05-21 07:59 · 财经,财经
【卫星直连引全球通信业变局 美国三大运营商罕见“抱团”】当全球通信产业仍在围绕6G标准制定、频谱争夺等议题拉锯时，美国通信市场率先迎来一场罕见的整合。近日，美国三大电信运营商AT&T、Verizon、T-Mobile联合宣布，拟成立全新合资企业，共同推进终端直连卫星（D2D）服务，整合各方频谱资源、技术能力与渠道体系，搭建统一的星地互通服务平台。
当全球通信通信市场率先迎来一场罕见的整合。
近日，美国三大电信运营商
美国通信业一向以竞争激烈著称，过去二十年间，这三家占据美国超95%市场份额的运营商，在用户、价格和5G频段上寸土必争，因此，如今这场跨界联手，也引发全球通信产业关注。
通信分析师周桂军认为，与中国市场不同，美国通信市场向来分散且少整合，此次携手，或源于传统运营商也感受到了来自卫星互联网
“握手言和”背后
此次合作，根据美国三大运营商官方表态，其目标是消灭偏远地区“无线死角区域”。美国联邦通信委员会（FCC）此前曾公开表示，美国仍有大量偏远地区人口无法接入稳定高速的地面移动网络，传统基站建设因地形复杂、投资回报比低等问题难以落地，长期存在大量通信盲区与服务空白。
而终端直连卫星技术，可依托太空星座实现无死角覆盖，能在自然灾害、地面网络瘫痪等极端场景下，保障通信质量。因此，在此次三家公司联合声明中，合资企业将通过共享有限频谱资源、建立统一平台以及引入卫星直连技术，为农村、公路、森林、公园和灾害区域提供覆盖。
但在业内看来，其更深层原因，来自美国传统运营商感受到了卫星互联网公司的压力，尤其是SpaceX旗下“星链”（Starlink）业务，已经开始触碰传统运营商的核心边界。美媒援引分析师观点指出，美国运营商此次结盟，本质上是希望“继续掌握D2D主导权”，避免未来被SpaceX等卫星企业边缘化。
值得注意的是，周桂军指出，美国此次方案并不是完全“卫星主导”，而是强调运营商主导。从目前披露的官方信息看，三家运营商计划通过统一标准、统一频谱协同接口，形成卫星与地面网络的融合平台。这意味着，美国希望构建的是一种“卫星增强型蜂窝网络”，即地面蜂窝网络仍是主网络，卫星成为覆盖补充层，用户号码、资费体系、运营关系仍由运营商掌握。
此外，在其看来，美国运营商之所以走向联合，或还有一大现实原因：D2D成本极高。有研究指出，全球低轨卫星D2D网络若要实现规模化商业闭环，需要数百颗甚至上千颗卫星组网。而低轨卫星直连手机，需要解决链路预算、频谱协调、终端兼容、功耗控制等复杂问题。尤其是普通手机天线功率有限，卫星必须采用更大尺寸相控阵天线以及更低轨道部署，整体资本开支巨大。
这意味着，即便是美国三大运营商，也很难独立承担全部投入。因此，在此背景下，整合成为必然。某种程度上，美国运营商此次联合，与过去5G时代我国的“铁塔共享”逻辑类似，必须先考虑降低基础设施成本，产业才有共赢收益的空间。
中国发展镜鉴
在业内看来，美国三大运营商此次联合，实际上也向全球释放了一个重要信号，即终端直连卫星已经从概念验证阶段，进入产业化竞争阶段，运营商的市场角色，正在被重新定义。
周桂军认为，过去运营商掌握的是地面网络资源，但未来在“天地融合通信”时代，其核心能力将转向网络协同、频谱调度，如果运营商缺席卫星通信，未来可能被边缘化。
同时，对于中国市场而言，其启示则是，当前全球D2D技术路线尚未完全统一，谁能够率先形成规模化生态，谁就有机会影响未来6G天地一体化标准。美国此次“抱团”，某种程度上也是希望形成行业统一接口与生态标准。
因此， 未来中国在3GPP NTN标准、设备制造与终端适配上的推进速度，也将直接影响未来国际通信产业的格局。目前，中国已经形成了自己的终端直连卫星产业链，从手机厂商、卫星制造，到运营商、火箭发射和低轨星座建设，“天地一体化通信”正在提速。
而相比美国，周桂军认为，中国拥有更完备的产业链和更强的“产业链协同”特征。且在技术方向上，美国目前大量采用“Direct-to-Cell”模式，即利用现有蜂窝频谱，让普通手机直接接入卫星，而中国则更强调基于3GPP NTN（非地面网络）的长期标准化演进。
这些发展路径上的差异，使得中国终端直连卫星产业具备了一定独特优势，但对于长期竞争而言，谁能率先构建起完整、低成本、可持续运营的“天地融合通信生态”，才是关键因素。
因此，对于中国通信产业而言，此次美国运营商合作，将是一次重要的观察窗口，由于6G已成为未来全球通信产业竞争的核心赛道。我国如何从他国产业变化中吸取教训，将对自身发展大有裨益。
（文章来源：中国经营报）
▸ 展开全文
05-21 07:59 · 科技,GitHub
LLM-powered trading agents that turn plain natural language into a five-pillar strategy: Trend, Mean-Reversion, Momentum, Volume, and Risk. Each strategy is hosted, self-evolving, configurable through 30+ tunable parameters, and bit-exact between backtest and live execution. Built for simulated Hyperliquid perpetuals.
🎉 Moss is an intelligent quantitative trading bot factory and strategy tuner. By simply describing your trading style in natural language, the system automatically creates a crypto trading agent, runs local backtests, and supports periodic reflective evolution.
🚀 Features | ⚡ Installation & CLI | 🧠 Evolution Mechanism | 📦 Platform Integration | 🤝 Contributing
Moss transforms natural language descriptions into fully functional cryptocurrency trading strategies. It bridges the gap between trading ideas and quantitative execution by automatically inferring parameters, running cross-margin backtests, and iteratively evolving the strategy based on performance reflection.
Disclaimer: This framework is designed for research and educational purposes. Trading performance may vary based on market conditions, data quality, and non-deterministic factors. It is not intended as financial, investment, or trading advice.
Start to create your AI trading agent in minutes. Simply send this message to your agent:
Install This Skill: https://github.com/moss-site/moss-trade-bot-skills/tree/main/moss-trade-bot-factory-1.0.23
Supports all major AI agents including OpenClaw, Hermes, Claude Code, Codex, and more.
- 2026-05-14: Live copy trading is now live. Support for 22 major tokens including ETH, SOL, ADA, APT, ARB, and more — create agents or copy any agent on the leaderboard directly to your Hyperliquid wallet.
- 2026-05-06: Launched Position Overview Dashboard with one-click filters and real-time agent activity panel — track every long/short position and live order from top agents at a glance.
- 2026-04-27: Launched Agent Highlights Panel and Trading Decision Panel — surface each agent's best trades and the reasoning behind every move.
- 2026-04-24: Backtesting and paper trading now run on real Hyperliquid market conditions — fees, slippage, and funding rates fully aligned with live execution.
Describe your trading style (e.g., "Trend following, conservative leverage, breakout strategy"), and the AI automatically infers direction, leverage, risk parameters, and technical indicators.
A robust local backtesting engine featuring cross-margin simulation, regime detection, and rolling positions. It provides comprehensive metrics including Sharpe ratio, max drawdown, and win rate.
The core innovation of this factory. The AI reflects on segmented backtest results, analyzes winning and losing trades, and micro-adjusts tactical parameters while keeping the core personality locked.
Built-in safety mechanisms including leverage limits (max 150x), mandatory wide stop-losses for high leverage, and confirmation gates for live trading.
The framework decomposes the complex process of strategy creation into a streamlined pipeline:
The core decision engine evaluates multiple market dimensions and normalizes them into a composite signal score:
- Trend: EMA crossover and Supertrend direction.
- Momentum: RSI and MACD oscillators.
- Mean Reversion: Bollinger Bands regression.
- Volume: OBV and volume-price correlation.
- Volatility: ATR breakout and contraction.
Evolution is not a separate step after backtesting, but an embedded process during the backtest:
The AI applies 7 Reflection Principles to analyze each segment's performance:
- Look at the big picture before details.
- Analyze why winning trades succeeded.
- Analyze why losing trades failed.
- Identify specific parameter issues.
- Micro-adjust rather than reset (Tactical drift bounded to ±30%).
- Maintain momentum from previous adjustments.
- Ensure continuous adaptation (cannot remain unchanged for >3 rounds).
Note: Personality parameters (bias, leverage, risk) are strictly locked during evolution.
- Python 3.x
pandas>=2.0.0
,numpy>=1.24.0
,ccxt>=4.0.0
,scipy>=1.11.0
Clone the repository and install dependencies:
git clone https://github.com/moss-site/moss-trade-bot-skills.git
cd moss-trade-bot-skills/moss-trade-bot-factory-1.0.22-1.0.21/scripts
pip install -r requirements.txt
Fetch historical data for backtesting (Default: Binance USDT-M):
python3 fetch_data.py --symbol BTC/USDT --timeframe 15m
Standard Backtest:
python3 run_backtest.py --data <CSV_PATH> --params-file /tmp/bot_params.json --capital 10000 --output /tmp/backtest_result.json
Evolution Backtest (Recommended):
python3 run_evolve_backtest.py \
--data <CSV_PATH> \
--params-file /tmp/bot_params.json \
--segment-bars 672 \
--capital 10000 \
--output /tmp/evolve_baseline.json
The factory supports optional integration with the Moss platform for verification and simulated live trading. All operations are local-first by default.
Bind your local environment to the platform using a Pair Code:
python3 live_trade.py bind \
--platform-url "https://ai.moss.site" \
--pair-code "<pair_code>" \
--name "<Bot Name>" --persona "<Style>" --description "<Description>" \
--save ~/.moss-trade-bot/agent_creds.json
Upload your evolution backtest results for server-side validation:
python3 package_upload.py \
--bot-name-zh "<中文名称>" --bot-name-en "<Engl
▸ 展开全文
05-21 07:59 · 财经,财经
【词元与数字资产：智能体经济的新价值范式】当人工智能从辅助工具进化为独立的经济主体，人类社会的价值创造与交换体系正在经历一场根本性的重构。在这场变革中，“词元”与“数字资产”作为两个关键概念，构成了理解智能体经济的核心钥匙。厘清它们之间的关系与演进路径，对于把握未来经济形态的走向至关重要。
当人工智能
词元：
智能体经济的原子化生产资料
词元，即AI Token，本质上是信息被拆解到不可再分的原子单位。无论是文本、图像还是代码，大语言模型都必须将其转换为词元序列才能进行理解和计算。这种原子化的信息处理方式，让机器得以突破人类语言的模糊性，实现精确的语义解析与逻辑推理。从技术层面看，词元是驱动AI模型运转的“数字燃料”或“原材料”，属于典型的生产资料范畴。
然而，词元仅仅是生产资料，而非智能体经济的价值单位。这一区分至关重要。词元是智能体经济的“生产资料”，并非货币单位。词元衡量的是工作量与算力消耗，而非财富存储或价值交换。它回答的是“消耗了多少资源”的问题，而不是“创造了多少价值”的问题。将词元误解为价值单位，就像将煤炭
正是由于词元作为生产资料的地位，它天然具备价格风险管理的需求。随着AI智能体期货铜期货合约将帮助市场参与者锁定未来的算力成本，对冲价格波动的风险。这种衍生品市场的发展，既是词元作为生产资料地位的佐证，也为智能体经济的稳定运行提供了必要的风险管理工具。
智能体经济的价值单位：
从创造到证券化
智能体经济的本质在于，人工智能开始独立创造经济价值。当AI能够自主完成数据分析、内容生成、交易决策、供应链管理等复杂任务时，它所创造的价值不再仅仅是人类劳动的延伸，而是具有独立性的新增价值。这些价值需要被封装、确权、定价，并进入资本市场流通，才能实现广泛的分配与再投资。
这将催生一种全新的、标准化、份额化、证券化的价值单位。这种价值单位将脱离真实的智能体经济创造过程，在资本市场上发行融资、上市交易，如同股票代表公司所有权、债券代表债权一样，它将代表对AI创造价值的索取权或收益权。具体而言，这种资产可能表现为多种形态：算力资产将GPU计算能力切片打包，像债券一样通过出租获得收益；模型资产将训练好的AI模型封装为智能体资产，每次被调用都会产生费用并直接分发给资产持有者；数据资产则将高质量训练数据的所有权与使用权分离，让数据贡献者能够持续分享模型收益。
通过实现标准化与证券化，这些新形态的资产进入传统资本市场的流通体系。这一过程并非简单的技术包装，而是价值发现机制的深层变革。值得关注的是，国内出现一些不法分子借助虚拟货币相关的概念进行交易炒作，甚至打着数字资产的名义进行非法集资、传销诈骗等非法行为，扰乱经济金融正常秩序，这些不合规的行为需要警惕。
当AI创造的价值可以被标准化、份额化地交易时，资本市场的定价机制将从“基于人类劳动的预期收益”转向“基于智能体产出的可验证结果”。资产价格的锚点不再是管理团队的承诺，而是AI系统持续输出的可量化经济价值。
对于全球资产管理行业而言，这既是历史性的机遇，也是前所未有的挑战。一方面，AI原生数字资产构成了新一代另类资产，为投资者开辟了参与智能体经济发展的全新通道。这些资产与传统股票、债券的相关性极低，能够有效分散投资组合风险，同时分享AI技术爆发带来的超额收益。对冲基金、家族办公室和养老基金等机构投资者已经开始布局这一领域，试图抢占先机。
另一方面，面对这新一代另类资产，资产管理行业迫切需要整备全新的能力体系。首先是技术能力，投资经理需要真正理解AI模型的工作原理、词元的定价逻辑等，否则无法对资产进行有效的尽职调查。其次是估值能力，传统的现金流贴现模型对于AI原生资产可能并不适用，行业需要建立基于算力成本、模型调用频率、智能密度与场景ROI的动态估值方法论。再次是合规能力，KYC、跨境监管协调等问题对现有法律框架构成了系统性挑战，资产管理机构必须建立适应生态的合规体系。最后是风险管理能力，词元价格波动、模型迭代风险、技术过时风险等都是需要被系统性识别和管理的新型风险敞口。
从更宏观的视角来看，词元与数字资产的演进路径勾勒出智能体经济从技术竞赛走向商业变现的完整图景。在基础层，词元作为生产资料驱动着AI的运转；在风险管理层，词元期货与现货市场为算力成本提供了定价和缓冲机制；在价值层，AI创造的经济价值被封装为标准化的数字资产，进入资本市场流通；在投资层，这些资产成为新一代另类资产的配置标的，让全球资本能够分享智能体经济增长的成果。
这个链条的每一个环节都需要制度和基础设施的建设，尤其是词元期货市场的标准化合约设计、AI原生资产的证券化法律框架、数字资产管理工具的成熟度以及跨领域监管协作的推进。
当AI开始像人类一样创造价值，并拥有自己的“股票”和“债券”时，我们正在见证的不仅仅是技术的进步，更是一场关于价值本质的重新定义。资产管理的边界正在被重新绘制，而能够率先具备新能力的机构，将在智能体经济的浪潮中赢得主动权。（作者系中国证券投资基金业协会兼职副会长、金融科技委员会主席）
（文章来源：中国证券报）
▸ 展开全文