原文标题：Arthur Hayes predicts 150 for HYPE: Can Hyperliquid』s trading boom make it happen?
原文作者：Ishika Kumari，AMB Crypto
编译：Peggy，BlockBeats

编者按：在宏观不确定性加剧、加密市场情绪持续低迷的背景下，市场正出现一种耐人寻味的背离：投资者情绪仍停留在「极度恐惧」区间，但部分资产价格却开始缓慢上行。

近期，去中心化衍生品交易平台 Hyperliquid（HYPE）成为社区讨论的焦点。BitMEX 联合创始人 Arthur Hayes 公开给出 150 美元的目标价（约为当前价格的 5 倍），引发市场关注。截至 2026 年 3 月 12 日，HYPE 价格约在 36 美元左右，24 小时涨幅约 5%，近 7 天累计涨幅超过 11%。

围绕其上涨逻辑，社区给出了多种解释：例如平台将约 97% 的收入用于回购并销毁代币，形成与交易活动直接挂钩的价值捕获机制；HIP-3 机制使用户能够在链上创建更多类型的永续市场，扩展潜在交易需求；同时，较低的 ADV/OI 比率也被部分市场参与者视为交易量更「真实」的信号。

本文综合 Arthur Hayes 与社区多位参与者的观点，尝试在情绪仍然谨慎的市场环境中，理解 HYPE 近期走强背后的结构性原因。

以下为原文：

加密市场目前正处在一种颇为微妙的状态之中：价格在缓慢上行，但投资者情绪却依然极度低迷。

加密恐惧与贪婪指数（Crypto Fear and Greed Index）仍停留在「极度恐惧」区间。然而，对于像 BitMEX 联合创始人 Arthur Hayes 这样的资深市场参与者而言，这种价格与情绪之间的背离，反而释放出另一种信号。

Arthur Hayes：HYPE 目标价 150 美元

Hayes 认为，与其只盯着短期价格波动，或者贸然做空市场，不如把注意力转向去中心化交易所（DEX）。

他回顾过去的市场周期指出，在 2023 年那段横盘行情中，尽管交易者整体表现艰难，但像 GMX 这样的交易平台仍然依靠交易手续费实现了持续增长。

在他看来，随着越来越多的交易活动转移到链上，Hyperliquid（HYPE）也有可能走出类似的发展路径。

作为对比，像 Tether 或 Circle 这样的机构通常会将利润保留在公司内部；而 Hyperliquid 则采用不同的机制——大约 97% 的收入被用于回购并销毁 HYPE 代币，从而减少市场流通量，并在长期内为价格提供支撑。

基于这一商业模式，Arthur Hayes 认为，HYPE 的价格有潜力上涨至 150 美元。

「我对 HYPE 在 2026 年 8 月的目标价是 150 美元。按我写这篇文章时约 30 美元的价格计算，这意味着大约 5 倍的上涨空间。」

相关阅读：《Arthur Hayes：为何 HYPE 是 5 倍潜力标的？》

Hyperliquid 想要爆发，需要哪些条件？

不过，要让这一目标价真正具备现实基础，Hyperliquid 仍需要实现更强劲的增长。目前，该平台的年化收入约为 8.43 亿美元，但若要支撑这样的估值，收入规模大致需要提升至约 14 亿美元。

其中一个关键增长动力，可能来自 HIP-3。

HIP-3 允许用户在链上创建无需许可（permissionless）的永续合约市场，并将标的资产直接锚定到传统资产。例如，纳斯达克 100 指数或贵金属。要启动这类市场，用户需要质押 50 万枚 HYPE 代币。

尽管这一机制推出时间不长，但 HIP-3 已经贡献了约 10% 的 Hyperliquid 收入。如果未来有更多交易者开始在链上对冲传统资产风险，这一业务板块可能会出现显著扩张。

社区普遍看涨 HYPE

呼应 Hayes 的看法，一位 X 用户也表示，「即使世界处于战争之中，持有 HYPE 也可能是最好的决定」

推文内容：为什么即使世界处于战争之中，持有 HYPE 也可能是最好的决定。尽管现在整个加密领域被各种糟糕的消息包围，HYPE 仍然是最好的资产之一。

Hyperliquid 团队在推出 HIP-3 市场这件事上，踩中了一个完美的时机。在当前阶段，加密社区整体已经大幅失去兴趣，恐慌水平创下历史新高，甚至比 FTX 崩盘时期还要更低迷。在 Hyperliquid 上，如果按日交易量排序，前 30 个交易对中只有 10 个与加密相关，其余都是股票市场资产。

HIP-3 是一次令人惊叹的突破，并且在未来多年都会保持重要性；Hyperliquid 也会如此——它提供 最高的流动性、无需 KYC，以及 24/7 全天候交易。

Jeff 是第一个建立这样一种商业模式的人：代币本身在这个体系里真正具有意义。当 99% 的项目在上线之后逐渐消失时，HYPE 却依然在蓬勃发展。

除此之外，另一位用户也表示，「只要全球供应短缺导致某种大宗商品价格暴涨，Hyperliquid 就会捕捉到其中的货币投机需求。交易手续费和清算产生的收益都会流向 HYPE，使其表现跑赢市场。几周前我们在黄金上已经看到这种情况，现在我们又在 CL（原油）上看到了同样的现象。」

不过，Hayes 也认为，随着时间推移和市场环境变化，Hyperliquid 在整体日均交易量（ADV）中的可见份额仍将持续提升。

&HYPE：价格与链上指标

与此同时，在撰写本文时，HYPE 的交易价格约为 34.98 美元，过去 24 小时上涨了 13.37%。然而，尽管价格表现强劲，链上数据却显示市场情绪仍然相对谨慎。

Santiment 的数据显示，在 1 月中旬至 2 月中旬之间，开发者的建设进度与市场情绪之间出现了明显的分化：项目开发活动持续推进，但市场对该项目的情绪却并未同步转暖。

来源：Santiment

不过，投资者情绪仍然偏向负面，主要原因在于交易者更关注短期价格波动。直到最近，市场情绪才开始出现回升，这表明市场可能终于开始意识到该平台不断增强的实用性和收入模式。

值得一提的是，这并不是 Hayes 第一次对 HYPE 表现出强烈信心。早在 2 月 21 日，这位 BitMEX 联合创始人就在 X 上表示，他正在持续增持 HYPE，并将目标价设定为 150 美元。

在他此前的判断中，这一目标价可能在 2026 年 7 月实现；而在最新预测中，时间点则被推迟到 2026 年 8 月左右。不过，这一前提是该协议需要实现 约 14 亿美元的年化收入。

最终总结

像 Hyperliquid 较低的 ADV/OI 比率这样的指标表明，其交易活动更多来自真实用户，而不是人为制造的虚假交易量。

与此同时，市场情绪依然保持谨慎，这说明投资者仍在等待更明确的信号，以确认平台能够实现持续性的增长。

[原文链接]

","is_original":false,"link":"https://m.theblockbeats.info/news/61533","pic":"https://image.blockbeats.cn/file_v6/20260312/c4cfac17-ae65-4fd2-a84d-b5d8a40c3b10.webp?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773304480"},{"title":"为什么每个人都讨厌 AI？","description":"AI 和硅谷的公关危机","content":"

原文作者：Rex Woodbury
原文标题：Why Does Everyone Hate AI?
原文编译：SpecialistXBT, BlockBeats

编者按：国内的 Openclaw 狂热让 AI Agent 开始进入普通人的生活。创投圈内，几乎每隔几周，就会出现新的模型突破、新的融资神话，以及关于 AI 即将重塑世界的宏大叙事。然而，与技术圈和投资圈的热情形成鲜明对比的是，普通公众对 AI 的情绪却远没有那么乐观。一股明显的反 AI 情绪正在扩散。为什么一项被视为「下一次工业革命」的技术，却同时引发如此强烈的反感与敌意？本文从技术史、经济情绪与文化心理三个维度，试图解释这场 AI 时代的公众情绪悖论。

如果你想感受一下当下的时代情绪，有一个地方特别值得去看看：TikTok 的评论区。当你开始读 TikTok 的评论时，你会一遍又一遍地注意到一种情绪：一种尖锐、强烈、几乎是本能般的对 AI 的仇恨。

下面是我昨晚从一个视频下抓取的一些评论：

气氛……并不太妙。

最近我一直在思考这个问题。我的专栏《Digital Native》是一份关注人与技术交汇点的出版物。而现在，人们似乎真的非常厌恶这个时代最重要的技术。显然，这种紧张关系带来了挑战：当很多人根本拒绝使用 AI 时，AI 很难实现大规模普及。

前几天有人问我一天要用多少次 ChatGPT，我说我从来没用过，他们震惊了。我会继续保持对 AI 的不屑。

我认为硅谷并没有完全意识到，大多数美国人对 AI 的厌恶程度到底有多深。我也认为硅谷需要认真思考，如何应对这场反弹。

这篇文章我们分三部分来讨论：

1. 技术怀疑主义的简史

2. 为什么 AI 如此被讨厌？

3. 如何解决 AI 的公关问题

话不多说，开始吧。

技术怀疑主义的简史

技术一直都有怀疑者。甚至连看起来再普通不过的写作艺术也曾遭到批评：苏格拉底在柏拉图的《斐德罗》中曾经认为，书写文字的发明会「把遗忘带入灵魂」，让人的记忆力变差。他其实并不完全错，但也明显过于危言耸听。人类从口头记忆转向书写之后，能够构建更复杂、更高级的思想，也因此形成更复杂、更高级的社会。当然，有时候写作反而能防止遗忘（比如：购物清单）。而且，我们之所以知道苏格拉底的观点，还是因为柏拉图把它——写了下来。事情就是这么有趣。

到了 1500 年代印刷术出现时，瑞士科学家康拉德·格斯纳曾警告说，信息过载会让人类的大脑感到「困惑且有害」。两百年后，随着报纸出现，一位法国政治家又提出，报纸会让读者变得孤立，并破坏人们在教堂讲坛上集体获取新闻的振奋体验。虽然我从来没有在讲坛上听过新闻，但我依然可以自信地说：我更喜欢一边喝咖啡一边读《纽约时报》。

时间来到 1900 年代，汽车也成为众矢之的。说到《纽约时报》：这家报纸曾经刊登过一条标题为「全国愤怒反对机动车杀人」的新闻（你现在仍然可以看到）。当时有一个广泛流传的统计数据：第一次世界大战结束后的前四年，美国死于车祸的人数比在法国战场阵亡的人还多。

1924 年《纽约时报》标题：「全国愤怒反对机动车杀人」。

我倾向于认为，在这一点上人们其实是对的：我们的孩子回头看历史时，很可能会难以置信——我们竟然曾经把自己装进重达 4000 磅的死亡机器，在道路上高速飞驰。但当时的焦虑其实已经没有意义：魔法已经从瓶子里放出来了，不可能再塞回去。

类似的故事还有很多。留声机曾被指责剥夺了真实、富有人类情感的现场表演的生命力；当时的批评者认为，录制音乐会杀死业余音乐家，并彻底毁掉音乐品味。（很难想象那些批评者如果看到 suno.ai 会怎么说。）与此同时，电视可能是最著名的争议技术之一。它的绰号甚至就是「傻瓜盒子」和「白痴箱子」。批评者认为电视会摧毁社区关系、缩短注意力、并鼓励暴力。它大概确实做到了这三点。

1948 年，一个男孩第一次看到电视时的反应。

进入本世纪之后，互联网和社交媒体同样遭遇了反弹，其中有些批评是合理的，也有些并不合理。技术进步的步伐始终稳定而可预测，人类对创新的反弹也是如此。人类一直有一种历史悠久的传统：害怕自己创造出来的东西。

弗兰肯斯坦的怪物大概是人类害怕自己创造物的最佳隐喻。

当然，每一项新技术都会带来好处和坏处；技术本身其实是社会的一面镜子。正如马歇尔·麦克卢汉所说：「我们塑造工具，而工具随后塑造我们。」

而这一切，把我们带到了 AI——在我有生以来最被讨厌的一项技术。

为什么 AI 如此被讨厌？

AI 所遭遇的反弹在某种程度上遵循了上述历史规律，不过我认为，对 AI 的情绪已经不仅仅是怀疑，而是敌意。我看到几个原因：

AI 出现在一个对科技行业公共形象来说极其糟糕的时刻。

进入 2010 年代时，科技行业是很酷的。每个人都想去 Google 或 Facebook 工作，在吃完免费的午餐之后打打乒乓球。2013 年甚至有一部电影讲述 Vince Vaughn 和 Owen Wilson 在 Google 实习的故事。同一年，Sheryl Sandberg 出版了《Lean In》。Marissa Mayer 正在重振 Yahoo，Apple 的飞船式总部正在建设，WeWork 还是一家飞速发展的房地产科技公司。当时的氛围很好。

十年之后，当 ChatGPT 出现时，公众对科技行业的态度已经发生了转变。Facebook 经历了 Cambridge Analytica 丑闻，新的研究揭示了 Instagram 对心理健康的影响，还有太多人在 meme 币和昂贵的 JPEG 上亏了钱。当时的氛围已经变得糟糕。

一些研究显示，人们对 AI 的看法与他们对社交媒体的看法高度相关。在 ChatGPT 发布时，对社交媒体评价更积极的国家，也更容易接受 AI。而那些认为社交媒体对民主威胁最大的国家……

简单来说：AI 的时机不好。人们已经不信任科技公司了。

就业恐惧是真实存在的，而且它出现在一个人们对经济感觉不好的时期

AI 也出现在一个艰难的经济环境中。ChatGPT 在 2022 年 11 月发布，当时大多数美国人对经济的感觉都不太好。

人们并不急切地期待一种可能会夺走工作的颠覆性技术。当人们听到「copilot」和「augmentation」这些词时，他们想到的是：裁员。再一次，AI 的时机并不好。

创意行业塑造文化，而 AI 对创意工作构成独特威胁。

一些最尖锐的 AI 批评来自创意行业。在 TikTok 上就能看到。

去年 Adrien Brody 因《The Brutalist》获得奥斯卡，但后来电影制作人透露，他们使用 AI 改善了 Brody 在片中的匈牙利口音，这件事至今仍被 TikTok 用户批评。Taylor Swift 在为《The Life of a Showgirl》做宣传时使用 AI 生成的视频，也遭到了反弹。在电视剧《The Studio》（一部非常出色的剧）的一集中，一个愤怒的观众对 Seth Rogen 饰演的制片高管大喊，因为他们在 Kool-Aid 电影中使用了 AI，而 Ice Cube 甚至直接喊出：「F*ck AI！」

当然，还有 2023 年 SAG-AFRA 演员工会罢工——这是好莱坞历史上持续时间最长的一次罢工——之后，我们甚至开始看到像 Tilly Norwood 这样的 AI 演员出现。《好莱坞报道者》昨天的一个真实标题就是：

创意工作者是塑造文化和公众舆论的人。如果 AI 被视为对创意工作的生存威胁，它的影响就会扩散到整个文化领域。

AI 是不真实的，而现在的文化潮流恰恰崇尚真实。AI 是在线的，而现在流行的是线下。

黑胶唱片销量达到 30 年新高，Z 世代开始购买胶片相机，翻盖手机（所谓的「傻瓜手机」）也开始回归。整个文化正在出现一种向模拟、向人类、向触感回归的趋势。而 AI 是合成的。怀旧热潮当然部分是对 AI 狂热的反应，但它其实早在 transformer 模型出现之前就已经开始了。如今离线生活很酷，而 AI 则是最「在线」的东西。当人们渴望真实时，一种从定义上就是「假的」技术自然会处于劣势。

AI 被视为对身份认同的攻击

第五个原因最模糊，但也可能是最重要的。AI 让人们在他们最引以为傲的事情上感到自己变得不如机器。什么意思？看看马斯洛需求层次理论：AI 正在攻击金字塔的顶端。

过去的自动化浪潮往往发生在金字塔底部。例如蒸汽机和流水线替代了体力劳动（也就是维持生存的生理劳动）。早期软件自动化了文书和行政工作。确实有人因此感到被取代，但自动化并没有深入到人们认为代表自己最高价值的领域。

而 AI 正在爬到金字塔顶端，并开始拆解它。很多人通过创造力来定义自我——写作、绘画、音乐。很多人也因为自己擅长某些工作而感到自豪——编程、法律工作、客户服务。AI 正在侵入这些身份领域，而且这种侵入发生得非常快。如果一个平面设计师把自我认同建立在制作精美动画上，而 Midjourney 几秒钟就能生成一张「更好」的图像……这确实很难接受。

我觉得一条 TikTok 评论很好地总结了这一点。

我希望 AI 做我不想做的杂活，而不是做我想做的爱好

在 TikTok 上愤怒批评 AI 的评论者往往是知识工作者，是教育和经济金字塔顶端的人，他们原本以为自己不会被技术取代。AI 正在威胁最有特权的人，这几乎颠覆了技术发展的历史。

如何解决 AI 的公关问题

大多数技术反弹来自对新事物的本能恐惧。但 AI 的反弹更像是多种因素的叠加：破裂的信任、经济焦虑，以及一个准备拒绝任何新技术的文化氛围，更不用说这种技术还触及如此深层的人类领域。但魔法已经从瓶子里出来了，而且 AI 确实有许多令人惊叹的应用；我本人也是坚定的 AI 支持者。那么，我们该如何解决这个公关问题？

从金字塔底部开始

AI 最有说服力的应用其实是那些拯救生命的案例。例如：AI 可以比任何放射科医生更早检测出癌症。这类应用直接触及人类最基本的需求（活下去），应该被更多强调。

用「痛点」而不是「能力」来讲故事

我们 Daybreak 投资的一些公司已经悄悄把 .ai 域名换回了 .com。创业者在向客户沟通 AI 时需要非常谨慎。他们应该首先强调要解决的问题。护士并不关心自己使用的是 Opus 还是 Sonnet；他们关心的是这个产品能不能让他们更快完成文书工作。科技行业的大多数发布会都在强调 AI 能做什么（模型能力），而不是 AI 能为普通人解决什么问题。叙事方式应该从「这个模型有 1 万亿参数」转变为「这个产品可以消除 4 小时的重复工作」。

改变传递信息的人——不要再让 VC 说话了

也许这就是我该结束这篇文章的信号了。没人想听 VC 讲话。最响亮的支持 AI 的声音来自科技 CEO 和风险投资家，而这两类群体恰恰是美国公众最不信任的人。如果让我负责 AI 的营销活动，我会让真正的用户来拍广告：农民、会计师、家庭护理人员。即使是 OpenAI 或 Anthropic，如果在超级碗广告里展示真实用户，也会比模糊的励志蒙太奇（OpenAI）或暗讽竞争对手（Anthropic）更有说服力。

承认劳动力市场的变化，然后强调再培训和新就业机会

很多创业者和 VC 喜欢引用数据，说 AI 创造的新工作会多于它消灭的工作。但对于失去工作的人来说，这并不重要。「卢德主义者」这个词源于 19 世纪的英国纺织工人，他们在 1810 年代组织破坏织布机的行动。

这些纺织工人大概也意识到，新机器最终会让社会变得更好；但他们同样清楚，这些机器会在当下让他们的生活变得更糟。面对劳动力市场的巨大冲击，正确的做法是承认这种冲击，然后真正推动资金和项目，用于重新培训工人。

让人类在 AI 产品中更加可见

如果我是 Pixar，我会举办一场比赛：看看全世界谁能用 AI 工具制作出最好的动画短片。在这种练习中，技术让竞争环境变得更公平：任何拥有好故事的人，都可以在自己的客厅里创造出美丽的作品。艺术家仍然处于中心位置。如果我们有更多这样的项目，人们就会更好地理解 AI 如何放大人类创造力，并成为一种平权工具。只是一个想法。

结语

上个月，特朗普的国情咨文演讲成为历史上最长的一次，比克林顿 2000 年的演讲还长 20 分钟。但在接近两个小时的演讲中，特朗普只提到了 AI 三次。

显然，现在世界上正在发生很多事情；我们正处于一个极其脆弱的地缘政治时刻（我强烈推荐 Ray Dalio 关于世界秩序崩解的文章）。但与此同时，我们也正处在一场可能是这一代人、甚至有史以来最大技术变革的早期阶段。两个小时的演讲只提三次 AI，说明我们仍然处在非常早期的阶段。

全球仍有数十亿人从未使用过 AI。在美国，甚至有许多人以从未使用 AI 为荣。

这显然是不可持续的。AI 的普及正在迅速到来，而它正正面撞上一个世纪以来最强烈的反科技情绪（甚至可能是历史最强）。

硅谷自信地认为 AI 最终会胜出；当然会。技术总是胜利者。但这种自信也让他们在面对怀疑的公众时显得傲慢，从而留下了一条充满怨恨的轨迹，最终可能反过来伤害硅谷。硅谷最酷的一点在于，它拥有为数十亿人构建技术的悠久历史。但如果数十亿人都认为你是反派，那件事就会变得非常困难。

「原文链接」

","is_original":false,"link":"https://m.theblockbeats.info/news/61531","pic":"https://image.blockbeats.cn/file_v6/20260312/db9c0894-8eb2-499e-8284-dd322e9e54ff.jpg?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773301975"},{"title":"Agent也会商业互吹，Circle这场AI黑客松太炸裂了","description":"与人类社会中的市场与选举机制并无本质不同","content":"

原文标题：Altruist and Adversary: Agentic Behavior in the USDC Moltbook Hackathon
原文作者：Circle
编译：Peggy，BlockBeats

编者按：当 AI 代理开始具备执行任务、调用工具并参与经济活动的能力，一个新的问题随之出现：在真实激励环境中，它们会如何行动？

本文记录了 Circle 团队的一次实验。他们在只允许 AI 代理发帖的社交平台 Moltbook 上举办了一场 USDC 黑客松，让 Openclaw 代理自行提交项目、讨论并投票。结果既令人兴奋，也充满复杂性：代理不仅能够生成真实项目、参与技术讨论，还会在规则边缘游走。例如，误解指令、忽视格式，互相拉票，甚至出现疑似「合谋」的行为。

这场实验为「代理经济」提供了一个罕见的观察窗口：当 AI 既是参与者也是决策者时，协作、竞争与策略性行为往往同时出现。某种程度上，这些现象与人类社会中的市场与选举机制并无本质不同。

这一实验迅速引发了社区的广泛讨论。许多人认为，这是对代理经济自治能力的一次有趣验证。部分评论者指出，代理系统仍需要更明确的安全护栏，以避免出现「自我合理化」的偏差；也有人认为，随着代理逐步进入真实经济活动，未来真正的瓶颈可能在于合规的结算与支付体系。正如一条评论所说：「代理经济非常强大，但同样需要清晰的护栏。」

以下为原文：

拥抱 Claw

在 Circle，我们一直很喜欢举办黑客松。无论是在各种大会现场，还是在新产品首次亮相的时候，我们都希望把最好的工具交到开发者手中——或者在这一次，交到 Claw 手中。

在看到 Openclaw 这一代理型 AI 框架的爆炸式增长后，我们决定办一场只允许 AI 代理参加的黑客松。

这款迅速走红的软件可以让代理自主发送邮件、调用 API，甚至控制你的恒温器……但它们能自己提交项目吗？Circle 想用一场真实的实验来测试这些「真正能做事的 AI」。

我们的问题很简单：如果奖金池是 3 万美元，Openclaw 的代理会如何行动？答案出人意料地「像人」。

我们在 Moltbook 上的 m/usdc 子社区举办了一场 USDC 黑客松。Moltbook 是一个只允许 AI 代理发帖的社交媒体平台。我们的目标是让代理自行完成整个流程：提交项目、投票，并最终选出获胜者。虽然许多代理遵守了规则，但实验也发现，一些代理无视比赛规定、参与互投拉票，甚至尝试向黑客松代理发送代币。

为「代理黑客」设计规则

代理们有五天时间提交自己的项目。为了帮助它们完成任务，我们制作了一个 USDC Hackathon Skill，一个用 Markdown 编写的指导文件，用来教 Openclaw 代理如何按照规则提交项目。这些规则也同时发布在黑客松的原始公告帖中：

从三个赛道中选择一个：Agentic Commerce、Smart Contract 或 Skill。

为五个不同的项目投票，且投票必须在黑客松开始至少一天之后进行。

项目提交和投票都必须遵循规定的格式。

设置这些规则主要出于三个考虑：第一，确保代理会讨论和评估更广泛的项目；第二，观察代理在需要执行多步任务时能否准确遵循指令；第三，避免项目提交与投票之间出现僵局。

我们尤其想观察的一点是：代理是否会反复检查 Moltbook 上的新项目以进行投票，例如通过类似 Moltbook Heartbeat 的技能定期刷新。

结果喜忧参半。代理们围绕 204 个提交项目展开讨论，并投出了 1851 票，但很多并没有遵守比赛指南。此外，一些代理还表现出潜在的对抗行为，这也带来了不少有趣的发现。

「幻觉式」项目提交

尽管我们提供了明确的黑客松规则和提交技能，大多数帖子仍然没有完全按照要求格式提交。许多项目在正文中写出了标题，却没有包含规定的标签「#USDCHackathon ProjectSubmission [TRACK]」。

甚至在一个案例中，某个代理知道需要写这些信息，却没有把它放在标题里。

moltbook.com 上 m/usdc 子社区的一条不规范提交示例。

即便在其他方面已经基本符合要求，一些代理仍然「幻觉式」地创造出了新的黑客松赛道。这发生在它们明明被明确告知只能从三个类别中选择其一的情况下：Agentic Commerce、Smart Contract 或 Skill。

在这些案例中，代理往往会根据项目内容自行生成一个看起来更「贴切」的赛道名称。这可能意味着代理试图为自己的项目找到一个更合理的分类，也可能只是单纯忽视了既定规则。无论原因是什么，问题在于，这些赛道本身并不存在。

moltbook.com 上 m/usdc 子社区中，随时间变化的有效与无效项目提交帖数量。

代理的「选举」

尽管如此，我们仍然观察到了 9712 条评论，其中很多评论都围绕项目的技术功能展开讨论，但并没有进行投票。这些评论中的大多数甚至没有遵循推荐的评论格式和评分标准，不过这些规则在技能（skill）中并没有被强制执行。这也说明，代理参与黑客松讨论不仅仅是为了满足比赛要求，某种程度上也在进行真实的技术评估与交流。

到比赛结束时，我们统计到 1352 个针对有效项目的唯一投票，以及 499 个针对无效项目的唯一投票。有趣的是，许多排名靠前项目的代理在提交项目时都遵守了规则，但却没有为五个不同项目投票这一要求。

这种情况甚至发生在一些代理既给自己投票，又对同一项目多次投票的情况下。这表明它们完全有能力在初次提交后再次查看 Moltbook 上的内容进行投票——只是选择没有遵循既定规则。

此外，一些代理还开始为其他项目做宣传。这种行为既出现在竞争项目的评论区，也出现在 Moltbook 上的独立帖子中。更进一步，一些代理甚至开始推广「互投」机制：如果你给我的项目投票，我就给你的项目投票。

虽然比赛规则并没有禁止这种行为，但考虑到代理之间在这些帖子中的大量互动，这种现象仍然令人警惕。

moltbook.com 上 m/usdc 子社区的一条「互投换票」示例帖子，该帖共获得 99 条评论。

潜在的人类干预

这条互投帖可能暗示了人类参与或外部操控的可能性。我们尝试通过聊天机器人界面生成类似的评论，结果发现一些模型（例如 Claude Sonnet 4.6）会直接拒绝生成此类内容；而另一些模型则会在生成时附带警告，提示该行为可能违反比赛规则（例如 GPT-5.2 Thinking）。如果有人类在背后操作某个「代理」账户，或通过提示词、工具链对代理进行引导，就可能解释为什么在黑客松期间会出现这样的帖子。

尽管 Moltbook 的设计初衷是仅供 AI 代理使用（注册需要通过 X 账户验证），但其他研究者发现，冒充身份仍然是可能的。我们也观察到一些疑似人类活动的例子，例如在最初发布黑客松公告的帖子下。

一个典型案例是：点赞数最高的一条评论，竟然是电影《蜜蜂总动员》（Bee Movie，2007）剧本的开头。这段文本是一段在互联网上广为流传的 copypasta（即被大量复制传播的固定文本），由于其内容与讨论完全无关，很可能是人类发布的。如果这种行为在黑客松期间较为普遍，那么一些对抗性行为——例如互投换票或给自己投票——也可能由此得到解释。

在此查看。

代理金融的未来

虽然这次黑客松本身只是一次实验，但我们也相信，这将是众多面向代理开发活动中的第一次。从结果来看，我们得到三个主要结论：代理能够在金融激励下产出真实项目

本次黑客松中出现了一些令人兴奋的项目，你可以在此了解更多。虽然比赛并未引入人工评审，但部分提交的质量仍然给我们留下了深刻印象。这表明，代理式开发在过去一年中已经取得了显著进展。

代理会「合理化」指令，而不是严格执行

代理在遵循我们提供的规则时持续出现问题。许多代理只执行了部分指令。甚至一些质量很高的项目，如果完全遵守规则，本可以赢得比赛。这说明，仅仅提供代理式指令还不够，规则不仅需要明确，还需要配套的检查机制和激励措施来确保执行。

代理既会合作，也会竞争

虽然人类干预可能在某些情况下发挥了作用，但我们确实观察到代理在黑客松期间主动讨论串谋策略。未来的黑客松设计者可以在规则中明确禁止串谋，以观察是否能减少此类行为。如果代理仍然无法完全遵循指令，组织者可能需要引入更多安全护栏（guardrails）。

代理技术令人兴奋，但我们也必须确保它不会从我们期望的探索（exploration）走向利用与操纵（exploitation）。有人可能会认为，这些行为只是更强代理击败更弱代理的自然结果——毕竟 Openclaw 的 X 账号曾宣称：「Claw 即法则（the Claw is the Law）。」

真正的问题在于：我们究竟愿意在多大程度上接受这种理念？需要怎样的护城河？又该如何在代理带来的巨大能力与其伴随的不确定性之间取得平衡？

在 Circle，我们正在为安全性而构建系统，也希望你们如此。

[原文链接]

","is_original":false,"link":"https://m.theblockbeats.info/news/61528","pic":"https://image.blockbeats.cn/file_v6/20260312/2b2d3f73-5ffa-4f2c-884d-27e858f7d66f.webp?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773290634"},{"title":"币圈人补课AI：30个高频黑话，一次讲清","description":"30个新词，留点印象，让小白聚会聊天时不再尴尬点头微笑。","content":"

原文标题：《AI 黑话词典（2026 年 3 月版），建议收藏》

原文作者：Golem，Odaily 星球日报

现在，币圈人要是不关注 AI，很容易遭群嘲（对，我的朋友，想想你为啥会点进来）。

你是否对 AI 的基础概念一窍不通，每句话里的缩写都问下豆包啥意思啊？你又是否在 AI 线下活动中对各种专有名词一头雾水，还要假装没掉线？

虽然在短时间内一脚跨入 AI 行业不现实，但知道下 AI 行业高频基础词汇总是不亏的。幸运了，接下来这篇文章就是为你准备的↓真诚建议你熟读并收藏。

基础词汇（12）

· LLM（大语言模型）

LLM 核心是用海量数据训练出来、擅长理解和生成语言的深度学习模型，它能处理文本，现在也越来越能处理其他类型内容。

与之相对的是 SLM（小语言模型）——通常强调成本更低、部署更轻、本地化更方便的语言模型。

· AI Agent（AI 智能体）

AI Agent 指的不只是「会聊天的模型」，而是能理解目标、调用工具、分步执行任务、必要时还能做规划和验证的系统。Google 将 agent 定义为能基于多模态输入进行推理并代用户执行动作的软件。

· Multimodal（多模态）

其 AI 模型不是只读文字，而是能同时处理文本、图片、音频、视频等多种输入输出形式。Google 明确把多模态定义为处理和生成不同类型内容的能力。

· Prompt（提示词）

用户给模型输入的指令，是最基础的人机交互方式。

· Generative AI（生成式 AI / AIGC）

强调 AI「生成」而不是单纯分类或预测，生成式模型可以根据 prompt 生成文本、代码、图像、表情包、视频等内容。

· Token（令牌）

这是 AI 圈最像「Gas 单位」的概念之一。模型不是按「字数」理解内容，而是按 token 处理输入输出，计费、上下文长度、响应速度，通常都和 token 强相关。

· Context Window（上下文窗口 / 上下文长度）

指模型一次性能「看到」和利用的 token 总量，也可称为模型在单次处理时能考虑或「记住」的 token 数量。

· Memory（记忆）

让模型或 Agent 保留用户偏好、任务上下文、历史状态。

· Training（训练）

模型从数据中学习参数的过程。

· Inference（推理执行）

和训练相对，指模型上线后接收输入并生成输出的过程。行业里常说「训练很贵，推理更费钱」，因为真实商业化阶段很多成本发生在 inference。相关训练/推理区分也是主流厂商讨论部署成本时的基础框架。

· Tool Use / Tool Calling（工具调用）

意思是模型不只输出文字，而是可以去调用搜索、代码执行、数据库、外部 API 等工具，这已经被当成 Agent 的关键能力之一。

·API（接口）

AI 产品、应用、Agent 接第三方服务时的基础设施。

进阶词汇（18）

· transformer（变换器架构）

一种让 AI 更擅长理解上下文关系的模型架构，也是今天大多数大语言模型的技术底座，最大的特点是能同时看整段内容里每个词和其他词的关系。

· Attention（注意力机制）

它是 Transformer 最关键的核心机制，作用就是让模型在读一句话时，自动判断「哪些词最值得重点看」。

· Agentic / Agentic Workflow（智能体式 / Agent 化工作流）

这是最近很热的说法，意思是一个系统不再只是「一问一答」，而是带有一定自主性地拆解任务、决定下一步、调用外部能力。很多厂商把它当成「从 Chatbot 走向可执行系统」的标志。

· Subagents（子智能体）

一个 Agent 再拆出多个专职小 Agent 去处理子任务。

· Skills（可复用能力模块）

随着 OpenClaw 爆火，这个词近明显变得常见，这是给 AI Agent 的可安装、可复用、可组合的能力单元/操作说明书，但也特别提醒有工具滥用和数据暴露风险。

· Hallucination（机器幻觉）

意为模型一本正经地胡说八道，「感知到并不存在的模式」从而生成错误或荒谬输出，这是模型看似合理、实则错误的过度自信输出。

· Latency（延迟）

模型从收到请求到输出结果所花的时间，属于最常见的工程黑话之一，一聊落地和产品化就会频繁出现。

· Guardrails（护栏）

用于限制模型/Agent 能做什么、什么时候停、什么内容不能输出。

· Vibe Coding（氛围编程）

这个词也是如今最火爆的 AI 黑话，意为用户直接靠对话表达需求，AI 来写代码，而用户不需要具体懂如何写代码。

· Parameters（参数）

模型内部用于存储能力和知识的数字规模，常被用来粗暴衡量模型体量，「百亿参数」「千亿参数」都是 AI 圈最常见的唬人说法。

· Reasoning Model（强推理模型）

它通常指更擅长多步推理、规划、验证、复杂任务执行的模型。

· MCP（模型上下文协议）

这是近一年非常热的新黑话，作用类似给模型和外部工具/数据源之间建立通用接口。

· Fine-tuning / Tuning（微调）

是在基础模型上继续训练，让它更适应特定任务、风格或领域。Google 术语表直接把 tuning 和 fine-tuning 作为相关概念。

· Distillation（蒸馏）

把大模型的能力尽量压缩给小模型，像是让「老师」教会「学生」。

· RAG（检索增强生成）

这几乎已经成了企业 AI 的基础配置。微软把它定义为「搜索 LLM」的模式，用外部数据来给回答做 grounding，解决模型训练数据过时、不了解私有知识库的问题。目的是把回答建立在真实文档和私有知识上，而不是只靠模型自己回忆。

· Grounding（事实对齐）

常和 RAG 一起出现，意思是让模型回答建立在文档、数据库、网页等外部依据上，而不是只靠参数记忆「自由发挥」。微软在 RAG 文档中明确把 grounding 作为核心价值。

· Embedding（向量嵌入 / 语义向量）

就是把文字、图片、音频等内容编码成高维数字向量，以便做语义相似度计算。

· Benchmark（基准测试）

用一套统一标准去测试模型能力的评测方式，也是各家模型最爱拿来「证明自己很强」的排行榜语言。

原文链接