
就在上周末,特斯拉火速发布新计划,表示批量购入价值15亿美元的比特币,并计划接受使用比特币购买汽车产品的新通道。目前,比特币价格已经上涨至历史最高点,一枚比特币的价格就足以买下一辆特斯拉Model 3。而特斯拉的注资,让比特币的价格走势更为复杂难循,加上车辆价格的不断下调,也许不久的未来一枚比特币能买下两辆Model 3。
很多朋友可能理解不了这种突然向比特币大笔注资的行为,特别是对于特斯拉这样一家人类历史上市值最高的汽车企业。这个问题从比特币诞生以来就一直令人困扰——最早用于买块批萨的比特币,如今已经价值数十亿美元。而目前价格最低的Model 3车型仅售37990美元,未来还有进一步降价的空间。于是乎,如果今天各位有买辆Model 3的预算,可能拿来买个比特币才是更好的选择。
近几个月来,比特币的浪潮又呈现出新的态势:它成为一种价值载体,代表着你能够购买并持有的资产,后续出售有望带来更高回报。银行和对冲基金也动了这种心思——既然股市泡沫明显,持有债券和现金又缺少良好收益,为什么不试试新的投资通道?为此,越来越多的个人和机会将宝押在比特币身上,这也让比特币拥有更旺盛的活力,足以像铂金或黄金这类合法的替代性资产那样保持长期持有价值。
特斯拉也在披露的最新投资文件中提出了类似的思路,即希望“以多样化方式,尽可能在保持良好流动性的同时获取资金收益。”换句话说,特斯拉与各金融及投行一样看到了比特币中的回报优势。虽然都说比特币属于高风险、高回报项目,但大多数情况下,其价值一直有所保障。Gartner公司汽车行业分析师Michael Ramsey指出,“用最简单粗暴的方法来解释,就是特斯拉相信自己能从中赚钱。”
而特斯拉对于比特币的关注,也体现出一种精神层面的联系。Ramsey提到,“最初可能只是试探,但最终还是成就了一段完美婚姻。”在他看来,特斯拉是一家特别喜欢冒险的公司。正是这种种机缘,使得特斯拉掌门人埃隆·马斯克决定进军加密货币市场。上个月,马斯克在自己的Twitter个人资料中加上了“Bitcoin(比特币)”标签,比特币价格在一小时内立即狂飙20%(马斯克随后删除了此标签)。上周末,马斯克又在Twitter上发了几条关于加密货币“模因”的话题,还特别半开玩笑地聊到Dogecoin(狗狗币)。虽然Ramsey不太确定究竟会有多少人拿着比特币买车,但这项策略至少在营销层面起到了不错的效果。而且考虑到不少国家的挖币成本(特别是电费成本)远低于其他区域,可能开放比特币购车会成为特定用户群体中的巨大折扣。
但也有不少个人和企业已经在使用比特币付款。维拉诺瓦大学金融学教授John Sedunov提到,几年前,包括戴尔及Expedia在内的多家公司就在尝试开放比特币支付通道。最近,为了打造自身作为加密货币发展中心的地位,俄亥俄州甚至临时开放以比特币支付税款的政策。遗憾的是响应者寥寥,最后项目被迫关闭。但Sedunov强调,特斯拉的加入给整个市场带来巨大波动,也让比特币拥有了获得“主流合法性”及易用性的潜质。目前买家其实已经可以使用比特币购买汽车,但前提是经销商自己也是加密货币的爱好者兼投资者。但很快,加密货币或将成为包括特斯拉、乃至其他各类商品的备选支付手段。今年春季,PayPal就计划全面开放加密货币支付渠道(但卖家仍会首先将比特币兑换为本地货币,再调整具体数额)。
这必然是一场艰苦的斗争。Sedunov表示,要定期花费比特币,业界还得重新对支付项目的设计做出审视。人们需要从比特币的角度考量商品与服务价值,而不必预先将比特币兑换为现金价值。在他看来,如果比特币的价格随时间推移而趋势于稳定,而支持渠道也变得更为普遍,那么比特币的合法属性也将顺势而成。但到那时,比特币还有投资的价值吗?种种未知,恐怕只有时间能给出答案。
(声明:本文仅代表作者观点,不代表科技行者立场。)
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。