0xjacobzhao

作者：0xjacobzhao | https://linktr.ee/0xjacobzhao
本獨立研究報告得到了IOSG Ventures的支持。作者感謝Hans（RoboCup亞太）、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）對其寶貴意見的支持，以及來自OpenMind、BitRobot、peaq、Auki Labs、XMAQUINA、GAIB、Vader、Gradient、Tashi Network和CodecFlow的貢獻者們的建設性反饋。儘管已盡一切努力確保客觀性和準確性，但某些見解不可避免地反映了主觀解釋，鼓勵讀者批判性地參與內容。

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

本獨立研報由IOSG Ventures支持，感謝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) 對本文提出的寶貴建議。撰寫過程中亦徵詢了 OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient,Tashi Network 和CodecFlow等項目團隊的意見反饋。本文力求內容客觀準確，部分觀點涉及主觀判斷，難免存在偏差，敬請讀者予以理解。

可驗證計算的範式——「鏈下計算 + 鏈上驗證」——已成爲區塊鏈系統的通用計算模型。它使區塊鏈應用能夠在保持去中心化和無信任作爲核心安全保證的同時，實現近乎無限的計算自由。零知識證明（ZKP）構成了這一範式的骨幹，其應用主要集中在三個基礎方向：可擴展性、隱私和互操作性與數據完整性。可擴展性是第一個達到生產的 ZK 應用，將執行移至鏈下，並在鏈上驗證簡潔的證明，以實現高吞吐量和低成本的無信任擴展。

“鏈下計算 + 鏈上驗證”的可信計算（Verifiable Computing）範式，已成爲區塊鏈系統的通用計算模型。它讓區塊鏈應用在保持去中心化與信任最小化（trustlessness）安全性的前提下，獲得幾乎無限的計算自由度（computational freedom）。零知識證明（ZKP）是該範式的核心支柱，其應用主要集中在擴容（Scalability）、隱私（Privacy）以及互操作與數據完整性（Interoperability & Data Integrity）三大基礎方向。其中，擴容是 ZK 技術最早落地的場景，通過將交易執行移至鏈下、以簡短證明在鏈上驗證結果，實現高 TPS 與低成本的可信擴容。

作者:0xjacobzhao | https://linktr.ee/0xjacobzhao
零知識證明 (ZK) — 作爲下一代加密和可擴展基礎設施 — 在區塊鏈擴展、隱私計算、zkML 和跨鏈驗證方面展示了巨大的潛力。然而，證明生成過程極其計算密集且延遲高，形成了工業採用的最大瓶頸。因此，ZK 硬件加速應運而生，成爲核心推動力。在這個領域，GPU 在多功能性和迭代速度上表現出色，ASIC 追求終極效率和大規模性能，而 FPGA 則作爲結合可編程性和能源效率的靈活中間地帶。它們共同構成了推動 ZK 實際應用的硬件基礎。

作者：0xjacobzhao | https://linktr.ee/0xjacobzhao
零知識證明（ZK）作爲新一代加密與擴容基礎設施，已在區塊鏈擴容、隱私計算以及zkML、跨鏈驗證等新興應用中展現出廣闊潛力。然而，其證明生成過程計算量巨大、延遲高昂，成爲產業化落地的最大瓶頸。ZK 硬件加速正是在此背景下崛起的核心環節，在 ZK 硬件加速路徑上，GPU 以通用性和迭代速度見長，ASIC 追求極致能效與規模化性能，而 FPGA 則作爲中間形態，兼具靈活可編程性與較高能效，三者共同構成推動零知識證明落地的硬件基礎。

作者：0xjacobzhao | https://linktr.ee/0xjacobzhao
隨着AI成爲增長最快的技術浪潮，計算能力被視爲一種新的“貨幣”，GPU轉變爲戰略資產。然而，融資和流動性仍然有限，而加密金融需要真正的現金流支持的資產。RWA代幣化正作爲橋樑出現。AI基礎設施，結合高價值硬件和可預測的現金流，被視爲非標準RWA的最佳切入點——GPU提供了近期的實用性，而機器人則代表了更長遠的前沿。GAIB的RWAiFi（RWA + AI + DeFi）引入了一條新的鏈上金融化路徑，推動AI基礎設施（GPU和機器人）× RWA × DeFi的飛輪。

作者：0xjacobzhao | https://linktr.ee/0xjacobzhao
隨着 AI 成爲全球增長最快的技術浪潮，算力正被視爲新的“貨幣”，GPU 等高性能硬件也逐漸演化爲戰略性資產。但長期以來這類資產的融資與流動性受限。與此同時，加密金融亟需接入具備真實現金流的優質資產，RWA（Real-World Assets）鏈上化正在成爲連接傳統金融與加密市場的關鍵橋樑。AI 基礎設施資產憑藉“高價值硬件 + 可預測現金流”的特性，被普遍視爲非標資產 RWA 的最佳突破口，其中 GPU 具備最現實的落地潛力，而機器人則代表更長期的探索方向。在這一背景下，GAIB 提出的 RWAiFi（RWA + AI + DeFi）路徑，爲“AI 基建的鏈上金融化之路”提供了全新解法，推動“AI基建 (算力與機器人) x RWA x DeFi”的飛輪效應。

由0xjacobzhao撰寫 | https://linktr.ee/0xjacobzhao
在我們的6月報告“加密AI的聖盃：去中心化訓練的前沿探索”中，我們討論了聯邦學習——一種在分佈式訓練和完全去中心化訓練之間定位的“受控去中心化”範式。其核心原則是在集中聚合參數的同時保持數據本地，這一設計特別適合於隱私敏感和合規要求高的行業，如醫療保健和金融。

在 6 月份的研報《Crypto AI 的聖盃：去中心化訓練的前沿探索》中，我們提及聯邦學習（Federated Learning）這一介於分佈式訓練與去中心化訓練之間的“受控去中心化”方案：其核心是數據本地保留、參數集中聚合，滿足醫療、金融等隱私與合規需求。與此同時，我們在過往多期研報中持續關注智能體（Agent）網絡的興起——其價值在於通過多智能體的自治與分工，協作完成複雜任務，推動“大模型”向“多智能體生態”的演進。

一、引言 | Crypto AI 的模型層躍遷
數據、模型與算力是 AI 基礎設施的三大核心要素，類比燃料（數據）、引擎（模型）、能源（算力）缺一不可。與傳統 AI 行業的基礎設施演進路徑類似，Crypto AI 領域也經歷了相似的階段。2024 年初，市場一度被去中心化 GPU 項目所主導(Akash、Render、io.net 等)，普遍強調“拼算力”的粗放式增長邏輯。而進入 2025 年後，行業關注點逐步上移至模型與數據層，標誌着 Crypto AI 正從底層資源競爭過渡到更具可持續性與應用價值的中層構建。

1. 介紹 | 加密AI中的模型層轉變
數據、模型和計算構成了AI基礎設施的三個核心支柱——可比作燃料（數據）、引擎（模型）和能源（計算）——所有這些都是不可或缺的。與傳統AI行業基礎設施的演變類似，加密AI領域也經歷了類似的軌跡。在2024年初，市場由去中心化GPU項目（如Akash、Render和io.net）主導，其特徵是以原始計算能力爲重點的資源密集型增長模型。然而，到2025年，行業關注逐漸轉向模型和數據層，標誌着從低級基礎設施競爭向更可持續的、以應用驅動的中層開發的過渡。

由 0xjacobzhao 提供 | https://linktr.ee/0xjacobzhao
毫無疑問，Pendle 是當前加密週期中最成功的 DeFi 協議之一。雖然許多協議因流動性枯竭和敘事消退而停滯不前，但 Pendle 通過其獨特的收益分割和交易機制脫穎而出，成爲收益資產的“價格發現場所”。通過與穩定幣、LSTs/LRTs 和其他收益產生資產的深度集成，它已確保其作爲基礎性“DeFi 收益率基礎設施”的定位。

在區塊鏈中，密碼學是安全性和信任的基礎。零知識證明（ZK）可以將任何複雜的鏈外計算壓縮成一個簡潔的證明，該證明可以在鏈上高效驗證——無需依賴第三方信任——同時還允許選擇性輸入隱藏以保護隱私。憑藉其高效驗證、通用性和隱私的結合，ZK已成爲擴展、隱私和互操作性用例中的關鍵解決方案。儘管仍然存在挑戰，例如證明生成的高成本和電路開發的複雜性，但ZK的工程可行性和採用程度已經超越了其他方法，使其成爲最廣泛採用的可信計算框架。

在我們早期的研究報告《DeFi 的智能演變：從自動化到 AgentFi》中，我們系統地映射和比較了 DeFi 智力發展的三個階段：自動化、意圖中心的副駕駛和 AgentFi。我們指出，目前的許多 DeFAI 項目仍然將其核心能力圍繞“意圖驅動 + 單個原子交互”的交換交易。由於這些交互不涉及持續的收益策略，不需要狀態管理，也不需要複雜的執行框架，因此更適合於基於意圖的副駕駛，不能嚴格歸類爲 AgentFi。

這篇文章得益於 Lex Sokolin（Generative Ventures）、Stepan Gershuni（cyber.fund）和 Advait Jayant（Aivos Labs）的深刻建議，以及 Giza、Theoriq、Olas、Almanak、Brahma.fi 和 HeyElsa 團隊的寶貴反饋。儘管已盡一切努力確保客觀性和準確性，但某些觀點可能反映個人解讀。鼓勵讀者批判性地參與內容。
在當前加密貨幣格局的各個領域中，穩定幣支付和去中心化金融（DeFi）應用脫穎而出，成爲兩個具有驗證的現實世界需求和長期價值的垂直領域。同時，繁榮發展的人工智能代理正在成爲人工智能行業面向用戶的實際接口——充當人工智能與用戶之間的關鍵中介。

感謝Advait Jayant（Peri Labs）、Sven Wellmann（Polychain Capital）、Chao（Metropolis DAO）、Jiahao（Flock）、Alexander Long（Pluralis Research）、Ben Fielding和Jeff Amico（Gensyn）對本文的深刻建議和反饋。

在AI的完整價值鏈中，模型訓練是資源消耗最密集、技術要求最高的階段——直接決定了模型能力的上限及其在現實世界中的表現。與推理的輕量性質不同，訓練需要持續的大規模計算投資、複雜的數據處理管道和密集的優化算法。它是真正的AI系統開發的“重工業”。