0xjacobzhao

Autore: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Questo rapporto di ricerca indipendente è supportato da IOSG Ventures. Il processo di ricerca e scrittura è stato ispirato dal lavoro di Sam Lehman (Pantera Capital) sul reinforcement learning. Grazie a Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang per i loro preziosi suggerimenti su questo articolo. Questo articolo mira all'oggettività e all'accuratezza, ma alcune opinioni comportano un giudizio soggettivo e possono contenere pregiudizi. Apprezziamo la comprensione dei lettori.

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

Questo rapporto di ricerca indipendente è supportato da IOSG Ventures, il processo di ricerca e scrittura è stato ispirato dal rapporto di ricerca sul rafforzamento dell'apprendimento di Sam Lehman (Pantera Capital); grazie a Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang per i preziosi suggerimenti forniti su questo articolo. Questo articolo cerca di mantenere un contenuto obiettivo e preciso, alcune opinioni coinvolgono giudizi soggettivi, inevitabilmente esistono delle deviazioni, si prega di comprendere.
L'intelligenza artificiale sta passando da un apprendimento statistico principalmente basato sul "fitting dei modelli" a un sistema di capacità incentrato sul "ragionamento strutturato", con l'importanza del post-training che sta rapidamente aumentando. L'emergere di DeepSeek-R1 segna un cambio di paradigma nel rafforzamento dell'apprendimento nell'era dei grandi modelli; si è formata una consapevolezza comune nel settore: la pre-formazione costruisce una base di capacità generali per i modelli, e il rafforzamento dell'apprendimento non è più solo uno strumento di allineamento dei valori, ma si è dimostrato in grado di migliorare sistematicamente la qualità della catena di ragionamento e la capacità di decisione complessa, evolvendosi gradualmente in un percorso tecnologico per migliorare continuamente il livello di intelligenza.

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

Questo rapporto di ricerca indipendente è supportato da IOSG Ventures. Il processo di ricerca e scrittura è stato ispirato da lavori correlati di Raghav Agarwal (LongHash) e Jay Yu (Pantera). Grazie a Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents per i loro preziosi suggerimenti su questo articolo. Anche il feedback è stato richiesto dai team di progetto come Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON durante il processo di scrittura. Questo articolo si sforza di offrire contenuti obiettivi e accurati, ma alcuni punti di vista comportano un giudizio soggettivo e possono inevitabilmente contenere deviazioni. Si apprezza la comprensione dei lettori.

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

Questo rapporto di ricerca indipendente è supportato da IOSG Ventures, il processo di scrittura della ricerca è ispirato ai rapporti correlati di Raghav Agarwal@LongHash e Jay Yu@Pantera, grazie a Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog per i preziosi suggerimenti forniti in questo articolo. Durante il processo di scrittura sono stati anche consultati i team di progetti come Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON per il loro feedback. Questo articolo cerca di essere obiettivo e accurato, alcune opinioni coinvolgono giudizi soggettivi e non possono evitare deviazioni, si prega di comprendere.

Autore: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Questo rapporto di ricerca indipendente è supportato da IOSG Ventures. L'autore ringrazia Hans (RoboCup Asia-Pacific), 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) per i loro preziosi commenti, così come i collaboratori di OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network e CodecFlow per il loro feedback costruttivo. Sebbene sia stato fatto ogni sforzo per garantire obiettività e accuratezza, alcune intuizioni riflettono inevitabilmente un'interpretazione soggettiva, e i lettori sono incoraggiati a interagire con il contenuto in modo critico.

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

Questo rapporto indipendente è supportato da IOSG Ventures, grazie a Hans (RoboCup Asia-Pacific), 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) per i preziosi suggerimenti forniti su questo articolo. Durante la stesura, sono stati consultati anche i team dei progetti OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network e CodecFlow per i loro feedback. Questo articolo cerca di mantenere contenuti obiettivi e accurati; alcune opinioni coinvolgono giudizi soggettivi, quindi non si può evitare una certa deviazione, si prega di comprendere.

Il paradigma del Calcolo Verificabile—“computazione off-chain + verifica on-chain”—è diventato il modello computazionale universale per i sistemi blockchain. Consente alle applicazioni blockchain di raggiungere una libertà computazionale quasi infinita mantenendo la decentralizzazione e l'assenza di fiducia come garanzie di sicurezza fondamentali. Le prove a conoscenza zero (ZKP) formano la spina dorsale di questo paradigma, con applicazioni principalmente in tre direzioni fondamentali: scalabilità, privacy e interoperabilità & integrità dei dati. La scalabilità è stata la prima applicazione ZK a raggiungere la produzione, spostando l'esecuzione off-chain e verificando prove concise on-chain per un'elevata capacità e una scalabilità senza fiducia a basso costo.

“Calcolo off-chain + Verifica on-chain” è diventato il modello di calcolo generale per i sistemi blockchain. Consente alle applicazioni blockchain di ottenere quasi un'infinità di libertà computazionale mantenendo la decentralizzazione e la sicurezza della minimizzazione della fiducia (trustlessness). Le prove a conoscenza zero (ZKP) sono il pilastro centrale di questo paradigma, con applicazioni principalmente concentrate su tre direzioni fondamentali: Scalabilità, Privacy e Interoperabilità & Integrità dei Dati. Tra queste, la Scalabilità è lo scenario in cui la tecnologia ZK è stata implementata per la prima volta, spostando l'esecuzione delle transazioni off-chain e validando i risultati on-chain con prove brevi, per ottenere un'elevata TPS e un ampliamento affidabile a basso costo.

Autore:0xjacobzhao | https://linktr.ee/0xjacobzhao
Zero-Knowledge Proofs (ZK) — come infrastruttura crittografica e di scalabilità di nuova generazione — stanno dimostrando un immenso potenziale nella scalabilità della blockchain, nel calcolo della privacy, nello zkML e nella verifica cross-chain. Tuttavia, il processo di generazione della prova è estremamente intensivo in termini di calcolo e pesante in termini di latenza, formando il più grande collo di bottiglia per l'adozione industriale. L'accelerazione hardware ZK è quindi emersa come un abilitante fondamentale. In questo panorama, le GPU eccellono in versatilità e velocità di iterazione, le ASIC perseguono l'efficienza ultima e le prestazioni su larga scala, mentre le FPGA fungono da terreno intermedio flessibile combinando programmabilità con efficienza energetica. Insieme, formano la base hardware che alimenta l'adozione reale di ZK.

Autore: 0xjacobzhao | https://linktr.ee/0xjacobzhao
La prova a conoscenza zero (ZK) come nuova generazione di infrastrutture crittografiche e di scalabilità ha dimostrato un ampio potenziale nelle applicazioni emergenti come l'espansione della blockchain, il calcolo della privacy e zkML, la verifica cross-chain, ecc. Tuttavia, il processo di generazione delle prove comporta un carico computazionale enorme e ritardi elevati, diventando il principale collo di bottiglia per l'industrializzazione. L'accelerazione hardware ZK è emersa come un anello centrale in questo contesto. Nel percorso di accelerazione hardware ZK, le GPU sono conosciute per la loro versatilità e velocità di iterazione, gli ASIC puntano all'efficienza energetica estrema e alle prestazioni scalabili, mentre le FPGA rappresentano una forma intermedia, combinando flessibilità programmabile e alta efficienza energetica. Insieme, i tre componenti costituiscono la base hardware per promuovere l'implementazione della prova a conoscenza zero.

Scritto da 0xjacobzhao | https://linktr.ee/0xjacobzhao
Poiché l'IA sta diventando l'onda tecnologica in più rapida crescita, la potenza di calcolo è vista come una nuova "moneta", con le GPU che si trasformano in beni strategici. Tuttavia, il finanziamento e la liquidità rimangono limitati, mentre la finanza crypto ha bisogno di beni supportati da flussi di cassa reali. La tokenizzazione RWA sta emergendo come il ponte. L'infrastruttura dell'IA, che combina hardware di alto valore + flussi di cassa prevedibili, è vista come il miglior punto di ingresso per RWAs non standard — le GPU offrono praticità a breve termine, mentre la robotica rappresenta il confine più lungo. Il RWAiFi di GAIB (RWA + IA + DeFi) introduce un nuovo percorso per la finanziarizzazione on-chain, alimentando il volano dell'IA Infra (GPU & Robotica) × RWA × DeFi.

Autore: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Con l'AI che diventa la tecnologia in più rapida crescita a livello globale, la potenza di calcolo è vista come una nuova "moneta", e hardware ad alte prestazioni come le GPU stanno evolvendo in beni strategici. Tuttavia, a lungo termine, il finanziamento e la liquidità di tali beni sono stati limitati. Nel frattempo, la finanza crittografica ha urgente bisogno di accedere a beni di alta qualità con flussi di cassa reali, e la tokenizzazione degli RWA (Real-World Assets) sta diventando un ponte chiave tra la finanza tradizionale e il mercato crittografico. Gli asset di infrastruttura AI, grazie alle loro caratteristiche di "hardware di alto valore + flusso di cassa prevedibile", sono ampiamente considerati la migliore opportunità per gli asset RWA non standard, con le GPU che presentano il potenziale di applicazione più realistico, mentre i robot rappresentano una direzione di esplorazione più a lungo termine. In questo contesto, il percorso RWAiFi (RWA + AI + DeFi) proposto da GAIB offre una nuova soluzione per "la finanziarizzazione dell'infrastruttura AI sulla blockchain", promuovendo l'effetto volano di "infrastruttura AI (potenza di calcolo e robot) x RWA x DeFi".

Scritto da 0xjacobzhao | https://linktr.ee/0xjacobzhao
Nel nostro rapporto di giugno “Il Santo Graal dell'AI Crypto: Esplorazione Frontiera del Training Decentralizzato”, abbiamo discusso dell'Apprendimento Federato—un paradigma di “decentralizzazione controllata” posizionato tra il training distribuito e il training completamente decentralizzato. Il suo principio fondamentale è mantenere i dati localmente mentre si aggregano i parametri centralmente, un design particolarmente adatto per settori sensibili alla privacy e con molteplici normative come la sanità e la finanza.

Nel rapporto di giugno (Il Graal di Crypto AI: esplorazioni all'avanguardia dell'addestramento decentralizzato), abbiamo menzionato l'apprendimento federato (Federated Learning), una soluzione di 'decentralizzazione controllata' che si colloca tra l'addestramento distribuito e l'addestramento decentralizzato: il suo nucleo è la conservazione locale dei dati e l'aggregazione centralizzata dei parametri, soddisfacendo le esigenze di privacy e conformità in ambiti come la sanità e la finanza. Nel frattempo, abbiamo continuato a monitorare l'emergere delle reti di agenti (Agent) in diverse edizioni precedenti dei rapporti: il loro valore risiede nella capacità di completare compiti complessi attraverso l'autonomia e la divisione del lavoro tra più agenti, promuovendo l'evoluzione da 'modelli grandi' a 'ecosistemi di agenti multipli'.

I. Introduzione | Salto di livello del modello nell'intelligenza artificiale crittografica
Dati, modelli e potenza di calcolo sono i tre elementi fondamentali dell'infrastruttura di intelligenza artificiale, analogamente al carburante (dati), al motore (modello) e all'energia (potenza di calcolo): tutti elementi indispensabili. Analogamente al percorso di evoluzione infrastrutturale del settore dell'intelligenza artificiale tradizionale, anche il settore della Crypto AI ha attraversato una fase analoga. All'inizio del 2024, il mercato era dominato da progetti GPU decentralizzati (Akash, Render, io.net, ecc.), che generalmente enfatizzavano una logica di crescita approssimativa basata sulla "competizione per la potenza di calcolo". Tuttavia, dopo l'ingresso nel 2025, l'attenzione del settore si è gradualmente spostata verso l'alto, verso i livelli di modello e dati, segnando la transizione della Crypto AI dalla competizione per le risorse sottostanti alla costruzione di un livello intermedio più sostenibile e orientato al valore applicativo.

1. Introduzione | Il cambiamento della layer del modello nell'IA Crypto
Dati, modelli e calcolo formano i tre pilastri centrali dell'infrastruttura IA—paragonabili a carburante (dati), motore (modello) ed energia (calcolo)—tutti indispensabili. Proprio come l'evoluzione dell'infrastruttura nell'industria IA tradizionale, il settore IA Crypto ha subito una traiettoria simile. All'inizio del 2024, il mercato era dominato da progetti GPU decentralizzati (come Akash, Render e io.net), caratterizzati da un modello di crescita pesante in risorse focalizzato sulla potenza di calcolo grezza. Tuttavia, entro il 2025, l'attenzione dell'industria si è gradualmente spostata verso i livelli di modello e dati, segnando una transizione da una competizione per infrastrutture di basso livello a uno sviluppo più sostenibile e guidato dalle applicazioni a livello medio.

Di 0xjacobzhao | https://linktr.ee/0xjacobzhao
Senza dubbio, Pendle è uno dei protocolli DeFi più riusciti nel ciclo cripto attuale. Mentre molti protocolli si sono bloccati a causa di siccità di liquidità e narrazioni in declino, Pendle si è distinto attraverso il suo unico meccanismo di suddivisione dei rendimenti e trading, diventando il “luogo di scoperta dei prezzi” per gli asset a rendimento. Integrandosi profondamente con stablecoin, LST/LRT e altri asset generatori di rendimento, ha garantito la sua posizione come la fondamentale “infrastruttura dei tassi di rendimento DeFi”.

Nella blockchain, la crittografia è la base fondamentale della sicurezza e della fiducia. Le Prove a Conoscenza Zero (ZK) possono comprimere qualsiasi calcolo complesso off-chain in una prova succinta che può essere verificata in modo efficiente on-chain—senza fare affidamento sulla fiducia di terzi—mentre consente anche di nascondere selettivamente gli input per preservare la privacy. Con la sua combinazione di verifica efficiente, universalità e privacy, ZK è diventata una soluzione chiave in vari casi d'uso di scalabilità, privacy e interoperabilità. Sebbene rimangano delle sfide, come l'elevato costo della generazione delle prove e la complessità dello sviluppo dei circuiti, la fattibilità ingegneristica di ZK e il grado di adozione hanno già superato altri approcci, rendendolo il framework più ampiamente adottato per il calcolo fidato.

Nel nostro precedente rapporto di ricerca "L'Evoluzione Intelligente di DeFi: Dall'Automazione all'AgentFi", abbiamo mappato e confrontato sistematicamente le tre fasi dello sviluppo dell'intelligenza DeFi: Automazione, Copilota Centrico sull'Intento e AgentFi. Abbiamo sottolineato che una parte significativa dei progetti DeFAI attuali continua a concentrare le proprie capacità fondamentali attorno a transazioni di scambio "guidate dall'intento + interazione atomica singola". Poiché queste interazioni non comportano strategie di rendimento continuative, non richiedono gestione dello stato e non necessitano di un framework di esecuzione complesso, sono più adatte a copiloti basati sull'intento e non possono essere strettamente classificate come AgentFi.

Questo pezzo ha beneficiato dei suggerimenti perspicaci di Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund) e Advait Jayant (Aivos Labs), insieme a preziosi contributi dai team dietro Giza, Theoriq, Olas, Almanak, Brahma.fi e HeyElsa. Sebbene siano stati fatti tutti gli sforzi per garantire obiettività e accuratezza, alcune prospettive potrebbero riflettere interpretazioni personali. I lettori sono incoraggiati a interagire con il contenuto in modo critico.
Tra i vari settori nell'attuale panorama delle criptovalute, i pagamenti in stablecoin e le applicazioni DeFi si distinguono come due verticali con domanda reale verificata e valore a lungo termine. Allo stesso tempo, lo sviluppo fiorente degli Agenti AI emerge come l'interfaccia pratica a disposizione degli utenti dell'industria dell'IA, fungendo da intermediario chiave tra IA e utenti.