Jim Fan 的机器人、Waymo 的 2000 万次自动驾驶乘车、ElevenLabs 的情感化语音，从不同侧面说明，AI 已经不再只是处理文本、代码和图像的屏幕工具，而是开始理解并介入光、声、力、运动和空间。过去十年，「软件吞噬世界」是主线；接下来，AI 可能会直接进入实体世界，改变汽车、工厂、机器人、语音交互和物理制造本身。
第五，算力的尽头在物理底层。
当地面数据中心的土地、电力、散热都开始触顶，一批更激进的公司给出了不同解法：Starcloud 想把芯片送上太空，Recursive 让 AI 自主设计芯片，Unconventional AI 试图绕开冯·诺依曼架构去模仿大脑，Flapping Airplanes 则直接质疑「暴力 scaling」本身——如果人类只用少得多的数据就能学会同样的技能，那么今天的 AI 算法可能从根上就过于低效。算力竞争的终点，正在从买更多 GPU，走向能源、芯片、架构和数据效率的底层重构。
第六，安全已经进入「AI vs AI」的不对称战场。
XBOW 的智能体登顶全球白帽黑客排行榜，意味着 AI 已经不只是安全研究员的辅助工具，而是能够独立完成漏洞发现、验证和利用的自主攻击系统。更严峻的是，随着开源模型能力提升，这类攻击能力可能在未来 6 到 9 个月内快速扩散。网络安全不再是人类黑客之间的攻防，而是一场倒计时已经启动的 AI 军备竞赛。
把这些线索拼在一起会发现，2026 年的 AI 行业正处在一个并不舒服的位置：技术能力已经远远跑在产品形态、组织结构和社会规则前面。模型每天都在变强，但承接它的「容器」——无论是企业流程、应用界面，还是人类自身的注意力——都还没有跟上。
演讲者 Pat Grady、Sonya Huang、Konstantine Buhler 是红杉资本（Sequoia Capital）AI 投资条线的三位核心合伙人。Sonya Huang 是 2022 年那篇刷屏全球的 Generative AI: A Creative New World 的作者，被视为最早系统看多生成式 AI 的机构投资人之一。三人共同主笔了 2026 年的 This is AGI 一文，是这场大会的思想框架来源。红杉资本本身是硅谷历史最悠久的顶级风投，早期投过 Apple、Google、Nvidia、Stripe、OpenAI 等公司。
AI 是一场彻底颠覆信息处理本质的「计算革命」，而非仅仅加速分发的「通信革命」。以往的互联网和移动端只改变了信息的传播路径，而 AI 改变了信息生成的底层逻辑，导致开发者构建应用的 floor（技术底座）每天都在发生位移。这一判断的重要性在于：在基础不稳的「暴雨时刻」，传统的稳定技术栈已成过去，开发者必须学会与不断演进的模型底座共舞。
AI 将通过直接交付「专业服务」切入一个比传统软件大十倍的 10 万亿美元市场。全球软件市场 TAM（潜在市场总额）仅为数千亿美元，而仅美国法律服务这一个垂直领域就达 4000 亿美元，规模已等同于整个软件行业。这主张了一个关键转型：AI 的商业价值不再是作为工具卖给人类，而是直接以 agent（智能体）形态去接管并交付原本由人类专家完成的高价值工作。
Agent 的自主性正在从「分钟级助手」向量级跨越为「小时级自主员工」。衡量模型在复杂任务中保持正确轨道时间的 meter chart（任务持久性指标）已从一年前的分钟级飞跃至现在的数小时，足以支持无需人类审核的 dark factories（暗工厂，指完全自主运行的业务流程）。这意味着生产力瓶颈已被打破，类似「6 周内重写 800 万行代码」的超常迭代正成为常态。
Andrej Karpathy：从 Vibe Coding 到 Agent 工程（OpenAI 创始团队）
演讲者 Andrej Karpathy 是 AI 圈最有影响力的”教育型科学家”。OpenAI 创始团队成员，后任 Tesla AI 总监负责自动驾驶视觉系统，2024 年离开 Tesla 创办 AI 教育公司 Eureka Labs。他在 YouTube 上手把手讲解神经网络的系列视频是无数 AI 工程师的入门教材。”Software 2.0″”Vibe Coding”等关键概念都是他造的词。
即使是顶级专家也会在 AI 浪潮中感到「落后」，因为技术的演进已从辅助工具跨越到了自主系统。 讲者在 2026 年初发现自己已不再需要修改 AI 生成的代码块，只需信任系统即可完成复杂任务。这一判断的重要性在于：当 AI 能够实现自我纠错和闭环交付时，原本依靠经验积累的开发者「底线」被暴力拉升，个人学习速度已很难追上技术底座的位移速度。
许多现有的应用架构正变得「多余」，因为 AI 已经具备了在原始数据层直接进行处理的能力。 讲者发现自己辛苦开发的菜单生成应用变得毫无意义，因为模型现在能直接在照片上进行像素级的渲染叠加。这主张了一个深刻的变化：AI 不应只是用来加速旧有的业务逻辑，我们必须意识到中间层的消失意味着许多传统产品形态已经失去了存在的物理基础。
当机器接管了琐碎的 API 细节后，人类真正的溢价将转向审美和对「规格书」的掌控。 开发者无需再死记硬背 PyTorch（深度学习框架）的具体接口参数，因为这些细节会被具备极强记忆力的 AI「实习生」处理。这预示了一个反直觉的未来：基础原理和设计品味比工具细节更长效，人类应当从「搬砖工」转型为定义「什么才是好设计」的决策者。
「思考」可以外包，但「理解」是人类在智能廉价时代唯一的限速瓶颈。 尽管 AI 可以辅助我们处理和重新编译海量信息，但它无法替我们决定「为什么要构建这个」以及「这是否有价值」。这主张了一个终极结论：人类仍是系统的唯一指挥官，因为只有人类的意识能赋予智能加工过程以目标，这种对全局的理解是无法被算法替代的。
Context（上下文，指模型处理特定任务时掌握的背景信息）正取代模型算法成为当前最核心的竞争前沿。新款工具 Chronicle 能够实时记录用户在电脑上的一切操作，让 AI 拥有「记忆」，从而省去了人类反复向机器解释背景的时间,。这一判断的重要性在于：对于创业者而言，一次性的模型训练不再是唯一的护城河，构建一个能让 AI 深度理解用户业务环境的「数据线束」才是真正持久的资产。
传统的企业组织架构将被彻底解体，未来将出现一人统治万千 Agent 的「个人企业」时代。互联网上的个人正利用顶级模型解决原本需要整个研究团队才能攻克的数学难题，这意味着竞争的核心已从「堆人头」转变为「独特的切入点」,。这预示着一种全新的权力结构：未来的公司可能极度扁平化，任何人只要拥有远见，都能像 CEO 管理十万名员工一样指挥庞大的智能体集群。
AI 正在从数字世界跨越到物理世界，开启一场科学研究的文艺复兴。OpenAI 的模型最近推导出了一个物理公式，为物理学家寻找 Quantum gravity（量子引力，试图统一微观量子力学与宏观广义相对论的理论）提供了关键证据,。这一判断主张：AI 已不再只是处理整洁的数字符号，它正在学习如何处理现实世界的复杂与杂乱，人类即将迎来一个由机器辅助甚至主导的科学大发现时代。
Deep Learning 与 Reinforcement Learning（强化学习，指通过反馈奖励让机器自主学习策略）的融合是通往 AGI 的确定路径。早年学术界将这两者割裂，但讲者坚持认为这种结合能让 AI 在没有人类先验知识的情况下，从游戏中习得通用逻辑。这一判断的主张在于：通过「合成」不同技术领域的优势，AI 可以从解决简单的益智游戏飞跃到处理现实世界的无限复杂度。
AI 将取代传统数学，成为生物学等复杂涌现系统的「底层描述语言」。数学虽然能完美描述物理规律，但在面对生物学这种充满微弱信号和杂乱数据的系统时显得 Expressive Power（表达能力）不足。这一判断反直觉地指出：我们不必强求用简洁的方程描述生命，AI 能通过模拟复杂的相互作用，直接提取出人类无法凭直觉理解的自然定律。
AlphaFold 的成功标志着 AI 已经在生命科学领域实现了「跨越式范式转移」。这一工具解决了困扰人类 50 年的蛋白质折叠难题，让药物开发有望从传统的 Wet-lab（指依赖化学试剂和物理实验的实验室）模式转向数字化模拟。这意味着未来研发新药可能不再需要 10 年，而是缩短至数天甚至数小时，将人类从繁重且低效的生物试错中彻底解放。
AI 正在消灭单一技术栈的壁垒，催生出跨学科的「超级通用型人才」。在 Anthropic 团队内部，无论是财务主管、设计师还是研究员，每个人都在利用 agent 进行专业的编程开发。这预示着一种职业范式的转移：掌握特定编程语言的「技术深度」将迅速贬值，而具备产品感知、设计美感与行业洞察的「跨界广度」将成为未来最核心的稀缺资源。
传统的软件商业护城河正在因 AI 具备的「意志力」而面临全面崩塌。模型现在具备极强的 hill climb（爬坡迭代，指通过持续自我反馈直到达成目标）能力，能自主摸清并执行任何复杂的业务流程。这暗示了「SAS 启示录」的到来：那些仅靠流程自动化生存的软件将失去价值，因为 AI 可以根据用户的目标，随时为每个人生成定制化的替代方案。
单纯的端到端学习架构尚不足以支撑极端安全需求，必须引入结构化表示进行「增强」。虽然 Waymo 也使用 E2E（End-to-End，指直接从传感器输入到决策输出的单一模型），但他们额外增加了结构化的中间表示层，以实现运行时的实时验证。这一判断的重要性在于：它打破了「模型越大越好」的盲目崇拜，主张通过架构上的严谨性来确保 AI 决策的可解释性，从而实现超越人类的安全性。
真正的 AI 驾驶系统应是一个集驾驶、模拟与评估于一体的闭环生态。Waymo 的 Foundation Model（基础模型）同时驱动着驾驶员、模拟器和评判员三个核心支柱，使系统能够理解物理世界的动态规律。这主张了一个核心观点：AI 的进化不应只依赖外部路测，而应通过内部的物理模拟实现「自我进化」，在虚拟空间中穷尽所有人类从未见过的极端险境。
AI 能够通过捕捉微弱的物理信号展现出超越人类感知的「预知」能力。Waymo 曾通过 LiDAR（激光雷达，利用激光脉冲探测物体距离的传感器）捕捉到大巴车下方极其微弱的足部反射，从而提前预判并避开了视线外的行人。这一判断反直觉地证明：AI 并非在单纯模仿人类司机的直觉，而是在利用超越人类物理极限的感知维度，构建一种「透视」般的上帝视角来确保安全。
当「驾驶」任务被 AI 彻底解决后，汽车的竞争终点将是乘客的空间体验。第六代 Waymo 硬件完全围绕乘客体验设计，取消了驾驶员中心的布局，转而打造出带自动滑门的「移动客厅」。这一判断主张了商业逻辑的根本转型：未来的汽车不再是操控工具，而是服务的物理容器，其核心价值将从「如何到达」转向「在路上的时光如何度过」。
AI 带来的社会红利应以挽救生命的「硬指标」作为最终的衡量尺度。数据显示 Waymo 的安全性已比人类高出 13 倍，这意味着规模化运营每 8 天就能在严重事故中多挽救一条生命。这个观点反直觉的地方在于：我们往往关注 AI 带来的便利，但它真正的价值杠杆在于通过超越人类的稳定性，直接对冲掉了人类作为驾驶员时的致命弱点。
ElevenLabs 是全球最受关注的 AI 语音合成公司，由两位波兰人 Mati Staniszewski（前 Palantir 战略）和 Piotr Dabkowski（前 Google 机器学习工程师）于 2022 年创立。创业灵感来自波兰译制片”所有角色都是同一个男声配音”的传统。其声音克隆和情感化语音合成技术目前业内领先，被广泛用于有声书、播客、跨语言翻译。最有名的展示是阿根廷总统米莱跨语言保持同一副声线的视频。截至 2026 年估值约 33 亿美元。
音频曾是长期被忽视的 AI 利基赛道，通过在冷门领域深耕能以较低算力成本实现快速超车。在 2022 年大模型混战时，多数人专注于文本或视觉，而音频对 compute（计算资源）的需求相对较低，允许初创公司独立成长。这一判断的主张在于：创业者不必卷入耗资千亿的算力军备竞赛，只要找准技术门槛尚未被大厂推平的垂直领域，就能通过极高的研发效率建立先发优势。
Agent（智能体）的进化终点是具备「情感理解力」，能根据对方状态实时调整沟通策略。讲者正在研发能识别用户压力并给出 reassuring（安抚性）语气的交互模型，让机器学会匹配对方的语速和情绪。这主张了一个反直觉的转变：语音交互不再是冷冰冰的指令执行，而是一场心理共鸣，这意味着未来的语音 AI 将具备比人类更稳定的同理心来处理极端冲突。
Audio General Intelligence（音频通用人工智能）将消除语音与音乐的鸿沟，实现全模态音频流的无缝切换。理想的模型应当能在一段连续的流中从朗读自然过渡到唱歌，且保持音色和人格的一致性。这主张了一个技术跨越：音频不再是零散的工具库，而是一个统一的创作引擎，这种连续性将彻底改变播客、影视后期以及沉浸式娱乐的制作范式。
语音智能体正从「省钱工具」升级为「赚钱工具」，直接重塑企业的收入增长曲线。Deliveroo 等公司已利用语音 agent 自动联系餐厅并挖掘 inbound（入站，指客户主动拨入）销售电话中的潜在商业机会。这主张：语音 AI 的商业价值不再是替代客服以削减开支，而是通过 24/7 不间断的主动沟通和数据分析，成为驱动业务增长的销售先锋。
未来企业的核心效率取决于能否在法律、财务等非技术团队中强制嵌入工程师资源。ElevenLabs 即使只有 400 人也坚持在法务和运营团队安排专职工程师来开发自动化系统。这主张了一个组织变革：在 AI 时代，非技术人员也必须学会 vbe coding（指利用 AI 工具快速编写代码）来解决琐事，而工程师则负责将这些零散的自动化连接成坚固的业务系统。
在 AI 泛滥的未来，身份验证将比内容生成更稀缺，信任将从声音本身转移到安全证书上。当任何人都能完美复刻音色时，我们需要通过 watermark（水印，用于标识内容的隐形标记）机制来证明对面是真的你。这推导出一个反直觉结论：我们不再需要费力区分 AI，而是需要一套「可信 AI」的认证标准，未来最有价值的不再是你的声音，而是你对声音的授权凭证。
如果只能记住这场对话的一件事，是什么？
以后说话的声音真假不再重要，重要的是你能不能证明那个正在打电话定餐厅或开会的 AI 真的代表你本人。
安全前沿
XBOW：自主 AI 黑客的崛起
XBOW 是 AI 网络安全初创公司，开发能自主发现和利用漏洞的 AI Agent。2024 年 8 月，XBOW 的 Agent 在全球最大白帽黑客平台 HackerOne 上登顶排行榜，是 AI 首次在实战中超越顶级人类黑客的标志性事件。其”模型合金”（Alloy）策略——在攻击的每一步交替调用 Claude、Gemini 等不同模型——是该领域的代表性工程实践。
网络安全已从「人的技艺对决」进化为「系统的优化竞赛」，传统防御模式正面临毁灭性打击。1575 年日本织田信长用火枪阵系统性地击败了看似无敌的武士骑兵，正如今天的 AI 系统正在降维打击依赖人类经验的旧防线。这一判断的主张在于：安全竞争的本质已经改变，不再比拼谁拥有更天才的黑客，而看谁能率先将防御体系彻底 AI 自动化。
即使是防守最严密的顶级系统，在廉价且高效的自主 AI 面前也形同虚设。XBOW 的智能体仅凭一个 URL 并在花费 3000 美元成本的情况下，就攻破了微软 Bing 的 RCE（Remote Code Execution，允许在目标系统上运行任意代码的最严重漏洞）。这主张了一个反直觉的真相：即便是被全球黑客锤炼过的「堡垒」，在不知疲倦、能自动进行侦察和优先级排序的 AI 面前，其安全成本已降至冰点。
AI 已经具备了超越全球顶尖人类黑客的实战能力，而非仅仅是辅助工具。在 HackerOne（连接企业与安全研究人员的众测平台）上，XBOW 的机器人完全通过黑盒测试（在不了解内部代码的情况下进行攻击）拿下了全球排名第一。这打破了「机器无法处理复杂创造性攻击」的迷思，证明 AI 已经从「提供建议的助手」进化为能独立交付攻击结果的「自主战士」。
真正的安全威胁源于「可利用的真实冲击」，而非代码审计发现的理论漏洞。传统的白盒测试（在拥有源代码权限下进行的分析）往往只列出大量漏洞，却无法确定它们是否真的能被非法入侵，而自主 AI 能通过实战模拟给出明确的答案。这主张了一个关键转型：防御者必须停止在海量的「虚假漏洞报告」中挣扎，转向关注那些真正能导致服务器被接管的致命点。
漏洞补丁的生存窗口已经彻底闭合，攻击行为正发生在漏洞被公众知晓之前。以前从 CVE（Common Vulnerabilities and Exposures，公开披露的安全漏洞列表）发布到被利用有两年滞后，而今天这个数字已经变成「负数」，即漏洞在被官方确认前就已被 AI 批量利用。这导出了一个紧迫的结论：依赖「等待补丁」的防御策略已经破产，主动式的自动化防御成了唯一的生路。
AI 的崛起并非网络安全行业的终结，而是对其防御价值的极限重塑。面对 AI 驱动的自动攻击，传统的网络安全股票下跌是毫无逻辑的，因为社会现在比任何时候都更需要 AI 驱动的防御手段来抗衡 AI 攻击。这一判断主张：我们正处于一场生存军备竞赛中，唯一的解药就是用更强的 AI 赋能人类研究员，在坏人行动前找出所有裂缝。
全社会仅剩不到一年的时间来修补全球数字基建，否则将面临灾难性的后果。由于 Open-weight models（权重公开、可本地运行的 AI 模型）的进步，最强悍的自主黑客能力将在 6 到 9 个月内被全球普及。这一反直觉的判断是在发出最后的通牒：如果不能在这个极短的窗口期内完成防御自动化，全球互联网系统将在不久后的节假日面临前所未有的安全寒冬。
如果只能记住这场对话的一件事，是什么？
现在的 AI 已经能像世界排名第一的黑客那样自动攻破顶级网站，而且这种能力在不到一年的时间里就会变得随处可见，如果你不赶紧用 AI 来自动修补漏洞，你的系统很快就会被彻底打穿。
算力与硬件的边缘押注
Recursive Intelligence：AI 设计芯片的自动化变革
Recursive Intelligence 是由 Anna Goldie 和 Azalia Mirhoseini 创办的 AI 芯片设计公司。两人此前在 Google Brain 共同发明了 AlphaChip——用强化学习自动设计芯片布局的系统，已应用于谷歌四代 TPU 和 Pixel 手机芯片。她们试图把”AI 设计芯片”这件事变成像 TSMC 开启 fabless 时代那样的产业级变革——提出”Designless”概念，让客户只需提交工作负载需求，平台自动生成可制造的芯片设计。
人类专家已成为芯片迭代的拖累。目前的物理设计和逻辑验证各需耗时一年并动用数千名专家，这种低效直接导致了巨大的商业损失。在 NVIDIA Blackwell 芯片每延迟一天就意味着损失 2.25 亿美元机会成本的当下，依赖人类经验的传统设计模式正成为 AI 进步的最大阻碍。
必须开启 AI 与物理底层的递归进化闭环。通过 AI 优化芯片设计，再用更强的芯片训练更强的模型，将彻底打破软硬件脱节的状态。这种「递归自我改进」判断的主张在于：芯片不应只是静态的燃料，而应成为 AI 进化链条中能够根据软件反馈自动调整的动态执行端。
AI 在复杂布局任务上展现出「超人」能力。Alpha Chip 智能体生成的芯片布局已在多代 TPU 和 Pixel 手机芯片中通过了 Tape-out（指提交给工厂进行实际制造的最终测试）。这一判断打破了「硬件设计需要人类直觉」的迷思，证明强化学习能够比最有经验的工程师更完美地解决数十亿个组件的堆叠难题。
芯片设计工具需要 100,000 倍的提速来喂养 AI。传统商业工具运行一次优化可能耗时数天，这让需要数百万次尝试才能进化的 AI 无法施展。这种量级提速的意义在于：它不仅仅是「变快了」，而是让 AI 能够以前所未有的速度在海量设计空间中进行快速迭代和指数级学习。
高保真的实时反馈是实现自动化设计的引擎。Recursive 研发的 SPA（Static Timing Analysis，用于验证电信号是否准时到达的静态时序分析引擎）比现有工具快 1,000 倍。这种实时反馈信号对强化学习（RL）至关重要，它能让 AI 在优化过程中立即知道每一步改动对性能的影响，从而做出更精准的决策。
未来的高端 AI 芯片将为了适应太空而牺牲低温稳定，转而追求「耐高温」性能。NVIDIA 正在研发 Space Reuben 1 芯片，旨在不提高故障率的前提下提升运行温度，以大幅减少散热器的质量。这主张了一个反直觉的趋势：为了减轻发射载荷，芯片设计者开始利用物理定律的四次方效应，通过让芯片「发烧」来换取更轻、更高效的卫星架构。
数据效率决定了未来 AI 世界的权力结构，是打破技术垄断的唯一武器。如果数据量依然是竞争的护城河，那么 AI 革命将沦为少数几家能垄断海量信息的巨头的游戏。讲者主张通过提升效率让普通公司也能参与竞争，这意味着数据效率不只是技术指标，更是决定 AI 革命是走向「中心化集权」还是「分布式普惠」的哲学开关。
寻找 AI 能力的新边疆，必须直接从「硬件原语」层级进行降维打击。通过重新定义硬件交互的 primitives（原语，指构建复杂程序的最小逻辑单位），可以解锁那些在标准框架下运行极其低效的复杂算法。这主张了一个反直觉的路径：想要让 AI 更聪明，你应该去「折磨」硬件，在底层挖掘出被主流系统抛弃的高效潜力。
AI 进化的终局是从「大数据」驱动转向「精细化」驱动，重塑经济的长尾部分。当 AI 能够不再依赖互联网级的数据规模，它才能真正渗透到那数以万计的、目前缺乏数字化资源的传统工业场景中。这一判断的主张极其宏大：我们必须从追求「规模」转向追求「效率」，因为只有能解决「小数据」难题的 AI，才是真正能改变物理世界的 AGI。
如果只能记住这场对话的一件事，是什么？
现在的 AI 学习效率太低了，只有让 AI 学会像人类一样只看几眼就能掌握新技能，它才能真正进入工厂、医院和我们生活的每一个角落。
Unconventional AI：大脑如何实现 100 万倍能效
Unconventional AI 是 Naveen Rao 创办的非冯·诺依曼架构计算公司。核心主张是：现代 AI 仍跑在 1940 年代为完全不同目的设计的浮点数+冯·诺依曼架构上，导致绝大部分能量损耗在”内存与计算单元间搬运数据”上。他们试图用非线性动力学和振荡器耦合这类模拟物理过程，让计算结果通过物理系统的自然演化”自发涌现”——目标是把能效提升三个数量级，逼近大脑的水平。
AI 发展即将撞上物理世界的「能源墙」，现有的算力扩张模式难以为继。在未来 2 到 4 年内，全球将不再有足够的剩余电力来支撑按当前轨迹增长的 AI 训练和推理需求。这一判断的重要性在于：目前的 scaling law（规模定律）本质上是在用暴力消耗能源来换取智能，如果不改变计算的物理底座，AI 的进步将因为触及能源天花板而被迫停滞。
生物大脑的存在证明了「高能耗」并非智能的必然代价，而是我们设计的缺陷。全球 80 亿人的大脑总功耗仅为 160 吉瓦，而目前的 AI 模型单次推理或训练就可能消耗兆瓦甚至吉瓦级的能量。这主张了一个核心观点：我们对「智能」的实现方式极其低效，生物界已经给出了一个低功耗运行通用智能的「存在性证明」，提示我们必须彻底重构计算逻辑。
sato 的供应量达到设定的 99%总量上限后，系统会永久停止 mint，用户无法再继续通过 Curve 从系统中购买 sato。此时 sato 才会开始真正进入 Uniswap 等二级市场流通，价格也不再由 Curve 公式决定，而是开始由市场买卖关系决定。
不过，Curve 本身并不会消失。虽然系统停止了发行功能，但仍然保留“回收”功能。用户依然可 sato 卖回系统换取 ETH，而卖出的 sato 会被直接销毁，不会重新进入市场，从而完成通缩。某种意义上来说，Curve 会从“发行系统”转变成一个永久存在的链上回购池。sato 的运行逻辑，其实可以理解成一个“从内盘逐渐过渡到外盘”的过程。
sato：重新构建数字稀缺性
sato 真正吸引市场的地方，并不只是 Bonding Curve、Hook 或者通缩机制本身，而是它试图重新讲述一种“数字稀缺性”的故事。
