0xjacobzhao
Crypto x AI | ex-Crypto VC | ENTJ/INTJ
Giao dịch mở
Trader tần suất thấp
6.6 tháng
1 Đang theo dõi
20 Người theo dõi
15 Đã thích
8 Đã chia sẻ
Bài đăng
Danh mục đầu tư
以太坊再定价：从 Rollup-Centric 到“安全性结算层”
作者：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。
核心变化：
以太坊正在进入“L1 优先范式”： 随着主网直接扩展、费用持续下降，依赖 L2 承担规模化核心角色的原始假设已不再成立。L2 不再是“品牌分片”，而是信任光谱： L2 去中心化推进远慢于预期，难以统一继承以太坊安全性，其角色正被重新定义为不同信任级别的网络光谱。以太坊的核心价值从“流量”转向“结算主权”： ETH 的价值不再限于 Gas 或 Blob 收入，而在于其作为全球最安全 EVM 结算层与原生货币资产的制度性溢价。扩展策略正在向协议内生化调整： 在 L1 持续直接扩展的基础上，协议层原生验证与安全机制的探索，可能重塑 L1–L2 的安全边界与价值捕获结构。估值框架发生结构性迁移： 安全性与机构可信度权重显著上升，手续费与平台效应权重下降，ETH 的定价正从现金流模型转向资产溢价模型。
本文将依照事实（已发生的技术与制度变化）、机制（对价值捕获与定价逻辑的影响）、推演（对配置与风险回报的含义）的分层对以太坊定价模型的范式转变与估值重构展开分析。
一、原点回归：以太坊价值观
理解以太坊的长期价值，关键不在短期价格波动，而在于其始终如一的设计理念与价值取向。
可信中立性：以太坊的核心目标并非效率或利润最大化，而是成为一套可信中立的基础设施——规则公开、可预测，不偏袒任何参与者，不受单一主体控制，任何人均可无需许可地参与。ETH 及其链上资产的安全性，最终依赖的是协议本身，而非任何机构信用。生态优先非收入优先：以太坊多次关键升级体现出一致的决策逻辑——主动放弃短期协议收入，以换取更低的使用成本、更大的生态规模与更强的系统韧性。其目标不是“收取过路费”，而是成为数字经济中不可替代的中立结算与信任底座。去中心化作为手段：主网专注于最高等级的安全性与最终性，而 Layer 2 网络位于与主网不同程度的连接光谱上：有的继承主网安全性并追求效率，有的则以差异化功能为价值定位。使系统能够同时服务全球结算与高性能应用，而非 L2 “品牌分片”。长期主义技术路线：以太坊坚持慢而确定的演进路径，优先保障系统安全与可信度。从 PoS 转型到后续扩容与确认机制优化，其路线图追求可持续、可验证、不可逆的正确性。
安全性结算层 (Security Settlement Layer)： 指以太坊主网通过去中心化验证节点和共识机制，为 Layer 2 及链上资产提供不可逆转的最终性（Finality）服务。
这种安全性结算层的定位，标志了“结算主权”的建立，是以太坊从“邦联制”转向“联邦制” 的转变，是以太坊数字国家建立的 “宪法时刻”，更是以太坊架构与核心的重要升级。
美国独立战争以后，在邦联制的条款下，13个州像是一个松散联盟，各州各印各的货币、互相征收关税， 每个州都在搭便车：享受共同国防，却拒绝缴费；享受联盟的品牌，却各自为政。这个结构性的问题导致国家信用降低，并且无法统一对外贸易，严重阻碍经济。
1787年是美国的“宪法时刻”，新宪法赋予联邦政府三项关键权力：直接征税权、州际贸易管制权、统一货币权。但真正让联邦政府"活过来"的是汉密尔顿1790年的经济方案，联邦承担各州债务、按面值兑付重建国家信用、建立国家银行作为金融中枢。统一市场释放了规模效应，国家信用吸引了更多资本，基础设施建设获得了融资能力。美国从13个互相设防的小邦，走向了世界第一大经济体。
今天的以太坊生态的结构性困境完全一致。
每条L2就像一个"主权州"，各自有自己的用户群、流动性池和治理代币。流动性被切割成碎片，跨L2交互摩擦大，L2享受以太坊的安全层和品牌却无法回馈L1价值。每条L2把流动性锁在自己链上是短期理性的，但所有L2都这样做就导致整个以太坊生态的最核心的竞争优势丧失。
以太坊现在推进的路线图，本质上就是它的制宪和建立中央经济系统，也就是建立“结算主权”：
原生Rollup预编译（Native Rollup Precompile）= 联邦宪法。 L2可以在EVM之外自由构建差异化功能，而EVM部分可以通过原生预编译获得以太坊级别的安全验证。不接入当然也可以，但代价是失去与以太坊生态的免信任互操作性。同步可组合性（Synchronous Composability）= 统一市场。 通过原生Rollup预编译等机制，L2之间、L2与L1之间的免信任互操作和同步可组合性正在成为可能，这直接消除了"州际贸易壁垒"，流动性不再被困在各自的孤岛上。L1价值捕获重建 = 联邦征税权。 当所有关键的跨L2交互都回归L1结算时，ETH重新成为整个生态的结算中枢和信任锚点。谁控制结算层，谁就捕获价值。
以太坊正在用统一的结算和验证体系，把碎片化的L2生态变成一个不可替代的“数字国家”，这是一个历史必然。当然， 转变的过程可能缓慢，而历史告诉我们，这个转变一旦完成，释放出的网络效应将远超碎片化时代的线性增长。美国用统一的经济系统把13个小邦变成了世界第一大经济体。以太坊也将把松散的L2生态转化成最大的安全性结算层，乃至全球金融载体。
以太坊核心升级路线图与估值影响 (2025-2026)
二、估值误区：为何不应将以太坊视为“科技公司”
将传统企业估值模型（P/E、DCF、EV/EBITDA）套用于以太坊，本质上是一种类别错误。以太坊并非以利润最大化为目标的公司，而是一套开放的数字经济基础设施。企业追求股东价值最大化，而以太坊追求的是生态规模、安全性与抗审查性的最大化。为实现这一目标，以太坊多次主动压低协议收入（如通过EIP-4844 通过引入 Blob DA，结构性下移 L2 数据发布成本，并压低 L1 来自 rollup 数据的费用收入）——在公司视角下近似“收入自毁”，但在基础设施视角下，则是以牺牲短期费用换取长期的中立性溢价与网络效应。
更合理的理解框架，是将以太坊视为全球中立的结算与共识层：为数字经济提供安全性、最终性与可信协调。ETH 的价值体现在多重结构性需求之上——最终结算的刚性需求、链上金融与稳定币规模、质押与销毁机制对供给的影响，以及 ETF、企业财库与 RWA 等机构级采用所带来的长期、粘性资金。
三、范式重构：寻找现金流之外的定价锚
2025年底 Hashed团队推出的 ethval.com 为以太坊提供了详尽的可复现量化模型集合，但传统的静态模型难以捕捉 2026 年以太坊叙事的剧烈转折。因此，我们复用了其系统性、透明且可复现的底层模型（涵盖收益、货币、网络效应与供给结构），在估值架构与权重逻辑上进行了重塑：
结构重构： 将模型映射至“安全性、货币、平台、收入”四大价值象限，分类加总定价。权重再平衡： 显著上调安全性与结算溢价权重，弱化协议收入与 L2 扩张的边际贡献。风控叠加层： 引入宏观与链上风险感知的熔断机制，使估值框架具备跨周期适应性。剔除“循环论证”：对含现价输入的模型（如 Staking Scarcity、Liquidity Premium）不再作为公允价值锚，仅保留其作为仓位与风险偏好调节指标。
注：下述模型并非用于精确点位预测，而用于刻画不同价值来源在不同周期中的相对定价方向
1. 安全性结算层：核心价值锚（45%，避险期上调）
我们将安全性结算层视为以太坊最核心的价值来源，并赋予其 45% 的基准权重；在宏观不确定性上升或风险偏好回落阶段，该权重进一步上调。这一判断源于 Vitalik 对“真正扩展以太坊”的最新界定：扩容的本质不是提升 TPS，而是创造由以太坊本身完全背书的区块空间。任何依赖外部信任假设的高性能执行环境，都不构成对以太坊本体的扩展。
在此框架下，ETH 的价值主要体现为全球无主权结算层的信用溢价，而非协议收入。该溢价由验证者规模与去中心化程度、长期安全记录、机构级采用、合规路径清晰度，以及协议内生 Rollup 验证机制等结构性因素共同支撑。
在具体定价上，我们主要采用两种互补的方法：Validator Economics（收益均衡映射）与 Staking DCF（永续质押折现），共同刻画 ETH 作为“全球安全结算层”的制度性溢价。
Validator Economics（收益均衡定价）：基于每枚ETH的年化质押现金流与目标真实收益率的比值，推导理论公允价格：
Fair Price = (Annual Staking Cash Flow per ETH) / Target Real Yield
该表达用于刻画收益与价格的均衡关系，作为方向性相对估值工具，而非独立定价模型。
Staking DCF（永续质押折现）：将 ETH 视为一项可持续产生真实质押收益的长期资产，对其现金流进行永续折现：
M_staking = Total Real Staking Cash Flow / (Discount Rate − Longterm Growth Rate)
ETH Price (staking) = M_staking / Circulating Supply
从本质上看，这一价值层并非对标平台型公司的收入能力，而是类似全球清算网络的结算信用。
2. 货币属性：结算与抵押（35%，效用扩张期主导）
我们将货币属性视为以太坊第二核心的价值来源，并赋予其 35% 的基准权重，在中性市场或链上经济扩张阶段成为主要效用锚。这一判断并非基于“ETH 等同于美元”的叙事，而在于其作为链上金融体系的原生结算燃料与最终抵押资产的结构性角色。稳定币流转、DeFi 清算与 RWA 结算的安全性，均依赖 ETH 所支撑的结算层。
定价上，我们采用货币数量论的扩展形式（MV = PQ），但将ETH的使用场景分层建模，以应对不同场景下流通速度的数量级差异分层货币需求模型：
高频结算层（Gas支付、稳定币转账）M_transaction = Annual Transaction Settlement Volume / V_highV_high ≈ 15-25（参考历史链上数据）中频金融层（DeFi交互、借贷清算）M_defi = Annual DeFi Settlement Volume / V_mediumV_medium ≈ 3-8（基于主流DeFi协议资金周转率）低频抵押层（质押、再质押、长期锁仓）M_collateral = Total ETH Collateral Value × (1 + Liquidity Premium)Liquidity Premium = 10-30%（反映流动性牺牲的补偿）
3. 平台 / 网络效应：增长期权（10%，牛市放大器）
平台与网络效应被视为以太坊估值中的增长期权，仅赋予 10% 权重，用于解释牛市阶段生态扩张带来的非线性溢价。我们采用经信任修正的梅特卡夫模型，避免将不同安全级别的 L2 资产等权计入估值：
梅特卡夫模型： M_network = a × (Active Users)^b + m × Σ (L2 TVL_i × TrustScore_i)平台/网络效应估值价格：ETH Price(network) = M_network / Circulating Supply
4. 收入资产：现金流地板（10%，熊市托底）
我们将协议收入视为以太坊估值体系中的现金流地板，而非增长引擎，同样赋予 10% 权重。该层主要在熊市或极端风险阶段发挥作用，用于刻画估值下限。
Gas 与 Blob 费用为网络提供最低运作成本，并通过 EIP-1559 影响供给结构。估值上，我们采用市销率与费用收益率模型，并取其中的保守值，仅作为底部参考。随着主网持续扩容，协议收入的重要性相对下降，其核心作用体现在下行阶段的安全边际。
市销率模型（P/S Floor）：M_PS = Annual Protocol Revenue × P/S_multiple市销率估值价格：ETH Price (PS) = M_PS / Circulating Supply费用收益率模型：M_Yield = Annual Protocol Revenue / Target Fee Yield费用收益估值价格：ETH Price(Yield) = M_Yield / Circulating Supply现金流地板定价（取两者极小值）：P_Revenue_Floor = min(P_PS , P_Yield)
四、动态校准：宏观约束与周期适配
如果说前文确立了以太坊的“内在价值中枢”，本章则引入一套独立于基本面的“外在环境适配系统”。估值无法真空运行，必须受制于宏观环境（资金成本）、市场结构（相对强弱）与链上情绪（拥挤度）三大外部约束。基于此，我们构建了状态适配（Regime Adaptation）机制，在不同周期动态调整估值权重——宽松期释放期权溢价，避险期退守收入地板，从而实现从静态模型到动态策略的跨越。（注：限于篇幅，本文仅展示该机制的核心逻辑框架。）
五、机构化第二曲线的条件路径
前文分析均基于加密体系内部的技术、估值与周期逻辑，而本章讨论的是一个不同层级的问题：当 ETH 不再仅由加密原生资金定价，而被逐步纳入传统金融体系，其定价权、资产属性与风险结构将如何变化。机构化第二曲线并非对既有逻辑的延伸，而是外生力量对以太坊的再定义：
资产属性的变化（Beta → Carry）：现货 ETH ETF 解决的是合规与托管问题，本质仍是价格暴露；而未来Staking ETF 的推进，首次将链上收益通过合规载体引入机构体系。ETH 由此从“无息高波动资产”转向“具备可预期收益的配置型资产”，潜在买家从交易型资金扩展至对收益与久期敏感的养老金、保险及长期账户。使用方式的变化（Holding → Using）：如果机构不再仅将 ETH 视为可交易标的，而是开始将其作为结算与抵押基础设施使用。无论是 JPMorgan 的代币化基金，还是合规稳定币与 RWA 在以太坊上的部署，都表明 ETH 的需求正从“持有需求”转向“运行需求”——机构不仅持有 ETH，更在其上完成结算、清算与风险管理。尾部风险的变化（Uncertainty → Pricing）： 随着稳定币监管框架（如 GENIUS Act）未来逐步确立，以及以太坊路线图与治理透明度提升，机构最为敏感的监管与技术不确定性正在被系统性压缩，意味着不确定性开始被定价，而非被回避。
所谓“机构化第二曲线”是 需求性质的改变，为“安全性结算层 + 货币属性”的估值逻辑提供了真实需求来源，推动 ETH 从以情绪驱动的投机资产过渡为同时承载配置性与功能性需求的基础资产。
六、结语：至暗时刻的价值锚定
过去一周，行业经历了剧烈的去杠杆化洗礼，市场情绪降至冰点，这无疑是加密世界的“至暗时刻”。悲观情绪在从业者中蔓延，而作为最能代表加密精神的资产标的，以太坊亦处于争议的风暴眼中。
然而，作为理性的观察者，我们需要穿透恐慌的迷雾：以太坊当前所经历的，并非“价值的坍塌”，而是一次深刻的“定价锚迁移”。随着 L1 扩容直接推进、L2 被重新界定为不同信任等级的网络光谱，以及协议收入主动让位于系统安全与中立性，ETH 的定价逻辑已结构性转向“安全性结算层 + 原生货币属性”。
在宏观真实利率高位、流动性尚未宽松、链上增长期权暂未被市场允许定价的背景下，ETH 的价格自然收敛至由结算确定性、可验证收益与机构共识支撑的结构性价值区间。这一区间并非情绪底，而是在剥离平台型增长溢价后的价值中枢。
作为以太坊生态的长期建设者，我们拒绝做 ETH 的“无脑多头”。我们希望通过严谨的逻辑框架，审慎地论证我们的预判：只有当宏观流动性、风险偏好与网络效应同时满足市场状态的触发条件时，更高的估值才会被市场重新计入。
因此，对于长线投资者而言，当下的关键问题不再是焦虑地追问“以太坊还能不能涨”，而是要清醒地认识到——在当前环境下，我们正在以“地板价”买入哪一层核心价值？
免责声明：本文在创作过程中借助了 ChatGPT-5.2, Gemini 3和Claude Opus 4.5等 AI 工具辅助完成，作者已尽力校对并确保信息真实与准确，但仍难免存在疏漏，敬请谅解。需特别提示的是，加密资产市场普遍存在项目基本面与二级市场价格表现背离的情况。本文内容仅用于信息整合与学术/研究交流，不构成任何投资建议，亦不应视为任何代币的买卖推荐。
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。
核心变化：
以太坊正在进入“L1 优先范式”： 随着主网直接扩展、费用持续下降，依赖 L2 承担规模化核心角色的原始假设已不再成立。L2 不再是“品牌分片”，而是信任光谱： L2 去中心化推进远慢于预期，难以统一继承以太坊安全性，其角色正被重新定义为不同信任级别的网络光谱。以太坊的核心价值从“流量”转向“结算主权”： ETH 的价值不再限于 Gas 或 Blob 收入，而在于其作为全球最安全 EVM 结算层与原生货币资产的制度性溢价。扩展策略正在向协议内生化调整： 在 L1 持续直接扩展的基础上，协议层原生验证与安全机制的探索，可能重塑 L1–L2 的安全边界与价值捕获结构。估值框架发生结构性迁移： 安全性与机构可信度权重显著上升，手续费与平台效应权重下降，ETH 的定价正从现金流模型转向资产溢价模型。
本文将依照事实（已发生的技术与制度变化）、机制（对价值捕获与定价逻辑的影响）、推演（对配置与风险回报的含义）的分层对以太坊定价模型的范式转变与估值重构展开分析。
一、原点回归：以太坊价值观
理解以太坊的长期价值，关键不在短期价格波动，而在于其始终如一的设计理念与价值取向。
可信中立性：以太坊的核心目标并非效率或利润最大化，而是成为一套可信中立的基础设施——规则公开、可预测，不偏袒任何参与者，不受单一主体控制，任何人均可无需许可地参与。ETH 及其链上资产的安全性，最终依赖的是协议本身，而非任何机构信用。生态优先非收入优先：以太坊多次关键升级体现出一致的决策逻辑——主动放弃短期协议收入，以换取更低的使用成本、更大的生态规模与更强的系统韧性。其目标不是“收取过路费”，而是成为数字经济中不可替代的中立结算与信任底座。去中心化作为手段：主网专注于最高等级的安全性与最终性，而 Layer 2 网络位于与主网不同程度的连接光谱上：有的继承主网安全性并追求效率，有的则以差异化功能为价值定位。使系统能够同时服务全球结算与高性能应用，而非 L2 “品牌分片”。长期主义技术路线：以太坊坚持慢而确定的演进路径，优先保障系统安全与可信度。从 PoS 转型到后续扩容与确认机制优化，其路线图追求可持续、可验证、不可逆的正确性。
安全性结算层 (Security Settlement Layer)： 指以太坊主网通过去中心化验证节点和共识机制，为 Layer 2 及链上资产提供不可逆转的最终性（Finality）服务。
这种安全性结算层的定位，标志了“结算主权”的建立，是以太坊从“邦联制”转向“联邦制” 的转变，是以太坊数字国家建立的 “宪法时刻”，更是以太坊架构与核心的重要升级。
美国独立战争以后，在邦联制的条款下，13个州像是一个松散联盟，各州各印各的货币、互相征收关税， 每个州都在搭便车：享受共同国防，却拒绝缴费；享受联盟的品牌，却各自为政。这个结构性的问题导致国家信用降低，并且无法统一对外贸易，严重阻碍经济。
1787年是美国的“宪法时刻”，新宪法赋予联邦政府三项关键权力：直接征税权、州际贸易管制权、统一货币权。但真正让联邦政府"活过来"的是汉密尔顿1790年的经济方案，联邦承担各州债务、按面值兑付重建国家信用、建立国家银行作为金融中枢。统一市场释放了规模效应，国家信用吸引了更多资本，基础设施建设获得了融资能力。美国从13个互相设防的小邦，走向了世界第一大经济体。
今天的以太坊生态的结构性困境完全一致。
每条L2就像一个"主权州"，各自有自己的用户群、流动性池和治理代币。流动性被切割成碎片，跨L2交互摩擦大，L2享受以太坊的安全层和品牌却无法回馈L1价值。每条L2把流动性锁在自己链上是短期理性的，但所有L2都这样做就导致整个以太坊生态的最核心的竞争优势丧失。
以太坊现在推进的路线图，本质上就是它的制宪和建立中央经济系统，也就是建立“结算主权”：
原生Rollup预编译（Native Rollup Precompile）= 联邦宪法。 L2可以在EVM之外自由构建差异化功能，而EVM部分可以通过原生预编译获得以太坊级别的安全验证。不接入当然也可以，但代价是失去与以太坊生态的免信任互操作性。同步可组合性（Synchronous Composability）= 统一市场。 通过原生Rollup预编译等机制，L2之间、L2与L1之间的免信任互操作和同步可组合性正在成为可能，这直接消除了"州际贸易壁垒"，流动性不再被困在各自的孤岛上。L1价值捕获重建 = 联邦征税权。 当所有关键的跨L2交互都回归L1结算时，ETH重新成为整个生态的结算中枢和信任锚点。谁控制结算层，谁就捕获价值。
以太坊正在用统一的结算和验证体系，把碎片化的L2生态变成一个不可替代的“数字国家”，这是一个历史必然。当然， 转变的过程可能缓慢，而历史告诉我们，这个转变一旦完成，释放出的网络效应将远超碎片化时代的线性增长。美国用统一的经济系统把13个小邦变成了世界第一大经济体。以太坊也将把松散的L2生态转化成最大的安全性结算层，乃至全球金融载体。
以太坊核心升级路线图与估值影响 (2025-2026)
二、估值误区：为何不应将以太坊视为“科技公司”
将传统企业估值模型（P/E、DCF、EV/EBITDA）套用于以太坊，本质上是一种类别错误。以太坊并非以利润最大化为目标的公司，而是一套开放的数字经济基础设施。企业追求股东价值最大化，而以太坊追求的是生态规模、安全性与抗审查性的最大化。为实现这一目标，以太坊多次主动压低协议收入（如通过EIP-4844 通过引入 Blob DA，结构性下移 L2 数据发布成本，并压低 L1 来自 rollup 数据的费用收入）——在公司视角下近似“收入自毁”，但在基础设施视角下，则是以牺牲短期费用换取长期的中立性溢价与网络效应。
更合理的理解框架，是将以太坊视为全球中立的结算与共识层：为数字经济提供安全性、最终性与可信协调。ETH 的价值体现在多重结构性需求之上——最终结算的刚性需求、链上金融与稳定币规模、质押与销毁机制对供给的影响，以及 ETF、企业财库与 RWA 等机构级采用所带来的长期、粘性资金。
三、范式重构：寻找现金流之外的定价锚
2025年底 Hashed团队推出的 ethval.com 为以太坊提供了详尽的可复现量化模型集合，但传统的静态模型难以捕捉 2026 年以太坊叙事的剧烈转折。因此，我们复用了其系统性、透明且可复现的底层模型（涵盖收益、货币、网络效应与供给结构），在估值架构与权重逻辑上进行了重塑：
结构重构： 将模型映射至“安全性、货币、平台、收入”四大价值象限，分类加总定价。权重再平衡： 显著上调安全性与结算溢价权重，弱化协议收入与 L2 扩张的边际贡献。风控叠加层： 引入宏观与链上风险感知的熔断机制，使估值框架具备跨周期适应性。剔除“循环论证”：对含现价输入的模型（如 Staking Scarcity、Liquidity Premium）不再作为公允价值锚，仅保留其作为仓位与风险偏好调节指标。
注：下述模型并非用于精确点位预测，而用于刻画不同价值来源在不同周期中的相对定价方向
1. 安全性结算层：核心价值锚（45%，避险期上调）
我们将安全性结算层视为以太坊最核心的价值来源，并赋予其 45% 的基准权重；在宏观不确定性上升或风险偏好回落阶段，该权重进一步上调。这一判断源于 Vitalik 对“真正扩展以太坊”的最新界定：扩容的本质不是提升 TPS，而是创造由以太坊本身完全背书的区块空间。任何依赖外部信任假设的高性能执行环境，都不构成对以太坊本体的扩展。
在此框架下，ETH 的价值主要体现为全球无主权结算层的信用溢价，而非协议收入。该溢价由验证者规模与去中心化程度、长期安全记录、机构级采用、合规路径清晰度，以及协议内生 Rollup 验证机制等结构性因素共同支撑。
在具体定价上，我们主要采用两种互补的方法：Validator Economics（收益均衡映射）与 Staking DCF（永续质押折现），共同刻画 ETH 作为“全球安全结算层”的制度性溢价。
Validator Economics（收益均衡定价）：基于每枚ETH的年化质押现金流与目标真实收益率的比值，推导理论公允价格：
Fair Price = (Annual Staking Cash Flow per ETH) / Target Real Yield
该表达用于刻画收益与价格的均衡关系，作为方向性相对估值工具，而非独立定价模型。
Staking DCF（永续质押折现）：将 ETH 视为一项可持续产生真实质押收益的长期资产，对其现金流进行永续折现：
M_staking = Total Real Staking Cash Flow / (Discount Rate − Longterm Growth Rate)
ETH Price (staking) = M_staking / Circulating Supply
从本质上看，这一价值层并非对标平台型公司的收入能力，而是类似全球清算网络的结算信用。
2. 货币属性：结算与抵押（35%，效用扩张期主导）
我们将货币属性视为以太坊第二核心的价值来源，并赋予其 35% 的基准权重，在中性市场或链上经济扩张阶段成为主要效用锚。这一判断并非基于“ETH 等同于美元”的叙事，而在于其作为链上金融体系的原生结算燃料与最终抵押资产的结构性角色。稳定币流转、DeFi 清算与 RWA 结算的安全性，均依赖 ETH 所支撑的结算层。
定价上，我们采用货币数量论的扩展形式（MV = PQ），但将ETH的使用场景分层建模，以应对不同场景下流通速度的数量级差异分层货币需求模型：
高频结算层（Gas支付、稳定币转账）M_transaction = Annual Transaction Settlement Volume / V_highV_high ≈ 15-25（参考历史链上数据）中频金融层（DeFi交互、借贷清算）M_defi = Annual DeFi Settlement Volume / V_mediumV_medium ≈ 3-8（基于主流DeFi协议资金周转率）低频抵押层（质押、再质押、长期锁仓）M_collateral = Total ETH Collateral Value × (1 + Liquidity Premium)Liquidity Premium = 10-30%（反映流动性牺牲的补偿）
3. 平台 / 网络效应：增长期权（10%，牛市放大器）
平台与网络效应被视为以太坊估值中的增长期权，仅赋予 10% 权重，用于解释牛市阶段生态扩张带来的非线性溢价。我们采用经信任修正的梅特卡夫模型，避免将不同安全级别的 L2 资产等权计入估值：
梅特卡夫模型： M_network = a × (Active Users)^b + m × Σ (L2 TVL_i × TrustScore_i)平台/网络效应估值价格：ETH Price(network) = M_network / Circulating Supply
4. 收入资产：现金流地板（10%，熊市托底）
我们将协议收入视为以太坊估值体系中的现金流地板，而非增长引擎，同样赋予 10% 权重。该层主要在熊市或极端风险阶段发挥作用，用于刻画估值下限。
Gas 与 Blob 费用为网络提供最低运作成本，并通过 EIP-1559 影响供给结构。估值上，我们采用市销率与费用收益率模型，并取其中的保守值，仅作为底部参考。随着主网持续扩容，协议收入的重要性相对下降，其核心作用体现在下行阶段的安全边际。
市销率模型（P/S Floor）：M_PS = Annual Protocol Revenue × P/S_multiple市销率估值价格：ETH Price (PS) = M_PS / Circulating Supply费用收益率模型：M_Yield = Annual Protocol Revenue / Target Fee Yield费用收益估值价格：ETH Price(Yield) = M_Yield / Circulating Supply现金流地板定价（取两者极小值）：P_Revenue_Floor = min(P_PS , P_Yield)
四、动态校准：宏观约束与周期适配
如果说前文确立了以太坊的“内在价值中枢”，本章则引入一套独立于基本面的“外在环境适配系统”。估值无法真空运行，必须受制于宏观环境（资金成本）、市场结构（相对强弱）与链上情绪（拥挤度）三大外部约束。基于此，我们构建了状态适配（Regime Adaptation）机制，在不同周期动态调整估值权重——宽松期释放期权溢价，避险期退守收入地板，从而实现从静态模型到动态策略的跨越。（注：限于篇幅，本文仅展示该机制的核心逻辑框架。）
五、机构化第二曲线的条件路径
前文分析均基于加密体系内部的技术、估值与周期逻辑，而本章讨论的是一个不同层级的问题：当 ETH 不再仅由加密原生资金定价，而被逐步纳入传统金融体系，其定价权、资产属性与风险结构将如何变化。机构化第二曲线并非对既有逻辑的延伸，而是外生力量对以太坊的再定义：
资产属性的变化（Beta → Carry）：现货 ETH ETF 解决的是合规与托管问题，本质仍是价格暴露；而未来Staking ETF 的推进，首次将链上收益通过合规载体引入机构体系。ETH 由此从“无息高波动资产”转向“具备可预期收益的配置型资产”，潜在买家从交易型资金扩展至对收益与久期敏感的养老金、保险及长期账户。使用方式的变化（Holding → Using）：如果机构不再仅将 ETH 视为可交易标的，而是开始将其作为结算与抵押基础设施使用。无论是 JPMorgan 的代币化基金，还是合规稳定币与 RWA 在以太坊上的部署，都表明 ETH 的需求正从“持有需求”转向“运行需求”——机构不仅持有 ETH，更在其上完成结算、清算与风险管理。尾部风险的变化（Uncertainty → Pricing）： 随着稳定币监管框架（如 GENIUS Act）未来逐步确立，以及以太坊路线图与治理透明度提升，机构最为敏感的监管与技术不确定性正在被系统性压缩，意味着不确定性开始被定价，而非被回避。
所谓“机构化第二曲线”是 需求性质的改变，为“安全性结算层 + 货币属性”的估值逻辑提供了真实需求来源，推动 ETH 从以情绪驱动的投机资产过渡为同时承载配置性与功能性需求的基础资产。
六、结语：至暗时刻的价值锚定
过去一周，行业经历了剧烈的去杠杆化洗礼，市场情绪降至冰点，这无疑是加密世界的“至暗时刻”。悲观情绪在从业者中蔓延，而作为最能代表加密精神的资产标的，以太坊亦处于争议的风暴眼中。
然而，作为理性的观察者，我们需要穿透恐慌的迷雾：以太坊当前所经历的，并非“价值的坍塌”，而是一次深刻的“定价锚迁移”。随着 L1 扩容直接推进、L2 被重新界定为不同信任等级的网络光谱，以及协议收入主动让位于系统安全与中立性，ETH 的定价逻辑已结构性转向“安全性结算层 + 原生货币属性”。
在宏观真实利率高位、流动性尚未宽松、链上增长期权暂未被市场允许定价的背景下，ETH 的价格自然收敛至由结算确定性、可验证收益与机构共识支撑的结构性价值区间。这一区间并非情绪底，而是在剥离平台型增长溢价后的价值中枢。
作为以太坊生态的长期建设者，我们拒绝做 ETH 的“无脑多头”。我们希望通过严谨的逻辑框架，审慎地论证我们的预判：只有当宏观流动性、风险偏好与网络效应同时满足市场状态的触发条件时，更高的估值才会被市场重新计入。
因此，对于长线投资者而言，当下的关键问题不再是焦虑地追问“以太坊还能不能涨”，而是要清醒地认识到——在当前环境下，我们正在以“地板价”买入哪一层核心价值？
免责声明：本文在创作过程中借助了 ChatGPT-5.2, Gemini 3和Claude Opus 4.5等 AI 工具辅助完成，作者已尽力校对并确保信息真实与准确，但仍难免存在疏漏，敬请谅解。需特别提示的是，加密资产市场普遍存在项目基本面与二级市场价格表现背离的情况。本文内容仅用于信息整合与学术/研究交流，不构成任何投资建议，亦不应视为任何代币的买卖推荐。
Noya.ai: Các Agent trong Thị trường Dự đoán
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Trong các báo cáo nghiên cứu trước đây của chuỗi Crypto AI, chúng tôi luôn nhấn mạnh quan điểm rằng các kịch bản ứng dụng thực tiễn nhất trong lĩnh vực tiền điện tử hiện tại chủ yếu tập trung vào thanh toán stablecoin và DeFi, trong khi Agents là giao diện chính cho ngành công nghiệp AI đối diện với người dùng. Do đó, trong xu hướng tích hợp Crypto và AI, hai con đường có giá trị nhất là: AgentFi, dựa trên các giao thức DeFi đã trưởng thành hiện có (các chiến lược cơ bản như cho vay và khai thác thanh khoản, cũng như các chiến lược nâng cao như Swap, Pendle PT, và chênh lệch tỷ lệ tài trợ) trong ngắn hạn; và Agent Payment, tập trung vào thanh toán stablecoin và dựa vào các giao thức như ACP/AP2/x402/ERC-8004 trong trung và dài hạn.
Trong các báo cáo nghiên cứu trước đây của chuỗi Crypto AI, chúng tôi luôn nhấn mạnh quan điểm rằng các kịch bản ứng dụng thực tiễn nhất trong lĩnh vực tiền điện tử hiện tại chủ yếu tập trung vào thanh toán stablecoin và DeFi, trong khi Agents là giao diện chính cho ngành công nghiệp AI đối diện với người dùng. Do đó, trong xu hướng tích hợp Crypto và AI, hai con đường có giá trị nhất là: AgentFi, dựa trên các giao thức DeFi đã trưởng thành hiện có (các chiến lược cơ bản như cho vay và khai thác thanh khoản, cũng như các chiến lược nâng cao như Swap, Pendle PT, và chênh lệch tỷ lệ tài trợ) trong ngắn hạn; và Agent Payment, tập trung vào thanh toán stablecoin và dựa vào các giao thức như ACP/AP2/x402/ERC-8004 trong trung và dài hạn.
Noya.ai báo cáo: Dự đoán về các thực thể thông minh trên thị trường
Noya.ai báo cáo: Dự đoán về các thực thể thông minh trên thị trường
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Trong các báo cáo Crypto AI trước đây, chúng tôi liên tục nhấn mạnh quan điểm: Các kịch bản có giá trị ứng dụng thực tế nhất trong lĩnh vực tiền điện tử hiện nay chủ yếu tập trung vào thanh toán bằng stablecoin và DeFi, trong khi Agent là giao diện chính của ngành AI đối với người dùng. Do đó, trong xu hướng tích hợp giữa Crypto và AI, hai con đường có giá trị nhất lần lượt là: AgentFi dựa trên các giao thức DeFi hiện tại đã trưởng thành (các chiến lược cơ bản như cho vay, khai thác thanh khoản, cũng như các chiến lược nâng cao như Swap, Pendle PT, và chênh lệch lãi suất), và Agent Payment xoay quanh việc thanh toán bằng stablecoin, dựa vào các giao thức như ACP/AP2/x402/ERC-8004.
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Trong các báo cáo Crypto AI trước đây, chúng tôi liên tục nhấn mạnh quan điểm: Các kịch bản có giá trị ứng dụng thực tế nhất trong lĩnh vực tiền điện tử hiện nay chủ yếu tập trung vào thanh toán bằng stablecoin và DeFi, trong khi Agent là giao diện chính của ngành AI đối với người dùng. Do đó, trong xu hướng tích hợp giữa Crypto và AI, hai con đường có giá trị nhất lần lượt là: AgentFi dựa trên các giao thức DeFi hiện tại đã trưởng thành (các chiến lược cơ bản như cho vay, khai thác thanh khoản, cũng như các chiến lược nâng cao như Swap, Pendle PT, và chênh lệch lãi suất), và Agent Payment xoay quanh việc thanh toán bằng stablecoin, dựa vào các giao thức như ACP/AP2/x402/ERC-8004.
Học Củng Cố: Sự Chuyển Mình Của AI Phi Tập Trung
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quá trình nghiên cứu và viết được lấy cảm hứng từ công trình của Sam Lehman (Pantera Capital) về học củng cố. Cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan(Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý giá của họ cho bài viết này. Bài viết này cố gắng đạt được tính khách quan và chính xác, nhưng một số quan điểm liên quan đến đánh giá chủ quan và có thể chứa đựng sự thiên lệch. Chúng tôi trân trọng sự hiểu biết của độc giả.
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quá trình nghiên cứu và viết được lấy cảm hứng từ công trình của Sam Lehman (Pantera Capital) về học củng cố. Cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan(Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý giá của họ cho bài viết này. Bài viết này cố gắng đạt được tính khách quan và chính xác, nhưng một số quan điểm liên quan đến đánh giá chủ quan và có thể chứa đựng sự thiên lệch. Chúng tôi trân trọng sự hiểu biết của độc giả.
Học tăng cường: Sự chuyển mình của mạng AI phi tập trung
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình nghiên cứu và viết bài chịu ảnh hưởng từ báo cáo nghiên cứu học tăng cường của Sam Lehman (Pantera Capital), cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý báu đã đưa ra cho bài viết này. Bài viết mong muốn nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi có sai lệch, xin độc giả thông cảm.
Trí tuệ nhân tạo đang chuyển từ việc học thống kê chủ yếu dựa vào "khớp mô hình" sang một hệ thống năng lực lấy "suy diễn có cấu trúc" làm cốt lõi, và tầm quan trọng của đào tạo sau (Post-training) đang nhanh chóng gia tăng. Sự xuất hiện của DeepSeek-R1 đánh dấu sự lật ngược mô hình của học tăng cường trong kỷ nguyên mô hình lớn, hình thành sự đồng thuận trong ngành: việc xây dựng mô hình qua đào tạo trước tạo ra nền tảng năng lực chung, học tăng cường không còn chỉ là công cụ căn chỉnh giá trị, mà đã được chứng minh có thể hệ thống nâng cao chất lượng chuỗi suy diễn và khả năng quyết định phức tạp, đang dần tiến hóa thành con đường công nghệ nâng cao trình độ thông minh một cách liên tục.
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình nghiên cứu và viết bài chịu ảnh hưởng từ báo cáo nghiên cứu học tăng cường của Sam Lehman (Pantera Capital), cảm ơn Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang vì những gợi ý quý báu đã đưa ra cho bài viết này. Bài viết mong muốn nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi có sai lệch, xin độc giả thông cảm.
Trí tuệ nhân tạo đang chuyển từ việc học thống kê chủ yếu dựa vào "khớp mô hình" sang một hệ thống năng lực lấy "suy diễn có cấu trúc" làm cốt lõi, và tầm quan trọng của đào tạo sau (Post-training) đang nhanh chóng gia tăng. Sự xuất hiện của DeepSeek-R1 đánh dấu sự lật ngược mô hình của học tăng cường trong kỷ nguyên mô hình lớn, hình thành sự đồng thuận trong ngành: việc xây dựng mô hình qua đào tạo trước tạo ra nền tảng năng lực chung, học tăng cường không còn chỉ là công cụ căn chỉnh giá trị, mà đã được chứng minh có thể hệ thống nâng cao chất lượng chuỗi suy diễn và khả năng quyết định phức tạp, đang dần tiến hóa thành con đường công nghệ nâng cao trình độ thông minh một cách liên tục.
Kinh tế Máy móc: Một Con đường Toàn diện đến Thương mại Tác động
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quy trình nghiên cứu và viết được lấy cảm hứng từ các công việc liên quan của Raghav Agarwal (LongHash) và Jay Yu (Pantera). Cảm ơn Lex Sokolin @ Generative Ventures , Jordan@AIsa, Ivy @PodOur2Cents vì những gợi ý quý giá của họ về bài viết này. Phản hồi cũng đã được yêu cầu từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON trong quá trình viết. Bài viết này cố gắng cung cấp nội dung khách quan và chính xác, nhưng một số quan điểm liên quan đến phán đoán chủ quan và có thể không tránh khỏi sự sai lệch. Sự hiểu biết của độc giả được đánh giá cao.
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Quy trình nghiên cứu và viết được lấy cảm hứng từ các công việc liên quan của Raghav Agarwal (LongHash) và Jay Yu (Pantera). Cảm ơn Lex Sokolin @ Generative Ventures , Jordan@AIsa, Ivy @PodOur2Cents vì những gợi ý quý giá của họ về bài viết này. Phản hồi cũng đã được yêu cầu từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON trong quá trình viết. Bài viết này cố gắng cung cấp nội dung khách quan và chính xác, nhưng một số quan điểm liên quan đến phán đoán chủ quan và có thể không tránh khỏi sự sai lệch. Sự hiểu biết của độc giả được đánh giá cao.
Trật tự kinh tế của máy móc: Con đường toàn diện cho thương mại của các tác nhân
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình viết nghiên cứu được truyền cảm hứng từ các báo cáo liên quan của Raghav Agarwal@LongHash và Jay Yu@Pantera, cảm ơn Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog đã đưa ra những gợi ý quý giá cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON. Bài viết cố gắng giữ nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures, quá trình viết nghiên cứu được truyền cảm hứng từ các báo cáo liên quan của Raghav Agarwal@LongHash và Jay Yu@Pantera, cảm ơn Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog đã đưa ra những gợi ý quý giá cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các nhóm dự án như Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON. Bài viết cố gắng giữ nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.
Sự tiến hóa hội tụ của Tự động hóa, AI và Web3 trong Ngành Robot
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Tác giả cảm ơn Hans (RoboCup Châu Á-Thái Bình Dương), 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) vì những nhận xét quý giá của họ, cũng như các nhà đóng góp từ OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow vì những phản hồi xây dựng của họ. Trong khi mọi nỗ lực đã được thực hiện để đảm bảo tính khách quan và chính xác, một số hiểu biết không thể không phản ánh sự diễn giải chủ quan, và độc giả được khuyến khích tham gia với nội dung một cách phản biện.
Báo cáo nghiên cứu độc lập này được hỗ trợ bởi IOSG Ventures. Tác giả cảm ơn Hans (RoboCup Châu Á-Thái Bình Dương), 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) vì những nhận xét quý giá của họ, cũng như các nhà đóng góp từ OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow vì những phản hồi xây dựng của họ. Trong khi mọi nỗ lực đã được thực hiện để đảm bảo tính khách quan và chính xác, một số hiểu biết không thể không phản ánh sự diễn giải chủ quan, và độc giả được khuyến khích tham gia với nội dung một cách phản biện.
Tương lai của ngành công nghiệp robot: Sự kết hợp và tiến hóa của tự động hóa, trí tuệ nhân tạo và Web3
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Báo cáo độc lập này được hỗ trợ bởi IOSG Ventures, cảm ơn Hans (RoboCup Châu Á - Thái Bình Dương), 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) đã đưa ra những ý kiến quý báu cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các đội ngũ dự án như OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow. Bài viết này cố gắng đảm bảo nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.
Báo cáo độc lập này được hỗ trợ bởi IOSG Ventures, cảm ơn Hans (RoboCup Châu Á - Thái Bình Dương), 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) đã đưa ra những ý kiến quý báu cho bài viết này. Trong quá trình viết cũng đã tham khảo ý kiến phản hồi từ các đội ngũ dự án như OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network và CodecFlow. Bài viết này cố gắng đảm bảo nội dung khách quan và chính xác, một số quan điểm liên quan đến phán đoán chủ quan, khó tránh khỏi sự sai lệch, mong độc giả thông cảm.
Báo cáo Nghiên cứu Brevis: Lớp Điện toán Có thể Xác minh Vô hạn của zkVM và Bộ đồng xử lý Dữ liệu ZK
Mô hình của Điện toán Có thể Xác minh—“tính toán ngoài chuỗi + xác minh trên chuỗi”—đã trở thành mô hình tính toán phổ quát cho các hệ thống blockchain. Nó cho phép các ứng dụng blockchain đạt được tự do tính toán gần như vô hạn trong khi vẫn duy trì phân quyền và không tin cậy như là những đảm bảo an ninh cốt lõi. Chứng minh không biết (ZKPs) tạo thành xương sống của mô hình này, với các ứng dụng chủ yếu trong ba hướng nền tảng: khả năng mở rộng, quyền riêng tư và khả năng tương tác & tính toàn vẹn dữ liệu. Khả năng mở rộng là ứng dụng ZK đầu tiên đạt đến sản xuất, chuyển việc thực thi ra ngoài chuỗi và xác minh các chứng minh ngắn gọn trên chuỗi để đạt được thông lượng cao và khả năng mở rộng không tin cậy với chi phí thấp.
Báo cáo Brevis: Tầng tính toán đáng tin cậy vô hạn với ZKVM và bộ xử lý đồng dữ liệu
“Tính toán ngoài chuỗi + Xác minh trên chuỗi” là mô hình tính toán đáng tin cậy (Verifiable Computing) đã trở thành mô hình tính toán chung cho hệ thống blockchain. Nó cho phép các ứng dụng blockchain có được độ tự do tính toán gần như vô hạn (computational freedom) trong khi vẫn duy trì tính phi tập trung và an ninh tối thiểu về lòng tin (trustlessness). Chứng minh không kiến thức (ZKP) là trụ cột cốt lõi của mô hình này, và ứng dụng của nó chủ yếu tập trung vào ba hướng cơ bản: mở rộng (Scalability), quyền riêng tư (Privacy) và khả năng tương tác cũng như tính toàn vẹn dữ liệu (Interoperability & Data Integrity). Trong đó, mở rộng là bối cảnh đầu tiên mà công nghệ ZK được triển khai, thông qua việc di chuyển thực thi giao dịch ra ngoài chuỗi, với chứng minh ngắn gọn để xác minh kết quả trên chuỗi, đạt được TPS cao và chi phí thấp cho việc mở rộng đáng tin cậy.
Báo cáo Nghiên cứu Cysic: Con đường ComputeFi của việc tăng tốc phần cứng ZK
Tác giả:0xjacobzhao | https://linktr.ee/0xjacobzhao
Bằng chứng không kiến thức (ZK) — như một cơ sở hạ tầng mật mã thế hệ tiếp theo và khả năng mở rộng — đang thể hiện tiềm năng to lớn trên khắp các lĩnh vực mở rộng blockchain, tính toán bảo mật, zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng cực kỳ tốn tài nguyên tính toán và có độ trễ cao, tạo thành nút thắt cổ chai lớn nhất cho việc áp dụng công nghiệp. Do đó, tăng tốc phần cứng ZK đã nổi lên như một yếu tố cốt lõi. Trong bối cảnh này, GPU vượt trội về tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả tối đa và hiệu suất quy mô lớn, trong khi FPGA phục vụ như một giải pháp linh hoạt kết hợp khả năng lập trình với hiệu quả năng lượng. Cùng nhau, chúng tạo thành nền tảng phần cứng thúc đẩy việc áp dụng ZK trong thực tế.
Bằng chứng không kiến thức (ZK) — như một cơ sở hạ tầng mật mã thế hệ tiếp theo và khả năng mở rộng — đang thể hiện tiềm năng to lớn trên khắp các lĩnh vực mở rộng blockchain, tính toán bảo mật, zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng cực kỳ tốn tài nguyên tính toán và có độ trễ cao, tạo thành nút thắt cổ chai lớn nhất cho việc áp dụng công nghiệp. Do đó, tăng tốc phần cứng ZK đã nổi lên như một yếu tố cốt lõi. Trong bối cảnh này, GPU vượt trội về tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả tối đa và hiệu suất quy mô lớn, trong khi FPGA phục vụ như một giải pháp linh hoạt kết hợp khả năng lập trình với hiệu quả năng lượng. Cùng nhau, chúng tạo thành nền tảng phần cứng thúc đẩy việc áp dụng ZK trong thực tế.
Báo cáo Cysic: Con đường ComputeFi của tăng tốc phần cứng ZK
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Bằng chứng không biết (ZK) như một thế hệ mới của cơ sở hạ tầng mã hóa và mở rộng, đã thể hiện tiềm năng rộng lớn trong mở rộng blockchain, tính toán riêng tư cũng như các ứng dụng mới nổi như zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng của nó có khối lượng tính toán lớn và độ trễ cao, trở thành nút thắt lớn nhất trong việc hiện thực hóa công nghiệp. Tăng tốc phần cứng ZK chính là yếu tố cốt lõi nổi lên trong bối cảnh này. Trên con đường tăng tốc phần cứng ZK, GPU nổi bật với tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả năng lượng tối đa và hiệu suất quy mô lớn, trong khi FPGA giữ vai trò trung gian, vừa có tính linh hoạt lập trình cao vừa có hiệu quả năng lượng tốt, cả ba cùng nhau tạo thành nền tảng phần cứng thúc đẩy sự hiện thực hóa của bằng chứng không biết.
Bằng chứng không biết (ZK) như một thế hệ mới của cơ sở hạ tầng mã hóa và mở rộng, đã thể hiện tiềm năng rộng lớn trong mở rộng blockchain, tính toán riêng tư cũng như các ứng dụng mới nổi như zkML và xác minh chuỗi chéo. Tuy nhiên, quá trình tạo ra bằng chứng của nó có khối lượng tính toán lớn và độ trễ cao, trở thành nút thắt lớn nhất trong việc hiện thực hóa công nghiệp. Tăng tốc phần cứng ZK chính là yếu tố cốt lõi nổi lên trong bối cảnh này. Trên con đường tăng tốc phần cứng ZK, GPU nổi bật với tính linh hoạt và tốc độ lặp lại, ASIC theo đuổi hiệu quả năng lượng tối đa và hiệu suất quy mô lớn, trong khi FPGA giữ vai trò trung gian, vừa có tính linh hoạt lập trình cao vừa có hiệu quả năng lượng tốt, cả ba cùng nhau tạo thành nền tảng phần cứng thúc đẩy sự hiện thực hóa của bằng chứng không biết.
Báo cáo Nghiên cứu GAIB: Tài chính hóa trên chuỗi của Cơ sở hạ tầng AI — RWAiFi
Viết bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Khi AI trở thành làn sóng công nghệ phát triển nhanh nhất, sức mạnh tính toán được coi là một “đồng tiền” mới, với GPU trở thành tài sản chiến lược. Tuy nhiên, tài trợ và thanh khoản vẫn hạn chế, trong khi tài chính tiền điện tử cần tài sản có dòng tiền thực – được hỗ trợ bởi các tài sản. Việc token hóa RWA đang nổi lên như một cây cầu. Cơ sở hạ tầng AI, kết hợp phần cứng có giá trị cao + dòng tiền có thể dự đoán, được coi là điểm vào tốt nhất cho các RWA phi tiêu chuẩn — GPU cung cấp tính thực tiễn ngắn hạn, trong khi robot đại diện cho biên giới dài hạn. RWAiFi của GAIB (RWA + AI + DeFi) giới thiệu một con đường mới cho tài chính chuỗi, cung cấp sức mạnh cho bánh đà của Cơ sở hạ tầng AI (GPU & Robotics) × RWA × DeFi.
Khi AI trở thành làn sóng công nghệ phát triển nhanh nhất, sức mạnh tính toán được coi là một “đồng tiền” mới, với GPU trở thành tài sản chiến lược. Tuy nhiên, tài trợ và thanh khoản vẫn hạn chế, trong khi tài chính tiền điện tử cần tài sản có dòng tiền thực – được hỗ trợ bởi các tài sản. Việc token hóa RWA đang nổi lên như một cây cầu. Cơ sở hạ tầng AI, kết hợp phần cứng có giá trị cao + dòng tiền có thể dự đoán, được coi là điểm vào tốt nhất cho các RWA phi tiêu chuẩn — GPU cung cấp tính thực tiễn ngắn hạn, trong khi robot đại diện cho biên giới dài hạn. RWAiFi của GAIB (RWA + AI + DeFi) giới thiệu một con đường mới cho tài chính chuỗi, cung cấp sức mạnh cho bánh đà của Cơ sở hạ tầng AI (GPU & Robotics) × RWA × DeFi.
Báo cáo nghiên cứu của GAIB: Con đường hướng tới tài chính hóa trên chuỗi khối cho cơ sở hạ tầng AI - RWAiFi
Tác giả: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Khi trí tuệ nhân tạo (AI) trở thành làn sóng công nghệ phát triển nhanh nhất toàn cầu, sức mạnh tính toán đang được xem như "tiền tệ" mới, và phần cứng hiệu năng cao như GPU đang dần trở thành tài sản chiến lược. Tuy nhiên, việc tài trợ và tính thanh khoản của các tài sản này từ lâu đã bị hạn chế. Trong khi đó, tài chính tiền điện tử đang rất cần tiếp cận các tài sản chất lượng cao với dòng tiền thực tế, và việc triển khai Tài sản Thế giới Thực (RWA) trên chuỗi khối đang trở thành cầu nối quan trọng giữa tài chính truyền thống và thị trường tiền điện tử. Tài sản cơ sở hạ tầng AI, với đặc điểm "phần cứng giá trị cao + dòng tiền có thể dự đoán được", được coi là điểm đột phá tốt nhất cho các tài sản phi tiêu chuẩn (RWA). Trong số đó, GPU có tiềm năng triển khai thực tế nhất, trong khi robot đại diện cho hướng nghiên cứu dài hạn hơn. Trong bối cảnh này, lộ trình RWAiFi (RWA + AI + DeFi) do GAIB đề xuất cung cấp một giải pháp mới cho "tài chính hóa cơ sở hạ tầng AI trên chuỗi khối", thúc đẩy hiệu ứng bánh đà "cơ sở hạ tầng AI (sức mạnh tính toán và robot) x RWA x DeFi".
Khi trí tuệ nhân tạo (AI) trở thành làn sóng công nghệ phát triển nhanh nhất toàn cầu, sức mạnh tính toán đang được xem như "tiền tệ" mới, và phần cứng hiệu năng cao như GPU đang dần trở thành tài sản chiến lược. Tuy nhiên, việc tài trợ và tính thanh khoản của các tài sản này từ lâu đã bị hạn chế. Trong khi đó, tài chính tiền điện tử đang rất cần tiếp cận các tài sản chất lượng cao với dòng tiền thực tế, và việc triển khai Tài sản Thế giới Thực (RWA) trên chuỗi khối đang trở thành cầu nối quan trọng giữa tài chính truyền thống và thị trường tiền điện tử. Tài sản cơ sở hạ tầng AI, với đặc điểm "phần cứng giá trị cao + dòng tiền có thể dự đoán được", được coi là điểm đột phá tốt nhất cho các tài sản phi tiêu chuẩn (RWA). Trong số đó, GPU có tiềm năng triển khai thực tế nhất, trong khi robot đại diện cho hướng nghiên cứu dài hạn hơn. Trong bối cảnh này, lộ trình RWAiFi (RWA + AI + DeFi) do GAIB đề xuất cung cấp một giải pháp mới cho "tài chính hóa cơ sở hạ tầng AI trên chuỗi khối", thúc đẩy hiệu ứng bánh đà "cơ sở hạ tầng AI (sức mạnh tính toán và robot) x RWA x DeFi".
Từ Học Tập Liên Kết đến Mạng Lưới Đại Diện Phi Tập Trung: Một Phân Tích về ChainOpera
Viết bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Trong báo cáo tháng 6 của chúng tôi “Chén Thánh của Crypto AI: Khám Phá Biên Giới Đào Tạo Phi Tập Trung”, chúng tôi đã thảo luận về Học Tập Liên Kết—một mô hình “phi tập trung có kiểm soát” nằm giữa đào tạo phân tán và đào tạo hoàn toàn phi tập trung. Nguyên tắc cốt lõi của nó là giữ dữ liệu địa phương trong khi tập hợp các tham số một cách trung tâm, một thiết kế đặc biệt phù hợp cho các ngành nhạy cảm về quyền riêng tư và tuân thủ như chăm sóc sức khỏe và tài chính.
Trong báo cáo tháng 6 của chúng tôi “Chén Thánh của Crypto AI: Khám Phá Biên Giới Đào Tạo Phi Tập Trung”, chúng tôi đã thảo luận về Học Tập Liên Kết—một mô hình “phi tập trung có kiểm soát” nằm giữa đào tạo phân tán và đào tạo hoàn toàn phi tập trung. Nguyên tắc cốt lõi của nó là giữ dữ liệu địa phương trong khi tập hợp các tham số một cách trung tâm, một thiết kế đặc biệt phù hợp cho các ngành nhạy cảm về quyền riêng tư và tuân thủ như chăm sóc sức khỏe và tài chính.
Từ Học tập Liên bang đến Mạng lưới Đại lý Phi tập trung: Phân tích Dự án ChainOpera
Trong báo cáo nghiên cứu tháng 6 của chúng tôi (Chén Thánh của Crypto AI: Khám phá Biên giới của Đào tạo Phi tập trung), chúng tôi đã đề cập đến học tập liên kết, một giải pháp "phi tập trung có kiểm soát" nằm giữa đào tạo phân tán và phi tập trung. Cách tiếp cận cốt lõi của nó là lưu trữ dữ liệu cục bộ và tổng hợp các tham số tập trung, đáp ứng các yêu cầu về quyền riêng tư và tuân thủ trong lĩnh vực chăm sóc sức khỏe, tài chính và các lĩnh vực khác. Đồng thời, chúng tôi đã liên tục nhấn mạnh sự phát triển của mạng lưới tác nhân trong các báo cáo trước đây. Giá trị của chúng nằm ở việc cho phép tính tự chủ của nhiều tác nhân và phân công lao động để cùng nhau hoàn thành các nhiệm vụ phức tạp, thúc đẩy sự phát triển từ "mô hình lớn" sang "hệ sinh thái đa tác nhân".
Báo cáo nghiên cứu OpenLedge: Dữ liệu và mô hình có thể biến thành tiền của chuỗi AI
Một, Giới thiệu | Sự nhảy vọt của lớp mô hình Crypto AI
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của hạ tầng AI, giống như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự như lộ trình tiến hóa hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung dẫn dắt (Akash, Render, io.net, v.v.), nhấn mạnh logic tăng trưởng thô sơ “ghép sức mạnh tính toán”. Tuy nhiên, khi bước vào năm 2025, sự chú ý của ngành dần dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng trung gian có tính bền vững và giá trị ứng dụng hơn.
Dữ liệu, mô hình và sức mạnh tính toán là ba yếu tố cốt lõi của hạ tầng AI, giống như nhiên liệu (dữ liệu), động cơ (mô hình), năng lượng (sức mạnh tính toán) không thể thiếu. Tương tự như lộ trình tiến hóa hạ tầng của ngành AI truyền thống, lĩnh vực Crypto AI cũng trải qua các giai đoạn tương tự. Đầu năm 2024, thị trường một thời bị các dự án GPU phi tập trung dẫn dắt (Akash, Render, io.net, v.v.), nhấn mạnh logic tăng trưởng thô sơ “ghép sức mạnh tính toán”. Tuy nhiên, khi bước vào năm 2025, sự chú ý của ngành dần dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển mình của Crypto AI từ cạnh tranh tài nguyên cơ sở hạ tầng sang xây dựng trung gian có tính bền vững và giá trị ứng dụng hơn.
Báo cáo nghiên cứu OpenLedger: Chuỗi AI cho dữ liệu và mô hình có thể kiếm tiền
1. Giới thiệu | Sự chuyển dịch mô hình-lớp trong AI tiền điện tử
Dữ liệu, mô hình và tính toán tạo thành ba trụ cột cốt lõi của cơ sở hạ tầng AI—tương tự như nhiên liệu (dữ liệu), động cơ (mô hình) và năng lượng (tính toán)—tất cả đều không thể thiếu. Giống như sự phát triển của cơ sở hạ tầng trong ngành AI truyền thống, lĩnh vực AI tiền điện tử cũng trải qua một quỹ đạo tương tự. Đầu năm 2024, thị trường bị chi phối bởi các dự án GPU phi tập trung (như Akash, Render và io.net), đặc trưng bởi mô hình tăng trưởng nặng về tài nguyên, tập trung vào sức mạnh tính toán thô. Tuy nhiên, đến năm 2025, sự chú ý của ngành công nghiệp đã dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển đổi từ cạnh tranh cơ sở hạ tầng cấp thấp sang phát triển lớp trung gian bền vững hơn, hướng đến ứng dụng.
Dữ liệu, mô hình và tính toán tạo thành ba trụ cột cốt lõi của cơ sở hạ tầng AI—tương tự như nhiên liệu (dữ liệu), động cơ (mô hình) và năng lượng (tính toán)—tất cả đều không thể thiếu. Giống như sự phát triển của cơ sở hạ tầng trong ngành AI truyền thống, lĩnh vực AI tiền điện tử cũng trải qua một quỹ đạo tương tự. Đầu năm 2024, thị trường bị chi phối bởi các dự án GPU phi tập trung (như Akash, Render và io.net), đặc trưng bởi mô hình tăng trưởng nặng về tài nguyên, tập trung vào sức mạnh tính toán thô. Tuy nhiên, đến năm 2025, sự chú ý của ngành công nghiệp đã dần chuyển sang các lớp mô hình và dữ liệu, đánh dấu sự chuyển đổi từ cạnh tranh cơ sở hạ tầng cấp thấp sang phát triển lớp trung gian bền vững hơn, hướng đến ứng dụng.
Các Chiến Lược Lợi Suất Pendle Được Công Bố: Mô Hình AgentFi của Pulse
Bởi 0xjacobzhao | https://linktr.ee/0xjacobzhao
Không nghi ngờ gì, Pendle là một trong những giao thức DeFi thành công nhất trong chu kỳ crypto hiện tại. Trong khi nhiều giao thức đã dừng lại do khan hiếm thanh khoản và những câu chuyện phai nhạt, Pendle đã tự phân biệt mình thông qua cơ chế chia lợi suất và giao dịch độc đáo, trở thành “nền tảng phát hiện giá” cho các tài sản sinh lợi. Bằng cách tích hợp sâu với các stablecoin, LST, LRT, và các tài sản sinh lợi khác, nó đã đảm bảo vị thế của mình như là “cơ sở hạ tầng tỷ lệ sinh lợi DeFi” nền tảng.
Không nghi ngờ gì, Pendle là một trong những giao thức DeFi thành công nhất trong chu kỳ crypto hiện tại. Trong khi nhiều giao thức đã dừng lại do khan hiếm thanh khoản và những câu chuyện phai nhạt, Pendle đã tự phân biệt mình thông qua cơ chế chia lợi suất và giao dịch độc đáo, trở thành “nền tảng phát hiện giá” cho các tài sản sinh lợi. Bằng cách tích hợp sâu với các stablecoin, LST, LRT, và các tài sản sinh lợi khác, nó đã đảm bảo vị thế của mình như là “cơ sở hạ tầng tỷ lệ sinh lợi DeFi” nền tảng.
Đăng nhập để khám phá thêm nội dung