# Sam Green > Cambrian Network 创始人及 AI 金融创新者，Sam Green 专注于代理驱动、AI 赋能及链上金融解决方案。他是自主金融系统和数据基础设施领域的开拓者。 - Canonical URL: https://iq.wiki/zh/wiki/sam-green - Categories: People in crypto - Tags: Developer, Founder, Researcher, Speaker - Created: 2026-06-19T16:44:14.711Z - Last updated: 2026-06-19T16:52:13.405Z - Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki) --- **Sam Green** 是 Cambrian Network 的创始人，该公司致力于为代理驱动和链上金融系统构建金融数据基础设施。他的工作重点在于代理金融（agentic finance）、AI 赋能的交易系统，以及利用 [区块链](https://iq.wiki/wiki/blockchain) 数据进行自动化金融决策。[\[1\]](#cite-id-ox7tD34fC97JjA4v) ## 教育背景 Green 于 2009 年毕业于中阿肯色大学，获得应用数学硕士学位。随后他就读于加州大学圣塔芭芭拉分校（UC Santa Barbara），并于 2019 年获得计算机科学博士学位。[\[2\]](#cite-id-0WrVBAAKvHzKO14U) ## 职业生涯 Green 的职业生涯始于 2009 年至 2010 年在 ARMA Design 担任固件工程师，负责开发 C 语言和汇编语言的嵌入式系统软件，协助客户解决实施挑战，并参与项目提案和技术报价。2010 年，他加入桑迪亚国家实验室（Sandia National Laboratories）担任密码工程师，负责评估密码系统，并担任该实验室密码学培训项目的讲师。随后他被晋升为高级技术人员，领导研发计划以评估和推进密码安全系统，同时管理技术团队和项目交付。 2015 年至 2018 年，Green 在密码学家 Çetin Kaya Koç 的指导下，在加州大学圣塔芭芭拉分校进行博士研究。他的研究重点是提高深度强化学习效率的方法，并参与开发了该校的首门强化学习课程。完成博士学业后，他于 2018 年至 2020 年回到桑迪亚国家实验室，担任人工智能研发部门的高级技术人员。在此期间，他致力于研究提高神经网络能效的硬件感知方法，并开发了蒸馏强化学习代理的早期技术。 2020 年 2 月，Green 加入 [The Graph](https://iq.wiki/wiki/the-graph) 担任核心开发团队负责人。通过他在 Semiotic Labs（[The Graph](https://iq.wiki/wiki/the-graph) 内部的一个核心开发团队）的工作，他为网络基础设施的开发做出了贡献，包括链上支付和数据验证系统。在 [The Graph](https://iq.wiki/wiki/the-graph) 任职期间，他还在 2021 年至 2023 年担任 Activate 的创业研究员，支持深科技研究的商业化和开发。 2024 年 11 月，Green 创立了 Cambrian Network 并出任首席执行官。该公司开发 [区块链](https://iq.wiki/wiki/blockchain) 数据服务基础设施和支持自主金融应用的系统。[\[3\]](#cite-id-X5yw9pOz063Ew5JB) ## 采访 ### 代理金融 在 2026 年 5 月的一期 *The Rollup* 播客中，Green 讨论了代理金融的兴起及其在 2026 年成为主要行业的潜力，这主要由越来越多用于 [DeFi](https://iq.wiki/wiki/defi) 收益优化、交易和投资组合管理的自主 [AI 代理](https://iq.wiki/wiki/ai-agents) 所驱动。他描述了这些系统如何将基于规则的自动化与 AI 驱动的链上及离线数据（包括市场信号和情绪）分析相结合，从而做出更具适应性的金融决策。Green 还概述了 Cambrian Network 在构建金融数据基础设施方面的作用，重点是聚合和结构化链上信息，以支持零售和机构用户。他进一步解释了公司的发展路线图，其中包括以可验证性、[主网](https://iq.wiki/wiki/mainnet) 部署为中心的阶段，以及通过 AI 赋能的自动化实现 [加密货币](https://iq.wiki/wiki/cryptocurrency) 与传统金融系统长期融合的目标。讨论强调了可靠的数据基础设施和工具作为可扩展代理金融系统基石的重要性，以及金融市场向更集成、更自动化方向发展的广泛趋势。[\[4\]](#cite-id-3qK3rFglEpzPScRs) [YOUTUBE@VID](https://youtube.com/watch?v=6IjinlRAg54) ### 重塑加密货币 在 2026 年 4 月的一期 *The Crypto Beat* 中，Green 与 [以太坊基金会](https://iq.wiki/wiki/ethereum-foundation-ef) 的 [Austin Griffith](https://iq.wiki/wiki/austin-griffith) 一起讨论了人工智能如何重塑 [加密货币](https://iq.wiki/wiki/cryptocurrency) 的开发、交易和风险管理。对话集中在 GPT、Claude 和 Opus 等 AI 工具在构建、审计和部署 [智能合约](https://iq.wiki/wiki/smart-contract) 中日益增加的使用，小组指出这些系统正开始自动化以前需要整个工程团队完成的工作。他们还讨论了“代理金融”的出现，即 [AI 驱动的代理](https://iq.wiki/wiki/ai-agents) 处理交易和投资组合管理任务，从基于规则的系统演变为更具适应性的机器学习方法。 讨论进一步探讨了 AI 如何通过降低成本并使个人或小团队能够更快地构建复杂应用，从而降低 [加密货币](https://iq.wiki/wiki/cryptocurrency) 开发的准入门槛，这可能会加速高增长公司的创建。他们强调了攻击和防御能力的同步提升，AI 在增强安全威胁的同时，也改进了防御工具和审计流程。小组还触及了代理互操作性和支付的新兴标准，以及自主 AI 系统端到端管理 [智能合约](https://iq.wiki/wiki/smart-contract) 生态系统的长期可能性。尽管承认存在与安全和复杂性相关的风险，但他们对 AI 作为 [加密货币](https://iq.wiki/wiki/cryptocurrency) 的新界面层持广泛乐观态度，认为它使开发变得更加易得、高效和可扩展。[\[5\]](#cite-id-xRuOjNgTQ25V69DI) [YOUTUBE@VID](https://youtube.com/watch?v=E6FkjoM2qrE) ## 演讲演示 ### 代理革命 在 12 月的 Devconnect 2025 上，Green 强调虽然目前的 [加密货币](https://iq.wiki/wiki/cryptocurrency) 用户界面存在问题，但 [自主代理](https://iq.wiki/wiki/ai-agents) 的出现将改变用户体验。他解释说，代理被定义为能够代表用户感知、思考和行动的程序，它们将解决现有 AI 模型的局限性，并通过 AI 能力的持续翻倍（类似于摩尔定律）显著提高性能。借鉴从工业革命到信息时代的历次历史革命，Green 强调即将到来的代理革命在对生产力的影响上将超越以往的变革时代。他特别关注了其对金融的影响，尤其是 [加密货币](https://iq.wiki/wiki/cryptocurrency) 和 [区块链](https://iq.wiki/wiki/blockchain) 系统，在这些系统中，可编程货币将使代理能够自主管理资产、执行交易、分配流动性并优化借贷协议。Green 展示了代理金融的快速增长，其管理资产在一年内从接近零飙升至超过 5 亿美元，并概述了包括预测、交易、信息分析、流动性提供和借贷代理在内的项目类别。他强调了金融智能对于代理高效发现机会的重要性，并预测 [稳定币](https://iq.wiki/wiki/stablecoin) 和 [DeFi](https://iq.wiki/wiki/defi) 将成为大规模采用的初始入口，最终通向一个 [自主代理](https://iq.wiki/wiki/ai-agents) 能够无缝且安全地做出金融决策、彻底变革整个金融生态系统的未来。[\[6\]](#cite-id-p3WXHHVVn1pPYSkp) [YOUTUBE@VID](https://youtube.com/watch?v=Uccf3wmKTO4) ### DeFi 代理 在 2025 年 2 月的 [ETHDenver](https://iq.wiki/wiki/ethdenver) 上，Green 讨论了强化学习 (RL) 及其通过使代理能够通过试错进行学习和适应来彻底改变 [去中心化金融 (DeFi)](https://iq.wiki/wiki/defi) 的潜力。凭借他在密码学和 RL 方面的学术背景，他解释了 RL 如何模拟动物学习，并可以在模拟和现实环境中运行以优化决策。Green 强调了 RL 教导代理超越人类熟练程度行为的能力，例如机器人骑自行车或 AI 在训练期间自我纠正。他强调了 RL 对长期战略问题的适用性，如交易、投资组合管理、做市、套利和 [流动性挖矿](https://iq.wiki/wiki/yield-farming)，特别是它对不断变化的市场和复杂序列决策的适应性。尽管处于早期采用阶段并面临奖励延迟、可解释性问题和监管风险等挑战，Green 指出主要的金融机构和新兴的 [DeFi](https://iq.wiki/wiki/defi) 项目正在尝试使用 RL 来提高效率、风险管理和盈利能力。总的来说，他认为对金融感兴趣的开发者有巨大的机会利用 RL 进行创新，特别是考虑到其在 [DeFi](https://iq.wiki/wiki/defi) 中的应用尚处于早期阶段。[\[7\]](#cite-id-FeQA62dPk4ZYTskd) [YOUTUBE@VID](https://youtube.com/watch?v=IlvQk5QSS-8)