0xjacobzhao

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
В наших предыдущих отчетах о исследованиях Crypto AI мы постоянно подчеркивали мнение, что наиболее практичные сценарии применения в текущем крипто-пространстве в основном сосредоточены на платежах с использованием стейблкоинов и DeFi, в то время как Агенты являются ключевым интерфейсом для AI-индустрии, ориентированной на пользователей. Поэтому, в тренде интеграции Crypto и AI, двумя наиболее ценными путями являются: AgentFi, основанный на существующих зрелых DeFi протоколах (основные стратегии, такие как кредитование и ликвидное майнинг, а также продвинутые стратегии, такие как Swap, Pendle PT и арбитраж по ставкам финансирования) в краткосрочной перспективе; и Agent Payment, сосредоточенный на расчетах со стейблкоинами и полагающийся на протоколы, такие как ACP/AP2/x402/ERC-8004 в среднесрочной и долгосрочной перспективе.

Noya.ai отчет: Прогнозирование интеллектуальных агентов рынка
Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

В прошлых отчетах серии Crypto AI мы постоянно подчеркивали точку зрения: текущие сценарии с наибольшей практической ценностью в криптообласти в основном сосредоточены на платежах с использованием стейблкоинов и DeFi, при этом Agent является ключевым интерфейсом AI-отрасли для пользователей. Таким образом, в условиях тенденции к слиянию Crypto и AI, наиболее ценными двумя путями являются: AgentFi, основанный в краткосрочной перспективе на существующих зрелых DeFi-протоколах (основные стратегии, такие как кредитование, ликвидностное майнинг и т. д., а также продвинутые стратегии, такие как Swap, Pendle PT, арбитраж по ставке капитала и т. д.), и Agent Payment, сосредоточенный в среднесрочной и долгосрочной перспективе вокруг расчетов со стейблкоинами и основанный на протоколах ACP/AP2/x402/ERC-8004.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Этот независимый исследовательский отчет поддерживается IOSG Ventures. Процесс исследования и написания был вдохновлен работой Сэма Леймана (Pantera Capital) по обучению с подкреплением. Спасибо Бену Филдингу (Gensyn.ai), Гао Юаню (Gradient), Самуэлю Дэру и Эрфану Мияхи (Covenant AI), Шашанку Ядаву (Fraction AI), Чао Вангу за их ценные предложения по этой статье. Эта статья стремится к объективности и точности, но некоторые точки зрения могут включать субъективные суждения и содержать предвзятости. Мы ценим понимание читателей.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Этот независимый отчет поддерживается IOSG Ventures, процесс исследования и написания был вдохновлен отчетом по обучению с подкреплением Сэма Леймана (Pantera Capital), благодарим Бена Филдинга (Gensyn.ai), Гао Юаня (Gradient), Самуэля Дейра и Эрфана Миахи (Covenant AI), Шашанка Ядава (Fraction AI), Чао Ванга за ценные советы, данные по этой статье. Мы стремимся к объективной и точной информации, некоторые мнения могут содержать субъективные суждения и неизбежно могут быть искажены, просим читателей отнестись с пониманием.
Искусственный интеллект переходит от статистического обучения, основанного на "подгонке моделей", к способности, сосредоточенной на "структурированном рассуждении", и важность постобучения (Post-training) быстро возрастает. Появление DeepSeek-R1 знаменует собой парадигмальный переворот в эпоху больших моделей в области обучения с подкреплением; сформировалось общее мнение в отрасли: предварительное обучение создает универсальную основу для модели, а обучение с подкреплением больше не является просто инструментом согласования ценности, а доказало свою способность систематически повышать качество цепочки рассуждений и сложные способности принятия решений, постепенно эволюционируя в технический путь для постоянного повышения уровня интеллекта.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Этот независимый исследовательский отчет поддерживается IOSG Ventures. Исследовательский и писательский процесс были вдохновлены связанными работами Рагава Агарвала (LongHash) и Джея Ю (Pantera). Спасибо Лексу Соколину @ Generative Ventures, Джордану@AIsa, Айви @PodOur2Cents за их ценные предложения по этой статье. Обратная связь также была запрошена у проектных команд, таких как Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON в процессе написания. Эта статья стремится к объективному и точному содержанию, но некоторые точки зрения могут включать субъективные суждения и неизбежно содержать отклонения. Понимание читателей ценится.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Этот независимый исследовательский отчет поддерживается IOSG Ventures, процесс написания исследования был вдохновлен отчетами Raghav Agarwal@LongHash и Jay Yu@Pantera. Благодарим Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) блог за ценные предложения по данной статье. В процессе написания также были учтены мнения команд проектов Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON и других. Статья стремится к объективности и точности, некоторые мнения включают субъективные оценки, что неизбежно может привести к искажениям, просим читателей отнестись с пониманием.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Этот независимый исследовательский отчет поддерживается IOSG Ventures. Автор благодарит Ханса (RoboCup Asia-Pacific), Ничанан Кесонпат(1kx), Роберта Кошига (1kx), Аманду Янг (Collab+Currency), Джонатана Виктора (Ansa Research), Лекса Соколина (Generative Ventures), Джея Ю (Pantera Capital), Джеффри Ху (Hashkey Capital) за их ценные комментарии, а также участников из OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network и CodecFlow за их конструктивные отзывы. Несмотря на все усилия для обеспечения объективности и точности, некоторые идеи неизбежно отражают субъективную интерпретацию, и читатели призываются критически относиться к содержанию.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Этот независимый исследовательский отчет поддерживается IOSG Ventures, благодарим Ханса (RoboCup Asia-Pacific), Ничанан Кесонпат (1kx), Роберта Кошига (1kx), Аманду Янг (Collab+Currency), Джонатана Виктора (Ansa Research), Лекса Соколина (Generative Ventures), Джея Ю (Pantera Capital), Джеффри Ху (Hashkey Capital) за ценные советы по этому документу. В процессе написания также были запрошены мнения команд проектов OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network и CodecFlow. Этот документ стремится быть объективным и точным, некоторые мнения могут быть субъективными и не избежать искажений, просим читателей понять.

Парадигма Проверяемых Вычислений — «вычисления вне цепи + проверка в цепи» — стала универсальной вычислительной моделью для блокчейн-систем. Она позволяет блокчейн-приложениям достигать почти бесконечной вычислительной свободы, сохраняя децентрализацию и отсутствие доверия как основные гарантии безопасности. Доказательства нулевых знаний (ZKP) составляют основу этой парадигмы, с приложениями, в основном, в трех фундаментальных направлениях: масштабируемость, конфиденциальность и совместимость & целостность данных. Масштабируемость была первым приложением ZK, достигнувшим производства, перемещая выполнение вне цепи и проверяя краткие доказательства в цепи для высокой пропускной способности и недорогого масштабирования без доверия.

“链下计算 + 链上验证”的可信计算（Verifiable Computing）范式，已成为区块链系统的通用计算模型。它让区块链应用在保持去中心化与信任最小化（trustlessness）安全性的前提下，获得几乎无限的计算自由度（computational freedom）。零知识证明（ZKP）是该范式的核心支柱，其应用主要集中在扩容（Scalability）、隐私（Privacy）以及互操作与数据完整性（Interoperability & Data Integrity）三大基础方向。其中，扩容是 ZK 技术最早落地的场景，通过将交易执行移至链下、以简短证明在链上验证结果，实现高 TPS 与低成本的可信扩容。

Автор:0xjacobzhao | https://linktr.ee/0xjacobzhao
Доказательства нулевого раскрытия (ZK) — как инфраструктура криптографии и масштабируемости следующего поколения — демонстрируют огромный потенциал в масштабировании блокчейна, приватной вычислительной деятельности, zkML и кросс-цепочной верификации. Однако процесс генерации доказательств крайне ресурсоемкий и требует значительного времени, что создает крупнейшую узкую горловину для промышленного внедрения. Аппаратное ускорение ZK, таким образом, стало основным катализатором. В этом контексте GPU превосходят в универсальности и скорости итерации, ASIC стремятся к максимальной эффективности и производительности на большом масштабе, в то время как FPGA служат гибкой средней ground, объединяя программируемость с энергоэффективностью. Вместе они формируют аппаратную основу, поддерживающую реальное внедрение ZK.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Доказательства с нулевыми знаниями (ZK) как новое поколение криптографической и инфраструктуры масштабирования уже продемонстрировали широкий потенциал в области масштабирования блокчейна, вычислений с конфиденциальностью, а также в новых приложениях, таких как zkML и кросс-цепная верификация. Однако процесс генерации доказательства требует огромных вычислительных ресурсов и имеет высокую задержку, что является крупнейшим препятствием для промышленного внедрения. Аппаратное ускорение ZK стало ключевым элементом в этом контексте. На пути аппаратного ускорения ZK, GPU выделяются универсальностью и скоростью итераций, ASIC стремятся к максимальной энергоэффективности и масштабируемости, а FPGA занимаются промежуточной формой, обладая гибкой программируемостью и высокой энергоэффективностью. Все три компонента вместе составляют аппаратную основу для внедрения доказательств с нулевыми знаниями.

Написано 0xjacobzhao | https://linktr.ee/0xjacobzhao
Поскольку ИИ становится самой быстрорастущей технологической волной, вычислительная мощность рассматривается как новая "валюта", а графические процессоры превращаются в стратегические активы. Однако финансирование и ликвидность остаются ограниченными, в то время как криптофинансам необходимы активы, обеспеченные реальными денежными потоками. Токенизация RWA появляется как мост. Инфраструктура ИИ, сочетающая высокоценное оборудование и предсказуемые денежные потоки, рассматривается как лучшая отправная точка для нестандартных RWA — графические процессоры предлагают практичность в краткосрочной перспективе, в то время как робототехника представляет собой более долгосрочную перспективу. RWAiFi GAIB (RWA + ИИ + DeFi) вводит новый путь к финансовизации на блокчейне, обеспечивая работу маховика ИИ инфраструктуры (ГПУ и робототехника) × RWA × DeFi.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
С ростом ИИ как самой быстрорастущей технологической волны в мире вычислительная мощность рассматривается как новая "валюта", а высокопроизводительное оборудование, такое как GPU, постепенно эволюционирует в стратегические активы. Однако долгое время такие активы сталкивались с ограничениями в финансировании и ликвидности. В то же время криптофинансы срочно нуждаются в качественных активах с реальными денежными потоками, и RWA (реальные активы) на блокчейне становятся ключевым мостом между традиционными финансами и крипторынком. Активы инфраструктуры ИИ, благодаря своей характеристике "высокая стоимость оборудования + предсказуемые денежные потоки", рассматриваются как лучшие точки прорыва для нестандартизированных активов RWA, среди которых GPU имеют наибольший потенциал, а роботы представляют собой более долгосрочные исследовательские направления. В этом контексте GAIB предлагает путь RWAiFi (RWA + AI + DeFi), предоставляя новое решение для "финансизации инфраструктуры ИИ на блокчейне" и способствуя синергии "инфраструктуры ИИ (вычисления и роботы) x RWA x DeFi".

Написано 0xjacobzhao | https://linktr.ee/0xjacobzhao
В нашем июньском отчете "Священный Грааль Крипто ИИ: Пограничное Исследование Децентрализованного Обучения" мы обсудили Федеративное Обучение — парадигму "контролируемой децентрализации", находящуюся между распределенным обучением и полностью децентрализованным обучением. Его основным принципом является хранение данных локально при централизации параметров, что особенно подходит для отраслей, чувствительных к конфиденциальности и имеющих строгие требования к соблюдению норм, таких как здравоохранение и финансы.

В июньском исследовании (Святой Грааль Crypto AI: передовые исследования децентрализованного обучения) мы упомянули федеративное обучение (Federated Learning) — это «контролируемая децентрализация», находящаяся между распределенным обучением и децентрализованным обучением: его суть заключается в локальном хранении данных и централизованной агрегации параметров, что соответствует требованиям конфиденциальности и соблюдения норм в таких областях, как медицина и финансы. В то же время мы продолжаем следить за ростом сети агентов (Agent) в наших предыдущих исследованиях — их ценность заключается в том, что с помощью автономии и разделения труда нескольких агентов можно совместно выполнять сложные задачи, способствуя эволюции от «большой модели» к «экосистеме многопользовательских агентов».

I. Введение | Переход модели Crypto AI на новый уровень
Данные, модели и вычислительная мощность являются тремя основными компонентами инфраструктуры ИИ, аналогично топливу (данные), двигателю (модель), энергии (вычислительная мощность) - каждое из них незаменимо. Подобно эволюционному пути инфраструктуры традиционной ИИ-отрасли, область Crypto AI также прошла через аналогичные стадии. В начале 2024 года рынок в значительной степени был подвержен влиянию децентрализованных GPU-проектов (Akash, Render, io.net и др.), которые в целом акцентировали внимание на логике грубого роста за счет «собрания вычислительной мощности». Однако начиная с 2025 года, внимание отрасли постепенно смещается к уровням моделей и данных, что обозначает переход Crypto AI от конкуренции за базовые ресурсы к более устойчивой и имеющей прикладную ценность среднесрочной конструкции.

1. Введение | Переход на уровень модели в Крипто ИИ
Данные, модели и вычисления формируют три основные опоры инфраструктуры ИИ — сопоставимые с топливом (данные), двигателем (модель) и энергией (вычисления) — все незаменимые. Подобно эволюции инфраструктуры в традиционной индустрии ИИ, сектор Крипто ИИ прошел аналогичную траекторию. В начале 2024 года рынок был доминируем децентрализованными проектами GPU (такими как Akash, Render и io.net), характеризующимися ресурсноемким ростом, сосредоточенным на сырой вычислительной мощности. Однако к 2025 году внимание отрасли постепенно сместилось к уровням моделей и данных, отмечая переход от конкуренции на уровне низкой инфраструктуры к более устойчивой, ориентированной на приложение, разработке на среднем уровне.

От 0xjacobzhao | https://linktr.ee/0xjacobzhao
Несомненно, Pendle является одним из самых успешных протоколов DeFi в текущем криптоцикле. В то время как многие протоколы остановились из-за нехватки ликвидности и угасания нарративов, Pendle выделился благодаря своему уникальному механизму разделения дохода и торговли, став “площадкой для ценообразования” для активов с доходом. Глубоко интегрировавшись со стабильными монетами, LST и другими активами, генерирующими доход, он обеспечил свою позицию как основную инфраструктуру “DeFi доходности”.

В блокчейне криптография является фундаментальной основой безопасности и доверия. Нулевые доказательства знания (ZK) могут сжимать любые сложные вычисления вне цепи в сжатые доказательства, которые могут быть эффективно проверены на цепи — без полагания на доверие третьей стороны — одновременно позволяя скрывать выборочные входные данные для сохранения конфиденциальности. Благодаря своему сочетанию эффективной проверки, универсальности и конфиденциальности, ZK стал ключевым решением для случаев использования масштабирования, конфиденциальности и взаимодействия. Хотя остаются проблемы, такие как высокая стоимость генерации доказательств и сложность разработки схем, инженерная осуществимость ZK и степень его принятия уже превысили другие подходы, что делает его наиболее широко используемой структурой для надежных вычислений.