The MeeCrypt

很長一段時間以來，去中心化計算聽起來理論上很不錯，但在實際應用中卻很難使用。

對於開發產品的開發者和團隊來說，@Fluence 提供的靈活性堪稱顛覆性變革。你可以放心構建，不必擔心傳統中心化雲服務商帶來的隱性成本和限制。

來看看他們提供了什麼👇

1. 零出站流量費用：自由傳入和傳出數據，無需額外付費。用多少，付多少。

2. 無限帶寬：沒有限速，應用擴展時也不會收到意外賬單。

3. 開放標準：基於開放協議構建，而非封閉系統。技術棧由你掌控。

4. 輕鬆遷移，不受供應商鎖定：隨時隨地部署。幾分鐘即可遷移工作負載，而不是幾個月。

訓練模型、運行推理、存儲海量數據集，都需要可擴展、經濟實惠且靈活的基礎設施。掌控工作負載的運行位置以及擴展方式，不再是奢侈品，而是每一位認真構建產品的人都不可或缺的條件。

Fluence 正在爲開發者帶來這種自由：自由選擇、自由擴展、自由構建，不受限制。

開發者們已經開始轉向 Fluence。

#Fluence #DePIN #DecentralizedCloud #AI

@Fluence 通過新增兩個 NVIDIA B300 集羣升級其計算網絡

兩個 NVIDIA HGX B300 集羣現已開放預約，可通過 Fluence 使用，爲其計算網絡增加更多高性能 GPU 容量。

有意思的是：

🇺🇸 德克薩斯州：10 個液冷節點，每個節點配備 8 塊 B300 GPU。每塊 GPU 擁有 288 GB HBM3E 內存，因此每個節點的 GPU 內存總量達到 2.3 TB。簽約後，集羣可在一週內準備就緒。

🇺🇸 內華達州：6 個風冷節點，採用搭載 HGX B300 GPU 的 Aivres KR9288X3 系統，預計於 2027 年 1 月 1 日準備就緒。

兩種方案都提供專用裸金屬基礎設施、完整的 root 訪問權限、2 TB 系統內存和 30.72 TB NVMe 存儲。

我覺得這次更新的實際意義很值得關注。這不只是一些供人閱讀的新硬件規格，團隊可以爲自己的工作負載預約基礎設施，並直接掌控自己的系統。

隨着 AI 工作負載的要求越來越高，爲它們提供動力的基礎設施，理應得到與人們關注的應用同等程度的重視。

Fluence 正在持續拓展這一領域，我很期待看到它的計算網絡接下來如何發展。

#Fluence #AI #DePIN

如何通過 Fluence 分 3 步降低雲成本：

第 1 步：前往 Fluence 控制檯
別去 AWS，前往 http://fluence.ai/gpu
連接錢包，即可進入控制面板。

第 2 步：租用 GPU，而非雲服務
點擊“租用 GPU”
選擇所需型號：H100、A100 或 H200。選擇離你較近的地點。
Fluence 在 32 個區域提供 1400 多塊 GPU，價格已比 AWS/GCP 低 60%。你可以實時查看每小時價格。

第 3 步：只爲使用時付費
啓動 GPU，部署模型並開始訓練。
完成後，關閉 GPU。
Fluence 按秒計費，沒有月度合約限制。使用 2 小時，就只需支付 2 小時的費用。

就是這麼簡單。

無需預存額度，無需銷售電話，也無需企業合同。

傳統雲服務：每小時支付 3.50 美元，即使閒置也要付費，每月約 2500 美元
Fluence：每小時約支付 1.40 美元，僅在使用時付費，每月約 900 美元

你可以降低 60% 的成本，因爲你：
1. 每小時支付更少
2. 只爲實際使用時間付費

#Fluence #GPU #DePIN #AI

@Fluence DAO 2026 年第三季度報告出爐，我對 $FLT 更加看好

以下是我對這份報告的簡單解讀：

1. 花費很少，建設成果卻很多。
三個月裏，他們只花了 30 萬美元，外加質押獎勵。對於一家正在打造完整雲平臺的科技公司來說，這個支出非常低。大多數公司花的錢是他們的 10 倍。

而且他們仍然擁有大量儲備金，超過 3.5 億枚 FLT，以及超過 110 萬美元的穩定幣。這意味着他們可以在很長一段時間內繼續建設。

2. 他們正在推出人們真正能用上的產品。
• 他們推出了虛擬私有云（Virtual Private Cloud），讓企業能夠更安全、更私密地運行應用。
• 他們推出了每月 2.54 美元起的低價計算機服務，讓小型開發者也能使用。
• 他們新增了 Web 終端，你可以直接通過瀏覽器使用。
• 他們新增了一項功能，讓 AI 智能體可以使用 USDC 自主付款並自動租用計算機，無需人工註冊。

其中最重要的是 GPU 拍賣。這項服務幫助企業租用用於 AI 的高性能 GPU。僅在第三季度，他們就促成了價值 600 萬美元、1,540 萬美元和 550 萬美元的交易，其中包括在亞洲交付的 96 張 H100。這是真正的生意。

他們還將網站遷移到了 http://fluence.ai，表明如今他們專注於 AI 雲服務。

3. 持有者仍然有收益。
他們在第三季度爲質押支付了 99 萬枚 FLT，年化收益率約爲 11.5%。7 月 34 萬枚，8 月 30 萬枚，9 月 35 萬枚。

對我來說，情況很簡單：支出低、儲備金更充足、產品不錯，還有願意爲 GPU 支付數百萬美元的真實客戶。

我會繼續關注 FLT 的增長

#FLT #Web3 #DePIN

@Fluence 又拿下 240 萬美元合同，攜手 worldengine_ai 爲物理 AI 提供算力

又是新的一天，Fluence 又簽下了一份真正的合同。這份合同對行業敘事意義重大。

Fluence 剛剛與 WorldEngine AI 簽署了一份價值 240 萬美元的協議，爲物理 AI 提供推理算力。

以下是我認爲這對 $FLT 持有者意義重大的原因：

1. 真正的收入，真正的應用場景
這不是一筆資助，也不是測試網合作，而是價值 240 萬美元的實際推理工作負載。DePIN 需要更多這樣的項目。

2. 物理 AI > 數字 AI
如今，人人都能訓練模型。真正的瓶頸在於部署。機器人需要全天候、低延遲且可靠的算力。如果推理失敗，機器人就會出問題。Fluence 正在解決這一難題。

3. 技術棧完美契合
WorldEngine 正在構建以下領域的能力：
→ 機器人數據
→ 模型訓練
→ 評估
→ 部署

Fluence 恰好可以作爲去中心化算力底座，爲最後也是最重要的一層——推理——提供動力。

幾個月來我一直在說，AI 的未來屬於物理世界。當 AI 進入物理世界，贏家不會只有模型製造商，還會包括那些讓一切持續運轉的基礎設施提供商。

這樣的合作越多，對 $FLT 的需求就越大。

AI 正在獲得身體，而 Fluence 正在爲它的大腦提供動力。

看好都不足以形容我的態度。

#FLT #DePIN #Web3 #AI

許多基礎設施產品會迫使開發者離開現有工作流去使用它們。

@Fluence MCP 正在朝相反的方向前進。

一旦連接成功，你的 AI 編碼代理就可以直接在你已經使用的環境中與 Fluence 計算進行協作。

部署非常輕量：

• 一段配置片段
• 一個 Fluence API 密鑰
• 一個兼容 MCP 的客戶端

無需安裝本地 MCP 服務器。無需管理更新。

並且在初次連接之後，你不必再不斷打開 Fluence 控制檯。交互會始終保留在你的代碼客戶端內部。

這聽起來可能只是一個小的體驗（UX）改進，但我認爲它很重要。

開發者已經開始習慣讓 AI 代理承擔更多開發流程。讓這些代理獲得計算能力，這是合乎邏輯的下一步。

#FluenceProject #DePIN #AI

DePIN 仍然面臨的一個問題是：讓分散式基礎設施對開發者而言“用起來很方便”。

@Fluence 正通過其全新的 MCP 集成採取一種有趣的方法。這意味着 AI 代理可以通過符合 MCP 的工具與 Fluence 計算進行交互。

• 連接 Cursor、Claude Code、VS Code、Codex 或其他 MCP 客戶端
• 告訴你的 AI 代理你需要哪些計算資源
• 讓代理來處理與 Fluence 的交互
• 在不把基礎設施管理放到工作流中心的前提下獲得分散式計算

開發者未必想再學習一套複雜的基礎設施棧。他們想要的是構建、部署，然後讓底層系統去完成它的工作。

如果 Fluence 能把分散式計算變成一種 AI 代理在需要時就能隨手調用的能力，那麼 DePIN 就能帶來更爲務實的開發者故事。

對構建者來說，這裏的要點很簡單：不要只是在旁觀 DePIN 的敘事。去親自體驗基礎設施。

我真心希望有更多開發者發現 Fluence，並看看他們能用它構建出什麼。

#FLT #DePIN #Web3 #AI

我差點忘了我錢包裏還有一些 $FLT（@Fluence ）。

去年我買了一些 FLT，說實話，前一段時間我並沒有太在意它。

但最近再看 Fluence，我又想起去檢查這個代幣在生態系統裏到底做什麼。

而且它的作用比我最初想的要更多。

• FLT 屬於質押系統的一部分，代幣會被用於圍繞計算資源的安全與協同來運轉。

• 它在治理方面也扮演角色，讓社區能夠參與關於 Fluence 生態的決策。

• 計算提供者以及網絡經濟與 FLT 相連接，這使得這個代幣不僅僅是放在錢包裏“躺着”，而是擁有實際用途。

• 雲端這邊也變得更有意思。Fluence 正在建設基礎設施，讓用戶能夠獲取計算資源，而不必完全依賴傳統的中心化雲服務商。

• 現在還有更大的視角：AI 與 GPU 計算。隨着 AI 應用所需要的計算能力不斷增加，去中心化的 GPU 訪問正變成一個更值得關注的領域。

最後這一點大概是最吸引我注意的。

因爲我去年買下那幾枚 FLT 時，並沒有太多考慮 AI 基礎設施或 GPU 需求。

現在關於 Fluence 的討論看起來完全不同了。

我並不是說我知道 FLT 接下來會走向哪裏。

我只是覺得，當你隨手買到的一個代幣開始逐漸成爲更大規模的基礎設施故事的一部分時，這件事本身就很有意思。

所以是的……我又開始關注我那點小 FLT 持倉了。

#Fluence #Web3 #DePIN #AI

@Fluence 已正式將其網站從 Fluence Network 遷移到 fluence.ai，我認爲這一變化所傳達的項目方向，比乍看之下可能更重要。

• 新域名：Fluence Network 現在由 fluence.ai 承載，使 AI 更靠近項目身份的核心。

• AI 基礎設施：這體現了 Fluence 日益增長的重點——爲 AI 工作負載提供基礎設施，而不只是被視爲去中心化計算網絡。

• GPU + CPU 計算：Fluence 正圍繞同時訪問 GPU 和 CPU 資源來構建，而隨着 AI 工作負載的持續增長，這兩者的重要性也在不斷提升。

• Fluence Cloud：一個有趣的細節是，Fluence 現在將 Fluence Cloud 描述爲 Fluence Project 的繼任者。

• 更廣泛的基礎設施關注：項目的方向似乎正朝向雲基礎設施，並讓分佈式計算對開發者與構建者變得更加可及。

• 域名講述了部分故事：從 “Network” 轉向 “.ai”，讓品牌與它日益聚焦的 AI 基礎設施領域建立了更直接的關聯。

表面上看，這仍只是一次域名變更，但當你從更大的全局去觀察，就會感覺這是一種更清晰的信號，指向 Fluence 正在走向哪裏。

從去中心化計算到面向 AI 的雲基礎設施，這一演進變得更容易看清。

#Fluence #AI #DePIN #Web3

你的雲賬單可能比你想象的更靈活。

雲基礎設施很方便，但當計算需求開始擴展（尤其是 AI 工作負載）時，方便也可能變得昂貴。

@Fluence $FLT 採取了不同的方法：通過將工作負載連接到一個去中心化的計算提供者網絡。

• 更低的基礎設施成本：無需完全依賴傳統雲服務提供商，即可訪問分佈式計算
• 更高的靈活性：工作負載可以從不同提供者獲取算力
• 面向 AI 的基礎設施：隨着 AI 應用需求持續增長，對計算資源的需求也將不斷增加
• 更少的雲集中度：不必把所有內容都通過相同的主要提供商處理

更大的理念很簡單：計算正變得越來越重要，因此，在計算從哪裏以及如何獲取方面擁有更多選擇，可能同樣重要。

這就是去中心化計算變得有趣的地方。

#Fluence #DePIN #AI

大家都在說$ETH 。我開始思考$FLT從@Fluence

最近我看到一個有趣的問題：如果$BTC 突然消失，哪個資產可以取而代之？

答案大多是ETH以及其他已建立的加密貨幣名字。

我開始換個角度：如果下一個重要敘事不只是另一個金融資產，而是支撐下一波技術浪潮的基礎設施呢？

AI已經在創造對算力的巨大需求。模型、智能體和應用都需要計算資源來運行。

所以，$FLT一直很值得關注。

@Fluence 正在致力於去中心化算力，而正如Evgeny Ponomarev在最近一次AMA中討論的那樣，更大的願景是打造一種替代日益集中化的雲基礎設施的方案，並且以AI作爲重要的切入點。

$BTC 代表着去中心化金融的重要新篇章。

去中心化算力能否成爲Web3下一個篇章中同樣重要的一部分？

@Fluence : 誰獲得GPU容量？

GPU容量到底是如何被購買和出售的。世界上可以有很多GPU，但對某一特定買家、地點、工作負載或時間段而言仍可能出現短缺。這使得定價和獲取方式比簡單地在GPU旁邊標一個數字要複雜得多。

這正是拍賣機制發揮作用的地方。前向拍賣讓買家對可用容量展開競爭；反向拍賣則讓提供方競爭以滿足需求。

兩者都提供了一種更動態的方式，用於在特定時刻評估計算能力的真實價值。對於想要購買嚴肅的GPU容量的人來說，最便宜的選擇也不一定就是最合適的。

你還需要問：當你需要的時候，容量是否真的可用？網絡互聯結構能否承載該工作負載？基礎設施隨附什麼SLA（服務水平協議）？如果發生故障，能夠多快恢復？這些細節在AI工作負載規模化運行時可能帶來巨大的差異。

Fluence正在朝着構建一個全球化市場邁進：數據中心可以直接與經過資質審覈的需求方連接，以預留GPU集羣的形式滿足其需求。

有趣的是，這不僅僅是增加更多GPU。更重要的是，讓已經存在的GPU更容易被發現、對比、定價並加以利用。

#Fluence #DePIN #AI

幕後是誰在爲 AI 供能？@Fluence

我覺得關於 AI 代理（agent）有意思的一點是：延遲並不總是由模型本身導致。

一個代理可以發起多次工具調用（tool calls），檢索狀態，執行校驗（validations），更新記憶（memory），然後在循環中反覆進行數次。每一步僅有幾毫秒的 CPU 延遲，乍看之下似乎微不足道，但在整個工作流中累積起來，這些延遲就可能把請求推到截止時間（deadline）之外。

這就是基礎設施（infrastructure）變得比最初看起來更重要的地方。

對於 AI 工作負載而言，僅僅追求平均性能並不總夠用。真正的問題可能會在這裏暴露——尤其當 CPU 爭用（contention）導致許多階段都出現細微延遲時。

因此，對於那些需要可預測性能的工作負載，專用計算（dedicated compute）是一種很有吸引力的選擇。

Fluence 正在從分佈式計算（decentralized compute）這一方向切入，爲開發者提供專用 CPU 資源，以滿足那些需要更穩定容量的工作負載。

我認爲，隨着 AI 代理從簡單實驗走向生產，這一點會變得越來越相關。當一個代理要處理幾十個步驟時，減少每個階段的變動性（variability）會對最終的用戶體驗產生更大的影響。

我一直在關注的一個問題很簡單：隨着代理工作負載變得更復雜，可預測計算（predictable compute）會不會像原始算力（raw compute power）一樣同樣重要？

https://fluence.ai/

#Fluence #AI #DePIN

@Fluence VPC 上線可能是 Fluence 生態系統邁出的重要一步。

https://fluence.ai/

新的 VPC 基礎設施讓開發者能夠在私有網絡中運行多個虛擬機（VM），並提供安全組、可控的出站（egress）、可選的公網 IP，以及 cloud-init。用更簡單的話說，它讓 Fluence 更適合安全地運行真實應用，並讓不同服務能夠協同工作。

從 $FLT 的角度來看，我認爲這裏會變得更有意思。

一項新的基礎設施功能並不必然意味着 FLT 價格會上漲。更關鍵的問題是：VPC 是否能幫助 Fluence 吸引更多開發者、工作負載（workloads）和企業。

如果採用率增長，更多計算資源可能會在網絡中部署，從而帶來更強的基礎需求，並有可能改善支撐 FLT 的基本面。

所以我關注的是使用情況，而不是僅看公告本身。如果 Fluence 持續增加實用的基礎設施，並且這些功能能夠轉化爲真實的網絡活動，我認爲這在未來可能會成爲推動 FLT 的正面催化因素。

對我而言，這個論點很簡單：更好的基礎設施 → 更多的使用場景 → 更多的網絡活動 → 可能更強的 FLT 基本面。

#DePIN #AI #Web3

又一筆 550 萬美元的計算交易，涉及 @Fluence

Fluence 已與一家正在構建 AGI、專注於尋找從生物學到藥物更快路徑的客戶達成了一筆 550 萬美元的計算交易。

讓我印象深刻的不只是這筆交易的規模。

而是它所要解決的問題：確保算力不會成爲瓶頸。

AI 開發正變得越來越依賴算力，但僅僅擁有更多 GPU 並不是全部。更大的挑戰在於，讓算力能在需要的時候、在需要的地方可用。

這正是去中心化 GPU 市場變得有吸引力的地方。

Fluence 正在構建一個市場，讓 GPU 提供方可以競爭工作負載，從而爲團隊獲取所需算力提供一種更靈活的方式。

我認爲，我們會越來越多地聽到 AI 背後的算力層，而不僅僅是模型本身。

550 萬美元只是一筆交易，但它也說明了可靠獲取 GPU 算力正變得多麼有價值。

值得關注 Fluence 接下來會做什麼。

$FLT #DePIN #AI #Web3

@Fluence ：隱藏的 GPU 市場

AI 工作負載正在擴張，數據中心越來越大，公司也在計算資源上投入重金。

但我認爲，GPU 故事還有另一面值得關注：

有些硬件在工作負載之間處於閒置狀態。有些硬件利用率不高。還有一些算力，別人就是很難接觸到。

這讓計算的未來，不再只是增加更多 GPU，而是更看重我們如何更高效地利用已經存在的 GPU。

@Fluence 這個想法很簡單，但很有意思：創建一種基礎設施，把可用算力與需要它的人和工作負載連接起來。

如果 AI 需求繼續加速，我認爲討論會逐漸從：

“誰擁有最多的 GPU？”

轉向：

“誰能提供最多、最靈活、且利用最充分的算力？”

GPU 經濟或許不再只是關於硬件。

它也可能是關於圍繞現有算力構建更好的市場。

#DePIN #AI #Web3

紙面上最快的GPU並不一定適用於每一種工作負載。

基準測試或許能告訴你哪款GPU能在每秒內推送最多的token，但真實部署還要面對更多變量。

模型規模、輸出長度、內存需求、併發程度、地區、可用性，以及——當然——運行該工作負載的實際成本，都可能改變最終的算式。

這正是@Fluence 採取的有趣方法。

通過GPU集羣拍賣，買家可以根據GPU類型、容量、區域、定價和可用性，對不同供應商的報價進行比較。

這會讓決策不再僅僅是追逐性能最高的硬件。

與其問：

“哪款GPU最快？”

不如換個更好的問題：

哪款GPU能在一個真正說得過去的價格下，給我所需的性能？

因爲如果更強大的GPU貴出不少，但並沒有爲你的特定工作負載帶來有意義的優勢，那麼多出來的性能可能不值得爲之付費。

而如果另一款GPU能夠以更低的成本處理相同的工作負載，那麼這種差異在規模化時就會變得尤爲關鍵。

隨着AI工作負載不斷演進，對GPU的需求將不會只關乎尋找更多算力。

還將關乎在合適的地點，以合適的價格，找到合適的算力。

因此，GPU價格發現可能會變得越來越重要。

#Flt #DePIN #Web3 #AI

@Fluence GPU 拍賣剛剛上線又一筆 1540 萬美元+ 交易

Fluence 已通過其拍賣平臺再度拿下另一項大型 GPU 交易。

該交易覆蓋亞洲地區 96 臺 H100 節點，將進入生產階段以支持 AI 推理與模型訓練。

有趣的不只是交易規模。
這表明真實的 GPU 需求正在通過競價投標來推動：把尋求算力的買家與擁有可用 GPU 的供應方連接起來。

隨着更多高價值交易通過該平臺達成，GPU 拍賣正成爲一個值得關注的 AI 基礎設施市場環節。

#FLT #DePIN #Web3

你更願意拿着一個真正有實際用途的代幣，還是一個只有在圖表開始動的時候才引起關注的代幣？

這就是爲什麼 $FLT 值得關注。

@Fluence 正在爲 AI 經濟打造去中心化計算基礎設施，而 $FLT 位於其網絡經濟學的核心。

那麼 $FLT 實際上能做什麼？

→ 質押：可以將 FLT 進行質押，以幫助保障並提供計算資源，代幣持有者能夠參與質押。

→ 治理：FLT 持有者可以參與 Fluence DAO 治理，並對塑造網絡的提案進行投票。

→ 網絡激勵：FLT 是激勵體系的一部分，用於協調計算提供者，並幫助保障網絡。

我覺得有意思的是，這個代幣並沒有完全與基礎設施脫鉤。

網絡聚焦於 AI 和 GPU 計算，Fluence 表示它現在在 32 個區域、71 個數據中心提供 1,400+ 臺 GPU。

我認爲這也是在上一次 $FLT 上漲時，可能有人忽略了更大的圖景。

拉昇（pump）會吸引所有人的注意。

但讓我要繼續關注的，是它的實用性。

現在更有趣的問題不只是 $FLT 下一步會去哪裏。

而是圍繞它所支撐的基礎設施，能構建出多少價值。

AI 需要計算。
Fluence 正在打造計算層。
$FLT 則是其背後經濟層的一部分。

你認爲在 DePIN 的下一階段，實用型代幣會跑贏純敘事型項目嗎？

#Fluence #DePIN #AI

$6M GPU 合約：@Fluence

GPU 變得稀缺、昂貴，且對打造 AI 產品的團隊愈發重要。但擁有 GPU 只是問題的一半。另一半在於，將可用的算力容量連接到真正需要它的團隊。

這就是為什麼 https://auctions.fluence.network/ 的 GPU 拍賣會出現。

自推出該市集以來，已記錄了價值 $6M 的 GPU 叢集合約。

模型很簡單：

→ 團隊發布其算力需求
→ 提供方以出價競爭
→ 買家比較價格、SLA 與租賃窗口
→ 以被接受的出價作為合約形成基礎

目前的市集顯示，在 4 個國家中共有 6,468 台 GPU 可用。

我覺得這裡最有趣的是，從單純租用算力，轉向建立一個圍繞 GPU 容量更具競爭性的市場。

AI 需要更多算力。

但它也需要更好的方式來分配我們已經擁有的算力。

而 Fluence 正在嘗試解決這一面的問題。

需要算力？有容量？

#Fluence #DePIN #AI #Web3