archimedesspx的生活指南

SELECT

  RIC,

  ROUND(SAFE_DIVIDE(SUM(Volume*Price),SUM(Volume)),3) AS VWAP,

  COUNT(RIC) AS TradesCount,

  SUM(Volume) AS TotalVolume,

  ROUND(AVG(Volume),0) AS AvgTradeVolume,

  MIN(Price) AS MinPrice,

  MAX(Price) AS MaxPrice,

  ROUND(SAFE_DIVIDE(100*(MAX(Price)-MIN(Price)),AVG(Price)),3) AS DeltaPricePercent,

  ROUND(AVG(Price),3) AS AvgPrice

FROM

  dbd-sdlc-prod.LSE_NORMALISED.LSE_NORMALISED

WHERE

  RIC LIKE “%.L%”

  AND (Date_Time BETWEEN TIMESTAMP(‘2025-09-04 00:00:00.000000’) AND

                         TIMESTAMP(‘2025-09-04 23:59:59.999999’))

  AND Type=”Trade”

  AND Volume >0

  AND Price >0

  AND NOT (Qualifiers LIKE ‘Off Book Trades%’)

  AND NOT (Qualifiers LIKE ‘%Previous Day Trade%’)

  AND NOT (Qualifiers LIKE ‘%CLS%’)

  AND NOT (Qualifiers LIKE ‘U[ACT_FLAG1];U[CONDCODE_1]%’)

  AND NOT (Qualifiers LIKE ’46—A—P—-[MMT_CLASS]’)

  AND NOT (Qualifiers LIKE ’46-1-A—P—-[MMT_CLASS]’)

  AND NOT (Qualifiers LIKE ’47—A—J—-[MMT_CLASS]’)

  AND NOT (Qualifiers LIKE ’47—A—P—-[MMT_CLASS]’)

  AND NOT (Qualifiers LIKE ‘%Auction%’)

GROUP BY

  RIC

ORDER BY

  TotalVolume DESC

总结 就是谷歌花了至少5-10亿美金得到了现在的多模态一体化的效果

阿里花了多少钱，零头 所以阉割了功能成本自然就低了 所以好的效果是用钱砸出来的

目前的ai生意是由广告在补贴，云业务在增长

这是一门不错的生意，不久的将来如果视频可以做实时推理

第一个要干掉的就是赔率行业 nba 足球 使用算法实时计算赔率差

然后下注 这是我想的到第一个需求，中国模型做不出来不是因为做不出来，而是因为不砸钱啊

截至 2025 年 12 月（即当前时间），Google 尚未公开披露 Gemini 3 模型的确切训练成本。

由于 Gemini 3 刚刚于 2025 年 11 月发布，通常这类具体的财务数据会在模型发布较长时间后，通过年度 AI 指数报告（如 Stanford AI Index Report）或详细的技术白皮书才会由第三方估算得出。

不过，根据已知的公开数据和行业趋势，我们可以通过对比其前代模型和竞品来进行合理的推测：

1. 核心参考数据：Gemini 1.0 Ultra 的成本

目前最确切的公开数据来自对 Gemini 1.0 Ultra（2023/2024年发布）的估算：

• 训练成本： 约 1.91 亿美元 (约合 13.8 亿人民币)。
• 对比： 这一数字是当时 GPT-4 训练成本（约 7800 万美元）的两倍以上。

2. Gemini 3 训练成本推测

行业普遍认为，Gemini 3 的训练成本极有可能远超 1.91 亿美元，甚至可能达到 数亿美元（5亿-10亿美元量级）。理由如下：

• “Deep Think” 推理能力： Gemini 3 引入了类似 OpenAI o1/o3 的深度思考（Deep Think）模式，这种强化学习（RL）训练过程极其消耗算力。
• 原生多模态架构： Gemini 3 在图像、视频、音频和代码的原生理解上进行了大幅升级，需要处理的数据量级和维度远超前代。
• 基础设施投入： 虽然 Google 使用自研的 TPU（张量处理单元）能比购买 NVIDIA GPU 节省大量成本，但 Gemini 3 的训练规模（模型参数量和数据量）通常是指数级增长的。

3. 使用成本（侧面印证高昂的训练投入）

虽然训练成本未知，但 Gemini 3 的使用定价也反映了其背后的高昂投入：

• 订阅价格： 包含 Gemini 3 Deep Think 功能的 Google AI Ultra 订阅价格高达 $249.99/月（约 1800 人民币/月），远高于普通版的 $20/月。
• API 价格： Gemini 3 Pro 的 API 价格约为 $2 / 百万输入 token 和 $12 / 百万输出 token（针对 200k 以下上下文），这在 2025 年的市场中属于高端旗舰模型的定价。

总结

• 确切数字： 未公开（截至 2025 年 12 月）。
• 基准参考： 前代 Gemini 1 Ultra 耗资约 1.91 亿美元。
• 合理估算： Gemini 3 的训练成本很可能在 数亿美元 级别。

Google 现在的策略不是“立即盈利”，而是“防御性进攻”。

• 短期看： 亏损。他们在用利润丰厚的搜索业务输血，不惜一切代价构建护城河，防止 OpenAI 和 Microsoft 颠覆其统治地位。
• 长期看： 一旦硬件成本（通过自研 TPU）下降，且推理模型（如 Gemini Flash）变得足够便宜，当 AI 彻底取代传统搜索入口时，才是真正收割利润的时刻。
• 所以明年广告就得给大家看起来 2026 广告ai 元年
• Google TPU v6 (Trillium) 的杀手锏
• 截至 2025 年底，Trillium 是 Google 对抗 NVIDIA Blackwell 的主力：
• 能效比 (Performance/Watt)： 相比前代 TPU v5e，Trillium 的能效提升了 67%。在电力供应紧张的今天，省电就是省钱（电费占数据中心运营成本的大头）。
• 大内存带宽 (HBM)： Trillium 增加了一倍的 HBM 容量和带宽。这意味着它可以加载更大的模型参数，减少芯片之间的数据搬运次数——数据搬运是 AI 训练中最耗时、最耗电的环节。
• 稀疏计算 (SparseCore)： Google 拥有独家的 SparseCore 技术，专门处理推荐系统（Ads, Search, YouTube）所需的稀疏数据。这让 TPU 在处理 Google 赚钱的核心业务（广告推荐）时，效率吊打 GPU。
• 4. 为什么还没“赢”？（TPU 的局限性）
• 既然 TPU 这么省钱，为什么 Google 还没在竞争中彻底碾压？
• 生态壁垒 (CUDA)： 全世界的 AI 开发者都在用 NVIDIA 的 CUDA 编程。将代码迁移到 Google 的 JAX/TPU 环境需要极高的技术门槛。这导致外部开发者很难用 TPU，TPU 只能供 Google 内部使用（Internal Use Only）。
• 灵活性： 当新的 AI 架构（非 Transformer）出现时，NVIDIA GPU 因为通用性强，可以立刻适应；而 ASIC 芯片（TPU）可能需要重新设计硬件周期（需要 1-2 年）。
• 5. 财务视角的终局推演
• 短期： Google 必须同时购买大量 NVIDIA GPU（为了提供 Google Cloud 服务给外部客户，因为客户想要 GPU），同时大规模部署 TPU v6（给自己的 Gemini 和 Search 使用）。
• 长期： 随着 Gemini 3 的规模越来越大，推理成本越来越高，TPU 的成本优势将成为 Google 盈利的关键分水岭。
• 一句话总结： OpenAI 每赚 1 块钱，可能要分给 NVIDIA 0.4 元；而 Google 赚的 1 块钱，由于 TPU 的存在，绝大部分都能留在自己口袋里。这就是 Google 敢于把 Gemini 免费给 4.5 亿用户用的底气

我只用ibkr 最多加个gcp

Polymarket 的交易模式相当于是「中心化撮合 + 链上结算」的混合形态：撮合在官方 CLOB 上完成，资金与头寸依旧托管在
Polygon 上的智能合约里。相比传统股票/期货交易，会多出几层复杂度：

• 钱包 & 资产管理：你得自己掌控 Polygon USDC、授权合约、导出私钥/API Key，流程类似非托管交易所；传统券商则帮你处
  理所有权限和资金划转。
• 签名/鉴权：每笔订单需要对应的签名或 API Key 派生，而且有不同 signature_type（EOA、Magic、proxy wallet）。传统交
  易通常只登录即可，不涉及链上签名。
• Settlement 延迟与费用：虽然 Polymarket 把订单撮合做得接近实时，但最终结算还是走链上，可能受区块确认、Gas 波动影
  响；传统市场的结算在清算所内部完成，摩擦小得多。
• 市场结构：Polymarket 的标的多为事件合约，价格区间 0–1 美元，且可能有 negRisk、流动性池奖励等机制，需要理解其概
  率语义和特殊限制。 不过，Polymarket 已经把大部分 Web3 的繁琐步骤封装在客户端里——只要 API Key 与私钥就能用 REST API 下单；真正的难点
  
• Polymarket 的合约代表某个事件“发生/不发生”的概率，每一份 YES/NO 份额到期都会按 1 美元或者 0 美元结算。因此，在交
• 易中份额价格天然落在 0–1 美元之间：价格 0.65 就意味着市场认可该事件有 65% 的概率发生，到期后若事件成真，YES 份额
• 价值 1 美元，反之价值 0；NO 份额则相反。也因为价格区间固定，最大亏损/收益都容易计算：买在 0.65，最坏亏 0.65 美元/
• 份，最好赚 (1‑0.65)=0.35 美元/份。
• 是的，Polymarket 属于信息市场，你的长期收益来自“自己的概率判断比市场平均更准”。如果你只是随市场价格买卖，预期收益
• 接近 0（扣掉手续费甚至为负）。想盈利就得：
• 找到市场忽略或低估的信息源，把真实概率与市场概率的差异转化为交易。
• 或者做流动性提供、做市、套利，对冲不同市场之间的价格偏差。 简单说，就是要在概率判断或市场机制上“击败”其他参与者，否则久而久之难以跑赢市场水准。
• 所以需要建立自己的概率模型 击败公开市场的模型 就是获利之道了 也就是需要比市场更准确否则就是50 50 – 手续费 亏损
  Exactly：Polymarket 的核心在于“概率交易”。如果你没有比市场更好的概率估计，长期期望就是零，扣掉手续费等于亏损。获
  利路径通常是：
  构建自己的概率模型（或信息体系），让事件发生的真实概率评估更准确、更快。模型胜率越高、越稳定，超额收益就越大。
  把模型输出与实时市场价比较，只有当价差超过成本（手续费、滑点、资金占用）时才下注。
  持续迭代：验证预测误差、更新特征和数据源，否则竞争者会慢慢抹平你的优势。
  如果只能做到“感觉差不多”，那基本就是 50/50，还要付手续费，自然会亏。所以关键确实在于建立并维护一个比公开市场平均
  更精准的概率模型。
• 不同点
• 标的性质：Polymarket 的合约只在 0–1 美元间波动，本质是“事件概率”赌注；股票价格没有固定区间，受企业价值、供需等
  长期因素驱动，可无限上涨或归零。
• 结算机制：事件结束后直接兑付 0 或 1 美元，仓位瞬间结算；股票则根据市场持续波动，只有卖出/分红才 realized。
• 驱动因素：CLOB 价格由事件概率、舆情、模型直接决定；股票价格兼具业绩、资金流、宏观经济等多重因素，反馈周期更长。
• 资金效率：Polymarket 资金通常锁到事件结束，无法提前赎回头寸（除非卖出）；股票可随时交易，流动性普遍更好。 相同点
• 都是要“击败市场”的博弈：无论预测事件概率还是股票未来走势，收益都来自你比平均参与者更准的判断。
• 都需要风险/仓位管理：控制单次下注比例、分散标的、评估盈亏比。
• ▌ 也就是说 概率市场更残酷超额收益 更难
  概率市场把所有收益完全系在“概率判断 vs 市场定价”上，没有故事和情绪空间，确实显得更残酷：只要你的模型稍逊一筹，长
  期就被手续费和偏差吃掉。没有“公司增长支撑、长期持有”的缓冲地带，也没有轻易翻倍的价格空间，超额收益必须依赖持续精
  准的概率优势或稳定的做市/套利系统。换句话说，公开市场的效率越高，想拿超额收益就越难，但这也正是信息市场的魅力所
  在：纯粹拼洞察力和执行力。
• 相对大多数加密货币（有情绪驱动、叙事行情、牛熊周期），Polymarket 这类纯概率市场的确更“硬核”——不靠讲故事、不靠宏观
• 资金潮，盈亏只取决于你对事件概率的判断能否长期优于市场。行情没法靠炒作推高，只能在 0–1 区间博弈；只要判断不准，手
• 续费和偏差就立刻兑现为亏损。因此对策略、数据和执行的要求更严，容错空间更小，也就显得更残酷。
• 假设模型胜率为60% 交易冷门足球 篮球与天气市场 平均赔率1.85 单次下注2% 算一下 200🖊交易以后的情况
  
  假设始终用资金的 2% 下注，赔率 1.85（赢了净赚 0.85 倍本金），胜率 60%，那么每次下注的期望收益率是 0.02 ×
  (0.6×0.85 – 0.4) ≈ 0.22%。
  将这 0.22% 视为复利增长，200 次交易后的期望资金倍数约 exp(200 × ln(1.0022)) ≈ 1.55，也就是理论上增值 55% 左右。
  用 Kelly/对数期望算，单次对数收益约 0.203%，200 次累积对数增长 0.4066，对应资金倍数 e^0.4066 ≈ 1.50，结果与上面
  接近。
  注意这是“期望值”，实际结果会因为方差显著波动；若连输几次，资金也会回撤。胜率、赔率、下注比例任何一项变差，收益
  就可能归零甚至转负。
• 如果一开场就连输 20 单，资金会先乘上 (1-0.02)^{20} ≈ 0.98^{20} ≈ 0.67，也就是本金只剩约 67%。在这个基准上再按前面
• 的期望值（每笔复利 +0.22%）跑完剩余 180 笔，增长系数是 1.0022^{180} ≈ 1.49。两者相乘约 0.67 × 1.49 ≈ 0.99，也就是
• 说最终资金基本回到原点，没赚到钱。如果后续实际表现低于期望，或者连败更长、单注比例更大，就会直接亏损。连败对复利
• 打击很大，所以要么降低初始下注比例，要么提前设定止损/再入策略，避免开局的极端回撤拖累整段周期。

若始终按总资金 2% 下注且随资金调整（复利），平均每笔收益率 31/5000=0.0062。200 笔的复利因子是 1.0062^200 ≈ 3.4–
3.5 倍（不是 ~5 倍）。

• 如果下注额固定 100 美元不变，200 笔期望净赚 31×200=6,200 美元，从 5,000 到约 11,200，约 2.2 倍。
• 方差/标准差：单笔方差 ≈ 4,374，单笔标准差 ≈ 66；200 笔标准差 ≈ 66×√200 ≈ 930（以 100 美元为单位），折算到 5,000
  本金约 18–19% 波动区间。
• 这是一个难度极高的市场，社交媒体低估来其真实的难度

如果想赢有没有办法，有小众市场建立ev 大众市场太高效

对应股市m7非常高效，然而m7之外的商品

他的效率相对比 例如最近金银两兄弟

kalshi

在电视剧《灿烂的风和海》中，孙阳饰演的徐君乐与陈昊宇饰演的麦又歌的结局是圆满且充满治愈色彩的（在一起了/收获了爱情）。

虽然该剧篇幅较短（通常被视为澳门旅游宣传性质的精品微短剧或迷你剧），但两人的故事线非常清晰，具体结局情节如下：

1. 关系走向： 两人从最初的性格差异巨大（麦又歌是焦虑紧绷的“打工人”，徐君乐是松弛自由的“澳门本地青年”），发展为互相吸引和救赎。结局中，他们跨越了生活方式的隔阂，确定了心意，走到了一起。
2. 核心剧情：
   • 麦又歌（陈昊宇 饰）：原本是一个为了工作几乎透支生活、紧绷焦虑的广告公司客户经理。来到澳门后，在徐君乐的影响下，她学会了慢下来，找到了生活的另一种可能性。
   • 徐君乐（孙阳 饰）：作为澳门本地人，他热情、自由、随性。他成为了麦又歌的“镜子”和向导，带她领略了澳门的烟火气，同时也通过麦又歌看到了更广阔的世界。
3. 最终结局： 剧集的最后，麦又歌不仅在职场和生活中找到了自我平衡（“治愈自我”），更收获了与徐君乐的爱情（“收获爱与勇气”）。两人成为了彼此生活中的重要伴侣，共同面对未来的生活。

总结： 他们的结局是典型的“双向奔赴”和“互相治愈”，属于Happy Ending（HE）。

close

ptx_source = “””
.version 6.5
.target sm_70
.address_size 64

.visible .entry calc_force_step(
.param .u64 pos_addr,
.param .u64 vel_addr,
.param .u64 force_addr,
.param .u32 N,
.param .f32 dt
) {
.reg .b64 %rd<10>;
.reg .b32 %r<10>;
.reg .b32 %idx, %n_val;
.reg .f32 %pos, %vel, %force;
.reg .f32 %vel_new, %pos_new, %delta_t;
.reg .pred %p1;

mov.u32 %r1, %ctaid.x;
mov.u32 %r2, %ntid.x;
mul.lo.u32 %r3, %r1, %r2;
mov.u32 %r4, %tid.x;
add.u32 %idx, %r3, %r4;

ld.param.u32 %n_val, [N];
setp.ge.u32 %p1, %idx, %n_val;
@%p1 exit;

cvt.u64.u32 %rd1, %idx;
mul.wide.u32 %rd2, %idx, 4;

ld.param.u64 %rd3, [pos_addr];
add.u64 %rd4, %rd3, %rd2;
ld.global.f32 %pos, [%rd4];

mul.f32 %force, %pos, -10.0;

ld.param.u64 %rd5, [force_addr];
add.u64 %rd6, %rd5, %rd2;
st.global.f32 [%rd6], %force;

ld.param.u64 %rd7, [vel_addr];
add.u64 %rd8, %rd7, %rd2;
ld.global.f32 %vel, [%rd8];

ld.param.f32 %delta_t, [dt];

fma.rn.f32 %vel_new, %force, %delta_t, %vel; 
fma.rn.f32 %pos_new, %vel_new, %delta_t, %pos;

st.global.f32 [%rd8], %vel_new;
st.global.f32 [%rd4], %pos_new;

}
“””