Sabitlenmiş Tweet
灵感无限AI
3.3K posts
医疗 AI 最先赚钱的地方，可能不在诊断室里。
TechCrunch 写了一个很小的切口：Basata 融了 2100 万美元 Series A，做专科诊所的转诊后台。病人从家庭医生那里拿到 referral，材料很多时候还通过传真进来。诊所后台要读文件、找临床信息、判断能不能接、再打电话约时间。这个环节听起来土，但它决定病人能不能真的见到 specialist。
Basata 的做法很窄：先读转诊文件，再用 AI voice agent 联系患者排期，患者也能随时打电话问常见行政问题。公司说自己处理过约 50 万名患者转诊，最近一个月约 10 万；收费按处理文件和电话量算，不按座席卖软件。它先做 cardiology，再做 urology，还拒过一个没吃透的专科大单。
这几个细节比融资金额有意思。医疗 AI 如果一上来碰诊断，立刻遇到责任、监管、医生信任和数据质量。转诊后台低调很多，却有现成预算：漏接一个患者，诊所损失收入；排期慢几周，患者体验崩；后台人员常年被传真、电话、保险要求淹没。AI 在这里不用证明自己比医生聪明，只要把一条转诊从“没人处理”推进到“已约上时间”。
这类公司看起来像客服自动化，实际难点在医疗工作流。每个专科关心的字段不同，每套 EHR 接口脾气不同，保险审核也不同。通用语音机器人只能接电话，专科后台系统要知道哪些材料缺了，哪些病例要优先，哪些话不能随便说。Basata 说自己按专科慢慢扩，不急着通吃所有市场，这个选择反而比较现实。
后面会有两层竞争。第一层是产品：谁能把传真、EHR、电话和排期打成闭环。第二层是信任：医生敢不敢把第一通患者接触交给 AI，后台员工会不会把它当帮手，患者听到机器声音会不会挂断。医疗 AI 的商业化，也许先从这些不起眼的缝里长出来。模型发布会讲“改变医疗”，诊所账单会先问：今天少漏了几个病人？
中文
Perplexity 把 Personal Computer 放进新的 Mac app，这件事别只按“又一个 AI 桌面客户端”处理。桌面 agent 的难点从来不在聊天框，而在它能碰到什么：文件、浏览器、原生应用、登录状态、联系人、日程、表格、下载目录。
Personal Computer 现在面向 Mac 用户开放下载，功能需要 Pro 或 Max 订阅。它能访问本地文件、Mac 原生应用、网页和 400 多个 connectors，也能配合 Comet 浏览器操作没有直接 connector 的网页工具。Perplexity 还保留了一个很有意思的设定：它可以跑在 Mac mini 这类 always-on 设备上，用户从 iPhone 远程发起任务或批准请求。
这和普通云端 agent 差别很大。云端 agent 适合查资料、跑网页、生成材料；本地 agent 一旦接进文件系统和应用，就进入用户真实工作现场。它知道你的文件在哪，知道哪个版本刚改过，也能把一个 app 里的材料拿去另一个 app 里处理。效率会高很多，风险也直接变硬。
风险不只来自模型胡编。更麻烦的是权限边界。一个 agent 能读哪些文件夹，能不能写入，能不能点发送，能不能打开公司内部网页，能不能把本地内容传到云端，这些都需要很细的控制。Perplexity 的说法是，它会在安全开发环境里运行，动作可见，用户可以审批请求。这个方向对，但也说明个人 agent 要成规模，先要把“授权、日志、回滚、暂停”做成默认能力。
Mac 在这里占了一个奇怪的好位置。它既是个人电脑，又有足够强的本地算力和文件系统；既能 24 小时挂着，又能被 iPhone 远程叫醒。Perplexity 如果把 Personal Computer 做顺了，Mac 会从一个人手动操作的设备，变成一个用户授权下持续工作的执行节点。
这也解释了为什么 Perplexity 这么急着把搜索、浏览器、连接器和本地文件放到同一套产品里。搜索回答已经很拥挤了。下一个入口可能在“谁能替你完成跨 app 工作”。但这条路不好走。用户会把最私人的东西交给它，企业会要求审计，开发者会关心接口，安全团队会盯权限。个人 agent 的竞争，最后拼的也许不只看模型能力，还要看谁能让用户放心把电脑钥匙交出去。
中文
难得在朋友圈写了点关于 AI 的东西，结果只有 6 个赞。。。。
这两年越来越有种说不出来的孤独，真的能聊投资、聊科技范式这些话题的人，身边几乎为 0，哪怕是最好的朋友、同学、同事其实也不例外。我其实常有拍案而起的惊叹，但最后往往只能和女朋友表达，她倒是唯一相信我的人，愿意跟我一起下注（如配图哈哈哈哈）。
话说回来，我感觉除了X 以及关注的几个公众号，现实中遇到的大多数人都对这个世界高速发生的事熟视无睹。
行为包括至今还在用豆包做一些简单的问答，或者把目前的半导体产业链投资简单归纳为 01 年互联网泡沫，顺带表达对于股票的畏惧，或者投机行为的鄙视。
（我觉得拜托🙏，你哪怕 10 分钟去了解一下什么是注意力机制、什么是 HBM、什么是光通信呢？而不是每天活在琐碎日常的抱怨和小确幸温室里）。
这一切都让我感到极其诡异，仿佛真的身处在 NPC 的世界。
我其实非常喜欢百年孤独的一句话，我上学时候就反复默诵书写（顺便练字），这句话是：
“世上正发生着不可思议的事情，” 他对乌尔苏拉说，“就在那边，在河的另一边，各种魔法机器应有尽有，而我们却还像驴子一样生活。”
我觉得这句话给我带来的震撼和余韵非常的深刻，并且这两年愈发的击中我，这是站在未来望向过去，是代表我的狂躁浮士德灵魂，是对技术狂热的共鸣，也是对群体麻木的某种不解。
大模型的发展其实在每一个当下似乎都有不可逾越的障碍，但这一切其实只不过发展了十余年，in the long run，这场范式转变依然是以 10 为底的指数级别的。去年撞上的数据墙似乎告诉我们 scaling law 即将崩溃，但是25 年开始的 agent 大爆发，又让思考和实际处理事件的能力获得了又一个 10x 的增强。
最近看到 @DoveyWanCN 老师的一句话非常喜欢：
"I'd rather take existential risk in a frontier thanemotional death in a perfectly stable system"
我觉得我几年的投资中一直在被各种看起来不错的选项分心：
- 比如抄底某类型错杀股，觉得 SaaS 公司还有机会，觉得 paypal 都跌了 90% 了，搞搞稳定币总能崛起；
- 又或者是看好一些类 BRK、茅台这样稳定股息的公司，忍不住去打个底仓；
- 再又是dive in 特别细分的产业链，比如高速背板连接器，企图在机构面前捡到一些alpha；
- 还可能是在战争风险前反复横跳，买入 SQQQ 或者做多原油来 hedge 一下；
- 用 1% 的仓位去搞点山寨币摸奖，其实完全不知道最基本的控筹背景。
- 还有其它………………实在不胜枚举
最近彻底醒悟到想猛抽自己，这他妈是跑马拉松呢，还是逛小吃街？。。我是要那块金牌，还是搞点鸭脖铜锣烧恰恰？
就像川沐和老虎哥说的，大时代来临就要站在第一排，去鱼最贵的地方捞鱼。
前面说的这些边角料投资方式对于目前 28 岁的我都是毫无意义的，段永平和巴菲特可以去搞消费，去sell put，是他们的资金体量决定的。我去分仓和追求稳定性，既是舍本逐末，又不符合我的个性。
最后说一下最近关于 web3 的观察，可能会得罪一些老师，但也是我本身的一种幻灭。那句话怎么说的来着，"一直以为他很专业，直到他开始聊我的专业”。以前觉得web3那帮人挺前沿的，直到听他们聊股票…………
以前不喜欢表达 因为觉得自己可能会输出内行人看来很呆逼的话。但是我发现内行人换个行业也是呆逼之后，我怎么表达都超过了 95% 的人。
哈哈，以上。
中文
Meta 这次的 AI 年龄识别，别只当青少年安全功能看。它处理的是社交平台一个很老的问题：注册时填的生日几乎没有约束力，但平台又必须知道用户年龄，才能决定谁能看什么、谁能私信谁、账号会不会被限制。
Meta 现在把这件事交给一套更重的判断系统。它会分析账号里的帖子、评论、简介、caption，看有没有生日、年级、学校生活这类线索；在部分国家，还会扫描照片和视频里的视觉线索，比如身高和骨骼结构。Meta 强调系统不做面部识别，也不识别具体个人，只估算大致年龄。判断账号可能由 13 岁以下儿童使用时，账号会被停用，用户要提交年龄证明。
这一步的影响比“多抓一些未成年人账号”大。年龄正在从用户自己填的一行资料，变成平台持续推断的身份状态。一个人有没有进入 Teen Account、能不能直播、能不能收到陌生人私信、能看到什么内容，都可能由模型给出的年龄判断触发。AI 在这里没有生成任何内容，却开始分配用户权限。
Meta 这么做有现实压力。Wired 提到，孩子绕过年龄验证很常见，假生日、借用成年人证件、用假脸视频，甚至画胡子骗过工具。欧洲监管也在盯 under-13 用户问题；New Mexico 的儿童安全案又让 Meta 面临更高法律风险。靠用户自报年龄已经撑不住了。
但分类器进来后，麻烦也会换一种形态。误判成年人为儿童，账号会被停用；漏掉未成年人，平台会继续挨监管批评。视觉线索听起来克制，实际执行里会碰到肤色、发育差异、文化背景、照片质量、家庭场景这些变量。Meta 可以说系统不做身份识别，用户感受到的却是平台在看自己的照片、推断自己的身体年龄。
最后一层更微妙。Meta 一边加大自家 AI 年龄识别，一边推动 App Store 或操作系统层做统一年龄验证。它想把责任往苹果、Google 那一层挪：应用拿到年龄信号，自己少做判断，也少承担单点争议。青少年安全会把互联网身份体系往前推一步。未来平台争的可能不只是用户时长，还有谁来定义一个用户在数字世界里的年龄、权限和默认保护。
中文
Meta 这次的 AI 年龄识别，别只当青少年安全功能看。它处理的是社交平台一个很老的问题：注册时填的生日几乎没有约束力，但平台又必须知道用户年龄，才能决定谁能看什么、谁能私信谁、账号会不会被限制。
Meta 现在把这件事交给一套更重的判断系统。它会分析账号里的帖子、评论、简介、caption，看有没有生日、年级、学校生活这类线索；在部分国家，还会扫描照片和视频里的视觉线索，比如身高和骨骼结构。Meta 强调系统不做面部识别，也不识别具体个人，只估算大致年龄。判断账号可能由 13 岁以下儿童使用时，账号会被停用，用户要提交年龄证明。
这一步的影响比“多抓一些未成年人账号”大。年龄正在从用户自己填的一行资料，变成平台持续推断的身份状态。一个人有没有进入 Teen Account、能不能直播、能不能收到陌生人私信、能看到什么内容，都可能由模型给出的年龄判断触发。AI 在这里没有生成任何内容，却开始分配用户权限。
Meta 这么做有现实压力。Wired 提到，孩子绕过年龄验证很常见，假生日、借用成年人证件、用假脸视频，甚至画胡子骗过工具。欧洲监管也在盯 under-13 用户问题；New Mexico 的儿童安全案又让 Meta 面临更高法律风险。靠用户自报年龄已经撑不住了。
但分类器进来后，麻烦也会换一种形态。误判成年人为儿童，账号会被停用；漏掉未成年人，平台会继续挨监管批评。视觉线索听起来克制，实际执行里会碰到肤色、发育差异、文化背景、照片质量、家庭场景这些变量。Meta 可以说系统不做身份识别，用户感受到的却是平台在看自己的照片、推断自己的身体年龄。
最后一层更微妙。Meta 一边加大自家 AI 年龄识别，一边推动 App Store 或操作系统层做统一年龄验证。它想把责任往苹果、Google 那一层挪：应用拿到年龄信号，自己少做判断，也少承担单点争议。青少年安全会把互联网身份体系往前推一步。未来平台争的可能不只是用户时长，还有谁来定义一个用户在数字世界里的年龄、权限和默认保护。
中文
$Google DeepMind 昨天更新 AlphaEvolve。一年前，它还是一个“用 Gemini 设计算法”的研究项目；现在 Google 开始把它讲成一套可以给外部企业用的工程系统。
这里容易被写成“AI 又会搞科研了”。但 AlphaEvolve 的含金量，主要来自一个很朴素的前提：它只挑能自动评分的题。Gemini 负责生成候选代码，系统负责跑测试、打分、筛掉坏方案，再把留下来的方案继续变异。它不以写应用为目标，它是在一堆可验证答案里做高强度试错。
这套方法为什么在 Google 身上先跑出来，也不神秘。Google 有大量目标函数清楚的场景：TPU 电路、Spanner 存储、缓存策略、数据中心调度、模型训练 kernel。官方这次给的例子很密：DeepConsensus 的变异检测错误降了 30%；电网优化模型可行解比例从 14% 提到 88% 以上；Spanner 写放大降了 20%；编译优化让软件存储 footprint 少了近 9%；Klarna 用它把一个 transformer 模型训练速度翻倍。
这些数字放在普通产品发布会上会显得碎，但放在基础设施公司里很要命。因为这里每一个点都能被规模放大。少一点写放大，少一点缓存 miss，少一点训练时间，最后都会进入硬件利用率、电费和资本开支。Google 的优势也在这里：它既有模型，又有一堆昂贵到必须被优化的内部系统，还能把小改动推到生产环境里验证。
这条路对外部企业的吸引力，也许不在“让 AI 当科学家”，而在把一部分专家优化流程产品化。以前这类工作靠少数工程师、研究员和长周期实验。AlphaEvolve 把其中可枚举、可验证、可评分的一段抽出来，变成机器可以连续跑的搜索过程。适合它的行业会很明确：芯片、物流、电网、制药、材料、广告模型、金融模型。共同点是答案能被测，改进能折算成钱。
边界也在同一个地方。没有清楚评分标准，系统就只能生成一堆看起来聪明的方案。产品判断、组织协作、用户体验这类灰度问题，没法像矩阵乘法或路径优化那样稳定计分。AlphaEvolve 这次更清楚地说明：工程世界里那些可验证的问题，会先被机器搜索重新洗一遍；人的角色会退到定义问题、挑选约束、判断副作用的位置。
中文
月之暗面这一轮融资，最容易被看成“中国版 OpenAI 估值又涨了”。这个读法太粗。20 亿美元新钱、200 亿美元投后估值、半年接近 39 亿美元融资，放在中国 AI 公司里当然夸张，但更有信息量的是钱从哪里来。
这轮由美团龙珠领投，中国移动、CPE 源峰、水木资本等跟投。它和早期互联网财务投资的味道不一样。美团要的是本地生活里的搜索、客服、商家运营和履约效率；中国移动要的是通信云、政企客户和算力网络里的模型入口。Kimi 融资表面是模型公司拿钱，背后是产业方在给自己买一张未来系统里的入场券。
Moonshot 过去半年估值涨得很快。去年底还在 43 亿美元附近，年初到 100 亿美元，这轮冲到 200 亿美元以上。TechCrunch 引华峰资本信息说，公司 4 月 ARR 已经超过 2 亿美元，来自付费订阅和 API 使用增长。这个数字还小，支撑不了 200 亿美元估值，但它说明投资人已经不只看模型榜单，也在看用户是否持续付费。
Kimi 的路线也有变化。早期它靠长上下文出圈，像一个面向普通用户的知识工作助手。到 K2.5、K2.6 之后，叙事开始转向 open-weight、代码、agent 集群和 API 分发。TechCrunch 提到 Kimi K2.6 在 OpenRouter 上是第二大使用模型。这个位置很关键：如果模型开源或开放权重后，被全球开发者拿去做便宜推理和二次封装，Kimi 的竞争对象就不只在国内聊天入口，也进入全球开发者成本曲线。
但这里也有风险。中国大模型公司拿到的钱，和美国 frontier lab 仍然不在一个量级；先进芯片、美元算力、海外云分发都受限制。Kimi 选择 open-weight 和性价比路线，某种程度上是现实约束下的打法。它不一定要在每个 benchmark 上赢 OpenAI 或 Anthropic，它需要证明：便宜、可部署、可改造的模型，也能形成开发者和企业需求。
美团领投让这件事多了一层产业含义。外卖、到店、酒旅、商家 SaaS，这些场景里有大量碎片化决策和高频运营任务。如果 Kimi 未来能进入这些业务流，模型公司就不再只靠会员费和 API 费讲故事。问题也在这里：战略投资能打开场景，也可能让产品路线被大客户需求牵着走。月之暗面的下一关，是把 Kimi 从工具，变成能在产业系统里稳定赚钱的基础层。
中文
Jack Clark 这篇 Import AI 文章，容易被读成“AI 自我进化马上来了”。这个读法太像科幻，也太省事。更麻烦的地方在于，他讨论的焦点并非某个模型突然觉醒，落在一条研发流水线里：哪些环节已经可以被模型接管。
Clark 给了一个很激进的判断：到 2028 年底，出现 no-human-involved AI R&D 的概率超过 60%；到 2027 年底也有 30%。他把定义说得很窄：一个足够强的 AI 系统，能相当可信地自主训练自己的后继系统。这个判断来自公开数据，不来自 Anthropic 内部披露。
支撑他变化的并非单个 demo。SWE-Bench 从 Claude 2 时代约 2% 到 Claude Mythos Preview 的 93.9%；METR 追踪的任务时长，从 2022 年模型只能独立处理约 30 秒，拉到 2026 年接近 12 小时；还有 CORE-Bench、MLE-Bench、KernelBench、自动做 alignment 实验这些碎片。它们看起来分散，合在一起指向同一件事：AI 研究里大量工作并不神秘，很多是复现论文、改代码、跑实验、读日志、调参数、写报告。
这对大模型公司很刺耳。大家嘴上都讲“研究突破”，实际护城河越来越像工程吞吐：谁能更快把想法变实验，把实验变结果，把结果变下一轮训练数据。研究员不消失，但研究员的位置会变，从亲手做实验的人，变成挑问题、审结果、定方向的人。组织里最稀缺的可能不再是写代码的人数，转向能判断哪些实验该停、哪些异常不能被平均掉的人。
这篇文章也有它的局限。Clark 是 Anthropic 创始团队成员，天然站在 frontier lab 的视角看世界；benchmark 饱和不等于科学发现被解决；把已有范式里的工程活自动化，和提出下一代范式，中间还有一道黑箱。但他的提醒有分量：AI 竞争的危险点可能不在某次模型发布，而在研发循环速度突然被机器放大。监管、评测、公司治理都还按人类研发节奏设计。节奏一旦换了，很多制度会显得很慢。jack-clark.net
中文
“Claude 会做梦”这个标题很容易把方向带偏。Anthropic 放进 Managed Agents 的 Dreams，听起来像拟人化包装，工程上处理的却是一个更硬的问题：agent 长期工作以后，自己的记忆会变脏。
官方文档讲得很具体：agent 会在工作中写 memory store；多轮 session 之后，里面会出现重复、矛盾、过期条目。Dreams 读取已有 memory store 和过去最多 100 个 session transcript，生成一个新的 output store，合并重复内容，替换过期记录，提炼新的模式。原始 store 不会被改动，开发者可以审阅后再采用。它还要求 managed-agents-2026-04-01 和 dreaming-2026-04-21 两个 beta header，现阶段仍是 research preview。
这件事的商业含义不在“agent 会自我提升”这句大话。企业买 agent，偶发错误还能靠验收兜住；更麻烦的是，它在几个月工作后形成一套没人看得懂的内部习惯：记住旧流程，混用旧口径，把团队偏好和个人偏好搅在一起。人类员工犯这种错，经理能复盘；agent 犯这种错，如果只有一坨上下文和记忆文件，审计成本会很高。
Dreams 把这个问题拆成一条管理流程：先保留原始记忆，再生成候选新记忆，最后让人或系统决定能不能落地。听上去不性感，反倒很接近企业软件。企业软件卖的从来不只是能力，还包括权限、版本、日志、回滚和责任边界。
这也解释了 Anthropic 为什么把 Dreams 和 outcomes、multiagent orchestration、webhooks 一起推。agent 要跑更久、分给更多子 agent、接更多系统，记忆就不能再像个人聊天记录那样随缘堆。未来 agent 平台的差异，可能会从“单次推理谁更聪明”，移到“长期状态谁管得住”。
这里也有风险。记忆整理本身也是一次模型判断，它可能把低频但关键的例外清掉，也可能把团队里临时形成的错误流程固化下来。所以 Dreams 的产品设计里保留 review 和 output store 很关键。它说明 Anthropic 至少知道一件事：让 agent 学习，先把学习过程留下痕迹，再谈自动化。
中文
Anthropic 和 SpaceX 这笔算力交易，表面上解决的是 Claude 限额。5 小时窗口变宽，峰值时段限流取消，Opus API rate limits 提高，开发者会先感受到这些变化。但更有信息量的地方在后面：Anthropic 正在把算力来源拆得越来越碎。
5 月 6 日，Anthropic 官方宣布和 SpaceX 合作，将使用 SpaceX Colossus 1 数据中心的全部 compute capacity。官方数字是 300MW 以上新增容量、超过 22 万张 NVIDIA GPU，一个月内上线。
Anthropic 同时列出算力版图：Amazon 最高 5GW，Google 与 Broadcom 5GW，Microsoft 和 NVIDIA 的 300 亿美元 Azure capacity，还有 Fluidstack 的 500 亿美元美国 AI 基建投资。
它解决的不只是租 GPU。Claude 的产品问题已经传到用户端了：Claude Code 限额、API rate limits、峰值时段折扣，都会影响开发者能不能把它放进工作流。模型能力再强，如果写代码写到一半被限流，用户会把它当成不稳定工具。Anthropic 补的是产品信任。
SpaceX 这个合作对象很微妙。Colossus 1 原来和 xAI/Grok 强绑定，现在却把全部容量租给 Anthropic，一个直接竞争对手。AI 公司彼此竞争，但算力紧的时候，可出租 GPU 比阵营边界更有吸引力。SpaceX 也从服务自家模型，往外部 AI 基建供应商走了一步。
这会改变云厂商的角色。过去大模型公司主要绑定 AWS、Azure、Google Cloud。现在 Anthropic 同时找 Amazon、Google、Microsoft、Fluidstack、SpaceX，明显是在把云依赖拆散。客户有数据驻留要求，模型阶段需要不同芯片，单一云厂商也很难无限给出便宜、稳定、及时的容量。
orbital AI compute 那句也该留意。短期看很像 SpaceX 式想象力，难题却很硬：散热、维修、网络延迟、发射成本和监管。AI 的瓶颈已经不只在芯片，也在土地、电力、冷却、审批和地缘位置。Claude 限额翻倍只是表层变化。模型公司竞争正在扩展到电、芯片、机房、网络的拼装速度。
中文
Perplexity 推出 Computer for Professional Finance，我会把它放在“AI 开始抢金融终端最后一公里”的位置看。金融行业不缺信息，缺的是能被审计、能复用、能直接进 memo、chart、tearsheet 的工作结果。
Perplexity 官方 5 月 5 日发布这个产品，面向金融团队的 research、analysis、decision workflow。团队可以把已有的 Morningstar、PitchBook、Daloopa、Carbon Arc 数据订阅，通过 MCP connectors 接进来；没有终端的团队，也能用内置金融工具访问 Quartr、Fiscal 等 14 个数据源。产品里还有覆盖 10 个领域的 35 个 workflow，比如 company tearsheet、sourcing screen、annotated stock chart。
这里有个很细的变化：Perplexity 没有喊着替代 Bloomberg Terminal 或 FactSet，它绕到更靠近分析师日常产出的地方。终端强在数据、行情、检索和历史工作习惯。Perplexity 切下一步：拿到数据之后，谁把它变成可交付材料。
金融团队最怕 AI 胡编，所以 Perplexity 把 traceability 放得很前。官方说 Computer 里的每个数字都能链接到来源，鼠标悬停能看到取数来源和时间；如果 SEC filing 里的数字进入后续计算，还会展示公式并链接到对应 filing 页面。这个设计关键，因为金融机构要买的是一套出错后能追责的生产链条。
我觉得这会改变金融数据公司的位置。以前 Morningstar、PitchBook 这类数据源直接面对分析师，价值体现在入口和数据库。现在它们可能被放进 Perplexity 的 workflow 里，变成 agent 调用的底层数据。客户还在付钱，但每天打开、提问、改稿、出图的界面可能换了。
金融分析师的护城河也会被重新拆分。会找资料的人不稀缺，会判断数据能不能用、模型假设哪里脆、哪张图能说服 IC 的人会更贵。Perplexity 这次在试探一件事：AI 能不能成为金融团队的工作台，而不只是一只更快的研究助理。
中文
如果不是亲眼所见，我是绝对不敢相信的！
BTC已实现盈亏比（90日均值）通常都是大级别趋势转换的重要参考。当红线变绿即表示已走出深熊的标志。此后的即便回调，也从没有“再破前低”的先例。
我也曾预想过，本轮相比以往会更快更短，但也没想到会如此之短。从第一轮的375天，缩短到第三轮的241天，而本轮仅仅只用了75天......
除非这次也像2018.10.12那样碰一下又下去了。否则，BTC将开创前所未有的“超级周期”。
如果你不明白我说的，建议务必先看引文的内容！
Murphy@Murphychen888
Glassnode 官方研究团队推荐关注这个指标 —— BTC已实现盈亏比（90日均值）；既然用了大级别平滑参数，指标就变得不敏感，因此不会受到某一天的数据干扰。但是，一旦形成趋势，同样也不会在短期内改变/反转。 已实现盈亏比是衡量每亏损1美元所带来的平均已实现利润，来反映资本流动动态。因此官方将其作为市场流动性的指标。当跌至1以下区间（红色部分），说明此时已实现亏损开始占据主导。市场完全失去了盈利能力，资金流转严重受限。 纵观历史，熊市底部往往都出现在指标进入红色区域后。也就是说，到此位置前面该跌的都跌完了，就差“最后一哆嗦”了。同时，一旦进入红色区短期内不可能马上转出来；在过往周期最长用了12个月，最短用时8个月。 然而一旦指标重新回到1以上（绿色区），意味着熊市结束，这里也是牛市开启前最后一次右侧加仓的机会。 所以，从交易的层面来看，我们完全不用担心踏空，即便没有抄到最底部，还有右侧上车的机会。拉长时间，到下一个顶部再回看，不会损失多少利润空间，且确定性更高。
中文
