来自波哥大的见闻与思考

97 篇文章 3 订阅
29 篇文章 2 订阅

参加波哥大的ETH DevCon,是出国后的一大惊喜。大会讨论了很多干货,既具备现实的迫切性又具备对未来的引导性。内容如下:

Merge、二层网络和隐私(尤其是ZK)、全球监管、Public Goods是这次Devcon中被重点提及的话题。技术不是我的专业领域,也就没有发言权了。重点谈谈我关注的全球监管,并顺带提一下Merge和Public Goods。
虽然转PoS在以太坊社区颇有安全上的争议,但就DevCon来看,此举符合目前白左环保主义的意识形态,切合现在俄乌战争下欧洲能源危机的迫切现实。从POW转向POS后,以太坊生态的碳排放量减少了99.988%,电量消耗减少了99.992%,在这次DevCon中被认为是一项了不起的成绩。
在Merge发生之时,以太坊(其实是整个公链世界)面临的外部监管压力正在变大。在俄乌战争的冲击下,整个欧洲的经济形势变得十分严峻。资本外逃、俄罗斯通过加密货币逃避制裁、洗钱等问题无法忽视。欧洲对加密货币的监管将会逐渐收紧,DeFi和NFT都将被纳入监管范围。

至2024年,欧盟将仅允许中心化稳定币(如USDT、USDC)欧洲使用,且非欧洲主导发行的稳定币每天在欧洲的交易量不能超过2亿欧元。类似于DAI这种抵押类的稳定币,由于难以满足欧洲对稳定币发行方在交易报告和资产存储的要求,将不再合规。对于稳定币市场来说,这无疑会产生巨大的影响。

欧盟将对加密货币的发行、交易进行更加严格的监管,例如要求出示每一笔交易记录等。只有发行量较小的NFT可以被视为艺术品,不在目前的加密货币监管框架内。

现在,欧洲的Web3从业者提出了一个疑问,我相信也是很多中国的Web3从业者的疑问:“当行业面临着如此之严的监管时,「真正的去中心化」究竟意味着什么?“这是一个值得深思的问题,它不仅仅只是华人面临的问题,It’s for everyone in Web3.

欧洲已经展现了它的姿态,希望会在美国吗?答案不容乐观。目前,美国政府内部对加密货币政策的争议巨大,且天平正在朝强监管的方向倾斜。在未来三个月内,美国可能会(注意,是可能会)通过《数字商品消费者保护法案》。这部法案可能会让大部分DeFi应用在美国不合法。

监管压力下,以太坊生态上(其他公链也一样)的DeFi项目和NFT项目在接下来日子里将不太好过。一个悲观却又现实的预计是:未来两年,欧美监管给以太坊生态带来的影响将超过生态创新。(我相信华人Web3创业者应该能理解这件事意味着什么。)

美国制定的Crypto监管政策会成为后面很多国家的参考。由于目前美国的政策仍未落定,资助智囊团向政策制定者阐述加密创新的重要性、直接游说国会议员和相关立法人员等成为了当前被考虑的实践路径。在Devcon大会上,已经有这样的公开呼吁。

除了游说和撒钱外,Public Goods也成为了让监管向Crypto倾斜的重要选项。像ReFi、DeSci、Public Goods Funding等非金融非商业盈利属性的用例,会增加政策制定者对Crypto的好感。这次大会对Public Goods的呼吁也是全方位的。我想这不仅有意识形态和价值观的部分,更有其现实意义。

大会也较多涉及了关于DAO的讨论,关注度远大于华人投资者关注的GameFi和NFT项目。这可能也是值得目前的华人投资者思考的。从监管的角度来看,DeFi、GameFi、NFT的观感比较负面,明确要被纳入监管。尚未落地、监管不明的DAO和Public Goods则可能成为以太坊生态接下来探索的重要部分。
能够在大会感受到以太坊生态之繁荣,但当前面临的局势也比较复杂。监管压力下会分化出两种群体:走合规路线的Web3创业团队(听上去怎么这么熟悉?),以及更原教旨的Web3从业人员。对后面那部分人来说,隐私、向更弱势的国家发展(例如南美、东南亚和非洲),正在成为一种可选项。
最后纯粹表达个人的观点和感受。我知道目前华人Web3从业者大多处在一种较为艰难的境地。出于某些原因,我们在全球流散。任何一个新兴科技领域的创业者和从业者都不曾经历过我们正在经历的事情。但我对此并不悲观,也不认为华人在Web3领域看不到希望。

要知道,由于Web3自身的特性和主张,它与民族国家之间始终存在冲突的张力。我们所经历的事情,或早或晚也会以某种形式在其他大国的Web3创业者身上上演。我们只是站在意识形态冲突最激烈的地方,预先解锁了这部分剧情。接下来,我们的美国朋友和欧洲朋友,也会感受到他们的政府给予他们的“温暖”了。

由于监管尚未落地,对加密行业最沉重的打击并没有到来,这个熊市当然也就没有见底。这可能是一个非常艰难且漫长的熊市。在之前的熊市中,加密货币像是一个玩具,因此也就不曾被各国政府全面严肃地对待过。现在不同了,这场战争正在降临,我们需要为此做好准备——尤其是心理和思想上的准备。

Web3革命不是一蹴而就的,有高潮自然也会有低谷。当我们要往一个更难的地方走去之时,以Owocki的一条推特收束掉这条Thread再好不过。那就是:“Why are we here? What is the purpose of Web3?”

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值