00:00 介紹
05:03 基於Transformer架構的支付基礎模型
10:44 金融服務採用開源模型
17:53 AI推理中的成本與延遲權衡
20:24 AI系統中的Token經濟與效率
23:21 Agent權衡化工作流程作為智慧 Commerce中的協議整合趨勢
30:17 用於Agent安全的開源運行時OpenSHIELD
33:33 穩定幣在Agent-to-Agent微支付中的優勢
35:36 相比支付，搜尋在Agent中的實際落地更快

Takeaways：

歡迎來到 Tokenized，這是一檔專注於穩定幣以及現實世界資產代幣化機構採用的節目。 我是 Simon Taylor，今天的主持人，同時也是 Fintech Brain Food 的作者，也是 Tempo 的市場發展負責人。

今天我們繼續 Agentic Commerce 系列，同時和我一起的還有 Mesh 的 CEO，Bam Azizi。 你最近怎麼樣，Bam？

我很好，謝謝你 Simon 再次邀請我們。

這個系列現在真的在起飛。 我覺得 Agentic Commerce 已經成為現在世界上最熱門的話題之一，真的吸引了所有人的注意。

今天我們也邀請了一位來自同樣非常吸引關注的公司的嘉賓——事實上可以說是世界上最大的公司之一——但他們在支持 Agentic Commerce 上做了一些大多數人沒有意識到的事情。

所以今天我們邀請到了 NVIDIA 的全球產業業務發展與支付負責人 Pahal Patangia。 Pahal，你最近怎麼樣？

我很好，Simon，謝謝你的邀請。 很高興來到這個節目，也很期待我們三個人一起的這場對話。

確實，這一切都集合在了一起——這是我喜歡的一切：支付、NVIDIA 在視頻遊戲領域的積累、商業、穩定幣……所有這些好的東西。

不過在我們開始之前，我要提醒一下觀眾和聽眾：本節目嘉賓的觀點僅代表個人，不一定代表他們所在公司的觀點。 同時，我們說的任何內容都不構成稅務、法律或財務建議，請大家自行做研究。

好的，從一個宏觀視角來看，Agentic Commerce 對於像 NVIDIA 這樣的公司到底意味著什麼？ 一家 GPU 公司、加速運算公司、一家 AI 公司、一家硬體公司，為什麼會參與到支付和商業中？

當然，Simon，這是個很好的問題。 我也很高興你從 GPU 公司、硬體公司、加速運算公司的角度來提問，因為這確實是過去幾十年來大家對 NVIDIA 的認知。

但我想說的是，這種認知在過去 20 年其實一直在不斷演變。

在過去幾十年中，NVIDIA 已經轉型為一個全端的加速運算平台，該公司正在為整個生態系統中的 AI 應用提供能力。

在我們進入 Agentic Commerce 或 AI 之前，很重要的一點是理解 NVIDIA 在平台層面的定位，以及我們提供的能力——這些能力實際上正在推動你每天看到的 AI 爆發。

我們通常用一個「五層蛋糕」的概念來描述 NVIDIA 提供給生態系統建構 AI 應用的能力。

這個「五層蛋糕」是由不同的「成分」組成的，這些成分使得今天以可擴展的方式構建 AI 應用、構建 AI 工廠成為可能。

最底層是土地、電力和能源－這是做任何 AI 相關事情的基礎。

在這之上是晶片層，包括硬體、GPU、CPU，以及相關的網路系統。

再往上是系統層，也就是資料中心層，這些晶片如何被組織起來，我們把它們看作是不同的單元，最終組合成一台「巨大的電腦」。

因為過去我們把電腦理解為個人設備，但現在資料中心本身就是一台電腦，這就是系統層。

在這之上是基礎模型層。 這些基礎模型包含了知識、產業理解以及各種能力。 生態系中有很多合作夥伴，例如 OpenAI、Meta、Mistral 等，都在建構這些基礎模型。

但這些基礎模型需要進一步細分到具體產業、具體場景、具體問題中，這就是第五層──應用層。

NVIDIA 的平台貫穿這五層，把這一整套能力組合在一起。 開發者可以利用這五層平台為自己的用例建立應用程式。

在支付領域，一個關鍵的應用就是 Agentic Commerce。

我們的目標是把我們的硬體、軟體和模型能力嵌入這些生態玩家中，讓他們能夠大規模地建構這些應用。 這就是我們的定位，也是我們在推動整個生態發展的方式。

對我來說很有意思的一點是，我們和很多人聊 Agentic Commerce 的時候，大家都會默認背後有很多軟體、有很多硬體在運行這些東西，但你在這個行業已經很久了，你其實是非常理解這些底層是怎麼運作的。 你怎麼看？

對，這很有意思，其實我之前在 LinkedIn 上發過一篇帖子，還挺火的，是關於這種分層結構的。

和 Pahal 剛才講的很類似。 我當時講的是基礎層、分送層、編排層，還有連結層。 我當時的觀點是，連結層是最重要的——當然有點“私心”，因為 Mesh 就是在這一層。

但我其實很好奇，從 NVIDIA 的角度來看，你們覺得哪一層才是最重要的？ 你們現在把最多時間和資金投入在哪一層？

對，這個問題很好。 我認為從我們的角度來看，現在支付產業正在發生兩個非常關鍵的現象。

我們是在大規模地把 AI 引入到支付產業中，而且通常是一個現象會引出另一個現象。

第一個現像是「支付基礎模型」的出現。

如果你去看 Agentic Commerce 的整個流程，你會發現這個流程其實已經被「壓縮」了。 比如說結帳流程其實已經被壓縮了。

在過去的世界裡，你作為一個人，是掌握上下文的。 你知道你要買什麼，你知道你要怎麼去完成結帳，這些上下文是存在你腦子裡的。

但是現在問題是：Agent 從哪裡取得這些上下文？

Agent 必須透過學習使用者的行為、使用者畫像、使用者偏好，以及你為交易設定的各種限制條件（例如從 SKU 到最終交易的所有規則），來取得這些上下文。

那 Agent 怎麼獲得這些能力？

這就引出了一個新的趨勢，我會說這是一個有點「地下」的趨勢，但正在快速獲得關注——就是「支付基礎模型」。

因為在金融服務業，尤其是支付和銀行業，歷史上所有的數據基本上都是以結構化表格的形式存在的。

過去你做的是把這些資料餵給機器學習演算法，然後建立一些傾向模型，例如預測使用者可能會買什麼、可能會做什麼交易。

但隨著新一代演算法的出現，特別是 Transformer 架構——它是生成式 AI 的基礎——現在有一個新的趨勢，就是把這些結構化資料暴露給 Transformer 模型。

這就是「支付基礎模型」的概念。

而這些模型會產生一種叫做「embedding」的東西。

簡單來說，embedding 就是對使用者行為的語意化表達。 如：

• Pahal 這個人會做什麼

• 他最近的動態偏好是什麼

• 他長期的行為模式是什麼

Transformer 模型可以把這些資訊整合在一起，形成這種 embedding。

然後這些 embedding 會被輸入到 Agent 中，Agent 再基於這些資訊去執行動作，例如完成交易。

這就是兩個世界開始融合的地方——AI 和支付。

這些 embedding 就成為了 Agent 的“上下文層”，讓 Agent 能夠更好地執行、更好地迭代，並且確保所有行為都在設定的規則範圍內，同時不斷學習、不斷優化。

這就是目前正在推動 Agentic Commerce 發展的一個重要趨勢。

另外，我還想特別強調一點，在 Agentic Commerce 裡我們看到的另一個趨勢是：

如果你把整個流程拆成“搜尋”和“付款”，

現在真正發展最快、最成熟的是「搜尋」這一部分。

搜尋這個問題其實已經被研究了很多年，現在有更好的演算法來解決它，所以這一波技術浪潮在「搜尋」上非常有效。

這也是為什麼現在的使用者體驗會變得更個人化、更有黏性。

我們也在跟 PayPal 做很多合作。 PayPal 希望把 Agentic Commerce 的能力帶給他們的商家生態，大概有 1,900 萬商家。

這些商戶大多是中小商戶，他們對 AI 其實是比較「黑箱」的，不太理解發生了什麼事。

PayPal 的做法是，把這些能力透過平台提供給這些商家。

他們的方式是：
對開源模型進行微調，讓這些模型適配 PayPal 的環境和特定用例。

這樣商戶就可以很自然地使用這些能力，而不需要自己去理解底層技術。

我剛剛聽你講了很多內容，我想試著複述一下，看看我有沒有理解對，同時也讓聽眾更容易理解。

很多人會忽略一點：除了 Anthropic、ChatGPT、Gemini 這些模型之外，其實還有很多開源模型，而 NVIDIA 在這方面是個重要的參與者。

像你們的 NeMo、Neotron 這些模型，在性能上一直處於領先地位。

然後像 PayPal 這樣的企業客戶，會把這些能力帶給商家。

在支付產業，為商家創造價值就是一切。 商戶才是整個世界運作的核心。 如果你不能為商家提供服務，那你其實什麼都不是。

他們是賣商品的人，他們是你的客戶，他們付你的錢。 所以你必須為他們創造價值。

Stripe 之前也發布過一個支付基礎模型，在反詐騙方面有不錯的效果。

但我很好奇，除了反詐騙之外，支付基礎模型還能做什麼？

如果我現在有了一個非常豐富的、多維度的 embedding，可以理解用戶的各種偏好，那麼這些能力怎麼幫助商家賣更多東西、服務好客戶？

而且商家大概率不願意把這些資料交給大型 AI 實驗室。

所以他們會傾向於使用開源模型。

而且現在開源模型和最前沿模型之間的差距，大概也就 6 個月，而且是效能上的差距。

對大多數日常使用來說，其實幾乎感受不到差異。

對許多中小型商家來說，這些模型已經遠遠好於他們現在使用的免費版 ChatGPT。

所以 PayPal 可以給他們一個非常好的體驗，同時底層其實是 NVIDIA 的能力。

我覺得這一點很多人其實沒有意識到。

另外我看到一個研究資料：65% 的金融機構已經在使用 AI，同時有 84% 表示開源模型對他們的 AI 策略很重要。

所以我想問你：為什麼開源模式在金融業變得這麼重要？

對，這是一個很好的問題。

金融業一直以來，在採用新技術方面都是「慢半拍」的。

而這個「慢半拍」的原因包括：
監管
可解釋性要求
以及對「黑箱模型」的不信任

金融機構希望能夠理解模型內部發生了什麼，這樣才能放心地把它用在生產環境中。

所以他們更傾向於使用能夠被控制、能夠被微調的模型。

同時，正如你剛才所說的，現在開源模型的效能已經非常接近大型閉源模型。

這種「表現接近」的情況，會把討論重點從「模型表現」轉移到其他維度，例如：

• 成本

• 控制權

• 合規性

• 系統韌性

企業希望在建構這些應用時，有更多的選擇，而不是依賴單一供應商。

當然，我們也把基礎模型提供者視為重要的客戶和合作夥伴。

但同時，當企業需要更多彈性時，開源模型就會更適合。

例如 NVIDIA 的 Neotron 模型，以及 NeMo 工具鏈，可以幫助企業更容易微調模型。

而這種能力在 Agentic Commerce 中會變得越來越重要。

這個權衡確實很有意思。

Bam，我也想問你，從一個在穩定幣和支付領域建立公司的角度來看，你是怎麼看開源和閉源的？ 你的客戶會關心這個問題嗎？

我覺得從客戶角度來說，他們其實不關心開源還是閉源。

這是技術社群關心的事情，對科學發展、技術發展很重要。

但客戶只關心一件事：
有沒有最好的解決方案，能不能幫他們把生意跑起來。

不過開源對產業來說是非常重要的，我們還是需要盡可能推動開源。

另外一點讓我印像很深的是，Pahal 剛才講到 NVIDIA 的位置。

過去 NVIDIA 比較像是硬體層，然後中間會有一層，像是 ChatGPT、雲端廠商等，再往上才是應用層。

但現在你們直接和 PayPal 這樣的公司合作，是不是代表你們在「跳過中間層」？

是不是代表更快、更便宜、更有效率？

那這樣會不會對 OpenAI 這樣的公司構成威脅？

完全不是這樣。

我們的理念是「在開發者所在的地方支持他們」。

如果開發者希望使用我們的大型合作夥伴，例如基礎模型供應商，我們完全支持，並且會幫助他們獲得最好的結果。

如果他們希望使用開源模型，我們也提供工具和平台支援。

這比較取決於企業內部的業務需求和決策。

我們提供的是一個完整的平台，讓他們可以自由選擇。

Simon Taylor：
我覺得這種取捨真的很有趣。

Pahal，你是怎麼去指導像 PayPal 這樣的支付公司做這些決策的？ 例如他們要提供商家這些能力，你會怎麼幫助他們在不同用例之間做取捨？ 你從這些支付公司聽到的回饋是什麼？

這是一個很好的問題。

在這個領域，當你開始運行越來越複雜的模型，從今天的模型到未來的 Agent，再到多 Agent 系統，會有很多需要考慮的因素。

首先當然是準確性。 但當你把準確度優化到一定程度之後，真正決定結果的，是其他幾個因素。

第一個是成本。

例如你要服務 1900 萬商戶，那每天就會產生大量的推理呼叫。 你必須思考：如何在你的用例下，把這些推理調用的成本優化到最低。

第二個是延遲。

沒有人願意在那裡等，就像網路斷了之後瀏覽器裡那個小蛇遊戲一樣（Chrome 離線小遊戲）。

你需要的是毫秒響應。

模型需要在毫秒內完成思考、推理、從不同資料來源獲取資訊、結合上下文，並在既定規則內做出決策。

要完成這一切，需要消耗大量 token，需要做大量決策，需要執行複雜的流程，而且這一切都必須是動態的、聰明的。

如果 Agent 被正確微調，並且在正確的約束條件下運行，是可以做到這些的。

你執行一次，然後會有回饋循環。

這個回饋循環會形成一個“數據飛輪”：
你會不斷獲得新的數據，對比“實際結果”和“理想結果”，然後不斷優化模型。

對，然後當你把這個邏輯從單一 Agent 擴展到多 Agent 系統時，事情就變得更加複雜了。

例如：

• 網路側的 Agent

• 發卡行側的 Agent

• 收單行側的 Agent

這些 Agent 會互相通訊。

或企業內部：

• 一個採購 Agent 在 SAP 系統裡

• 它需要和庫存系統對話

• 也要跟財務系統對話

那整個系統如何進行推理？ 如何變得更有效率？

這就會導致一個問題：token 會爆炸性成長。

這就是為什麼「token economics」會變得非常重要。

不只是減少 token 使用量，而是如何在成本、算力、延遲之間達到最優效率。

甚至可以理解為：
「每千瓦時能產生多少高品質 token 輸出」。

這裡面其實是有經濟模型的。

如果你不控制好，很容易就會燒掉很多錢。

任何玩過 OpenClaw 的人都知道，很容易一個月就花掉 1000 美元，只是調用了幾個 API 而已，然後就掉進各種 rabbit hole。

對企業來說，這個問題更嚴重。

過去你可能只是跑一些機器學習模型，像是 Snowflake 上的模型、CNN 等，但現在這些 AI 模型的成本結構完全不同。

對於一個做使用者忠誠度、或反詐騙的企業來說，這種成本差異是非常巨大的。

而且在卡片組織、商家、發卡銀行這些不同角色中，每個角色對 Agent 的要求不同，對 token 的需求也不同。

所以整個系統的複雜性是非常高的。

不僅要控製成本，還要讓系統隨著時間不斷變好，就像人一樣學習：
「你剛剛做錯了，下次不要再犯」。

但如果你真的用過 OpenClaw，就會知道，要讓系統持續穩定地做對事情其實非常難。

所以 NVIDIA 在企業級場景下去解決這個問題，是非常有價值的。

我們把話題拉回電商。

Agentic Commerce 現在到底對商業產生了什麼影響？

用戶在結帳時真的能感受到這些變化嗎？ 這些價值是在哪裡體現出來的？

我們的目標是支援那些真正為終端用戶創造價值的玩家，例如 PayPal 這樣的支付平台。

同時他們會和大型零售商合作，在其之上部署面向消費者的 Agent。

從整個產業來看，我們看到的一些趨勢包括：

例如 Mastercard 已經在一些國家實現了完全由 Agent 驅動的交易。

這些都是早期成功的訊號。

這讓我們相信，這些技術最終會成為主流。

當然，這裡面還有很多需要解決的問題，例如：
這些 Agent 是否真的能提高結帳轉換率？
是否夠穩定？

目前來看，還需要更多的微調和約束機制，讓 Agent 能夠真正自主地完成任務。

我想特別提一下 Sardine，他們在反詐騙領域做了很多事情。

他們已經有 70 億設備的資料網絡，建構了自己的模型，並且記錄了 Agent 的執行效果。

這些歷史資料和 Agent 工作流程，本身就是一種智慧財產權。

過去這些能力是透過 SaaS 或 API 提供的，現在則變成了 Agent 工作流程。

在電商中，你的 Agent 工作流程，就是你的核心 IP。

我覺得這是一個很關鍵的點。

好的，感謝 Mesh，也感謝所有贊助商讓這個節目得以實現。

Bam，我不知道你是不是跟我一樣，現在聽到很多不同的協議名字，多到都記不過來了。

你現在是怎麼跟客戶討論這些協議的？ 你會問 NVIDIA 什麼問題？

我覺得現在最核心的問題是：未來會走向整合，還是繼續碎片化？

這是一個「十億美元等級」的問題。 如果有人能回答這個問題，就可以在這個領域建立一個龐大的公司。

如果你問我，我會比較傾向整合，就像網路的發展一樣。

過去有很多不同的協議，但最終我們都統一到了 HTTP。

裝置之間通訊也有很多協議，但最後基本上統一到 Wi-Fi 和藍牙。

甚至在充電接口上也是，從各種不同接口，最後統一成一兩種。

所以我認為這裡也會發生類似的事情。

尤其是最近 x402 的一些進展，例如他們正在推動進入 Linux 基金會，由一個中立組織來託管，同時 Stripe、Coinbase 等公司也在支持。

我本身是做身份認證和安全的，我們在認證協議上也看到過類似的整合過程。

所以我的判斷是會整合。

但我也很好奇 Pahal 的看法。

另一個問題是：
未來會不會出現不同的協議？

例如：

• 人類和 Agent 的交互

• Agent 和 Agent 的交互

這兩個場景的 UI/UX、協定可能完全不同。

你怎麼看現在市面上的發展？

我想到一個經典的 XKCD 漫畫：

「現在有 14 種認證標準，我們需要一個統一標準。」
然後後來變成：「現在有 15 種標準。」

你在這個領域這麼久了，你怎麼看這個問題？

是的，如果我有一個水晶球的話，我也很想知道答案（笑）。

但從我們的角度來看，我同意 Bam 的觀點：

最終這些協議會收斂到少數幾個主流方案。

但在這個過程中，現在的多樣性其實是好事。

因為這些協定正在啟動更多開發者，讓更多人開始建置。

現在的階段其實就是“民主化階段”，就像過去三年 LLM 的發展一樣。

不同的模型不斷出現，推動了整個產業的採用。

同樣的事情也會發生在這些協定上。

這些協定會吸引越來越多的人參與其中──開發者、企業、使用者──大家都會在這些基礎之上建構。

這會推動互通性的發展，最終走向整合。

另外，隨著越來越多 Agent 被構建，安全問題也變得越來越重要。

大家都在建構自己的 Agent 系統，但必須確保這些系統是在安全環境中運作的。

所以我們在 GTC 上發布了一個叫 OpenSHIELD 的東西。

OpenSHIELD 是一個開源運行時，是安全加固的，它位於 Agent 和基礎設施之間。

它可以為 Agent 提供一個沙盒環境，讓它們在受控環境中運作。

這樣即使出現問題，也可以限制影響範圍。

對，這一點非常關鍵。

很多人沒有意識到：

當你在建構 Agent，同時你還有生產環境，你到底要不要把 Agent 放進生產環境？

如果沒有隔離，一旦出問題，影響會非常大。

所以像 OpenSHIELD 這樣的沙盒機制就非常重要。

我還想到一個例子：早期行動網路的時候，有 WAP 這種東西，在智慧型手機出現之前，人們嘗試用手機做支付。

現在的 Agentic Commerce，某種程度上也可能還處於非常早期的階段。

所以我很好奇：

你現在是怎麼分配精力的？

你是專注在穩定幣身上？
還是人與 Agent 的互動？
還是 Agent 和 Agent 的交互？

你是全都做，還是有重點？

這是個很好的問題。

從我的角度來看，我們主要關注當前最重要的趨勢：

• 支付基礎模型

• Agentic Commerce

但在這些之中，還會不斷出現新的子趨勢。

比如穩定幣。

我們把穩定幣看作是對現有法幣系統的一種補充，它會帶來新的用戶、新的生態。

新一代用戶可能會更習慣使用穩定幣，而不是信用卡。

但同時，兩者之間也會融合。

不過從根本上來說，AI 在支付領域的核心用例並沒有改變：

• 反詐騙

• 身份驗證

• 個人化

這些仍然是最重要的。

是的，本質上還是支付的附加價值。

無論你用的是穩定幣還是卡網絡，這些問題都會存在。

Bam，我很好奇你的看法。 你在穩定幣領域做網絡，你怎麼看 Agentic Commerce 和穩定幣的關係？

我認為 Agentic Commerce 可以使用不同的支付軌道。

例如現在用戶在 ChatGPT、Anthropic 或 Perplexity 上搜尋商品，例如一雙鞋或一件 T 卹，然後 Agent 可以幫用戶完成付款。

這個支付可以用信用卡，也可以用穩定幣。

在這種場景下，兩者是並行的。

但在跨國支付、國際交易中，穩定幣會更有優勢。

而在 Agent-to-Agent 場景中，我認為穩定幣是絕對優勢。

原因是：

這些交易通常是微支付。
例如 0.00005 美元這樣的金額。

這種金額用 Visa 或傳統銀行體係是無法處理的。

同時，這些交易需要：
即時
全球
線上

穩定幣正好滿足這些條件。

另外一點是交易頻率。

一個人平均一天可能做 2 筆交易，但 Agent 一天可能做 2000 筆。

這種 TPS（吞吐量）只有區塊鏈能支援。

傳統支付系統並不是為 Agent 設計的，它們會失敗。

所以我非常看好穩定幣在 Agentic Commerce 中的應用。

這確實是一個數量級的爆發，對吧？

我記得現在網路上大概每秒有 400 萬封郵件，這還只是郵件，還沒算影片。

那在這樣的世界裡，傳統支付系統每秒幾萬筆交易的能力，顯然是不夠的。

但我們還是回到現實一點，Pahal，從你的角度來看，真正的使用者需求在哪裡？ 真正的交易量在哪裡？

我常開玩笑說，現在 Agentic Commerce 的協議比支付協議還多。

你可能是最接近底層基礎設施的人——甚至是「基礎設施的基礎設施的基礎設施」。

所以你看到的真實需求在哪裡？ 真實的用例在哪裡？

我覺得可以從兩個角度來回答這個問題。

第一個是從整個生態系的角度來看。

如我之前所提到的，我們可以把整個流程分成兩個部分：

• 搜尋

• 付款

目前來看，搜尋這一部分已經比較成熟了，甚至可以說已經解決得差不多了。

而支付這一部分，仍然處於大量實驗階段。

很多 sandbox 測試都在進行中。

這也是為什麼我對 OpenSHIELD 這樣的工具非常看好，因為它可以幫助生態系統在安全環境中建立這些 Agent，並讓它們具備交易能力。

第二個是從長期來看。

我非常看好多 Agent 系統的發展。

未來的世界中，不同的 Agent 會互相互動、協作。

而我們的角色，是幫助這些系統變得更好：

• 透過回饋循環

• 透過安全運行環境

• 透過各種約束機制（guardrails）

當然，還需要大量的微調，確保這些 Agent 能夠按照預期執行，而不會偏離。

這些都是未來我們重點關注的方向。

我覺得今天的討論中，有一個很重要的主題就是「token economics」。

其實我們剛剛聊到 token 的時候，Bam 和我都笑了一下，因為在穩定幣領域，我們對 token economics 的理解是另一套邏輯。

但現在你會發現：

所有東西都變成「token」了。

認證裡有 token
網路安全裡有 token
Visa、Mastercard 有 network token
開放銀行裡有 token
穩定幣是 token
AI 裡也有 token

“token”這個詞在英語裡其實很令人困惑，因為它本來只是表示“某種替代物”，但現在幾乎什麼都可以叫 token。

但無論如何，你必須理解它背後的經濟模型。

最終，無論是 AI 還是支付網絡，決定使用者體驗的還是：

• 速度

• 成本

這兩個因素會不斷把我們拉回現實。

Pahal，非常感謝你今天的分享。 作為一個長期關注 NVIDIA 的人，同時也是支付行業的一員，這次對話真的非常有趣。 如果大家想了解更多關於你或 NVIDIA 在支付領域的工作，可以去哪裡？

大家可以在 LinkedIn 聯絡我，也可以透過我的信箱聯絡。

如果想了解 NVIDIA 在金融服務領域的工作，可以訪問 NVIDIA 官網，我們有專門的行業頁面，介紹我們在支付、銀行和資本市場方面的工作。

我們希望把 AI 的能力帶給整個生態系統，也很樂意成為大家的合作夥伴。

很好，謝謝你。 Bam，如果大家想接取 Mesh 網路或聯絡你，該怎麼做？

可以存取 meshpay.com，或在 Twitter、LinkedIn 上搜尋 Mesh Pay。 如果想找我，可以在 Telegram 或 Twitter 上搜尋 Bam Azizi。

大家也可以在各個平台上找到我，或是造訪 finttechbrainfood.com。 我最近寫了一篇關於「隱形商業」的文章，討論 Agentic Commerce 可能存在的一些問題。 如果你喜歡這個節目，記得訂閱、按讚、分享給朋友，這樣更多人可以看到這些內容。 我們下期再見。