准确地说，是给机器人生产「动手经验」的数据。
大模型的崛起有一个很朴素的前提：互联网上已经沉淀了巨量文本、图片、代码和视频。模型公司一开始要解决的是怎么把这些数据吃进去，怎么扩算力，怎么训练更大的模型。
机器人不一样。
机器人没有天然的互联网语料库。对于可直接用于机器人控制学习的轨迹，通常会包含观察、动作和机器人状态；根据任务不同，还可能包含物体状态、接触信息、成功条件、任务语义和控制频率。真实采集慢、贵、危险，还高度依赖具体机器人。
而这，正是 Axis Robotics 诞生的背景。7 月 27 日，这家 Physical AI 数据引擎公司宣布完成 1200 万美元种子轮融资，由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 及多名天使投资者参投。这笔钱押注的不是又一个造机器人的团队，而是一个专门给机器人「喂经验」的团队。
在这样的背景下，律动 BlockBeats 采访了 Axis Robotics 创始人 Chris，Chris 曾任 Chainbase 首席运营官，曾共同领导 Theia 项目，这是 Hugging Face（人工智能模型社区）上首个加密原生基础模型；此前 Chris 还曾任经纬创投风险投资人，以及贝恩公司管理顾问。
从数据生意到机器人数据缺口
BlockBeats 问：在做 Axis 之前，您过去主要的创业和职业经历是什么？您是怎样接触到机器人、Physical AI 和机器人数据这个方向的？有没有一个具体契机，让您意识到这里存在一个可以创业的机会？
Chris：做 Axis 之前，我上一段创业做的是数据基础设施，有点像 Databricks 那个方向，帮企业把数据理顺、把价值挖出来。那段经历给我最大的体感就是：数据这东西不性感，但它经常是决定天花板的那个变量，能决定一家公司最后能走多高。
2024 年初对我来说是个挺关键的时间点。那会儿人工智能很热，所有人都在聊模型、参数和算力，但我越来越觉得，行业正在从「模型驱动」转向「数据驱动」。模型当然重要，但决定模型能不能继续往前走的，往往还是数据。
真正刺激到我的是 Surge AI 这家公司。2020 年成立，四年收入就过了 10 亿美元，比 Scale AI 还猛，而且几乎没怎么融资。我当时一直在想：为什么一家做数据的公司能跑得这么快？我们是不是低估了数据在智能时代的价值？
那段时间，我也经常跟南洋理工、伯克利、英伟达的朋友聊天，听他们讲学界和产业一线发生的变化。大家慢慢形成了一个很明确的共识：模型迭代很快，但数据是地基，而且是最难做、最不标准、最容易被忽视的那一层。从大语言模型的预训练到后训练，再到 Agent 出来之后对高质量数据的需求，数据不是在变得不重要，恰恰相反，越来越复杂了。
于是我开始想，Physical AI 会不会也走同一条路？物理世界比文本世界复杂得多。真实环境的变化、传感器噪声、各种长尾操作、不同人的使用习惯，都会把数据需求成倍放大。Physical AI 需要的数据量，以及后训练时用来纠错的场景，可能是今天人工智能的百倍，甚至更多。
但当时你去问「谁在做 Physical AI 数据」，几乎没有哪个名字能被立刻说出来。一个未来可能跑出千亿美元级公司的赛道，还没有真正的心智占领者。对创业者来说，这个信号已经很清楚了：值得创业者全力投入。
所以从 2025 年夏天开始，我和 NTU、UCB 的朋友一起系统讨论技术路线和产品形态，Axis Robotics 也在那个阶段真正启动。
BlockBeats 问：外界聊到机器人行业时，往往会先关注硬件和模型。但为什么 Axis 团队认为，数据才是 Physical AI 这一轮最可能限制规模化落地的「紫苏叶」？
Chris：这是个很好的问题。大模型的发展给我们一个很直接的启发：一条技术路线被验证以后，下一阶段的能力提升，往往来自数据、算力和模型规模的共同扩大。从 GPT-1 到 GPT-3，我们看到大规模预训练可以带来明显的能力跃迁。
但机器人行业目前还处在更早的阶段。今天的硬件和算法其实已经走得不慢了，各种机械臂、人形机器人不断出现。模型路线也在逐渐收敛，比如 VLA 把视觉、语言和机器人动作连接起来；世界模型学习一个动作发生后，环境可能怎样变化；WAM 则进一步把对未来状态的预测和动作生成结合起来。这些方向都有人在做。
问题在于，想让 一个机器人不是只在实验室里表演，而是真正在真实环境也能干活，也就是达到接近语言模型当年「GPT－1 时刻」的那种跃迁，那就需要量级大得多的真实世界交互数据。
打个比方，今天的机器人有点像一个只在教科书上学过游泳的人，理论都懂，但没下过水。你要让它真正会游，就得让它在不同的泳池、不同的水温、不同的浪里反复练。这些「下水经验」就是数据。
但现在公开数据的规模还非常小。
Open X-Embodiment 算是代表性的开放数据集之一了，整合了 21 家机构、22 种机器人、超过 100 万条轨迹，听着很多，但跟互联网级别的数据量比，连零头都算不上。其他公开数据集很多还停留在几百小时这个级别。
所以我们判断，现在卡住机器人基础模型的，未必是模型结构本身，而是数据的规模和多样性远远没跟上。如果没有足够多跨场景、跨行业的真实数据，再好的模型和硬件也只能在实验室里转圈。数据在这个阶段不是锦上添花，而是决定 Physical AI 能不能跨过拐点的关键变量。
BlockBeats 问：能不能用最简单、最直白、最不绕弯子的方法告诉普通人，Axis 是做什么的？
Chris：如果用最直白的话说，Axis 就是在帮机器人持续积累「动手经验」。
你可以把机器人想象成一个刚入职的实习生。它脑子不笨，但什么都没干过。你要让它变成熟手，光给它看操作手册没用，它得自己上手做，做完了犯错，有人纠正，再做一遍，反复练。我们做的，就是把这些经验系统化地生产出来。
从训练前的准备、任务设计、仿真练习，到真实世界的数据采集，再到数据清洗、模型训练后的纠错和持续优化，整条链路我们都打通了。我们还搭了网页端的仿真平台和手机端的采集工具，让普通人也能参与进来，你在家里叠衣服、整理桌子，这些日常动作都可以变成机器人的学习素材。
简单一句话概括就是：Axis 是一台持续给 Physical AI 供给训练数据、也持续帮它纠错的数据发动机，让机器人学得更快、犯错更少。
把「动手经验」变成机器人的训练燃料
BlockBeats 问：你认为针对目前的具身智能数据鸿沟，终局的解法是什么？第一视角数据、遥操数据和仿真数据，哪一种更好？
Chris：今天行业最大的难题，是数据规模、场景多样性和真实物理对齐这三件事，很难同时做到。所谓真实物理对齐，就是你数据里的动作规律得跟真实世界一致，不能虚拟环境里练得很溜，一到真机就「手生」。
我打个比方。仿真遥操作数据，就像在驾校模拟器上练车。门槛低，不用真车，全球各地的人通过网页远程操控虚拟机器人就能产出大量训练数据。我们再把机器人形态、物体、场景、任务随机组合，多样性很快就能铺开。缺点也很明显：模拟器再好，也不是真实路况。现实里的颠簸、突发状况、不规则的路面，模拟器很难完全还原。模型在虚拟环境里学会了，上了真机可能还是不行，这就是大家说的「虚实差异」。
第一视角真人数据，就像给老司机装个行车记录仪。普通人用手机就能在家里、办公室采集真实操作，画面里自带视觉和语言信息，能帮模型理解人类到底是怎么干活的。但缺点是画面里没有机器人的精确关节数据，直接拿来训练精细动作不太够。
真机遥操作数据，就是真正上路练车了。轨迹精度最高，最贴近真实的物理交互。特别是模型自己操作失败后，人接管纠正留下的轨迹，对模型改进来说特别有价值。但代价也最高，要真机、要人力，产能有限，没法无限铺开。
Axis 实际部署的样式
所以答案不是哪种更好，而是三种数据各干各的活：仿真把量铺起来，第一视角帮模型理解真实世界的常识，真机遥操做精度校准和闭环纠错。把三种数据接进同一套系统，才有可能真正补上这个缺口。
这也是我们做「混合数据源、双向闭环引擎」的原因。我们用仿真遥操作数据和第一视角真人数据做双轮供给，再结合 Human-Gated DAgger。它的做法很直接：模型失败后由人介入纠正，再把纠正结果送回训练。这样，数据经过采集、清洗和增强，进入统一的视觉、语言、动作模型训练，再到虚实部署、失败反馈回流和补数据，就形成了一个会自己往前转的循环。
BlockBeats 问：Axis 最初为什么选择从仿真数据做起，现在又开始布局第一视角数据？这是战略方向发生了变化吗？
Chris：这是同一套数据策略的扩展。Physical AI 一定是数据驱动的，而数据的核心指标不是量，而是多样性，因为多样性决定泛化能力和鲁棒性。我们先做仿真，是因为它可控、可重复，也容易评估。我们可以设计任务、调整场景和机器人形态，采集完成后还能重放、验证、训练和测试。它本身就像是一个“世界模型”，是现实世界的虚拟化。
第一视角数据能够补充真实世界的广度。最近包括 DreamDojo 在内的研究，让行业进一步看到了大规模第一视角视频在学习人类行为和世界规律方面的潜力。这类数据记录了人怎样使用工具、处理物体和完成任务，而这些行为分散在不同国家、行业和生活场景中，靠少数实验室很难覆盖。
仿真数据更容易由少数平台集中生产，但第一视角数据天然是分散的，需要全球贡献者共同参与。随着 NVIDIA 、 DeepMind 等头部模型公司对这类数据的需求增加，能否持续地在全球获取、处理和验证第一视角数据，会成为一项重要能力。
更重要的是，对 Axis 来说，贡献者网络、任务分发和数据处理与验证管线是可以复用的。从仿真扩展到第一视角数据，不是换方向，而是在补齐一套更完整的机器人数据基础设施。
BlockBeats 问：能带我们走一遍 Axis 里的具身智能数据采集、加工、训练的整个过程吗？
Chris：在 Axis 里，数据采集和处理不是一段一段割裂开的，整个流程是一套端到端的闭环。近期发布的 Axis V2 对我们来说是一次很关键的升级：以前 Axis 更像一个单向的数据采集站，现在我们把任务生成、数据采集、模型训练、评估优化全接成了一套系统。
第一步是出题。我们会在仿真环境里，用算法把机器人本体、目标物体、位置、视觉条件等变量组合起来。比如 10 种动作、10 种物体、10 种摆放方式一组合，任务的多样性就能很快被指数级地放大。
第二步是做题。全球贡献者可以通过简单的网页或手机端界面完成仿真任务，也可以用移动端的第一视角应用采集真实世界里的操作过程。
第三步是阅卷和加工，这也是最核心的环节。原始数据里经常有抖动、无效动作、不自然的操作，我们先清洗、平滑、重采样。然后借助 RoboVerse 把同一批数据在不同仿真环境间流转，先从轻量级的网页端采集的仿真数据迁移到 Isaac Sim 里做重放和数据增强，一边重放一边改场景材质、光照、相机角度、物理参数。就像拿同一道菜谱，换不同的锅、不同的火、不同的食材再做一遍，一条原始数据就能扩展出很多训练样本。
加工完也不是直接一股脑喂给大模型，还要经过成功条件检查、异常过滤和格式统一，才能进入模型训练。一轮训练完成后，我们会让模型在仿真和评测环境中执行任务，观察它在哪些场景和状态下容易失败，再把这些薄弱环节转化成新的定向采集任务。
模型先自主执行任务，一旦偏离正确路径，贡献者就接管并提供纠正动作。这些纠错数据会重新进入训练，让模型逐步学会处理原来不会的情况。这个飞轮不断转，数据、模型和机器人的能力就一起往上走。
所以 V2 的意义不只是多了几个功能，而是让 Axis 从一个「收数据的」变成了一套「能帮模型变聪明」的完整系统。
BlockBeats 问：Axis 最近发布了 Dataset V1，这个数据集为什么重要，它具体证明了什么？
Chris: Dataset V1 最重要的地方，不是它单纯增加了一批数据，而是它初步验证了一件事：来自大量普通贡献者的仿真操作，在经过任务设计、成功检查、过滤、平滑和数据增强之后，可以形成对机器人预训练有用的信号。
V1 包含 207 个操作任务、超过 5 万条轨迹和 6 万多个任务及场景变体。在公开的 LIBERO-Plus 评测中，用完整 AXIS 数据继续预训练后，π0.5 的总体成功率从 83.9 提升到 88.8，提高了 4.9 个百分点。相同数据量的 RoboCasa 对照组是 57.5。这至少说明，在这套评测条件下，模型提升不只取决于单条数据数量，更和任务、场景、视角以及扰动条件是否足够多样有关。
今年我们会发布 Dataset V2，会继续扩大规模，并覆盖更多机器人形态、任务和场景。
BlockBeats 问：Axis 如何判断一条数据是否有价值？评判标准大概有哪些？
Chris：我们不会只看一条数据「有没有采到」，而是会连续问几个问题：它干不干净、是不是带来了新东西、能不能在真实世界里派上用场，以及它有没有帮模型补上真正的短板。
第一关看能不能用。操作有没有做完？中间有没有卡死、掉线？动作重放能不能复现？有没有设备卡顿、操作飘移，或者物体穿过去了这种不符合物理规律的情况？我们还会拿这批数据训练一个轻量模型做快速体检，如果连这一关都过不了，这批数据就不会进入训练池。
第二关看有没有新信息。机器人最怕的就是反复刷已经会的题。我们会看这条轨迹的场景、物体、交互方式，跟已有数据到底有多不一样。出现了少见的场景布局、特殊材质、罕见的操作方式，价值就高。大量重复的「拿起来放下去」当然也有用，但更多是补基数。真正值得重点投入的，是那种多个物体互相挡着、需要连续好几步才能搞定的复合任务，这类数据才能逼着模型学会举一反三。
第三关看能不能从仿真走到现实。仿真数据不是越多越好，关键是有没有把真实世界的变化考虑进去，光线换了行不行？材质变了呢？摩擦力不一样呢？相机角度歪了呢？这些变量扰动得越充分，模型上了真机就越不容易「见光死」。如果一段仿真数据永远发生在同一种理想条件下，它只能做基础预训练的垫底素材，迁移到真实世界的价值很有限。
最后看对长期迭代的贡献。模型在真机上翻车了，人接管纠正出来的那一小段轨迹，往往特别值钱——它精准告诉我们模型到底哪里不会。新任务、新机型带来的全新轨迹也一样，能帮模型快速扩大能力边界。反过来，如果某个简单任务模型已经做得很稳了，再堆类似数据，收益就递减了。
所以一条好数据不只是「格式正确」。它要干净、有新意、能落到真实世界里，还要能推动模型继续进步。我们希望把有限的采集资源花在真正能让机器人变聪明的数据上。
BlockBeats 问：既然 Axis 是机器人公司，为什么还需要区块链技术？Axis 选择了 Base 链，能不能具体讲讲原因？
Chris：这是个很犀利、也很重要的问题。我们的逻辑很简单：Axis 首先是在解决 Physical AI 的数据瓶颈，而要解决这件事，需要全球大量普通贡献者参与。区块链技术不是主角，它更像一套高效的基础工具，用来做溯源、验证、激励和分配。
在大语言模型时代，训练数据在很大程度上是一个「黑箱」：数据从哪来、怎么被处理、贡献者的价值怎么被确认，外界很难看清。但 Physical AI 直接关系到机器人在真实世界里的动作，数据质量会影响安全性，所以这种黑箱不能被简单接受。
我们把 Physical AI 的部分数据生产过程放到 Base 上，是希望把这件事做得更透明。Base 是建立在以太坊上的低成本区块链网络。具体来说，任务编号、数据轨迹编号、用户编号以及它们之间的关联都会被记录下来。这样，每一条动作轨迹、每一位贡献者都可以追踪、审计，也可以获得对应激励。
此外，我们需要一个社区覆盖广、参与门槛低的网络。Base 的社区非常全球化，且 Base 链使用成本较低、交易确认快，也便于我们记录贡献和发放激励。
更重要的是，我们奖励的不是单纯的数量，而是高质量贡献。对于机器人模型，垃圾数据不只是没用，甚至可能有害。我们通过双层评分和积分体系来判断一条数据到底有没有帮到模型，贡献越好、评分越高、奖励越多。Base 链的高效和低成本，完美契合了我们这种高频、微小激励的全球协作需求。
谁会为机器人数据闭环买单
BlockBeats 问：Axis 目前的商业化路径是怎样的？围绕机器人数据采集、模型训练和实际部署，你们主要为客户提供哪些产品或服务？现有的客户对这套模式给出了怎样的反馈？
Chris：我们的商业化路径比较清晰，核心是服务三类客户，并按他们各自的问题提供端到端方案。
第一类是机器人硬件和具身公司，比如 Booster Robotics 、Feagine Robotics 和 AgiBot。他们有自己的硬件，但往往还需要更定制化的数据和能直接部署的模型，才能把操作能力补齐。我们可以从任务设计开始，帮他们做数据采集、模型训练和部署，也会为他们的下游客户提供数据解决方案。
第二类是做视觉—语言—动作模型或世界模型的模型公司，比如 Manycore Tech 和 SomaStacks。世界模型的作用，是让机器学习理解环境会怎样变化。他们需要大量高质量的操作数据来训练通用模型，我们为他们提供高质量的任务集和数据集，也可以一起做联合训练。
第三类是垂直行业企业，比如莲花跑车（Lotus）和吉利汽车。他们关心的不是模型多先进，而是怎么把机器人真正用进生产线，所以我们提供的是以机器学习方法为基础的端到端自动化方案。
我们比较看重系统能力，因此交付不只是一包数据。客户需要什么、内部能力边界在哪里，我们就可以相应调整：既能提供数据，也能把基于数据的解决方案一起交付。这样既能提高我们服务客户的竞争力，也更能直接帮助客户提效和提质。
BlockBeats 问：Axis 的合作伙伴、客户都有哪些？不同客户来到 Axis 时，他们的需求一般是什么？
Chris：刚才提到的几类公司，都是我们的代表性客户。他们表面上都在说「缺数据」，但实际缺的东西并不一样。
比如一家硬件厂商，可能刚做出一款很不错的机械臂，可一到客户现场，只要光线变了，或者物品摆放换了个位置，机器人就抓不准了。他们来找 Axis，真正想解决的是：怎么让机器人在更多环境下都能稳定工作。
我们给他们的不是一堆杂乱的视频，而是经过多维度多样性生成、清洗和语义标注的结构化数据。必要时，我们也会直接帮他们训练策略。最终要交付的结果，是让他们的硬件在非结构化环境里更稳、更有泛化能力。
BlockBeats 问：从平台上线至今，你们能不能分享一些还没有公开过的真实运营数据，比如有效注册贡献者数量、任务发布数量、累计轨迹，以及高质量用户的活跃和贡献情况？
Chris：平台上线至今 15 周，我们累计注册贡献者已经超过 8 万。这个数字已经剔除了机器人账号等无效地址，是真实有效的数据。我们一共发布了 1600 个用于预训练的机器学习任务，累计收集了超过 200 万条数据轨迹，换算下来大约是 3500 小时的高质量数据。
但我们更看重的是用户质量和粘性。目前，高质量贡献者大约有 2 万人，占比约 30%。过去 30 天，这批用户里有 7800 人保持活跃；过去 7 天活跃的有 5300 人，周活和月活的比率达到 68%。他们在过去 30 天和过去 7 天分别贡献了 68 万条和 16 万条轨迹。
这种活跃度和参与深度，让我们看到用户对「训练即贡献、贡献可获得激励」模式的兴趣，也说明我们的社区正在形成一个相对成熟、稳定的机器人智能贡献者网络。
四、行业真正的拐点，和 Axis 的位置
BlockBeats 问：过去两年，各种人形机器人、VLA、Physical AI 都很热，但大多数普通人还没有真正用上机器人。你觉得机器人距离大规模爆发还要多久？真正的拐点会是什么，是硬件成本下降、模型能力跃迁，还是数据基础设施成熟？
Chris：我们认为，真正的拐点还是数据基础设施成熟。
硬件成本其实已经在快速下降。中国供应链的优势，让机器人的制造成本不再是遥不可及的天堑。但普通人为什么还没大规模用上机器人？核心原因是机器人还不够聪明，它们对真实世界的物理规律和人类意图，缺少足够的常识理解。
这就好比你有了一辆造价很低的车，发动机也不错，但没有驾照、没上过路——光有硬件和算法，没有足够的「路上经验」，车还是开不好。只有当我们能像今天抓取网页一样，低成本、规模化地获得物理世界的交互数据，并把它变成模型能消化的养料，机器人才会真正爆发。
我们觉得这个拐点越来越近了，Axis 想做的就是把它再往前推一把。
BlockBeats 问：机器人行业里，大模型公司和整机公司未来可能都会自建数据。面对这些数据自建团队，以及 Axis 目前的同赛道友商，Axis 的长期护城河是什么？是贡献者网络、任务生成能力、数据质量控制、客户场景，还是闭环训练效果？
Chris：这是一个非常关键、也非常现实的问题。大模型公司和整机厂商未来一定会自建数据团队，这几乎是行业发展的必然结果。但真正的竞争，不是谁能不能自己采数据，而是谁能搭出一套跨场景、能规模化、还能持续优化的数据基础设施。
短期大家拼的是数据覆盖度和多样性；中期拼的是把数据转成模型能力的效率；长期拼的是谁能真正嵌入客户的智能生产体系，成为不容易被替换的一环。
Axis 的护城河不会只是某一个单点，比如贡献者网络、采集效率或数据处理能力。单点能力都可能被复制，我们更在意的是把这些能力连成一个不断增强的闭环，并慢慢嵌进客户的训练流程。
对客户来说，接入 Axis 应该很轻，不需要复杂许可，可以很快发布任务、拿到数据。但一旦客户开始使用我们的仿真资产体系、分布式采集网络和模型纠错闭环，双方的训练流程就会逐渐耦合。要换掉我们，客户不只是换一家数据供应商，而是要重新搭仿真基础设施、重建贡献者网络、数据处理管线和后训练纠错流程。我们的护城河不是封闭，而是这种结构性的嵌入。
我们也特别看重和模型一起进化的能力。如果只是卖数据，当然随时可能被替代；但如果我们能持续发现模型短板、设计针对性任务、提供后训练的纠错数据，并实实在在帮客户提升成功率和鲁棒性，我们就成了模型优化闭环的一部分。那时，我们和客户的关系不再只是供应商和采购方，而更像共同建设者。
未来 18 个月，行业会很缺大规模、高覆盖的数据，量和多样性仍是核心。再往后三年，行业可能更需要特定领域、特定场景的专业数据。我们真正想积累的资产不是某一类数据，而是一套可编程的任务生成系统、可调度的分布式贡献网络和持续优化的训练闭环。它既能横向扩展到更多行业，也能纵向深入一个垂直领域。
如果用一句话总结，短期拼规模，中期拼效率，长期拼嵌入。Axis 的目标是成为 Physical AI 智能生产体系的一部分，而不是一家可以被轻易替换的数据供应商。
BlockBeats 问：融资之后的 6—12 个月，Axis 最主要的任务和目标是什么？是继续扩大数据规模，验证更多真实机器人任务，还是拿下更多付费客户？如果一年后回看，你们希望外界用什么关键词描述 Axis？
Chris：接下来的 6 到 12 个月，我们会同时推进产品、生态和商业化。
产品上，V2 已经把我们从单向采集平台推进成了完整的训练闭环，接下来要做的是把这套系统真正跑起来、跑出规模。9 月进一步铺开第一视角数据采集管线，目前已经积累了数万小时数据，也在和北美前沿模型实验室对需求。10 月前后我们计划发布数据集的 V2 版本，覆盖更多机器人形态和原子能力。年底之前发布首个大规模 Human-Gated DAgger 后训练数据集。
生态上，我们会继续扩张全球网络，进入拉美和欧洲市场，未来 6 到 12 个月，我们希望将第一视角数据的稳定日产能保持在 500 小时以上，将仿真数据的日产能提升至 50 小时以上，并逐步扩大 DAgger 后训练数据的生产能力。
商业化上，我们的目标是在年底完成 2 到 3 个新的付费试点项目，并在明年初进入基础模型公司的优选供应商名单。
如果一年后回看，我们希望大家会用「规模、多样性、闭环」这三个词来描述 Axis。规模是我们能持续提供行业级的数据供给；多样性是我们真正覆盖到了现实世界的复杂度；闭环是我们不只生成数据，还能围绕模型短板持续优化。
更重要的是，我们希望行业提到 Axis 时，会说：「这是一个让机器人模型进化更快的系统。」我们解决的不只是数据数量问题，更是模型进化效率问题。只要客户接入 Axis 后，模型迭代更快、成功率更高、场景覆盖更广，那就是我们的价值所在。

BlockBeats 消息，8 月 3 日，Robinhood 在第二季度的预测市场收入超过了加密货币和股票交易收入，推动其总交易相关收入同比增长 44%，达到 7.76 亿美元。
该交易平台表示，事件合约产生了 1.56 亿美元收入，而加密货币交易收入为 1 亿美元，同比下降 38%。股票交易收入为 1.29 亿美元。
「我们实现了创纪录的收入，并在股票、期权和事件合约成交量方面均创下新高，同时持续赢得市场份额，」Robinhood 首席财务官 Shiv Verma 在声明中表示。
Robinhood 表示，其加密货币名义交易量为 400 亿美元，其中包括 Bitstamp 的 220 亿美元名义交易量。公司去年收购了 Bitstamp。

原文标题：《「背刺」还是「双赢」？TradeXYZ 脱离 Hyperliquid 单飞的可能性有多高》
原文作者：Golem，Odaily 星球日报
随着 TradeXYZ 业务规模持续扩大，并长期占据 Hyperliquid HIP-3 市场超过 90% 的份额，近期社区围绕 TradeXYZ 是否可能脱离 Hyperliquid、独立搭建交易平台的讨论持续升温。
前 Messari 研究员 Sam 在 X 平台发文称，作为一个因 RWA 永续合约市场爆发而看涨 HYPE 的投资者应该问自己三个问题：一是如果 TradeXYZ 离开 Hyperliquid 并推出自己的交易平台，用户会去哪里交易；二是 TradeXYZ 推出自己的股票/代币，对 HYPE 的估值有何影响；三是上述两种情况发生的可能性究竟有多高。
该条帖子短短几天浏览量超 47 万，这个问题讨论度之所以急速上升，本质是越来越多市场参与者开始意识到，在 TradeXYZ 与 Hyperliquid 的合作关系中，双方的价值贡献正在发生变化，而 TradeXYZ 相较于 Hyperliquid 正逐渐积累更强的市场影响力与议价能力。
在商业合作中，一旦一方逐渐掌握更多资源和市场话语权，而双方利益分配出现明显倾斜时，「背刺」是常常发生的。
最近的例子来自于 AI 行业。Cursor 曾是市场上最大的编程 AI Coding 工具，它底层使用的是 Anthropic 的 Claude 模型，这俩本是「黄金搭档」般的合作关系，直到 Anthropic 做出了背刺——推出了 Cursor 的直接竞品 Claude Code。到了 2026 年中，Claude Code 的 ARR 正式超越 Cursor，将其挤下了牌桌。
区块链行业也有类似的例子，单个产品做大后总是会脱离原有基础设施并构建自己的链生态，例如 Uniswap、dYdX 等。在本周期最火的项目 Polymarket 也曾被多次传出将脱离现有 Polygon 基础设施，转而构建独立的基础设施。
回到当下的问题，TradeXYZ 离开 Hyperliquid 自立门户的可能性有多大？倘若这种情况真的发生，对 Hyperliquid 和 TradeXYZ 都有何影响，Odaily 星球日报将在本文中简要分析。
自立门户是必然？
在区块链行业存在一个现象，项目先在某个公链或基础设施上起步并做大，之后便将会为了性能、控制权、底层费用捕获或更大的叙事融资，而选择独立构建自己的基础设施（L2 或独立 L1）。TradeXYZ 如今确实已经足够大了。
据 flowscan 数据，截止目前 Hyperliquid HIP-3 总交易量超 4696.2 亿美元，其中 TradeXYZ 贡献超 4374 亿美元，占比 93%；截止撰稿前，Hyperliquid HIP-3 总 OI 持仓量达 39 亿美元，其中 TradeXYZ 贡献超 38 亿美元，占比达到 99.7%。
Hyperliquid HIP-3 总交易量即 TradeXYZ 占比
而剩下几家交易平台加起来份额都不足 10%，HIP-3 已经形成了巨大的马太效应。这么看，说 Hyperliquid 的 HIP-3 市场完全由 TradeXYZ 掌握都不过分，RWA 链上合约发展为 Hyperliquid 带来的叙事溢价，本质上就是 TradeXYZ 为 Hyperliquid 带来的叙事溢价。
无论是估值还是协议收入角度，TradeXYZ 对于 Hyperliquid 早已不是可有可无，而是在加密市场疲软、比特币等加密衍生品交易量萎缩的情况下扛起大梁的重要角色。
据官方数据，Hyperliquid 总交易量中 HIP-3 占比达到 71.92%，已经创下了历史新高，基于 TradeXYZ 在 HIP-3 的霸主地位，等于 TradeXYZ 贡献的交易量占 Hyperliquid 总交易量高达 70% 以上；Hyperliquid 总 OI 中 HIP-3 占比达 36%，这同样也意味 TradeXYZ 贡献的 OI 已占比 Hyperliquid 总 OI 超 35%。
HIP-3 在 Hyperliquid 总交易量及总 OI 占比
因此，TradeXYZ 已经借助 Hyperliquid 的基础设施成长为足以影响传统金融市场的巨兽，如今在与 Hyperliquid 的合作关系中，它的杠杆影响力和话语权也开始占主导地位。那么孩子长大了就该自立门户吗，TradeXYZ 将会在什么因素触发下选择自建基础设施呢？
抛开融资、发币等难以琢磨的资本运作因素，单从实际商业角度来看，若 TradeXYZ 真的选择自立门户，那么原因最可能是捕获底层手续费。
在 Hyperliquid 的 HIP-3 市场中，TradeXYZ 与 Hyperliquid 的交易费用分成是固定的 50/50，且因 HIP-3 资产的标准交易费用是核心 perp 市场费用的 2 倍，所以 Hyperliquid 从每笔 HIP-3 交易中实际获得的协议费用与核心 perp 市场相同。
据统计，截止发稿前 TradeXYZ 产生的总费用收入接近 5000 万美元，按照 HIP-3 规定的分成比例，TradeXYZ 最多只能拿走 2500 万美元。
TradeXYZ 产生的费用
很难想象一个创造了超 4000 亿美元交易量的项目，总收入连总交易量的万分之一都没达到。接近一半的收入拱手让人，这对于大多数项目都是无法忍受的，以目前 TradeXYZ 对 Hyperliquid 的杠杆影响力，它也完全可以和 Hyperliquid 进行协商，将收益分成更改七三开或更高。若最终无法谈妥，TradeXYZ 很有可能走上自立门户的道路。
TradeXYZ 为什么不会离开？
当然，对 TradeXYZ 而言，自立门户有吸引力，同时也有制约力。
第一个制约因素就是 Hyperliquid 的强大性能。TradXYZ 的永续合约都部署在 Hyperliquid 的 HIP-3 平台，其撮合、订单类型、资金、清算和自动去杠杆化均由 HyperCore 管理，技术上 TradeXYZ 管理的仅是预言机价格、标记价格、外部价格以及相关的组件。
若 TradXYZ 选择自立门户，那么他们就需要自己组建团队构建底层基础设施，这本不是什么难题，但短时间内构建如 Hyperliquid 一样强大性能的 L1 却是一个难题。就连 TradeXYZ 创始人 Shoku 自己也承认 Hyperliquid 团队的优秀，2024 年 3 月 Shoku 在 X 平台发文称，他不确定 Hyperliquid 作为 L1 最终能在 TVL、交易量这些传统指标上做多大，但他完全确信 Hyperliquid 的链上产品和 dApp 的质量与严谨度，在整个加密领域不会有对手。
这些对手中当然也包括他自己，倘若 TradXYZ 自立门户构建的基础设施不足以与 Hyperliquid 抗衡，那么将对其产品体验及早于传统金融市场的价格发现叙事造成消极影响。
第二个制约因素是渠道和分发也至关重要。为什么 Circle 愿意将 USDC 超 50% 的储蓄收益拱手让给 Coinbase？原因是 Coinbase 确实为 USDC 的市场分发和推广做出了巨大贡献，据 Coinbase Q2 最新财报，超 30% 的流通 USDC 都存储在了 Coinbase 上。掌握了渠道和分发就掌握了一切，这个规则在 TradXYZ 和 Hyperliquid 之间同样适用。
本质而言，Hyperliquid 的前端只是访问 TradeXYZ 流动性市场的一个接口，但它并非唯一途径。用户目前也可以直接通过 TradeXYZ 官网访问 TradXYZ 流动性市场，且交易页面与 Hyperliquid 的高度相似，甚至为了进一步方便用户，TradeXYZ 的内部账户和 Hyperliquid 是想通的，意味着在 TradeXYZ 官网连接同一钱包，若在 Hyperliquid 有余额，可直接使用。
TradeXYZ 自己的交易前端
但即便如此，在 TradeXYZ 超 35 万的交易用户中，大部分仍是通过 Hyperliquid 的前端访问 TradeXYZ 的流动性市场，这已是用户长期被培养下来的使用习惯不易改变，甚至还存在一定比例的交易用户，根本分不清 TradeXYZ 和 Hyperliquid 的区别，只是信赖 Hyperliquid 的品牌而被动选择交易 TradeXYZ 的产品。
因此，Hyperliquid 不仅为 TradeXYZ 提供技术支持，还是 TradeXYZ 流动性分发的主要渠道，构建基础设施的成本和时间可以计算，但失去渠道的价值却无法计量。
第三个制约因素则是两个项目创始人本就相互信任、「两小无猜」。Solana 知名 KOL Ansem 认为 TradeXYZ 自立门户的可能性几乎为零，原因是其认为 tradexyz 和 Hyperliquid 是加密货币领域最契合的两支团队，「两位创始人丝毫没有贪婪之心，而且都非常聪明，我相信他们能够选择一条对双方团队都最有利的发展道路。」
此说法不无道理，Shoku 是最早押注 Hyperliquid 的投资者。早在 2023 年 Shoku 就与 Jeff 建联并开始为 Hyperliquid 生态做贡献，2024 年他开发了 Hyperliquid 的比特币跨链桥 Unit，他曾与朋友透露称 Hyperliquid 是加密世界里少数几件让人兴奋的事情之一。
种种迹象表现，Shoku 极度欣赏 Hyperliquid 和 Jeff，从人情角度而言，做出「背刺」的可能性较低。
如果 TradeXYZ 自立门户，结果是双输
如果我们要将这个话题讨论到底，这篇文章不应该到此结束，我们应该还要讨论一种极小概率事件，即若 TradeXYZ 真的脱离 Hyperliquid 自立门户，那么结局如何？我推倒出来的答案是双输。
因为当前状态下，TradeXYZ 和 Hyperliquid 是双赢的局面，若 TradeXYZ 分裂，巨大的不确定性将给双方都带来伤害。TradeXYZ 自立门户后，Hyperliquid 大可扶持其它的 HIP-3 市场参与者，但它将与 TradeXYZ 从合作者变为竞争者，对 Hyperliquid 的收入并未有太多影响，因为 Hyperliquid 超 70% 的主要收入仍来源于核心 Perp，HIP-3 市场仅占小部分，最大的是对其估值的影响。
首先，TradeXYZ 迁移后，Hyperliquid 总交易量会减少超 50%，且 HYPE 可能也会迎来腰斩，因为 Hyperliquid 将不再是链上 RWA 永续合约交易平台龙头，而是将会被重新定义成一个失去最大增长点和叙事基础的加密衍生品交易平台。
TradeXYZ 本身也好不到哪去，基础设施和用户习惯都要从 0 开始培养，前文所述的性能与渠道成为 TradeXYZ 发展最大的制约因素，同时这样的背刺行为还极有可能引发舆论争议，进一步降低 TradeXYZ 的信誉。
此外，TradeXYZ 和 Hyperliquid 并不只是在和彼此竞争，整个 RWA 交易市场还有其他竞争者存在。「鹬蚌相争，渔翁得利」，Hyperliquid 培养新的 HIP-3 市场需要时间，TradeXYZ 基础设施建设也需要时间，而等他们回过头来，市场缺口早已被其他竞争者填满。
综上所述，虽然 TradeXYZ 在 Hyperliquid 越来越重要，但自立门户显然是不理智的。即使 TradeXYZ 想要提高盈利能力，最好的方式可能也是在保留和 Hyperliquid 现有集成优势的同时，将重点慢慢转移到自身的发行和用户所有权上。
原文链接

原文标题：《对话Creader创始人Tim：让AI记住世界，把故事留给作者》
原文作者：动察Beating
7 月 23 日，东野圭吾去世，终年 68 岁。
四十多年里，他写下了 106 本书。《白夜行》《恶意》《嫌疑人 X 的献身》《解忧杂货店》，共同构成了一个庞大的平行世界。
许多读者对那个纸面之内的世界并不陌生。他们知道加贺恭一郎会沿着东京的街道继续追查，汤川学总能从物理现象里看见被掩盖的真相，也知道在案件之外，还有陷入债务的家庭、被升学压住的学生、无法摆脱过去的普通人。
凶案只是入口，真正留在故事里的，是欲望怎样产生，秘密怎样扩大，一个人被自己的选择慢慢推向结局。
东野圭吾笔下的世界显得真实，因为每件事都有来处。一个人在三章前说过的谎，不会凭空消失；一段童年经历，会在许多年后改变并肩前行者的命运；一只摆错位置的杯子，一封没有寄出的信，都可能在故事结束前重新获得意义。
推理小说把庞杂的世界缩小成一个可以进入的现场。在现实里，许多事情没有解释，许多关系无疾而终，但在这几百页的辗转游移中，至少有一些痕迹能够被追溯，一些选择会产生后果。
读者由此获得一个暂时的落脚点。
作家让这个平行世界始终拥有自己的重力。世界观越庞杂，保持重力越是难事。人物会增加，时间线彼此交错，一句无意间写下的话，可能在十万字后变成伏笔。一个角色不能突然忘记自己的过去，一场战争不能发生在错误的年份，一段关系也不能在毫无理由的情况下改变方向。
长篇写作真正缺少的，往往是承载整个世界的记忆。
Creader 想处理的，正是这部分工作。它把人物、地点、事件、关系和时间线从小说中提取出来，让它们成为彼此连接的结构。
在大量 AI 产品尝试替人生成故事时，Creader 的创始人 Tim 更关心另一个问题：技术能不能进入创作，但别那么着急替创作者把一切完成？
这不是 Tim 第一次接近这个问题。
2014 年，Tim 来到英国。那时英语还不熟练，网络小说成为他进入另一个世界的入口。后来他学习计算机，做过阅读平台，研究过区块链与知识产权，也进入过围绕 IP 基础设施建立的创业公司。十多年里，技术不断变化，问题却始终留在原地。一个人怎样把头脑里的世界完整地表达出来，又不在工具的帮助下失去自己的判断？
2025 年年底，Tim 开始重新做这件事。他认为，写作最重要的部分，仍是是那些无法被加速的时刻。作者还不知道答案，人物仍然拥有几种可能，故事没有过早变成一个完整、流畅，却不再属于任何人的东西。
世界的重力
Tim 爱读网络小说，也读历史小说。最近看的一本以咸丰年间为背景。作者把人物放进清廷、英法联军、大沽口之战，以及东南亚华人社会的变化中。真实历史构成边界，虚构人物则在边界内生活、迁徙和作出选择。
Tim 喜欢这种写法。历史没有被当作简单的背景板，而是持续进入人物的命运。读者可能因为一个虚构人物去接近一场真实的战争，又因已知晓战争最后的结局，对人物尚未发生的命运产生担忧。
世界的可信，来自历史、人物与后果之间的连接。
动察 Beating：你会怎样判断一个故事是不是好故事？
Tim：我最在意的是人物有没有真正生活在那个世界里。一个故事可以有很复杂的设定，但如果人物只是帮助作者推动情节的工具，读者很快就会感觉到。真正让我记住的故事，人物都有自己的理由。即使他做了一件错误的事，你也能理解他为什么走到那里。
我最近会看很多历史小说和架空历史。历史小说很有意思，因为作者不能完全随意。Ta 要尊重已经发生过的事，同时在真实历史留下的空隙里创造人物。
比如我读到一本写咸丰年间的小说，里面涉及英法与清廷的关系、大沽口之战，也写到吕宋、爪哇一带的华人。读到某些地方，我会停下来查真实历史。一个虚构故事把我重新带回了现实。
对我来说，这就是一个故事有生命的表现。它不是把你封闭在小说里，而是让你从小说出发，重新理解外面的世界。
动察 Beating：你提到今年获得布克奖的小说《台湾漫游录》。它吸引你的是什么？
Tim：它写的是日据时期的中国台湾，通过一位日本女作家和一位中国台湾译者的同行，把食物、语言、殖民关系和两个人之间的情感放在一起。我很喜欢它对「翻译」的处理。翻译不是把一句话换成另一种语言，而是一个人怎样帮助另一个人理解陌生的地方。这里面有知识，也有权力关系。谁在描述这个世界，谁又在替谁解释，都会影响读者最后看到什么。
这也让我想到，文学不应该只是专业作家的特权。一个人认真记录自己和世界的关系，本身就已经是在写作。普通人的经历未必缺少价值，很多时候只是缺少一种把经验组织出来的方式。
技术真正能帮助的，也应该是这一部分，让已经经历过的东西，有机会被表达得更完整。
一个追了十多年的念头
2014 年，Tim 来到英国。在陌生的语言环境里，网络小说为他提供了最初的稳定感。他被其中庞大的世界、清楚的规则和持续生长的人物关系吸引，也开始思考，中国网络文学已经形成的创作和连载机制，能不能出现在英语市场。
为了回答这个问题，他开始学计算机，后来进入中国的大型科技公司，从运营做起；又在研究生阶段学习超级计算，研究区块链和知识产权。他和伙伴参加比赛，写白皮书，做演示，尝试把故事的确权和收益分配搬到链上。此后，他又先后进入 Story Protocol 和 FLock 等公司，继续接触 IP、区块链、AI 与开发者生态。
这条路径看起来绕了很远，最后仍然回到了写作。
动察 Beating：做 Creader 最早的起点是什么？
Tim：我小时候就很喜欢结构完整的世界。我玩《宝可梦》《火焰纹章》《黄金太阳》，也拼高达。吸引我的不只是某一个角色，而是这些世界有自己的规则。人物、地点、历史和关系可以不断延伸，但它们不是随意拼接的。
到英国以后，这种感受变得更明显。那时我的英语还不够好，网络小说对我来说既是逃离，也是一个落脚点。它让我在陌生环境里还有一个熟悉的世界可以进入。
我当时就在想，亚洲网络文学的创作和发布机制，能不能在西方市场成立。为了做这个东西，我开始学习技术，也做过一些很小的网站。本科毕业项目就是一个阅读平台，只是当时的技术能力和对商业的理解都有限，没有真正继续下去。但我一直没有忘记这件事。
动察 Beating：后来为什么转向区块链和 IP？
Tim：那时我认为，创作行业最重要的问题可能是所有权。一个故事被谁写出来，后续怎样改编，收益怎样分配，这些环节一直不够透明。区块链看起来提供了一种新的基础设施，作品可以登记，授权关系可以被追踪，收入也可以按照规则自动分配。
这套系统在技术上可以成立，但做得越深，我越意识到，它没有解决创作本身的问题。钱包、Token、登记流程，反而可能让阅读和写作变得更重。我们解决了作品完成之后怎样确权，却没有回答一个作品在完成之前，怎样从一个模糊的想法变成真正的故事。
这也是我后来发生方向变化的原因。问题不只在经济关系里，也在人的认知过程里。
动察 Beating：为什么是在现在重新开始做 Creader？
Tim：一个很直接的原因是，AI 编程工具让个人可以完成过去需要一支团队才能做的东西。
以前做一个复杂产品，首先要考虑融资、招人、开发周期。现在一个人也可以快速做出原型，先验证最重要的部分。这让我重新回到十年前的问题。但生成式 AI 也让我看到另一种危险。很多产品都在加速输出，却没有真正帮助创作者思考。它可以快速给你一段完整的文字，但完整不代表这就是你想表达的东西。
我开始意识到，真正需要被保护的不是写字这个动作，而是写作过程中形成判断的能力。
记忆的书写
Tim 把 Creader 称为一个「叙事引擎」。它尽量保留了作者熟悉的写作路径——打开章节，直接落笔。需要帮助时，可以调出对话、结构和分析面板；不需要时，这些功能退到页面之后。
一部长篇小说则被分成几个彼此连接的层次，正文、场景、章节、人物、地点、时间线、规则与关系。系统持续阅读作者写下的内容，把其中可以确认的信息纳入故事的内部档案。
在一个不断生长的世界里，Creader 试图维护的，是人的记忆上限所无法抵达之处。
动察 Beating：你为什么把 Creader 称为「叙事引擎」，而不是 AI 写作工具？
Tim：因为写作工具很容易让人想到生成：你给一个要求，它替你写出一段话。但叙事不只是句子。它还有人物、事件、时间、关系，以及整个世界如何运转。Creader 真正想处理的是这些东西之间的连接。
我们主要看两种一致性。第一种是叙事一致性。比如一个人物的转变有没有铺垫，一条暗线有没有结束，一个章节是否真的推动了故事。第二种是时间一致性。比如人物现在知道什么，不知道什么；他在三天前做了什么；两个地点之间的距离是否允许他在这个时间出现。
随着时间的流逝，很多长篇小说的作者很难同时记住整个世界。AI 在这里最适合做的不是决定，而是记忆和提醒。
动察 Beating：具体使用时，它和 Word、Google Docs，或者直接与大模型聊天有什么不同？
Tim：我们希望主路径永远是写作。用户打开一个页面就可以开始，不需要先完成几十项人物设定，也不需要先学习一套复杂的软件。其他功能应该像支线，需要时再出现。
比如写到一半卡住，可以通过快捷键打开一个面板，询问某个角色此前做过什么，或者检查这一段有没有违背前面的设定。写完以后，系统也可以像编辑一样给出批注。
通用聊天工具的问题是，每次对话都在推动你进入下一轮。它很容易不断给出新内容，却很难长期保存一个故事内部的结构。
Creader 会把故事事实从正文中提取出来。人物、地点、事件和关系不再只是散落在几万字里的名字，而会进入同一个知识系统。AI 调用的不是一段临时聊天记录，而是这个故事已经建立起来的内部现实。
动察 Beating：这会不会反过来让小说变得公式化？
Tim：这是我们很警惕的事情。我们早期选择《红楼梦》《哈姆雷特》等作品作为模型学习的语料来做叙事分析，后来逐渐扩大到大约三十部作品。目的不是学习某个作家的风格，更不是告诉作者应该怎样模仿，而是寻找一些跨越不同作品仍然成立的问题。
比如一段描写有没有承担叙事功能，一个比喻是否来自人物真实的观察，一场冲突有没有改变人物关系。系统可以把这些问题提出来，但不能把文学变成统一答案。
我们更接近编辑，而不是代笔者。编辑可以说，这个地方似乎缺少动机，这条线很久没有出现，或者这一段解释得太多。但作者完全可以不同意。文学里没有所有人都必须遵守的评分标准。
动察 Beating：Creader 允不允许 AI 生成？
Tim：会允许，但生成不是核心。不同用户需要的东西不一样。职业作家可能完全不希望 AI 进入正文，只需要它帮助整理人物、时间线和伏笔。普通用户可能有非常完整的生活经历，却不知道怎样把它变成结构，也可能需要更多帮助。
关键是保留边界。我们希望未来能够清楚区分，哪些内容由人独立完成，哪些是 AI 辅助修改，哪些主要由 AI 生成。使用 AI 本身不意味着没有创作，但读者应该知道它是怎样被完成的。
我不认为必须在「纯手工」和「全部生成」之间选择一个极端。问题是，作者有没有持续作出决定，有没有保留自己的意图、经验和责任。
动察 Beating：如果一个人有自己的想法和创意，只是把打字、整理材料这些「辛苦活」交给 AI，这还算创作吗？
Tim：我觉得这是一个很有意思的问题，你怎么定义创作？
比如你在创作一篇文章的时候，真正投入的是你的想法、创意，以及你想把哪些材料组织进去。以前这些东西要靠手写、打字一点点完成，其中有一部分在我看来就是纯辛苦活。现在用 AI 替代这部分辛苦活，它算不算创作？我觉得还是算。
首先还是要把 AI 定义成一个工具。它没有办法代替人。至少现在，大多数 AI 生成仍然需要由人主动发起，你要和它沟通，告诉它想写什么、从什么角度写、最后希望得到什么。
有些人可能有一个很好的构思，但没有能力把它完整地表达出来。现在 Ta 借助 AI 完成了这件事，不能因此就磨灭掉他原本的想法。Ta 仍然在创作，只是使用了新的工具。
动察 Beating：如果最终的文字主要由 AI 完成，作者的身份应该怎样判断？
Tim：我觉得未来需要把三种情况分开：人工创作、AI 辅助创作，以及 AI 生成创作。
有人只是用 AI 检查语法、整理思路，有人会让 AI 生成一部分，也有人可能几乎全部使用 AI。这些都可以存在，但应该有清楚的标签，让读者知道作品是怎样完成的。
之前有作家被曝出作品中有相当一部分使用了 AI。大家真正愤怒的地方，可能不完全是 Ta 用了 AI，而是 Ta 没有披露这件事，甚至把「读者没有发现」当成一种成功。
专业作家有自己的思维和创作理念。Ta 能够和 AI 合作，写出一本让读者没有察觉到 AI 参与的书，并不意味着换一个人来也可以做到。「如果我上，我也行」其实未必成立。
动察 Beating：但很多读者仍然会本能地排斥 AI 生成的小说。
Tim：如果一个故事足够好，语言也足够好，我个人不会仅仅因为它使用了 AI，就拒绝阅读。但很多人担心的是，AI 是不是要代替作家。媒体也经常用「AI 能够替代什么」来描述它，这会让创作者产生直接的威胁感。
我觉得有人对古法的执着不是坏事。编程也一样，有人愿意自己一行一行写。AI 不是万能的，传统方法有时仍然有价值。
关键还是要看一个人为什么使用 AI。
一个专业作者可以一天写八千字、一万字，Ta 可能根本不需要 AI 替自己生成。相比之下，Ta 真正需要的可能是整理思路，我脑子里有这么多人物、线索和情节，应该怎样把它们编排进去？
所以对不同的人来说，AI 的位置是不一样的。有人需要生成，有人只需要协作。工具应该适应人的能力，而不是要求所有人用同一种方法写作。
让答案晚一点出现
AI 生成式写作最明显的问题，是事实错误、陈词滥调和语言重复。但 Tim 认为更难察觉的危险来自于速度，AI 总是能太快给出一个看起来正确的答案。
文本变得完整了，思考却可能在完整之前停止。
Tim 把这种状态称为「过早的连贯」。大模型擅长为缺口寻找最合理的补全，而创作恰恰需要缺口暂时存在。人物可以不稳定，动机可以彼此冲突，一个想法也可以在很长时间里没有名字。
在这些尚未确定的部分里，创作者才有机会发现自己真正想写什么。
动察 Beating：你自己写东西，为什么还是更愿意自己打字？
Tim：和 AI 交流是很快的。它是一个来回的过程。它生成一段，你读完，发现这里不对，马上就会开始下一轮对话。你的大脑会不断往前走，很难真正慢下来。
但自己写的时候不一样。写作其实是一个放慢脑海中思考速度的过程。你写到一半，会停下来想，我现在是不是走在一条对的路上？我写的是不是我真正想写的东西？
如果直接使用 AI 生成，你更多是在阅读和判断它的答案。这里错了，就让它再改；那里不对，就马上进入下一轮。中间少了一个自己慢慢形成句子的过程。
所以我觉得，手写也好，自己打字也好，这种古法写作是在帮助人放慢思考，让你有更多时间不断拷问自己表达的价值。
动察 Beating：对你来说，写作或者文学最珍贵的部分是什么？
Tim：当然我不是文学背景出身，我是从一个计算机背景去看文学。对我来说，文学主要有两个意义。
第一个，是记录你和世界的交互。人为什么要记录、为什么要写？最早是希望很多事实可以被后世看到。一个人在什么地方生活，经历了什么，Ta 怎样理解那个时代，都可以通过文字留下来。
第二个，是记录你脑海里的想象力。当人看到更多、经历更多，和世界发生更多交互以后，想象力也会被打开。为什么会有科幻、玄幻，为什么会有《百年孤独》？就是因为一个想象在某个人的脑海里萌发，然后被记录下来，最后成为一个不存在于现实，却能够被很多人进入的世界。
我觉得文学的本质，还是让人把内心的世界表达出来。
每个人都在想一些东西，只是 Ta 不一定愿意说，也不一定愿意把它发到微博或者其他公开的社交网络上。但有些时候，Ta 仍然想把这一刻的想法记录下来，于是就会写一篇笔记。
文学不是强制性的，不是说写出来就一定要给别人看。
你把这一刻的想法留给自己，我觉得它也可以是文学。最重要的是，你把脑海里的东西记录了下来。
动察 Beating：听说你们还想把 Creader 放进教育场景里，这个是怎么考量的？
Tim：我们正在和新加坡、越南的一些机构接触，看这个产品可以怎样用在教育里。
我们这一代人小时候没有 AI。因为没有 AI，遇到问题就要自己学习、自己想办法。这个过程会给思考留下一层底色，你知道自己要去思考、去转化，把看到的东西变成自己的知识。但对 2005 年、2010 年以后出生的孩子来说，AI 可能会伴随他们很长时间。他们在最需要学习、最需要建立自我学习能力的时候，已经有了一个随时可以提供答案的工具。
未来五到十年，可能会出现一种惯性，我看到一个陌生的东西，第一反应也是问 AI。
问题是，人脑有一种很重要的能力，我们会把生活里看到的、课堂上学到的，以及一些原本不相关的东西串在一起，最后形成自己的理解。模型更擅长沿着相关性提供答案。如果一个人长期只接收这些已经被整理好的相关内容，Ta 的思考也可能越来越依赖既有路径。
所以在教育场景里，我们反而不希望一开始就提供生成。学生要先自己写大纲，从大纲出发思考要写什么，然后再完成正文。老师则可以看到 Ta 怎样修改、怎样与系统交流，以及一个想法是怎样逐渐形成的。
先把文字做好
接下来的一个月，Tim 计划与一家越南艺术出版机构更深入地共同工作。
这也是产品第一次更具体地面对地区差异。一套写作工具进入另一个国家，变化的不只是界面语言。
动察 Beating：Creader 接下来的发展规划是什么？
Tim：接下来可能会和一家帮助越南艺术家走向国际市场的机构合作。他们每年会出一本杂志，在世界不同地方发行，介绍手上的越南艺术家。我们希望看看 Creader 能不能进入他们真实的创作、编辑和出版流程。对我们来说也是学习，因为专业作者和机构的反馈周期比较长。他们往往已经在写一本书，不会今天使用、明天就给你一个结论。
这是一个小而美的产品，很多东西还是要住进真实的使用场景里，才能知道到底有没有用。
动察 Beating：不同国家的作者使用同一套产品，会不会出现水土不服？
Tim：会。语言就是一个非常大的差异。
比如英式英语和美式英语，是两套很不一样的语言习惯。最表面的差别是拼写和用词，比如 colour 和 color、flat 和 apartment、lift 和 elevator，再往下，还有俚语、对话方式和写作节奏的区别。
我们接触过一位英国作者，但他写的是发生在美国的故事。他写作时需要不断查字典、查资料，确认一个美国人物会不会这样说话。因为人的教育背景会进入写作。你受到英式英语教育，很多词会本能地写成英式表达。即使是专业作者，也不是写下来就结束了，他要不断研究、检查和替换。
目前我们主要支持英式英语、美式英语和中文。之后也会探索日文、韩文和法文市场。欧洲的写作氛围很浓，美国则有很多自出版作者，每个市场的写作和出版方式都不一样。
动察 Beating：AI 出现以后，未来的内容还会是一本书、一篇文章吗？它会不会变成可以与读者互动的东西？
Tim：我们也在思考交互式小说、世界观构造和多线叙事。但讨论到最后，我还是觉得，文字给人的想象空间远远超过视频和图像。你一旦看到一个画面，脑子里就会形成一个相对固定的形象，很难再完全脱离它。
但读文字的时候，每个人都可以重新想象。为什么一个作品会有那么多同人文和同人图？就是因为大家从同一段文字出发，最后看到的东西并不一样。
未来当然可以有互动小说，可以让读者进入不同叙事，也可以让一个世界长出许多故事。但首先还是要把文字做好。
动察 Beating：投资人会不会觉得这不是一门足够大的生意？
Tim：会。和一些投资人聊的时候，他们可能会拿它和 Agent、AI 记忆层这些方向比较，觉得写作工具不是一门特别大的生意。它当然也可以往「记忆层」上套，说我们在帮助 AI 保存一个世界的记忆。这样讲也可以，但我觉得没有什么必要。
我做这个产品，是为了让人写出一个好故事。如果它能帮助我讲出一个融资需要的好故事，那当然也是一种证明。但真的有必要把它讲得那么大吗？我觉得不一定。
它可能不是一个赚大钱的生意，但可以是一个能够延续下去的产品。有兴趣、真正理解这件事的投资人，可以聊。但我更希望先把自己喜欢的东西做好。
今年的目标也很简单，有一百位作者真正使用 Creader，其中十位通过它完成并出版自己的书。做到这一点，我觉得今年的 KPI 就达到了。
我相信 AI 生成的内容越来越多以后，大家也会重新寻找一块相对干净的地方。
被省掉的时间
在《时间与自由意志》中，柏格森区分了两种时间。一种是可以被切分和计量的时间。它属于钟表、日历和生产计划：一分钟接着一分钟，每一个单位看起来都相同。
另一种时间发生在人的意识内部。过去并没有真正消失，而是不断进入现在。一次迟疑可能带着十年前的记忆，落笔写下的文字也带着昨日争吵遗留下来的温度。
柏格森把它称为「绵延」。而写作发生在这样的时间里。
一个作者在两个词之间停下来斟酌，删掉刚写完的一段，又在第二天把它翻找回来。Ta 可能因为一个人物迟迟无法作出决定，也可能在写到一半时离开桌子。那段没有实际产出的时间里，某些东西仍在变化，只是还没有变成句子。
创作不是把时间换算成字数。时间本身就是创作的材料。
大模型生成一千字，可能只需要几秒钟。它能够迅速调动语言中已经存在的模式，根据上下文预测接下来最可能出现的表达。它会停顿，但那是计算意义上的等待，不是一个人在犹豫中重新理解自己。
博尔赫斯把巨大的时间压进很短的篇幅，普鲁斯特则让一个瞬间不断向记忆内部延伸。不同的语言并不只是一套风格选择，也记录了一个人怎样经历世界、怎样忍受停顿，又怎样与自己的时间相处。
写作的瑕疵同样属于这段时间。
一处没有完全收紧的转折，一次过分执拗的重复，一个作者多年以后可能不再认同的判断，都说明写下它的人曾经处在某个具体的位置。Ta 当时只知道这些，也只能走到这里。
不完美有时不是技术上的不足，而是文本仍然与一个有限的人相连的证据。
Creader 处在这个矛盾里，试图给出它的答案。
Tim 把 Creader 形容成一块土地。工具能做的不是提前长出一片森林，而是保留土壤，整理边界，让一个尚未成形的世界有地方继续生长。
土地与生产线不同。生产线要求稳定、准确和准时交付，土地则允许等待。种子可能迟迟不发芽，枝叶可能长向错误的方向，杂草丛生也可以再造一个新世界。
把创作理解为土地，意味着工具提供的不是一个更快抵达终点的办法，而是一种容纳未完成的空间。
在一个结论变得过于容易的时代，我们也可以选择暂时不把故事写完。
原文链接

TL;DR
· 美国和日本罕见共同干预日元，美元兑日元从 163 上方回落至 156 附近。
· 市场分歧在于，联合行动能否压过美日利差、财政扩张和日本央行加息节奏。
· 关联标的：USD/JPY、日元交叉盘、美元指数、日经指数、日本国债、风险资产。
据 AP 8 月 3 日报道，美国总统特朗普和日本财务大臣片山五月确认双方已干预外汇市场。美元兑日元此前升至 163 上方，日元兑美元接近 40 年低点，随后在周一早盘回落至约 156.34。
市场现在交易的问题很直接：这次日元反弹，是联合干预带来的短期挤仓，还是日元趋势修复的开始？
外汇干预的机制并不复杂。政府或央行直接进场买入本币，用大额资金托住价格。对投资者来说，日元突然走强还会冲击日元融资交易。过去几年，低息日元常被用来买入高收益资产，一旦日元反弹，美股、加密资产、美元指数和日本股市都可能受到牵连。
这次更受关注，是因为美国参与了进来。2011 年以来，美日很少以这种方式一起行动。片山五月代表的官方叙事，是通过联合行动压制「过度贬值」。反对派政治人物小川淳也则据报道批评称，如果没有结构性调整，临时干预很难撑过几天。
美国参与放大短期威慑
这轮日元反弹首先来自仓位调整。美元兑日元此前逼近 163，弱日元交易已经拥挤。美日共同入场的信号出现后，空头会先平仓，价格自然被快速打回。
这次买入日元的实际规模仍待官方月度数据确认。市场根据交易员口径和央行账户变动推算，规模可能达到数百亿美元。这个量级足以改变短线节奏，但还不能证明趋势已经改变。
美国财政部的信号也强化了威慑。据 Reuters 此前报道，美国财政部通知若干银行，可能需要为后续日元干预做好准备。另有媒体报道称，现场照片显示相关笔记中出现买入日元计划。这里更适合理解为政策姿态，而不是已经完全落地的官方承诺。
美国参与改变的是交易员的风险计算。过去日本单边干预，市场会追问日本还能卖多少美元资产、能坚持多久。如果美国愿意配合，短期内把美元兑日元重新推回极端位置的成本会更高。
但干预解决的是速度问题，不是方向问题。只要美国利率仍明显高于日本，借日元、买美元资产的收益逻辑就还在。外汇市场会尊重官方买盘，但不会只因为一次买盘就放弃利差交易。
日本央行信号决定有效期
干预要从「打一下」变成「撑一段」，需要日本央行配合。日本央行这次维持无担保隔夜拆借利率目标约 1.0% 不变，但会后口径偏鹰。植田和男的表态让市场继续保留后续加息预期。
偏鹰信号的含义是，央行虽然这次没加息，但愿意让市场提前定价未来行动。只要投资者相信日本利率会继续上行，做空日元的吸引力就会下降。
这也是日元反弹能否延长的核心。如果 9 月加息预期继续升温，市场会倾向于把本轮干预理解为组合动作：政府先压住汇率波动，日本央行再用利率补上基本面缺口。美元兑日元多头会更谨慎，日元融资交易也可能降低杠杆。
如果日本央行只是口头偏鹰，实际加息继续推迟，市场很快会重新测试官方底线。日本过去多次干预都能带来短线反弹，但在利差没有明显收窄时，效果往往衰减很快。
小川淳也「撑不过几天」的批评，指向的正是有效期。外汇市场不怕政府买一次，怕的是政策框架真的变了。如果框架没变，干预更像一次高成本警告。
减税议程削弱长期可信度
日元的问题还卡在财政端。日本政府一边要稳汇率，另一边国内政治又在推动减税和财政支持。这两条线放在一起，会让市场怀疑政策目标是否一致。
减税会改善居民和企业的短期现金流，但如果投资者认为它会扩大赤字、增加发债压力，日元反而可能承压。市场会问，日本政府究竟是在收紧金融条件以稳定日元，还是在用财政扩张托住经济。
小川淳也的批评中，真正影响市场定价的部分，是他把干预和首相高市早苗推动自民党汇总减税意见联系起来。这指向财政与汇率之间的拉扯：政府可以用外汇储备买日元，但财政政策如果继续释放宽松信号，汇率市场会怀疑稳定能持续多久。
对日本来说，弱日元也不是单纯的出口利好。日元过弱会推高进口成本，压缩居民购买力，并让通胀压力更难控制。政府需要阻止贬值失控，又不希望过快加息伤到经济和财政融资。
这次美日联合干预强度很高，但它没有自动消除根本矛盾。它更像是把市场从单边做空日元，拉回到等待政策验证的状态。
9 月利率和财政口径接受检验
美元兑日元能否维持在干预后的区间，核心变量不是已经买了多少日元，而是日本央行和政府能否给出一致信号。
如果日本央行在 9 月继续强化加息路径，甚至采取实际行动，市场可能把这次干预重新理解为趋势修复的起点。那时受压的不只是美元兑日元多头，还包括依赖低息日元融资的跨资产交易。
如果加息落空，减税议程又继续强化财政扩张预期，日元反弹更可能退回到一次阶段性挤仓。美国参与能提高短期震慑力，但无法长期替日本解决利率差和财政可信度问题。
美日一起买日元，说明政策底线比市场预期更硬。日元要从反弹变成反转，还要等日本央行和财政政策给出同一个答案。

BlockBeats 消息，8 月 3 日，知名科技记者古尔曼发文称，iPhone 预计会涨价 100 美元至 200 美元（约合 675 元至 1350 元人民币）。
古尔曼称，苹果肯定会在今年涨价，原因有很多。首先，它正面临内存芯片和主设备处理器的短缺问题。此外，iPhone18 Pro 和 Pro Max 采用的全新相机系统的成本也更高，更不用说首款可折叠 iPhone 更为昂贵的设计了。因此，问题只是苹果将如何实施这轮涨价。
古尔曼认为，最近几周 iPad 和 Mac 的涨价已经为外界提供了一些参考方向。多款 iPad 和 Mac 机型的价格都上调了 100 到 200 美元。古尔曼预计，iPhone 也会出现类似幅度的涨价，也就是涨价 100 美元至 200 美元。至于折叠屏 iPhone，应该做好起售价至少 2000 美元的准备。

BlockBeats 消息，8 月 3 日，受链上代币发行平台过度涌现、BSC 生态抢占币股 meme 份额影响，近期 Robinhood 链上活跃度急剧下降。在此背景下，Robinhood 生态项目 STONKBROKER 推出多项重大更新，包括负责孵化生态项目的 launchpad，以及将股票代币封装抽卡的类 FWA 功能 Broker Box 上线。上述更新获得包括 Ansem 在内的 KOL 和社区关注，推动市值连创新高。
据 GMGN 行情，STONKBROKER 今晨市值短时突破 4800 万美元，现报 4280 万美元，24 小时涨幅超 20%。这一市值已使其成为 Robinhood 链上第二大市值项目，仅次于 meme 币 CASHCAT 的 4332 万美元。此外，STONKBROKER 另一主要资产 STONKBROKER NFT 地板价现报 6.3 ETH，与币价同创新高。
BlockBeats 提醒用户，相关项目仍存在较大不确定性，价格波动大，用户投资需谨慎。

BlockBeats 消息，8 月 3 日，比特币硬件钱包制造商 Coldcard 发推表示，过去三天是公司历史上最艰难的时期之一，部分用户多年积蓄受损。团队自上周五起持续联系客户，协助转移仍安全的资金并提供恢复指导。
目前官方已销毁剩余使用漏洞固件生产的 COLDCARD 库存并暂停发货。Satscard、Opendime 和 Tapsigner 不受影响。已发布的补丁固件可防止新生成助记词受影响，但在漏洞固件上生成的旧助记词仍存在风险，用户需创建新钱包并转移资金。官方建议暂时可考虑 Bitkey、Ledger、Trezor、Jade、Bitbox 等替代方案，并呼吁受影响用户保留设备以配合后续追回。