從一開始，他們就強調一件事：類大腦啟發的大模型本身就是一件“離譜地成功”的發明。用一個通用的學習演算法，加上大規模資料，就能在機器人、視覺、語言、聲音等各種模態上學出遠超傳統方法的能力，而這一切“真的能跑起來”，本身就非常震撼。來源：AI工業（採用 AI 工具整理）PI 的野心：用“機器人基礎模型”打穿智能瓶頸來源：AI工業（採用 AI 工具整理）Physical Intelligence 的使命，是為機器人建構基礎模型（robotic foundation models）。他們希望做到：原則上讓任何機器人執行任何任務。過去一年半，他們搭起了一整套可擴展的“積木”：證明同一個模型可以控制多種不同形態、不同平台的機器人，也可以在新環境中表現出一定的泛化能力。最新的 Pi-Star 0.6 則開始通過強化學習從經驗中持續學習，讓模型的性能逐漸逼近真實可部署的水準。他們已經在現實中讓機器人連續做了 13 小時咖啡，同一類模型還能遷移到手術機器人、無人機等完全不同任務上，表現出強的跨任務泛化能力。在“為什麼做基礎模型而不是自己造整機”這個問題上，他們的判斷非常明確：機器人行業真正的瓶頸一直在智能，而不是硬體。十多年前的機器人，只要由人類遙操作，就已經能完成打掃整屋這樣的複雜任務，這說明硬體早就足夠強。傳統路線是圍繞單一任務造一台專用機器人，本質上並沒有正面解決“智能層是最短板”這個問題。Physical Intelligence 選擇直接瞄準智能瓶頸本身，相信如果能把這一層打通，垂直產品和商業化場景自然會在各行各業湧現出來。他們承認，近幾年人形機器人硬體和靈巧手的進步非常快，例如 Optimus 的手已經精密到“像藝術品”。但在他們看來，更高階的硬體只是抬高了“理論上限”，而真正限制落地的還是“智能地板”。即使用相對簡單的夾爪，只要智能足夠強，也可以完成切菜、做飯等任務。現在連“達到人類遙操作員水平”這一步都還沒走完，真正的短板是控制層和決策層的智能，而不是手腳是不是又多了幾個自由度。為了系統化地攻克智能問題，他們把難題拆成三個維度：能力、泛化和性能。在能力這一點上，他們的目標是：只要你能為某個任務或某個機器人收集到資料，就應該有一個模型能學會並自動執行該任務。在早期的 Pi Zero 版本裡，他們認為已經驗證了這一點——對於很多不同機器人與任務，只要有資料，模型就能學會模仿並實現自動化。泛化是他們認為目前仍然非常棘手的問題。理想狀態是：機器人可以零樣本泛化，被搬進一個從未去過的新家，也能完成整理廚房這樣的基本任務。挑戰在於，不同家庭的佈局、物品位置、光照條件完全不同，機器人必須形成某種“環境常識”。他們的結論是：在機器學習裡，泛化唯一靠得住的答案就是“資料多樣性”——只有覆蓋足夠多樣的環境，模型才有能力在“相似但未見過”的場景中工作。在 Pi 0.5 中，他們已經看到一些跡象：機器人第一次進入某個新家，也能做簡單的收拾和清潔，雖然遠不完美，但至少表現出了一定程度的常識化行為。從 demo 到生產：部署—資料—再訓練閉環來源：AI工業（採用 AI 工具整理）性能這一維度，則關乎能不能真正“跑在生產上”。他們的目標是：把成功率和穩定性推到可以商業部署的水平。為此，他們非常看重“部署—資料—再訓練”的閉環：最可擴展的高價值資料收集方式，是讓機器人在真實場景中執行有經濟價值的任務，一邊創造業務價值，一邊順便積累訓練資料。長遠來看，這種真實互動資料的規模，有潛力遠遠超過今天網際網路上的靜態資料，成為未來訓練機器人基礎模型的主力來源。時間尺度上，他們原本估計至少要再等五年，技術才適合在商業場景部署一台真正有價值的機器人。但現實情況是，他們在大約兩個月前就已經開始實際部署機器人，比預期早了很多。他們認為現在剛剛跨過了一個關鍵門檻：模型已經“有用到足以開始部署”，能完成一定多樣度的任務，並在實際業務中創造價值。當然，他們也強調，不是所有場景都適合立刻上：失敗成本極高的任務、對泛化和隱私要求極高的家庭場景，短期內都需要謹慎。更現實的路徑是，先從可控、風險可接受的場景開始，隨著部署和資料積累，可部署場景的“光圈”會持續放大。他們也坦誠，基礎模型的真實能力範圍很難在訓練前完全預測，必須依賴大規模應用與測試。正因如此，他們選擇把模型開源，讓更多團隊在自動駕駛、手術機器人、農業等他們原本沒想到的領域測試這套系統。結果顯示，實際“可用光圈”比他們自己想像的要寬得多。但與此同時，要讓每一個具體業務場景都達到“可以每天穩定跑業務”的程度，仍需要長期的性能爬坡和對長尾問題的治理，這是一個持續多年的工程。架構路線：VLM 預訓練 + 機器人資料注入 → VLA來源：AI工業（採用 AI 工具整理）關於“架構是不是已經定型”這個問題，他們的態度是：當前的技術架構已經足夠支撐模型跑起來並開始部署，但絕不是終點形態。未來很可能不僅僅是“多收資料、擴模型”這麼簡單，在架構層面仍然會不斷演化，真正的“終極範式”還沒有被完全寫死。目前他們建構的是一個視覺-語言-動作模型（VLA），整體架構與常見的多模態視覺-語言模型（VLM）類似：底層是一個在網際網路級圖像與文字資料上預訓練的大模型，其上再大規模注入機器人資料進行訓練。現在，資料構成中大部分已經是他們自己採集的機器人資料，網際網路資料只佔少量。模型內部可以理解為：一側是視覺-語言骨幹，另一側接入一個他們稱為“動作模型 / 動作專家（action model / action expert）”的模組，用來根據圖像和指令生成驅動機器人執行任務的控制命令。整體就是一個單一的大型 Transformer 模型，參數規模已經達到幾十億等級，在機器人資料與網際網路資料上共同預訓練，其中很大比例來自人類示教與遙運算元據。在性能擴展上，他們目前主要依賴於機器人資料規模的擴展，也大量借鑑了VLM 領域的模型與訓練方法。他認為，未來架構仍有很多可拓展空間，例如：為模型提供更豐富的上下文資訊、在機器人上接入更多攝影機和視角，以及讓模型對物理世界有更強的理解能力——房間裡都有什麼、什麼容易被損壞、什麼物體容易移動等等。他判斷，未來五六年回頭看，今天使用的、源自 VLM 的骨幹網路很可能已經被新的架構替代，但資料本身，以及如何將資料引入模型的方式，大機率會保持現在的基本思路。從歷史演變看，在“學習”進入機器人之前，主流做法是依靠工程師手寫規則與程式碼，試圖覆蓋機器人在現實世界中遇到的各種情況，結果發現現實世界複雜度遠超預期，這條路行不通。於是問題被拆分為多個子模組：感知（perception）、規劃（planning）和控制（control），並逐漸形成相對獨立的研究社群與會議。隨後，大家開始用學習方法替換各子模組內部的規則：感知可以是學習的，控制可以是學習的，規劃也可以是學習的，這確實比完全手寫規則更好。但實踐表明，真正的問題在於這種預先把問題拆成若干模組，並為它們強行定義介面的流水線式架構——例如感知必須輸出精準的物體位置、規劃輸出軌跡、控制執行軌跡，這些固定介面在真實世界中反而成為最脆弱的環節。端到端的代價：資料鴻溝與“常識推理”難點來源：AI工業（採用 AI 工具整理）在這種反思下，機器人學習進入了端到端（end-to-end）階段：不再事先劃分感知、規劃、控制，而是直接把所有感測器輸入（如像素）送進網路，讓網路直接輸出動作，即所謂“從像素到動作（pixels-to-actions）”的方法，由網路或學習演算法自行決定內部是否、以及如何劃分功能。然而在實踐中，他們發現，要讓端到端方法真正可靠，需要極其龐大的資料量，一旦任務涉及常識推理，模型就很容易失敗；而要僅靠機器人自己以第一人稱視角採集足夠多的經驗資料，幾乎意味著要親身經歷幾乎所有可能情境，這在現實中難以實現。在這種背景下，他們發展出視覺-語言-動作模型（VLA）的路線：先利用在網際網路資料上預訓練好的模型，借助其已經具備的世界常識和語義理解能力，再在其基礎上增加動作相關模組，將這種世界理解與如何在現實世界中執行動作連接起來。通過這種方式，他們既能復用網際網路預訓練帶來的常識，又能通過機器人資料學習在物理世界中把事情真正做成。當前階段，可以概括為：一方面把網際網路預訓練的常識遷移到機器人領域，另一方面利用大規模機器人資料學習具體動作控制，目標是讓模型具備通用性，可以在不同機器人平台上生成合理動作。對於推理（reasoning）能力，他指出，大語言模型在鏈式思維、多步推理等方面的進展，通過共享或相近的骨幹網路，也在一定程度上滲透進了 VLA 模型。現有模型不再只是“看到什麼就做簡單反應”，而是已經在內部進行一定層面的動作規劃和決策。隨著通用大模型推理能力的持續提升，這部分能力預計會進一步發展，並反過來增強具身智能與機器人控制的表現。在他看來，如今的模型不僅要決定下一步動作，還會預測接下來大約 50 個時間步要做什麼（大概一兩秒的短時域），同時還會在語言空間裡自動把任務拆成子任務。比如你讓它“打掃廚房”，它會自己拆成“先開到操作台”“拿起玻璃杯”“把杯子放進水槽”等。也就是說，它已經在做短期動作規劃 + 自我拆解子任務，而且這部分能力未來只會更強。他判斷，未來用於推理的大模型強化學習（RL）進展，一定會遷移到機器人上。不過，這和現在給大模型做數學題、程式碼題的 RL 很不一樣。數學題本質上是純文字推理，人類會在腦子裡用文字想：“如果我這樣改公式，就會得到那樣的結果”。但在物理智能裡，更像你學習一項新運動（比如網球）：你不會在腦中逐字描述“現在抓拍子、然後揮拍”，而是會想像動作本身、身體怎麼動，以及球和球拍的軌跡。所以，未來的模型需要在動作 / 軌跡等連續空間中推理，而不僅僅是文字空間。他認為真正的推理應該發生在一種更抽象的多模態空間：既能在文字裡推理，也能在圖像裡推理，甚至能在軌跡、狀態空間裡推理，然後綜合多種表徵得到答案。機器人在這裡是一個理想的試驗場：一方面，它必須真正落地到物理世界，受現實反饋約束；另一方面，機器人資料遠比網際網路文字稀缺且難採集，逼著我們正面解決資料少、噪聲大、分佈複雜的問題。正因為有這些壓力，機器人場景會逼出新的訓練方法和理解，這些新方法最後反過來還能提升通用 LLM。在資料問題上，他強調：機器人資料的關鍵不只是數量，還有質量和多樣性。但“多樣性”目前沒有嚴格統一的定義——同一任務用 10 種方式完成，和對 10 種不同物體做同一個任務，到底那個更“多樣”，社區還說不清楚。他們的經驗是：如果只是按原有方式不停采同分佈的資料，模型性能很快就會進入平台期，光堆資料量無法繼續帶來明顯提升。要想再往上走，就必須改變資料採集策略，有意識地采“更有價值的資料”，而這正是強化學習可以發揮作用的地方。Pi-Star 0.6：真實世界 RL 讓機器人從經驗裡持續變強來源：AI工業（採用 AI 工具整理）這就引出了他們的工作 Pi-Star 0.6。在此之前，他們做機器人“基礎模型”幾乎都是純模仿學習（IL）：用遙操作演示資料訓練，讓模型去模仿人類示範軌跡。而在 Pi-Star 0.6 中，他們改成了“示教 + 真實世界強化學習”：先用示教資料訓練一個初始策略，再把它部署到真實機器人上執行真實任務。在真實執行過程中，機器人會收到人類給的獎勵訊號，並在必要時接受人工干預和糾正。這些真實互動產生的資料被不斷回流到訓練裡，模型學習那些行為應該被強化、那些應該減少，於是策略就能在真實世界中持續自我改進，從而擺脫單純堆疊示教資料帶來的性能平台期。在 RL 的具體落地方式上，他們選擇了現實世界優先，而不是主要依賴模擬。Pi-Star 0.6 論文中的強化學習，全都在真實機器人系統上完成。原因是：很多真正影響系統表現的，都是真實部署中的長尾故障，在“乾淨的模擬器”里根本不會出現。比如那個摺紙板巧克力盒子的真實任務：一開始系統表現很好，後來新批次紙板由於模切不完全、紙板輕微粘連，機器人一抓就把兩張紙板一起拿起來，放到桌上準備折盒子時，桌面突然多出第二個盒坯。如果你只在模擬器裡訓練，永遠只會拿到“完美分開的單張紙板”，這個故障模式壓根不會暴露；而在真實 RL 中，模型就必須學會識別並分離多餘紙板、移走它，再完成剩下那張的折盒過程。他還對比了行走（locomotion）和操作 / 抓取（manipulation）在模擬中的差異：對行走來說，最大難點往往是精準建模機器人自身體態和動力學；只要把這一台機器人建模得足夠好，模擬 → 現實的遷移相對可行。但對操作 / 抓取來說，難點是建模世界以及無數物體在被操縱時的反應——你不僅要控制“手從 A 移到 B”，還要預估“這個動作對所有接觸物體的影響”。這相當於要把整個世界建模出來，物體、材質、任務一多，規模就會迅速爆炸，這也是為什麼模擬 RL 在操作任務上的效果，遠不如在行走任務上的亮眼。他們在三個實際任務上，將機器人策略的執行吞吐量提升了 2 倍以上：包括搭紙箱任務、使用工業級意式咖啡機製作咖啡以及疊衣服任務。在每個任務中，僅基於人類示教訓練出來的基礎策略，被強化為執行更快、從失敗中恢復能力更強的版本。他們在官網展示了長時間運行的實驗視訊，例如機器人連續製作咖啡 13 小時、連續疊衣服 4 小時。這些長時間、不間斷的真實運行，證明機器人不再只是“拍一次成功畫面的玩具 demo”，而是能夠持續執行真實工作負載的系統，從而改變了人們對這類模型是否“可部署”的看法。他們強調，當前機器人領域真正的瓶頸在於可靠性和可持續部署能力。雖然網路上幾乎“任何你想像機器人能做的事，都能找到一次成功的視訊”，但這些視訊往往可以無限重拍，並不能代表系統在真實環境中的長期表現。對於實際部署而言，關鍵在於：模型在長時間連續運行下的穩定性、執行速度以及在不頻繁失敗的前提下能運行多久。如果系統隔三差五就出錯一次，就很難被認為是可部署的。在他們看來，此次 Pi-Star 0.6 的進展，標誌著這類模型開始逼近“真正可部署”的可靠性水平。在強化學習的角色上，他們認為這既是面向客戶部署的工程創新，也是提升模型能力的關鍵路徑。未來無論是家用機器人（能疊衣服、洗碗、做飯、移動、駕車），還是中小企業場景中解決“傳統自動化改造成本過高”的任務（例如裝巧克力盒），都要求機器人既要可靠高效，又要具備處理訓練階段未覆蓋新任務的能力。單純依賴不斷擴大人類示教資料規模並不現實，人類資料在數量和多樣性上存在硬性上限，基礎策略的性能上限也隨之受限。他們將重點轉向在真實部署中通過機器人自身經驗進行持續學習：先利用大規模人類資料和演示訓練出一個初始策略，然後在部署階段通過自主資料採集和強化學習不斷改進。他們預計，未來幾年會越來越依賴這種線上、在崗的資料收集和更新機制，用部署中產生的經驗資料來反向充實預訓練與微調，從而逐步建構覆蓋目標任務空間的“任務凸包”，讓模型能夠在這一空間內進行插值和泛化。他們將這一進展視為“讓系統從自身經驗中學習”的關鍵起點。他們類比人類學習過程：人類可以通過觀看視訊、觀察他人操作獲得初始能力，但真正成長仍然依賴於在真實任務中親自實踐、試錯、觀察動作對結果的影響並從中總結規律。在他們看來，能夠在規模化部署中真正“從自己的經驗裡學到東西”，是此次工作的一個重要里程碑。在具體案例上，他們提到意式咖啡中的壓粉（tamping）環節：初始模型會壓得過重，甚至出現機器人幾乎把自己頂離桌面的情況，其原因在於最初的人類示教資料更偏向“確保壓實、壓平”，導致模型學成了“用力過猛”。隨後，他們僅收集了大約 30–50 條人類糾正資料，再將這些少量但高價值的糾正樣本回灌給模型，結果模型就學會了更溫和且更接近正確的壓粉力度。這說明：即便模型已經在數百萬條 episode 上完成預訓練，少量高品質的人類糾正資料依然能夠顯著修正具體子技能，這對現實中的持續校準與在崗微調尤為重要。當被問到“在壓粉上學得更好，是否會讓模型在疊箱子等其他任務上也隨之變強”時，他們坦言：在這個具體例子中，壓粉能力的提升並不會直接遷移到疊箱子任務。但他們補充指出，同樣的糾正機制可以平行應用在眾多子任務上：例如為“分開黏在一起的兩個盒子”“修正折得不規整的盒子”等細分環節分別收集幾十條糾正資料。隨著對不同子技能持續做類似增量修正，這些局部改進會累積成整體表現和泛化能力的提升。在“持續學習（continual learning）”這一概念上，他們認為當前仍處於非常早期的階段。現有系統還稱不上是經典意義上的連續學習架構，距離那種“在不斷到來的資料流中持續更新、自動演化至更通用智能”的願景仍有不小差距。但與過去那種“訓練一次、產出一個靜態模型 artefact、後續幾乎不再更新”的範式相比，如今的系統已經更像一個“活的系統”：被部署之後仍然會嘗試新行為，從自身經驗中學習，並持續變好。在他們看來，這只是一個起點，卻是邁向可以在真實世界中一邊幹活一邊進化的機器人系統的關鍵一步。目前整個體系在他看來更像一套“可重複的配方”：不同任務各有一套示教和訓練流程，現在跨任務的“互相啟發”仍然有限，整體更偏向於針對每個任務重複執行成熟配方。隨著規模擴大，如果不同任務之間存在相似的動作模式，他們預期會逐漸出現從任務 A 遷移到任務 B 的效果，但當下的主要現實仍是“重複配方”，而不是強泛化。真正明顯的泛化能力主要來自預訓練。當模型在越來越多的任務和資料上進行預訓練時，新任務的“上手難度”會顯著降低，甚至會出現零樣本任務也能直接完成的情況。他們會定期重啟預訓練，每一次在資料量增加以及預訓練流程持續最佳化的推動下，模型能力都會進一步提升。展望未來，一旦大規模部署真正展開，機器人在真實場景中執行各種任務時產生的資料會不斷回流訓練，形成一個“部署 → 產生資料 → 模型變強 → 能部署得更多”的閉環資料引擎，他們認為真正大的泛化紅利將來自這一閉環過程。在架構設計上，系統大致可以被劃分為兩部分。一部分是策略網路（policy），通過人類糾偏與強化學習（RL）反饋持續提升決策能力。另一部分是獲得高品質 RL 反饋的機制：他們先讓人類對完整的任務嘗試（例如做咖啡、搬箱子）打上“成功/失敗”標籤，再用這些帶標籤的軌跡訓練一個價值函數（value function），使其能夠從任意中間狀態預測“從這裡繼續下去，大機率會成功還是失敗”。在 RL 訓練中，這個價值函數被用作基線：如果當前動作讓成功機率上升，就將對應資料“往上推”；如果軌跡朝失敗方向演化，就“往下壓”，從而間接完成對策略的強化更新。實驗結果顯示，在多工、多資料上預訓練價值函數時，會出現明顯的跨任務泛化。在某些任務中，價值函數甚至能比人類更早察覺失敗：例如，當機器人嘗試將咖啡機手把（portafilter）插入機器時，人類從視訊中往往要到真正卡住那一刻才意識到“要失敗了”；而價值函數通常會在提前三四十步時就開始明顯下跌，相當於在預先標記“這條軌跡不適合拿來學習”。這種“提前預判失敗”的能力，會隨著資料量和任務數量的擴張持續增強。從強化學習的視角來看，他們強調，RL 並不等同於只在終點給一次獎勵的策略梯度方法。通過價值函數、時間差分學習（TD）等技術，可以將原本只在結尾出現的稀疏獎勵，轉化為沿時間序列更稠密的學習訊號，從而支援更長時序、更複雜的任務。由於機器人領域並不存在類似語言那樣的“完美模擬器”，大量行為必須直接在真實世界中執行，這客觀上逼迫他們探索更高效的 RL 方法，尤其是圍繞價值函數的各種實踐。他們認為，這些在機器人場景中被迫打磨出來的 RL 技術，未來有望反哺整個大模型 / AI 社區。在資料與世界模型方面，當前階段被他們視為一個引導啟動（bootstrap）期，在這一階段，幾乎所有能幫助模型盡快跨過“可部署門檻”的資料來源都值得嘗試：包括模擬資料、人類演示視訊、手持拍攝視訊、遙運算元據等。從長期視角看，他們判斷真正佔主導地位的將是大規模部署後產生的真實世界資料，其規模與多樣性都會遠超啟動階段所能人工收集的一切。因此，當前狀態更像是在不斷試錯和堆料：“能想到的有用資料都先往裡加，只要能把模型推到可以開始大規模部署的那條線就行。”關於世界模型 / 視訊模型，他們認為這些路線與他們當前的 RL 技術，本質上都在解決同一個核心問題——反事實（counterfactual）和信用分配（credit assignment）：究竟是那些動作真正決定了成功？如果在關鍵時刻做了不同選擇，世界會如何演化？世界模型的做法偏向於顯式預測整段未來視訊，例如“如果當時換一個手把角度，後續會不會卡住”；而基於價值函數的 RL 則通過更隱式的機制來處理同一問題。他們目前在這些方向上平行探索：從 Pi-Star / Pi-Star-6的結果來看，基於 RL 的方案已經展現出良好前景，但他們同樣認為，未來在世界模型、視訊模型與 RL 的組合上還有大量空間有待挖掘。在商業化與產品形態層面，他們坦言，在跨過啟動期、進入面向客戶的大規模部署階段後，最終是提供端到端垂直一體化的機器人解決方案，還是主要輸出模型與能力，由客戶自己完成業務整合，這一點目前仍在探索之中，尚未形成完全確定的答案。他們首先強調，現在整套技術還非常早期，剛剛到達一個“可以開始考慮真實部署”的門檻，所以當前最重要的是把底層技術打磨到足夠好、足夠易用，而不是急著選一個具體場景變現。他們希望先把系統做成儘可能通用、儘可能容易部署的“平台級能力”，把“可適用任務的光圈”儘可能打開，而不是一上來就把自己鎖進某個窄場景。回顧機器人創業史，很多公司一開始是做“通用機器人”的大願景，技術做了一段時間後，一旦選定一個落地應用，就開始圍繞這個場景不斷做特化和妥協：各種只為這個應用服務的工程 hack 堆上去，最後公司就變成了“只做倉儲揀選”等單一垂直應用的公司。他們非常想避免走上這條路，因為他們認為自己現在有機會，直接對“物理智能（physical intelligence）”這個總問題發起進攻。如果真的能把物理智能做通用，它帶來的長期收益遠遠大於今天緊盯某個單一應用。因此，他們寧願現在就把技術做得足夠通用、足夠易部署，把適用範圍開到最大，至於未來是賣模型、賣一體化解決方案，還是賣機器人整機，可以在技術成熟後再決定，現在過早選路線反而會把自己框死。拿他們的工作和自動駕駛對比，有的地方比自動駕駛容易，有的地方則更難。相對容易的一點在於，很多物理任務並不需要 100% 可靠：比如家裡機器人幫你疊衣服，100 件裡有 1 件疊錯完全可以接受，人類隨手糾正一下就好；但在自動駕駛裡，“每一百次來一次災難性失敗”顯然是完全不可接受的。與此同時，他們明顯受益於今天這個大模型時代：有了視覺–語言模型和更通用的基礎模型，系統本身就自帶一定的“常識”和泛化能力，還能汲取2009 到 2025 這十幾年裡自動駕駛和深度學習踩過的所有坑和經驗教訓，從一開始就採用更通用的範式來建模。難的地方在於，他們試圖建構的，是一個真正通用的物理智能系統：既要能開車，又要能做抓取與操作（manipulation）、行走、飛行，甚至控制手術機器人。但他們的經驗是：如果從第一天起就以“通用”為目標來設計架構和訓練流程，這個問題並沒有想像中那麼難。在“物理智能”裡似乎存在某種我們還沒完全搞清楚的結構，使得同一個模型可以在“駕駛、沖咖啡、飛無人機、操控手術機械臂”這些看似差異巨大的任務之間遷移和抽象。這一點讓他們對前景非常樂觀，覺得通用物理智能未必比自動駕駛更難，甚至在某些維度上可能更容易。談到最近最讓他們震撼的進展，其中一個明確的例子就是視訊模型。幾年前他們還在做早期的視訊生成與建模工作，那時完全沒有預料到：改進曲線會陡峭到今天這種程度——生成視訊幾乎難以與真實區分，而且還能完成複雜的時空變化與場景控制。更驚人的是，這一切竟然是從“下一個 token 預測”這樣看似簡單的預訓練目標裡湧現出來的。他們坦言，至今仍然對這種“從純預測任務裡湧現出通用智能”的現象感到震撼；今年無論是在數學競賽等級的挑戰，還是在科學發現和研究工具上的突破，都在不斷刷新他們對大模型上限的認知，也讓他們相信：大模型預訓練遠沒有見頂，反而像是剛迎來“第二口新鮮空氣”。他們反覆強調，最不可思議的地方，是這整套東西居然真的能穩定地工作。你搭建一個大致受人腦啟發的神經網路結構，配上一個通用的學習演算法，然後往裡灌入足夠多、多樣的真實資料，它就自己學會了我們幾十年工程堆不出來的東西，而且在機器人控制、視覺理解、語言處理、音訊等多個方向上全面超越傳統手工設計系統。現在已經可以讓機器人進入一個從未見過的家庭環境，也大致知道在家裡該做些什麼，或者讓它連續十多個小時重複完成像沖咖啡這樣複雜的操作——而這一切都來自一個端到端訓練出來的統一系統。他們承認，自己至今仍然沒有完全弄明白這個系統內部到底是怎樣組織知識和行為的，但事實證明它“就是能行”。在方法論上，他們認為整個 AI 領域其實也經歷了一個從“拆小問題”到“做大一統”的範式轉移。過去很長一段時間裡，主流做法是：把一個大問題拆成很多細小的子任務，在每個子任務上做極致最佳化，試圖最後通過工程整合把這些子系統拼回一個完整智能。真正的飛躍，出現在我們開始做大規模多工預訓練之後：不再為每個任務單獨設計目標和結構，而是用一個統一的預訓練目標，讓模型在多源海量資料上自己去“總結”，結果發現大量跨任務的能力會自發湧現。在他們眼中，這種從“任務碎片化”到“統一預訓練”的轉變，是過去十多年裡最出人意料、也是最具決定性的變化之一。有人把這兩種範式比喻成“手風琴”：一會兒收攏，把問題拆得越來越細；過一陣覺得不行了，再張開，回到“大一統”的解決方式，然後周而復始。對這個比喻，他們的看法是：現在已經很難想像再完全回到老一套“拆分優先”的範式。確實有很多人嘗試尋找“最佳組合”，例如把牛頓力學等我們已知的顯性規則硬編碼進模型，希望通過“預烤一部分知識”來降低學習難度。但依照他們的經驗，這種做法往往會限制模型發現新模式的能力，反而降低了系統的上限。從目前看到的證據來看，所謂“兼得兩端”的方案並不理想，他們更傾向於認為：應該把籌碼壓在“純學習”這邊——儘可能讓系統從資料和互動中自己學，而不是靠人為規則補丁來約束它。為了說明這一點，他們用了一個生物進化和兒童發展的類比。如果智能真的可以被很好地預烤到基因裡，進化早就會選擇讓你一出生就“知道一切”。現實卻是：像鹿這種動物，出生不久就已經接近一生能力上限，後天學習空間有限；而人類、烏鴉這類高智商物種，反而擁有很長的“笨拙童年期”，需要通過大量的試錯、遊戲和探索去學習複雜行為。換句話說，更高層次的智能往往意味著更少的預烤知識、更多來自經驗的學習。在機器學習中，他們也得出了類似的教訓：我們以為自己理解“智能應該如何被設計”，但現實是我們並不瞭解自己的思維結構，真正有效的做法是讓演算法在足夠豐富的世界經驗中、自主地學出那些我們自己都說不清的結構和規則。最後，他們又把話題繞回到“學習”本身：不管是大模型，還是具身機器人，抑或是人類小孩，核心都是在一個複雜世界裡，通過長期互動去獲取經驗、形成自己的內在模型。父母常常以為自己知道孩子在怎麼想，但實際情況卻是：孩子學習得極快，經常掌握一些父母從來沒顯式教過、甚至不知道是從那兒學來的東西。在他們看來，這恰恰說明了一個事實：真正強大的智能，往往不是預先寫死的規則，而是從持續、豐富、真實的經驗中“長出來”的。 (AI工業)

進入2025年末，加密市場整體仍處於調整期，多數資產尚未擺脫中期下行壓力。然而，在價格普遍承壓的環境中，市場內部已逐漸出現分化跡象。一類是經歷長時間下跌後，開始出現技術修復訊號的存量代幣，另一類則是以情緒與敘事為核心，吸引短期資金關注的新項目。 Pi幣與Maxi Doge，正好分別代表這兩條截然不同的路徑。Pi幣價格結構：長期下跌後的修復嘗試自去年11月以來，Pi幣價格表現持續疲軟。近2週內價格再度回落接近10%，先前的反彈幅度幾乎完全回吐。根據CoinGecko數據，Pi在最近7天內下跌超過7%，截至目前報價約0.2052美元，較10個多月前的歷史高點回落超過90%。這樣的跌幅，使Pi進入典型的深度修正區間。從日線結構來看，Pi仍處於延續數月的下降趨勢中，價格多次嘗試反彈但均受制於下滑中的趨勢線。不過，近期盤面開始出現值得留意的變化。價格在0.19至0.20美元區間反覆測試支撐，賣方始終未能有效跌破該區域，顯示下行動能正在逐步減弱。更具參考價值的是，11月初至12月中旬期間，Pi在日線圖上形成隱性看漲背離。物價低點緩步抬升，但RSI卻同步下探，這類結構通常出現在修正後段，而非下跌初期。雖然背離本身不足以確認趨勢反轉，但在長期跌幅已高度釋放的背景下，市場對修復性反彈的預期開始升溫。若0.19美元支撐得以維持，短期價格有機會向0.26至0.30美元區間靠攏。若後續日線收盤能穩定站上0.30美元，技術結構將明顯改善，中期修復空間才可能進一步展開。反之，若支撐失守，價格恐回探0.17美元附近重新尋找需求。Maxi Doge敘事升溫：情緒與低市值的操作型動能與Pi幣偏向結構修復的邏輯不同，Maxi Doge的市場吸引力，更多來自情緒與投機動能。該項目近期預售金額已累積至約433萬美元，代幣價格為0.0002735美元，距離下一階段調價僅剩數日。隨著預售進程推進，市場關注度持續上升。Maxi Doge以狗狗幣文化為基礎，但刻意放大力量與極端風格，塑造出高度張揚的形象。這種設計，迎合了部分投資人在弱勢行情中，仍尋求高波動與高話題度標的的心理。相較於已具備高度共識的DOGE，Maxi Doge被包裝為低市值延伸版本，試圖承接市場對迷因幣敘事的剩馀熱度。此外，圍繞所謂高智商人物公開表態支持狗狗幣的話題，也被進一步延伸至Maxi Doge身上，形成討論效應。這類敘事雖然不以基本面為核心，但在特定市場情緒下，往往能快速聚集注意力與短線資金。兩種路徑的對照：修復型與操作型資金從資金行為角度觀察，Pi幣與Maxi Doge所吸引的並非同一類市場參與者。前者較承接的是長期下跌後修復可能性的評估，資金行為相對克制，重視支撐與結構穩定性。後者則明顯偏向操作型思維，重點在於敘事強度、進場節奏與情緒擴散速度。這種分化，正反映出當前市場的真實狀態。主流趨勢尚未明確重啟，但資金並未完全退場，而是在不同風險層級中尋找各自的切入點。官網購買Maxi Doge ($MAXI)結論：弱勢市場中的多重選擇在整體行情尚未回暖之前，加密市場已提前進入內部分流階段。 Pi幣代表的是存量資產在極端修正後，嘗試重新建立價格結構的過程，而Maxi Doge則體現了情緒與敘事在短期內仍具備吸引資金的能力。這兩種動能並不衝突，而是同時存在於同一個市場環境中。真正的差異，不在於價格漲跌，而是參與者選擇以何種邏輯進入市場。按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

2025年下半年以來，加密市場整體表現偏向整理，比特幣維持高位震盪，多數山寨幣仍處於修正週期。然而在表面低迷的行情之下，資金並未全面撤離，而是呈現出明顯的結構性轉移。一端是經歷長期下跌後逐步顯露築底訊號的存量項目，另一端則是以新敘事吸引增量資金的預售型資產，Pi幣與Bitcoin Hyper正好分別代表這兩條路徑。Pi幣價格走勢解析：長期下行中的轉折訊號自去年11月以來，Pi幣價格持續承壓，整體走勢令人失望。僅在最近2週，價格再度回落近10%，過去的反彈幅度幾乎全數回吐。根據CoinGecko數據，Pi在最近7天下跌超過7%，截至目前報價約0.2052美元，距離10個多月前的歷史高點，跌幅已超過90%。從日線結構觀察，Pi仍處於一個延續數月的下降趨勢中，價格反彈屢次受制於下滑中的趨勢線，形成持續的低高點壓制。然而，近期盤面開始出現細微但值得注意的變化。價格在0.19至0.20美元區間反覆測試支撐，賣方始終未能有效跌破該區域，顯示下行動能正在減弱。更關鍵的是，在11月初至12月中旬的區間內，日線圖上出現隱性看漲背離。價格逐步擡高低點，但RSI卻同步下探，這類型結構通常出現在修正末期，而非下跌初段。雖然單一指標不足以確認趨勢反轉，但在長期跌幅已極為可觀的背景下，這種背離訊號開始為市場提供另一種可能性。若Pi能持續守住0.19美元支撐，短期反彈目標將自然指向0.26至0.30美元區間。若後續日線收盤能有效站穩0.30美元上方，結構性反彈的空間才有機會進一步打開，並為中期修復走勢奠定基礎。反之，一旦0.19美元失守，築底假設將被延後，價格可能回探0.17美元附近重新尋找需求。Bitcoin Hyper預售升溫：比特幣Layer2敘事的資金出口與Pi幣的存量修復邏輯不同，Bitcoin Hyper代表的是另一條資金思路。最新預售數據顯示，該項目募資規模已突破2950萬美元，並在短時間內吸引超過50萬美元新增買盤。最受關注的是，一名大型投資者單筆投入約31萬美元，成為預售期間最大個人買單，顯著推升市場關注度。Hyper之所以能在整體行情偏弱的環境下吸引資金，核心原因在於其技術敘事直接切中比特幣生態長期痛點。多年來，比特幣主要扮演價值儲存角色，在交易速度、擴展性與可編程能力上始終受限。Bitcoin Hyper透過引入Solana虛擬機架構，嘗試將比特幣的安全性與高效能執行環境結合，讓BTC首次能在DeFi、支付、遊戲與智能合約場景中實際運作。在非託管橋接機制下，比特幣可低成本轉入Layer2並即時使用，這使BTC從被動資產轉化為可參與Web3經濟循環的基礎資產。這一轉變不僅強化了敘事深度，也解釋了為何在資金趨於保守的階段，仍有大量新買家持續進場。僅過去24小時，便新增超過406名參與者，顯示市場並非缺乏資金，而是在尋找具備明確方向的承載體。經濟模型與時間節奏：支撐中期預期的關鍵因素Bitcoin Hyper（$HYPER）近期對代幣經濟模型的調整，同樣對市場信心產生實質影響。質押年化收益重新設計為41%，相較早期的激進設定更具可持續性，同時仍顯著高於傳統資產回報水平。這樣的結構有助於在不過度稀釋供給的情況下維持激勵，為生態長期運行預留空間。固定總量設計搭配實際用途，使HYPER在手續費、橋接、節點運作與治理中具備明確角色。主網預計於2026年初上線，清晰的時間節奏為市場提供可追蹤的進展框架，也使預售階段的資金流入不再只是情緒驅動。其代幣HYPER目前價格為0.013435美元，並采用每3天自動調漲模型，使預售具備節奏性，促使早期參與具有明確優勢。新版經濟模型將質押年化調整為41%，使獎勵結構更接近長期可持續性，取代過往許多預售項目過度激進的高收益陷阱。主網計畫於2026年初啟動，屆時Bitcoin Hyper將從敘事階段正式轉入落地階段，市場對其的預期也將從情緒層面轉為體驗層面。官網購買Bitcoin Hyper代幣結論：弱勢行情中的不同解法Pi幣與Bitcoin Hyper呈現出兩種截然不同但同樣值得關注的市場狀態。前者在長期下跌後開始出現技術性築底跡象，反映存量資產在極端修正後的修復潛力；後者則在新敘事與技術路線加持下，成為資金尋找增長空間的出口。在當前市場環境中，行情的關鍵不在於全面上漲，而在於資金如何選擇去向。無論是等待築底完成的存量項目，還是順應Layer2敘事的增量資產，背後都指向同一個訊號，加密市場並未停滯，而是在低波動表象下，重新排列下一階段的主線方向。免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

ChatGPT的最強競爭對手之一Perplexity AI發布了關於XRP、Pi Network和比特幣的驚人節日展望。該平台警告，這三種資產在12月可能會出現加劇的波動性，取決於更廣泛的經濟趨勢和加密貨幣特定催化劑，可能會大幅上漲或暴跌。加密貨幣市場在過去一個月經歷了深度修正，這是由比特幣的大量拋售引發的，拖累了大多數頂級資產。 BTC甚至在上週五觸及八個月低點，接近82,000美元。儘管如此，長期敘事仍普遍樂觀。區塊鏈產業的創新持續加速，而擁有堅實基本面的項目，如XRP、Pi Network和比特幣，很可能會全力推動採用。以下是Perplexity AI對每種貨幣在12月在看漲和看跌情境的分析。XRP (XRP)：Perplexity AI預測12月潛力從目前水準到高達8美元Perplexity AI的看跌預測顯示，Ripple的XRP ($XRP) 如果風險偏好沒有回升，可能會維持目前2美元的水平直至聖誕節。這樣的下跌將與XRP今年稍早的驚人上漲形成鮮明對比，當時該代幣在7月因Ripple對美國證券交易委員會（SEC）的重大法庭勝訴而攀升至七年高點3.65美元。XRP在2025年大多數時間交易區間在2美元至3美元之間。該資產的相對強弱指數（RSI）目前處於超賣的27水平，因為 XRP 在過去一天內下跌9%，這與更廣泛的市場拋售一致，導致市值現為3.02萬億美元的市場整體下跌5%。在有利的環境中，Perplexity的上漲情境將XRP置於高達8美元的位置。 SEC最近批准的九個 XRP 現貨ETF可能會支持機構資金在聖誕節假期期間流入，反映了比特幣和以太坊ETF首次推出時所見的趨勢。更多的ETF 批准也可能即將到來。額外的監管清晰度或重大合作夥伴關係可能有助於將XRP推入2026年初的兩位數價格領域。Pi Network (PI)：Perplexity預測上漲120%或進一步低迷Pi Network ($PI)，以其以移動為中心的挖礦模式聞名，該模式獎勵基本的日常參與，繼續展現出顯著的韌性。交易價格約為0.22美元，PI維持在兩週前相同的價格，而比特幣和XRP在該期間均下跌10%。Perplexity概述了兩條對立的路徑：在看跌的12月，PI可能進一步滑落至約0.18美元。然而，在看漲條件下，它可能翻倍超過一倍，達到0.48美元，為當前持有者帶來120%的回報。在經歷長期下跌後，11月似乎標誌著一個轉捩點。隨著Pi Network與AI公司OpenMind的合作，興趣開始回升，該合作展示了Pi節點營運商如何向外部公司貢獻運算能力，這是去中心化基礎設施的實用且可擴展的應用。Pi測試網最近也新增了對去中心化交易所、自動做市商、流動性工具以及改進的KYC系統的支持，大幅提升了該專案的實用性。比特幣 ($BTC)：Perplexity AI預測聖誕節將上漲至230,000美元或暴跌至75,000美元比特幣 ($BTC) — 最大的數位資產，最近在10月6日創下126,080美元的新歷史高點。 Perplexity的長期預測顯示，比特幣可能在2026年推向23萬美元的範圍。經常被描述為數位黃金，比特幣在不確定經濟時期繼續吸引大量機構和零售資本，作為被視為對沖工具。 BTC目前佔據了總計3兆美元加密貨幣市場的約1.7兆美元。隨著通膨緩解以及投資者情緒在假期前改善，比特幣可能很快就會重新測試早期高點。聯邦儲備局最新的利率削減也可能有助於刺激需求並改善12月的流動性。在負面情況下，進一步的大規模拋售可能會使 BTC 暴跌至75,000美元。如果發生這種情況，這將是比特幣寒冬可能延續至2026年的訊號。然而，Perplexity的23 萬美元預測在2026年初仍可實現，特別是如果美國政府兌現承諾，推出全面的加密貨幣立法。Maxi Doge (MAXI)：Perplexity模型中缺少的快速成長迷因幣雖然Perplexity AI預見主要替代幣可能面臨壓力，但預售代幣仍持續吸引強烈關注。其中一個傑出的新來者是Maxi Doge ($MAXI)，它已籌集420萬美元，並將自身宣傳為「下一個狗狗幣」。MAXI的故事線圍繞著幽默角色“Maxi Doge”，描繪其在多年觀察狗狗幣領導模因幣群體後，策劃一場輕鬆的接管。該項目依賴病毒式模因、社區活動以及活躍的社交存在來推動成長。作為ERC-20資產構建，MAXI受益於以太坊的增強安全性、更大的可擴展性、更低的環境足跡以及更龐大的開發者生態系統，這些是狗狗幣較舊的權益證明結構所欠缺的優勢。該項目目前宣傳質押收益率高達 73% APY，雖然隨著更多用戶參與質押，這些利率將自然下降。 MAXI在預售階段定價為0.000271美元，未來輪次計畫價格上漲。購買可透過MetaMask或Best Wallet進行。透過Maxi Doge的官方X和Telegram頁面保持更新。在此造訪官方網站按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

Anthropic 旗下的高級 AI「Claude」最新喊單指出，XRP、Cardano 和 Pi Network 的持幣黨，隨著年底節日行情臨近，有機會迎來一波不小的上行收益。在聯準會宣布降息 25 個基點之後，市場情緒明顯回暖，整體環境逐漸偏向「風險偏好」，為聖誕前後的行情衝刺鋪好了路。同時，加密市場先前這一輪長達一個月的回調，似乎也開始進入尾聲。雖然這波下殺把全線幣價都按在地上摩擦，但老韭菜都懂——這種深度回撤，往往是下一輪主升浪的「蓄力洗牌」，把場內過高槓桿和短線投機都清洗出去，為後面的大行情騰位置。如今的幣圈早就不只是比特幣「價值儲存」的單一故事。分析師普遍看好：下一輪大牛，很可能由一眾山寨領漲。其中，Claude 點名 XRP、Cardano 和 Pi Network，是接下來最有潛力走出強勢「主升段」的熱門選手之一。XRP（瑞波）：Claude 預言聖誕送 350% 超級紅包Claude AI 預計，瑞波 XRP ($XRP)到今年年底有機會衝到 10 美元，相較目前約 2.20 美元 的價位，潛在漲幅大約 355%，堪稱給持幣黨發「聖誕大禮包」。來源：Claude今年早些時候，Ripple 在和美國證監會（SEC）的官司中打出一波翻盤，極大提振了市場信心，直接把 XRP 推上了 7 年新高 3.65 美元（7 月）。過去 12 個月裡，這枚老牌山寨暴漲約 296%，遠甩比特幣和以太幣幾條街。另一方面，Ripple 推出自家穩定幣 RLUSD，加上 CEO Brad Garlinghouse 還和前美國總統川普有過直接溝通，讓市場更加把 Ripple 視為「合規賽道裡的優等生」，這對機構資金和散戶玩家來說，都是非常加分的信號，有利於持續為 XRP 吸引籌碼買盤與長線。技術面顯示，XRP 在 2025 年走勢上已經走出了 兩個看漲旗形形態，暗示後面還有機會延續上一波主升趨勢，年底前再來一段拉升並非天方夜譚。如果再疊加更多利多催化劑——例如 XRP 現貨 ETF 過審、Ripple 官員宣更多重磅合作、美國監管進一步給出「明牌」——那 Claude 所喊的 10 美元目標位，實現機率就會大幅拉高。Cardano（ADA）：Claude 預期 Q4 有機會來一波 10 倍行情Cardano ($ADA) 依舊是 DeFi 領域裡技術含量最高的公鏈之一。因為有學術派背景、不斷擴張的開發者生態，以及持續成長的去中心化應用程式（dApp）版圖，它經常被視為 最接近以太坊的「正面競爭對手」。來源: ClaudeCardano 由以太坊聯合創始人 Charles Hoskinson 創建，是一條典型的「學術派公鏈」，走的是科研驅動路線：透過論文、同行評審等方式推進開發，重點圍繞 擴展性、長期可持續性以及安全性 打磨底層架構，走的就是那種「慢就是快、先把地基打牢」的路線。目前 Cardano 市值大約在 200 億美元 左右，依然穩居 DeFi 頭部項目行列，在一眾公鏈裡屬於基本面硬、抗跌能力強的那一檔，很多人把它當成“長線價值倉位”來配置。Claude 給出的目標價顯示，ADA 有機會在跨入新年的時候上探到 約 5.33 美元，相當於 潛在漲幅約 852%，也就是差不多是目前 0.56 美元附近價位的 5 倍左右。如果後續多頭趨勢能夠延續，再疊加大盤一波全面狂飆，那麼 Cardano 甚至有機會在 2026 年初 再度突破 2021 年歷史高點 3.09 美元，走出新高行情。Pi Network（PI）：Claude 預期有機會「直接起飛」Pi Network（$PI）主打一個「手機挖礦」概念，讓用戶只需要每天拿起手機打開 App 點一點，就可以輕鬆挖 Pi，等於把過去那種「礦機+電費」的重裝備挖礦模式，改造成了人人都能參與的輕量級挖礦體驗。對許多早期玩家來說，這更像是在手機上「提前埋伏潛力籌碼」。來源: Claude目前 Pi 幣價格在 0.22 美元附近徘徊，過去 24 小時已經拉升了約 5%，而與此同時，大盤整體還在迴調，跌了差不多 3%，可以說是逆勢走強，抗跌還帶點獨立行情味兒。Claude 給出的 Q4 目標相當誇張——預期 Pi 有機會一路拉到 10 美元，也就是 大約 45 倍的潛在漲幅，標準“一飛沖天”級別的 Moonshot 預期。從技術指標來看，Pi 的 相對強弱指數（RSI）目前在 47 左右，已經從週二的 30 超賣區附近明顯回升，說明這幾天的買盤動能在穩步回暖，抄底資金開始陸續進場，市場情緒也在從恐慌區往“觀望偏樂觀”方向切換。Pi 今日的這波走強，很大機率跟團隊剛放出的利好有關——官方剛宣布 已投資並牽手 AI 新創項目 OpenMind，雙方已經成功做出示範：Pi 的節點運營者可以幫外部公司跑算力任務，等於把“挖礦節點”升級成“算力服務節點”，直接把 Pi 網絡上“AI + 化故事線計算在中心“AI +”網絡上的故事線。同時，團隊最近也上線了一個全新的測試網，支援去中心化交易所（DEX）、自動做市商（AMM）和流動性提供者（LP），外加一個 升級版的 KYC 實名驗證系統。這些動作整體看下來，就是在給 Pi 補齊“交易基礎設施 + 合規基礎設施”，為後面主網上線、生態擴張和資金進場提前搭好舞台，也難怪短線盤面會給出正向回饋。https://x.com/PiCoreTeam/status/1985462556736291059?s=20Maxi Doge（MAXI）：高風險、志在 100 倍的 Meme 幣Maxi Doge（$MAXI）是一隻 不在 Claude 資料集內、但正在引發市場熱議的新 Meme 幣預售項目，目前已經從投資者手中募集了超過 390 萬美元，這些投資者希望抓住下一輪類似 Dogecoin 的巨大行情機會。作為「狗狗幣更吵、更瘋的對照版」，Maxi Doge 活躍於加密圈高能的 degen 社區，透過舉辦表情包競賽、社區活動，並在社交媒體上製造討論熱度來維持其影響力。MAXI 作為部署在以太坊上的 ERC-20 代幣，相較於基於舊版區塊鏈的 Dogecoin，擁有 更快的交易速度、更低的成本以及更高的能源效率。在 1502.4 億枚代幣的總供應量中，有 25% 被分配至「Maxi 基金」，用於支持行銷活動、合作夥伴關係拓展以及專案生態的長期建設與發展。目前質押功能已上線，年化收益率（APY）最高可達 78%，不過預期隨著參與質押的用戶增多，這一收益水準將會逐步下降。目前預售價格為 0.000267 美元，並計劃在每一輪預售階段逐步上調價格。投資者可以透過 MetaMask 或 Best Wallet 購買 MAXI。想獲得最新進展，可關注 Maxi Doge 官方的 X 帳號和 Telegram 頻道。1000倍幣Maxi Doge（$MAXI）價格預測按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

中國的 DeepSeek AI（常被稱為「中國版ChatGPT」）預測，隨著加密市場進入年底行情，XRP、Pi幣和Solana都有強勁的上行潛力。市場動能似乎也在印證這個觀點。比特幣近期創下 $124,128 的歷史新高，雖因美國通膨高於預期而短暫回落，但整體市值在過去24小時內仍反彈 1.4%，達到 4.11兆美元。政策面同樣釋放利多。川普總統簽署了《GENIUS法案》，這是美國首部對穩定幣實施全額儲備要求的法律；同時，SEC推出“加密項目（Project Crypto）”，以簡化區塊鏈企業的合規流程。隨著監管逐步明朗，許多分析師認為市場條件具備重演2021年山寨幣行情的可能。而DeepSeek AI對XRP、Pi幣和Solana的價格預測，正是建立在這個背景之上。XRP（瑞波）：3倍上漲潛力，目標價看向 $10 —— DeepSeek AI預測DeepSeek AI 預測，XRP ($XRP) 到 2025 年底可望衝高至 $9，相當於目前約 $3 水準的三倍。該代幣在 7 月創下新高，觸及 $3.65 ATH，一舉突破 2018 年紀錄，隨後回檔約 16.5%，目前交投於 $3.04 附近。Ripple的全球合作網絡持續構成利多。除此之外，2024年聯合國資本開發基金（UNCDF）已支持XRP用於跨境支付，而今年早些時候，SEC也正式結束了與Ripple的訴訟，確認散戶交易的XRP不屬於證券。DeepSeek的基準預測區間為 $5–$10。其指出，如果美國政策層面兌現承諾、現貨XRP ETF順利獲批，同時Ripple在機構採用方面繼續擴大版圖，那麼高位目標完全有望實現。技術面同樣看多：RSI 已從 57 開始上行，今年已出現三次「看漲旗形」形態，其中兩次發生在夏季中後段，暗示隨時可能迎來突破。此外，XRP在過去一年累積漲幅高達 465%，遠超比特幣的 98%、以太幣的 93% 以及 Solana 的 77.5%。Pi Network ($PI)：DeepSeek AI預測「點觸挖礦」山寨幣有14倍潛力Pi Network 因其行動端友善的挖礦模式備受關注，用戶只需每日輕點一次即可獲得 PI 代幣。目前PI交投於 $0.3543 附近，DeepSeek AI 預測其年底前預計衝至 $5，意味著不到四個月內潛在14倍漲幅。自2025年2月上線以來，PI波動劇烈，5月中旬一度暴漲171%。目前RSI在48，處於中性區間，顯示市場定價相對合理，仍有充足上行空間。分析師認為，若加密市場持續修復，PI可望重測2025年2月高點 $2.99，並有機會進一步突破。即使不看極端目標，年底向 $3 推進也相當現實，這主要取決於用戶採用率以及美國政策面的利好落地。Solana ($SOL)：ETF熱度+基本面強勁，以太坊最強對手可望衝擊 $1,500Solana ($SOL)仍是智慧合約賽道的頭部力量，目前市值 1,300億美元，其生態內鎖倉量（TVL）約 130億美元。投資者情緒正在被推高，原因在於市場對美國版Solana ETF的猜測，以及川普總統暗示Solana可能被納入擬議的「國家比特幣儲備」中，作為僅持有資產——也就是說，美國政府可以持有，但僅限透過執法查封獲得的部分。代幣走勢同樣強勁。 4月曾回落至 $100，隨後反彈至目前 $240，並持續攀升。不過，目前已進入阻力區間，短期內可能在該區域震盪整理。 .今年稍早突破空頭型態後，DeepSeek AI 預計 SOL 到 2026 年底有望衝擊 $1,000，遠超先前 $293 的歷史高點。與其他頭部項目一樣，廣泛的加密監管進展將是能否實現這一里程碑的關鍵。Maxi Doge ($MAXI)：高風險 Meme 幣玩法在 DeepSeek 的主力推薦之外，全新 Meme 幣 Maxi Doge ($MAXI) 正吸引市場關注，被視為 Dogecoin 的「狂野版」。其建構於 以太坊網絡，強調 社群驅動成長，透過 Telegram 群組、活動競賽及合作來擴張影響力。該項目在短短數週的預售中已籌集超 200萬美元。總供應量 1500億枚 中，25% 用於行銷和合作。持幣者可進行質押，最高可獲得 155% APY 收益，不過隨著用戶增加，回報率將逐步下降。目前預售價格為 $0.000257，代幣價格將隨每一輪融資階段逐步調高。用戶可透過 Maxi Doge 官方網站，使用 MetaMask 或 Best Wallet 等皮夾參與認購。想獲得最新動態，可關注 Maxi Doge 官方的 X（推特）帳號及 Telegram 社群。如何購買Maxi Doge（$MAXI）？ 2025年這枚迷因幣值得投資嗎？按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

Pi Network價值已經從歷史高點暴跌超過93%，為精明的投資者提供了潛在的買入機會。技術指標和即將發生的事件，可能會重新點燃這種快速成長的加密貨幣。https://x.com/fen_leng/status/1969432249155404045調整代表即將到來的趨勢反轉？最近 Pi Network價格 的崩潰，導致PI失去超過93%的價值，可能只是在更重大反彈之前的暫時調整。事實上，該資產已形成了非常看漲的技術模式，例如下跌楔形和雙底，這通常是趨勢反轉的先兆。此外，有幾個外部因素可能驅動Pi Network的價格回升。首先，一位持有超過3.81億代幣的匿名投資者進行的大規模購買，目前估值超過1.12億美元，透露了有關即將發展的內部資訊。此外，Pi Network的共同創辦人 Chengdiao Fan，參加TOKEN2049活動也可能帶來顯著影響。在此次會議上，她將討論Pi幣在Web3產業中的角色，這可能會激起對該代幣的興趣重燃。儘管 Pi Network 最近經歷了驚人的下跌，但精明的投資者將其視為在潛在反彈之前佈局的機會。技術指標和即將到來的事件確實似乎暗示在未來幾週將有趨勢反轉。因此，保持對市場發展的了解，以抓住這個快速擴張的加密貨幣的最佳機會，將是至關重要的。https://x.com/Kamraniyan/status/1965308667122811236信心十足投資者正在逢低買入現時，集中交易所CEX的錢包儲備下降表明，信心十足的投資者正在逢低買入。 Pi Network創辦人Nicolas Kokkalis和Chengdiao Fan於週一參加了與Sign in Seoul合作的社區見面會。創辦人分享了關於Pi Network智能合約開發的演示，強調即將進行的協議升級和基於AI的KYC功能，以加快用戶入駐。然而，見面會未能提升投資者的情緒，PI代幣在周一創下0.1842美元的歷史新低，最終收在0.2860美元。https://x.com/PiNewsMedia/status/1970247651087258066儘管最近崩盤，PiScan數據顯示，在過去24小時內，中交易所CEX的儲備中淨流出796萬PI代幣，與從歷史低點的反彈一致。這顯示出信心十足的投資者，正在以低價入手這款行動挖礦加密貨幣。 Pi Network交易價格於9月23日晚上約0.2733美元，連續第三天延續跌勢。回調使下行通道突破失效，目標指向0.2387美元的支撐位。若收盤價果斷低於歷史低點0.1842美元，將確認跌破下行通道。這可能導致進一步下跌至0.1555美元的S3支撐位。日線圖上的動能指標顯示賣方主導，相對強弱指數RSI在25時跌入超賣區。此外，MACD在周日穿過訊號線後延續下行趨勢。這顯示看跌動能正在上升。向若價格反彈至0.2996美元的支撐位，可能會挑戰0.3220美元的上行趨勢線。除此之外，另一個支撐位0.2838美元可能成為下一個關鍵阻力位。Snorter Bot預售進入最後26天被譽為下一代Telegram交易機器人黑馬 Snorter Bot Token ($SNORT)，其預售正式進入最後26天倒數。這枚被稱為Solana生態的迷因Sniper代幣，已經在預售階段籌集超400萬美元。早期用戶看中的不僅是它在捕捉突破行情上的速度，更在於它能幫助散戶規避常見的陷阱，例如追高、情緒化交易。在預售階段鎖定 SNORT 已成為早鳥投資者的核心動力，因為單單持有代幣即可將交易手續費降至全行業最低的 0.85%。這只是它多重效用之一，遠超過同類項目如 Maestro、Banana Gun和Trojan。為什麼Snorter能在眾多Bot中脫穎而出，首先，它有著全網最低的手續費。大多數Bot單筆收費約 1%，但只要持有 $SNORT，手續費就能降到0.85%。這意味著你的每一筆獲利，都能留在自己口袋裡，而不是被抽走。其次，專案原生部署在Solana上，速度媲美 Trojan，同時也擴展到以太坊和其他EVM鏈，像 Maestro一樣走向多鏈佈局。換句話說，今天你能享受閃電般的執行，未來還能覆蓋更廣的市場。最後，雖然 Banana Gun 會給持有者分成，Snorter 卻賦予代幣更直接的交易優勢，手續費折扣、無限 Snipes、Staking 獎勵、治理權，以及高級分析工具存取權限。最後，對交易者來說，這意味著 $SNORT 不只是一個被動持倉，而是你每次使用Bot的主動優勢。不過，僅剩26天，目前每枚0.1051美元的預售價即將結束。 Snorter Bot的籌資已比 Banana Gun早期輪高出270萬美金，一旦上線交易所，勢必掀起強勢衝擊。對於現在才注意到倒數計時的投資者，還有機會在價格潛在暴漲前鎖定籌碼。點這裡參加預售按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。

Anthropic公司推出的Claude AI是ChatGPT的競爭對手，該模型預測隨著加密貨幣交易進入假期階段，XRP、狗狗幣和Pi幣將迎來一波強勁的價格增長浪潮。近期市場表現為此觀點提供了支持。比特幣曾創下124,128美元的新歷史高點，隨後因美國通膨數據高於預期而回調。儘管如此，加密市場正逐步回暖，整體市值在過去24小時內上漲0.4%，達到4.11兆美元。在監管方面，川普總統近日簽署了《GENIUS法案》，這是美國首部要求穩定幣實施全儲備支持的法律；同時，美國證券交易委員會（SEC）也推出了「加密計畫」（Project Crypto），旨在簡化區塊鏈項目的合規流程。隨著更明確的監管規則逐步落實，分析師認為市場環境正在形成類似2021年山寨幣暴漲行情的條件。以下是Claude AI對XRP、Pi幣和狗狗幣未來幾個月的表現預測。XRP（瑞波幣）：Claude AI預測三倍成長，目標價或達10美元Claude AI預測XRP（$XRP）在2025年末預計將飆升至9至10美元，約為目前3美元左右交易區間的三倍。該代幣於7月創下3.65美元的歷史新高，這是自2018年以來的首次突破，隨後下跌17%，回落至約3.03美元。Ripple繼續受益於其強大的機構關係網絡。 2024年，聯合國資本開發基金正式認可XRP用於跨國結算，而在今年早些時候，美國證券交易委員會（SEC）也正式撤銷了對Ripple長期進行的訴訟，確認XRP向散戶投資者的銷售不屬於證券範疇。Claude的基礎預測情境認為XRP將在5至10美元之間交易，並指出美國政策推動力、下個月可能獲準的ETF，以及進一步的機構採用，可能將XRP推向更具雄心的20美元上限目標。技術指標也與此預測相符：目前相對強弱指數（RSI）約為54，而三組看漲旗形形態——其中兩組出現在夏末——暗示XRP可能即將迎來突破行情。從表現來看，XRP在過去一年上漲了429%，遠超比特幣（+96%）、以太幣（+96%）和Solana（+77%）的同期漲幅。Pi Network（$PI）：Claude預測輕觸挖礦幣或將暴漲Pi Network（$PI）因其獨特的行動端挖礦機製而引發廣泛關注，用戶只需每天在應用中輕觸一下即可賺取代幣。目前交易價格約為0.3556美元，Claude AI大膽預測其年底前可能飆升至500美元，這意味著在短短幾個月內將實現驚人的1400倍漲幅。然而，考慮到目前市場成長遠低於2021年周期和更早階段，這一預期極不切實際。自2025年2月上線以來，PI價格波動劇烈，光在5月中旬就曾暴漲171%。目前的相對強弱指數（RSI）為48，處於中性區間，顯示代幣估值合理，仍有進一步上漲空間。專案團隊也積極推動新階段發展，目前正分階段推出一系列更新，將Pi Network推進至第23版，預計主網將在未來幾週內上線。市場觀察家認為，如果市場情緒持續正向，PI有望重新測試2月創下的2.99美元高點，並有可能進一步突破。即便未能觸及極端上限預測，隨著持續的用戶採用與美國監管環境的改善，年底前回升至3美元區間仍被視為可實現的目標。Dogecoin（$DOGE）：Claude AI預測這款原始迷因幣有望衝向1美元Dogecoin（$DOGE）於2013年以玩笑形式誕生，如今已成為市值401億美元的前十大數位資產之一，在當前總市值達4萬億美元的加密市場中佔有一席之地。其長久不衰的原因，既來自充滿熱情的社區支持，也得益於作為支付手段的實用性不斷提升。儘管DOGE的價格走勢常常跟隨比特幣，但其深度流動性與忠實社群使其在多輪市場低迷中依然穩健。目前價格約0.2652美元，過去一年已翻倍，表現優於比特幣、以太幣、柴犬幣和Pepe。過去兩週內，Dogecoin上漲了28%，使其RSI在周末一度攀升至75，隨後回落至59，顯示短期內出現了較快的獲利回吐。不過，其價格可能很快就會再次啟動上行。圖表分析師指出，自去年11月至今年4月，再到7月與8月，Dogecoin多次形成看漲的下降楔形形態。Claude AI的保守預測將DOGE在12月的價格定在0.40美元，約為目前價格的50%漲幅。儘管如此，社區長期以來對1美元的Dogecoin始終懷抱著象徵性的期待，對於「Doge軍團」而言，這是一個重要的里程碑。而Claude認為，如果多頭市場啟動，DOGE有望突破這個關鍵水準。主流應用正在穩定擴展：特斯拉目前已接受DOGE購買部分週邊商品，支付平台如PayPal與Revolut也已支援Dogecoin的轉帳功能。Maxi Doge（$MAXI）：高風險迷因衍生幣在Claude的核心推薦之外，新興項目Maxi Doge（$MAXI）正憑藉其幽默的「去gen文化」風格在預售市場掀起熱潮，作為Dogecoin的戲謔式延伸，迅速吸引關注。該計畫建構於以太坊網路之上，強調透過Telegram社群活動、比賽以及與KOL合作來推動社群參與。目前預售階段已籌集超過220萬美元。在1500億枚的總供應中，有25%專門用於合作與市場推廣。早期用戶亦可參與質押計劃，獲得最高可達146%年化收益率的獎勵，但隨著參與人數增加，收益率將逐步下降。目前預售價格為0.0002575美元，並將在每一輪融資中略微上調，下一輪預計將在36小時內啟動。投資者可透過Maxi Doge官方網站進行購買，支援使用MetaMask或Best Wallet等加密錢包。可透過Maxi Doge的官方X帳號與Telegram頻道取得最新動態。造訪官方網站按此瀏覽原文免責聲明加密貨幣投資風險高，價格波動大，可能導致資金損失。本文僅供參考，不構成投資建議。請自行研究（DYOR）並謹慎決策。