0xjacobzhao

Auteur : 0xjacobzhao | https://linktr.ee/0xjacobzhao
Ce rapport de recherche indépendant est soutenu par IOSG Ventures. Le processus de recherche et d'écriture a été inspiré par le travail de Sam Lehman (Pantera Capital) sur l'apprentissage par renforcement. Merci à Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang pour leurs suggestions précieuses sur cet article. Cet article s'efforce d'objectivité et d'exactitude, mais certains points de vue impliquent un jugement subjectif et peuvent contenir des biais. Nous apprécions la compréhension des lecteurs.

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

Ce rapport de recherche indépendant est soutenu par IOSG Ventures, le processus de recherche et d'écriture a été inspiré par le rapport de recherche sur l'apprentissage par renforcement de Sam Lehman (Pantera Capital), merci à Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang pour leurs précieux commentaires sur cet article. Cet article s'efforce d'être objectif et précis, certaines opinions impliquent un jugement subjectif, des biais sont inévitables, nous prions les lecteurs de bien vouloir comprendre.
L'intelligence artificielle passe d'un apprentissage statistique principalement basé sur le "fitting de modèles" à un système de capacités centré sur le "raisonnement structuré", l'importance du post-entraînement (Post-training) augmente rapidement. L'apparition de DeepSeek-R1 marque un renversement de paradigme pour l'apprentissage par renforcement à l'ère des grands modèles, un consensus se forme dans l'industrie : le pré-entraînement construit la base des capacités générales des modèles, l'apprentissage par renforcement n'est plus seulement un outil d'alignement de valeur, mais a prouvé qu'il peut systématiquement améliorer la qualité des chaînes de raisonnement et la capacité de prise de décision complexe, évoluant progressivement vers un chemin technique pour améliorer continuellement le niveau d'intelligence.

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

Ce rapport de recherche indépendant est soutenu par IOSG Ventures. Le processus de recherche et d'écriture a été inspiré par des travaux connexes de Raghav Agarwal (LongHash) et Jay Yu (Pantera). Merci à Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents pour leurs précieuses suggestions sur cet article. Des retours ont également été sollicités auprès d'équipes de projet telles que Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON pendant le processus d'écriture. Cet article s'efforce de fournir un contenu objectif et précis, mais certains points de vue impliquent un jugement subjectif et peuvent inévitablement contenir des écarts. La compréhension des lecteurs est appréciée.

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

Ce rapport de recherche indépendant est soutenu par IOSG Ventures, et le processus de rédaction a été inspiré par les rapports de Raghav Agarwal@LongHash et Jay Yu@Pantera. Merci à Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog pour leurs précieuses suggestions concernant cet article. Des avis ont également été sollicités auprès des équipes de projets tels que Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON, etc. Cet article vise à être objectif et précis, certaines opinions impliquant un jugement subjectif peuvent inévitablement comporter des biais, nous prions les lecteurs de bien vouloir comprendre.

Auteur : 0xjacobzhao | https://linktr.ee/0xjacobzhao
Ce rapport de recherche indépendant est soutenu par IOSG Ventures. L'auteur remercie Hans (RoboCup Asie-Pacifique), Nichanan Kesonpat(1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) pour leurs commentaires précieux, ainsi que les contributeurs d'OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network et CodecFlow pour leurs retours constructifs. Bien que tous les efforts aient été faits pour garantir l'objectivité et l'exactitude, certaines informations reflètent inévitablement une interprétation subjective, et les lecteurs sont encouragés à interagir avec le contenu de manière critique.

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

Ce rapport indépendant est soutenu par IOSG Ventures, merci à Hans (RoboCup Asie-Pacifique), Nichanan Kesonpat (1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) pour leurs précieux conseils sur cet article. Au cours de la rédaction, des avis et des retours d'opinion ont également été sollicités auprès des équipes de projets tels qu'OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network et CodecFlow. Cet article s'efforce de présenter un contenu objectif et précis, certaines opinions impliquant un jugement subjectif, il est inévitable qu'il y ait des biais, nous prions les lecteurs de bien vouloir comprendre.

Le paradigme de l'informatique vérifiable—« calcul hors chaîne + vérification sur chaîne »—est devenu le modèle de calcul universel pour les systèmes blockchain. Il permet aux applications blockchain d'atteindre une liberté de calcul quasi infinie tout en maintenant la décentralisation et l'absence de confiance comme garanties de sécurité fondamentales. Les preuves à divulgation nulle de connaissance (ZKPs) forment la colonne vertébrale de ce paradigme, avec des applications principalement dans trois directions fondamentales : évolutivité, confidentialité et interopérabilité & intégrité des données. L'évolutivité a été la première application ZK à atteindre la production, déplaçant l'exécution hors chaîne et vérifiant des preuves concises sur chaîne pour un débit élevé et un évolutivité sans confiance à faible coût.

Le paradigme de calcul vérifiable (Verifiable Computing) de "calcul hors chaîne + vérification sur chaîne" est devenu le modèle de calcul universel des systèmes de blockchain. Il permet aux applications de blockchain d'obtenir une quasi-infinité de liberté computationnelle (computational freedom) tout en maintenant la décentralisation et une sécurité minimale de confiance (trustlessness). Les preuves à divulgation nulle de connaissance (ZKP) sont le pilier central de ce paradigme, dont les applications se concentrent principalement sur trois directions fondamentales : l'évolutivité (Scalability), la confidentialité (Privacy) et l'interopérabilité et l'intégrité des données (Interoperability & Data Integrity). Parmi celles-ci, l'évolutivité est le premier scénario où la technologie ZK a été mise en œuvre, permettant d'atteindre une évolutivité fiable à haut TPS et à faible coût en déplaçant l'exécution des transactions hors chaîne et en vérifiant les résultats sur chaîne avec des preuves courtes.

Auteur:0xjacobzhao | https://linktr.ee/0xjacobzhao
Les preuves à divulgation nulle de connaissance (ZK) — en tant qu'infrastructure cryptographique et de mise à l'échelle de nouvelle génération — démontrent un immense potentiel dans l'échelle des blockchains, le calcul de la vie privée, le zkML et la vérification inter-chaînes. Cependant, le processus de génération de preuves est extrêmement gourmand en calcul et lourd en latence, formant le plus grand goulot d'étranglement pour l'adoption industrielle. L'accélération matérielle ZK a donc émergé comme un enableur clé. Dans ce paysage, les GPU excellent en polyvalence et en vitesse d'itération, les ASICs poursuivent l'efficacité ultime et la performance à grande échelle, tandis que les FPGAs servent de terrain d'entente flexible combinant programmabilité et efficacité énergétique. Ensemble, ils forment la base matérielle propulsant l'adoption du monde réel de ZK.

Auteur : 0xjacobzhao | https://linktr.ee/0xjacobzhao
La preuve à connaissance nulle (ZK) en tant qu'infrastructure cryptographique et d'extension de nouvelle génération a montré un large potentiel dans des applications émergentes telles que l'extension de la blockchain, le calcul de la confidentialité, ainsi que le zkML et la vérification inter-chaînes. Cependant, le processus de génération de preuves est extrêmement lourd en calcul et coûteux en termes de délais, ce qui constitue le principal goulot d'étranglement pour la mise en œuvre industrielle. L'accélération matérielle ZK est un élément central qui a émergé dans ce contexte. Sur la voie de l'accélération matérielle ZK, le GPU se distingue par sa polyvalence et sa vitesse d'itération, l'ASIC vise une efficacité énergétique et des performances à grande échelle, tandis que le FPGA, en tant que forme intermédiaire, allie flexibilité programmable et efficacité énergétique élevée. Ensemble, ces trois éléments constituent la base matérielle pour promouvoir la mise en œuvre de la preuve à connaissance nulle.

Écrit par 0xjacobzhao | https://linktr.ee/0xjacobzhao
Alors que l'IA devient la vague technologique à la croissance la plus rapide, la puissance de calcul est considérée comme une nouvelle "monnaie", les GPU se transformant en actifs stratégiques. Pourtant, le financement et la liquidité restent limités, tandis que la finance crypto a besoin d'actifs soutenus par un véritable flux de trésorerie. La tokenisation des RWA émerge comme le pont. L'infrastructure IA, combinant du matériel de grande valeur + des flux de trésorerie prévisibles, est considérée comme le meilleur point d'entrée pour des RWA non standard — les GPU offrent une praticité à court terme, tandis que la robotique représente la frontière à plus long terme. Le RWAiFi de GAIB (RWA + IA + DeFi) introduit un nouveau chemin vers la financiarisation on-chain, alimentant la roue de l'infrastructure IA (GPU & Robotique) × RWA × DeFi.

Auteur : 0xjacobzhao | https://linktr.ee/0xjacobzhao
Alors que l'IA devient la vague technologique à la croissance la plus rapide au monde, la puissance de calcul est considérée comme une nouvelle "monnaie", et des matériels hautes performances comme les GPU évoluent progressivement en actifs stratégiques. Cependant, depuis longtemps, le financement et la liquidité de ces actifs sont limités. Pendant ce temps, la finance cryptographique a un besoin urgent d'accéder à des actifs de qualité avec un véritable flux de trésorerie, et la tokenisation des RWA (Actifs du Monde Réel) devient un pont clé reliant la finance traditionnelle et le marché crypto. Les actifs d'infrastructure IA, grâce à leurs caractéristiques de "matériel de haute valeur + flux de trésorerie prévisible", sont largement considérés comme le meilleur point de percée pour les actifs RWA non standard, avec les GPU ayant le potentiel d'application le plus concret, tandis que les robots représentent une direction d'exploration à plus long terme. Dans ce contexte, le chemin RWAiFi (RWA + IA + DeFi) proposé par GAIB offre une nouvelle solution pour "la financiarisation des infrastructures IA sur la chaîne" et favorise l'effet de levier du "infrastructure IA (puissance de calcul et robots) x RWA x DeFi".

Écrit par 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dans notre rapport de juin « Le Saint Graal de l'IA Crypto : Exploration de la Formation Décentralisée », nous avons discuté de l'apprentissage fédéré—un paradigme de « décentralisation contrôlée » situé entre l'apprentissage distribué et l'apprentissage entièrement décentralisé. Son principe fondamental est de garder les données locales tout en agrégeant les paramètres de manière centrale, un design particulièrement adapté aux industries sensibles à la vie privée et aux lourdes exigences de conformité telles que la santé et la finance.

Dans le rapport de juin (Le Saint Graal de Crypto AI : Exploration de l'avant-garde de l'entraînement décentralisé), nous mentionnons l'apprentissage fédéré (Federated Learning), un schéma de "décentralisation contrôlée" qui se situe entre l'entraînement distribué et l'entraînement décentralisé : son cœur est la conservation locale des données et l'agrégation centralisée des paramètres, répondant aux exigences de confidentialité et de conformité dans des domaines tels que la santé et la finance. Parallèlement, nous avons continuellement suivi l'émergence des réseaux d'agents (Agent) dans nos précédents rapports - leur valeur réside dans la capacité d'accomplir des tâches complexes par le biais de l'autonomie et de la division du travail entre plusieurs agents, stimulant l'évolution des "grands modèles" vers l'écologie des "multi-agents".

I. Introduction | La transition de la couche de modèle de Crypto AI
Les données, les modèles et la puissance de calcul sont les trois éléments clés de l'infrastructure AI, analogues au carburant (données), au moteur (modèle) et à l'énergie (puissance de calcul), chacun étant indispensable. Comme pour l'évolution de l'infrastructure dans l'industrie AI traditionnelle, le domaine de Crypto AI a également traversé des phases similaires. Au début de 2024, le marché a été dominé par des projets de GPU décentralisés (Akash, Render, io.net, etc.), mettant en avant une logique de croissance extensive axée sur la "compétition de puissance de calcul". Cependant, à partir de 2025, l'attention de l'industrie s'est progressivement déplacée vers les couches de modèles et de données, marquant une transition de la concurrence pour les ressources de base vers une construction intermédiaire plus durable et à valeur appliquée.

1. Introduction | Le Changement de Modèle-Couche dans Crypto AI
Les données, les modèles et le calcul forment les trois piliers fondamentaux de l'infrastructure AI—comparable à du carburant (données), un moteur (modèle) et de l'énergie (calcul)—tous indispensables. Tout comme l'évolution de l'infrastructure dans l'industrie AI traditionnelle, le secteur Crypto AI a suivi une trajectoire similaire. Au début de 2024, le marché était dominé par des projets GPU décentralisés (tels qu'Akash, Render et io.net), caractérisés par un modèle de croissance lourd en ressources axé sur la puissance de calcul brute. Cependant, d'ici 2025, l'attention de l'industrie s'est progressivement déplacée vers les couches de modèle et de données, marquant une transition d'une concurrence d'infrastructure de bas niveau vers un développement de couche intermédiaire plus durable et axé sur les applications.

Par 0xjacobzhao | https://linktr.ee/0xjacobzhao
Sans aucun doute, Pendle est l'un des protocoles DeFi les plus réussis du cycle crypto actuel. Alors que de nombreux protocoles ont stagné en raison de la sécheresse de liquidité et des récits en déclin, Pendle s'est distingué par son mécanisme unique de division et de négociation des rendements, devenant le « lieu de découverte des prix » pour les actifs générant des rendements. En s'intégrant profondément avec les stablecoins, LSTs/LRTs et d'autres actifs générant des rendements, il a sécurisé sa position en tant qu'infrastructure fondamentale de « taux de rendement DeFi ».

Dans la blockchain, la cryptographie est la base fondamentale de la sécurité et de la confiance. Les preuves à divulgation nulle de connaissance (ZK) peuvent compresser toute computation complexe hors chaîne en une preuve succincte qui peut être vérifiée efficacement sur chaîne—sans dépendre de la confiance d'un tiers—tout en permettant également de cacher sélectivement les entrées pour préserver la confidentialité. Avec sa combinaison de vérification efficace, d'universalité et de confidentialité, ZK est devenu une solution clé dans les cas d'utilisation de mise à l'échelle, de confidentialité et d'interopérabilité. Bien que des défis demeurent, tels que le coût élevé de la génération de preuves et la complexité du développement de circuits, la faisabilité technique de ZK et son degré d'adoption ont déjà dépassé d'autres approches, en faisant le cadre le plus largement adopté pour le calcul de confiance.

Dans notre rapport de recherche précédent « L'évolution intelligente de DeFi : de l'automatisation à AgentFi », nous avons systématiquement cartographié et comparé les trois étapes du développement de l'intelligence DeFi : Automatisation, Copilote centré sur l'intention et AgentFi. Nous avons souligné qu'une partie significative des projets DeFAI actuels concentre encore leurs capacités principales autour des transactions d'échange « basées sur l'intention + interaction atomique unique ». Comme ces interactions n'impliquent pas de stratégies de rendement en cours, ne nécessitent pas de gestion d'état et n'ont pas besoin de cadre d'exécution complexe, elles sont mieux adaptées aux copilotes basés sur l'intention et ne peuvent pas être strictement classées comme AgentFi.

Cet article a bénéficié des suggestions perspicaces de Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund), et Advait Jayant (Aivos Labs), ainsi que des contributions précieuses des équipes derrière Giza, Theoriq, Olas, Almanak, Brahma.fi et HeyElsa. Bien que tous les efforts aient été faits pour garantir objectivité et précision, certaines perspectives peuvent refléter une interprétation personnelle. Les lecteurs sont encouragés à interagir avec le contenu de manière critique.
Parmi les différents secteurs dans le paysage crypto actuel, les paiements en stablecoin et les applications DeFi se distinguent comme deux verticales avec une demande vérifiée dans le monde réel et une valeur à long terme. Dans le même temps, le développement florissant des agents d'IA émerge comme l'interface pratique orientée utilisateur de l'industrie de l'IA, agissant comme un intermédiaire clé entre l'IA et les utilisateurs.