AI 重写资产管理：从策略引擎到系统架构的范式转移
会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 凌子昂（龙野）· Minara.ai & NFTGo 联合创始人 | 时间: 2026-04-25 上午 · AI + 金融分会场
一句话总结
当 AI 真正能”自动帮用户赚钱”，资产管理的范式将从 B 端机构自营、追求高 Sharpe 的旧逻辑，转移到 C 端千人千面、用”感觉能赚钱”驱动复购的新逻辑——而 Minara 用 NFTGo 数据 + DMind 模型 + 8 层系统架构构建了这套金融 Agent 的可执行闭环，Autopilot 上线 90 天已沉淀 5K+ 交易用户、$1.5B+ 交易量、58.7% AI 胜率。
速览
- 核心命题——你是否相信有一天人类会将自己的身家交给 AI；Autopilot 90 天的数据正在回答这个问题。
- 8 层金融交互架构——L1 Delivery / L2 Governance / L3 Domain Logic / L4 Context / L5 DMind / L6 Agent / L7 Skill / L8 Service，对应人体器官隐喻（嘴耳/本能/前额叶/海马体/大脑皮层/中枢神经/四肢/感官神经）。
- CFO 五层产品矩阵——Chat（金融顾问）→ Workflow（金融助理）→ Strategy Studio（交易员）→ Copilot（Broker/理财经理）→ Autopilot（基金经理），覆盖学习路径与赚钱路径。
- 三个核心判断——B2B 不再是金融主商业模式；以构建策略为核心的量化基金将消失；散户的核心需求不是赚钱本身，而是参与感、预期感、情绪记忆。
- 金融世界还停留在搜索时代——Tiger/Robinhood 是交易工具、Bloomberg 是 B2B 信息终端、量化基金普通人无法触及——Minara 类比 TikTok，把推送和定制化带给金融。
- DMind 三模型架构——CLOUD 21B（DMind-3 复杂市场分析）/ LOCAL 4B（DMind-3 Mini DeFi 合约交互 93.7%）/ EDGE 270M（DMind-3 Nano 意图识别 98.8%），登顶 HuggingFace 加密金融数据集 #1，DMind Benchmark 80.3 超越 GPT-5.1 78.1。
- B 端 vs C 端商业模式倒置——同样年化 +52% 的策略，Hedge Fund 版（GP 抽 25%）用户拒绝，AI Agent 版（一点交易手续费）所有人愿意——成本混淆 + 消费者错觉成立。
- Autopilot 90 天战绩——5K+ 交易用户，$1.5B+ 交易量，58.7% AI 胜率，验证 AI 自动赚钱可信度。
- 风控前置 + 伴随 + 复盘——AI 金融系统的第一性原则，三阶段风控机制对应 PRE / LIVE / POST。
- 全球化战略——主动屏蔽中国大陆 IP——把”可以对外讲故事”作为合规起点；日本是 AI 第三极用户基本盘；韩国主动慢一步、CIS 走 Copilot 蓝海。
核心内容
故事开篇——一个根本性追问
“你是否相信有一天，人类会将自己的身家交给 AI” ——这一句串起整场分享。讲者在结尾用 Autopilot 90 天的数据和 +58.7% 胜率回应了这个追问。
创始人与团队背景
凌子昂（龙野）个人轨迹
- 2014 进入浙大，大一开始创业
- 2015 涉足区块链；赴斯坦福交流，加入 Stanford Blockchain Club，研究零知识证明。国内最早涉足比特币定价研究人士之一
- 2016 买入比特币，放弃继续移动互联网创业，自此深耕区块链与数字货币
- 2018 联合发起浙大区块链协会
- 2019 受邀任浙江大学客座讲师，主讲金融科技、区块链技术与数字货币；著《解锁新密码——从区块链到数字货币》
- 2021 加入 Bizantine Capital 负责第二期基金，3 年总收益率超 +180%。同年联合创立链坊科技，核心产品 NFTGo 用户覆盖 180+ 国家
- 2025 创立 Minara.ai，让全世界 30 亿人无差别使用 AI 进行交易；联合发起浙大 AI 联盟
求是 AI 联盟（ZAI）2025 大事记
- 1228 校友加入
- 50+ 主题活动
- 1000+ 参与人次
- 6 区域分部
- 活动矩阵：21 期·求是 AI 圆桌、5 期·AI Live、20+ 次·AI 小聚
- 2025 下半年除杭州总部外陆续组建上海、北京、大湾区、美国硅谷等区域分部
- 涉及 AI 硬件、AI4S、AI 教育、AI 全球化、AI 医疗、AI Agent、Vibe Coding 等主题
核心团队
- Lowes Yang —— 联合创始人兼 CEO；浙江大学计算机科学学士&硕士；连续创业者，10 年全栈开发和区块链技术经验；早期以太坊贡献者；浙大区块链协会创始主席；趣链科技早期核心成员
- Tony Ling（凌子昂/龙野） —— 联合创始人&COO；浙江大学金融学学士；著《解锁新密码——从区块链到数字货币》；浙大 AI 联盟联合发起人；Stanford Blockchain Club @2016；10 年区块链技术学术、加密行业从业经验
- Garry Zhao —— CTO；AI SAAS 产品连续创业者；上海交通大学计算机科学学士；9 年 AI 与区块链领域工程经验；持有 10 余项 AI 系统与区块链专利
顾问 & 大使
- Prof. Feida Zhu（新加坡籍）——SMU 计算与信息系统学院终身讲席教授；Web3 中心首任总监；20+ 年 AI 领域学术研究和实践经验
- Jonah Khu（台湾籍）——资深国际记者、纽约电视节获奖制片公司创办人；5+ 年国际媒体工作经验、天下杂志专栏作者
- Shin JaeWon（韩国籍）——Klein Labs 合伙人；亚洲经济开发委员会高级总监；8 年加密行业从业经验
第一部分：什么是 Minara
产品定位 Minara 是一个 AI 驱动的金融 Agent，将信息检索、市场分析与交易执行整合为一个完整闭环。用户可以通过自然语言完成从理解市场到执行策略的全过程。
- 信息检索 — Research
- 市场分析 — Analysis
- 交易执行 — Execution
收入曲线（2025/10 → 2026/02）
| 月份 | Subscription | Trading |
|---|---|---|
| 2025/10 | 9000 | — |
| 2025/11 | 16000 | — |
| 2025/12 | 27000 | 7000 |
| 2026/1 | 58000 | 29000 |
| 2026/2 | 110000 | 240000 |
四个月 Trading 收入从 7K 跃升至 240K（增长约 34 倍），Subscription 同步从 9K 翻到 110K。
第二部分：构建 Minara 系统——三块基石
| 时间 | 模块 | 关键能力 |
|---|---|---|
| 2021–2025 | NFTGo（数据基石） | 全球最早、最大 NFT 数据平台；$4M+ 2025 全年收入；2000+ 合作机构 / 5000+ 覆盖项目；130 国 / 近千万用户规模；为 AI 训练沉淀 crypto 原生数据 |
| 2025.02 | DMind.ai（智能引擎） | 首个开源 Web3 垂直 LLM；HuggingFace 榜首（DMind-1 力压 Nvidia 等）；16,000+ 下载，活跃度超社区 99.6%；SMU 等高校合作（金融反欺诈 / 风险预警）；让 AI 真正读懂 Web3 世界 |
| 2025.05 | Minara.ai（AI 金融 Agent） | 自然语言驱动的 ① 信息检索（理解市场）② 市场分析（形成策略）③ 交易执行（落地动作）；定位”你的虚拟 CFO” |
第三部分：Minara 重新定义金融交互的 8 个层次
PPT 用人体神经/器官隐喻把 8 层架构映射出来：
| 层 | 名称 | 隐喻 | 内容 |
|---|---|---|---|
| L1 | 交互层 · Delivery | 嘴与耳 | chat / 点击 / 语音 / API 发起请求 |
| L2 | 安全层 · Governance | 本能反应 | 权限校验 · 敏感操作拦截 |
| L3 | 应用层 · Domain Logic | 前额叶 | 自然语言 → 业务语义 · 意图路由 |
| L4 | 记忆层 · Context | 海马体 | 上下文 · 记忆 · 账户 · RAG 知识 |
| L5 | 模型层 · DMind | 大脑皮层 | 推理 · 生成 · 工具规划 · 决策 |
| L6 | 编排层 · Agent | 中枢神经 | think → act → observe → replan |
| L7 | 调用层 · Skill | 四肢 | 查行情 · 调 API · 执行交易 |
| L8 | 数据层 · Service | 感官神经 | 行情 · 数据库 · 策略引擎 · 外部服务 |
数据流：L8 → L1 → L2 → L3 → L4 → L5 → L6 → L7 → 回到 L8，形成闭环。L5 DMind 在结构图中以深色突出显示，是整个架构的”决策大脑”。
第四部分：Minara 功能矩阵——CFO = 5 层产品
CFO 由 5 个产品层组成：
| 产品层 | 角色对应 | 用户路径 |
|---|---|---|
| Chat | 金融咨询顾问 | 学习路径起点（想开始学习） |
| Workflow | 金融助理 | — |
| Strategy Studio | 交易员 | — |
| Copilot | Broker · 理财经理 | — |
| Autopilot | 基金经理 | 赚钱路径终点（想直接赚钱） |
学习路径从 Chat 向下走（顾问→助理→交易员→经理），赚钱路径从 Autopilot 反向回看——用户可以从任意一层进入。
Workflow 案例：用户问”分析一下当前市场趋势”→ Minara 回复”我来为您收集当前市场数据，进行全面的市场趋势分析”→ 工作完成 4s（6 来源）→ 工作完成 2s（15 来源）→ 给出 BTC 中期修复反弹结论 + 山寨币市场承压判断 + 可视化技术图（BTC 走过了一条清晰的 V 型反弹通道：3 月底点 $65,532、当前价 $77,484/较低点反弹 +18.2%、近期高点 $79,720、关键支撑 $74,500-$75,600、上方阻力 $78,267）；用户继续”创建一个 Workflow，当 ETH 跌到 $2200 以下且交易量激增的时候帮我每天定投 $100，当 ETH 涨到 $2600 的时候帮我止盈”→ Minara 1s 创建”v1 ETH DCA + 止盈策略”工作流（含 ETH 价格触发器、查询 ETH 24h 交易量、是否最低价反弹 15%、买入 $100 ETH、构建定投活动配置、Telegram 通知-定投启动；以及涨到 $2600 后的全部卖出 ETH、Telegram 通知-止盈结算分支）。
Strategy Studio 案例：投资版 Cursor
- 流程：自然语言输入策略想法/选择模版 → 选择合适的参数 → 自动生成信号 + 回测 → 自然语言优化策略
- 案例 1：开启智能量化交易（趋势反转、AIH 分仓低吸阶段加仓 BTC、SOL 布林带通带做空策略）
- 案例 2：“Trend Alpha”策略创建于 BTCUSDT 4h 的量化策略，并填入关键参数（杠杆倍数 Leverage、持仓 1x、跟仓 1x、跟单 5x、跟随 10x）
- 案例 3：策略体现典型的趋势型反弹（总回报 800.34% / BTC 同期收益 +92.24%、最大回撤 -37.54%、胜率 40.54%、盈亏比 2.07、夏普比 1.44、74 笔交易）；下一步建议 ① 优化追踪止损 - 减少上涨段扫到浮盈来回问题 ② 启动自动优化 - 系统推参数找夏普最高回测
- 案例 4：用户上传 TradingView PineScript 代码 → AI 给出渐进式改良建议（ADX 30 改 25 → Sharpe -1.74 小幅改善；更换止损 2 ATR 改 5 ATR → Sharpe -1.35 继续提升；EMA 9/21 → Sharpe +0.54 转正；EMA200 趋势过滤器 - 失败；移除回测开头 - 失败）+ 诚实评估（策略转为微利，Sharpe 0.54 尚可但 PF 仅 1.01，盈利能力弱；样本本身有限；仍严重跑输 Buy & Hold +52%；50% 最大回撤偏高、10x 杠杆放大）
Strategy Studio 对标 TradingView 的结构性差异
| 能力维度 | TradingView | MINARA（链上） |
|---|---|---|
| 策略开发 | Pine Script | AI 生成 + 优化 |
| 策略回测 | 浅层 · 受 bar 数限制 | 深度回测 |
| 执行层 · Execution | 仅限传统券商 | Perp DEX 原生聚合 |
| 资金托管 · Vault | 无 | 链上非托管 vault |
| 自动跟单 · Copy Trading | 无 | 资金级跟随 |
| 收益分润 · Carry | 无 | 智能合约自动结算 |
| Crypto Perp 支持 | 几乎为零 | 原生支持 |
| 链上透明 PnL | × | 可验证 |
| KYC 要求 | 需要 | 非托管无需 |
TradingView 做不了的三大结构性缺口（GAP）：
- 执行层 GAP：现状仅支持 IB / OANDA（SaaS + 合规限制）→ Minara 解法：DEX 聚合执行
- 资管层 GAP：现状无资金托管（非金融牌照机构）→ Minara 解法：Vault 智能合约
- 分润层 GAP：现状无 Carry 机制（缺乏信任中介层）→ Minara 解法：链上自动结算
第五部分：Autopilot——全自动一键 “AI 托管”
产品定位 Autopilot 是一款全自动 AI 交易代理，全天候 24/7 为你代劳。它能持续优化策略与风险，而你始终掌握资金的绝对控制权。无需你盯盘，无需你费心分析，更无需编写代码。只要一键开启，Minara 就会成为你的”基金经理”，执行、管理并实现”睡后收益”。
演示界面元素：
- Perps +180% Sparks · Benchmark
- AI Copilot / Autopilot 标签
- ETH-USD 1h K 线图，Mark $1,069.4、Oracle $1,070.5、24h Change -$52.69 / -2.67%、24h Volume $867.83M
- Trading Scope：BTC $66,909、ETH $1,969.2
- Risk Control：Max Drawdown Allowance 50%、Maximum drawdown must not exceed 50% of the initial capital
- 可选策略：Sharpe Guard（15-min trend-tracking）、Super Trend Monitor（Drawdown-controlled, trend-aligned execution）、Futures Grid（Classic futures grid trading for range-bound market）
- 弹窗：“Autopilot is taking over… If you’d like to manage manually, please exit Autopilot mode first”
Autopilot 90 天战绩
| 指标 | 数据 |
|---|---|
| 交易用户数 | 5K+ |
| 用户交易量 | $1.5B+ |
| AI 胜率 | 58.7% |
讲者用这组数据回应开场的”你是否相信 AI 有能力自动帮用户赚钱”——给出的是”已经在赚”的答案。
第六部分：DMind 模型层——三模型协同
EDGE - LOCAL - CLOUD 三模型架构
| 模型 | 部署位置 | 参数规模 | 核心能力 | 关键指标 |
|---|---|---|---|---|
| DMind-3 Nano（EDGE） | 浏览器 · 边缘端 | 270M | 意图识别 | 准确率 98.8% |
| DMind-3 Mini（LOCAL） | 本地笔记本 | 4B | DeFi 合约交互分析 | 成功率 93.7% |
| DMind-3（CLOUD） | 云端（匿名化） | 21B | 复杂市场分析 · 深度推理 | 见下表 |
讲者把 DMind 比作”AlphaGo 之于围棋”——不解释过程，只给出最优决策。
Benchmark 表现 · 开源 SOTA，超越闭源 GPT-5.1
| 评测维度 | DMIND-3 (21B) | GPT-5.1 | 结果 |
|---|---|---|---|
| DMind Benchmark | 80.3 | 78.1 | 超越 |
| FinanceQA | 70.3 | 68.4 | 超越 |
| AIME 2025（数学推理） | 93.3 | 94.0 | 仅差 0.7 |
DMind-3 在加密金融与通用金融推理双维度上超越 GPT-5.1，通用数学推理亦紧追闭源 SOTA。HuggingFace Datasets #1 是 DMind Benchmark 数据集——全球加密 / DeFi / RWA 领域最权威的开源评测基准。
第七部分：数据的尽头是理解
金融巨头的数据维度单一，只有交易；而 Chat 承载的是意图、偏好与认知，是真正理解”人”的入口。未来的理财、配置与交易，都将从对话中生长出来——前提是 Chat 具备可追溯性与工具调用能力。
个性化设计示例（Personalization 面板）：
- Custom Prompt：Apply your custom prompt when chatting with Minara
- Tags：Web3 Knowledge Level: Intermediate、Risk Profile: Balanced、Decision-Making Style: Data-Driven、Learning Preference: Active Learner、FOMO Index: Low、FUD Immunity: Strong、Patience Level: High、Greed Index: Low、Asset Preference: Altcoin Trader、Asset Tier: Retail Investor (Small)、Trading Frequency: Passive Holder
Memories 示例：
- User monitors US 401K legislation and Korean digital currency regulatory developments
- User analyzes competitive positioning of AI-driven crypto analytics platforms like Nansen
- User wants daily Telegram notifications with coin recommendations and market updates
- User prefers USDC over USDT for stablecoin holdings and conversions
- User manages a portfolio with ~4.2M USDC and uses 1-year BTC investment horizon
用户对话案例： “I am a beginner trader with a very low risk tolerance. Minara, I would like you to provide me with one executable trading strategy every day, with automatic risk control, and explain the reasoning behind each decision via email. In addition, I want you to analyze RWA and yield opportunities daily and send a report to my email.” → Minara 4s 完成响应：“I’ll help you set up a comprehensive daily trading and analysis system tailored to your low-risk profile. Let me first search for your account information and then create the automated workflows.”
第八部分：三大判断重塑金融
判断 01：金融世界的主要商业模式不再是 B2B——“赚钱 ≠ 只能自营”
- 策略的最优载体：取决于规模、风险暴露与长期复利效率。自营资金与面向散户的 autopilot 本质上是两种完全不同的金融工具
- 产品化 ≠ 本金限制：把策略产品化带来的是可规模化的收入与平台估值，而不再受限于本金规模的交易回报
面向散户的金融系，从未真正出现过——绝大多数做金融的人没有 C 端视角，被禁锢在服务 B 端与高净值人群的思路里；而散户天然的资金分散、账户独立、行为去同步化，配合 AI LLM 的底层智慧，第一次让”交易/量化平权”成为可能。
市场空白：金融世界还停留在”搜索时代”
| 产品 | 本质 | 局限 |
|---|---|---|
| Tiger / Robinhood | 交易工具 | 你要先知道你要交易什么 |
| Bloomberg | 信息终端 | B2B，贵，复杂，不为个人设计 |
| 量化基金 | 自动赚钱 | 普通人无法接触、无法理解 |
用户行为对比：从主动搜索到定制化推送
| 行为 | 传统金融 | MINARA |
|---|---|---|
| 信息获取 | 主动搜索 | 定制化推送 |
| 交易决策 | 人为制定 | AI 建议 |
| 策略能力 | 少数人 | 每个人都有 |
| 指标 | 传统 | MINARA |
|---|---|---|
| 每天看行情时间 | 30 分钟 | 5 分钟（让 AI 帮你搜索） |
| 月均交易次数 | 2-3 次 | 10-20 次 |
| 数字资产年交易量 | $30-40T | $100-200T |
类比对照：
- 用户每日观看时长：电视/PC 时代 1-2h；YouTube 推荐 3-4h；TikTok 推荐 6-8h
- 全球年 GMV：亚马逊搜索时代 ~1-2 千亿 USD；Temu & TikTok 电商推荐 5 千亿+ USD
- 推荐系统不是帮用户”更快看完”，而是让用户”想看更多”
- 关键不是”交易更方便”，而是从「我想买什么」变成「我突然很想买这个」——需求被制造，而不是被满足
“TikTok 重塑了内容和电商。Minara，正在重塑用户触达金融世界的方式。”
判断 02：以构建策略为核心的量化基金将会消失
- CAPACITY 天花板：传统量化依赖严格的信号指令完成集中、大规模建仓。$10M（年化 30%）→ $100M（alpha 吃没）。规模越大，策略反噬越狠
- AI 时代的散户量化：一个团队不可能针对 100 个品种、1000 个市场逐一研发策略；AI LLM 能让”一个策略框架 + 海量子策略”在大量分散账户上并行运行
- 资金分散、账户独立、行为去同步化反而延长了 alpha 寿命——传统量化追求的集中建仓，在 AI 时代恰恰是效率洼地
- 注脚：“VC 将是金融行业下一个被 sunset 的形式——现在默认是股权 / VC 来投，以后可以是币权、RBF、影响力基金。流动性为王。要有主次之分。”
判断 03：对于散户金融，赚钱不是第一位的
引用红杉合伙人周逵：“你们做的不是金融投资，而是金融消费项目”
散户要的不是冷冰冰的收益曲线——
- 01 人要的不是赚钱，是波动带来的参与感
- 02 人要的不是 Sharpe，是 “我能赚钱”的预期感
- 03 人要的不是结算，是被拉长时间后的情绪记忆
拉长时间线、制造足够多的干扰项，没有人会真的复盘”你今年用了什么策略、在股市里转了多少”——留下的只是感觉。
判断 04：金融世界的散户需求，远未饱和 引用 Accel 合伙人 Pratik Agarwal：“Minara 是链上执行的金融 marketplace——不是满足需求，而是创造需求。”
- 过去的金融只服务被”看见”的少数人；散户不是没需求，是从未被真正服务过
- Marketplace 的意义不在分发，而在激活——把机构专属的能力变成人人可用的商品
第九部分：B 端逻辑不适用于 C 端
| 维度 | B 端枷锁 | C 端自由 |
|---|---|---|
| 风控 | 传统量化被迫追求高 Sharpe、规避赎回风险，背后是 LP 关系与维护成本 | 情绪价值和赚钱效应一样重要；用户不需要极致风控，需要的是”多策略、多选择、感觉能赚钱” |
同样 $1M 资产，两种选择
| 年化 | 年交易量 | SHARPE | 适用 | |
|---|---|---|---|---|
| 策略 A | 20% | $100M | 1.3 | Minara · C 端 |
| 策略 B | 30% | $10M | 2.0 | Hedge Fund · B 端 |
Hedge Fund 选 B，Minara 选 A——C 端的市场容量，远大于任何一支对冲基金能管理的资产规模。
消费者错觉——同样的策略，换个说法就是蓝海
| HEDGE FUND 版 | AI AGENT 版 | |
|---|---|---|
| 收益率 | +52% | +52% |
| 商业模式 | GP 分走 25% 收益 | 只收一点交易手续费 |
| 用户反应 | ”凭什么收我一半？“（用户拒绝） | “帮我自动选点位，牛熊都能赚”（所有人愿意） |
同样的策略，不同的商业模式，开拓完全不同的市场。这就是典型的”成本混淆”与”消费者错觉”。用户实践验证：头三笔交易中有 2 笔赚钱的用户，留存率最高——“感觉能赚钱”比”实际 Sharpe 多高”更决定复购。
第十部分：风控内嵌——AI 金融系统的第一性原则
连 Claude 这样的大模型都能被 prompt 攻破，而它又能发现软件安全漏洞——真正成熟的系统，风控必须前置、伴随、复盘，作为系统先验约束，而非事后补救。
三阶段风控机制
| 阶段 | 节点 | 风控机制 | 核心作用 |
|---|---|---|---|
| PRE · 前置 | 策略生成前 | 回测日志留档 / 参数合理性校验 / 极端场景压测 | 避免”幸存者偏差”策略上线 |
| LIVE · 伴随 | 执行之中 | VaR 监控 / 回撤阈值 · 敞口上限 / 滑点与执行成本评估 | 实时拦截异常 · 控制最大损失 |
| POST · 复盘 | 执行之后 | 链上 PnL 审计 / 异常交易回溯 / 策略绩效持续评估 | 问题可追溯 · 策略可迭代 |
第十一部分：全球化战略——屏蔽红线 · 深耕核心 · 合规先行
四个区域定位
| 市场 | 定位 | 策略 |
|---|---|---|
| 中国大陆 | 市场准入 · 主动屏蔽 | 主动屏蔽中国大陆 IP——从产品第一天起主动屏蔽，不是被动妥协，而是主动的合规选择，让 Minara 从起点就站在 “可以对外讲故事”的位置 |
| 日本 | 核心市场 · 用户基本盘 | AI 第三极，用户基本盘——继中美之后的 AI 第三极，Minara 用户多数来自日本。付费意愿强、留存好，验证了”AI + 交易”在成熟市场的吸引力 |
| 韩国 | 谨慎市场 · 主动慢一步 | 高赌性用户的取舍——今年 1 月公司内部决定暂缓推广。韩国用户赌性重、杠杆偏好高——在风控尚未完全成熟前主动”慢一步”，避免短期流量变成长期负债 |
| CIS 地区 | 潜力市场 · COPILOT 契合 | Copilot 天然契合——独联体用户明显偏好”AI 辅助决策”的产品形态，与 Minara 的 Copilot 定位高度匹配。被主流项目忽视、付费意愿不错的蓝海市场 |
合规先行：底层架构选择 Lighter，并在重点地区逐一出具专业法律意见书；不走”先野蛮生长、再补合规”的老路——这是未来接入机构资金的前提。
收尾：开创金融平权的时代
关键金句
「你是否相信有一天，人类会将自己的身家交给 AI」——凌子昂（开场命题） 「你们做的不是金融投资，而是金融消费项目」——红杉合伙人 周逵 「Minara 是链上执行的金融 marketplace——不是满足需求，而是创造需求」——Accel 合伙人 Pratik Agarwal 「TikTok 重塑了内容和电商。Minara，正在重塑用户触达金融世界的方式」——凌子昂 「DMind 像 AlphaGo 之于围棋，不解释过程，只给出最优决策」——凌子昂 「开创金融平权的时代」——Minara 收官标语
可行建议
- 做 C 端金融产品，参照 Minara 5 层 CFO 矩阵（Chat → Workflow → Strategy Studio → Copilot → Autopilot），让”想学习”和”想赚钱”两条路径都能落地
- 系统设计采用 8 层金融交互架构（L1 Delivery / L2 Governance / L3 Domain Logic / L4 Context / L5 模型 / L6 Agent / L7 Skill / L8 Service），把模型层的决策能力与编排、执行解耦
- 风控不要事后补救，必须前置（PRE：回测日志 / 参数校验 / 极端压测）+ 伴随（LIVE：VaR / 回撤 / 滑点）+ 复盘（POST：链上审计 / 回溯 / 持续评估）
- 商业模式从 B2B 自营转向 C 端”代劳工具”——同策略 +52% 收益，从 GP 抽 25% 改为只收交易手续费，市场反馈天差地别
- 全球化先选合规起点：从 Day 1 主动屏蔽红线市场（如中国大陆），把”可以对外讲故事”作为基础位
- 模型布局走 EDGE-LOCAL-CLOUD 三层（如 Nano 270M 意图识别 + Mini 4B 合约交互 + 21B 复杂分析），既控成本又保隐私
关键数据/案例索引
Autopilot 90 天战绩
- 5K+ 交易用户数
- $1.5B+ 用户交易量
- 58.7% AI 胜率
Minara 收入曲线（5 个月）
- Subscription：9000（10/25）→ 16000 → 27000 → 58000 → 110000（02/26）
- Trading：— → — → 7000 → 29000 → 240000
DMind 模型矩阵
- DMind-3 Nano（EDGE / 270M / 浏览器边缘端）：意图识别准确率 98.8%
- DMind-3 Mini（LOCAL / 4B / 本地笔记本）：DeFi 合约交互成功率 93.7%
- DMind-3（CLOUD / 21B / 云端匿名化）：复杂市场分析 + 深度推理
DMind Benchmark（vs GPT-5.1）
- DMind Benchmark：80.3 vs 78.1 → 超越
- FinanceQA：70.3 vs 68.4 → 超越
- AIME 2025（数学推理）：93.3 vs 94.0 → 仅差 0.7
HuggingFace Datasets：DMind Benchmark 数据集 #1
NFTGo 数据基石
- $4M+ 2025 全年收入
- 2000+ 合作机构 / 5000+ 覆盖项目
- 130 国 / 近千万用户规模
用户行为对比（传统金融 vs Minara）
- 每天看行情时间：30 分钟 vs 5 分钟
- 月均交易次数：2-3 次 vs 10-20 次
- 数字资产年交易量：$30-40T vs $100-200T
类比对照（注意力经济）
- 用户每日观看时长：电视/PC 1-2h → YouTube 3-4h → TikTok 6-8h
- 全球年 GMV：亚马逊搜索 ~1-2 千亿 USD → Temu & TikTok 推荐 5 千亿+ USD
B 端 vs C 端策略对比（$1M 资产）
- 策略 A（C 端）：年化 20% / 年交易量 $100M / Sharpe 1.3
- 策略 B（B 端）：年化 30% / 年交易量 $10M / Sharpe 2.0
消费者错觉验证
- 同 +52% 收益率：Hedge Fund 版 GP 分 25% → 用户拒绝；AI Agent 版收交易手续费 → 全员愿意
- 头三笔交易中有 2 笔赚钱的用户留存率最高
Strategy Studio 案例策略指标
- Trend Alpha 趋势型反弹策略：总回报 800.34% / BTC 同期 +92.24% / 最大回撤 -37.54% / 胜率 40.54% / 盈亏比 2.07 / 夏普 1.44 / 74 笔交易
- EMA Cross ADX 策略迭代：ADX 30→25 Sharpe -1.74、止损 2 ATR→5 ATR Sharpe -1.35、EMA 9/21 Sharpe +0.54 转正
全球化战略 4 区域
- 中国大陆：主动屏蔽 IP
- 日本：核心市场，AI 第三极用户基本盘
- 韩国：高赌性用户，主动慢一步
- CIS：Copilot 天然契合，蓝海
求是 AI 联盟（ZAI）数据
- 1228 校友加入 / 50+ 主题活动 / 1000+ 参与人次 / 6 区域分部
- 21 期 AI 圆桌 / 5 期 AI Live / 20+ 次 AI 小聚
对标产品 / 工具
- TradingView（投资版 Cursor 的对标）—— 9 维能力对比，3 大结构性 GAP（执行层 / 资管层 / 分润层）
- Tiger / Robinhood（交易工具）
- Bloomberg（B2B 信息终端）
- AlphaGo（DMind 的隐喻）
- Cursor（Strategy Studio 的隐喻）
- TikTok（推荐系统的隐喻）
- Lighter（Minara 底层架构选型）
讲者引用
- 红杉合伙人 周逵
- Accel 合伙人 Pratik Agarwal
- Stanford Blockchain Club（讲者 2015 年加入）
核心愿景
- 让全世界 30 亿人无差别使用 AI 进行交易
- 开创金融平权的时代