就在上周末,特斯拉火速發(fā)布新計劃,表示批量購入價值15億美元的比特幣,并計劃接受使用比特幣購買汽車產(chǎn)品的新通道。目前,比特幣價格已經(jīng)上漲至歷史最高點,一枚比特幣的價格就足以買下一輛特斯拉Model 3。而特斯拉的注資,讓比特幣的價格走勢更為復雜難循,加上車輛價格的不斷下調(diào),也許不久的未來一枚比特幣能買下兩輛Model 3。
很多朋友可能理解不了這種突然向比特幣大筆注資的行為,特別是對于特斯拉這樣一家人類歷史上市值最高的汽車企業(yè)。這個問題從比特幣誕生以來就一直令人困擾——最早用于買塊批薩的比特幣,如今已經(jīng)價值數(shù)十億美元。而目前價格最低的Model 3車型僅售37990美元,未來還有進一步降價的空間。于是乎,如果今天各位有買輛Model 3的預(yù)算,可能拿來買個比特幣才是更好的選擇。
近幾個月來,比特幣的浪潮又呈現(xiàn)出新的態(tài)勢:它成為一種價值載體,代表著你能夠購買并持有的資產(chǎn),后續(xù)出售有望帶來更高回報。銀行和對沖基金也動了這種心思——既然股市泡沫明顯,持有債券和現(xiàn)金又缺少良好收益,為什么不試試新的投資通道?為此,越來越多的個人和機會將寶押在比特幣身上,這也讓比特幣擁有更旺盛的活力,足以像鉑金或黃金這類合法的替代性資產(chǎn)那樣保持長期持有價值。
特斯拉也在披露的最新投資文件中提出了類似的思路,即希望“以多樣化方式,盡可能在保持良好流動性的同時獲取資金收益。”換句話說,特斯拉與各金融及投行一樣看到了比特幣中的回報優(yōu)勢。雖然都說比特幣屬于高風險、高回報項目,但大多數(shù)情況下,其價值一直有所保障。Gartner公司汽車行業(yè)分析師Michael Ramsey指出,“用最簡單粗暴的方法來解釋,就是特斯拉相信自己能從中賺錢。”
而特斯拉對于比特幣的關(guān)注,也體現(xiàn)出一種精神層面的聯(lián)系。Ramsey提到,“最初可能只是試探,但最終還是成就了一段完美婚姻。”在他看來,特斯拉是一家特別喜歡冒險的公司。正是這種種機緣,使得特斯拉掌門人埃隆·馬斯克決定進軍加密貨幣市場。上個月,馬斯克在自己的Twitter個人資料中加上了“Bitcoin(比特幣)”標簽,比特幣價格在一小時內(nèi)立即狂飆20%(馬斯克隨后刪除了此標簽)。上周末,馬斯克又在Twitter上發(fā)了幾條關(guān)于加密貨幣“模因”的話題,還特別半開玩笑地聊到Dogecoin(狗狗幣)。雖然Ramsey不太確定究竟會有多少人拿著比特幣買車,但這項策略至少在營銷層面起到了不錯的效果。而且考慮到不少國家的挖幣成本(特別是電費成本)遠低于其他區(qū)域,可能開放比特幣購車會成為特定用戶群體中的巨大折扣。
但也有不少個人和企業(yè)已經(jīng)在使用比特幣付款。維拉諾瓦大學金融學教授John Sedunov提到,幾年前,包括戴爾及Expedia在內(nèi)的多家公司就在嘗試開放比特幣支付通道。最近,為了打造自身作為加密貨幣發(fā)展中心的地位,俄亥俄州甚至臨時開放以比特幣支付稅款的政策。遺憾的是響應(yīng)者寥寥,最后項目被迫關(guān)閉。但Sedunov強調(diào),特斯拉的加入給整個市場帶來巨大波動,也讓比特幣擁有了獲得“主流合法性”及易用性的潛質(zhì)。目前買家其實已經(jīng)可以使用比特幣購買汽車,但前提是經(jīng)銷商自己也是加密貨幣的愛好者兼投資者。但很快,加密貨幣或?qū)⒊蔀榘ㄌ厮估⒛酥疗渌黝惿唐返膫溥x支付手段。今年春季,PayPal就計劃全面開放加密貨幣支付渠道(但賣家仍會首先將比特幣兌換為本地貨幣,再調(diào)整具體數(shù)額)。
這必然是一場艱苦的斗爭。Sedunov表示,要定期花費比特幣,業(yè)界還得重新對支付項目的設(shè)計做出審視。人們需要從比特幣的角度考量商品與服務(wù)價值,而不必預(yù)先將比特幣兌換為現(xiàn)金價值。在他看來,如果比特幣的價格隨時間推移而趨勢于穩(wěn)定,而支持渠道也變得更為普遍,那么比特幣的合法屬性也將順勢而成。但到那時,比特幣還有投資的價值嗎?種種未知,恐怕只有時間能給出答案。
(聲明:本文僅代表作者觀點,不代表科技行者立場。)
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務(wù)上驗證有效性。