Hoje acabei de ver isso por acaso—por que ninguém compartilhou meu post em chinês, haha? Diz aí, quem é esse cara Jim Cramer? Parece que ele tem um efeito contrário até mais forte que o do irmão Sun—será que é o “verdadeiro” farol do mercado? 🤣

Frequentemente vejo termos como “garota mais bonita da turma” e “garota mais bonita da escola” em X, XHS e até em romances. Mas na verdade, esse tipo de consenso não é tão concentrado quanto se imagina — pelo contrário, é bastante disperso. Lembro que, antes do vestibular, alguns garotos da minha turma conversavam à hora do almoço sobre as garotas da classe. Surpreendentemente, descobrimos que cada um considerava uma garota diferente como a mais bonita da turma. Em outras palavras, havia consenso sobre quais garotas eram bonitas, mas o título de “garota mais bonita da turma” estava distribuído entre três ou cinco garotas diferentes. E isso ainda era apenas uma amostra dos meninos. Se toda a turma participasse da votação, a distribuição provavelmente seria ainda mais ampla. Por isso, sempre que vejo algo como “garota mais bonita do curso” ou “garota mais bonita da universidade”, apenas ouço sem levar a sério. Uma turma pode ter três ou cinco “garotas mais bonitas da turma”; uma universidade pode ter dezenas, ou até centenas, de “garotas mais bonitas da universidade”. Claro, existem exceções. Por exemplo, quando surge alguém como Liu Yifei — praticamente qualquer título de beleza acaba caindo sobre ela. Na época, tínhamos uma garota na turma ao lado que tinha um rosto de celebridade (muito parecida com a “irmã do chá de leite”, estilo puro e sedutor). O consenso entre os meninos dela era extremamente unânime, porque sua beleza era uma espécie de ataque de nível superior para os demais. Acho que, se fosse avaliada em toda a terceira série do ensino médio, provavelmente seria considerada “a garota mais bonita da série, sem contestação”. Fiquei pensando nisso agora porque, há alguns dias, não me lembro qual blogueiro postou um Tweet sobre problemas de primeira, segunda e terceira ordem no trading de cripto. Primeira ordem: os pequenos investidores começam a estudar os fundamentos de uma moeda. Segunda ordem: os pequenos investidores começam a estudar como outros pequenos investidores veem essa moeda. Terceira ordem: as operações dos desenvolvedores/whales, que estudam em que momento os pequenos investidores começarão a analisar como os outros os veem, para então realizar “manipulações” correspondentes. Primeira e segunda ordens são claramente teoria da seleção de beleza de Keynes. Primeira ordem: Quem é a mais bonita? — Pequenos investidores Segunda ordem: Quem as pessoas acham que é a mais bonita? — Smart Money / traders avançados Terceira ordem: Quando as pessoas começarão a analisar “quem as pessoas acham que é a mais bonita”? — Desenvolvedores / whales Os desenvolvedores/whales de terceira ordem liberam notícias positivas, impulsionam o preço e criam tendências no momento certo. É como postar a foto de uma garota popular na parede da escola no momento ideal. Primeira ordem: valor (fundamentos) Segunda ordem: consenso Terceira ordem: aceleração do consenso No fim, o que realmente negociamos é o próprio consenso — e a velocidade com que ele se forma. Ao escrever isso, me lembrei de algo semelhante nos conceitos de opções: Primeira ordem: ativo spot (essa garota é realmente bonita?) Segunda ordem: Delta (está aumentando o número de pessoas que acham que ela é a garota mais bonita da turma?) Terceira ordem: Gamma (o número de pessoas que acreditam que ela será eleita garota mais bonita da turma está acelerando?) Nesse cenário recente, talvez seja melhor vender uma moeda assim que o Gamma atingir seu pico — como no caso do Pons! Merda... parece que percebi isso um pouco tarde.

Antes desta viagem para 2049, voltei à China por algumas semanas. Como normalmente não posso parar de me exercitar, toda vez que volto ao país procuro parceiros de badminton no XHS e no Xianyu. Geralmente são garotas nascidas após 2000 — algumas são atletas profissionais formadas em escolas esportivas de nível nacional, outras são amadoras que treinaram por anos até atingir o auge. Durante os intervalos das partidas de dois horas, conversamos sobre tudo, desde o sul até o norte do país, e naturalmente acabamos falando sobre relacionamentos amorosos. E percebi uma atitude relativamente comum entre essas garotas: Em relação ao namoro — não rejeitam, mas também não são otimistas. Em relação ao casamento e ter filhos — por enquanto não querem, e algumas até resistem. Isso é completamente diferente da mentalidade da nossa geração dos anos 80 — parece outro mundo. E quanto mais pensava, mais parecia com o mercado de criptomoedas! 1. O amor da geração dos anos 80 era como o mercado de cripto antes de 2021: Naquela época, quando você escolhia alguém, casava-se, comprava uma casa e seguia em frente. Assim como comprar cripto naqueles anos — acreditava-se numa narrativa, comprava-se e segurava-se, HODL. Mesmo havendo muitas fraudes, ICOs de altcoins que caíram a zero, o Beta era grande o suficiente — basicamente, BTC e as principais criptos só precisavam de tempo para se recuperar; comprar qualquer coisa dava lucro. O mesmo valia para o casamento: crescimento econômico, salários subindo, preços das casas subindo — casar e ter filhos era como fazer uma posição longa no futuro. Muitos problemas emocionais eram encobertos pelo Beta da época. Não que a geração dos anos 80 entendesse mais de amor — talvez apenas tivéssemos sorte de estar no mercado de alta. 2. O amor da geração dos anos 00 é como o mercado de cripto após 2022: LUNA, FTX, alto FDV e baixa circulação... depois de tantos Rug Pulls e com o surgimento do Hyperliquid, a primeira reação ao ouvir uma narrativa é: “Não fale só histórias, mostre os dados.” Este ano, já começamos a ter a sensação de que as criptomoedas estão se tornando ações — analisamos receita, usuários, recompras e outros indicadores... a narrativa virou apenas uma chave para entrar. O mesmo acontece com o namoro e o casamento entre os anos 00: quanto ganha? Qual a situação familiar? Os pais têm dívidas? É emocionalmente estável?... Vários influenciadores sobre relacionamentos surgiram — mulheres seguem QuQu, homens seguem Li Xinye. Homens temem se tornar Exit Liquidity; mulheres temem investir anos de juventude e serem Rug Pulladas. Todos começaram a fazer DD, controlar posições. Muitos até optaram por ficar fora do mercado. Pense em como era na nossa época: “Um dia vou ter sucesso.” “Vou te tratar bem para sempre...” Essas grandes promessas — ou narrativas — muitas mulheres estavam dispostas a comprar. Agora provavelmente não funcionaria mais (as garotas não são mais fáceis de enganar). A teoria popular atual sobre “cabelo amarelo e músculos finos” tem um ar de época Pumpfun (se o valor de longo prazo é difícil de construir, comece com atenção e impacto de curto prazo!). O Beta desapareceu — agora é preciso encontrar seu próprio Alpha. Não se pode dizer que os anos 00 não acreditam em amor; apenas que ele foi forçado a incorporar muitas perspectivas de precificação de risco. Nós da geração dos anos 80 tivemos apenas sorte: vivemos numa época com Beta suficientemente grande. Os anos 00 enfrentam um mercado onde só se pode escolher seu próprio Alpha. Assim como quem entrou em 2013 virou OG facilmente, quem entrou em 2023 muitas vezes virou carne canhão. É o tempo. É o destino.

Aproveitando o impressionante carro voador do Sr. Ma hoje, vamos preencher as lacunas deixadas nos últimos dias sobre Jev, Strata e Atlas — três coisas recentes no mundo da IA que acho interessantes. Vou conectar os três usando uma cena de filme, sem entrar em detalhes técnicos — se você se interessar, pergunte ao seu AI ou faça sua própria pesquisa. Qual é essa cena? O Terminator! Imaginem o T-800 enviado de volta para 1984 com a missão de encontrar e eliminar Sarah Connor! Para isso, ele precisa de três funções básicas: entender o espaço, tomar decisões instantâneas e pensar sem conexão à internet (em 1984 não havia Skynet para se conectar). E coincidentemente, esses três correspondem exatamente a Atlas, Jev e Strata. 1. Primeiro, falemos do Atlas da Professora Li Fei-Fei — entender o espaço. Quando Schwarzenegger (T-800) entra em uma sala, olha rapidamente e já sabe o que há atrás da porta e debaixo da mesa. O Atlas está fazendo exatamente isso: dadas algumas fotos, prevê como o ambiente pareceria de um novo ângulo. LLMs preveem a próxima palavra. Modelos de vídeo (como Seedance) geram cenas ao longo do eixo temporal. O Atlas prevê novas perspectivas. Muitos modelos de vídeo hoje se chamam “modelos do mundo”. Há alguns meses, Li Fei-Fei os classificou em três categorias: renderizadores, simuladores e planejadores. Um simulador pode virar um renderizador, mas um planejador precisa de um simulador poderoso. O T-800 olha e sabe o que há na sala — isso é um simulador. Calcular o que acontecerá ao pular ou onde uma bala atingirá também é simulador. Escolher entre perseguir, fugir ou atropelar com o carro provavelmente exige um planejador. O renderizador quase não é usado. O objetivo do Atlas parece ser criar o melhor simulador possível, e futuramente evoluir para um planejador. O roadmap é assim: Espaço 3D estático (atual) → dinâmico (4D) → editável → interativo → simulador como planejador (final) Ainda estamos no primeiro passo de uma longa jornada, mas para construir um Terminator, isso é essencial — LLMs sozinhos não bastam. 2. Depois, Jev — julgamento instantâneo. Lembra da cena? O T-800 está em um motel e o gerente bate na porta. Seu campo visual exibe imediatamente uma lista de respostas possíveis; ele escolhe uma e responde — sem formular frases. (Lembro que ele escolheu a mais grossa…) É exatamente isso que o Jev faz: não precisa que um LLM gere um texto completo nem que use cadeias de pensamento (COT). Ele apenas escolhe entre opções pré-definidas e indica o nível de confiança. O Jev da TypeSafe funciona assim: não gera texto, apenas escolhe entre opções dadas e fornece probabilidades calibradas. Resposta com 0,97 → envia imediatamente. Maior confiança de apenas 0,60 → não envia; delega para um modelo maior e mais lento pensar. No vídeo de demonstração da TypeSafe, o Jev decide se uma nota fiscal é falsa: modelos tradicionais levam 8 segundos; o Jev leva 0,1 segundo. É rápido porque só faz perguntas de múltipla escolha — não gera texto. É preciso graças à tecnologia secreta RLCD — Reinforcement Learning for Calibrated Decisions (Aprendizado por Reforço para Decisões Calibradas). A arquitetura ainda não foi revelada, mas acho que provavelmente ainda usa Transformer como base — apenas eliminou completamente o componente de geração. Pode ser visto como um ASIC de LLM em contextos específicos: não conversa, não escreve código, só toma decisões frequentes, comprimindo e simplificando todos os passos tradicionais de julgamento de LLMs em uma única pergunta de escolha múltipla. A velocidade e o custo são de uma a duas ordens de grandeza menores. É como o Sistema 1 do famoso livro de Daniel Kahneman, “Pensar Rápido e Devagar”. LLMs tradicionais são o Sistema 2. Se o T-800 usasse a velocidade atual dos LLMs, jamais completaria qualquer tarefa no filme — seria tão lento quanto uma lesma (por que isso me fez lembrar do Flash de Zootopia?). É aí que o Jev surge — a segunda peça do quebra-cabeça do Terminator está no lugar. 3. A última peça — Strata — executar grandes modelos localmente. Em 1984 havia internet, mas era extremamente lenta, restrita a militares e universidades — e nem havia nuvem com Skynet para se conectar! O T-800 precisava ter um modelo local embutido em sua mente ao viajar no tempo. Strata permite que uma GPU consumidor com 12GB de VRAM e 64GB de RAM execute o modelo Qwen3.8-Flash-Next com 125 bilhões de parâmetros. A tecnologia secreta: primeiro quantiza os parâmetros de 16 bits para 2–3 bits, reduzindo o tamanho várias vezes. Depois, os 20% de especialistas mais usados ficam na VRAM; todos os especialistas ficam na memória RAM de 64GB; e há ainda uma tabela de busca grande (manual de consulta durante o treinamento) de 30GB armazenada no SSD. Totalmente offline, com privacidade dos dados. Claro, o desempenho sofre por causa da compressão e a leitura de documentos longos é lenta — mas uma consola de jogos moderna agora consegue rodar modelos bilionários. Isso é transformar o nada em algo real. Não sabemos os detalhes exatos da GPU, memória e CPU do T-800 — mas Strata permite rodar modelos maiores em ambientes com hardware limitado, baseados em MoE (atualmente só suporta Qwen, mas a abordagem é genérica para modelos MoE). Visto assim, parece que estamos cada vez mais próximos da era do Skynet e do Terminator! @drfeifei @theworldlabs @typesafeai P.S. Alguém rico já comprou um Roadster? Me leve para experimentar em 2028, por favor!

WC! WC!!! No fim de semana passado, testei o Model Y L + FSD e fiquei profundamente impressionado. Esta semana, Musk lançou um golpe tão poderoso que meu cérebro simplesmente travou! Por que dirigir carros a combustível? Para que geladeira, TV e sofá grande? Dirija um Tesla!

Ontem à noite, ao voltar e ver os Ondo Intelligent Portfolios lançados pelo @Ondo, percebi de repente que isso pode ser o marco da RWA 2.0. Anteriormente, eu repetidamente afirmava que a RWA seria o principal tema deste ciclo, e atualmente podemos considerá-la como a RWA 1.0 — trazendo diversos ativos para a cadeia: títulos do Tesouro dos EUA, ações, ETFs, ouro... Chamo isso de era dos Tokenized Assets, e o Ondo é indiscutivelmente o líder dessa era. Nunca imaginei que a RWA 2.0 também seria iniciada pelo Ondo — estou disposto a chamá-la de era dos Tokenized Strategies. Em outras palavras, a 1.0 trata da tokenização de ativos financeiros, resolvendo o que podemos comprar; a 2.0 trata da tokenização de serviços financeiros, resolvendo como detemos ou gerenciamos ativos. Tomando os Intelligent Portfolios como exemplo, sua estrutura não é complexa: A base ainda são ativos já tokenizados, como Ondo Stocks — ações e ETFs. Sobre essa base, uma estratégia pré-definida de portfólio decide quais ativos comprar, quais pesos atribuir e quando reequilibrar. Nesta primeira rodada, as três primeiras estratégias de portfólio foram desenvolvidas pela BlackRock para o Ondo, enquanto o Ondo é responsável por implementar essas estratégias na cadeia, configurar os ativos subjacentes, reequilibrar periodicamente e operar o produto. Por fim, você não precisa detentar uma dúzia de tokens diferentes — basta um único Portfolio Token. Todo o processo anterior de escolher ativos → definir pesos → comprar → monitorar continuamente → reequilibrar foi automaticamente resolvido pelo Ondo. Claro, você pode naturalmente se perguntar: não é a mesma coisa comprar um ETF tokenizado da era 1.0, como QQQ ou SPY? À primeira vista, parece muito semelhante — ambos são cestas de ativos e não exigem esforço seu. Mas a diferença fundamental está no custo e na forma de construção. No TradFi, lançar um novo produto de combinação exige estrutura de fundo, licenças, custódia e emissão — barreiras extremamente altas —, por isso só existem poucos produtos “padronizados” no mercado. Na cadeia, é diferente. Quando mais ativos já estiverem tokenizados, criar um novo produto se torna basicamente montar esses “bloquinhos” com contratos inteligentes: configuração, pesos e reequilíbrio são todos escritos como regras e executados automaticamente — cada ajuste pode ser verificado na cadeia. É por isso que digo que o potencial da 2.0 está apenas começando. A equipe oficial já mencionou claramente que, no futuro, incorporará gradualmente Perps, Spot Crypto e opções. Nesse momento, combinações como ações dos EUA + BTC ou commodities + overlay de opções — difíceis ou impossíveis de realizar no TradFi — terão base para existir. Claro, os portfólios lançados atualmente ainda têm como base apenas ações e ETFs tokenizados. Um ponto facilmente ignorado: o Portfolio Token em si é um Token! Um Token pode ser transferido livremente entre carteiras, exchanges e DeFi! Pensando mais adiante, um portfólio inteiro pode servir como garantia para empréstimos, margem para Perps ou até ser embutido dentro de outro portfólio. Isso ainda é uma direção futura, mas assim que funcionar, os “bloquinhos” do DeFi evoluirão de ativos individuais para portfólios completos. Esse é exatamente o sonho final do “lego financeiro” que imaginávamos durante o DeFi Summer! Portanto, olhando para trás no caminho do Ondo nos últimos anos, fica claro: USDY resolveu rendimento em dólar; Ondo Stocks resolveu ações dos EUA; Perps resolveu alavancagem; Network resolveu infraestrutura. Cada vez que mais um ativo é tokenizado, mais combinações os Intelligent Portfolios podem construir. Quanto mais bloquinhos da 1.0 existirem, maior será a casa que a 2.0 poderá construir. A RWA 1.0 nos permitiu possuir ativos; a RWA 2.0 nos permite possuir capacidade de configurar ativos. Antes, esse serviço era exclusivo de bancos privados e clientes de alto patrimônio; agora, investidores não americanos elegíveis podem acessá-lo diretamente com suas carteiras. Da RWA 1.0 — Tokenized Assets — à RWA 2.0 — Tokenized Strategies — é assim que Wall Street caminha para a cadeia, e é exatamente onde a RWA começa a se tornar verdadeiramente interessante. Agradeço ao @Ondo pelo apoio a este conteúdo de pesquisa.

Agradeço ao @168MrZ pelo convite para voltar ao 168X; conversamos por mais de uma hora e foi muito agradável trocar ideias com o Z. Talvez esta seja a última “verdadeira” bull run — sinto que, no futuro, o mercado vai ficar cada vez mais parecido com a bolsa americana, e moedas “山寨VC” sem fundamentos ou dados reais não terão mais chances. Em outras palavras, nesta rodada, sinto que muitas moedas lixo ainda conseguem ser puxadas pelas boas, realizando o último “exit” da história 🤨

Lembro-me de que, no ano passado, uma amiga passou pela dupla adversidade de um liquidação e um término amoroso, desenvolvendo leve depressão e sintomas somáticos. Na época, eu a consolava dizendo: “Na vida, além da vida e da morte, não há nada realmente importante. Veja-se como o protagonista do jogo Earth Online, e todos os outros são NPCs — incluindo seu ex-namorado e até eu.” Basicamente, era uma perspectiva em terceira pessoa. Depois, ela disse que tentou e não foi imediatamente eficaz, mas a dor e o esgotamento emocional realmente diminuíram um pouco. Assim como comentou o Xiao Mao: “Vai lá!”

StableStock é atualmente uma das poucas plataformas no mercado que permitem acessar ativos dos três principais mercados — Estados Unidos, Hong Kong e Coreia — usando U, e agora finalmente suporta o aplicativo móvel!

Concordo com a ideia do haotian, mas vou manter ambos os ativos, não vou fazer nada. Comprei o $SHROOM na metade da montanha, e parece difícil. De repente, lembrei-me de que, teoricamente, o $AI também pode fazer o que o SHROOM quer fazer — e talvez tenha até mais vantagens. Primeiro, o AI já é um ativo de paridade para muitos outros Meme. Se, no futuro, esses Meme começarem a se conectar profundamente com o AI e, ao mesmo tempo, se emparelharem com ações tokenizadas de pequenas e médias captações, então, por meio de rotas múltiplas, o AI na verdade também pode se tornar um nó intermediário conectando esses ativos de cauda longa. Claro, isso ainda é apenas “ter uma rota”, não significa que o AI possua essas liquidezes por si só. O ponto mais importante para observar é o segundo: Atualmente, além do NVDA, o Vault/Treasury do AI já começou a conter outras ações tokenizadas. Se a equipe do projeto der mais um passo na próxima versão e diretamente criar pools entre o AI e ações diferentes do NVDA, transformando continuamente o capital gerado pelas negociações de Meme em diversos POLs de ações e reinvestindo as taxas para expandir a liquidez — isso basicamente estaria seguindo exatamente o caminho do SHROOM: tomar o caminho dos outros e deixá-los sem caminho! Além disso, o AI pode ter vantagens sobre o SHROOM: O SHROOM primeiro projetou uma rede de liquidez de ações e depois tentou direcionar a energia especulativa dos Meme para dentro; O AI já possui Meme, volume de negociação e capacidade de formação de capital, e está apenas crescendo externamente uma rede de liquidez de ações. Um está construindo a estrada primeiro e esperando pelos carros; o outro já tem tráfego e está começando a construir a estrada. Se o AI realmente evoluir nessa direção, a “rede de liquidez de ações de cauda longa” que o $SHROOM quer construir pode acabar sendo aproveitada pelo $AI.