跳到主要內容

比特幣,是歷史的倒退!?



比特幣最近台灣才開始紅起來,開始研究這個幣的性質時,也真的了解到,資源沒有真正被平均分散,而是一如以往一樣,資源還是集中在掌握資源人的手上。

對於那些想要賺到一些錢的人,也許在這波淘金熱,賣鏟子會是最佳的賺錢管道。

以下是原文,給大家參考,






諾貝爾經濟學獎得主克魯格曼撰文指出,比特幣是歷史的倒退,比特幣挖礦和挖金礦類似,沒有太大意義。所謂高科技、算法,都是花哨的外表。貨幣的本質應該是促進商業流通的手段,而比特幣除了一串代碼什麼都不是。

以下為原文編譯:

先來看看三則關於“錢礦”的故事。

第一個是真實“錢礦”,位於巴布亞新幾內亞的露天金礦Porgera,也是全球最大的金礦生產商之一。這片礦的人權狀況極端惡劣,對環境污染也很嚴重。但金價即便遭遇今年暴跌,也仍然是十年前的三倍,所以人們仍然熱衷於淘金。

第二個“錢礦”聽起來有點奇怪,位於冰島Reykjanesbaer的比特幣礦。比特幣是一種有價值的電子貨幣,因為……額,很難說清楚為什麼,總之至少現在有人願意買它,是因為他們相信其他人也願意買它。它是仿照黃金製造出來的虛擬貨幣。所以和黃金一樣,比特幣也可以挖礦:通過非常複雜的數學算法和計算能力強大的計算機。至於為什麼位於冰島,主要是因為那裡有來自水電的廉價電力,低溫也有助於冷卻計算機。即便如此,許多真實的資源也被用來創造這種沒有明確用途的虛擬貨幣。

第三個“錢礦”是假設出來的。 1936年,凱恩斯提出增加政府支出能夠促進就業。但和現在一樣,這一建議受到了激烈的反對。所以凱恩斯提出了一個異想天開的替代性方案:政府將大量的錢埋進廢棄的煤礦,讓私人部門投資將這些錢挖出來。

真聰明——但凱恩斯還沒有止步於此。他進一步指出,真實的金礦和他理論中的試驗其實是一樣的。雖然可以通過印鈔機創造出大量廉價的貨幣,但礦商們仍然不辭辛苦地將金子從地底挖出來。這些金子挖出來之後,又立刻被埋了起來,進入諸如紐約聯邦儲備銀行的金庫裡。

我想,當凱恩斯看到三代人過去之後事情依然沒有任何改變,他一定會感到好笑。通過政府支出刺激就業依然被很多人反對;礦商依然樂此不疲地挖金子然後將它們囤積起來(凱恩斯將黃金視為野蠻人的遺跡)。比特幣也加入了這場鬧劇。黃金畢竟還有些實際用途,但耗費大量資源得到的“虛擬黃金”除了一串代碼什麼都不是。

我猜測,亞當斯密要是看到這些一定會很失望。

斯密常常被尊為保守派的大神,他也確實最早提出了自由市場。但經常被忽略的是,他也同樣強調對銀行進行監管,並對紙幣推崇備至。在他看來,貨幣只是促進商業流通的手段,而不是國家繁榮的根源。而紙幣將國家的財富從黃金和白銀的“毫無活力的庫存”中解放出來。

所以,我們為什麼要為了這些毫無活力的黃金庫存破壞巴布亞新幾內亞的高原,又為什麼要為了一串代碼不斷地消耗資源呢?

如果你去問礦商,他們會告訴你,紙幣是由政府發行,可能會貶值所以不值得信任。但奇怪的是,雖然大家都談論貨幣貶值,但貶值卻越來越罕見。發達國家的通脹水平非常之低。即使從全球來看,高通脹也極少發生。當然,惡性通脹永遠都會存在。

比特幣的流行或多或少也是由於同樣的原因。再加上它的高科技和算法,比特幣儼然成為未來的趨勢。

但是,不要被這些花哨的外表矇騙了:正在發生的真實情況是,我們正在倒退回那些錢幣仍在你錢包裡叮噹作響的年代。我們正在一路挖礦,挖回十七世紀。





留言

這個網誌中的熱門文章

RAG 和 Prompt 原理超簡單解說!想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務,甚至是 Siri (嘿丟,他也是一種 AI 應用服務喔) 簡單來說是非 技術人員, PM,小白,想要趕快惡補的人 ,直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於,AI 這東西會幻想,會有誤差,會對於生活有些幫助但沒有幫助的人們,做個簡單又不是太簡單的介紹,希望用一個非常入門的方式讓你們有個了解。 當然,這篇文章目的很簡單, 就是引流 ,如果你身邊有已經對於 Web 技術開發的人員,歡迎報名分享給他,年末出國不如學一技在身,參加今年我們舉辦最後一場 RAG 實作工作坊,報名連結 , https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意: 接下來每個大段落結束都會有一段工商導入,但文章絕對精彩,請注意! 為了讓各位容易想像,我們將整個世界的資訊,先濃縮到這本『西遊記』的世界觀當中,我們整個世界都在這個 『西遊記』 ,而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位,應該都有聽過,西遊記!如果沒有聽過西遊記的,請右轉出去,謝謝! 先來談談向量 在《西遊記》的世界裡,我們可以把 向量想像成一種「內容座標」 ,讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說,唐三藏的 「位置」(向量)會接近「佛經」和「取經」 的概念,因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念,因為這些是他的特徵。 相似內容靠得更近:像「佛經」和「取經」會靠近唐三藏的向量,因為它們彼此有很強的關聯。 相差較大內容會離得較遠:像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠,因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置? 簡單來說,這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊,觀察哪些詞語經常一起出現,根據「共同出現的頻率」來決定它們的關係,並且自動生成向量。例如: 如果模型看到 「唐三藏」 總是和 「取經」 一起出現,它就會讓「唐三藏」的向量靠近「取經」。 ...

2024 推薦關注的 JavaScript 知識

以 js 整體發展來看,目前自己最看好的發展是在於兩個面向,一個部分是 Storybook ,一個部分是 Web container ,為何會是這兩個部分,這邊也分享一下自己的見解。 Storybook Storybook, 如果有用過的朋友都知道,他是屬於前端的展示,可以從 UI 的結構,到 parameter 的傳入,以及 component 如何使用的方式細節呈現等完全呈現。 AI 的到來,加上 Storybook 的呈現,可以讓新發展,或者更新版本的 UI Component 不再是孤兒,很快的 AI 可以學習如何使用新的 Component, 且在同時可以讀取 UI 畫面(Vision) 的狀態下進行識別 UI 在呈現上可以使用的方式。 同時也可以直接了解整體程式碼在使用上可以有怎麼樣參數傳入的方式,甚至是,你只要發展出一套 react 的版本,透過 AI 可以直接透過 Storybook 的版本,直接用最典型的狀態(但不一定效果最佳)轉換成 Vue, 或者 Villina JS 的版本。 這對於開發者,是一個多大的福音,Do Once, Call Everywhere. Web Container Web Container, 正所謂,Container 之下無蟒夫,容器化不只是能夠跑在後端,現在也能夠跑在前端,加速了整體的部署,同時也加速了以往的 SSR 的限制,以往很多時候『it works on my pc』的窘境將不再復見,你的瀏覽器將是我的雲端,You are the edge of mine, 聽起來有多浪漫,光靠這招就是一個歡呼! 完全就是一個端到端,環境的問題接下來將再不是一個問題,以往會有的 Node.js 的問題,接下來都可以在 Web Container 裡面排除掉,直接快速的進行部署實現,同時執行出應用端應該有的樣子。 當然瀏覽器支援度會是一個問題,不過我相信這只是時間的問題而已,相信在座的各位,最多的就是時間! 等吧! JSDC 2024  JavaScript Developer 年度盛會,線上展開。 這次講師要講什麼,就是要講這些有的沒的,還不來聽嗎? 聽懂幾個關鍵字,開心學會一輩子! JSDC 2024 網站: https://2024.jsdc.tw/ JSDC 2024 售票連結: https://www.a...

從易經八卦到 AI 應用:用 LLM 自動化數據整理的工程探險

從 2023 年開始,在去年 為何技術老人這樣想那樣做? 的那場分享之前,就開始探索管理的更多可能性,以及探索更深層的奧秘,宇宙的二進位,生活中的陰與陽,到透過朋友深入探索 8 進位和 64 進位的玄學領域。 一開始只是想將自己體驗進行工程的還原,先是以為透過 ai 可以很快(偷懶)就可以解決掉資訊整理的問題,這邊有些踩雷的過程,以及對於整體實作的紀錄,分享給大家。 人生,原本以為很輕鬆的事情,最後都會不太容易 原本目標是希望將網路上許多的八卦資訊,以及六十四卦象內容,透過 AI 將資料進行彙整,就資料進行整合以及釐清就花了些時間 (汗) 以下且聽我慢慢道來 ... . 思緒步驟 大概步驟會是這樣,首先進行基礎八卦資訊搜集,大概由乾掛到坤卦,這些都可以在網路上容易取得,(這邊採用的是先天八卦順序) https://chatgpt.com/share/672083ea-4000-8010-ae50-3e120d845244 接著進入重點, 64 卦目前並沒有太多工程項目可以進行整合資料,因此主要透過 ChatGPT 產生資訊,以及透過 wiki 進行先達到快速效果。 https://chatgpt.com/share/67208416-c210-8010-9d43-a8c7235a1b03 緊接著,就會得到一串很像是 64 掛的內容, 不看不知道,一看嚇一跳,取得資料中會包含錯誤資訊,對應錯誤的上下卦,但畢竟是電腦,有錯很正常,這才是我認識的 ChatGPT (這邊也有試過 Claude 也有相同問題)。 校正回歸 此時經驗就非常重要,透過 AI 協助我們進行資料編寫比對,但不是單純的比對,而是要先想清楚自己的目標是什麼。 64 卦,兩兩相對。 64 卦,每個卦象不重複。 基礎於一開始 『懶』的狀態 , 首先直覺性的,是將比對錯誤的 json 直接丟入,原本預計透過 chain of thought 的方式,讓 llm 進行重複確認,但 ... 測試發現,需要透過 llm 產出原生資料越大時,隱藏的重複錯誤性會隨之提高。 llm 不轉,我轉 因此,這邊的解法朝向糾錯為主。 首先回到目的性,我們需要得到的結果是 完整的 64 卦象 取得對應的正確上下卦位置。 當我們有這樣明...