站在 Asim Munir 另一侧的,是过去一年推动美巴关系转型的关键人物:Bilal Bin Saqib,35 岁,自称「加密圈人士」。他坦言自己上大学时曾打三份工,其中包括打扫厕所。在活动现场,Saqib 盛赞 Zachary Witkoff 与 World Liberty Financial 其他高管的到访,称此举帮助「巴基斯坦登上国际舞台」。
不过,给他带来最大外交与商业回报的,还是与 World Liberty Financial 的紧密关系。该公司去年 4 月聘请 Saqib 担任顾问。World Liberty Financial 发言人 David Wachsman 表示,Saqib 进入政府部门任职后便辞去了这一职务,且任职期间并未领取薪酬。
上个月,Saqib 在佛罗里达州特朗普的海湖庄园俱乐部,发布了与 Zachary Witkoff 及公司其他高管的自拍。几乎同一时间,巴基斯坦与美国达成协议,翻新曼哈顿罗斯福酒店,这笔交易正是由 Steve Witkoff 牵头谈判。
5 月下旬,Saqib 在拉斯维加斯一场比特币大会上推介巴基斯坦的加密产业崛起,与会者还包括美国副总统 JD Vance 以及总统之子小唐纳德·特朗普和埃里克·特朗普—— 两人均为 World Liberty Financial 联合创始人。几天后,Saqib 在白宫会见了时任总统数字资产顾问委员会主任的 Bo Hines。
摩根士丹利分析师 Joseph Moore 在 3 月 26 日的研报中反驳了这一逻辑,维持美光和 SanDisk 的「增持」评级。Moore 指出,TurboQuant 压缩的仅是 KV Cache 这一特定类型的缓存,而非整体内存使用量,并将其定性为「正常的生产率改进」。富国银行分析师 Andrew Rocha 同样援引杰文斯悖论认为,效率提升降低成本后反而可能刺激更大规模的 AI 部署,最终拉升内存需求。
旧论文、新包装:AI 研究到市场叙事的传导链风险
据技术博主 Ben Pouladian 分析,TurboQuant 论文于 2025 年 4 月就已公开发布,并非新研究。3 月 24 日谷歌通过官方博客重新包装推广,市场却将其当作全新突破进行定价。这种「旧论文、新发布」的推广策略,叠加论文中可能存在的实验偏差,折射出 AI 研究从学术论文到市场叙事传导链条中的系统性风险。
对 AI 基础设施投资者而言,当一篇论文声称实现了「数个数量级」的性能提升时,首先需要追问的是基准对比的条件是否公平。
在对话的一开始,余弦便直接表示,业内的许多人还在把 AI 的安全威胁视作“未来时”,但现实进度可能会比行业想象得更快一些 —— AI 对加密安全的影响,不是即将到来,而是早已开始发生。在他看来,AI 对于加密货币安全的影响路径主要有两大类。
第一类是攻击者主动利用 AI 作恶。这既包括过去两年间已在加密行业内泛滥的社交工程攻击,即通过深度伪造视频、伪造音频在社交媒体上发起远程诈骗;也包括更偏“技术流”的直接攻击方案,即基于公开漏洞样本、真实攻击案例以及利用细节,借助 AI 去训练漏洞发现、漏洞利用的方法论 —— 这不仅限于智能合约领域,任何能够基于历史经验进行训练与实操的安全环节,都可能成为 AI 的用武之地。
第二类风险当下相对容易被忽视,但却更值得行业警惕 —— 项目方自己在用 AI 开发,却把新的安全问题一起带进了系统。随着 AI 编程能力的不断升级,从改进生产力的角度来看,越来越多的项目方开始依赖于 Vibe-Coding 进行代码编写。效率的提升确实肉眼可见,可副作用也同样明显,AI 难免会出现“幻觉”,它可能因为依赖污染、错误安装包、错误代码库引用等问题,把隐患直接写进生产环境。
这并非危言耸听。今年 2 月,借贷协议 Moonwell 便因预言机喂价公式错误而被盗 178 万美元,而导致公式错误的直接原因便是该项目依赖 Claude Opus 4.6 编写了存在漏洞的代码,cbETH 的价格被错误设置为 1.12 美元,而当时的实际价格应为约 2200 美元。
除去大资金项目外,另一类高危目标,是刚上线不久、漏洞又比较明显的新项目。 此类项目的资金规模虽然有限,却经常成为“抢跑式攻击”的牺牲品。因为在 AI 的加持下,批量扫描、自动识别、自动利用的链路已经越来越成熟,一些新项目在刚上线不久、资金规模还没完全做大之前,就可能因为明显甚至低级的漏洞,被多支攻击队伍同时盯上。此时比的不是谁更聪明,而是谁更快。谁先下手,谁就可能先拿到收益。
在对话中,余弦反复强调的一点是,项目方应该更主动地拥抱 AI。原因很简单,外部的攻击者都在用 AI 武装自己,而你如果还停留在“只靠传统人工审计、系统跑了很久应该没事”的思路里,本质上就是在打一场信息差极大的战争。
从生产力发展的角度来看,“用 AI 去写代码”是必然趋势,但问题在于,你不能只想着享受 AI 带来的效率提升,却不愿建立与之匹配的安全流程 —— 越是在研发流程中深度引入 AI,越要在上线前建立更严格的交叉审查与人工把关机制,比如使用多个 AI 模型进行交叉检验,或是让真正有安全经验、懂工程可靠性的角色参与最终审核。
说白了,就是“别躺平,要勤快一点”。尤其是那些 TVL 已经很高、协议里沉淀着大量用户资金的项目,更应该主动把当前最强的模型能力、安全团队能力结合起来,围绕现有系统重新做一轮安全策略升级。哪怕不是完全依赖 AI,也至少应该理解你的对手正在用什么工具,你自己又该如何应对。这件事在用户认知方面也会是加分项。一个愿意公开拥抱 AI 安全升级、并持续进行风险复检的项目,至少会让市场知道,它没有把历史成绩当作可以偷懒的资本。
相较于还有能力构建体系、投入预算、升级流程的项目方,普通用户在 AI 安全攻防升级面前,处境其实更被动。余弦就此直言道:“对于绝大多数散户来说,这件事(保护自己)确实很难。”
真正有能力在风险发生时快速反应并止损的,往往不是普通意义上的散户,而是那些本身就具备较强信息获取与链上操作能力的人。他们可能已经构建了自己的监控与预警机制,甚至会借助 AI 来自动接收攻击提示。一旦某个池子、某个协议出现异常,就能第一时间撤资、转移仓位,从而完成一定程度的止损,更激进一点的,甚至还能在安全事件爆发时,顺着市场情绪操作获利。
换言之,Mythos 等更强大模型的出现未必意味着风险从零到一地诞生,而是让行业更清楚地意识到,原来很多原本只停留在想象中的攻击能力,现实里早就已经有人在研究、验证,甚至使用。余弦在采访中提到,从漏洞发现到漏洞利用,这本来就是两个不同阶段,而围绕这两件事,顶级模型公司和一些更垂直、更低调的团队(比如会有团队针对智能合约安全对 AI 进行满血版的私有化训练),很可能都已经积累了相当多的成果。
在余弦的逻辑里,更强模型不是单纯的坏消息,而是一场更彻底的筛选机制。如果某个项目连 AI 带来的挑战都无法承受,那么它本身可能就不应该在未来继续成长,因为 AI 会越来越公平地暴露那些原本被侥幸、惯性和信息不对称掩盖的问题。真正能留下来的项目,不是“暂时没被打到”的项目,而是“即使在 AI 时代也经得起打”的项目。