0xjacobzhao

Em nossa pesquisa anterior sobre Crypto AI, estabelecemos que, enquanto stablecoins e DeFi oferecem utilidade imediata, os Agentes representam a interface de usuário crítica para a indústria de IA. Consequentemente, definimos dois caminhos de valor primários para a integração de Crypto-AI: um foco de curto prazo em AgentFi, que automatiza estratégias de rendimento em protocolos DeFi maduros, e uma evolução de médio a longo prazo em direção ao Pagamento por Agente, permitindo a liquidação autônoma de stablecoins por meio de padrões emergentes como ACP, x402 e ERC-8004.
Os mercados de previsão se tornaram uma nova tendência industrial indiscutível em 2025, com o volume total de negociação anual subindo de aproximadamente $9 bilhões em 2024 para mais de $40 bilhões em 2025, alcançando um crescimento ano a ano de mais de 400%. Este crescimento significativo é impulsionado por múltiplos fatores: demanda por cobertura de incertezas trazida por eventos macro-políticos, a maturação da infraestrutura e modelos de negociação, e a quebra do gelo no ambiente regulatório (vitória do processo judicial da Kalshi e retorno da Polymarket aos EUA). Os Agentes de Mercado de Previsão estão mostrando protótipos iniciais no início de 2026 e estão prontos para se tornarem uma nova forma de produto no campo dos agentes ao longo do próximo ano.

Nos relatórios da série Crypto AI anteriores, continuamos a enfatizar a seguinte perspectiva: os cenários mais valiosos em termos de aplicação prática no campo das criptomoedas estão principalmente concentrados em pagamentos com stablecoins e DeFi, enquanto o Agent é a interface chave da indústria de IA voltada para os usuários. Portanto, na tendência de fusão entre Crypto e AI, os dois caminhos mais valiosos são: no curto prazo, o AgentFi baseado em protocolos DeFi já maduros existentes (estratégias básicas como empréstimos, mineração de liquidez, e estratégias avançadas como Swap, Pendle PT, e arbitragem de taxas de financiamento), e no médio a longo prazo, o Agent Payment em torno de liquidações com stablecoins, apoiado por protocolos como ACP/AP2/x402/ERC-8004.

Em 3 de fevereiro de 2026, Vitalik publicou uma reflexão significativa sobre o roteiro de escalonamento do Ethereum no X. À medida que as dificuldades práticas do Layer 2 evoluindo para uma forma totalmente descentralizada estão sendo reavaliadas, e com o próprio throughput da mainnet esperando aumentar significativamente nos próximos anos, a suposição original de confiar exclusivamente no L2 para escalonamento de throughput está sendo corrigida. Um novo paradigma colaborativo de "Serviço de Liquidação" está se formando entre L1 e L2: L1 se concentra em fornecer o mais alto nível de segurança, resistência à censura e soberania de liquidação, enquanto L2 evolui para "provedores de serviços diferenciados" (como privacidade, IA, negociação de alta frequência). O foco estratégico do Ethereum está retornando à própria mainnet, reforçando sua posição como a camada de liquidação mais confiável do mundo. Escalonamento não é mais o único objetivo; segurança, neutralidade e previsibilidade estão se tornando mais uma vez os ativos principais do Ethereum.

Autor: Jacob Zhao, Jiawei, Turbo @ IOSG Ventures

2026 年 2 月 3 日，Vitalik 在 X 上发表了关于以太坊扩容路线的重要反思。随着 Layer 2 向完全去中心化形态演进的现实难度被重新认识，同时主网自身吞吐能力在未来数年内预计大幅提升，单纯依赖 L2 进行吞吐量扩容的原始设想正在修正，L1 与 L2 正在形成新的‘结算-服务’协同范式： L1 专注于提供最高等级的安全性、抗审查性与结算主权，而 L2 则向‘差异化服务商’演进（如隐私、AI、高频交易），以太坊的战略重心正回归主网本身，强化其作为全球最可信结算层的定位。扩容不再是唯一目标，安全性、中立性与可预测性，重新成为以太坊的核心资产。

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Nos nossos relatórios de pesquisa da série Crypto AI anteriores, enfatizamos consistentemente a visão de que os cenários de aplicação mais práticos no atual campo cripto estão principalmente concentrados em pagamentos com stablecoins e DeFi, enquanto os Agentes são a interface chave para a indústria de IA voltada para os usuários. Portanto, na tendência de integração de Crypto e IA, os dois caminhos mais valiosos são: AgentFi, baseado em protocolos DeFi maduros existentes (estratégias básicas como empréstimos e mineração de liquidez, bem como estratégias avançadas como Swap, Pendle PT e arbitragem de taxa de financiamento) a curto prazo; e Pagamento de Agente, centrado na liquidação com stablecoins e dependendo de protocolos como ACP/AP2/x402/ERC-8004 a médio e longo prazo.

Noya.ai Relatório: Perspectivas para agentes inteligentes de mercado
Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao

Nos relatórios anteriores da série Crypto AI, enfatizamos continuamente o ponto de vista: os cenários com maior valor prático no campo das criptomoedas atualmente estão concentrados em pagamentos com stablecoins e DeFi, enquanto o Agente é a interface chave da indústria de IA voltada para o usuário. Portanto, na tendência de fusão entre Crypto e IA, os dois caminhos mais valiosos são: AgentFi, baseado em protocolos DeFi maduros existentes (empréstimos, mineração de liquidez e outras estratégias básicas, bem como Swap, Pendle PT, arbitragem de taxas de capital, etc.) no curto prazo, e o Agente de Pagamento, que gira em torno de liquidações com stablecoins e se baseia em protocolos como ACP/AP2/x402/ERC-8004 a médio e longo prazo.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Este relatório de pesquisa independente é apoiado pela IOSG Ventures. O processo de pesquisa e escrita foi inspirado pelo trabalho de Sam Lehman (Pantera Capital) em aprendizado por reforço. Agradecimentos a Ben Fielding (Gensyn.ai), Gao Yuan(Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang por suas valiosas sugestões neste artigo. Este artigo busca objetividade e precisão, mas algumas opiniões envolvem julgamento subjetivo e podem conter viés. Agradecemos a compreensão dos leitores.

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

Este relatório de pesquisa independente é apoiado pela IOSG Ventures, e o processo de pesquisa e escrita foi inspirado pelo relatório de aprendizado por reforço de Sam Lehman (Pantera Capital). Agradecimentos a Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI) e Chao Wang pelas valiosas sugestões feitas a este artigo. Este artigo se esforça para ser objetivo e preciso; algumas opiniões envolvem julgamentos subjetivos e, inevitavelmente, podem haver desvios, pedimos a compreensão dos leitores.
A inteligência artificial está passando de um aprendizado estatístico baseado principalmente em "ajuste de padrões" para um sistema de capacidades centrado em "raciocínio estruturado", e a importância do pós-treinamento (Post-training) está rapidamente aumentando. O surgimento do DeepSeek-R1 marca uma virada paradigmática do aprendizado por reforço na era dos grandes modelos, com um consenso na indústria: a pré-treinamento constrói a base de capacidade geral do modelo, e o aprendizado por reforço não é mais apenas uma ferramenta de alinhamento de valor, mas provou ser capaz de melhorar sistematicamente a qualidade da cadeia de raciocínio e a capacidade de tomada de decisão complexa, evoluindo gradualmente para um caminho técnico que melhora continuamente o nível de inteligência.

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

Este relatório de pesquisa independente é apoiado pela IOSG Ventures. O processo de pesquisa e redação foi inspirado por trabalhos relacionados de Raghav Agarwal (LongHash) e Jay Yu (Pantera). Agradecimentos a Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents por suas valiosas sugestões sobre este artigo. O feedback também foi solicitado de equipes de projetos como Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON durante o processo de redação. Este artigo busca um conteúdo objetivo e preciso, mas alguns pontos de vista envolvem julgamento subjetivo e podem inevitavelmente conter desvios. A compreensão dos leitores é apreciada.

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

Este relatório de pesquisa independente é apoiado pela IOSG Ventures, e o processo de escrita foi inspirado pelos relatórios relacionados de Raghav Agarwal@LongHash e Jay Yu@Pantera. Agradecemos as valiosas sugestões feitas por Lex Sokolin @ Generative Ventures, Jordan@AIsa, e Ivy@(支无不言) blog. Durante o processo de redação, também consultamos as opiniões e feedback das equipes de projetos como Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, e AEON. Este artigo busca ser objetivo e preciso, embora algumas opiniões envolvam julgamentos subjetivos, o que pode resultar em desvios, pedimos a compreensão dos leitores.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Este relatório de pesquisa independente é apoiado pela IOSG Ventures. O autor agradece a Hans (RoboCup Ásia-Pacífico), 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) por seus comentários valiosos, assim como aos colaboradores da OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network e CodecFlow por seu feedback construtivo. Embora todos os esforços tenham sido feitos para garantir objetividade e precisão, algumas percepções inevitavelmente refletem interpretação subjetiva, e os leitores são encorajados a interagir com o conteúdo de forma crítica.

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

Este relatório independente é apoiado pela IOSG Ventures, agradecemos 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) e Jeffrey Hu (Hashkey Capital) pelas valiosas sugestões feitas a este artigo. Durante a redação, também foram consultadas as opiniões e feedbacks de equipes de projetos como OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network e CodecFlow. Este artigo se esforça para ser objetivo e preciso, embora algumas opiniões envolvam julgamentos subjetivos, o que pode resultar em desvios, pedimos a compreensão dos leitores.

O paradigma da Computação Verificável—“cálculo fora da cadeia + verificação na cadeia”—tornou-se o modelo computacional universal para sistemas de blockchain. Ele permite que aplicações de blockchain alcancem liberdade computacional quase infinita enquanto mantém a descentralização e a confiança como garantias de segurança essenciais. Provas de conhecimento zero (ZKPs) formam a espinha dorsal deste paradigma, com aplicações principalmente em três direções fundamentais: escalabilidade, privacidade e interoperabilidade & integridade de dados. A escalabilidade foi a primeira aplicação ZK a alcançar a produção, movendo a execução fora da cadeia e verificando provas concisas na cadeia para alta taxa de transferência e escalonamento sem confiança de baixo custo.

“Cálculo fora da cadeia + Verificação na cadeia” é o paradigma de Computação Verificável, que se tornou o modelo de computação genérico para sistemas de blockchain. Ele permite que as aplicações de blockchain obtenham praticamente liberdade computacional ilimitada, mantendo a descentralização e a segurança mínima de confiança. A prova de conhecimento zero (ZKP) é o pilar central deste paradigma, com suas aplicações concentradas principalmente em três direções fundamentais: escalabilidade, privacidade e interoperabilidade & integridade de dados. Dentre elas, a escalabilidade é o cenário onde a tecnologia ZK foi inicialmente implementada, transferindo a execução de transações para fora da cadeia e usando provas curtas para validar resultados na cadeia, alcançando alta TPS e custo baixo de escalabilidade confiável.

Autor:0xjacobzhao | https://linktr.ee/0xjacobzhao
Provas de Conhecimento Zero (ZK) — como uma infraestrutura criptográfica e de escalabilidade de próxima geração — estão demonstrando um imenso potencial em escalabilidade de blockchain, computação de privacidade, zkML e verificação entre cadeias. No entanto, o processo de geração de provas é extremamente intensivo em computação e pesado em latência, formando o maior gargalo para a adoção industrial. A aceleração de hardware ZK, portanto, surgiu como um habilitador central. Dentro desse cenário, GPUs se destacam em versatilidade e velocidade de iteração, ASICs buscam eficiência máxima e desempenho em larga escala, enquanto FPGAs servem como um meio flexível combinando programabilidade com eficiência energética. Juntas, elas formam a base de hardware que impulsiona a adoção do mundo real do ZK.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Provas de conhecimento zero (ZK) como uma nova geração de infraestrutura de criptografia e escalabilidade, já demonstraram um amplo potencial em aplicações emergentes como escalabilidade de blockchain, computação de privacidade, zkML e validação entre cadeias. No entanto, o processo de geração de provas é extremamente computacionalmente intensivo e com alta latência, tornando-se o maior gargalo para a industrialização. A aceleração de hardware ZK surge como um componente central nesse contexto; no caminho de aceleração de hardware ZK, a GPU se destaca pela versatilidade e velocidade de iteração, o ASIC busca eficiência energética extrema e desempenho em larga escala, enquanto o FPGA serve como uma forma intermediária, combinando flexibilidade programável com alta eficiência energética; os três juntos formam a base de hardware que impulsiona a implementação de provas de conhecimento zero.

Escrito por 0xjacobzhao | https://linktr.ee/0xjacobzhao
À medida que a IA se torna a onda tecnológica de crescimento mais rápido, o poder computacional é visto como uma nova "moeda", com as GPUs se transformando em ativos estratégicos. No entanto, o financiamento e a liquidez permanecem limitados, enquanto as finanças cripto precisam de ativos respaldados por fluxo de caixa real. A tokenização de RWA está surgindo como a ponte. A infraestrutura de IA, combinando hardware de alto valor + fluxos de caixa previsíveis, é vista como o melhor ponto de entrada para RWAs não padronizados — as GPUs oferecem praticidade a curto prazo, enquanto a robótica representa a fronteira a longo prazo. O RWAiFi da GAIB (RWA + IA + DeFi) introduz um novo caminho para a financeirização em cadeia, impulsionando o ciclo da Infra de IA (GPU & Robótica) × RWA × DeFi.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
À medida que a IA se torna a onda tecnológica de crescimento mais rápida do mundo, a potência computacional é vista como uma nova "moeda", e hardware de alto desempenho como GPUs também está evoluindo para ativos estratégicos. No entanto, há muito tempo, o financiamento e a liquidez desses ativos são limitados. Ao mesmo tempo, as finanças criptográficas precisam acessar ativos de alta qualidade com fluxo de caixa real, e a tokenização de RWA (Ativos do Mundo Real) está se tornando a ponte chave entre as finanças tradicionais e o mercado de criptomoedas. Os ativos de infraestrutura de IA, com suas características de "hardware de alto valor + fluxo de caixa previsível", são amplamente considerados a melhor porta de entrada para ativos não padronizados RWA, onde as GPUs têm o maior potencial de implementação prática, enquanto os robôs representam uma direção de exploração mais a longo prazo. Nesse contexto, o caminho RWAiFi (RWA + IA + DeFi) proposto pela GAIB oferece uma nova solução para "a financeirização em blockchain da infraestrutura de IA", impulsionando o efeito de roda de "Infraestrutura de IA (potência computacional e robôs) x RWA x DeFi".

Escrito por 0xjacobzhao | https://linktr.ee/0xjacobzhao
Em nosso relatório de junho "O Santo Graal da IA Cripto: Exploração Fronteiriça do Treinamento Descentralizado", discutimos o Aprendizado Federado—um paradigma de "descentralização controlada" posicionado entre treinamento distribuído e treinamento totalmente descentralizado. Seu princípio central é manter os dados locais enquanto agrega parâmetros centralmente, um design particularmente adequado para indústrias sensíveis à privacidade e pesadas em conformidade, como saúde e finanças.

Em nosso relatório de pesquisa de junho (O Santo Graal da Cripto IA: Explorando as Fronteiras do Treinamento Descentralizado), mencionamos o aprendizado federado, uma solução de "descentralização controlada" entre o treinamento distribuído e o descentralizado. Sua abordagem central é reter dados localmente e agregar parâmetros centralmente, atendendo aos requisitos de privacidade e conformidade em saúde, finanças e outras áreas. Ao mesmo tempo, destacamos consistentemente a ascensão das redes de agentes em relatórios anteriores. Seu valor reside em permitir a autonomia multiagente e a divisão de trabalho para concluir tarefas complexas de forma colaborativa, impulsionando a evolução de "grandes modelos" para "ecossistemas multiagentes".