Hoy lo vi casualmente, ¿por qué nadie comparte mi publicación en chino, jaja? Dicho esto, ¿quién es este tipo Jim Cramer? Parece que tiene un efecto contraindicador incluso más fuerte que el de Sun, ¿es realmente una linterna mágica del mercado? 🤣

A menudo veo términos como “la más guapa de la clase” o “la reina del colegio” en X, XHS e incluso en novelas. Pero en realidad, este tipo de consensos no son tan concentrados como se imagina, sino bastante dispersos. Recuerdo que antes del examen de ingreso a la universidad, algunos chicos de mi clase charlaban durante el descanso del mediodía sobre las chicas guapas de nuestra clase, y descubrimos sorprendentemente que cada uno consideraba a una chica diferente como la más bonita. En otras palabras, había consenso sobre qué chicas de la clase eran atractivas, pero el título de “la más guapa de la clase” estaba repartido entre tres o cinco chicas distintas. Y esto solo es una muestra entre los chicos; si se hiciera una votación de toda la clase, probablemente la dispersión sería aún mayor. Por eso, cada vez que escucho términos como “la reina de la facultad” o “la reina del colegio”, solo lo escucho sin tomarlo demasiado en serio. Una clase puede tener tres o cinco “reinas de la clase”; una universidad puede tener decenas e incluso cientos de “reinas del colegio”. Por supuesto, hay excepciones: por ejemplo, si aparece alguien como Liu Yifei, entonces casi todas las coronas caen sobre ella. En nuestra escuela, había una chica en la clase contigua con un rostro de estrella (muy parecida al estilo “pura y seductora” de la chica del té de leche); el consenso entre los chicos de su clase era extremadamente unánime, porque su belleza era una especie de “ataque de nivel superior” para los demás. Sentíamos que, si se extendiera a todo el tercer año, probablemente sería “la reina indiscutible del año”. La razón por la que me vino esto a la mente es porque hace unos días, no recuerdo qué bloguero publicó un Tweet sobre los problemas de primer, segundo y tercer orden en el trading de cripto. Primer orden: los minoristas empiezan a investigar los fundamentos de una moneda. Segundo orden: los minoristas empiezan a investigar cómo ven otros minoristas esa moneda. Tercer orden: los desarrolladores/los grandes operadores estudian cuándo los minoristas empezarán a investigar cómo ven otros minoristas esa moneda, y luego realizan “manipulaciones” correspondientes. El primer y segundo orden son claramente teoría de la selección de belleza de Keynes. Primer orden: ¿Quién es la más hermosa? — Minoristas Segundo orden: ¿Quién creen los demás que es la más hermosa? — Smart Money / operadores avanzados Tercer orden: ¿Cuándo empezarán los demás a investigar “quiénes creen que son los más hermosos”? — Desarrolladores / grandes operadores Los desarrolladores / grandes operadores del tercer orden liberan noticias positivas, impulsan el precio y generan tendencias en el momento oportuno. Es como publicar la foto de una chica popular en el tablón del campus en el momento adecuado. El primer orden mira el Valor (fundamentos), el segundo orden mira el Consenso, y el tercer orden mira la Aceleración del Consenso. Al final, lo que realmente negociamos es el consenso mismo, y la velocidad con la que se forma. Al escribir esto, me di cuenta de que esto también se parece a conceptos en opciones: Primer orden: el activo subyacente (¿es realmente bonita esta chica?) Segundo orden: Delta (¿está aumentando el número de personas que consideran a esta chica la reina de la clase?) Tercer orden: Gamma (¿está acelerándose el número de personas que creen que esta chica será la reina de la clase?) En este mercado reciente, ¿no debería venderse inmediatamente una criptomoneda cuando el Gamma alcanza su punto máximo? — ¡Como Pons! Mierda, parece que lo entendí un poco tarde.

Antes de este viaje a 2049, regresé a China durante varias semanas. Como normalmente no puedo dejar de hacer ejercicio, cada vez que vuelvo a casa busco compañeros para jugar bádminton en XHS y Xianyu. Suelen ser chicas nacidas en el año 2000, algunas con formación profesional como atletas nacionales de nivel uno o dos, otras que se dedicaron al deporte de forma autodidacta durante años y alcanzaron su punto máximo amateur. Durante los descansos entre partidos de dos horas, charlábamos de todo: de la vida, del mundo, y naturalmente también de relaciones amorosas. Y descubrí una actitud relativamente común entre estas chicas: En cuanto al amor: no lo rechazan, pero tampoco son optimistas. En cuanto al matrimonio y tener hijos: por ahora no lo desean, e incluso algunas lo rechazan. Esto es completamente distinto a la mentalidad de nuestra generación, la de los nacidos en los años 80. Y cuanto más lo pensaba, más me parecía algo similar al mundo de las criptomonedas: 1. El amor de los nacidos en los años 80 era como el mercado de criptomonedas antes de 2021: En esa época, cuando decidías a alguien, te casabas, comprabas una casa y seguías adelante juntos. Era como comprar criptomonedas en esos años: creías en una narrativa, comprabas, mantenías y HODL. Aunque también había estafas, ICOs de山寨 que se volvieron cero, el Beta era lo suficientemente grande como para que BTC y las principales criptomonedas simplemente se recuperaran con el tiempo; compraras lo que compraras, ganabas. Lo mismo ocurría con el matrimonio: crecimiento económico, salarios en alza, precios de la vivienda en alza; casarse y tener hijos parecía una apuesta colectiva a favor del futuro. Muchos problemas emocionales quedaban ocultos bajo el Beta de la época. No significa que los nacidos en los años 80 entendieran más el amor; simplemente tuvimos suerte de vivir en un mercado alcista. 2. El amor de los nacidos en los años 2000 es como el mercado de criptomonedas después de 2022: LUNA, FTX, altos FDV y baja circulación... tras tantos Rug Pulls y con el auge de Hyperliquid, la primera reacción ante cualquier narrativa es: “No solo cuentes historias, muestra los datos”. Este año, incluso ha surgido una sensación de “criptomonedas como acciones”: se analizan ingresos, usuarios, recompras y otros datos... la narrativa se ha convertido en una llave para entrar. Lo mismo ocurre con el matrimonio y las relaciones amorosas entre los nacidos en los años 2000: ¿cuánto ganas? ¿Cuál es tu situación familiar? ¿Tus padres tienen cargas? ¿Eres emocionalmente estable?... Han surgido muchos creadores de contenido sobre emociones: mujeres como Ququ y hombres como Li Xinye. Los hombres temen convertirse en Exit Liquidity; las mujeres temen haber invertido años de juventud y terminar siendo Ruggeadas. Todos empiezan a hacer DD, controlan sus posiciones. Incluso muchos optan por mantenerse en cash. Piensa en nuestra época: frases como “Algún día seré exitoso” o “Te trataré bien para siempre”... muchas chicas estaban dispuestas a comprar esas promesas, esos grandes relatos. Hoy en día, eso ya no funciona (las chicas ya no son tan fáciles de engañar). La teoría del “pelo amarillo y músculos delgados” que circula actualmente en internet tiene un aire a la era Pumpfun (cuando el valor a largo plazo era difícil de construir, así que primero se captaba atención y eyeballs a corto plazo). El Beta desapareció; ahora hay que buscar uno mismo el Alpha. No se trata de que los nacidos en los años 2000 no crean en el amor; simplemente han tenido que incorporar perspectivas de valoración de riesgo. Los nacidos en los años 80 simplemente tuvieron suerte: vivieron en una época con un Beta suficientemente grande. Los nacidos en los años 2000 enfrentan un mercado donde solo puedes encontrar tu propio Alpha. Así como quienes entraron en 2013 se convirtieron en OGs tumbados, quienes entraron en 2023 muchos se convirtieron en cannon fodder. Es el momento. Es el destino.

Aprovechando el impactante vuelo de hoy de Elon Musk, voy a llenar el hoyo que dejé hace dos días sobre Jev, Strata y Atlas: tres cosas recientes en el mundo de la IA que me parecen interesantes. Voy a conectar los tres con una escena de película, sin entrar en detalles técnicos. Si te interesa, pregúntale a tu IA o haz tu propia investigación. ¿Cuál es la escena? ¡Terminator! Imagina que un T-800 es enviado de regreso a 1984 con la misión de encontrar y eliminar a Sarah Connor. Para lograrlo, necesita tres funciones básicas: comprender el espacio, tomar decisiones instantáneamente y pensar sin conexión a internet (en 1984 no había Skynet para conectarte). Y resulta que estos tres elementos coinciden perfectamente con Atlas, Jev y Strata. 1. Primero, Atlas, de la profesora Fei-Fei Li — comprender el espacio. Cuando Schwarzenegger (el T-800) entra en una habitación, con solo una mirada sabe qué hay detrás de la puerta o debajo de la mesa. Eso es exactamente lo que hace Atlas: dadas unas pocas imágenes, predice cómo se vería el entorno desde una nueva perspectiva. Los LLM predicen la siguiente palabra. Los modelos de video (como Seedance) generan escenas a lo largo del eje temporal. Atlas predice nuevas vistas. Muchos modelos de video hoy se llaman “modelos del mundo”. Hace unos meses, Fei-Fei los clasificó en tres categorías: renderizadores, simuladores y planificadores. Un simulador puede convertirse en un renderizador, pero un planificador debe basarse en un simulador potente. Cuando el T-800 mira a su alrededor y entiende qué hay en la habitación, eso es un simulador. Calcular qué sucedería si salta o dónde caerá una bala también es simulación. Elegir entre perseguir, esconderse o chocar con un auto probablemente requiere un planificador. El renderizador apenas se usa. El objetivo de Atlas parece ser construir el simulador más potente posible, y luego escalarlo hasta convertirse en un planificador. Su hoja de ruta es así: Espacio 3D estático (actual) → dinámico (4D) → editable → interactivo → simulador como planificador (final) Estamos apenas al inicio de una larga caminata, pero para lograr un Terminator realmente necesitas esto; un LLM solo no basta. 2. Luego está Jev — decisión instantánea. ¿Recuerdas esa escena? El T-800 está en un motel y alguien toca la puerta. En su campo visual aparece directamente una lista de respuestas posibles; elige una y responde sin organizar palabras (recuerdo que eligió la más grosera…). Eso es Jev: no necesita que un LLM genere un texto ni que siga una cadena de pensamiento (COT). Solo elige entre opciones dadas y proporciona una confianza calibrada. Jev de TypeSafe funciona así: no genera texto, solo elige entre opciones predefinidas y entrega probabilidades calibradas. Una respuesta con 0.97 → envía directamente. La más alta es 0.60 → no responde aún; déjalo para un modelo más lento pero más inteligente. En el video de demostración de TypeSafe, Jev decide si una factura es falsa: un LLM tradicional tarda 8 segundos; Jev tarda 0.1 segundos. Es rápido porque solo hace preguntas de opción múltiple, sin generar texto. Es preciso gracias a una tecnología secreta llamada RLCD — Reinforcement Learning for Calibrated Decisions (Aprendizaje por Refuerzo para Decisiones Calibradas). La arquitectura aún no se ha revelado, pero sospecho que sigue siendo un Transformer como base, solo que eliminaron completamente el componente de generación. Se podría ver como un ASIC para LLM en contextos específicos: no charla, no escribe código, solo toma decisiones frecuentes, comprimiendo y simplificando todos los pasos tradicionales de un LLM en una sola pregunta de opción múltiple. La velocidad y el costo son de uno a dos órdenes de magnitud mejores. Es como el “Sistema 1” del famoso libro de Daniel Kahneman “Pensar rápido, pensar despacio”; los LLM tradicionales son el “Sistema 2”. Creo que si el T-800 usara los LLM actuales, jamás completaría ninguna tarea en la película; sería tan lento como una babosa (¿por qué ahora me acordé del rayo de Zootopia?). Aquí es donde entra Jev: la segunda pieza del rompecabezas del Terminator está lista. 3. La última pieza: Strata — ejecución local de modelos grandes. En 1984 había internet, pero era extremadamente lenta, y solo existía en militares y universidades. Además, no había nube con Skynet para conectarte. Tenías que llevar un modelo local dentro del T-800. Strata permite ejecutar el modelo Qwen3.8-Flash-Next con 125 mil millones de parámetros en una tarjeta gráfica de consumo con 12 GB de VRAM y 64 GB de RAM. La magia está en cuantizar primero los parámetros de 16 bits a 2–3 bits, reduciendo el tamaño varias veces. Luego, los 20% de expertos más utilizados se cargan en VRAM; todos los expertos se cargan en 64 GB de RAM; y finalmente hay una tabla de búsqueda grande (manual de consulta durante el entrenamiento) de 30 GB almacenada en SSD. Totalmente sin conexión, con privacidad de datos. Por supuesto, su capacidad se reduce por la compresión y leer documentos largos es lento… pero ¡una consola de juegos moderna puede ejecutar un modelo de miles de millones de parámetros! Eso es un salto del “nada” al “algo”. No sabemos los detalles exactos de la GPU, memoria y CPU del T-800, pero Strata te permite ejecutar modelos MOE más grandes en entornos con recursos limitados (actualmente solo soporta Qwen, pero la idea es aplicable a cualquier modelo MOE). Visto así, parece que nos acercamos cada vez más a Skynet y a la era del Terminator. @drfeifei @theworldlabs @typesafeai P.S. ¿Alguien compró un Roadster? Por favor, llévame a probarlo en 2028.

¡WC! ¡WC!! La semana pasada probé por primera vez el Model Y L + FSD, y la impresión fue inolvidable. ¡Esta semana, Elon Musk lanzó una sorpresa tan grande que mi cerebro se quedó en blanco! ¿Por qué conducir un auto de gasolina? ¿Para qué necesitas nevera, televisor y sofá? ¡Conduce un Tesla!

Anoche, al regresar, vi los Ondo Intelligent Portfolios publicados por @Ondo y de pronto me di cuenta: esto podría ser el hito que marca el inicio de la era RWA 2.0. Hace tiempo he repetido que RWA es la principal tendencia de este ciclo, y hoy podemos considerarlo como RWA 1.0: llevar diversos activos a la cadena, como bonos del Tesoro de EE.UU., acciones, ETFs, oro... Yo lo llamaría la era de los Assets Tokenizados, y Ondo es sin duda el líder de esta era. Nunca imaginé que RWA 2.0 también sería iniciado por Ondo: yo lo llamaría la era de las Strategies Tokenizadas. En otras palabras, 1.0 trata sobre la tokenización de activos financieros, resolviendo qué activos podemos comprar. 2.0 trata sobre la tokenización de servicios financieros, resolviendo cómo poseer o gestionar esos activos. Tomemos los Intelligent Portfolios como ejemplo: su estructura no es compleja. La base sigue siendo activos ya tokenizados como Ondo Stocks: sobre esa base, se aplica una estrategia de portafolio predefinida para decidir qué comprar exactamente, qué peso asignar a cada uno y cuándo ajustar. En este primer lote, las estrategias de los tres primeros Portfolios fueron desarrolladas por BlackRock para Ondo, mientras que Ondo se encarga de implementarlas realmente en la cadena: configurar los activos subyacentes, realizar ajustes periódicos y gestionar el producto. Finalmente, no necesitas poseer docenas de tokens distintos: con un solo Portfolio Token lo tienes todo. Ondo resuelve automáticamente todo el proceso anterior: seleccionar activos → definir pesos → comprar → monitorear continuamente → ajustar. Por supuesto, es natural que te preguntes: ¿no es lo mismo comprar un ETF tokenizado de la era 1.0, como QQQ o SPY? A primera vista parece similar, ya que ambos son canastas de activos y no requieren intervención tuya. Pero la diferencia clave está en el costo y la forma de construcción. En TradFi, lanzar un nuevo producto combinado requiere estructura de fondo, licencias, custodia, emisión: barreras extremadamente altas, por lo que solo existen pocas combinaciones “estandarizadas” en el mercado. En la cadena es distinto. Cuando cada vez más activos ya están tokenizados, crear un nuevo producto equivale básicamente a ensamblar estos Building Blocks mediante contratos inteligentes: configuración, pesos y ajustes se codifican como reglas y se ejecutan automáticamente; cada reequilibrio queda registrado en la cadena. Por eso digo que el potencial de 2.0 está aún por venir. La oficina ya ha mencionado explícitamente que integrará progresivamente Perps, Spot Crypto y opciones. En ese momento, combinaciones como acciones estadounidenses + BTC o materias primas + overlay de opciones —difíciles o imposibles en TradFi— tendrán una base real para implementarse. Por ahora, los Portfolios lanzados aún usan solo acciones y ETFs tokenizados. Hay otro punto fácilmente olvidado: el Portfolio Token en sí mismo es un Token. Un Token puede transferirse libremente entre billeteras, intercambios y DeFi. Y más allá: un portafolio completo puede usarse como garantía para préstamos, margen para Perps, o incluso incluirse dentro de otro Portfolio. Esto aún es una dirección, pero una vez implementado, los bloques de construcción de DeFi pasarán de activos individuales a portafolios completos. ¡Este es el愿景 final del “Lego Financiero” que soñamos durante el DeFi Summer! Por lo tanto, al mirar atrás en el camino de Ondo durante estos años, es muy claro: USDY resolvió los rendimientos en dólares, Ondo Stocks resolvió las acciones estadounidenses, Perps resolvió el apalancamiento, Network resolvió la infraestructura. Cada activo adicional que se tokeniza amplía las combinaciones posibles para los Intelligent Portfolios. Cuantos más bloques tenga la era 1.0, más grande podrá ser la casa construida en la era 2.0. RWA 1.0 nos permitió poseer activos; RWA 2.0 nos permite poseer la capacidad de configurarlos. Antes, este servicio solo estaba disponible para bancos privados y clientes de alto patrimonio; ahora, los inversores no estadounidenses elegibles pueden acceder a él con su billetera. De los Assets Tokenizados en 1.0 a las Strategies Tokenizadas en 2.0: esta es la forma en que Wall Street avanza hacia la cadena, y donde RWA realmente empieza a volverse interesante. Gracias a @Ondo por su apoyo a este contenido de investigación.

Gracias a @168MrZ por la invitación, otra vez en 168X, charlé durante más de una hora con Z y lo pasé muy bien. Quizás esta sea la última ronda de “verdadera” bull market; siento que en el futuro será cada vez más como el mercado de valores estadounidense, y las monedas “山寨VC” sin fundamentos ni datos no tendrán muchas oportunidades. En otras palabras, en esta ronda siento que muchas monedas basura aún pueden ser arrastradas por las “buenas monedas” para lograr su última salida en la historia 🤨

Me acuerdo de que el año pasado una amiga pasó por el doble golpe de una liquidación total de su posición y una ruptura amorosa, le dio una depresión ligera y somatización. En ese momento la manera en que la consolé fue: en la vida, aparte de la vida y la muerte, no hay grandes cosas. Piensa en ti misma como la protagonista de Earth Online, y todos los demás son NPC, incluido tu exnovio, incluida yo. En realidad es simplemente una perspectiva en tercera persona. Luego me dijo que lo intentó, no fue un efecto inmediato, pero el dolor y la auto‑derrota sí que se redujeron un poco. Justo como dice Xiao Mao en la sección de comentarios: ¡a divertirse!

StableStock debería ser una de las pocas plataformas en el mercado que permiten acceder simultáneamente a activos de los mercados de EE.UU., Hong Kong y Corea del Sur utilizando U. ¡Ahora finalmente admite la aplicación móvil!

Estoy de acuerdo con la idea de haotian, pero yo seguiré manteniendo ambos, no haré ningún movimiento. Compré $SHROOM a mitad de camino y me parece difícil. De repente me di cuenta de que lo que SHROOM intenta hacer, $AI teóricamente también podría hacerlo, y de hecho podría tener ventajas aún mayores. Primero, AI ya es un activo de emparejamiento para muchos otros Meme. Si en el futuro estos Meme profundizan su vinculación con AI y, al mismo tiempo, comienzan a emparejarse con acciones tokenizadas de pequeñas y medianas capitalizaciones, entonces, mediante rutas múltiples, AI podría convertirse efectivamente en un nodo intermedio que conecte estos activos de cola larga. Por supuesto, esto aún solo es “un camino posible”, no significa que AI posea directamente esta liquidez. Lo realmente más interesante es el segundo punto: AI, además de NVDA, ya ha comenzado a incluir otras acciones tokenizadas en su Vault/Treasury. Si el equipo del proyecto da un paso adicional en la próxima versión y directamente crea pares entre AI y acciones distintas a NVDA, convirtiendo continuamente el capital generado por las operaciones de Meme en diversos POL de acciones y reinvertiendo las comisiones para ampliar la liquidez, estaría básicamente siguiendo la misma ruta que SHROOM: tomar el camino de otros y dejarles sin camino. Además, AI podría tener ventajas sobre SHROOM: SHROOM diseñó primero una red de liquidez de acciones y luego intentó canalizar la energía especulativa de los Meme; AI ya tiene Meme, volumen de operaciones y capacidad de formación de capital, y ahora está extendiendo una red de liquidez de acciones desde ahí. Uno construye primero la carretera y espera los vehículos; el otro ya tiene tráfico y luego comienza a construir la carretera. Si AI realmente avanza en esta dirección, la “red de liquidez de acciones de cola larga” que SHROOM intenta construir podría terminar siendo aprovechada por $AI.