原文作者：Chainalysis Team
原文编译：深潮 TechFlow
通过，查看您的国家在 2024 年 Chainalysis 全球加密货币采用指数中的排名。
这篇文章摘自我们 2024 年。
我们很高兴分享第五个年度 Chainalysis 全球加密货币采用指数。在每年的报告中，我们都会分析链上和链下的数据，以确定哪些国家在加密货币的基层采用方面处于领先地位。我们的研究突出了那些独特的加密货币应用案例正在形成的国家，并探讨了世界各地的人们为何选择接受加密货币。
作者：Alvis；来源：火星财经
经过四年的等待，美国联邦储备系统在今日的晨间会议中宣布了首次降息，幅度为50个基点。这一决策的公布，获奖为长期低迷的加密货币市场注入了新的活力。
根据Binance数据，比特币从 5.8万美元最高冲至 6.2 万美元上方，其中年底的比特币交割合合约溢价将近1600美金，充分显示了强烈看涨的信号！
公链板块普涨：
SEI 现报价 0.3305 美元，24 小时涨幅达 20.5%
SUI 现报价 1.39 美元，24 小时涨幅达 17.2%
TAIKO 现报价 1.89 美元，24 小时涨幅达 31.9%
ZETA 现报价 0.7186 美元，24 小时涨幅达 38.1%
SAGA现报价2.46美元，24 小时涨幅达 25.1%
MEME板块：
NEIRO再创新高，24 小时涨幅达 30.1%，现报价0.00098美金
POPCAT现报价0.87美金，24小时涨幅达25%
RATS现报价0.000118美金，24小时涨幅达20%
据 coingrass 数据显示，最近24小时，共有 66,865 人被爆仓 ，爆仓总金额为 $1.99 亿，最大单笔爆仓单发生在 Bybit – BTCUSD 价值 $892.77万
据统计，美联储上一次降息 50 基点为 2020 年 3 月，当时为应对新冠疫情降息 1 个百分点至 0-0.25%。2022 年 3 月以来，美联储启动了一轮近乎史无前例的激进加息，并从 2023 年 7 月起将政策利率维持在 5.25%-5.5% 高位至今。
2020 年降息后，比特币从「3.12」后的 4000 美元-6000 美元的价格区间起步拉升，至 2021 年 11 月触及上轮牛市高点 69,040 美元，最大涨幅超过 10 倍。同期，黄金价格于 3 月的 1450 至 1700 美元区间起涨，提前比特币触顶，于 2020 年 8 月触及 2075 美元高点后回落，于 2022 年 11 月达到 1616 美元的底部后开始新一轮上涨至今。
本次降息之后，加密市场是否同样再次重演历史？
接下来数月将可能持续降息
此次利率下调幅度超出了市场预期的25个基点，达到了50个基点。在新闻发布会上，鲍威尔明确表示，大幅度的降息并不意味着美国经济即将陷入衰退，也不预示着就业市场即将崩溃。相反，降息是一种预防措施，旨在维持经济和劳动市场的稳定。
市场普遍预计，在接下来的11月和12月，利率将继续下调。预计今年内还将有70个基点的降息空间。而公布的点阵图则显示，今年内可能还会有50个基点的降息。
相关阅读：一文读懂鲍威尔重磅鹰派记者会的问答要点（中英文对照）
降息对风险资产市场是一个长期利好。虽然短期内可能不会立即显现效果，但随着时间的推移和降息政策的持续实施，市场流动性将逐渐从债券和银行等传统渠道转移到股票和加密货币等新兴市场。
此外，11月初即将举行的美国总统选举也可能对加密货币市场造成短期波动。选举结果公布后，原本观望的资金可能会开始流入加密货币市场。
BTC 现货 ETF
截止 9 月 18 日，比特币现货 ETF 已累计总净流入达 30万个BTC。
当比特币现货交易所交易基金（ETF）持续获得资金流入时，比特币的价格通常会保持稳定并呈现上升趋势。相反，如果出现大量资金流出，比特币的价格往往会持续下跌。
当前，经历了一段时间的价格波动和下跌后，市场信心正在逐步回升，投资者继续积极地买入比特币。
10月份通常会上涨
根据Coinglass数据，加密货币市场表现出明显的季节性波动特征。例如，夏季往往见证市场表现的低迷，而年末和年初则通常迎来市场的复苏和增长。历史数据显示，比特币在过去九年中，除了2018年10月因熊市影响而出现下跌外，从2015年到2023年的其余时间里均实现了显著的正收益。
在2023年的下半年，比特币的价格自10月起稳步上升，这一趋势与比特币现货交易所交易基金（ETF）获批的预期相叠加，可能预示着新一轮牛市的开启。
市场观点
HashKey Jeffrey：黎明前的黑暗已经过去，新一轮潮汐行情起点已经到来。
HashKey Group 首席分析师 Jeffrey Ding 表示：美联储此次降息 50 个基点，标志着其对当前经济环境存在明显的担忧，需要以更大幅度开启降息周期。近期全球经济均面临流动性的挑战，这一降息决策为全球金融市场释放了新的活力。 比特币作为新时代的“数字黄金”，在这一背景下表现强劲，短线突破上涨 62000 美元。然而此次受益的并非比特币单一资产，整个加密市场都预计在宽松货币政策中迎来新一轮行情。此处需要注意的是，与传统市场不同，比特币的表现更多受到美元流动性的影响，而非美国经济前景的变化。这意味着，在未来的宽松货币环境中，比特币可能继续成为投资者对抗通胀和寻求避险的优选资产。 随着降息周期的延续，加密市场可能会进入更长时间的上涨通道。市场的波动性仍然存在，但这一轮加密货币行情或将带动更多的资金和创新进入该领域，推动整个加密生态体系进入新的发展阶段。
Hyblock Capital：比特币市场深度枯竭，或预示比特币价格看涨
Hyblock Capital 联合创始人兼首席执行官 Shubh Verma 早前在接受 CoinDesk 采访时表示：「通过分析综合现货订单簿，特别是现货订单簿深度为 0%-1% 和 1%-5% 的订单簿，我们发现订单簿流动性低通常与市场触底相吻合。这些低订单簿水平可能是价格逆转的早期指标，通常先于看涨趋势。
Glassnode：比特币市场处于停滞期，供需双方都显示出不活跃迹象
加密市场数据研究机构 Glassnode 发文表示，比特币市场目前正在经历一段停滞期，供需双方都显示出不活跃的迹象。过去两个月，比特币的实际市值达到峰值并稳定在 6220 亿美元。这表明，大多数正在交易的代币都接近其原始收购价。自 3 月份创下历史最高值以来，绝对已实现损益已大幅下降，这意味着当前价格范围内整体买方压力有所减轻。
免责声明：本文不构成投资建议，用户应考虑本文中的任何意见、观点或结论是否符合其特定状况，及遵守所在国家和地区的相关法律法规。
作者：Jeff Amico；编译：深潮 TechFlow
引言
在新冠疫情期间，Folding@home 取得了一个重大里程碑。该研究项目获得了 2.4 exaFLOPS 的计算能力，由全球 200 万台志愿者设备提供。这代表了当时世界上最大超级计算机的十五倍处理能力，使科学家能够大规模模拟 COVID 蛋白质动态。他们的工作推动了我们对病毒及其病理机制的理解，尤其是在疫情初期。
Folding@home 用户的全球分布，2021
Folding@home 基于志愿计算的悠久历史，项目通过众包计算资源来解决大规模问题。这个想法在 1990 年代的 SETI@home 中得到了广泛关注，该项目汇集了超过 500 万台志愿者计算机以寻找外星生命。此后，这一理念已被应用于多个领域，包括天体物理学、分子生物学、数学、密码学和游戏。在每种情况下，集体力量增强了单个项目的能力，远远超出了他们单独能够实现的范围。这推动了进步，使研究能够以更开放和合作的方式进行。
许多人想知道我们是否可以将这一众包模型应用于深度学习。换句话说，我们能否在大众中训练一个大型神经网络？前沿模型训练是人类历史上计算最密集的任务之一。与许多 @home 项目一样，目前的成本超出了只有最大参与者才能承担的范围。这可能会阻碍未来的进展，因为我们依赖于越来越少的公司来寻找新的突破。这也将我们的 AI 系统的控制权集中在少数人手中。无论你对这项技术的看法如何，这都是一个值得关注的未来。
大多数批评者驳斥了去中心化训练的想法，认为与当前的训练技术不兼容。然而，这种观点已经越来越过时。新的技术已经出现，能够减少节点间的通信需求，从而允许在网络连接不佳的设备上高效训练。这些技术包括 DiLoCo 、 SWARM Parallelism 、 lo-fi 和异构环境中基础模型的分散训练等多个技术。其中许多具有容错性，并支持异构计算。还有一些新架构专为去中心化网络设计，包括 DiPaCo 和去中心化混合专家模型。
我们还看到各种加密原语开始成熟，使得网络能够在全球范围内协调资源。这些技术支持数字货币、跨境支付和预测市场等应用场景。与早期的志愿项目不同，这些网络能够汇聚惊人的计算能力，通常比目前设想的最大云训练集群大几个数量级。
这些要素共同构成了新的模型训练范式。这种范式充分利用全球的计算资源，包括如果连接在一起可以使用的大量边缘设备。这将通过引入新的竞争机制来降低大多数训练工作负载的成本。它还可以解锁新的训练形式，使得模型开发变得协作和模块化，而不是孤立和单一的方式。模型可以从大众中获取计算和数据，实时学习。个人可以拥有他们所创建模型的一部分。研究人员也可以重新公开分享新颖的研究成果，无需通过货币化他们的发现来弥补高昂的计算预算。
本报告考察了大型模型训练的现状及相关成本。它回顾了以往的分布式计算努力——从 SETI 到 Folding 再到 BOINC——以此为灵感探索替代路径。报告讨论了去中心化训练的历史挑战，并转向可能有助于克服这些挑战的最新突破。最后，它总结了未来的机遇与挑战。
前沿模型训练的现状
前沿模型训练的成本对非大型参与者而言已经不可承受。这个趋势并不新鲜，但根据实际情况，情况正在变得更加严重，因为前沿实验室不断挑战扩展假设。据报道，OpenAI 今年在训练方面花费超过 30 亿美元。Anthropic 预测到 2025 年，我们将开始进行 100 亿美元的训练，而 1000 亿美元的模型也不会太远。
这一趋势导致行业的集中化，因为只有少数几家公司能够承担参与的费用。这引发了未来的核心政策问题——我们是否能接受所有领先的 AI 系统由一两家公司控制的局面？这也限制了进展速度，这一点在研究社区中显而易见，因为较小的实验室无法承担扩展实验所需的计算资源。行业领导者们也多次提到这一点：
Meta 的 Joe Spisak：要真正理解 [模型] 架构的能力，你必须在规模上进行探索，我认为这正是当前生态系统中所缺失的。如果你看看学术界——学术界有很多杰出的人才，但他们缺乏计算资源的访问，这就成了一个问题，因为他们有这些伟大的想法，却没有真正以所需水平实现这些想法的途径。
Together 的 Max Ryabinin：对昂贵硬件的需求给研究社区带来了很大压力。大多数研究人员无法参与大型神经网络开发，因为进行必要的实验对他们而言成本过高。如果我们继续通过扩大模型规模来增加其大小，最终能够进行竞
Google 的 Francois Chollet：我们知道大语言模型 (LLMs) 尚未实现通用人工智能 (AGI)。与此同时，朝 AGI 发展的进展已经停滞。我们在大语言模型上所面临的局限性与五年前面临的局限性完全相同。我们需要新的想法和突破。我认为下一个突破很可能来自外部团队，而所有大型实验室则忙于训练更大的大语言模型。 一些人对这些担忧持怀疑态度，认为硬件改进和云计算资本支出将解决这个问题。但这似乎不太现实。一方面，到本十年末，新一代 Nvidia 芯片的 FLOP 数量将大幅增加，可能达到今天 H100 的 10 倍。这将使每 FLOP 的价格下降 80-90%。同样，预计到本十年末，总 FLOP 供应将增加约 20 倍，同时改善网络和相关基础设施。所有这些都将提高每美元的训练效率。
来源：SemiAnalysis AI Cloud TCO 模型
与此同时，总 FLOP 需求也将大幅上升，因为实验室希望进一步扩大规模。如果持续十年的训练计算趋势保持不变，到 2030 年前沿训练的 FLOPs 预计将达到约 2e29。进行这种规模的训练大约需要 2000 万个 H100 等效 GPU，依据当前的训练运行时间和利用率。假设这一领域仍有多个前沿实验室，总所需的 FLOPS 数量将会是这个数字的几倍，因为整体供应将在它们之间分配。EpochAI 预测到那时我们需要大约 1 亿个 H100 等效 GPU，约为 2024 年出货量的 50 倍。SemiAnalysis 也做出了类似的预测，认为前沿训练需求和 GPU 供应在此期间大致同步增长。
产能状况可能会因多种原因变得更加紧张。例如，如果制造瓶颈延迟了预计的出货周期，这种情况是常有的事。或者如果我们未能生产足够的能源来为数据中心供电。又或者如果我们在将这些能源来源连接到电网方面遇到困难。或者如果对资本支出的日益审查最终导致行业缩减规模，等等因素。在最好的情况下，我们当前的方法只能让少数公司继续推动研究的进展，而这可能还不够。
显然，我们需要一种新的方法。这种方法不需要不断扩展数据中心、资本支出和能源消耗来寻找下一个突破，而是高效利用我们现有的基础设施，能够随着需求的波动灵活扩展。这将让研究中有更多实验的可能，因为训练运行不再需要确保亿万美元计算预算的投资回报。一旦摆脱这一限制，我们可以超越当前的大语言模型 (LLM) 模式，正如许多人所认为的，实现通用人工智能 (AGI) 是必要的。为了理解这种替代方案可能呈现的样子，我们可以从过去的分布式计算实践中汲取灵感。
群体计算：简史
SETI@home 在 1999 年普及了这一概念，允许数百万参与者分析无线电信号，寻找外星智慧。SETI 从 Arecibo 望远镜收集电磁数据，将其分成若干批次，并通过互联网发送给用户。用户在日常活动中分析数据，并将结果发送回。用户之间无需沟通，批次可以独立审核，从而实现高度的并行处理。在其巅峰时刻，SETI@home 拥有超过 500 万名参与者，处理能力超过当时最大的超级计算机。它最终于 2020 年 3 月关闭，但它的成功激励了随后的志愿计算运动。
Folding@home 在 2000 年延续了这一理念，利用边缘计算模拟阿尔茨海默病、癌症和帕金森病等疾病中的蛋白质折叠。志愿者在个人电脑的空闲时间进行蛋白质模拟，帮助研究人员研究蛋白质如何错误折叠并导致疾病。在其历史的不同时间段，其计算能力超过了当时最大的超级计算机，包括在 2000 年代后期和 COVID 期间，当时它成为第一个超过一 exaFLOPS 的分布式计算项目。自成立以来，Folding 的研究人员已发表超过 200 篇同行评审论文，每一篇都依赖于志愿者的计算能力。
伯克利开放网络计算基础设施 (BOINC) 在 2002 年普及了这一理念，提供了一个众包计算平台，用于各种研究项目。它支持 SETI@home 和 Folding@home 等多个项目，以及在天体物理学、分子生物学、数学和密码学等领域的新项目。到 2024 年，BOINC 列出了 30 个正在进行的项目，以及近 1,000 篇发表的科学论文，均利用其计算网络产生。
在科研领域之外，志愿计算被用于训练围棋（LeelaZero、KataGo）和国际象棋（Stockfish、LeelaChessZero）等游戏引擎。LeelaZero 通过志愿计算从 2017 年到 2021 年进行训练，使其能够与自己下棋超过一千万局，创造了今天最强的围棋引擎之一。类似地，Stockfish 自 2013 年以来一直在志愿网络上持续训练，使其成为最受欢迎和最强大的国际象棋引擎之一。
关于深度学习的挑战
但是我们能否将这一模型应用于深度学习？我们是否可以将世界各地的边缘设备联网，创建一个低成本的公共训练集群？消费者硬件——从苹果笔记本到 Nvidia 游戏显卡——在深度学习方面的性能越来越出色。在许多情况下，这些设备的性能甚至超过了数据中心显卡的每美元性能。
然而，要有效利用这些资源在分布式环境中，我们需要克服各种挑战。
首先，当前的分布式训练技术假设节点之间存在频繁的通信。
当前最先进的模型已经变得如此庞大，以至于训练必须被拆分到数千个 GPU 之间。这是通过多种并行化技术来实现的，通常是在可用的 GPU 之间拆分模型、数据集或同时拆分两者。这通常需要高带宽和低延迟的网络，否则节点将闲置，等待数据到来。
例如，分布式数据并行技术 (DDP) 将数据集分配到各个 GPU 上，每个 GPU 在其特定的数据片段上训练完整的模型，然后共享其梯度更新，以生成各个步骤的新模型权重。这需要相对有限的通信开销，因为节点仅在每次反向传播后共享梯度更新，并且集体通信操作可以部分与计算重叠。然而，这种方法仅适用于较小的模型，因为它要求每个 GPU 在内存中存储整个模型的权重、激活值和优化器状态。例如，GPT-4 在训练时需要超过 10TB 的内存，而单个 H100 仅有 80GB。
为了解决这一问题，我们还使用各种技术对模型进行拆分，以便在 GPU 之间进行分配。例如，张量并行技术 (tensor parallelism) 在单个层内拆分各个权重，使得每个 GPU 执行必要的操作并将输出传递给其他的 GPU。这降低了每个 GPU 的内存需求，但需要它们之间进行持续的通信往来，因此需要高带宽、低延迟的连接以提高效率。
流水线并行技术 (pipeline parallelism) 将模型的层分配到各个 GPU 上，每个 GPU 执行其工作并与流水线中的下一个 GPU 共享更新。尽管这所需的通信量比张量并行更少，但可能会出现「气泡」（例如，空闲时间），在这种情况下，位于流水线后面的 GPU 会等待来自前面 GPU 的信息，以便开始其工作。
为了解决这些挑战，发展出各种技术。例如，ZeRO（零冗余优化器）是一种内存优化技术，它通过增加通信开销来减少内存使用，从而使更大的模型能够在特定设备上进行训练。ZeRO 通过在 GPU 之间分割模型参数、梯度和优化器状态来降低内存需求，但依赖于大量的通信，以便设备能够获取分割的数据。它是流行技术如完全分片数据并行 (FSDP) 和 DeepSpeed 的基础方法。
这些技术通常在大模型训练中结合使用，以最大化资源的利用效率，这被称为 3D 并行。在这种配置中，张量并行技术 (tensor parallelism) 通常用于在单个服务器内将权重分配到各个 GPU 上，因为在每个被分割的层之间需要大量通信。然后，流水线并行技术 (pipeline parallelism) 被用来在不同服务器之间（但在数据中心的同一岛屿内）分配层，因为它所需的通信量较少。接着，数据并行技术 (data parallelism) 或完全分片数据并行技术 (FSDP) 被用来在不同服务器岛屿之间拆分数据集，因为它可以通过异步共享更新和 / 或压缩梯度来适应更长的网络延迟。Meta 使用这种组合方法来训练 Llama 3.1，如下面的图示所示。
这些方法给去中心化训练网络带来了核心挑战，这些网络依赖于通过（速度更慢且波动更大的）消费级互联网连接的设备。在这种环境中，通信成本很快就会超过边缘计算带来的收益，因为设备通常是空闲的，等待数据到达。以一个简单的例子说明，分布式数据并行训练一个具有 10 亿参数的半精度模型，每个 GPU 在每个优化步骤中需要共享 2GB 的数据。以典型的互联网带宽（例如 1 千兆位每秒）为例，假设计算与通信不重叠，传输梯度更新至少需要 16 秒，导致显著的空闲。像张量并行技术 (tensor parallelism) 这样的技术（需要更多的通信）当然会表现得更糟。
其次，当前的训练技术缺乏容错能力。像任何分布式系统一样，随着规模的增加，训练集群变得更容易发生故障。然而，这一问题在训练中更加严重，因为我们目前的技术主要是同步的，这意味着 GPU 必须协同工作以完成模型训练。成千上万的 GPU 中单个 GPU 的故障会导致整个训练过程停止，迫使其他 GPU 从头开始训练。在某些情况下，GPU 并不会完全故障，而是由于各种原因变得迟缓，进而减慢集群中成千上万其他 GPU 的速度。考虑到当今集群的规模，这可能意味着数千万到数亿美元的额外成本。
Meta 在他们的 Llama 训练过程中详细阐述了这些问题，他们经历了超过 400 次意外中断，平均每天约 8 次中断。这些中断主要归因于硬件问题，例如 GPU 或主机硬件故障。这导致他们的 GPU 利用率仅为 38-43%。OpenAI 在 GPT-4 的训练过程中表现更差，仅为 32-36%，这也是由于训练过程中故障频繁。
换句话说，前沿实验室们在完全优化的环境中（包括同质的、最先进的硬件、网络、电源和冷却系统）进行训练时，仍然难以达到 40% 的利用率。这主要归因于硬件故障和网络问题，而在边缘训练环境中，这些问题会更加严重，因为设备在处理能力、带宽、延迟和可靠性方面存在不均衡。更不用说，去中心化网络易受恶意行为者的侵害，他们可能出于各种原因试图破坏整体项目或在特定工作负载上作弊。即使是纯志愿者网络 SETI@home，也曾出现过不同参与者的作弊现象。
第三，前沿模型训练需要大规模的计算能力。虽然像 SETI 和 Folding 这样的项目达到了令人印象深刻的规模，但与当今前沿训练所需的计算能力相比，它们相形见绌。GPT-4 在一个由 20,000 个 A100 组成的集群上训练，其峰值吞吐量为半精度的 6.28 ExaFLOPS。这比 Folding@home 在其峰值时的计算能力多出三倍。Llama 405b 使用 16,000 个 H100 进行训练，峰值吞吐量为 15.8 ExaFLOPS，是 Folding 峰值的 7 倍。随着多个实验室计划构建超过 100,000 个 H100 的集群，这一差距只会进一步扩大，每个集群的计算能力高达惊人的 99 ExaFLOPS。
这很有道理，因为 @home 项目是志愿者驱动的。贡献者捐赠了他们的内存和处理器周期，并承担了相关成本。这自然限制了它们相对于商业项目的规模。
最近的进展
虽然这些问题在历史上一直困扰着去中心化训练工作，但它们似乎不再不可逾越。新的训练技术已经出现，能够减少节点间的通信需求，从而在互联网连接的设备上进行高效训练。这些技术很多源自大型实验室，它们希望为模型训练增加更大的规模，因此需要跨数据中心的高效通信技术。我们还看到了容错训练方法和加密激励系统的进展，这些方法可以支持更大规模的训练在边缘环境中进行。
高效通信技术
DiLoCo 是谷歌近期的研究，它通过在设备间传递更新的模型状态之前进行本地优化，从而减少了通信开销。他们的方法（基于早期的联邦学习研究）显示出与传统同步训练相当的效果，同时节点之间的通信量降低了 500 倍。此后，该方法已被其他研究者复制，并扩展至训练更大模型（超过 10 亿个参数）。它还扩展到异步训练，这意味着节点可以在不同时间共享梯度更新，而不是一次性共享所有更新。这更好地适应了处理能力和网络速度各异的边缘硬件。
其他数据并行方法，如 lo-fi 和 DisTrO，旨在进一步减少通信成本。Lo-fi 提出了完全本地微调的方法，这意味着节点独立训练，只在最后传递权重。这种方法在微调超过 10 亿参数的语言模型时，性能与基准相当，同时完全消除了通信开销。在一份初步报告中，DisTrO 声称采用了一种新型的分布式优化器，他们认为可以将通信需求降低四到五个数量级，尽管该方法尚待确认。
新的模型并行方法也已经出现，这使得实现更大的规模成为可能。DiPaCo（同样来自谷歌）将模型划分为多个模块，每个模块包含不同的专家模块，以便于特定任务的训练。然后，训练数据通过「路径」进行分片，这些路径是每个数据样本对应的专家序列。给定一个分片，每个工作者几乎可以独立训练特定的路径，除了共享模块所需的通信，这部分由 DiLoCo 处理。这种架构将十亿参数模型的训练时间减少了超过一半。
SWARM 并行性和异构环境中基础模型的去中心化训练 (DTFMHE) 也提出了模型并行的方法，以在异构环境中实现大模型训练。SWARM 发现，随着模型规模的增加，管道并行性通信约束减小，这使得在较低的网络带宽和更高的延迟下有效训练更大模型成为可能。为了在异构环境中应用这一理念，他们在节点之间使用临时「管道连接」，这些管道可以在每次迭代中实时更新。这允许节点将其输出发送到任何下一个管道阶段的对等节点。这意味着，如果某个对等节点比其他节点更快，或者任何参与者断开连接，输出可以动态重新路由，以保证训练的持续进行，只要每个阶段至少有一个活跃参与者。他们使用这种方法在低成本的异构 GPU 上训练一个超过 10 亿参数的模型，并且互连速度较慢（如下图所示）。
DTFMHE 同样提出了一种新颖的调度算法，以及管道并行和数据并行，以在 3 个大洲的设备上训练大型模型。尽管他们的网络速度比标准 Deepspeed 慢 100 倍，但他们的方法速度仅比在数据中心使用标准 Deepspeed 慢 1.7-3.5 倍。与 SWARM 类似，DTFMHE 显示出随着模型规模增大，通信成本可以有效隐藏，即使在地理分布的网络中也同样适用。这使得我们能够通过各种技术克服节点之间较弱的连接，包括增加隐藏层的大小和每个管道阶段增加更多层。
故障容错
上述许多数据并行方法默认具有容错能力，因为每个节点都在内存中存储整个模型。这种冗余通常意味着，即使其他节点出现故障，节点仍然可以独立工作。这对于去中心化训练非常重要，因为节点通常是不可靠的、异构的，甚至可能存在恶意行为。然而，如前所述，纯数据并行方法仅适用于较小的模型，因此模型大小受到网络中最小节点内存容量的制约。
为了解决上述问题，一些人提出了适用于模型并行（或混合并行）训练的容错技术。SWARM 通过优先选择延迟较低的稳定对等节点来应对对等节点故障，并在发生故障时重新路由管道阶段的任务。其他方法，如 Oobleck，采用类似的方法，通过创建多个「管道模板」来提供冗余，以应对部分节点故障。尽管在数据中心进行了测试，Oobleck 的方法提供了强大的可靠性保证，这些保证同样适用于去中心化环境。
我们还看到了一些新的模型架构（如去中心化混合专家模型 (Decentralized Mixture of Experts, DMoE)），用于支持去中心化环境中的容错训练。与传统的专家混合模型类似，DMoE 由多个独立的「专家」网络组成，这些网络分布在一组工作者节点上。DMoE 使用分布式哈希表以去中心化方式跟踪和整合异步更新。该机制（在 SWARM 中也使用）对节点故障具有良好的抵抗力，因为如果某些节点失败或未能及时响应，它可以将某些专家排除在平均计算之外。
规模化
最后，像比特币和以太坊所采用的加密激励系统可以帮助实现所需的规模。这两个网络通过向贡献者支付一种可以随着采用增长而增值的本地资产来众包计算。这个设计通过给予早期贡献者丰厚奖励来激励他们，当网络达到最小可行规模后，这些奖励可以逐步减少。
确实，这种机制存在各种陷阱，需要避免。其中最主要的陷阱是，过度激励供给而未能带来相应的需求。此外，如果基础网络不够去中心化，这可能引发监管问题。然而，当设计得当时，去中心化激励系统可以在较长时间内实现可观的规模。
例如，比特币年电力消耗约为 150 太瓦时 (TWh)，这比目前构思中的最大 AI 训练集群的电力消耗高出两个数量级之多（100,000 个 H100 全负荷运行一年）。作为参考，OpenAI 的 GPT-4 在 20,000 个 A100 上进行了训练，Meta 的旗舰 Llama 405B 模型在 16,000 个 H100 上进行了训练。同样，在其高峰期，以太坊的电力消耗大约为 70 TWh，分散在数百万个 GPU 之间。即使考虑到未来几年 AI 数据中心的快速增长，像这些激励计算网络仍将多次超越其规模。
当然，并非所有计算都是可替换的，训练相对于挖矿有独特的需求，需要考虑。尽管如此，这些网络展示了通过这些机制可以实现的规模。
未来的道路
将这些部分联系在一起，我们可以看到前进的新道路的开端。
很快，新的训练技术将使我们能够超出数据中心的限制，因为设备不再需要共同放置才能发挥作用。这将需要时间，因为我们当前的去中心化训练方法仍处于较小规模，主要在 10 亿到 20 亿个参数的范围内，比像 GPT-4 这样的模型小得多。我们需要进一步的突破，以在不牺牲关键属性（如通信效率和容错能力）的情况下提升这些方法的规模。或者，我们需要新的模型架构，这些架构与今天的大型单体模型有所不同——可能更小、更模块化，在边缘设备上运行，而非在云端
无论如何，可以合理地预期在这个方向上会有进一步的进展。我们当前方法的成本是不可持续的，这为创新提供了强烈的市场动力。我们已经看到这一趋势，像 Apple 这样的制造商正在构建更强大的边缘设备，以便在本地运行更多的工作负载，而不是依赖云端。我们还看到对开源解决方案的支持不断增加——甚至在像 Meta 这样的公司内部，以促进更去中心化的研究与开发。这些趋势随着时间的推移只会加速。
与此同时，我们还需要新的网络基础设施来连接边缘设备，以便能够这样使用它们。这些设备包括笔记本电脑、游戏台式机，最终甚至可能是拥有高性能显卡和大内存的手机。这将使我们能够构建一个「全球集群」，低成本、始终在线的计算能力，可以并行处理训练任务。这也是一个具有挑战性的问题，需要在多个领域取得进展。
我们需要更好的调度技术来在异构环境中进行训练。目前没有任何方法可以自动并行化模型以达到优化，特别是在设备可以随时断开或连接的情况下。这是优化训练的关键下一步，同时保留基于边缘网络的规模优势。
我们还必须应对去中心化网络的一般复杂性。为了最大化规模，网络应该构建为开放协议——一套标准和指令，规定参与者之间的互动，就像 TCP/IP 而是用于机器学习计算。这将使任何遵循特定规范的设备能够连接到网络，无论拥有者和位置。它还确保网络保持中立，允许用户训练他们喜欢的模型。
虽然这实现了规模最大化，但它也需要一个机制来验证所有训练任务的正确性，而不依赖于单一实体。这一点至关重要，因为存在固有的作弊诱因——例如，声称自己完成了某个训练任务以获得报酬，但实际上并没有做到。考虑到不同设备通常以不同方式执行机器学习操作，这使得使用标准复制技术变得难以验证正确性，因此这尤其具有挑战性。正确解决这个问题需要在密码学和其他学科上进行深入研究。
幸运的是，我们在所有这些方面都继续看到进展。与过去几年相比，这些挑战似乎不再不可逾越。与机会相比，它们也显得相当微小。Google 在他们的 DiPaCo 论文中对此进行了最佳总结，指出去中心化训练有潜力打破的负反馈机制：
分布式训练机器学习模型的进展可能促进基础设施的简化建设，最终导致计算资源的更广泛可用。目前，基础设施是围绕训练大型单体模型的标准方法而设计的，同时机器学习模型的架构也旨在利用当前的基础设施和训练方法。这种反馈循环可能使社区陷入一个误导性的局部最小值，即计算资源的限制超过了实际需要。
也许最令人兴奋的是，研究界对解决这些问题的热情日益高涨。我们在 Gensyn 的团队正在构建上述网络基础设施。像 Hivemind 和 BigScience 这样的团队在实践中应用了许多这些技术。像 Petals、sahajBERT 和 Bloom 这样的项目展示了这些技术的能力，以及对基于社区的机器学习日益增长的兴趣。还有许多其他人也在推动研究进展，目标是建立一个更开放、更协作的模型训练生态系统。如果您对这项工作感兴趣，请与我们联系以参与其中。
摘要：
一、基础介绍：
iMe是基于Telegram开发的多功能Web3版本软件，可以更快速的理解为Telegram的Web3特殊加强版。用户账户可以与Telegram无缝互通，内容完全同步，但是软件需要单独下载。
2021年6月，iMe的用户为230万，日活跃用户超过20万，截止2024年9月 目前iME已经拥有1300万的用户。3年用户增长率达到565%左右。由于iME账户和Telegram账户完全通用，TG的9亿用户也可随时无缝的使用iMe版本的TG软件。
Fig.1. iMe版本3年间用户增长图
也许得益于TG与iMe之间的用户通用性，所以如图1所示，iMe的用户数量3年间出现了超过1000w用户的大幅提升。功能层面，从下面一组图的对比也能简要发现核心的不同：
二、Token Economics通证经济分析：
三、团队分析：
四、未来长期价值分析：
1.iMe与Telegram的关系：
2.iMe与TON的关系与模式差别：
3.综合未来价值分析总结
五、总结Conclusion：
作者：Aiying艾盈；来源：Aiying Payment Compliance
过去几年，Circle一直在积极拓展其全球业务，尤其是在那些需求迅速增长的市场。其目标是让更多的企业和消费者能够轻松使用USDC这种与美元挂钩的数字货币，无论是在支付还是转账方面，都更加方便。最近，Circle加快了在拉丁美洲的布局。2024年9月，公司宣布与巴西和墨西哥的主要银行合作，通过这两个国家的实时支付系统——巴西的PIX和墨西哥的SPEI，使得当地用户能够更加便捷地获取USDC。这不仅是Circle在拉美市场的重要一步，也让USDC的应用从跨境交易拓展到了本地支付和资金流动中，带来了更多灵活的使用。
巴西和墨西哥市场的扩展
巴西的PIX系统是由巴西中央银行在2020年推出的，允许个人、企业和政府通过手机号码或电子邮件全天候进行实时交易。到2024年8月，PIX系统的用户已经超过1.68亿，几乎覆盖了所有类型的金融交易需求。通过将USDC与PIX整合，Circle为巴西的企业和消费者提供了更快、更便捷的方式获取USDC，彻底避免了以往国际电汇的繁琐和高昂费用。
同样，墨西哥的SPEI系统自2004年由中央银行管理以来，也在全国广泛应用，尤其是在跨行转账和电子支付方面非常便捷。2023年，SPEI系统处理了330多万笔交易，使得墨西哥用户能够轻松、迅速地转移资金。通过与SPEI的整合，Circle使企业和消费者能够在几分钟内将墨西哥比索转换为USDC，而不再需要耗时的国际电汇 。
据Aiying艾盈了解，为增强这些功能，Circle还与巴西的BTG Pactual投资银行和Nubank建立了合作，这让USDC不仅可以更快速地通过本地银行流通，还大大提升了企业和个人对其的信任度。他们无需再将本地货币转换为美元，便可直接使用USDC进行交易。
通过这一系列措施，Circle显著缩短了交易时间，从几天压缩到了几分钟，同时也降低了跨境汇款的成本。这对巴西和墨西哥的企业，尤其是那些依赖美元计价的跨境交易和汇款的企业来说，提供了一个更高效、成本更低的选择。
对拉美市场的影响
USDC在拉丁美洲市场，尤其是巴西和墨西哥，展现出了巨大的潜力。由于拉美地区的大量经济活动，尤其是跨境贸易和汇款，通常都以美元计价，USDC的引入为这些国家的企业和消费者提供了一个更经济实惠的解决方案。在这些交易以美元为主导的背景下，USDC通过简化流程和降低成本，成为了一个理想的选择。
跨境贸易是拉丁美洲经济的命脉之一。据Aiying艾盈了解墨西哥与美国之间的贸易每年高达8000亿美元，巴西的外贸交易也高度依赖美元，约95%的国际商品贸易都是以美元结算。传统上，这类交易需要通过国际电汇，流程繁琐且费用昂贵。然而，通过USDC，企业可以绕过银行的繁杂程序，直接使用数字美元进行结算，大幅减少了交易时间和成本。对于那些频繁进行跨境交易的公司来说，这种方式无疑更具吸引力。
在汇款方面，USDC也展现了其独特的优势。以2023年为例，美国向墨西哥的汇款总额达到630亿美元，约占墨西哥GDP的4%。传统的汇款服务费用通常高达6.35%，而通过USDC，汇款不仅更便宜，还能在几分钟内完成交易。这对那些依赖国际汇款的家庭和小型企业来说，节省了大量时间和费用，提升了他们的生活质量和经营效率。
更重要的是，USDC的引入还帮助企业减少了对美元现金的依赖，同时也降低了汇率波动带来的风险。通过USDC，企业能够更灵活地在本地货币和数字美元之间进行转换，有效管理跨境支付中的外汇风险。
作者：深潮 TechFlow
美联储终于松口加息，市场应声而涨，盼星星盼月亮的散户们对“山寨季”的美好畅想也从山寨价格上得以体现。
而在这之外，一向不看大盘脸色的链上世界早已热闹许久，就拿以太主网最近的热点行情来说：Neiro 大小写之争起起伏伏仍未结束，在大写 $NEIRO 上线两周后，代表社区力量的小写 $Neiro 直接上线 Binance，旋即在两天内拉出将近 30 倍涨幅，社区一片欢声笑语，而小写 $Neiro 的狂热出圈也彻底点燃蠢蠢欲动的链上热度。
在小写 $Neiro 彻底成功后，Neiro 相关的狗子宇宙概念币们也应声拉盘，基本都有十倍左右涨幅。然而热点更迭的速度永远超出你想象，狗子宇宙还没捂热乎，今天特朗普用比特币买汉堡一事又造福了另一群人，以太链上同名代币 $BURGER 在发行不到半天已经 500 万美元市值，相关概念代币也出一个拉一个。
汉堡还没吃进嘴，下午 V 神的狗 MISHA 概念币又开始火热……总之在这样一个疯狂星期四，我们来盘点一下这几天 ETH 主网上热门的叙事代币。
PS：同概念同名代币很多，本文仅从交易量、池子大小、讨论热度择最优者介绍盘点，非财务建议。
Trump 买汉堡概念
Crypto Burger（$BURGER）
特朗普使用比特币购买汉堡后，戏称这是“Crypto Burger”，同名代币在短时间经历拉升——归零后又迅速拉起，从5000 美元市值到最高 500 万美元市值只用了一个上午，截至目前 $BURGER 价格冲高后回落，成交额已经超过 1470 万美元。
First Presidential Transaction （$861871）
购买汉堡后，特朗普称这是”历史性的一刻”。PubKey Bar 的官方 X 账号发布了这一消息，并提到本次汉堡交易发生在区块高度 861871。
所以就有了这个概念币，在情绪最狂热的阶段也接近 50 万美元，现已回落较深。
V神的狗 Misha 概念
猫猫狗狗概念一直是 Meme 市场最硬的通证，特朗普买汉堡火了半天，V神纪录片结尾的小狗 Misha 又来接棒无处安放的“急急急”资金。
Vitalik’s Dog ($MISHA)
当前 Misha 概念最火的是下午一点左右新发的 $MISHA，四个小时左右已经有 870 万美元交易量，当前市值 500 万美元左右。
Misha （$MISHA）
目前最火热的两个 $MISHA 代币是同名。从时间上看，这个 $MISHA 在一周前就已经出现。从价格走势上看市场一开始也确实对这个老牌 $MISHA 买单，但可能由于底部筹码太多，价格一直受阻，拉盘没有新 $MISHA 来得猛，目前新 $MISHA 拉升中，老 $MISHA 阻力相对较大。
Neiro 狗子宇宙概念
自小写 $Neiro 上线 Binance 后，近期有过话题的狗子全家桶都接连拉升。这里除了大小写纷争的主角 $Neiro 和 $NEIRO 之外，还有 Neiro 主人养的其他小动物们。
小猫伙伴：Ginnan、Tsuji、ONI
Ginnan Doge’s Brother（$GINNAN）
Neiro 主人养的三只小猫之一，说是Nerio 的好朋友（嗯。。。），在 Neiro 概念刚出现的时候疯狂火过一波。小写 $Neiro 上线 Binance 后接着狂涨 30 倍左右，这两天蹭热点之后热度回落，当前市值 240 万美元左右。
Tsutsuji | Doge’s Brother（$TSUJI）
同样是 Neiro 主人养的三只小猫之一，走势、逻辑同 $GINNAN，当前市值 58 万美元。
Onigiri （$ONI） 是的这又是 Neiro 主人养的三只小猫之一，走势、逻辑同 $GINNAN，当前市值 230 万美元。
小狗伙伴：Fuku、Ken
Fuku-Kun（$FUKU）
Doge&Neiro 的主人传言养的新狗 Fuku 在当时八月链上行情冷淡的时候带起一波 ETH 主网的新热度，人为操盘痕迹相当明显，代币本身也一度上所。但后来 Fuku 概念破产，代币价格也就不了了之，Neiro 上所后 FUKU 也猛拉将近十倍，现价格回落，当前市值 130 万美元左右。
Ken（$KEN）
说是 Doge 的老哥（这一大家子……），也跟着 Neiro 宇宙一起火了一波，只不过热度过去也免不了开始自由落体，当前市值 50 万美金左右。
结语
从疯狂的链上行情来看，无论市场如何，总有人赚钱。但最重要的是做好风控，保护本金。小玩怡情，梭哈伤身，切记切记，不要 Fomo。
原文作者：
原文编译：深潮 TechFlow
稳定币代表了自信用卡以来支付形式最具变革性的进化，它们改变了资金流动方式。凭借低廉的跨境费用、近乎即时的结算以及对广泛需求货币的全球获取，稳定币有能力改进金融系统。对于那些保管支撑数字资产的美元存款的人来说，它们也可以是。
目前，全球稳定币的总量超过。有五种稳定币的流通量超过 10 亿美元：USDT（Tether）、USDC（Circle）、DAI（Maker）、First Digital USD（Binance）和 PYUSD（PayPal）。我相信我们正朝着一个拥有更多稳定币的世界前进——一个每个金融机构都将提供自己稳定币的世界。
我一直在考虑随着这一增长而出现的机会。我认为，观察其他支付系统的成熟，特别是信用卡网络，可能会提供一些启示。
信用卡网络和稳定币网络相似程度如何？
对于消费者和商户来说，所有稳定币应该都感觉像美元。但实际上，每个稳定币发行者对美元的处理方式各异，这源于不同的发行与赎回流程、支撑每种稳定币供应的储备、不同的监管制度、财务审计的频率等等。解决这些复杂性将是一个巨大的商业机会。
我们之前在信用卡中见过这种情况。消费者使用几乎可替换但实际上并不完全可替换的资产进行消费，这些资产作为美元（它们是对美元的贷款，但这些贷款不可同日而语，因为人们的信用评分各不相同）。有一些网络——如 Visa 和 Mastercard——负责整个系统中的支付协调。而且两个系统中的利益相关者（最终可能会）看起来相似：消费者、消费者的银行、商家的银行和商家。
一个例子可能有助于说明网络结构的相似性。
假设你外出就餐，用信用卡支付账单。那么你的支付如何进入餐厅账户呢？
-
你的银行（信用卡发行银行）会授权交易，并将资金发送到餐厅的银行（称为收单行）。
-
一个互换网络——如 Visa 或 Mastercard——促进资金交换，并收取小额费用。
-
收单行随后将资金存入餐厅的账户，但会扣除一笔费用。
现在假如你想使用稳定币支付。你的银行，银行 A，发行 AUSD 稳定币。餐厅的银行，银行 F，使用 FUSD。这是两种不同的稳定币，虽然它们都代表美元。餐厅的银行仅接受 FUSD。那么 AUSD 的支付如何转为 FUSD 呢？
最终，这一流程会与信用卡网络的流程非常相似：
-
消费者的银行（发行 AUSD）授权交易。
-
一个协调服务进行 AUSD 到 FUSD 的交换，并可能会收取小额费用。这个交换可以通过几种不同的方式进行：
-
路径 1 ：利用去中心化交易所的稳定币对稳定币交换。例如，Uniswap 提供多个流动池，费用低至 0.01% 。( 3)
-
路径 2 ：将 AUSD 兑换成美元存款，然后将该美元存款存入收单行以发行 FUSD。
-
路径 3 ：协调服务可以在网络中相互抵消资金流动；这可能仅在规模达到时才会实现。
-
FUSD 被存入商家的账户，可能扣除一笔费用。
类比开始出现差异的地方
上述内容描绘了我认为信用卡网络和稳定币网络之间的明显相似的地方。它还为思考稳定币在何处开始有效地升级和超越信用卡网络的某些元素提供了有用的框架。
第一个不同之处在于跨境交易。如果上述场景是一个美国消费者在意大利的餐厅消费——消费者想用美元支付，而商家想收取欧元——现有的信用卡会收取超过 3% 的手续费。在去中心化交易所（DEX）上稳定币之间的转换，手续费可能低至 0.05% （相差 60 倍）。将这种费用降低的幅度广泛应用于跨境支付，就会清楚地看到稳定币能够为全球 GDP 增加多少生产力。
第二个不同之处在于从企业到个人的支付流程。支付被授权与资金实际离开付款人账户之间的时间非常迅速：一旦资金被授权，就可以离开账户。即时结算既有价值又受到追捧。此外，许多企业拥有全球化的劳动力。跨境支付的频率和金额可能远高于普通消费者。劳动力的全球化趋势应为这一机会提供强劲的助力。
思考未来：哪里可能存在机会？
如果网络结构之间的比较在方向上成立，那么它有助于揭示可能存在的创业机遇。在信用卡生态系统中，主要企业通过协调、发行创新、形态因素的赋能等方式崛起。稳定币同样适用。
之前的例子主要描述了协调的角色。这是因为移动资金是一个大生意。Visa、Mastercard、American Express 和 Discover 的市值都至少在数百亿美元，总价值超过 1 万亿美元。多个信用卡网络的存在表明竞争是健康的，市场足够大以支持主要企业。可以合理推测，在成熟市场中，稳定币的协调也将存在类似的竞争。我们只有 1-2 年的时间来建立足够的基础设施，以便稳定币能够大规模成功。新创业公司仍然有足够的时间来追求这一机会。
稳定币发行是另一个创新领域。类似于企业信用卡的增长，我们可能会看到企业希望拥有自己的白标稳定币的相似趋势（深潮注：白标稳定币是指由企业或组织发行的稳定币，这些稳定币的品牌和标识是由发行方自定义的，而不是由稳定币的技术提供者所标识。）。拥有支出单位可以更好地控制整个会计流程，从费用管理到处理外国税收。这可能成为稳定币协调网络的直接业务线，也可能是新兴创业公司的机会（例如，类似于 ）。这种企业需求的衍生品可能会导致更多新企业的出现。
发行还可以通过许多方式变得越来越专业化。考虑分级的出现。在许多信用卡中，客户可以支付预付费用以获得更好的奖励结构，例如 或 。一些公司（通常是航空公司和零售商）甚至提供专属信用卡。如果稳定币奖励分级也出现类似的实验，我对此并不感到意外。( 4) 这同样可能为创业公司提供一个机会。
在许多方面，所有这些趋势相互促进增长。随着发行的多样化，协调服务的需求也随之增加。随着协调网络的成熟，这将降低新发行者竞争的门槛。所有这些都代表着巨大的机会，我期待在这个领域看到更多的创业公司。从长远来看，这些市场将达到万亿美元规模，应该能够支持许多大型企业。
9 月 19 日,OKX 首席营销官 Haider Rafique 发表最新 blog，预告 OKX 与迈凯伦车队共同设计的“Legend Reborn”涂装，具体译文如下：
今天，我们与迈凯伦车队携手，为MCL38 F1赛车打造了限量版的“Legend Reborn”涂装设计。该涂装将在本周末的新加坡大奖赛上亮相赛道。
与迈凯伦共同设计的“Legend Reborn ”涂装体现了我们对创新与传承的共同承诺。多年来，两个品牌在各自领域都建立了伟大的传奇，这款涂装旨在通过回顾过去，来重新定义未来。“Legend Reborn ”是为那些在观看比赛中长大、见证迈凯伦驰骋赛道、经历MP4时代的粉丝而设计的。今年对迈凯伦车队来说是一个特别的时刻，因此我们认为将那个时代的记忆带回这一年再合适不过了，因为迈凯伦正再次为追求卓越而奋战。
一大亮点是涂装中融入了13位曾驾驶MP4赛车的车手名字，其中包括传奇人物 Ayrton Senna、Alain Prost和Niki Lauda。这一细节象征着我们从历史中汲取灵感，推动未来的成就。MCL38的尾翼上醒目地印有“加速Web3”的字样，彰显了我们在推动链上技术发展方面的承诺。
“Legend Reborn”同样象征着我们作为一个组织所看中国的创新精神。正如迈凯伦几十年来不断突破汽车工程的界限，我们也在链上领域不懈追求进步。
OKX 最初是一家中心化加密交易所，但逐渐发展为引领区块链未来的Web3科技公司。与迈凯伦一样，我们将自己视为自己的挑战者，这推动着我们全力以赴去竞争并取得胜利。
昨天，在Token2049的炉边对话中，我们与Lando Norris一起发布了改版后的OKX钱包。这次更新带来了全新的界面和链上交易功能，为下一代用户提供了进入链上世界的新选择。我们正在重新定义数十亿人探索链上世界的方式，正如迈凯伦在每个赛季重新打造其赛车一样。
我们的旅程充满了挑战与突破。我们希望通过“Legend Reborn”涂装致敬这种不断革新并勇敢开创全新未来的精神。
作者：天风宏观宋雪涛/联系人钟天；来源：雪涛宏观笔记
鲍威尔最重要的正确，是“政治正确”。
9月FOMC会议联储超预期降息50bp，上修年末失业率预测至4.4%（6月为4.0%），下修年末核心PCE至2.6%（6月为2.8%），进一步上修长期利率至2.9%。
继杰克逊霍尔会议后，联储以实质性降息50bp的方式宣告了抗通胀的胜利，也就此开启新的降息周期。
整场发布会鲍威尔都未给出降息50bp的有力论据，只是反复强调“做正确的事”。但从近期经济指标看，降息50bp“不一定正确”。
8月以来核心通胀反弹、薪资增速反弹、就业状况改善、零售超预期、全地产链条回暖，服务业PMI保持大幅扩张水平，工业生产超预期修复，这些都否认了大幅降息的紧迫性。
如我们在《理解联储行动的逻辑》中所述，鲍威尔的鸽变不是经济逻辑，而是政治逻辑。从经济逻辑看，降息25BP或者不降，都合理；从政治逻辑看，降息50BP甚至75BP，都没有错。最近民主党参议员伊丽莎白沃伦就呼吁，美联储在大选前一次性降息75BP。
这导致在联储官员的静默期且经济数据一致转好的情况下，靠着前纽约联储主席和媒体吹风，50BP的降息预期就能持续升温，而鲍威尔选择向市场预期靠拢，顺应金融市场定价，而非此前经常做的主动“预期管理”。
这也并不是一次补偿式的降息，如果联储真的认为7月非农数据指向降息的必要性，理应在数据公布后公开引导更明确的降息预期（25bp+25bp），而非在静默期后还在让市场博弈25bp与50bp的可能性。
9月SEP给出2024、2025年失业率稳定在4.4%也难以自洽：因为从历史上看，失业率很难横在一个位置，但如此大的劳动力供给冲击在历史上也没有出现，失业率充满着太多的未知性。（详见《衰退担忧，与宽松的不着陆》）
整个美国劳动力市场都被捉摸不定的非法移民涌入速率所裹挟（包括非法移民转化为劳动力的时间，以及参与率水平），当前美国边境管理局记录的非法移民数量已明显减弱。
如此果敢的货币政策调整以及相对积极的降息路径，并没有太过计入劳动力供给边际转弱的情形，叠加降息带来需求修复，美国失业率存在拐头向下的可能性。
现在回头看，鲍威尔口中的正确，并不是基于经济因素的“正确性”，而更多来自于政治因素的“偏好性”。
鲍威尔在拜登支持率落后于特朗普时，极力保持着模糊中立的立场，而在哈里斯接棒拜登、支持率超过特朗普后，他的态度迅速转鸽，以“尽一切努力”的杰克逊霍尔讲话，开启了降息周期。（详见《鲍威尔鸽变》）
有意思的是，在记者会中鲍威尔谈到他作为联储主席经历了4次总统选举，“每一次都是基于美国民众利益最大化的集体决策”。
然而2016年，联储却极力避免干涉大选，在大选后才继续加息；且对于当下的美国经济来说，等到大选结束后再行动也绰绰有余。
之前特朗普扬言替换鲍威尔，隔空喊话鲍威尔“不要大选前降息”，可能从某种程度上“适得其反”地促成了此次50BP的降息。
总的来说，这是一次非经济因素驱动下的大幅降息，也可能增加了二次通胀的风险。美国经济在相对高位受到降息刺激（图7：经济动能指数处于软着陆周期最高水平)，需求反弹将带动通胀反弹，明年联储可能考虑再加息。（详见《距离二次通胀，只差一次降息》）
而大降大加的波动，也让鲍威尔距离他的偶像（保罗沃尔克）的前任——70年代联储主席亚瑟伯恩斯，更进了一步。（详见《鲍威尔注定是21世纪的伯恩斯》）
风险提示
美国失业率数据偏差较大，美国企业盈利超预期放缓，美国大选意外事件再现 ，美国薪资增速不确定性增加
原文作者：，BlockBeats
今年初，我在撰写《》时，OP_CAT 对很多人来说还是一个陌生的名词。如果不是因为比特币 NFT 项目 Taproot Wizards 借助模因文化推出量子猫系列 NFT 为 OP_CAT 造势，可能很少人会知道这个看似枯燥的技术概念。
但短短半年后，OP_CAT 已经炙手可热，甚至被视为下一个「闪电网络」。最近大火的分型网络 Fractal Bitcoin，事实上就是 OP_CAT 在比特币中的代码实现，代币 FB 上线几天就翻了三四倍。因此比特币生态中，短短一天就诞生了多个基于 OP_CAT 的协议，比如分型网络上的 CAT 20 ，也主打着 OP_CAT 的概念，在铸造的那几天让分型网络的 GAS 一度拉到 5000 多，目前一张 CAT 在场外的价格在 5.5 刀上下，甚至有价无市挂单极少，早期铸造者都实现了 5 到 20 倍不等的涨幅。而量子猫也一直能保持 0.25 BTC 的价格，成为比特币 NFT 的蓝筹。
似乎是只要沾上 OP_CAT，这东西就能拉盘。
不仅是社区的「自嗨」，OP_CAT 这项技术在比特币开发者中的讨论也非常多。我翻看了今年的比特币 Optech 时事通讯和比特币开发者的会议，OP_CAT 频繁出现在讨论之中，是个常客。
目前，Bitcoin Core 开发者 Ethan Heilman 和 Armin Sabouri 联合发布的 OP_CAT 比特币 BIP 草案，现已被正式命名为 BIP 347 。许多比特币领域的重量级人物，如闪电网络白皮书作者 Tadge Dryja、闪电网络主要开发者 Lightning Labs 的 CTO Olaoluwa Osuntokun，以及 Blockstream 研究主管 Andrew Poelstra，都对 OP_CAT 表现出极大的支持。
闪电网络开发者们为何青睐 OP_CAT？
要理解这一现象，得从闪电网络说起。2011 年，中本聪在邮件中提到了闪电网络的雏形，作为比特币扩容和支付速度提升的关键解决方案，闪电网络从诞生之日起就吸引了大量开发者的关注。
在这两年「比特币生态」这一概念势头渐起，侧链、虚拟机等各种比特币扩容方案如雨后春笋般涌现，吸引了许多投资者，但在那些资深比特币开发者的眼中都并不入流，难登大雅之堂。毕竟，闪电网络是目前大众看来比特币中最优秀的「支付通道」，更是中本聪为数不多的「遗腹子」和比特币社区精神上的「正统性之子」。相关阅读：《》。
然而，近一年来风云突变。有多位开发人员宣布退出与闪电网络相关的工作，否定闪电网络的声音此起彼伏，尤其是来自一些资深开发者的质疑。Nostr 的创始人 Fiatjaf 更是直言不讳：「闪电网络正在骗取比特币用户的时间、精力和金钱，长达 6 年之久。」
在这样的背景下，部分开发者们正在寻找下一个「闪电网络」。而 OP_CAT，则被许多比特币开发者认为，将是闪电网络之后比特币的下一个重大突破。由于 OP_CAT 的技术性很强，因此在讨论 OP_CAT 是什么以及 OP_CAT 能做什么之前，让我们先来认识一下那些对 OP_CAT 青睐有加的比特币开发者们。
支持 OP_CAT 的比特币开发者
闪电网络白皮书作者
Tadge Dryja 是闪电网络白皮书的作者之一，2015 年 Tadge Dryja 与另一位闪电网络白皮书的作者 Joseph Poon，在 Elizabeth Stark 的牵头下，创建了 Lightning Labs。与另一家比特币闪电网络公司 BlockStream 鼎足而立，两者最大的区别是，Lightning Labs 用的是 Go 编程语言，Blockstream 则用的是 C 编程语言。
然而在 2016 年底，Tadge Dryja 与 Lightning Labs 团队发生了分歧和争吵，因此在 Lightning Labs 刚成立一年时，Tadge Dryja 选择离开，转而加入麻省理工学院的数字货币倡议社区（DCI），继续自己对闪电网络的研究。在 MIT DCI，他参与了多个研究项目，主要集中在加密货币和智能合约的扩展性和互操作性上。其中包括 Utreexo 项目的开发，这是一种新的比特币可扩展性技术，旨在使比特币节点更小更快。2022 年，Tadge Dryja 加入了 Lightspark，担任高级研究科学家。在 Lightspark，他继续解决比特币和区块链的可扩展性问题，利用他作为闪电网络共同发明者的专长。
正是因为他在比特币智能合约及可扩展性技术上的深厚造诣，Tadge Dryja 也早早发现了 OP_CAT 的潜力，并一直支持在比特币测试网络上测试 OP_CAT，并鼓励开发者尝试「破坏」OP_CAT，以发现其潜在问题。
Lightning Labs CTO
Olaoluwa Osuntokun (Roasbeef) 是 Lightning Labs 的另一位联合创始人和 CTO，也是一位杰出的比特币开发者，对闪电网络的研发做出了重要贡献，可以说 Lightning Labs 的早期团队与 Blockstream 相比，丝毫不落下风。
说起 Olaoluwa Osuntokun，不得不提到他与 Tadge Dryja 之间的「君子之争」。有意思的是，Tadge Dryja 离开 Lightning Labs 有很大的原因在于 Olaoluwa。Tadge Dryja 就职 Lightning Labs 时，开发的首版协议名为 LIT，与 Blockstream 研发的 BOLT 并不兼容，但 Olaoluwa 开发的能兼容，因此逐渐得到更多开发者的认可和青睐，完成了后来者居上，在某种程度上加速了 Dryja 的离开。
然而，历史总是充满戏剧性。如今，这两位来自 Lightning Labs 的「宿敌」，目前却在共同支持 OP_CAT。
Blockstream 研究主管
民间似乎一直有这么一个传言：Blockstream 是比特币背后的「话事人」。这样的传言，并不是空穴来风。2014 年，「PoW 之父」Adam Back 集齐了 Matt Corallo、Greg Maxwell、Pieter Wuille 等多位知名的比特币早期开发者创立了 Blockstream 公司，并在之后的比特币扩容战争中明确站台和推动闪电网络，使闪电网络有了今天的地位。
而目前，在关于 OP_CAT 的讨论里，Blockstream 的研究主管 Andrew Poelstra 也是一个永远绕不过的人。Andrew Poelstra 是 Blockstream 研究总监，也是一个资深的比特币密码学脚本编写开发者，在行业内的影响力不言而喻。他早在 2021 年 1 月 30 日写了一篇名为《》的文章里就对 OP_CAT 进行了讨论，指出将 OP_CAT 与 CHECKSIGFROMSTACK 结合使用，可以提供一种巧妙的交易内省方法。
虽然 Blockstream 公司目前没有为 OP_CAT 单独创建区块链，但他们通过 Bitcoin Inquisition(一个用于评估比特币新功能的测试网络) 为 OP_CAT 的测试提供了支持。这就像是为 OP_CAT 搭建了一个安全的训练场，让研究人员可以在真实世界的条件下，仔细观察它的表现。
Andrew Poelstra 还将 OP_CAT 与 OP_CTV 等其他方案进行了对比讨论，指出 OP_CAT 提供了更广泛的灵活性，而 OP_CTV 则更狭隘地专注于非递归智能合约。
BIP 347 提案的撰写者
在 OP_CAT 的推动中，比特币开发者 Ethan Heilman 和 Armin Sabouri 做出了不小的贡献，他们共同撰写和推进了 OP_CAT 的提案，该提案已被正式指定为 BIP 347 。这项提案旨在通过软分叉重新定义操作码 OP_SUCCESS 126 ，以便重新启用 OP_CAT。
Armin Sabouri 过去专注于比特币脚本和共识层的改进，他认为 OP_CAT 虽然不是最终方案，但它为实现各种新功能提供了可能性，是比特币脚本改进的重要一步。
而 Ethan Heilman 也是影响 Andrew Poelstra 想法的人。正是他们在 2019 年秋天的一次私下交流中，让原本不支持 Andrew Poelstra 所谓的比特币智能合约功能改变了想法。Ethan Heilman 指出，尽管人们对所谓的比特币智能合约功能心存顾虑，但实际上通过 CHECKMULTISIG 就已经可以实现这些被认为有害的智能合约。为了证明这一点，Ethan Heilman 在社交媒体上发起挑战，鼓励人们提出可行的「黑暗」智能合约，但至今无人成功。
StarkWare
StarkWare 是一家专注于开发区块链扩容技术的公司，特别擅长于使用零知识证明（ZKPs）技术来增强交易的隐私性和效率。该公司致力于将复杂的计算从主链（如以太坊）外包到次级网络，而无需牺牲安全性和去中心化的特性。通过这种方式，StarkWare 解决了区块链的可扩展性问题，同时保持了交易的透明性和可验证性。
StarkWare 推动 OP_CAT 的活动源于其对比特币网络扩容和智能合约功能的兴趣。OP_CAT 是一个比特币操作码，允许在比特币网络上通过数据的串联来执行更复杂的交易和合约。通过启用 OP_CAT，StarkWare 试图在比特币上实现类似于以太坊的智能合约能力，从而拓展比特币的使用案例并增强其功能性。
2022 年 7 月，StarkWare 发起了一个价值 100 万美元的研究基金，专门用于研究在比特币上启用 OP_CAT 的利弊。此基金旨在资助那些对如何在比特币上安全有效地实现 OP_CAT 有创见的研究者和开发者。
此外，StarkWare 还在比特币的测试环境，特别是在 Signet 上展示了利用 OP_CAT 实现零知识证明的潜力。这些工作展示了使用 OP_CAT 可以如何在比特币网络上实现更复杂的操作，如零知识证明的应用，这些都是智能合约功能的关键部分。最近，StarkWare 还与 sCrypt 建立了合作伙伴关系，共同探索基于 OP_CAT 和 ZK magic 构建的 PoC（概念证明）桥的设计，由此可见 StarkWare 或许也会在不久的将来推出一个 OP_CAT 相关的协议。
其他
其他几位开发者不是那么有名，我们就放在一起说。
Salvatore Ingala 一直在深入研究比特币支付池和智能合约，他提出使用 OP_CAT 优化支付池退出流程的方案，认为这可以显著减少链上数据和操作成本。Ingala 视 OP_CAT 为其他比特币扩展策略的潜在插件，如 Arc 和 Coinpools，甚至未来比特币的 Optimistic rollups，以提高效率和安全性。
Anthony Towns 是 Bitcoin Inquisition 的主要开发者之一，这是一个类似于测试网络但更加灵活的工具，用于测试尚未广泛接受的比特币协议变更。Towns 在 Inquisition 平台上推动了 OP_CAT 的激活，为 OP_CAT 提供了一个安全的「试验田」。尽管 Towns 认识到 OP_CAT 在测试新功能和探索比特币脚本能力方面的重要性，他仍对比特币增加过多可编程性持谨慎态度，担心这可能增加比特币被审查或控制的风险。
Robin Linus 是 BitVM 的创建者，他认为 OP_CAT 的重新引入为比特币提供了一个强大的工具，特别是能支持像 BitVM 这样的项目，这些项目使在比特币上验证任意计算变得更简单高效。随着 OP_CAT 的执行，比特币生态系统能够创建更通用、更富有表现力的智能合约，促进了一个更多功能和实用的区块链环境。相关阅读：《》
为什么闪电网络的开发这么关注？
闪电网络的开发者们对 OP_CAT 表现出如此浓厚的兴趣，这背后究竟有何玄机? 要理解这一点，我们需要先了解 OP_CAT 的本质。
OP_CAT 是什么？
OP_CAT 是比特币脚本中的一个操作码，用来将两个栈上的数据片段拼接为一个更大的元素。尽管它的功能看似简单，但却能为比特币网络提供更多智能合约的能力，使得开发者能够创建和处理更复杂的数据和交易逻辑。
OP_CAT 并非一个全新的操作码，它最早在比特币的早期版本中就存在，但由于安全性和复杂性的担忧，它在后来的版本中被禁用。然而，随着比特币的不断发展，越来越多的开发者认为，现在是时候重新启用 OP_CAT 了。
但为什么这种看似简单的操作会在比特币开发者中引发如此大的讨论？其中一个关键原因在于它能够显著提升比特币网络的智能合约能力，让开发者可以实现一些在当前比特币脚本中较为复杂甚至不可能实现的功能。
OP_CAT 在支付上的应用潜力
OP_CAT 在支付系统中展现出了巨大的应用潜力，尤其是在链下协议和支付通道网络中。它的重新启用将使这些系统的操作效率大大提高，减少链上交易的负担。OP_CAT 实现后的主要功能还有：
多重签名（Multisig）优化： 在多重签名场景中，OP_CAT 可以帮助用户合并多个签名，将它们组合成一个单一的数据块，减少了需要提交的签名数量。这不仅节省了链上空间，还能减少交易费用。多重签名在比特币的支付安全性和共享账户管理中非常重要，特别是在闪电网络等应用中，OP_CAT 可以让这一过程更为高效。
状态合约（State Contracts）： OP_CAT 还可以用于状态合约。这种合约是一种能够跨多个交易维护状态的智能合约形式，通过 OP_CAT，开发者可以将不同交易的状态信息拼接起来，从而实现比特币上更为复杂的合约逻辑。例如，某些复杂的支付协议或分布式应用（如彩票、博彩或其他复杂的金融产品）需要在多个链上交易之间维持某种状态，这些都可以通过 OP_CAT 来实现。
支付通道网络的扩展性： OP_CAT 的另一个重要应用场景是类似于闪电网络的支付通道网络。在支付通道网络中，用户通常会在链下进行大量的微支付，而只有最终结算时才会上链。而 OP_CAT 的拼接功能可以使支付通道中的中间交易得到更有效的管理和验证。通过将不同的支付请求拼接在一起，用户可以在不增加链上负担的情况下，进行更多复杂的支付操作。这样，支付通道的吞吐量和效率都可以得到显著提高。
随着 BIP 347 提案的推进, 以及更多开发者和研究者加入到 OP_CAT 的探索中来，我们有理由相信，这个曾被搁置的操作码将为比特币网络带来新的活力。正如闪电网络从概念到主流一样，OP_CAT 的重新启用也可能成为比特币扩容和支付创新的下一个关键里程碑。