Bitcoin Core官方正式披露CVE-2024-52911高危漏洞，影響範圍覆蓋0.14.1到28.4多個主流版本，全球有43%的比特幣全節點，至今還在運行帶漏洞的舊版本，相當於直接暴露在攻擊風險裡。 它不是普通的小bug，而是能讓礦工通過打包特殊構造的區塊，遠端讓其他節點直接崩潰，嚴重情況下還能實現程式碼執行。簡單說，只要節點沒升級，攻擊者就能通過廣播區塊，直接讓節點癱瘓，對去中心化網路的穩定運行有不小的威脅。 很多人會問，這麼大的漏洞，怎麼現在才公開？ 其實整個處理流程早就走完了。漏洞早在2024年11月就被開發者Cory Fields發現，並且按照行業規範私下上報，團隊隨後快速完成修復程式碼，2024年12月完成合併，2025年4月隨v29版本正式發佈，徹底封堵漏洞。到2026年4月19日，最後一個存在漏洞的28.x版本系列已經正式停止維護，不再提供任何安全支援。

導讀： Circle 已於紐交所上市，股票程式碼 CRCL。但這家公司究竟是一門什麼生意？本文基於其 FY2025 年報，逐層拆解 Circle 的收入結構、儲備金模型、與 Coinbase 的分成安排，以及 USDC、EURC 的增長現狀。作者得出的核心判斷：Circle 本質上是一家利率敏感型金融基礎設施公司，賺的是儲備金利息，而非軟體平台的訂閱或交易費。這個判斷直接影響對它的估值邏輯。全文如下：對 Circle 的理解，首先應該定位成一家「儲備金收入公司」，而非一家規模化的軟體或支付費用平台。其盈利模式高度依賴穩定幣餘額、短端利率，以及在支付大量分成之後實際保留的那部分儲備金收入。FY2025 的資料把這一點說得很清楚：總收入與儲備金收入合計 27.47 億美元，其中儲備金收入貢獻 26.37 億美元，其他收入僅 1.10 億美元。因此，Circle 近期的財務表現，主要取決於三個變數：USDC 平均流通量、儲備金實際收益率，以及合作夥伴分成安排（尤其是與 Coinbase 的那份合同）的經濟結構。FY2025 總收入與儲備金收入從 FY2024 的 16.76 億美元增長至 27.47 億美元，增幅強勁。儲備金收入從 16.61 億美元升至 26.37 億美元，其他收入從 1500 萬美元升至 1.10 億美元。即便如此，Circle FY2025 歸屬於普通股東的淨虧損仍達 7000 萬美元，營運費用也大幅攀升，其中薪酬費用高達 8.45 億美元。圖：Circle FY2025 主要財務指標2026 年的核心爭議不是 Circle 是否在擴張版圖，而是這種擴張能否真正體現在財務資料上。關鍵變數依然是：USDC 餘額能否持續增長、儲備金收益率在利率下行環境中如何演變、分銷成本是否會長期居高，以及 CCTP、CPN、USYC 等新收入來源的規模化速度能否趕上儲備金收入基數的增速。當前階段，Circle 的戰略邊界正在清晰擴展，但核心投資框架沒有變：它仍然是一家收益由儲備金收入主導、而非多元化平台變現驅動的、對利率和餘額規模高度敏感的金融基礎設施公司。Circle 業務概覽Circle 是一家在紐交所上市的金融科技公司，股票程式碼 CRCL。公司於 2026 年 3 月 9 日提交了截至 2025 年 12 月 31 日的 FY2025 年報（10-K 表格）。Circle FY2025 資產負債表顯示「穩定幣持有者存款」為 749 億美元，這個數字直接說明：公司的經濟核心仍然是儲備支撐型穩定幣的規模管理，而不是傳統的純軟體模式。從分析框架來看，Circle 可以拆成四個層次：第一，穩定幣發行商，主要產品是 USDC 和 EURC，負債端對應流通中的穩定幣，資產端是為使用者隔離保管的儲備資產。第二，儲備金收入業務，通過利息和股息收入將儲備資產貨幣化。第三，開發者、支付與基礎設施層，致力於提升穩定幣的使用場景和交易密度。第四，圍繞「網際網路金融系統」建構更宏觀的戰略佈局，包括 Arc、Circle 支付網路（CPN）和代幣化資產基礎設施。但已披露的資料表明，當前在財務上真正起作用的仍是儲備金收入模式，而非規模化的軟體或交易費業務。FY2025 總收入與儲備金收入合計 27.47 億美元，其中儲備金收入貢獻 26.368 億美元，非儲備部分相對有限。這個區分對估值至關重要。Circle 的戰略敘事在拓寬，但收入結構仍不支援將其視為一個「軟體平台重評級」故事。此前披露的資料顯示，2024 年「其他產品」收入僅佔總收入 1%，不過管理層另外指出其他收入在 2025 年加速增長，Q4 2025 其他收入 3700 萬美元，同比增加 3400 萬美元。方向上是積極訊號，但還不足以撼動儲備餘額、儲備收益率和合作夥伴經濟結構在盈利驅動中的核心地位。另一個戰略支柱是監管佈局。Circle 披露，2025 年 12 月獲得貨幣監理署（OCC）的條件批准，擬設立一家國家信託銀行，名為 First National Digital Currency Bank， N.A. 。管理層將其定性為強化 USDC 基礎設施、潛在擴展受監管託管和儲備管理能力的重要一步。這可能提升監管層面的可持續性以及機構對儲備治理的信心，但目前還不應視為已披露的盈利驅動因素。商業模式與經濟結構Circle 的商業模式由兩個變數決定：流通中的穩定幣規模和儲備資產的收益率。公司明確將儲備金收入定義為儲備餘額與儲備回報率的函數。FY2025 儲備金收入 26.368 億美元，高於 FY2024 的 16.611 億美元。相比之下，FY2025 其他收入僅 1.098 億美元（FY2024 為 1520 萬美元），其中訂閱和服務收入 8480 萬美元是最大的非儲備項目。這證實了 Circle 的盈利結構對利率和餘額增長極度敏感，即便輔助收入已從較低基數開始起量。儲備金的管理是保守的。Circle 披露，截至 2025 年 6 月 30 日，約 87% 的 USDC 儲備持有於 Circle Reserve Fund — — 這是一隻符合 2a-7 規則的政府貨幣市場基金，由貝萊德管理、紐銀梅隆託管。其餘部分以現金形式持有在為 USDC 持有者服務的帳戶中，主要在全球系統重要性銀行。儲備的建構邏輯是流動性優先、保本、透明、合規，而非最大化收益。Circle 的經濟結構還受分銷安排的深刻影響，尤其是與 Coinbase 的協議。儲備金收入按總額入帳，但公司會通過分銷和交易成本做大量下游支付。這意味著相當一部分毛儲備收益在到達營運費用之前，就已經通過分銷層按合約分出去了。資料上的體現是：FY2025 扣除分銷成本後的收入（RLDC）為 10.83 億美元，而總收入與儲備金收入合計 27.47 億美元，兩者之差說明毛變現的大部分通過分銷層被支付出去了。這對建模而言極為關鍵。Circle 並不是利率上升或 USDC 餘額增長的純粹受益者 — — 儲備金變現的增長不能一比一地轉化為留存盈利能力。根據 Circle 早前的敏感性披露，以 2025 年 6 月 30 日平均儲備收益率 4.26% 為基準，每變動 100 個基點，儲備金收入估算變化約 6.18 億美元，但分銷和交易成本也會隨之變化約 3.15 億美元。這意味著儲備金上行空間有很大一部分被分走，只有剩餘部分在扣除營運費用前流入 RLDC。對機構分析而言，RLDC 比單純的儲備金收入是更有用的中間盈利衡量指標。FY2025 的報告盈利質量也受到非核心和非現金項目的顯著影響。Circle 披露 FY2025 持續經營淨虧損 7000 萬美元，但調整後 EBITDA 為 5.82 億美元，差距主要來自與 IPO 相關歸屬條件掛鉤的高額股權激勵 — — Circle 在 FY2025 財報發佈時說明，結果受到 4.24 億美元 IPO 歸屬股權激勵的顯著影響，具體為 RSU 績效條件在紐交所開始交易時滿足觸發所記錄的 4.238 億美元股權激勵費用。因此，GAAP 淨利潤並非評估基礎單元經濟或盈利能力的最佳視角。最重要的原因是 Circle 與 Coinbase 的安排，這是其商業模式中最重要也最容易被低估的一環。USDC 2018 年推出時，Circle 與 Coinbase 共同組建了一個聯合聯盟來治理這個穩定幣。該結構於 2023 年解散，Circle 獨自掌控發行權。但 Coinbase 保留了一份極為有利的收入分成協議。圖：Circle 與 Coinbase 的 USDC 儲備金分成結構根據協議，Coinbase 平台上持有的 USDC 產生的儲備金收入，100% 歸 Coinbase；其他管道產生的儲備金收入，50% 歸 Coinbase。2024 年，Circle 10.10 億美元總分銷成本中，9.08 億美元支付給了 Coinbase。換句話說，Circle 賺到的每一美元中，大約 0.54 美元流向了一家既不發行 USDC 也不管理其儲備的公司。到 2025 年初，Coinbase 持有 USDC 總供應量的 22%，2022 年這個比例只有 5%。隨著 USDC 越來越集中在 Coinbase，Circle 的支付負擔也跟著水漲船高。綜上，當前階段應將 Circle 視為一家以穩定幣為核心的儲備金收入引擎驅動的、對利率敏感的金融基礎設施公司，而非一家經濟結構主要由訂閱或交易收入驅動的軟體平台。平台的期權價值正在變得越來越清晰，尤其是 Arc、CPN 和非儲備收入流的擴展。但 Circle 已披露的 FY2025 收入結構仍然支援以儲備餘額、儲備收益率和分銷分成機製為核心的分析框架。在非儲備收入佔比顯著提升之前，儲備金收入模式仍將是 Circle 盈利敏感性的主要驅動因素，也是其估值爭議的核心。USDC 與 EURC 深度解析USDCUSDC 是 Circle 進入 2026 年時的核心經濟引擎。Circle 在 FY2025 年報中披露，截至 2025 年 12 月 31 日，USDC 流通量為 752.66 億美元。Circle USDC 產品頁面隨後顯示，截至 2026 年 3 月 16 日，流通量為 792 億美元。據此推算，從年末到 3 月中，USDC 流通量增加了約 39 億美元，增幅約 5.2%。算不上爆發式增長，但確實表明在 2025 年已有強勁基礎之上，淨擴張仍在持續。圖：USDC 穩定幣供應量（來源：Allium）Circle 的 FY2025 披露指向 USDC 的一個強勁增長年。Q4 2025，USDC 流通量同比增長 72% 至 753 億美元，USDC 鏈上交易量同比增長 247% 至 11.9 兆美元。全年平均 USDC 流通量 648.70 億美元，高於 FY2024 的 333.42 億美元，但 FY2025 儲備回報率為 4.1%，低於 FY2024 的 5.0%。核心推論是：2025 年的收入擴張，靠的是餘額增長，而非收益率順風，因為儲備回報率是同比下降的。Circle 還披露了一些營運指標，表明 USDC 是高速周轉的貨幣工具，而非靜態擔保品。FY2025 USDC 鑄造量 2575 億美元，贖回量 2261 億美元；年末穩定幣市場份額 28%（基於第三方市值資料）；年末有效錢包數 680 萬（按 Circle 自身定義）。鑄造贖回量相對於期末存量如此之大，說明存在大量交易周轉，可能來自交易所結算、流動性路由、抵押品管理和 DeFi 相關資金流動，而非簡單的買入持有儲備資產邏輯。Circle 沒有公開提供這些使用場景的清晰分拆資料。USDC 的支付敘事正在變得更可信，但相對於儲備金收入模式仍處於早期階段。Visa 已在美國對特定發卡和收單合作夥伴正式推出 USDC 結算功能，支援在特定區塊鏈上結算部分 VisaNet 義務，且可在傳統銀行營業時間之外進行。Circle 將其視為 USDC 能夠作為持續結算資產而非僅僅是加密原生交易工具的證明。即便當前規模相對於 Visa 整體網路體量仍然很小，分析意義也不容低估：這是 USDC 正在被定位為真實世界後台支付基礎設施一部分的最清晰公開訊號之一。面向消費者和中小企業生態的合作夥伴分銷也在擴大。Circle 於 2025 年 12 月 18 日宣佈與 Intuit 合作，將 USDC 功能接入 TurboTax、QuickBooks 和 Credit Karma。戰略上，這強化了 Circle 正在推動 USDC 走出交易場所和加密原生使用者、進入主流金融工作流的論據。但貨幣化路徑仍不透明 — — Circle 沒有披露該整合的定價、佣金率或收入分成結構，因此分銷層面的進展不應被誤讀為高利潤支付收入的證明。在市場結構層面，Circle 與 Polymarket 於 2026 年 2 月 5 日宣佈，Polymarket 將在未來數月內從 Polygon 上的橋接 USDC（USDC.e）遷移至原生 USDC。這一進展說明 Circle 正在更廣泛地推動減少對橋接流動性的依賴、增加原生發行 USDC 在各鏈上的覆蓋。原生發行可以提升贖回透明度、降低跨鏈橋接的操作複雜性，也更契合監管優先的定位。與此同時，需要做這種遷移本身也揭示了穩定幣面臨的結構性挑戰：碎片化的跨橋接、跨鏈流動性仍然是採用摩擦，而不只是技術腳註。綜合來看，USDC 是一種混合工具：首先是主要的交易所和場所結算資產；其次是鏈上高速美元，用於抵押品、流動性路由和加密市場基礎設施；第三，在特定整合中正在成為新興的機構結算軌道。支付軌道增長的證據在改善，尤其是 Visa 結算、Intuit 接入和 Circle 更廣泛的基礎設施建設。但 Circle 已披露的主要經濟驅動力，仍然是 USDC 儲備上的儲備金收入，而非支付活動產生的顯性交易費變現。EURCEURC 在戰略上很重要，儘管在直接經濟貢獻上仍然有限。歐洲監管背景在這裡尤為相關。MiCA（歐盟 2023/1114 號法規）於 2023 年生效，資產參考代幣和電子貨幣代幣規則自 2024 年 6 月 30 日起適用，更廣泛的制度自 2024 年 12 月 30 日起全面生效。這個時間表的意義在於：歐元計價穩定幣比許多相鄰加密資產服務更早獲得「監管合規可評級」身份，提升了受監管發行商和交易所支援合規歐元穩定幣產品的制度信心。Circle 披露，截至 2025 年 12 月 31 日，EURC 流通量為 309,608,590 枚。到 2026 年 3 月 16 日，Circle EURC 頁面顯示流通量為 3.828 億歐元。推算下來，從年末到 3 月中，EURC 增長約 7300 萬歐元，增幅約 23.6%。絕對量相對於 USDC 仍然很小，但增速有實質意義，表明 EURC 正在從一個較低基數獲得牽引力。整個歐元穩定幣市場規模依然很小。路透社 2025 年 9 月援引義大利銀行資料報導，歐元計價穩定幣總量僅約 6.20 億美元，而當時全球穩定幣發行量約為 3000 億美元。即便有後續增長，Circle 2026 年 3 月報告的 3.828 億歐元 EURC 流通量，也表明 EURC 可能是按供應量計排名靠前的歐元穩定幣之一。Circle 將 EURC 定位為符合 MiCA 要求，支援 Avalanche、Base、Ethereum、Solana 和 Stellar，並承諾每月發佈證明報告。戰略上，EURC 對 Circle 的價值可能超過其當前的直接財務貢獻：它幫助 Circle 確立歐洲監管地位，與 USDC 共同支援鏈上歐元-美元工作流，並在歐洲加大數字貨幣政策優先順序時提供期權價值。路透社 2025 年底的報導也顯示，歐洲機構和政策制定者越來越關注建立美元主導穩定幣基礎設施的替代方案，這支援了上述期權價值的論點。未來 12 至 24 個月，EURC 更適合被視為一個使能層，而非獨立的利潤驅動器。其基礎規模不到 5 億歐元，Circle 也沒有單獨披露 EURC 的收入資料。EURC 要在財務上變得有實質意義，可能需要三件事：歐元計價浮存量的實質性增長、超越加密原生資本市場的支付和財務採用，以及能避免複製 USDC 模式中重度經濟分成的分銷路徑。換句話說，EURC 在戰略上可能已經很重要，但在財務上還不是核心驅動。FY2025 財務分析與關鍵指標Circle FY2025 財務資料再次印證：公司首先是一家儲備金收入業務。FY2025 總收入與儲備金收入合計 27.47 億美元，高於 FY2024 的 16.76 億美元。其中儲備金收入 26.37 億美元（FY2024 為 16.61 億美元），其他收入 1.10 億美元（FY2024 為 1500 萬美元）。同比增量幾乎完全來自儲備金收入擴張，而非收入結構向軟體或交易費模式的廣泛轉變。圖：Circle FY2025 收入結構圖：Circle FY2025 成本結構拆分成本結構同樣是承保框架的重要組成部分。FY2025 分銷和交易成本 16.62 億美元，高於 FY2024 的 10.11 億美元。營運費用從 4.92 億美元升至 11.79 億美元，其中薪酬費用 8.45 億美元（上年為 2.63 億美元）。這證實了更高儲備金收入創造的毛盈利能力，被合作夥伴分成大量分走，再被大幅攀升的營運成本進一步消化。衡量營運槓桿，用 RLDC 比頂層收入更有用。Circle 披露的 FY2025 RLDC 為 10.83 億美元，高於 FY2024 的 6.59 億美元；RLDC 利潤率兩年均為 39%。這個持平的利潤率值得注意：它意味著分銷成本大體隨儲備金收入同步擴張，更高利率和更大餘額並沒有轉化為在結構上更有利的留存經濟。換句話說，Circle 實現了增長，但在分銷後實際留存的核心經濟份額沒有實質改善。更清晰的營運槓桿訊號出現在管理層的調整口徑而非 GAAP 報告中。Circle 披露 FY2025 調整後營運費用 5.08 億美元，並指引 FY2026 在新定義下調整後營運費用 5.70 億至 5.85 億美元。這意味著公司計畫繼續投入增長，而非切換到近期收割模式。圖：Circle FY2025 資產負債表關鍵項資產負債表也支援對商業模式的特定解讀。截至 2025 年 12 月 31 日，Circle 報告了 750.68 億美元為穩定幣持有者隔離的現金及現金等價物，以及 749.13 億美元穩定幣持有者存款。這個結構與一個圍繞隔離餘額建構的儲備支援型發行模式一致，而非傳統的基於貸款的資產負債表模式。分析上，這讓 Circle 在結構上更接近一個窄息差業務，而非高佣金率的金融科技，關鍵限定條件是：儲備被描述為為代幣持有者持有，並在 Circle 披露的結構下意圖實現破產隔離。Q1 2026 預覽與 FY2026 牛、基、熊情景進入 Q1 2026，利率環境已不如本輪周期高峰期有利。2026 年 3 月 16 日和 17 日，聯準會有效聯邦基金利率為 3.64%，SOFR 為 3.65%。Circle 自身的敏感性框架以 2025 年 12 月平均收益率 3.64% 作為參考點。言下之意是：2026 年初的儲備回報環境仍然明顯低於 FY2024 披露的 5.0% 儲備回報率，更接近 2025 年底水平，這意味著如果 Circle 想維持儲備金收入增長，餘額增長必須承擔更多工作。Q1 2026 的起點至少在餘額方向上是建設性的。Circle 披露，截至 2026 年 3 月 16 日，USDC 流通量 792 億美元，高於年末 752.66 億美元；EURC 從年末 3.096 億歐元增至 3.828 億歐元。這表明 Q1 平均穩定幣餘額可能較 Q4 退出水平有所改善，部分抵消了低收益率環境。管理層的 FY2026 指引指向收入結構的持續多元化，但經濟模式沒有根本性改變。具體是：其他收入 1.50 億至 1.70 億美元，RLDC 利潤率 38% 至 40%，調整後營運費用 5.70 億至 5.85 億美元。訊號有兩層：一是管理層預計非儲備收入會增長；二是即便按自身指引，這些收入相對於儲備金收入引擎仍然較小。牛市情景。 USDC 流通量在 Q1 和 Q2 持續擴張，受益於機構結算使用增長、更高的鏈上速度和增量分銷進展。在此情景下，即便實際收益率維持在 2025 年底和 2026 年初的短端水平，儲備金收入也能保持韌性。分銷成本也會隨之上升，但分銷後留存的經濟可能仍足以在維持利潤率處於或接近指引範圍的同時吸收更高的營運費用計畫。這本質上是「浮存量增長抵消利率壓縮」的情景。當前餘額趨勢和仍在擴展的生態系統支援這個情景，但仍依賴持續的交易量和採用勢頭。基準情景。 隨著交易活動和 DeFi 使用趨於正常，USDC 流通量增長放緩至低個位數的季度環比增速。儲備回報率錨定在短端 3% 左右，與 EFFR 和 SOFR 大體一致。在此情景下，儲備金收入穩定至小幅走高（取決於平均餘額），但分銷成本因合作夥伴分成結構不變而維持偏高。RLDC 利潤率因此保持在公司指引的 38% 至 40% 範圍內，頂層溫和進展，但結構性利潤率擴張有限。熊市情景。 USDC 流通量因風險偏好收縮、交易所資金外流或市場份額壓力而停滯或下滑，同時利率從已經走低的水平進一步下行。按 Circle 自身的敏感性框架，更低收益率會減少儲備金收入，同時機械地減少部分分銷成本，但淨效果仍是 RLDC 走弱。這個問題更嚴重，因為 Circle 進入 FY2026 時已承擔了更高的費用計畫，意味著浮存量走弱和收益率走弱會讓公司更直接地面對合作夥伴集中風險和營運成本剛性的雙重壓力。戰略定位與競爭格局Circle 最準確的定性是：一家受監管的數字貨幣網路營運商，分兩個層次 — — 一個當前財務上佔主導的發行商與儲備管理核心，以及一個戰略上重要但經濟上尚未主導的應用、互操作性和開發者服務外圍。這個區分很重要，因為在非儲備收入變得顯著更大之前，Circle 的估值、盈利敏感性和風險特徵仍然緊密繫結於貨幣政策和穩定幣市場結構。當前最重要的戰略期權是 Circle 支付網路（CPN）。Circle 於 2025 年 4 月推出這一概念，並披露截至 2026 年 2 月 20 日，55 家金融機構已註冊，74 家正在資質稽核，以 30 天為基礎折算的年化交易量達到 57 億美元。這些是網路形成和機構興趣的有意義的早期訊號。但在沒有披露費率、收入貢獻或利潤率的情況下，CPN 在戰略上仍比在財務上更容易證明其價值。另一個可信的非儲備變現路徑是互操作性工具。Circle 披露 2025 年 3 月推出 CCTP V2，快速轉帳功能可在客戶選擇使用時產生交易費。這是較強的非儲備變現路徑之一，因為它為具體的技術能力定價，而非僅僅寄望於使用量最終轉化為價值。即便如此，Circle 披露的 FY2025 交易收入行仍然很小，當前貢獻相對於儲備金收入可以忽略不計。Circle 通過收購 Hashnote 進入的 USYC 類股在戰略上也值得關注。Circle 將 USYC 描述為鏈上貨幣市場基金份額的代表，主要用於數位資產市場的抵押品用途，並披露其從中賺取費用包括業績費。這是對 USDC 的合理延伸，因為它服務於穩定幣單獨無法完全解決的生息抵押品和保證金需求。但市場目前缺乏 USYC 資產、收入或盈利能力的單獨公開披露，所以它更多是戰略建構模組，而非可以獨立建模的驅動因素。競爭方面，Circle 在美元穩定幣領域最直接的競爭對手仍然是 Tether。路透社 2026 年 2 月報導，USDT 流通量約 1840 億美元，Tether 的規模優勢巨大。Circle 的差異化依然清晰：上市公司披露標準、儲備資產約束更符合新興監管要求、與受監管機構和支付網路的定位更強。在這個意義上，Circle 的競爭優勢與其說是絕對規模，不如說是機構可信度和監管可讀性。另一個競爭者是 PayPal 的 PYUSD。PayPal 於 2026 年 3 月 17 日宣佈將 PYUSD 擴展至全球 70 個市場。PYUSD 的戰略相關性在於：它嵌入在一個全球消費者和商戶支付分銷網路中，這與 Circle 以交易所和基礎設施為重的拓展路徑是非常不同的市場進入優勢。Circle 當前的優勢是更深的 USDC 流動性、更大的規模和更強的加密市場整合；PYUSD 的差異化是在主流支付平台內嵌入的原生錢包和商戶分銷。歐洲的競爭格局未來可能變得更具挑戰性。路透社報導，包括荷蘭國際集團（ING）、義大利聯合信貸（UniCredit）、法國巴黎銀行（BNP Paribas）在內的多家歐洲大型銀行成立了一家公司，擬於 2026 年下半年推出歐元穩定幣，而政策制定者也公開討論了強化歐元計價數字貨幣以對抗美元主導的問題。這對 EURC 是中期有意義的競爭威脅，因為銀行主導的歐元穩定幣可以將監管可信度與內嵌的企業和銀行分銷結合起來。截至 2026 年 3 月，這仍更多是未來的競爭風險，而非即時的供給側替代。結論Circle FY2025 的資料仍然支援將其主要視為一家儲備金收入業務的判斷 — — 盈利由穩定幣餘額、儲備收益率和合作夥伴經濟結構主導，軟體或支付變現的貢獻遠未到能撼動這個結構的程度。USDC 和 EURC 持續擴張，CCTP、CPN、USYC 等新舉措改善了戰略敘事，但這些業務相對於儲備金收入基礎在財務上仍不顯著。因此，核心承保框架仍然聚焦於浮存量增長、利率敏感性，以及分銷成本的結構性重量，尤其是與 Coinbase 掛鉤的那部分。圖：Circle Internet Group Inc — 合併損益表圖：Circle Internet Group Inc — 合併資產負債表（一）圖：Circle Internet Group Inc — 合併資產負債表（二）(吳說)

01 Google宣佈：75%的程式碼由AI寫，程式設計師去那兒了？4月23日，GoogleCEO桑達爾·皮查伊在拉斯維加斯的Google Cloud Next大會上，拋出了一顆炸彈。他說：Google內部新編寫的程式碼，75%由人工智慧生成，然後再交給人類工程師稽核。一年半前，這個比例是25%。也就是說，在18個月的時間裡，Google工程師的工作內容，發生了一次根本性的轉變。以前，他們寫程式碼。現在，他們審程式碼。這件事，表面上是一個技術公司的內部管理變化。但往深處看，它意味著整個軟體行業的用工邏輯，正在被重寫。02 Google的工程師去那兒了？先說清楚一件事：Google並沒有因為75%的程式碼由AI寫，就把75%的工程師裁掉。那工程師們在做什麼？皮查伊給出了一個詞：稽核員（reviewer）。以前的工程師，主要精力花在"寫"上——思考演算法、敲擊鍵盤、偵錯Bug。現在的工程師，主要精力花在"判斷"上——AI給出了三種方案，那一種在性能、可維護性、安全性上綜合最優？Google內部有一個真實案例。他們有一項複雜的程式碼遷移任務，過去完全依靠人工，費時費力。今年，用智能體和工程師協同完成，速度比一年前快了6倍。不是工程師變強了，是工程師開始"指揮"AI了。但這裡有一個更微妙的變化，很多人沒有注意到。Google內部最近允許DeepMind的部分員工使用Anthropic的Claude Code工具，而不僅限於自家的Gemini模型。這在內部引發了一定的緊張情緒——畢竟，用競爭對手的工具做自家的產品，在情感上很彆扭。但Google還是開了這個口子。原因很簡單：誰的工具好用，就用誰的。效率優先。03 一場正在發生的轉型，但沒人告訴你怎麼過關最近，我跟幾位在大廠的朋友聊過這個話題。一位在某網際網路公司做了7年Java開發的工程師說：他們組最近引入了AI程式設計工具，需求排期從以前的兩周壓縮到了3天。但問題來了——他發現自己越來越像個"程式碼檢查員"，而不是"程式碼創造者"。"我的核心競爭力還剩下什麼？"他問我。這是一個非常好的問題。根據GitHub Octoverse 2025的報告，使用AI輔助工具的開發者，程式碼產出量提升了55%。但與此同時，初級開發者的崗位需求下降了22%。資料很清晰：AI提升了效率，但淘汰了入門門檻低的崗位。IBM的做法或許更能說明趨勢——他們宣佈將入門級招聘規模擴大至3倍，但要求：必須會用AI工具。不是招更多基礎程式設計師，是招"會使用AI的程式設計師"。企業不再需要5個初級程式設計師，而是需要1個能指揮AI的高級程式設計師。問題不是"AI會不會取代程式設計師"，而是"不會用AI的程式設計師，會被會用AI的程式設計師取代"。04 新的考核標準，已經寫進績效表裡Google這次的動作，還有一個細節被很多人忽略了。他們把AI工具使用目標，寫進了工程師的年度績效評估裡。這不是"建議你用AI"，這是"你必須用，用了多少是考核指標"。這是一個訊號。當一家公司把某個工具的使用頻率寫進KPI，意味著什麼？意味著這家公司認為：不用這個工具的人，是在主動降低自己的價值。回顧歷史，類似的事情發生過。2000年代初，Excel和資料庫工具普及時，不會用電腦的會計被慢慢淘汰。2010年代，移動網際網路爆發時，只懂PC端的產品經理開始掉隊。2026年，AI工具全面滲透時，不會用AI協作的工程師，正在走向同樣的命運。這不是危言聳聽，這是一個規律。05 寫在最後：該怎麼做？我不打算給"AI會不會取代程式設計師"這個問題一個確定的答案。但有三件事，我認為是確定的。第一，AI正在改變"寫程式碼"這件事本身的價值權重。當75%的程式碼由AI生成，會寫程式碼已經不是稀缺能力。稀缺的是：能判斷程式碼好壞，能設計系統架構，能在AI給出的多個方案中做出正確選擇。第二，使用AI的能力，正在成為職場硬門檻。不是軟實力，不是加分項——是標配。Google、Meta、Snap的動作，已經說明了這一點。第三，變化已經在發生，但機會窗口還沒關上。Q1裁員78557人，有人被淘汰。但IBM逆勢擴招3倍，Cognizant宣佈不裁反而大規模培訓AI工具使用。被淘汰的是不願改變的人，被擴招的是主動擁抱變化的人。皮查伊說，Google正在轉向"真正以智能體為核心的工作流程"。這個方向，不會因為某個工程師不接受而停下來。問題只有一個：在這個轉變完成之前，你打算站在那一邊？ (碼農菜菜)

這只基金買入相對於其基本面而言價格更便宜的股票，主要持倉包括美光科技、英特爾、思科以及應用材料。對於iShares旗下數百隻基金中相對不太顯眼的一隻——iShares MSCI USA Value Factor ETF來說，今年可謂是突破性的一年。儘管該基金為投資者帶來了豐厚回報，但其成功也凸顯出ETF投資者需要警惕的一個關鍵陷阱。這只指數基金的交易程式碼為VLUE，主打經典的價值投資策略。據其官網介紹，它將“買入相對於其基本面而言價格更便宜的股票”。2026年以來，該基金已累計上漲14.8%，在晨星（Morningstar）資料庫中超過160只大盤價值型ETF中高居榜首。VLUE擁有120億美元的資產，不算小魚，但也並非市場上最受青睞的選擇。事實上，晨星列出了另外五隻規模更大的iShares價值型ETF，其中包括730億美元的iShares羅素1000價值ETF和480億美元的iShares標普500價值ETF。儘管如此，VLUE近期的表現還是吸引了大量關注。根據FactSet的資料，今年投資者已向該基金淨投入約6.8億美元，在所有全市場價值型ETF中排名第二。相比之下，其兩隻規模更大的“同門兄弟”則遭遇了超過30億美元的淨流出。VLUE的秘密武器是什麼？這只基金重倉科技和通訊類股票。根據晨星的資料，這兩類股票合計佔其投資組合的50%以上，而大盤價值型基金的平均比例僅為21%。其主要持倉包括美光科技（佔投資組合的11%）、英特爾（6.7%）、思科系統（5.2%）和應用材料（3.9%）。VLUE是iShares提供的多隻因子投資基金之一，該系列中的其他因子包括低波動、質量、動量等策略。許多傳統價值型基金傾向於將持倉集中在市盈率通常較低的類股，如公用事業或能源。而跟蹤MSCI增強價值指數的VLUE則採取了不同的做法。“標的指數旨在衡量母指數中那些在各自全球行業分類標準（GICS）類股內相對於同業表現出更高價值特徵的證券的表現，”招募說明書解釋道。“標的指數中的權重隨後會再次進行歸一化處理，使得標的指數中各類股的權重與母指數中的權重保持一致。”換句話說，該基金力求大體上與美國股市在各行業類股上的構成比例相匹配，但在各個類股內部則會偏向那些相對於其行業同業看起來更便宜的股票。考慮到這種策略，不難理解像美光科技這樣的股票為何會成為VLUE的第一大持倉。這家儲存晶片公司的股價今年迄今已飆升61%。但正如Barron’s近期指出的那樣，由於其利潤預計將以極快速度增長，目前其股價對應的2026年預期市盈率還不到6倍。公平地說，這只基金看起來確實如其宣傳所說，做的就是它所主打的事。但這仍然留下一個問題：那些蜂擁買入這只ETF的投資者，是否真正明白自己到底買到了什麼。 (Barrons巴倫)

當模型能獨立工作8小時，從零建構一套Linux桌面系統，AI還只是“會聊天”嗎？先看參數：744B MoE，純中國國產晶片訓練2026年4月8日，智譜正式開源了新一代旗艦模型GLM-5.1。總參數量744B（混合專家MoE架構），每次推理啟動40-44B參數，256個專家中啟動8個。上下文窗口200K tokens，最大輸出131,072 tokens，訓練資料量達28.5兆tokens。最引人注目的訓練硬體：10萬塊華為昇騰910B晶片，完全沒有使用輝達GPU。這意味著中國AI產業在算力自主上邁出了實質性的一步。模型採用MIT開源協議開放權重，可在Hugging Face和ModelScope下載。三大亮點：8小時上班、登頂SWE-Bench、開源最強亮點一：8小時級長程任務，模型“上班”你睡覺GLM-5.1能在單次任務中持續、自主地工作超過8小時，完成從規劃、執行到迭代最佳化的完整閉環。在METR榜單同等評估標準下，GLM-5.1是唯一達到8小時級持續工作的開源模型，全球範圍內除Claude Opus 4.6外少數具備這一能力的模型。官方給出了三個驗證場景：8小時建構Linux桌面系統：零人工介入，從零交付包含窗口管理器、檔案瀏覽器、終端、文字編輯器、系統監視器、遊戲庫的完整系統，執行超過1200步。向量資料庫655輪最佳化：從零用Rust編寫向量搜尋引擎，自主迭代655輪，完成6次結構性策略躍升，最終將查詢速度從3108 QPS提升至21472 QPS，提高了6.9倍。KernelBench 1000+輪最佳化：在50個真實AI模型上編寫最佳化GPU程式碼，最終達到3.6倍加速，遠超PyTorch自帶最佳化器的1.49倍。這種“實驗→分析→最佳化”的自主閉環，讓模型不再是一次性生成程式碼的工具，而更像一個能持續工作的資深工程師。亮點二：SWE-Bench Pro超越Claude，中國國產模型首次登頂在最接近真實軟體開發的SWE-Bench Pro基準測試中，GLM-5.1得分58.4，超過GPT-5.4（57.7）、Claude Opus 4.6（57.3）和Gemini 3.1 Pro（54.2），刷新全球最佳成績。這是中國國產模型在該基準上首次超越全球最強程式設計模型。三項編碼基準綜合平均分，GLM-5.1取得全球第三、中國國產第一、開源第一。程式設計評測分數從GLM-5的35.4提升至45.3，提升幅度達28%，距離Claude Opus 4.6的47.9僅有2.6分差距。亮點三：開源最強 + MIT協議，性價比碾壓MIT開源協議意味著可商用、可自由修改、可私有化部署。支援vLLM、SGLang等主流推理框架本地運行，同時相容Claude Code、OpenCode等開發工具。價格方面，GLM-5.1輸入$1.00/百萬token、輸出$3.20/百萬token，輸入成本約為Claude Opus 4.6的1/5，輸出成本僅為1/7.8，相比GPT-5.4也便宜一半以上。不過需要注意，Coding Plan高峰期呼叫消耗3倍額度，非高峰期2倍，建議儘量錯峰使用。實測案例：我用GLM-5.1跑了三個真實任務光看跑分沒意義，我用GLM-5.1跑了三個自己工作中的真實場景，下面是完整記錄。測試一：程式碼生成——從零寫一個視訊下載器前端我先讓GLM-5.1幫我寫一個帶介面的視訊下載工具（支援解析某音、B站、油管連結）。提示詞很簡單：“用Python + Tkinter實現，能貼上連結、選擇畫質、顯示下載進度，程式碼要可運行”。結果：第一次生成：程式碼結構完整，但缺少非同步下載（介面會卡死）。我反饋“下載時介面卡住”，模型主動加了threading，並給出了進度條回呼的實現。第二次生成：基本可用，但某音連結解析失敗。模型自己分析可能是介面變化，建議我用yt-dlp庫代替手寫解析，並給出了完整的替換程式碼。最終耗時：約40分鐘，生成了約350行程式碼，功能完整，開箱即用。對比感受：同樣任務用GPT-4.5，第一次生成更“漂亮”，但遇到錯誤後修復能力弱，經常繞圈子。DeepSeek-R1生成速度更快，但程式碼註釋偏少，偵錯起來不如GLM-5.1清晰。GLM-5.1的亮點：遇到報錯會自己讀日誌、主動分析原因、給出多種解決方案並解釋優缺點，像跟一個中級工程師結對程式設計。測試二：長文件處理——10萬字需求文件轉測試用例我拿了一份公司內部真實的系統需求文件（約9.8萬字，含介面定義、狀態機、異常流程），讓GLM-5.1一次性讀完，然後生成三樣東西：測試用例集（Excel格式）、自動化測試指令碼（Pytest）、覆蓋率分析報告。結果：上下文保持：模型確實記住了文件前文提到的“訂單號必填且不可重複”的約束，在生成用例時沒有出現矛盾。輸出質量：生成了127條測試用例，覆蓋了功能、邊界、異常、冪等、超時等維度。自動化指令碼框架合理，但需要替換真實API域名才能跑通。翻車點：當我嘗試讓它在同一個對話裡繼續生成性能測試方案時，模型開始出現“遺忘”——把之前定義的支付狀態碼記混了，把“支付成功”和“支付中”兩個狀態碼弄反了。這說明在超過7萬token後的極限高壓下，它確實會偶爾邏輯漂移。對比感受：GPT-4.5處理同樣文件，上下文一致性更好，幾乎沒出現遺忘，但輸出格式經常“自作主張”換成Markdown表格，不方便匯入工具。DeepSeek-R1長文件理解也不錯，但生成用例的粒度偏粗，漏掉了一些邊界條件。GLM-5.1的強項：輸出格式嚴格遵守指令（我要JSON就JSON，要Excel就Excel），且用例與需求原文的追溯關係做得很清楚。測試三：多輪對話——改一個老項目的bug我從GitHub上找了一個自己以前寫的、有已知bug的Flask部落格項目（約3000行程式碼，包含使用者認證、評論系統），讓GLM-5.1在不看全部程式碼的情況下，通過我描述現象來定位並修復bug。過程：我描述：“使用者登錄後，偶爾會跳轉到404頁面，不是每次都出現。”模型第一輪：讓我檢查session配置和@login_required裝飾器的重新導向邏輯。我貼出相關程式碼段後，模型發現是next參數未做URL校驗，導致惡意或畸形的next參數觸發404。模型給出了修複方案（用urlparse校驗相對路徑），並主動解釋了為什麼“偶爾出現”是因為只有特定構造的請求才會觸發。我按照修復程式碼改了，問題解決。對比感受：同樣的問題描述，GPT-4.5也能定位到next參數問題，但給出的修復程式碼缺少對空值和相對路徑的完整處理，需要我二次追問。DeepSeek-R1的推理過程更詳細，但回覆較長，互動節奏偏慢。GLM-5.1的亮點：多輪對話中保持目標清晰，不跑題，且主動補充“為什麼會有這個bug”的解釋，對理解問題本質有幫助。小結： GLM-5.1在程式碼生成和長文件結構化提取上表現確實強，尤其適合“給一個目標，讓它自己拆解執行”的場景。但在超長上下文（>7萬token）的極限穩定性和通用創意任務上，目前還無法完全替代Claude Opus或GPT-4.5。坦誠侷限：那些場景表現不佳？通用任務與創意寫作大幅回退：GLM-5.1為了極致強化程式碼能力，在通用對話和創意扮演上明顯弱於GLM-5。寫文案、寫行銷軟文、做創意策劃，用它會比用GPT-4.5或DeepSeek-R1體驗差很多。高壓長文字易“發瘋” ：雖然標稱200K上下文，但實測灌入5-7萬token的複雜程式碼庫後，偶爾會出現邏輯混亂、狀態漂移甚至幻覺。推理能力仍落後頭部模型：在GPQA Diamond（86.0% vs Claude 91.3%）和Humanity's Last Exam（30.5 vs Claude 53.1%）等推理測試中，與Claude Opus 4.6和GPT-5.2仍有明顯差距。推理速度偏慢：實測約44.3 tokens/秒，意味著長回答需要更多等待時間。定價策略調整：OpenRouter資料顯示GLM-5.1提價10%，編碼場景快取命中Token價格已接近Claude Sonnet 4.6水平。適用人群與侷限性適合誰：AI Agent/長程任務開發者：如果需要模型自主完成複雜工程（全端項目、系統最佳化、持續偵錯），GLM-5.1是目前中國最好的選擇。資料敏感型企業：MIT協議可私有化部署，適合金融、政務、醫療等對資料安全要求嚴格的機構。預算有限的個人開發者：雖然提價，但相比Claude Opus和GPT-5.4，性價比仍然極高。需要中文程式碼生態的使用者：GLM-5.1在中文註釋、中文需求理解、中國國產框架適配方面有明顯優勢。不建議用：寫文案、做創意、日常閒聊：這些場景下表現不如GLM-5甚至大幅退步。超長程式碼庫重構（7萬token+） ：需要極穩定上下文保持的場景，Claude Opus 4.6仍是更安全的選擇。對推理速度敏感的應用：44.3 tokens/秒的速度需要提前評估。總結評分（10分制）GLM-5.1不是“全能型”選手，而是一個極度偏科但長板極長的專業模型。它在程式碼生成和長程任務上的表現已經接近世界頂級水平，同時以MIT開源協議和極具競爭力的價格，為開發者提供了一個真正可用、可落地的選擇。如果你每天的工作就是寫程式碼、做項目、建構Agent，GLM-5.1絕對值得一試。但如果你想找個“什麼都懂”的通用助手，建議繼續用GPT-4.5或GLM-5——這個模型的定位，從一開始就是“幹活”而不是“聊天”。 (青木睿思智能)

實習生扒出51萬行原始碼，GitHub已瘋傳。Claude Code“開源”了？智東西3月31日報導，剛剛，Anthropic的Claude Code在打包發佈時誤將source map檔案（.map）捆綁進了npm包，導致約1900個TypeScript檔案以及超過51.2萬行程式碼遭洩露。這件事的發現者是區塊鏈基礎設施公司Solayer的實習生Chaofan Shou，他第一個在X上發帖並直接給出了R2儲存桶的src.zip下載連結。用簡單的話解釋就是，Source map本來是給開發者偵錯用的“還原地圖”，它能把壓縮後的JS程式碼對應回原始TypeScript原始碼。結果Anthropic打包npm包時，不小心把.map檔案也塞了進去，而且地圖裡直接寫著他們Cloudflare R2儲存桶的公開地址。於是任何人只要下載這個npm包，打開.map檔案，就能順著地址下載到完整的、未混淆的TypeScript原始碼檔案，而這些TypeScript檔案就是Claude Code軟體的完整原始碼。目前，Anthropic已經迅速更新了npm包，移除了source map，但社區已經有人把原始碼鏡像到了GitHub中，並且獲得了超2萬顆星：https://github.com/instructkr/claude-code還有網友已經梳理出了Claude Code的運作邏輯，並行布了完整的“說明書”：https://www.mintlify.com/VineeTagarwaL-code/claude-code/guides/authentication那這約1900個TypeScript原始碼檔案，到底是什麼呢？簡單來說，這些檔案就是Claude Code客戶端工具的實現細節，包括它怎麼架構、用那些工具、支援那些命令、怎麼和IDE互動、怎麼管理記憶，以及一些還沒上線的功能，但不包含Claude大模型本身的權重、訓練資料、伺服器端程式碼或使用者敏感資訊。具體內容主要包括以下部分：1、核心架構和引擎QueryEngine（查詢引擎）：這是整個工具的大腦，負責接收使用者指令、拆解任務、呼叫Claude模型、處理流式輸出、做快取、協調多步操作等。多Agent協作系統（swarms）：讓多個AI Agent一起分工合作完成複雜任務。Memory記憶系統：將之前的對話、檔案內容、上下文持久化保存下來，方便長期使用。IDE Bridge：工具如何和VS Code、JetBrains等編輯器雙向通訊（包括使用 JWT 認證機制）。2、內建工具：這些工具讓Claude Code能真正“動手”幫你操作電腦、寫程式碼、搜尋資訊，而不是只聊天。3、命令系統：4、技術堆疊5、關鍵檔案QueryEngine.ts（約46K行）：LLM API 呼叫的核心引擎，包括處理流式響應、工具呼叫循環、思考模式、重試邏輯和token計數等。Tool.ts（約29K行）：定義所有工具的基本類型和介面，即輸入模式、權限模型和進度狀態類型。commands.ts（約25K行）：管理所有斜槓命令的註冊和執行，使用條件匯入為每個環境載入不同的命令集。main.tsx：基於Commander.js的CLI解析器和React/Ink渲染器初始化。啟動時，它會優先處理MDM設定、鑰匙串預取和GrowthBook初始化，以加快啟動速度。6、值得關注的設計模式平行預取：通過在開始繁重的模組評估之前平行預取MDM設定、鑰匙串讀取和API預連接來最佳化啟動時間。懶載入：大型模組（OpenTelemetry、gRPC、分析和一些功能門控子系統）通過動態方式延遲執行，import()直到實際需要時才執行。智能體群：子Agent通過生成AgentTool，並coordinator/處理多代理編排。TeamCreateTool支援團隊級平行工作。技能系統：可重用工作流程中定義的元件skills/通過該元件執行SkillTool，使用者可以加入自訂技能。外掛架構：內建外掛和第三方外掛均通過plugins/子系統載入。7、主要未發佈特性標誌及功能：KAIROS：自主守護模式。支援後台持續運行、後台會話、自我記憶整合，讓Claude Code成為一個24×7線上的助手，能在無人值守時自主工作和總結。PROACTIVE：主動模式。Claude Code能主動監控項目、提出建議、提前處理任務，增強AI的自主性和前瞻性。VOICE_MODE：語音互動模式。支援通過語音輸入指令，目前部分命令可能已有限支援，但完整整合仍未發佈。DAEMON：背景執行/守護模式。將工具轉為常駐後台處理程序，支援長期任務執行，而無需一直保持終端窗口打開。BRIDGE_MODE：與IDE的深度橋接模式增強版本，可能包括更先進的雙向通訊或認證邏輯。BUDDY系統：一個趣味虛擬寵物系統，包含約18種不同物種，有鴨子、鵝、貓、龍、章魚、貓頭鷹、企鵝、烏龜、蝸牛、幽靈、軸足動物、卡皮拉、仙人掌、機器人、兔子、蘑菇等。有稀有度、閃光變體、即時狀態等玩法，是個隱藏的彩蛋式功能。但要注意，這並不是Anthropic主動開源，Anthropic依然對原始碼擁有版權。開發者們可以看程式碼、學架構，但不可以拿去修改後重新發佈成自己的工具或做成產品。否則，Anthropic有權通過DMCA（版權刪除通知）讓GitHub刪除相關項目，或者追究法律責任。 (智東西)

如果你還在想：AI什麼時候真正改變世界？我要不要現在開始學？這波浪潮會不會過去？那你可能已經慢了一步。在一期訪談中，Google研究院負責人Yossi Matias給出了一個非常明確的判斷：“AI的轉折點已經過去了，只是大多數人沒有意識到。”更關鍵的是——👉 真正的差距，現在才開始拉開。不是公司之間，而是：人與人之間。一、一個人，正在幹掉一個團隊過去你可能聽過一句話：👉 “一個人就是一家公司”但現在，這已經不是口號，而是現實。資料很直接：近幾年 👉 30%左右的新公司是“單人創辦”更誇張的是：👉 這些人做的事情，過去需要10人、100人團隊為什麼？因為AI正在做三件事：替你寫程式碼替你分析資料替你執行任務結果就是：一個人 + AI = 一個團隊二、6個正在重寫工作方式的趨勢（非常關鍵）這場對話中，最有價值的是這6個趨勢。它們不是未來，而是已經發生的現實。1️⃣ AI Agent：從“問答工具”變成“執行系統”大多數人還在用AI聊天。但真正的變化是：👉 AI開始替你“做事”比如：自動分析資料跟蹤社交媒體趨勢每天生成報告管理你的任務流甚至可以跨系統運行：👉 郵件、日曆、CRM、研究全部打通研究顯示：👉 35%的生產力提升，來自這種“上下文感知Agent”這意味著什麼？會用Agent的人，不是更快，而是在做“更高維的工作”。2️⃣ Vibe Coding：不會寫程式碼，也能做產品這是目前最被低估的變化。所謂Vibe Coding，就是：👉 你用自然語言描述，AI幫你寫完整程式碼真實案例：一個不會程式設計的人周二有想法周四做出產品甚至Google正在做“生成式UI”：👉 一句話 → 一個完整應用（介面+邏輯）這意味著：“想法無法實現”這個門檻，已經被抹平了。3️⃣ 技能正在重排：最重要的不是“會什麼”，而是“怎麼想”很多人以為：👉 AI時代要拼技術但Google給出的答案完全不同：他們最看重的，是思考、適應和學習能力尤其是一個能力：👉 判斷力（Judgment）為什麼？因為：AI可以給你100個答案但它不會告訴你那個是對的所以真正拉開差距的，是：👉 你問什麼問題 + 你如何做選擇4️⃣ 環境智能（Ambient Intelligence）：AI正在“消失”有一個非常重要的趨勢：👉 AI會變得“看不見”就像：自動補全翻譯語音識別你已經習慣它們存在，但不會再意識到它們。這就是：“環境智能”——技術最強的時候，是你感覺不到它的存在。但這帶來一個變化：👉 標準被整體抬高現在職場中：精美PPT深度分析高品質報告已經不再是加分項，而是基本要求5️⃣ 教育被重寫：每個人都有“私人導師”AI正在徹底改變學習方式：同一內容 → 不同表達方式同一知識 → 不同難度版本同一主題 → 視訊、圖解、對話等多形式比如：👉 用足球解釋“重力”給孩子聽這意味著：未來的孩子，將擁有“10年的認知優勢”。6️⃣ 不可能的問題，正在被快速解決最震撼的一個案例：👉 洪水預測系統過去被認為“不可能”：資料太複雜變數太多但現在：覆蓋150個國家服務20億人提前7天預警完成時間：👉 不到5年這說明一件事：AI正在把“不可能”變成“常規”。三、一個殘酷現實：差距正在指數級擴大很多人覺得：AI會讓世界更公平。但現實是：👉 差距在加速擴大原因很簡單：會用AI的人 → 效率提升10倍不會用的人 → 原地不動甚至更關鍵的是：👉 真正領先的人，不只是“用AI”，而是“和AI一起工作”資料也在印證：與AI深度協作的人 👉 收入增長更快四、Google在2026年真正招聘什麼人？這個問題非常重要。答案不是：❌ 會某個工具 ❌ 會某種技術而是三類能力：1️⃣ 思考能力你是否能理解問題本質？2️⃣ 適應能力你是否能在工具變化中持續進化？3️⃣ 學習能力你是否能比技術變化更快地更新自己？換句話說：公司不再僱傭“會做事的人”，而是僱傭“會進化的人”。五、如何在這場分化中“站在前面”？（核心建議）最後，把這場訪談壓縮成3個可執行策略：1️⃣ 從“使用AI”升級到“建構AI工作流”不要只問問題。要開始：搭建Agent自動化流程讓AI幫你持續產出2️⃣ 訓練你的“判斷力”每天練習：什麼是好？什麼是有效？什麼值得做？👉 這是AI無法替代的核心能力3️⃣ 保持“高頻試錯”最領先的人，不一定最聰明。但一定是：👉 最愛嘗試新工具的人結語：真正的競爭，不在AI，而在你這場對話最值得反覆思考的一句話是：“趨勢正在發生，不管你是否參與。”AI不會等你準備好。世界也不會。真正的問題只有一個：👉 你是利用AI放大自己，還是被AI甩在後面？最後，留給你一個問題：如果一個人 + AI = 一個團隊那你現在，算不算一個“團隊”？ (顧真emancipate)

能無限進步的「超級智能體」來了！最近，Meta研究團隊的一篇題為HYPERAGENTS（超級智能體）的論文迅速刷屏。這篇論文將LSTM之父Jürgen Schmidhuber二十年前提出的哥德爾機（Gödel Machine）思想，與達爾文開放演算法相結合，提出了能持續自我迭代的達爾文哥德爾機。基於此這一思想，Agent不僅能更好地完成具體任務、持續提高自身表現。更關鍵的是，它可以不斷最佳化“改進自身”的底層邏輯，實現“元學習（Meta-learning）”這，便是論文定義的新一代超級智能體——Hyperagents。論文更進一步提出：未來AI有望通過持續自我迭代，最終突破人類預設的初始演算法邊界，也正因如此，AI安全必須被擺在核心位置。不少網友也感慨道：元學習真正讓人既害怕又興奮的，是元層面的改進能夠跨領域遷移。這不是在某一件事上變得更厲害，而是學會了在一切事情上變得更厲害。目前，這篇論文已被ICLR 2026接收。從哥德爾機到達爾文哥德爾機要理解超級智能體Hyperagents，必須先瞭解它的基石——哥德爾機（Gödel Machine）。哥德爾機是一種假設性的自我完善型AI。它在數學上尋求證明：如果存在某種更好的策略，它會通過遞迴重寫自身程式碼來解決問題。而這一假設，最早由尤爾根·施密德胡伯（Jürgen Schmidhuber）在二十多年前提出。在傳統機器學習中，AI的“學習方法”是人類預設的硬編碼，它只能通過調整內部參數來逼近目標；而哥德爾機則打破了這一限制，它能夠將演算法框架本身視為可編輯的程式碼，通過自主重寫程序來實現學習能力的自我演進。但問題也隨之而來：哥德爾機往往要求AI在自我演進之前，證明該改動具備淨收益。也就是說，改程式碼花掉的算力成本，未來能不能通過更強的性能賺回來？不幸的是，這種計算在現實中的複雜任務中幾乎是無法實現的。針對這一問題，Meta團隊提出達爾文哥德爾機（DGM），它利用開放式演算法（Open-ended algorithms），通過在大模型提議的程式碼改進方案中進行搜尋，獲取能從經驗上提升性能的方案。換句話說，DGM利用基礎模型來提議程式碼改進方案，並利用開放式演算法的最新創新成果，來搜尋並建構一個不斷增長的、多樣化且高品質的AI智能體庫。基於此，DGM能創造出各種自我改進方案，例如：增加補丁驗證（Patch Validation）步驟、最佳化檔案查看功能、增強編輯工具、生成並篩選多個解決方案以選出最優解，以及在進行新更改時，會自動加入歷史嘗試記錄（並分析失敗原因）以供參考。論文的實驗還表明，DGM獲得的算力越多，自我提升效果越好。超級智能體雖然DGM很強，但它存在一個致命限制：它主要在程式設計任務中有效。這是因為DGM依賴一個關鍵假設——評估任務與自我修改任務必須“對齊”。在程式設計領域，這種對齊是天然的：提升了程式設計能力，自然也就提升了修改自身程式碼的能力。也就是說，解決外部程式設計問題的邏輯工具，可以直接轉化為修改其自身底層程式碼的能力。相反，如果是在非程式設計領域（如寫詩），即便提升了寫詩能力，也無法直接轉化為修改程式碼的邏輯水平。在這種缺乏“自指性（Self-referentiality）”的任務中，DGM的遞迴進化鏈條就會斷裂，陷入停滯。基於此，文章提出超級智能體——它們既能修改自己的任務執行行為，也能修改生成未來改進建議的過程。這實現了所謂的元認知自我修改（metacognitive self-modification）：不僅學習如何做得更好，還學習如何更有效地進行改進。進一步，論文將超級智能體實例化為DGM-Hyperagents (DGM-H)。DGM-H是對DGM的擴展，其中任務解決行為和自我改處理程序序都是可編輯且可進化的，其框架如下：自指性架構：它將“任務智能體（Task Agent）”與“元智能體（Meta Agent）”整合為一個單一的、可編輯的程序。元級進化：在Hyperagents中，“改進的方法”本身也是可以被改進的。這使得系統不再要求任務與修改必須對齊，從而實現了跨領域的“元認知自我修改”。打個比方，在Hyperagents中，運動員不僅在訓練，教練也在學習如何更好地執教。由此，運動員的表現和教練的執教水平不斷螺旋上升。此外，DGM-H還改進了生成新智能體的過程（例如引入持久化記憶、性能追蹤等），且這些元級改進具有跨領域遷移和跨運行累積的特性。實驗驗證：從20%到50%的跨越實驗證明，達爾文哥德爾機（Darwin Gödel Machine）能夠通過修改自身程式碼庫實現持續的自我提升。在SWE-bench上，DGM自動將其性能從20.0%提升至50.0%。在Polyglot上，DGM的性能從初始的14.2%躍升至30.7%，遠超由Aider開發的具有代表性的人工設計智能體。這些結果證明了DGM能發現並實施有效的自我改進。而實現這一點的關鍵在於其開放式進化搜尋策略：通過從現有智能體庫中採樣生成新智能體，DGM能夠平行探索多條進化路徑。性能稍遜的“祖先”智能體在發現新方法和功能方面起關鍵作用，避免了早熟收斂。此外，DGM的改進具有廣泛的遷移性：針對Claude 3.5 Sonnet最佳化的智能體，在切換到o3-mini或Claude 3.7 Sonnet時仍能提升性能。在Polyglot基準中，Python任務上的自我改進同樣提升了Rust、C++、Go等不同語言任務的表現。 (量子位)