0xjacobzhao

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".

1. Introdução | A transição da camada de modelo da Crypto AI
Dados, modelos e poder de computação são os três principais elementos da infraestrutura de IA, comparáveis a combustível (dados), motor (modelo) e energia (poder de computação), todos indispensáveis. Semelhante ao caminho de evolução da infraestrutura da indústria de IA tradicional, o campo da Crypto AI também passou por fases semelhantes. No início de 2024, o mercado foi dominado por projetos de GPU descentralizados (Akash, Render, io.net, etc.), enfatizando amplamente a lógica de crescimento extensivo de 'combinação de poder de computação'. Ao entrar em 2025, o foco da indústria começou a se deslocar gradualmente para as camadas de modelo e dados, marcando a transição da Crypto AI de uma competição por recursos subjacentes para uma construção de médio porte mais sustentável e de valor aplicado.

1. Introdução | A Mudança de Camada do Modelo em Crypto AI
Dados, modelos e computação formam os três pilares centrais da infraestrutura de IA—comparáveis a combustível (dados), motor (modelo) e energia (computação)—todos indispensáveis. Assim como a evolução da infraestrutura na indústria de IA tradicional, o setor de Crypto AI passou por uma trajetória semelhante. No início de 2024, o mercado foi dominado por projetos de GPU descentralizados (como Akash, Render e io.net), caracterizados por um modelo de crescimento pesado em recursos focado em poder computacional bruto. No entanto, até 2025, a atenção da indústria começou a mudar gradualmente para as camadas de modelo e dados, marcando uma transição da competição de infraestrutura de baixo nível para um desenvolvimento de camada intermediária mais sustentável e orientado a aplicações.

Por 0xjacobzhao | https://linktr.ee/0xjacobzhao
Sem dúvida, Pendle é um dos protocolos DeFi mais bem-sucedidos no ciclo atual de criptomoedas. Enquanto muitos protocolos pararam devido a secas de liquidez e narrativas em declínio, Pendle se destacou através de seu mecanismo único de divisão e negociação de rendimento, tornando-se o "local de descoberta de preços" para ativos que geram rendimento. Ao integrar-se profundamente com stablecoins, LSTs/LRTs e outros ativos geradores de rendimento, assegurou sua posição como a "infraestrutura de taxa de rendimento DeFi" fundamental.

Na blockchain, a criptografia é a base fundamental da segurança e confiança. As Provas de Conhecimento Zero (ZK) podem comprimir qualquer computação complexa fora da cadeia em uma prova sucinta que pode ser verificada de forma eficiente na cadeia—sem depender da confiança de terceiros—enquanto também permite ocultar entradas de forma seletiva para preservar a privacidade. Com sua combinação de verificação eficiente, universalidade e privacidade, o ZK se tornou uma solução chave em casos de uso de escalabilidade, privacidade e interoperabilidade. Embora ainda haja desafios, como o alto custo da geração de provas e a complexidade do desenvolvimento de circuitos, a viabilidade de engenharia do ZK e o grau de adoção já superaram outras abordagens, tornando-o o framework mais amplamente adotado para computação confiável.

Em nosso relatório de pesquisa anterior "A Evolução Inteligente do DeFi: Da Automação ao AgentFi", mapeamos e comparamos sistematicamente os três estágios do desenvolvimento da inteligência DeFi: Automação, Copiloto Centrado em Intenção e AgentFi. Apontamos que uma parte significativa dos projetos atuais de DeFAI ainda centra suas capacidades principais em torno de transações de troca "baseadas em intenção + interação atômica única". Como essas interações não envolvem estratégias de rendimento contínuas, não requerem gerenciamento de estado e não precisam de uma estrutura de execução complexa, elas são mais adequadas para copilotos baseados em intenção e não podem ser classificadas estritamente como AgentFi.

Este texto se beneficiou das sugestões perspicazes de Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund) e Advait Jayant (Aivos Labs), junto com contribuições valiosas das equipes por trás de Giza, Theoriq, Olas, Almanak, Brahma.fi e HeyElsa. Embora todos os esforços tenham sido feitos para garantir objetividade e precisão, certas perspectivas podem refletir interpretação pessoal. Os leitores são encorajados a interagir com o conteúdo de forma crítica.
Entre os diversos setores na atual paisagem cripto, os pagamentos em stablecoin e as aplicações DeFi se destacam como dois verticais com demanda real verificada e valor a longo prazo. Ao mesmo tempo, o florescimento do desenvolvimento de Agentes de IA está emergindo como a interface prática voltada para o usuário da indústria de IA - atuando como um intermediário chave entre a IA e os usuários.