0xjacobzhao

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
У попередніх дослідницьких звітах серії Crypto AI ми постійно наголошували на тому, що найбільш практичними сценаріями застосування в сучасному крипто-сфері є основною концентрацією на стабільних монетах та DeFi, тоді як Агенти є ключовим інтерфейсом для індустрії штучного інтелекту щодо користувачів. Тому в тенденції інтеграції Crypto та AI двома найбільш цінними шляхами є: AgentFi, заснований на існуючих зрілих протоколах DeFi (базові стратегії, такі як кредитування та мінінг ліквідності, а також розширені стратегії, такі як Swap, Pendle PT та арбітраж розмірів фінансування) у короткостроковій перспективі; та Agent Payment, зосереджений на угоді стабільними монетами та заснований на протоколах, таких як ACP/AP2/x402/ERC-8004, у середньо-та довгостроковій перспективі.

Звіт Noya.ai: Прогнозування ринку - інтелектуальний агент майбутнього
Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao

У попередніх звітах про Crypto AI ми постійно наголошували на наступній думці: найбільш практичні сценарії застосування у сфері криптовалют у сьогоденні — це стабільні монети для оплати та DeFi, а агенти є ключовим інтерфейсом для користувачів у сфері штучного інтелекту. Тому в тенденції інтеграції криптовалют та штучного інтелекту найбільш цінними шляхами є: короткостроковий — розробка агентів на основі вже існуючих зрілих протоколів DeFi (базові стратегії, такі як кредитування, майнінг ліквідності, а також розширені стратегії, як Swap, Pendle PT, арбітраж по ставці коштів), та середньостроковий — розробка агентів для розрахунків стабільними монетами, заснованих на протоколах ACP/AP2/x402/ERC-8004.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Цей незалежний дослідницький звіт підтримується IOSG Ventures. Процес дослідження та написання був спонуканий роботою Сама Лемана (Pantera Capital) з підсилення навчання. Дякуємо Бену Філдингу (Gensyn.ai), Гао Юаню (Gradient), Семуелю Дейру та Ерфану Міахі (Covenant AI), Шашанку Ядаву (Fraction AI), Чжао Вангу за їхні цінні поради щодо цієї статті. Ця стаття намагається бути об’єктивною та точністю, але деякі погляди включають суб’єктивну оцінку та можуть містити попередження. Ми дякуємо читачам за розуміння.

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

Цей незалежний аналітичний звіт підтримується IOSG Ventures, а процес дослідження та написання вплинув на роботу Сама Лемана (Pantera Capital) з навчання з підкріпленням, дякуємо Бену Філдінгу (Gensyn.ai), Гао Юаню (Gradient), Семюелю Дейру та Ерфану Міахі (Covenant AI), Шашанку Ядаву (Fraction AI), Чжао Вангу за цінні поради щодо цієї статті. У цьому матеріалі намагаються забезпечити об'єктивність та точність, проте деякі думки містять суб'єктивні оцінки, і можливі відхилення, будь ласка, зрозумійте це.
Штучний інтелект перейшов від статистичного навчання, що зосереджено на «підгонці шаблонів», до системи здібностей, що базується на «структурному міркуванні», і значення післятренування (Post-training) швидко зростає. З'явлення DeepSeek-R1 означає перелом у підході до навчання з підкріпленням у епоху великих моделей, утворюється громадська узагальнена думка: попереднє навчання формує базову загальну здатність моделі, а навчання з підкріпленням більше не є лише інструментом для вирівнювання цінностей, а доведено, що воно системно покращує якість ланцюжків міркувань і здатність приймати складні рішення, поступово перетворюючись на технічний шлях постійного підвищення рівня інтелекту.

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

Цей незалежний дослідницький звіт підтримується IOSG Ventures. Процес дослідження та написання був спричинений роботами Рагхава Агравала (LongHash) та Джейя Ю (Pantera). Дякуємо Лексу Соколіну @ Generative Ventures, Джордану@AIsa, Іві @PodOur2Cents за їх цінні пропозиції щодо цієї статті. Зворотний зв'язок також отримувався від команд проектів, таких як Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON під час написання. Ця стаття намагається забезпечити об'єктивний та точний зміст, але деякі погляди включають суб'єктивну оцінку і можуть неодмінно містити помилки. Дякуємо читачам за розуміння.

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

Цей незалежний аналітичний звіт підтримується IOSG Ventures, процес написання дослідження був спричинений звітами Raghav Agarwal@LongHash та Jay Yu@Pantera, дякуємо Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) блог за корисні поради щодо цієї статті. Під час написання також були залучені коментарі від команд проектів Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON. У цій статті намагаються забезпечити об'єктивність та точність, деякі думки є суб'єктивними і можуть містити помилки, будь ласка, розумійте це.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Цей незалежний дослідницький звіт підтримується IOSG Ventures. Автор вдячний 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) за їх цінні зауваження, а також учасникам OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network та CodecFlow за їх конструктивну зворотну зв'язок. Незважаючи на всі зусилля, зроблені для забезпечення об'єктивності та точності, деякі висновки неодмінно відображають суб'єктивну інтерпретацію, і читачам рекомендується критично ставитися до вмісту.

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

Цей незалежний звіт підтримується IOSG Ventures, дякуємо 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) за цінні поради щодо цієї статті. У процесі написання також було отримано відгук від команд проектів OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network та CodecFlow. У статті намагаються забезпечити об'єктивність та точність, проте деякі думки є суб'єктивними і можуть містити помилки, будь ласка, зрозумійте це.

Парадигма перевірних обчислень — «обчислення поза ланцюгом + перевірка в ланцюзі» — стала універсальною обчислювальною моделлю для блокчейн-систем. Вона дозволяє блокчейн-додаткам досягати майже безмежної обчислювальної свободи, зберігаючи децентралізацію та відсутність довіри як основні гарантії безпеки. Докази нульового знання (ZKP) становлять основу цієї парадигми, з додатками, в першу чергу, у трьох фундаментальних напрямках: масштабованість, конфіденційність і міжопераційність & цілісність даних. Масштабованість була першою ZK-додатком, який досяг виробництва, перемістивши виконання поза ланцюгом і перевіряючи стислі докази в ланцюзі для високої пропускної спроможності та низьковартісного бездовірчого масштабування.

“链下计算 + 链上验证”的可信计算（Verifiable Computing）范式，已成为区块链系统的通用计算模型。它让区块链应用在保持去中心化与信任最小化（trustlessness）安全性的前提下，获得几乎无限的计算自由度（computational freedom）。零知识证明（ZKP）是该范式的核心支柱，其应用主要集中在扩容（Scalability）、隐私（Privacy）以及互操作与数据完整性（Interoperability & Data Integrity）三大基础方向。其中，扩容是 ZK 技术最早落地的场景，通过将交易执行移至链下、以简短证明在链上验证结果，实现高 TPS 与低成本的可信扩容。

Автор:0xjacobzhao | https://linktr.ee/0xjacobzhao
Доказательства нулевого знания (ZK) — как інфраструктура криптографії та масштабування наступного покоління — демонструють величезний потенціал у масштабуванні блокчейна, обчисленнях приватності, zkML та перевірці міжмережевих ланцюгів. Однак процес генерації доказів є надзвичайно обчислювально інтенсивним і важким з точки зору затримки, формуючи найбільшу перешкоду для промислового прийняття. Прискорення апаратного забезпечення ZK, таким чином, стало основним чинником. У цьому контексті, GPU відзначаються універсальністю та швидкістю ітерацій, ASIC прагнуть до максимальної ефективності та продуктивності в широких масштабах, тоді як FPGA служать гнучким середнім варіантом, поєднуючи програмованість з енергоефективністю. Разом вони формують апаратну основу, що підтримує реальне прийняття ZK.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Доказательство нулевого знания (ZK) как новое поколение криптографічної та масштабованої інфраструктури вже продемонструвало величезний потенціал у таких нових застосуваннях, як масштабування блокчейну, обчислення приватності, а також zkML і крос-ланцюгові верифікації. Однак процес генерації доказів є дуже обчислювальним і має високі затримки, що стає найбільшим вузьким місцем для промислової реалізації. Прискорення ZK-апаратури виникає саме на цьому фоні, де GPU славиться універсальністю та швидкістю ітерацій, ASIC прагне до максимальної енергоефективності та масштабованої продуктивності, а FPGA є проміжною формою, поєднуючи гнучкість програмованості та високу енергоефективність. Усі троє разом складають апаратну основу, що сприяє реалізації доказів нулевого знання.

Написано 0xjacobzhao | https://linktr.ee/0xjacobzhao
Оскільки ШІ стає найшвидше зростаючою технологічною хвилею, обчислювальна потужність розглядається як нова «валюта», а GPU перетворюються на стратегічні активи. Проте фінансування та ліквідність залишаються обмеженими, тоді як криптофінанси потребують реальних активів, забезпечених грошовими потоками. Токенізація RWA виникає як міст. Інфраструктура ШІ, яка поєднує цінне апаратне забезпечення + передбачувані грошові потоки, розглядається як найкраща точка входу для нестандартних RWA — GPU пропонують практичність у найближчій перспективі, тоді як робототехніка представляє довший фронтир. RWAiFi GAIB (RWA + ШІ + DeFi) представляє новий шлях до фінансизації в блокчейні, підживлюючи маховик інфраструктури ШІ (GPU та робототехніка) × RWA × DeFi.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
З набуттям AI статусу найшвидше зростаючої технологічної хвилі у світі, обчислювальна потужність розглядається як нова "валюта", а високопродуктивне обладнання, таке як GPU, поступово еволюціонує в стратегічний актив. Однак протягом тривалого часу фінансування та ліквідність таких активів були обмежені. Тим часом, криптофінансам терміново потрібен доступ до якісних активів з реальним грошовим потоком, оцифровування RWA (реальні активи) стає ключовим мостом між традиційними фінансами та крипторинком. Активи інфраструктури AI завдяки своїм характеристикам "високоякісне обладнання + передбачуваний грошовий потік" загалом вважаються найкращою точкою прориву для нестандартних активів RWA, де GPU має найреалістичніший потенціал, а роботи представляють більш довгостроковий напрямок досліджень. У цьому контексті шлях RWAiFi (RWA + AI + DeFi), запропонований GAIB, надає нове рішення для "фінансування інфраструктури AI на блокчейні", сприяючи ефекту маховика "AI інфраструктура (обчислювальна потужність та роботи) x RWA x DeFi".

Написано 0xjacobzhao | https://linktr.ee/0xjacobzhao
У нашому червневому звіті «Святий Грааль крипто AI: Передові дослідження децентралізованого навчання» ми обговорили Федеративне навчання — парадигму «контрольованої децентралізації», що знаходиться між розподіленим навчанням і повністю децентралізованим навчанням. Його основний принцип полягає у збереженні даних локально, одночасно агрегуючи параметри централізовано, що є особливо підходящим для галузей, чутливих до конфіденційності та з високими вимогами до відповідності, таких як охорона здоров'я та фінанси.

У звіті за червень (Святий Грааль Crypto AI: передові дослідження децентралізованого навчання) ми згадали про федеративне навчання (Federated Learning), яке є «контрольованим децентралізованим» рішенням між розподіленим навчанням і децентралізованим навчанням: його основа – локальне збереження даних, централізована агрегація параметрів, що відповідає вимогам конфіденційності та нормативності в медичній та фінансовій сферах. Водночас ми впродовж кількох попередніх звітів постійно звертали увагу на зростання мережі агентів (Agent) — її цінність полягає в тому, щоб за допомогою автономії та спеціалізації кількох агентів співпрацювати для виконання складних завдань, сприяючи еволюції від «великої моделі» до «екосистеми багатьох агентів».

1. Вступ | Стрибок моделей Crypto AI
Дані, моделі та обчислювальні потужності є трьома основними елементами інфраструктури ШІ, аналогічно паливу (дані), двигуну (моделі) та енергії (обчислювальні потужності), без яких не обійтися. Як і в традиційній індустрії ШІ, шлях еволюції інфраструктури в галузі Crypto AI також пройшов подібні етапи. На початку 2024 року ринок на певний час потрапив під вплив децентралізованих GPU проектів (Akash, Render, io.net тощо), які загалом підкреслювали логіку грубого зростання «складання обчислювальних потужностей». А з 2025 року увага галузі поступово перемістилася на рівень моделей та даних, що ознаменувало перехід Crypto AI від конкуренції за базові ресурси до більш стійкого та цінного середнього рівня будівництва.

1. Вступ | Зміна моделі-слою в Crypto AI
Дані, моделі та обчислення формують три основні стовпи інфраструктури ШІ—порівнянні з паливом (дані), двигуном (модель) та енергією (обчислення)—всі вони є незамінними. Так само, як еволюція інфраструктури в традиційній індустрії ШІ, сектор Crypto AI пройшов подібну траєкторію. На початку 2024 року ринок був домінований децентралізованими GPU проектами (такими як Akash, Render та io.net), що характеризувалися ресурсомісткою моделлю зростання, орієнтованою на сиру обчислювальну потужність. Однак до 2025 року увага індустрії поступово перемістилася до моделей та шарів даних, що позначає перехід від конкуренції на базовому рівні інфраструктури до більш стійкого, орієнтованого на додатки розвитку середнього шару.

Автор: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Безсумнівно, Pendle є одним з найуспішніших DeFi протоколів в сучасному криптоциклі. Хоча багато протоколів зупинилися через дефіцит ліквідності та зникнення наративів, Pendle виділяється завдяки своєму унікальному механізму розподілу доходу та торгівлі, ставши «місцем відкриття ціни» для активів, що приносять дохід. Завдяки глибокій інтеграції зі стабільними монетами, LSTs/LRTs та іншими активами, що генерують дохід, він забезпечив своє позиціонування як основної «DeFi інфраструктури доходу».

У блокчейні криптографія є фундаментальною основою безпеки та довіри. Докази нульового знання (ZK) можуть стиснути будь-які складні обчислення поза ланцюгом у стиснений доказ, який можна ефективно перевірити на ланцюзі—без покладання на довіру третіх сторін—водночас забезпечуючи вибіркове приховання вхідних даних для збереження конфіденційності. Завдяки поєднанню ефективної перевірки, універсальності та конфіденційності, ZK став ключовим рішенням у випадках використання масштабування, конфіденційності та взаємодії. Хоча залишаються виклики, такі як висока вартість генерації доказів та складність розробки схем, інженерна доцільність та рівень прийняття ZK вже перевищили інші підходи, що робить його найбільш широко прийнятою платформою для надійних обчислень.