原文标题：Arthur Hayes predicts 150 for HYPE: Can Hyperliquid』s trading boom make it happen?
原文作者：Ishika Kumari，AMB Crypto
编译：Peggy，BlockBeats

编者按：在宏观不确定性加剧、加密市场情绪持续低迷的背景下，市场正出现一种耐人寻味的背离：投资者情绪仍停留在「极度恐惧」区间，但部分资产价格却开始缓慢上行。

近期，去中心化衍生品交易平台 Hyperliquid（HYPE）成为社区讨论的焦点。BitMEX 联合创始人 Arthur Hayes 公开给出 150 美元的目标价（约为当前价格的 5 倍），引发市场关注。截至 2026 年 3 月 12 日，HYPE 价格约在 36 美元左右，24 小时涨幅约 5%，近 7 天累计涨幅超过 11%。

推文内容：为什么即使世界处于战争之中，持有 HYPE 也可能是最好的决定。尽管现在整个加密领域被各种糟糕的消息包围，HYPE 仍然是最好的资产之一。

Hyperliquid 团队在推出 HIP-3 市场这件事上，踩中了一个完美的时机。在当前阶段，加密社区整体已经大幅失去兴趣，恐慌水平创下历史新高，甚至比 FTX 崩盘时期还要更低迷。在 Hyperliquid 上，如果按日交易量排序，前 30 个交易对中只有 10 个与加密相关，其余都是股票市场资产。

HIP-3 是一次令人惊叹的突破，并且在未来多年都会保持重要性；Hyperliquid 也会如此——它提供 最高的流动性、无需 KYC，以及 24/7 全天候交易。

Jeff 是第一个建立这样一种商业模式的人：代币本身在这个体系里真正具有意义。当 99% 的项目在上线之后逐渐消失时，HYPE 却依然在蓬勃发展。

除此之外，另一位用户也表示，「只要全球供应短缺导致某种大宗商品价格暴涨，Hyperliquid 就会捕捉到其中的货币投机需求。交易手续费和清算产生的收益都会流向 HYPE，使其表现跑赢市场。几周前我们在黄金上已经看到这种情况，现在我们又在 CL（原油）上看到了同样的现象。」

来源：Santiment

不过，投资者情绪仍然偏向负面，主要原因在于交易者更关注短期价格波动。直到最近，市场情绪才开始出现回升，这表明市场可能终于开始意识到该平台不断增强的实用性和收入模式。

值得一提的是，这并不是 Hayes 第一次对 HYPE 表现出强烈信心。早在 2 月 21 日，这位 BitMEX 联合创始人就在 X 上表示，他正在持续增持 HYPE，并将目标价设定为 150 美元。

在他此前的判断中，这一目标价可能在 2026 年 7 月实现；而在最新预测中，时间点则被推迟到 2026 年 8 月左右。不过，这一前提是该协议需要实现 约 14 亿美元的年化收入。

最终总结

像 Hyperliquid 较低的 ADV/OI 比率这样的指标表明，其交易活动更多来自真实用户，而不是人为制造的虚假交易量。

与此同时，市场情绪依然保持谨慎，这说明投资者仍在等待更明确的信号，以确认平台能够实现持续性的增长。

[原文链接]

","is_original":false,"link":"https://m.theblockbeats.info/news/61533","pic":"https://image.blockbeats.cn/file_v6/20260312/c4cfac17-ae65-4fd2-a84d-b5d8a40c3b10.webp?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773304480"},{"title":"为什么每个人都讨厌 AI？","description":"AI 和硅谷的公关危机","content":"

原文作者：Rex Woodbury
原文标题：Why Does Everyone Hate AI?
原文编译：SpecialistXBT, BlockBeats

编者按：国内的 Openclaw 狂热让 AI Agent 开始进入普通人的生活。创投圈内，几乎每隔几周，就会出现新的模型突破、新的融资神话，以及关于 AI 即将重塑世界的宏大叙事。然而，与技术圈和投资圈的热情形成鲜明对比的是，普通公众对 AI 的情绪却远没有那么乐观。一股明显的反 AI 情绪正在扩散。为什么一项被视为「下一次工业革命」的技术，却同时引发如此强烈的反感与敌意？本文从技术史、经济情绪与文化心理三个维度，试图解释这场 AI 时代的公众情绪悖论。

如果你想感受一下当下的时代情绪，有一个地方特别值得去看看：TikTok 的评论区。当你开始读 TikTok 的评论时，你会一遍又一遍地注意到一种情绪：一种尖锐、强烈、几乎是本能般的对 AI 的仇恨。

下面是我昨晚从一个视频下抓取的一些评论：

前几天有人问我一天要用多少次 ChatGPT，我说我从来没用过，他们震惊了。我会继续保持对 AI 的不屑。

我认为硅谷并没有完全意识到，大多数美国人对 AI 的厌恶程度到底有多深。我也认为硅谷需要认真思考，如何应对这场反弹。

这篇文章我们分三部分来讨论：

1. 技术怀疑主义的简史

2. 为什么 AI 如此被讨厌？

3. 如何解决 AI 的公关问题

话不多说，开始吧。

技术怀疑主义的简史

技术一直都有怀疑者。甚至连看起来再普通不过的写作艺术也曾遭到批评：苏格拉底在柏拉图的《斐德罗》中曾经认为，书写文字的发明会「把遗忘带入灵魂」，让人的记忆力变差。他其实并不完全错，但也明显过于危言耸听。人类从口头记忆转向书写之后，能够构建更复杂、更高级的思想，也因此形成更复杂、更高级的社会。当然，有时候写作反而能防止遗忘（比如：购物清单）。而且，我们之所以知道苏格拉底的观点，还是因为柏拉图把它——写了下来。事情就是这么有趣。

到了 1500 年代印刷术出现时，瑞士科学家康拉德·格斯纳曾警告说，信息过载会让人类的大脑感到「困惑且有害」。两百年后，随着报纸出现，一位法国政治家又提出，报纸会让读者变得孤立，并破坏人们在教堂讲坛上集体获取新闻的振奋体验。虽然我从来没有在讲坛上听过新闻，但我依然可以自信地说：我更喜欢一边喝咖啡一边读《纽约时报》。

时间来到 1900 年代，汽车也成为众矢之的。说到《纽约时报》：这家报纸曾经刊登过一条标题为「全国愤怒反对机动车杀人」的新闻（你现在仍然可以看到）。当时有一个广泛流传的统计数据：第一次世界大战结束后的前四年，美国死于车祸的人数比在法国战场阵亡的人还多。

1948 年，一个男孩第一次看到电视时的反应。

进入本世纪之后，互联网和社交媒体同样遭遇了反弹，其中有些批评是合理的，也有些并不合理。技术进步的步伐始终稳定而可预测，人类对创新的反弹也是如此。人类一直有一种历史悠久的传统：害怕自己创造出来的东西。

十年之后，当 ChatGPT 出现时，公众对科技行业的态度已经发生了转变。Facebook 经历了 Cambridge Analytica 丑闻，新的研究揭示了 Instagram 对心理健康的影响，还有太多人在 meme 币和昂贵的 JPEG 上亏了钱。当时的氛围已经变得糟糕。

一些研究显示，人们对 AI 的看法与他们对社交媒体的看法高度相关。在 ChatGPT 发布时，对社交媒体评价更积极的国家，也更容易接受 AI。而那些认为社交媒体对民主威胁最大的国家……

人们并不急切地期待一种可能会夺走工作的颠覆性技术。当人们听到「copilot」和「augmentation」这些词时，他们想到的是：裁员。再一次，AI 的时机并不好。

创意行业塑造文化，而 AI 对创意工作构成独特威胁。

一些最尖锐的 AI 批评来自创意行业。在 TikTok 上就能看到。

创意工作者是塑造文化和公众舆论的人。如果 AI 被视为对创意工作的生存威胁，它的影响就会扩散到整个文化领域。

AI 是不真实的，而现在的文化潮流恰恰崇尚真实。AI 是在线的，而现在流行的是线下。

黑胶唱片销量达到 30 年新高，Z 世代开始购买胶片相机，翻盖手机（所谓的「傻瓜手机」）也开始回归。整个文化正在出现一种向模拟、向人类、向触感回归的趋势。而 AI 是合成的。怀旧热潮当然部分是对 AI 狂热的反应，但它其实早在 transformer 模型出现之前就已经开始了。如今离线生活很酷，而 AI 则是最「在线」的东西。当人们渴望真实时，一种从定义上就是「假的」技术自然会处于劣势。

AI 被视为对身份认同的攻击

第五个原因最模糊，但也可能是最重要的。AI 让人们在他们最引以为傲的事情上感到自己变得不如机器。什么意思？看看马斯洛需求层次理论：AI 正在攻击金字塔的顶端。

我希望 AI 做我不想做的杂活，而不是做我想做的爱好

在 TikTok 上愤怒批评 AI 的评论者往往是知识工作者，是教育和经济金字塔顶端的人，他们原本以为自己不会被技术取代。AI 正在威胁最有特权的人，这几乎颠覆了技术发展的历史。

如何解决 AI 的公关问题

大多数技术反弹来自对新事物的本能恐惧。但 AI 的反弹更像是多种因素的叠加：破裂的信任、经济焦虑，以及一个准备拒绝任何新技术的文化氛围，更不用说这种技术还触及如此深层的人类领域。但魔法已经从瓶子里出来了，而且 AI 确实有许多令人惊叹的应用；我本人也是坚定的 AI 支持者。那么，我们该如何解决这个公关问题？

从金字塔底部开始

AI 最有说服力的应用其实是那些拯救生命的案例。例如：AI 可以比任何放射科医生更早检测出癌症。这类应用直接触及人类最基本的需求（活下去），应该被更多强调。

用「痛点」而不是「能力」来讲故事

我们 Daybreak 投资的一些公司已经悄悄把 .ai 域名换回了 .com。创业者在向客户沟通 AI 时需要非常谨慎。他们应该首先强调要解决的问题。护士并不关心自己使用的是 Opus 还是 Sonnet；他们关心的是这个产品能不能让他们更快完成文书工作。科技行业的大多数发布会都在强调 AI 能做什么（模型能力），而不是 AI 能为普通人解决什么问题。叙事方式应该从「这个模型有 1 万亿参数」转变为「这个产品可以消除 4 小时的重复工作」。

改变传递信息的人——不要再让 VC 说话了

也许这就是我该结束这篇文章的信号了。没人想听 VC 讲话。最响亮的支持 AI 的声音来自科技 CEO 和风险投资家，而这两类群体恰恰是美国公众最不信任的人。如果让我负责 AI 的营销活动，我会让真正的用户来拍广告：农民、会计师、家庭护理人员。即使是 OpenAI 或 Anthropic，如果在超级碗广告里展示真实用户，也会比模糊的励志蒙太奇（OpenAI）或暗讽竞争对手（Anthropic）更有说服力。

承认劳动力市场的变化，然后强调再培训和新就业机会

很多创业者和 VC 喜欢引用数据，说 AI 创造的新工作会多于它消灭的工作。但对于失去工作的人来说，这并不重要。「卢德主义者」这个词源于 19 世纪的英国纺织工人，他们在 1810 年代组织破坏织布机的行动。

这显然是不可持续的。AI 的普及正在迅速到来，而它正正面撞上一个世纪以来最强烈的反科技情绪（甚至可能是历史最强）。

硅谷自信地认为 AI 最终会胜出；当然会。技术总是胜利者。但这种自信也让他们在面对怀疑的公众时显得傲慢，从而留下了一条充满怨恨的轨迹，最终可能反过来伤害硅谷。硅谷最酷的一点在于，它拥有为数十亿人构建技术的悠久历史。但如果数十亿人都认为你是反派，那件事就会变得非常困难。

「原文链接」

","is_original":false,"link":"https://m.theblockbeats.info/news/61531","pic":"https://image.blockbeats.cn/file_v6/20260312/db9c0894-8eb2-499e-8284-dd322e9e54ff.jpg?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773301975"},{"title":"Agent也会商业互吹，Circle这场AI黑客松太炸裂了","description":"与人类社会中的市场与选举机制并无本质不同","content":"

原文标题：Altruist and Adversary: Agentic Behavior in the USDC Moltbook Hackathon
原文作者：Circle
编译：Peggy，BlockBeats

编者按：当 AI 代理开始具备执行任务、调用工具并参与经济活动的能力，一个新的问题随之出现：在真实激励环境中，它们会如何行动？

本文记录了 Circle 团队的一次实验。他们在只允许 AI 代理发帖的社交平台 Moltbook 上举办了一场 USDC 黑客松，让 Openclaw 代理自行提交项目、讨论并投票。结果既令人兴奋，也充满复杂性：代理不仅能够生成真实项目、参与技术讨论，还会在规则边缘游走。例如，误解指令、忽视格式，互相拉票，甚至出现疑似「合谋」的行为。

这场实验为「代理经济」提供了一个罕见的观察窗口：当 AI 既是参与者也是决策者时，协作、竞争与策略性行为往往同时出现。某种程度上，这些现象与人类社会中的市场与选举机制并无本质不同。

这一实验迅速引发了社区的广泛讨论。许多人认为，这是对代理经济自治能力的一次有趣验证。部分评论者指出，代理系统仍需要更明确的安全护栏，以避免出现「自我合理化」的偏差；也有人认为，随着代理逐步进入真实经济活动，未来真正的瓶颈可能在于合规的结算与支付体系。正如一条评论所说：「代理经济非常强大，但同样需要清晰的护栏。」

以下为原文：

拥抱 Claw

在 Circle，我们一直很喜欢举办黑客松。无论是在各种大会现场，还是在新产品首次亮相的时候，我们都希望把最好的工具交到开发者手中——或者在这一次，交到 Claw 手中。

moltbook.com 上 m/usdc 子社区的一条不规范提交示例。

即便在其他方面已经基本符合要求，一些代理仍然「幻觉式」地创造出了新的黑客松赛道。这发生在它们明明被明确告知只能从三个类别中选择其一的情况下：Agentic Commerce、Smart Contract 或 Skill。

在这些案例中，代理往往会根据项目内容自行生成一个看起来更「贴切」的赛道名称。这可能意味着代理试图为自己的项目找到一个更合理的分类，也可能只是单纯忽视了既定规则。无论原因是什么，问题在于，这些赛道本身并不存在。

moltbook.com 上 m/usdc 子社区的一条「互投换票」示例帖子，该帖共获得 99 条评论。

潜在的人类干预

这条互投帖可能暗示了人类参与或外部操控的可能性。我们尝试通过聊天机器人界面生成类似的评论，结果发现一些模型（例如 Claude Sonnet 4.6）会直接拒绝生成此类内容；而另一些模型则会在生成时附带警告，提示该行为可能违反比赛规则（例如 GPT-5.2 Thinking）。如果有人类在背后操作某个「代理」账户，或通过提示词、工具链对代理进行引导，就可能解释为什么在黑客松期间会出现这样的帖子。

尽管 Moltbook 的设计初衷是仅供 AI 代理使用（注册需要通过 X 账户验证），但其他研究者发现，冒充身份仍然是可能的。我们也观察到一些疑似人类活动的例子，例如在最初发布黑客松公告的帖子下。

一个典型案例是：点赞数最高的一条评论，竟然是电影《蜜蜂总动员》（Bee Movie，2007）剧本的开头。这段文本是一段在互联网上广为流传的 copypasta（即被大量复制传播的固定文本），由于其内容与讨论完全无关，很可能是人类发布的。如果这种行为在黑客松期间较为普遍，那么一些对抗性行为——例如互投换票或给自己投票——也可能由此得到解释。

在此查看。

代理金融的未来

虽然这次黑客松本身只是一次实验，但我们也相信，这将是众多面向代理开发活动中的第一次。从结果来看，我们得到三个主要结论：代理能够在金融激励下产出真实项目

本次黑客松中出现了一些令人兴奋的项目，你可以在此了解更多。虽然比赛并未引入人工评审，但部分提交的质量仍然给我们留下了深刻印象。这表明，代理式开发在过去一年中已经取得了显著进展。

代理会「合理化」指令，而不是严格执行

代理在遵循我们提供的规则时持续出现问题。许多代理只执行了部分指令。甚至一些质量很高的项目，如果完全遵守规则，本可以赢得比赛。这说明，仅仅提供代理式指令还不够，规则不仅需要明确，还需要配套的检查机制和激励措施来确保执行。

代理既会合作，也会竞争

虽然人类干预可能在某些情况下发挥了作用，但我们确实观察到代理在黑客松期间主动讨论串谋策略。未来的黑客松设计者可以在规则中明确禁止串谋，以观察是否能减少此类行为。如果代理仍然无法完全遵循指令，组织者可能需要引入更多安全护栏（guardrails）。

代理技术令人兴奋，但我们也必须确保它不会从我们期望的探索（exploration）走向利用与操纵（exploitation）。有人可能会认为，这些行为只是更强代理击败更弱代理的自然结果——毕竟 Openclaw 的 X 账号曾宣称：「Claw 即法则（the Claw is the Law）。」

真正的问题在于：我们究竟愿意在多大程度上接受这种理念？需要怎样的护城河？又该如何在代理带来的巨大能力与其伴随的不确定性之间取得平衡？

在 Circle，我们正在为安全性而构建系统，也希望你们如此。

[原文链接]

","is_original":false,"link":"https://m.theblockbeats.info/news/61528","pic":"https://image.blockbeats.cn/file_v6/20260312/2b2d3f73-5ffa-4f2c-884d-27e858f7d66f.webp?x-oss-process=image/quality,q_50/format,webp","column":"","create_time":"1773290634"},{"title":"币圈人补课AI：30个高频黑话，一次讲清","description":"30个新词，留点印象，让小白聚会聊天时不再尴尬点头微笑。","content":"

原文标题：《AI 黑话词典（2026 年 3 月版），建议收藏》

原文作者：Golem，Odaily 星球日报

现在，币圈人要是不关注 AI，很容易遭群嘲（对，我的朋友，想想你为啥会点进来）。

你是否对 AI 的基础概念一窍不通，每句话里的缩写都问下豆包啥意思啊？你又是否在 AI 线下活动中对各种专有名词一头雾水，还要假装没掉线？

虽然在短时间内一脚跨入 AI 行业不现实，但知道下 AI 行业高频基础词汇总是不亏的。幸运了，接下来这篇文章就是为你准备的↓真诚建议你熟读并收藏。

基础词汇（12）

· LLM（大语言模型）

LLM 核心是用海量数据训练出来、擅长理解和生成语言的深度学习模型，它能处理文本，现在也越来越能处理其他类型内容。

与之相对的是 SLM（小语言模型）——通常强调成本更低、部署更轻、本地化更方便的语言模型。

· AI Agent（AI 智能体）

AI Agent 指的不只是「会聊天的模型」，而是能理解目标、调用工具、分步执行任务、必要时还能做规划和验证的系统。Google 将 agent 定义为能基于多模态输入进行推理并代用户执行动作的软件。

· Multimodal（多模态）

其 AI 模型不是只读文字，而是能同时处理文本、图片、音频、视频等多种输入输出形式。Google 明确把多模态定义为处理和生成不同类型内容的能力。

· Prompt（提示词）

用户给模型输入的指令，是最基础的人机交互方式。

· Generative AI（生成式 AI / AIGC）

强调 AI「生成」而不是单纯分类或预测，生成式模型可以根据 prompt 生成文本、代码、图像、表情包、视频等内容。

· Token（令牌）

这是 AI 圈最像「Gas 单位」的概念之一。模型不是按「字数」理解内容，而是按 token 处理输入输出，计费、上下文长度、响应速度，通常都和 token 强相关。

· Context Window（上下文窗口 / 上下文长度）

指模型一次性能「看到」和利用的 token 总量，也可称为模型在单次处理时能考虑或「记住」的 token 数量。

· Memory（记忆）

让模型或 Agent 保留用户偏好、任务上下文、历史状态。

· Training（训练）

模型从数据中学习参数的过程。

· Inference（推理执行）

和训练相对，指模型上线后接收输入并生成输出的过程。行业里常说「训练很贵，推理更费钱」，因为真实商业化阶段很多成本发生在 inference。相关训练/推理区分也是主流厂商讨论部署成本时的基础框架。

· Tool Use / Tool Calling（工具调用）

意思是模型不只输出文字，而是可以去调用搜索、代码执行、数据库、外部 API 等工具，这已经被当成 Agent 的关键能力之一。

·API（接口）

AI 产品、应用、Agent 接第三方服务时的基础设施。

进阶词汇（18）

· transformer（变换器架构）

一种让 AI 更擅长理解上下文关系的模型架构，也是今天大多数大语言模型的技术底座，最大的特点是能同时看整段内容里每个词和其他词的关系。

· Attention（注意力机制）

它是 Transformer 最关键的核心机制，作用就是让模型在读一句话时，自动判断「哪些词最值得重点看」。

· Agentic / Agentic Workflow（智能体式 / Agent 化工作流）

这是最近很热的说法，意思是一个系统不再只是「一问一答」，而是带有一定自主性地拆解任务、决定下一步、调用外部能力。很多厂商把它当成「从 Chatbot 走向可执行系统」的标志。

· Subagents（子智能体）

一个 Agent 再拆出多个专职小 Agent 去处理子任务。

· Skills（可复用能力模块）

随着 OpenClaw 爆火，这个词近明显变得常见，这是给 AI Agent 的可安装、可复用、可组合的能力单元/操作说明书，但也特别提醒有工具滥用和数据暴露风险。

· Hallucination（机器幻觉）

意为模型一本正经地胡说八道，「感知到并不存在的模式」从而生成错误或荒谬输出，这是模型看似合理、实则错误的过度自信输出。

· Latency（延迟）

模型从收到请求到输出结果所花的时间，属于最常见的工程黑话之一，一聊落地和产品化就会频繁出现。

· Guardrails（护栏）

用于限制模型/Agent 能做什么、什么时候停、什么内容不能输出。

· Vibe Coding（氛围编程）

这个词也是如今最火爆的 AI 黑话，意为用户直接靠对话表达需求，AI 来写代码，而用户不需要具体懂如何写代码。

· Parameters（参数）

模型内部用于存储能力和知识的数字规模，常被用来粗暴衡量模型体量，「百亿参数」「千亿参数」都是 AI 圈最常见的唬人说法。

· Reasoning Model（强推理模型）

它通常指更擅长多步推理、规划、验证、复杂任务执行的模型。

· MCP（模型上下文协议）

这是近一年非常热的新黑话，作用类似给模型和外部工具/数据源之间建立通用接口。

· Fine-tuning / Tuning（微调）

是在基础模型上继续训练，让它更适应特定任务、风格或领域。Google 术语表直接把 tuning 和 fine-tuning 作为相关概念。

· Distillation（蒸馏）

把大模型的能力尽量压缩给小模型，像是让「老师」教会「学生」。

· RAG（检索增强生成）

这几乎已经成了企业 AI 的基础配置。微软把它定义为「搜索 LLM」的模式，用外部数据来给回答做 grounding，解决模型训练数据过时、不了解私有知识库的问题。目的是把回答建立在真实文档和私有知识上，而不是只靠模型自己回忆。

· Grounding（事实对齐）

常和 RAG 一起出现，意思是让模型回答建立在文档、数据库、网页等外部依据上，而不是只靠参数记忆「自由发挥」。微软在 RAG 文档中明确把 grounding 作为核心价值。

· Embedding（向量嵌入 / 语义向量）

就是把文字、图片、音频等内容编码成高维数字向量，以便做语义相似度计算。

· Benchmark（基准测试）

用一套统一标准去测试模型能力的评测方式，也是各家模型最爱拿来「证明自己很强」的排行榜语言。

原文链接