Aston在下不求

穩定幣正在以一種「你根本沒察覺」的方式，滲進日常刷卡。根據 The Block 8 月 19 日報導，穩定幣支付基礎設施商 Rain 的執行長 Farooq Malik 表示，Rain 支援的穩定幣支付已觸及逾 10 萬家商家，而這些商家多半並不知道背後結算的是穩定幣。
商家只看到一般刷卡,不知資金來自穩定幣
會出現這種「無感」，關鍵在 Rain 的產品模式。Rain 為企業發行以穩定幣餘額結算的 Visa、Mastercard 卡，當持卡人消費時，商家端收到的就是一筆再普通不過的信用卡款項，走的是既有的卡組織清算網路，因此商家不需要、也不會意識到這筆錢的源頭是鏈上的穩定幣。Rain 執行長此前也曾提出類似觀點:最成功的穩定幣故事，或許是消費者與商家都不會注意到的那一種。這套「藏在卡片背後」的設計，讓穩定幣得以繞過商家的接受門檻，直接借用 Visa、Mastercard 觸及全球逾 1.5 億家商家的網路。
與 Visa、Mastercard 合作發卡,交易量今年增約 10 倍
Rain 近期動作頻繁。它已與 Visa、Mastercard 深化合作發卡，西聯匯款（Western Union）推出的 Stablecard 也由 Rain 支援，以 USDPT 穩定幣結算並在 Visa 網路消費。Rain 表示，公司已簽下逾百家合作夥伴、業務橫跨 150 多個國家，交易量今年以來成長約 10 倍。當穩定幣的使用被包進一張看起來毫無異狀的卡片，它與傳統支付的界線也就越來越模糊 — 這正是穩定幣走向主流的一條隱形路徑。
這篇文章 Rain：穩定幣支付觸及逾 10 萬商家，商家卻不知情 最早出現於 。
#AI #穩定幣 #清算

每當一家 AI 公司推出新模型，市場最常問的問題之一就是：「它有多少參數？」
但清華大學教授、智譜 AI（Z.ai）創辦人唐杰（Jie Tang）認為，單獨討論參數量已經失去意義。
他回顧從 GPT-3、Chinchilla 到混合專家模型（MoE）的 Scaling Law 演變，指出決定模型能力的不只有參數，還必須同時考慮訓練資料量、算力要花在哪個階段，以及模型最終會由誰、在什麼條件下使用。
更重要的是，隨著 AI 從「訓練一次、測試一次」走向每天數十億次推論，Scaling Law 的最佳解也一直在改變。
唐杰認為，當模型參數達到足以「容納世界知識」的門檻後，繼續堆高總參數未必是提升能力的最佳方式，下一階段更值得擴展的方向可能是單次推論的有效深度（effective depth）與後訓練（post-training）。
而智譜最新的 GLM-5.3，就是針對這項假設所進行的控制實驗。
從 GPT-3 到 Chinchilla：AI 業界曾集體走過「兆參數彎路」
唐杰首先回顧 Scaling Law 發展史。
2020 年，OpenAI 研究團隊 Kaplan 等人發表 Scaling Laws for Neural Language Models，研究結果一度被解讀為：隨著算力增加，模型參數應該比訓練資料成長得更快，兩者擴展速度大約為 2.7：1。
這項 Scaling Law 深刻影響了當時的大模型發展方向，GPT-3、DeepMind Gopher、微軟 MT-NLG 等模型都朝著更大的參數規模前進，「模型越大越好」也逐漸成為業界主流思路。
然而，DeepMind 在 2022 年發表 Chinchilla 論文後，這套認知被大幅修正。
Hoffmann 等研究人員透過約 400 個模型重新進行實驗，發現若追求固定訓練算力下的最佳效果，模型參數與訓練資料應該更加均衡地成長，經典經驗值約為每個參數搭配 20 個訓練 token。
當年的大型模型並不一定是參數不夠多，反而可能是「模型做得太大、資料餵得不夠」。
唐杰指出，Kaplan Scaling Law 的估計誤差會隨算力規模放大，因此那個世代規模最大的模型，反而可能也是資源配置偏離最佳點最嚴重的模型。
他形容：回頭來看，兆參數競賽是整個領域一起走過、最後又一起折返的一條彎路。
Chinchilla 也不是終點
然而，Chinchilla 解決的主要仍是「訓練算力最佳化」問題。
其基本假設偏向模型完成一次訓練後進行評估，但今天的商用 AI 模型可能每天被呼叫數十億次。當模型部署後的推論成本（inference cost）被納入整個生命週期考量，最佳模型配置又會改變。
唐杰指出，如果把推論成本一起放進最佳化目標，合理策略反而可能變成：模型做得更小，但訓練得更久。也就是刻意進行「Over-training」。
他以 Meta 的 Llama-2-7B 與 Google Gemma-2-9B 為例，兩者的訓練量分別達到約 290 tokens per parameter（TPP）與 889 TPP，遠高於 Chinchilla 經典的 20 TPP。
這並非單純浪費更多訓練算力，而是在模型會被大量部署、重複推論的情況下，提前投入更多訓練成本，以換取更小、更便宜的推論模型。
MoE 再次改變 Scaling Law
混合專家模型（Mixture of Experts，MoE）普及後，單純用「模型有多少參數」衡量能力又變得更加困難。
唐杰認為，MoE 至少必須區分兩個概念：
總參數量（Total Parameters）大致決定模型能「裝下多少東西」，例如知識、事實與大量長尾資訊；啟動參數量（Activated Parameters）與有效深度（Effective Depth）則更接近模型一次推論到底能進行多複雜的計算，以及能否維持較長的因果推理鏈。
因此，把 Dense Model 的「20 tokens per parameter」直接套用到 MoE 模型，本身就可能存在問題。
唐杰進一步引用 Roberts 等人在 2025 年的研究指出，最佳 tokens-per-parameter 並非固定常數，而是與任務相關：記憶型任務更偏好增加參數，推理型任務則更受益於增加資料。
後續 MoE 研究甚至觀察到，在固定 TPP 的條件下，一味增加模型的總參數可能反而使推理能力下降；相較之下，提高實際參與計算的 Experts 數量，則能較穩定地改善推理表現。
這也讓「這個模型有幾兆參數？」越來越難單獨回答一款 AI 模型究竟有多強。
找漏洞不是資料檢索，真正困難的是完成 20 步推理
唐杰特別以資安漏洞為例，說明「知道很多」與「推理很深」之間的差異。
如果模型要發現一個新的軟體漏洞，真正需要的能力並不是背下更多 CVE 漏洞資料，而是能不能沿著一條可能長達 20 個步驟的推理鏈一路推演到最後，過程中仍然維持正確的上下文與因果關係。
模型記住多少世界知識，與模型能把一個問題想多深，可能是兩種不同的 Scaling 問題。
唐杰指出總參數量可能只在某個門檻以前非常重要，模型首先必須「大到足以容納世界」；跨過這個門檻之後，新增能力可能更多來自其他 Scaling 維度，包括單次 forward pass 的有效深度，以及後訓練。
GLM-5.3 做控制實驗：不加參數，只擴大 RL 與長程任務訓練
他表示，GLM-5.3 可以視為智譜針對這項 Scaling 假設進行的一次控制實驗。
GLM-5.3 與 GLM-5.2 採用相同 Base Model、相同架構，甚至維持相同的總參數與啟動參數。團隊這次沒有選擇繼續放大模型，而是投入一個月時間，擴展 Long-horizon Environments 與強化學習（RL）。
換言之，這次實驗刻意把模型大小控制住，只轉動「Post-training Scaling」這一個旋鈕。
按照唐杰的說法，最終帶來的能力提升並非邊際改善，而是相當顯著。
這項結果也讓他得出一個更重要的結論：Scaling 並沒有失效，而是 AI 業界可能需要重新理解「Scaling 到底是在擴展什麼」。
唐杰並不認為這代表模型參數已經不重要，也沒有宣告 Pre-training Scaling 已經走到盡頭。
恰恰相反，包括 Base Model Size、Pre-training Data，以及每次 Forward Pass 投入的 Compute，未來仍然存在擴展空間，智譜也預計重新回到這些方向。
這篇文章 參數越大不一定越強！智譜 AI 創辦人唐杰談 Scaling Law：關鍵在推理深度與後訓練 最早出現於 。
$MSFTB $METAB $GOOGLB
#AI #RWA #微软

NIKE（NYSE：NKE）の株価は2014年以来の最安値となる安値引けを記録し、本年の累計下落率は約39%に迫りました。CEOのエリオット・ヒル（Elliott Hill）が事業の転換を継続的に推し進めており、市場の期待も厚いものの、関連するテクニカル指標は、売り圧力がまだ完全に出尽くしていない可能性を示しています。
Nikeの株価は約12年ぶりの安値を更新し、テクニカル面では弱い値動き
ナイキの株価は8月17日に39.09ドルで引け、過去約12年で最も低い記録を更新しました。2021年11月に付けた歴代最高値177.51ドルからは、約78%修正されました。
移動平均線の構造から見ると、現在の株価は各期間の主要移動平均線をすべて下回っています。具体的には、10日移動平均線に対して5.3%低く、50日移動平均線に対して8.6%低く、100日移動平均線に対して10.9%低く、さらに200日移動平均線に対しては26%超の低さです。短期・中期・長期のトレンドはいずれも弱さを示しています。

暗号資産市場の冷え込みが、韓国の取引所の決算書にそのまま反映されている。The Blockが8月18日に報じたところによると、韓国の上位2つの取引所であるUpbitとBithumbの今年上半期の売上高はいずれも前年同期比で約半減（およそ50％減）となり、利益はさらに大きく落ち込んだ。市場全体の取引が明らかに縮小していることを示している。
韓国の大手2社の売上はそれぞれ約半減、利益は80％超の大幅減
Upbitの親会社Dunamuの今年上半期の売上高は4,081億ウォン（約2.89億ドル）で、前年同期の8,019億ウォンから49.1％減少した。営業利益は1,115億ウォン（約7,900万ドル）で、前年比79.7％減となった。純利益も74.1％減。Bithumbの今年上半期の売上高は1,688億ウォン（約1.2億ドル）で、前年同期比48.7％減。営業利益は149億ウォン（約1,100万ドル）のみで、前年比83.4％減となり、前年同期までの利益から約1,087億ウォンの純損失へ転じた。

米国の政府支出の拡大、長期国債の発行増加、ならびにインフレ圧力が長期にわたり目標を上回るといった要因の影響を受け、米国30年国債の利回りが約20年ぶりの高水準まで上昇した。月曜日には、30年国債の利回りが約6ベーシスポイント上昇して5.31%となり、2007年以来の最高記録を更新した。この流れは、カナダや欧州など世界各地の国債利回りの同時上昇も引き起こしており、投資家が長期のインフレリスクに対応するために、より高い期間プレミアムを求めていることを反映している。財政赤字が連邦債務を押し上げているほか、マイクロソフト（Microsoft）関連のデータセンター事業向け社債は、利回りが7%以上に達するため、機関投資家が多数参加して応募を集めている。

輝達（NVIDIA）のCEOである黄仁勳氏の最新投稿「Securing the Infrastructure of Intelligence」では、チップ、先進パッケージ、メモリ、ネットワークの次に、Land、Power、Shell（LPS：土地、電力、データセンターの建物外装）がAIファクトリーの次なる戦略リソースになりつつあると指摘している。輝達は、これまで半導体サプライチェーンを管理してきたやり方をデータセンターにも拡張し、長期的なLPSの容量確保を直接支援し始めた。
黄仁勳氏は、輝達がSB Energyと提携し、米国オハイオ州PortsmouthのPORTS-Pike Technology Campusでデータセンター容量を確保すると発表した。テナントはOpenAIが担う。

SKグループ会長チェ・テヨンは、CNBCの独占インタビューで、AIエージェントの普及に伴い、世界の高帯域幅メモリ（HBM）需要が爆発的に伸びていると指摘した。市場ではチップ不足と価格上昇の圧力に直面しており、生産能力のボトルネックを解消し、設備投資（CAPEX）に伴うリスクを低減するため、SKハイニックスはエヌビディアおよびTSMC（台湾積体電路製造）と提携し、緊密に協力する。SKはさらに、MaaS（Memory as a Service：メモリ即サービス）の革新的なビジネスモデルを推進し、顧客とともにサプライチェーンのリスクを分担しながら共同投資を進める。
AIチップ「ゴールデントライアングル」はどのように連携するのか？
市場需要を満たすため、SKハイニックスはTSMC（台湾積体電路製造）およびエヌビディアとともに、AIゴールデントライアングルのアライアンスを構成する。TSMCは高帯域幅メモリ（HBM）に必要なベースとなるウエハーの製造を担当し、SKハイニックスは高帯域幅メモリのパッケージングを担う。チェ・テヨンは、両社の生産能力は密接に関係していると述べた。もしTSMCの生産能力が十分でも、SKハイニックスのHBM供給が不足していれば、GPUは機能しない。逆に、メモリが十分でもTSMCの生産能力が制限されていれば、同様に十分なGPUを生産できない。

Solanaのコミュニティが、SIMD-0550「Double Disinflation Speed」とSIMD-0553「Resource Fees」に関する投票を間もなく行おうとしている中、元Consensysのリサーチ責任者であり、現在はSolanaエコシステムにおける重要な開発者でもあるMax Resnickが、提案そのものよりも根本的な問いに答えようとする長文を発表した。それは、「L1のレイヤー1ブロックチェーンは、いったいどのように評価されるべきなのか？」という問題だ。
Resnickは、暗号資産市場におけるL1パブリックチェーンの評価方法は、1920年代後半の株式市場に非常に似ていると考えている。市場には成長物語があふれているものの、それらの物語を資産価値へと変換するための枠組みが欠けているのだ。