关于Coinbase成长历程的感悟 2021-04-15

北京时间4月14日晚上,受到高度关注的Coinbase终于上市了。上市后,Coinbase的市值一度曾非常接近1000亿美元。因为牛市还在继续,我相信在本轮牛市Coinbase的市值超过1000亿美元是迟早的事。

关于Coinbase上市对接下来的行情,对几大交易所和去中心化交易所乃至整个DeFi和大盘可能有什么影响,我在前些天的文章中已经和大家分享了自己的一点看法。今天我想和大家聊聊Coinbase在成长过程中给我印象很深的几个细节。

Coinbase的创始人之一阿姆斯特朗最早在2010年就开始接触比特币了。在那个年代,比特币还只是极小众的新兴事物,当今圈内的绝大多数风流人物还只是各自行业中的路人甲乙。

在那个一片荒芜的年代,阿姆斯特朗就敢于用9美元买1000个比特币,并且在它跌到2美元时仍然不离场。从这件事就看出他在心理上至少顶住了常人难以抗拒的两大压力:一是敢于买一个被视为毫无用处的东西,二是没有以纯粹投资的眼光看待比特币在它暴跌时抛售,而极有可能在内心认识到了它的价值,看到了它的未来。

我经常讲投资最重要的就是投人,投什么样的人?就是投这样秉性异常,有着常人不具备的品性,常人不具备的特质的人。

阿姆斯特朗在买入比特币后,并没有就此止步,而是想到办一个比特币交易所,并且以简陋得不能再简陋的11页PPT向硅谷著名的风投YC申请路演、孵化。

看着那毫无生气、苍白简陋的PPT,再想想当年仅有的一个数字货币比特币,我实在很难想象当时坐在YC路演室看阿姆斯特朗演讲的投资者们会怎么看这个项目?

Coinbase在成立后的很长一段时间都在持续亏损,直到2017年才首度盈利。他的创始人把大量的时间和精力都用来花在合规的运作上,想尽办法配合政府、配合监管。

很多人都会问:他为什么不像同期所有其它的交易所那样先拼命挣钱再说,而是花大把时间和资源做这些“无聊”的事?

我认为这是他深思熟虑的结果,也是他对数字货币深入理解的结果。

我相信阿姆斯特朗一定是看到了数字货币匿名、跨境、无许可等特点给监管带来的麻烦,也预料到监管迟早会涉入这个行业,而这个行业要长期运作下去一定需要得到监管的支持和许可。因此他宁愿先打“地基”,把有利于事业长期发展的基石铺垫好,然后再图谋大业。

这种为了长远利益而放弃短期利益的做法在这个圈内非常难得,他要耐得住市场短期的繁花似锦、扛得住竞争对手令人艳羡的回报,拒绝任何诱惑、始终如一地坚持孤独前行。

看到这些,我会情不自禁地把阿姆斯特朗的坚持和我们在熊市定投的坚持作对比。这一比才更看得出他的艰辛和痛苦:在熊市定投好歹能看到头,心里对熊市何时结束、牛市何时开始有个大概的预判,这个定投的苦熬时间至多两、三年。

而coinbase从2012年正式成立算起,到2017年首度盈利,整整5年都是在亏损中熬过来的。一边要忍受亏损、另一边还要花时间、精力去做看不到盈利,看不到头的事。

不是信仰,我真的看不出还有其它什么力量能支撑他们能熬过来。

我们在看到coinbase今天的高光时刻时更应该多看看它曾经的艰辛和执着。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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