今天我们找的几份材料，是几份科技前沿一线实践者的最新访谈资料，内容涉及稳定币、AIGC、航空航天等话题。我们来听听他们的洞见吧。

一、Adobe 在生成式 AI 领域的策略与未来展望

主题： 这份访谈聚焦于 Adobe 在生成式人工智能（AI）领域的战略演进、其 Firefly 模型的独特构建方式、AI 对创意工作流程的影响以及 Adobe 如何在这一变革中建立并维护用户信任。

发言人身份： 访谈主要由 Adobe 首席技术官 Eli Greenfield 发表见解，福布斯助理执行编辑 Katherine Schwab 进行提问。

论点论据：

• AI 投资与战略转型： Adobe 大约十年前就开始投资 AI，并在大约三年前看到了生成式 AI 爆发的早期迹象，Eli Greenfield 认为这将“极大地改变内容创作的方式”。面对这一趋势，Adobe 迅速将内部顶尖的计算机视觉、计算机图形和 AI 研究人员整合起来，投入大量资源，旨在将这项技术实用化并融入现有创意工具的工作流程中。


• Firefly 的独特定位与合规性：与其他多数从互联网上未经许可抓取数据训练模型的公司不同，Adobe 选择了一条“不同的道路”。Firefly 模型完全基于已获许可的内容进行训练，包括 Adobe 明确购买了使用和训练权利的内容，或在明确许可（允许训练）下发布的内容。
  
  这种选择源于 Adobe 及其企业客户对版权、法律合规性的深切担忧，以及对内容来源的溯源需求。
  
  所有训练内容都经过严格的人工审查，不仅验证许可，还会筛查内容本身，确保不包含已知受保护的知识产权（IP），以避免生成内容中出现竞争品牌或其他敏感信息。
  
  尽管这种方式成本高昂，但 Adobe 凭借其运营 Adobe Stock 业务十多年的经验，已经建立了成熟的内容采购、授权和大规模审核流程，这使得 Firefly 的内容获取成为可能。Adobe Stock 业务也为客户提供法律赔偿，进一步强化了 Firefly 的商业安全性。


• 数据质量与创新训练： 传统观念认为“数据越多越好”，但 Adobe 发现“正确的内容和正确的使用方式比内容量本身更重要”。他们通过内容丰富、增强和细致分类等技术，有效地利用有限但高质量的数据，被迫在训练方法上更具创造性。


• AI 生成内容的处理： Adobe 不会完全排除 AI 生成内容进入训练集，但会要求内容贡献者声明其是否由 AI 生成，这对于最终购买者和训练过程都很有用。即使是 AI 生成的内容，也会经过人工审核，确保其符合 Adobe 的道德和内容标准，不包含 IP 侵权，从而维持其“商业用途安全”的承诺。


• 开放平台与用户选择： Adobe 正在逐步开放 Firefly 平台，允许用户接入和使用其他第三方生成式 AI 模型，如 Google 的 Imagine 和 V2、OpenAI 的 GPT Image 等，以满足客户多样化的创意流程需求。这使得客户无需在不同平台间切换，能在一个集中式的工作流中混合使用多种模型。


• 建立信任与应对行业变革： Adobe 曾因条款变更（被误解为使用客户内容进行训练）而面临强烈反弹，尽管这并非事实。Eli Greenfield 强调，Adobe 不会用客户内容进行训练，其条款仅涉及为提供服务而对内容进行必要分析（如背景移除）。公司深知创意行业对 AI 的高度敏感性，承诺将 AI 工具以“真正有益于创意人士”的方式整合，通过自动化繁琐任务来加速工作流，从而保留创意的核心。Adobe 大多数员工本身就是创意人士，致力于支持创意产业。


• AI 对创意工作的未来影响： Eli Greenfield 认为 AI 模型本身不具备创造力，它们擅长的是“生产性工作”，即基于已有数据生成内容，而真正的“创造性工作”（如理解客户需求、形成独特构思、持续迭代优化）仍是人类的专属。他担忧 AI 可能会使部分艺术家的“生产性工作”收入来源受损，或者 AI 生成内容泛滥可能淹没真正有深度的人类创意。然而，他持乐观态度，类比数码相机普及后人们更珍视“会讲故事的照片”，认为未来消费者将更看重“讲述好故事”且源自人类的内容，这将提升行业标准，并持续为真正的艺术家创造需求。

二、加密货币的引爆点：稳定币、代币化与机构繁荣

主题： 这份访谈深入探讨了加密货币市场目前的动态，特别是稳定币的巨大潜力、资产代币化的变革力量以及机构资本涌入所带来的影响。

发言人身份： Coinfund 总裁 Chris Perkins 是主要的受访者，Wealthion 的 Maggie Lake 担任主持人。

论点论据：

• 加密资产的“前沿风险”与长期潜力： Chris Perkins 指出，比特币和以太坊等加密资产仍“非常年轻”。尽管它们目前表现得像“前沿风险资产”，对地缘政治波动敏感，但长期来看，他相信这些资产将开始“脱钩”，并按其设计运行。他强调，比特币是有史以来表现最好的资产。


• 稳定币：美元的“最伟大创新”：Chris Perkins 认为稳定币是“对美元最伟大的创新”。稳定币的核心是将美元代币化，使其能在互联网上“无缝”且“24/7”地流通，99% 的互联网货币都是美元稳定币。
  
  《Genius Act》等法案将首次为稳定币提供监管和立法框架，这将带来前所未有的透明度、披露要求和许可制度，确保稳定币的美元储备得到充分保障，从而防止“脱钩”风险。
  
  对于发展中国家的用户而言，稳定币提供了一种通过手机就能便捷获取美元的途径，比当地波动较大的货币更为稳定。
  
  美国财政部预计，未来几年稳定币将为美国国债带来 2 万亿美元的需求，从而巩固美元作为全球储备货币的地位，并从国家安全层面增强其“冻结和没收”不良资产的能力。
  
  领先的稳定币发行商 Tether 利润丰厚，Circle 公司上市也印证了市场对稳定币的巨大需求。


• 区块链与代币化：重新定义“私人财产”与“资本形成”：Chris Perkins 强调，区块链的核心突破在于首次将“私人财产”安全地置于互联网上，实现“无信任、无许可”的价值交换。
  
  这使得现实世界的资产（如股票、房地产，甚至是个人 iPhone）都可以被代币化，成为可在互联网上流通的证券。
  
  他以模因币（memecoins）为例，指出它们虽然常被嘲笑，但在资本形成方面展现了惊人的效率（例如，“特朗普代币”在周末创造了 150 亿美元市值）。这表明区块链技术能够提供“即时、24/7、不受阻碍的金融服务”，极大地促进了资本的募集。
  
  代币化能够帮助那些在传统 IPO 市场难以融资的“真实企业”获得资本，并让普通投资者有机会接触到以前仅限于私人市场的“最令人兴奋的公司”。
  
  代币化资产还可以像 ETF 一样，提供 24/7 的无国界访问和实时结算，这大大消除了传统金融中长期存在的“抵押品风险”。
  
  早期代币的公开性和流动性，有助于提高私人市场的“价格发现”效率，使得早期投资的风险管理更为有效。


• 监管明朗化与机构资本的涌入：Chris Perkins 认为，美国政府的态度正从之前的抵触转变为积极支持，旨在将美国打造为“加密货币之都”。
  
  监管风险正在降低，政府与行业之间正进行积极对话，以寻求明确的法规，例如《Clarity Act》旨在明确哪些加密资产是商品，哪些是证券。
  
  美国证券交易委员会（SEC）已明确表示质押活动不属于证券，这将为以太坊等产生收益的资产（提供约 3% 的实际收益）带来更多投资机会。
  
  比特币 ETF 的推出，极大地降低了传统投资者进入加密市场的门槛，推动了需求的增长。监管风险的降低，也使得机构投资者更愿意将大量资本配置到加密领域，因为他们更看重“声誉风险”而非单纯的“市场风险”。


• 未来展望：除了比特币和以太坊，其他具有独特实用性和价值的代币也将获得更多关注。
  
  “固定收益产品”被认为是加密领域“未被发现的最大前景之一”，利用区块链的收益特性可以创造出令人兴奋的结构化产品。
  
  用户体验将持续改善，Robinhood、eToro、Coinbase 等平台将提供更便捷的加密资产访问方式。
  
  出现了一种新的投资方式，即通过购买持有大量加密资产的上市公司股票来间接投资，如 Michael Saylor 的 MicroStrategy。
  
  Chris Perkins 个人从传统衍生品领域转向加密货币，是因为他看到了区块链实时结算能力如何解决传统金融中数十亿美元规模的“抵押品延迟”问题。他认为，尽管加密行业有其波动性，但它汇聚了最聪明、最积极的人才，其创新潜力被外界低估。

三、AI 如何驱动企业转型

主题： 这份访谈围绕人工智能如何推动企业转型展开，深入探讨了前沿技术、效率提升、AI 应用的限制以及对未来工作和生活的影响。

发言人身份： 主要受访者是 Connie，一位微软高管（曾任 GZI 香港负责人）。

论点论据：

• 企业转型的核心技术支柱： Connie 强调，技术始终处于企业转型的前沿。她指出，在生成式 AI 兴起之前，微软就一直在帮助金融服务客户（银行、保险、资本市场）实现数字化转型，包括提升员工协作效率、优化运营流程等。当前，驱动转型的核心前沿技术包括：云计算（带来敏捷性和成本效益）、大数据（数据被视为“新货币”）、AI 和知识管理。


• AI 生产效率与推理的崛起：Connie 认为，生成式 AI 真正的“行动”发生在其“生产”的幕后。AI 数据中心（她称之为“AI 工厂”）的建设和运营效率至关重要，这与传统工厂的演变类似。
  
  她指出，2025 年将是 AI 历史上的一个“支点年”，因为届时大多数计算资源将用于“推理”（inferencing），即普通用户的 AI 应用，而非少数大公司（如微软、谷歌、百度）进行的“训练”。因此，如何更高效地进行推理将成为关键。


• 探索前沿计算范式：生物计算 (Bio-computing)： Connie 正在孵化和投资生物计算领域。她指出，研究人员已能利用小鼠的神经元在 5 分钟内玩“Pong”游戏，并且表现优于硅基芯片。生物计算的优势在于，它模仿人类大脑的学习方式，不需要像传统芯片那样处理海量的重复数据来识别模式，因此能大幅降低 AI 成本。
  
  太空数据中心 (Space Data Centers)： 为了进一步降低成本和提高效率，Connie 提出了将数据中心建在地球之外的设想，例如在海洋下或太空中。她解释说，在太空中，能源（太阳能）是免费的，冷却（极低的温度）是免费的，辐射容易处理，且没有氧化问题，从而极大地减少了维护和故障。


• AI 应用的限制与监管挑战：对于金融服务等高度受监管的行业，AI 应用面临安全、隐私和合规性方面的重大担忧。每个国家都有自己的法规，企业必须进行全面的风险评估。
  
  微软积极与全球监管机构沟通，帮助他们理解云计算和生成式 AI 的本质，促使监管指南的更新，确保客户能够合规地部署和使用这些技术。
  
  她强调，生成式 AI 是语言模型，而非传统的数据分析工具；数据所有权和安全始终归客户所有，微软不访问客户数据，并提供加密保护。


• AI 的社会影响与企业应用：Connie 认为 AI 是一个“大均衡器”，它将赋能更多人，特别是让那些资源较少的人也能获得强大的工具。
  
  
  
  她列举了 AI 潜在改变的两个关键领域：教育： AI 可以提供个性化的学习体验，例如 Khan Academy 能够为不同国家的学生提供相同水平的定制化 AI 学习支持。
  
  医疗保健： AI 能够收集和分析罕见疾病的数据，有望在十年内治愈癌症（如通过预测蛋白质折叠并逆向工程）。