0xjacobzhao
Crypto x AI | ex-Crypto VC | ENTJ/INTJ
Perdagangan Terbuka
Pedagang Sesekali
7.4 Bulan
1 Mengikuti
20 Pengikut
17 Disukai
8 Dibagikan
Posting
Portofolio
Mengubah Probabilitas Menjadi Aset: Pandangan ke Depan pada Agen Pasar Prediksi
Dalam penelitian Crypto AI kami sebelumnya, kami menetapkan bahwa meskipun stablecoin dan DeFi menawarkan utilitas segera, Agen mewakili antarmuka pengguna yang krusial untuk industri AI. Oleh karena itu, kami mendefinisikan dua jalur nilai utama untuk integrasi Crypto-AI: fokus jangka pendek pada AgentFi, yang mengotomatiskan strategi hasil pada protokol DeFi yang matang, dan evolusi jangka menengah hingga panjang menuju Pembayaran Agen, yang memungkinkan penyelesaian stablecoin secara otonom melalui standar yang muncul seperti ACP, x402, dan ERC-8004.
Pasar prediksi telah menjadi tren industri baru yang tak terbantahkan pada tahun 2025, dengan total volume perdagangan tahunan melonjak dari sekitar $9 miliar pada tahun 2024 menjadi lebih dari $40 miliar pada tahun 2025, mencapai pertumbuhan tahun ke tahun lebih dari 400%. Pertumbuhan signifikan ini didorong oleh beberapa faktor: permintaan untuk perlindungan terhadap ketidakpastian yang dibawa oleh peristiwa makro-politik, pematangan infrastruktur dan model perdagangan, serta pencairan lingkungan regulasi (kemenangan gugatan Kalshi dan kembalinya Polymarket ke AS). Agen Pasar Prediksi sedang menunjukkan prototipe awal pada awal 2026 dan siap untuk menjadi bentuk produk baru di bidang agen selama tahun yang akan datang.
Pasar prediksi telah menjadi tren industri baru yang tak terbantahkan pada tahun 2025, dengan total volume perdagangan tahunan melonjak dari sekitar $9 miliar pada tahun 2024 menjadi lebih dari $40 miliar pada tahun 2025, mencapai pertumbuhan tahun ke tahun lebih dari 400%. Pertumbuhan signifikan ini didorong oleh beberapa faktor: permintaan untuk perlindungan terhadap ketidakpastian yang dibawa oleh peristiwa makro-politik, pematangan infrastruktur dan model perdagangan, serta pencairan lingkungan regulasi (kemenangan gugatan Kalshi dan kembalinya Polymarket ke AS). Agen Pasar Prediksi sedang menunjukkan prototipe awal pada awal 2026 dan siap untuk menjadi bentuk produk baru di bidang agen selama tahun yang akan datang.
Lihat terjemahan
让概率成为资产：预测市场智能体前瞻
在过往Crypto AI系列研报中我们持续强调的观点：当前加密领域最具实际应用价值的场景，主要集中在稳定币支付与DeFi，而Agent是AI产业面向用户的关键界面。因此，在Crypto与AI融合的趋势中，最具价值的两条路径分别是：短期内基于现有成熟DeFi协议（借贷、流动性挖矿等基础策略，以及Swap、Pendle PT、资金费率套利等高级策略）的AgentFi，以及中长期围绕稳定币结算、并依托ACP/AP2/x402/ERC-8004等协议的Agent Payment。
预测市场在2025年已成为不容忽视的行业新趋势，其年度总交易量从2024年的约90亿美元激增至2025年的超过400亿美元，实现超过400%的年同比增长。这一显著增长由多重因素共同推动：宏观政治事件带来不确定性需求，基础设施与交易模式的成熟，以及监管环境出现破冰（Kalshi胜诉与Polymarket回归美国）。预测市场智能体(Prediction Market Agent)在2026年初呈现早期雏形，有望在未来一年成为智能体领域的新兴产品形态。
一、预测市场：从下注工具到“全球真相层”
预测市场是一种围绕未来事件结果进行交易的金融机制，合约价格本质上反映了市场对事件发生概率的集体判断。其有效性源于群体智慧与经济激励的结合：在匿名、真金白银下注的环境中，分散信息被快速整合为按资金意愿加权的价格信号，从而显著降低噪音与虚假判断。
预测市场名义交易量趋势图 数据来源：Dune Analytics (Query ID: 5753743)
截至2025年底，预测市场已基本形成 Polymarket与Kalshi 双寡头主导的格局。据《福布斯》统计，2025年总交易量约达440亿美元，其中Polymarket贡献约215亿美元，Kalshi约为171亿美元。2026年2月周数据显示Kalshi交易量（$25.9B）已超过Polymarket（$18.3B），接近50%市场份额，Kalshi凭借此前选举合约案的法律胜诉、在美国体育预测市场的合规先发优势，以及相对明确的监管预期，实现了快速扩张。目前，二者的发展路径已呈现清晰分化：
Polymarket 采用“链下撮合、链上结算”的混合CLOB架构与去中心化结算机制，构建起全球化、非托管的高流动性市场，合规重返美国后形成“在岸+离岸”双轨运营结构；Kalshi 融入传统金融体系，通过API接入主流零售券商，吸引华尔街做市商深度参与宏观与数据型合约交易，产品受制于传统监管流程，长尾需求与突发事件相对滞后。
除Polymarket与Kalshi之外，预测市场领域具备竞争力的其他参与者主要沿着两条路径发展：
一是合规分发路径，将事件合约嵌入券商或大型平台的既有账户与清算体系，依托渠道覆盖、合规资质与机构信任建立优势（如 Interactive Brokers × ForecastEx 的 ForecastTrader，FanDuel × CME Group 的 FanDuel Predicts），合规与资源优势显著，但产品与用户规模仍早期。二是Crypto原生链上路径，以 Opinion.trade、Limitless、Myriad 为代表，借助积分挖矿、短周期合约与媒体分发实现快速放量，强调性能与资金效率，但其长期可持续性与风控稳健性仍有待验证。
传统金融合规入口与加密原生性能优势这两类路径共同构成预测市场生态的多元竞争格局。
预测市场表面上与赌博相似，本质是零和博弈，但二者的核心区别在于是否具有正外部性：通过真金白银的交易聚合分散信息，对现实事件进行公共定价，形成有价值的信号层。其趋势正从博弈转向“全球真相层”——随着CME、彭博等机构的接入，事件概率已成为可被金融与企业系统直接调用的决策元数据，提供更及时、可量化的市场化真相。
从全球监管现状看，预测市场的合规路径高度分化。美国是唯一明确将预测市场纳入金融衍生品监管框架的主要经济体，欧洲、英国、澳大利亚、新加坡等市场普遍将其视为博彩并趋于收紧监管，中国、印度等则完全禁止，预测市场未来全球化扩张仍依赖于各国的监管框架。
二、预测市场智能体的架构设计
当下预测市场智能体(Prediction Market Agent)正在进入早期实践阶段，其价值不在于“AI 预测更准”，而在于放大预测市场中的信息处理与执行效率。预测市场本质是信息聚合机制，价格反映对事件概率的集体判断；现实中的市场低效源于信息不对称、流动性与注意力约束。预测市场智能体 的合理定位是可执行的概率资产管理（Executable Probabilistic Portfolio Management）：将新闻、规则文本与链上数据转化为可验证的定价偏差，以更快、更纪律化、低成本的方式执行策略，并通过跨平台套利与组合风控捕获结构性机会。
理想的预测市场智能体 可抽象为四层架构：
信息层汇集新闻、社交、链上与官方数据；分析层以 LLM 与 ML 识别错价并计算 Edge；策略层通过凯利公式、分批建仓与风控将 Edge 转化为仓位；执行层完成多市场下单、滑点与 Gas 优化与套利执行，形成高效自动化闭环。
三、预测市场智能体的策略框架
不同于传统交易环境，预测市场在结算机制、流动性与信息分布上具有显著差异，并非所有市场与策略都适合自动化执行。预测市场智能体的核心在于是否被部署于规则清晰、可编码且符合其结构性优势的场景中。下文将从标的选择、仓位管理与策略结构三个层面展开分析。
预测市场的标的选择
并非所有预测市场都具备可交易价值，其参与价值取决于：结算清晰度（规则是否明确、数据源是否唯一）、流动性质量（市场深度、点差与成交量）、内幕风险（信息不对称程度）、时间结构（到期时间与事件节奏）、以及交易者自身的信息优势与专业背景。仅多数维度满足基本要求时，预测市场才具备参与的基础，参与者应依据自身优势与市场特性进行匹配：
人类核心优势：依赖专业知识、判断力与模糊信息整合，且时间窗口相对宽松（以天/周计）的市场。典型如政治选举、宏观趋势及企业里程碑。AI Agent核心优势：依赖数据处理、模式识别与快速执行，且决策窗口极短（以秒/分计）的市场。典型如高频加密价格、跨市场套利及自动化做市。不适配领域：由内幕信息主导或纯随机/高操纵性的市场，对任何参与者不构成优势。
预测市场的仓位管理
凯利公式（Kelly Criterion）是重复博弈场景中最具代表性的资金管理理论，其目标并非最大化单次收益，而是最大化资金的长期复利增长率。该方法基于对胜率与赔率的估计，计算理论最优仓位比例，在具备正期望的前提下提升资本增长效率，广泛应用于量化投资、职业博彩、扑克及资产管理领域。
经典形式为： f^* = (bp - q) / b
其中，f∗为最优投注比例，b为净赔率，p为胜率，q=1−p
预测市场可简化为：f^* = (p - market\_price) / (1 - market\_price)
其中，p为主观真实概率，market_price 为市场隐含概率
凯利公式的理论有效性高度依赖对真实概率与赔率的准确估计，现实中交易者难以持续准确地掌握真实概率，在实际操作中，职业博彩者与预测市场参与者更倾向采用可执行性更强、对概率估计依赖更低的规则化策略：
Unit System（单位下注法）：将资金拆分为固定单位（如 1%），根据信心等级投入不同单位数，通过单位上限自动约束单笔风险，是最常见的实务方法。固定比例法（Flat Betting）：每次下注使用固定资金比例，强调纪律性与稳定性，适合风险厌恶型或低确信度环境。阶梯信心法（Confidence Tiers）：预设离散仓位档位并设置绝对上限，以降低决策复杂度，避免凯利模型的伪精确问题。反向风险法（Inverted Risk Approach）：以可承受最大亏损为起点反推仓位规模，从风险约束而非收益预期出发，形成稳定的风险边界。
对于预测市场智能体而言，策略设计应优先强调可执行性与稳定性，而非追求理论最优。关键在于规则清晰、参数简洁、对判断误差具备容错性。在此约束下，阶梯信心法结合固定仓位上限是最适合 PM Agent 的通用仓位管理方案。该方法不依赖精确概率估计，而是根据信号强弱将机会划分为有限档位并对应固定仓位；即便在高确信场景下亦设定明确上限控制风险。
预测市场的策略选择
从策略结构看，预测市场主要可分为两大类：以规则清晰、可编码为特征的确定性套利策略（Arbitrage），以及依赖信息解读与方向判断的投机类方向策略（Speculative）；此外，还存在以专业机构为主、对资本与基础设施要求较高的做市与对冲策略。
确定性套利策略（Arbitrage）
结算套利（Resolution Arbitrage）： 结算套利发生在事件结果已基本确定、但市场尚未完全定价的阶段，收益主要来自信息同步与执行速度。该策略规则清晰、风险较低且可完全编码，是预测市场中最适合 Agent 执行的核心策略。概率守恒套利（Dutch Book Arbitrage）：Dutch Book 套利利用互斥且完备事件集合的价格之和偏离概率守恒约束（∑P≠1）所形成的结构性失衡，通过组合建仓锁定无方向风险收益。该策略仅依赖规则与价格关系，风险较低且可高度规则化，是适合 Agent 自动化执行的典型确定性套利形式。跨平台套利： 跨平台套利通过捕捉同一事件在不同市场间的定价偏差获利，风险较低但对延迟与并行监控要求较高。该策略适合具备基础设施优势的 Agent 执行，但竞争加剧使边际收益持续下降。组合套利（Bundle）： 组合套利利用相关合约之间的定价不一致进行交易，逻辑清晰但机会有限。该策略可由 Agent 执行，但对规则解析与组合约束有一定工程要求，Agent 适配度中等。
投机类方向策略（Speculative）
结构化信息驱动策略（Information Trading）：该类策略围绕明确事件或结构化信息展开，如官方数据发布、公告或裁决窗口。只要信息来源清晰、触发条件可定义，Agent 可在监测与执行层面发挥速度与纪律优势；但当信息转为语义判断或情景解读时，仍需人类介入。信号跟随策略（Signal Following）：该策略通过跟随历史表现较优的账户或资金行为获取收益，规则相对简单、可自动化执行。其核心风险在于信号退化与被反向利用，因此需要过滤机制与严格的仓位管理。适合作为 Agent 的辅助型策略。非结构化与高噪声策略（Unstructured / Noise-driven）：该类策略高度依赖情绪、随机性或参与行为，缺乏稳定可复制的 edge，长期期望值不稳定。由于难以建模、风险极高，不适合 Agent 系统性执行，也不建议作为长期策略。
高频价格与流动性策略（Market Microstructure）：该类策略依赖极短决策窗口、持续报价或高频交易，对延迟、模型与资本要求极高。虽然理论上适合 Agent，但在预测市场中往往受限于流动性与竞争强度，仅适合少数具备显著基础设施优势的参与者。
风险管理与对冲策略（Risk Control & Hedging）：该类策略并不直接追求收益，而是用于降低整体风险暴露。规则明确、目标清晰，作为底层风险控制模块长期运行。
总体而言，预测市场中适合 Agent 执行的策略集中于规则清晰、可编码且弱主观判断的场景，其中确定性套利应作为核心收益来源，结构化信息与信号跟随策略作为补充，高噪声与情绪型交易应被系统性排除。Agent 的长期优势在于高纪律、高速度的执行与风险控制能力。
四、预测市场智能体商业模式与产品形态
预测市场智能体的理想的商业模式设计在不同层级有不同方向的探索空间：
基建层(Infrastructure )，提供多源实时数据聚合、Smart Money 地址库、统一的预测市场执行引擎与回测工具，向 B2B收费，获取与预测准确率无关的稳定收入；策略层(Strategy) ，引入社区与第三方策略，构建可复用、可评估的策略生态，并通过调用、权重或执行分成实现价值捕获，从而降低对单一 Alpha 的依赖。Agent / Vault 层，智能体以受托管理方式直接参与实盘执行，依托链上透明记录与严格风控体系，收取管理费与绩效费兑现能力。
而不同商业模式对应的产品形态，亦可以划分为：
娱乐化 / 游戏化模式：通过类 Tinder 的直觉交互降低参与门槛，具备最强的用户增长与市场教育能力，是实现破圈的理想入口，但需承接至订阅或执行型产品变现。策略订阅 / 信号模式：不涉及资金托管，监管友好、权责清晰，SaaS 收入结构相对稳定，是当前阶段最可行的商业化路径。其局限在于策略易被复制、执行存在损耗，长期收入天花板有限，可通过“信号 + 一键执行”的半自动化形态显著改善体验与留存。Vault 托管模式：具备规模效应与执行效率优势，形态接近资管产品，但面临资产管理牌照、信任门槛与集中化技术风险等多重结构性约束，商业模式高度依赖市场环境与持续盈利能力。除非具备长期业绩与机构级背书，否则不宜作为主路径。
总体而言，“基础设施变现 + 策略生态扩展 + 业绩参与”的多元收入结构，有助于降低对“AI 持续战胜市场”的单一假设依赖。即便 Alpha 随市场成熟而收敛，执行、风控与结算等底层能力仍具长期价值，从而构建更具可持续性的商业闭环。
五、预测市场智能体的项目案例
目前，预测市场智能体（Prediction Market Agents）仍处于早期探索阶段。市场虽然涌现出从底层框架到上层工具的多样化尝试，但尚未形成一套在策略生成、执行效率、风控体系及商业闭环上均成熟的标准化产品。
我们将目前的生态版图划分为三个层级：基础设施层（Infrastructure）、自主交易智能体（Autonomous Agents） 以及 预测市场工具（Prediction Market Tools）。
基础设施层（Infrastructure）
Polymarket Agents框架：
Polymarket Agents Polymarket 官方推出的开发者框架，旨在解决“连接与交互”的工程标准化问题。该框架封装了市场数据获取、订单构建及基础的 LLM 调用接口。它解决了“如何用代码下单”的问题，但在核心的交易能力——如策略生成、概率校准、动态仓位管理及回测系统上基本留白。它更像是官方认可的“接入规范”，而非具备 Alpha 收益的成品。商业级的 Agent 仍需在此基础上自建完整的投研与风控内核。
Gnosis 预测市场工具：
Gnosis Prediction Market Agent Tooling（PMAT）对 Omen/AIOmen 及 Manifold 提供了完整的读写支持，但对 Polymarket 仅开放只读权限，生态壁垒明显。它适合作为 Gnosis 体系内Agent 的开发基石，但对于以 Polymarket 为主战场的开发者而言，实用性有限。
Polymarket 与 Gnosis 是目前将“Agent 开发”明确产品化为官方框架的预测市场生态。 Kalshi 等其他预测市场仍主要停留在 API 及 Python SDK层，开发者需自行补齐策略、风控、运行与监控等关键系统能力。
自主交易智能体（Autonomous Agent）
当前市场上的“预测市场 AI Agents”多仍处于早期阶段，虽冠以“Agent”之名，但实际能力距离可放权的自动化闭环交易仍有显著差距，普遍缺乏独立、系统化的风控层，未将仓位管理、止损、对冲与期望值约束纳入决策流程，整体产品化程度偏低尚未形成可长期运行的成熟系统。
Olas Predict：是当前产品化程度最高的预测市场智能体生态。其核心产品 Omenstrat 基于 Gnosis 体系内的 Omen 构建，底层采用 FPMM 与去中心化仲裁机制，支持小额高频交互，但受限于 Omen 单市场流动性不足。其"AI 预测"主要依赖通用 LLM，缺乏实时数据与系统化风控，历史胜率在品类间分化明显。2026年2月，Olas 推出 Polystrat，将 Agent 能力扩展至 Polymarket——用户可用自然语言设定策略，Agent 自动识别 4 天内结算市场的概率偏差并执行交易。系统通过 Pearl 本地运行、自托管 Safe 账户与硬编码限制控制风险，是目前首个面向 Polymarket 的消费级自主交易 Agent。
UnifAI Network Polymarket Strategy：提供 Polymarket 自动化交易 Agent，核心为尾部风险承担策略：扫描隐含概率 >95% 的临近结算合约并买入，目标获取 3–5% 价差。链上数据显示胜率接近 95%，但收益在品类间分化明显，策略高度依赖执行频率与品类选择。
NOYA.ai 试图将"研究—判断—执行—监控"整合为 Agent 闭环，架构涵盖情报层、抽象层与执行层。当前已交付 Omnichain Vaults；Prediction Market Agent 仍处开发阶段，尚未形成完整主网闭环，整体处于愿景验证期。
预测市场工具 (Prediction Market Tools)
当前预测市场分析工具尚不足以构成完整的“预测市场智能体”，其价值主要集中在智能体架构中的信息层与分析层，交易执行、仓位管理与风险控制仍需由交易者自行承担。从产品形态看，更符合“策略订阅 / 信号辅助 / 研究增强”的定位，可被视为预测市场智能体的早期雏形。
通过对 Awesome-Prediction-Market-Tools 收录项目的系统梳理与实证筛选，本文选取其中已具备初步产品形态与使用场景的代表性项目作为研报案例。主要集中于四个方向：分析与信号层、警报与鲸鱼追踪系统、套利发现工具和交易终端与聚合执行。
市场分析工具
Polyseer ：研究型预测市场工具，采用多 Agent 分工架构（Planner / Researcher / Critic / Analyst / Reporter）进行双边证据搜集与贝叶斯概率聚合，输出结构化研报。其优势在于方法论透明、流程工程化、完全开源可审计。Oddpool ：定位为“预测市场的 Bloomberg 终端”，提供 Polymarket、Kalshi、CME 等跨平台聚合、套利扫描与实时数据仪表盘终端。Polymarket Analytics：全球化的 Polymarket 数据分析平台，系统性展示交易者、市场、仓位与成交数据，定位清晰、数据直观，适合作为基础数据查询与研究参考。Hashdive：面向交易者的数据工具，通过 Smart Score 与多维 Screener 量化筛选交易者与市场，在“聪明钱识别”和跟单决策上具备实用性。Polyfactual ：聚焦 AI 市场情报与情绪/风险分析，通过 Chrome 扩展将分析结果嵌入交易界面，偏向 B2B 与机构用户场景。Predly ：AI 错价检测平台，通过对比市场价格与 AI 计算概率识别 Polymarket 与 Kalshi 的定价偏差，官方声称警报准确率达 89%，定位于信号发现与机会筛选。Polysights : 覆盖 30+ 市场与链上指标，并以 Insider Finder 追踪新钱包、大额单向下注等异常行为，适合日常监控与信号发现。PolyRadar ：多模型并行分析平台，对单一事件提供实时解读、时间线演化、置信度评分与来源透明度，强调多 AI 交叉验证，定位分析工具。Alphascope ：AI 驱动的预测市场情报引擎，提供实时信号、研究摘要与概率变化监控，整体仍处早期阶段，偏研究与信号支持。
警报/鲸鱼追踪
Stand: 明确定位鲸鱼跟单与高确信动作提醒。Whale Tracker Livid ：将鲸鱼仓位变化产品化
套利发现工具：
ArbBets : AI 驱动的套利发现工具，聚焦于 Polymarket、Kalshi 及体育博彩市场，识别跨平台套利与正期望值（+EV）交易机会，定位于高频机会扫描层。PolyScalping : 面向 Polymarket 的实时套利与剥头皮分析平台，支持每 60 秒全市场扫描、ROI 计算与 Telegram 推送，并可按流动性、价差与成交量等维度筛选机会，偏向主动交易者。Eventarb : 轻量级跨平台套利计算与提醒工具，覆盖 Polymarket、Kalshi 与 Robinhood，功能聚焦、免费使用，适合作为基础套利辅助。Prediction Hunt： 跨交易所预测市场聚合与对比工具，提供 Polymarket、Kalshi 与 PredictIt 的实时价格比较与套利识别（约 5 分钟刷新），定位于信息对称与市场低效发现。
交易终端/聚合执行
Verso：获 YC Fall 2024 支持的机构级预测市场交易终端，提供 Bloomberg 风格界面，覆盖 Polymarket 与 Kalshi 的 15,000+ 合约实时追踪、深度数据分析与 AI 新闻情报，定位于专业与机构交易者。Matchr：跨平台预测市场聚合与执行工具，覆盖 1,500+ 市场，通过智能路由实现最优价格撮合，并规划基于高概率事件、跨场套利与事件驱动的自动化收益策略，定位于执行与资金效率层。TradeFox：由 Alliance DAO 与 CMT Digital 支持的专业预测市场聚合与 Prime Brokerage 平台，提供高级订单执行（限价单、止盈止损、TWAP）、自托管交易与多平台智能路由，定位机构级交易者，计划扩展至 Kalshi、Limitless、SxBet 等平台。
六、总结与展望
当前，预测市场智能体(Prediction Market Agent)正处于发展的早期探索阶段。
市场基础与本质演进：Polymarket与Kalshi已形成双寡头结构，围绕其构建智能体具备充分的流动性与场景基础。预测市场与赌博的核心区别在于正外部性，通过真实交易聚合分散信息，对现实事件进行公共定价，逐步演化为“全球真相层”。核心定位：预测市场智能体应定位为可执行的概率资产管理工具，其核心任务是将新闻、规则文本与链上数据转化为可验证的定价偏差，并以更高纪律性、更低成本和跨市场能力执行策略。理想架构可抽象为信息、分析、策略与执行四层，但其实际可交易性高度依赖于结算的清晰度、流动性的质量以及信息的结构化程度。策略选择与风控逻辑：从策略层面看，确定性套利（包括结算套利、概率守恒套利及跨平台价差交易）最适合由智能体自动化执行，而方向性投机仅可作为补充。在仓位管理上，应优先考虑可执行性与容错性，阶梯法结合固定仓位上限最适合。商业模式与前景：商业化主要分为三层：基建层以数据执行基础设施获取稳定 B2B 收入，策略层通过第三方策略调用或分成变现，Agent/Vault 层在链上透明风控约束下参与实盘并收取管理费与绩效费。对应形态包括娱乐化入口、策略订阅/信号（当前最可行）及高门槛的 Vault 托管，“基建 + 策略生态 + 业绩参与”为更可持续路径。
尽管预测市场智能体（Prediction Market Agents）生态中已涌现出从底层框架到上层工具的多样化尝试，但在策略生成、执行效率、风险控制与商业闭环等关键维度上，目前尚未出现成熟、可复制的标准化产品，我们期待未来预测市场智能体的迭代与进化。
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。
预测市场在2025年已成为不容忽视的行业新趋势，其年度总交易量从2024年的约90亿美元激增至2025年的超过400亿美元，实现超过400%的年同比增长。这一显著增长由多重因素共同推动：宏观政治事件带来不确定性需求，基础设施与交易模式的成熟，以及监管环境出现破冰（Kalshi胜诉与Polymarket回归美国）。预测市场智能体(Prediction Market Agent)在2026年初呈现早期雏形，有望在未来一年成为智能体领域的新兴产品形态。
一、预测市场：从下注工具到“全球真相层”
预测市场是一种围绕未来事件结果进行交易的金融机制，合约价格本质上反映了市场对事件发生概率的集体判断。其有效性源于群体智慧与经济激励的结合：在匿名、真金白银下注的环境中，分散信息被快速整合为按资金意愿加权的价格信号，从而显著降低噪音与虚假判断。
预测市场名义交易量趋势图 数据来源：Dune Analytics (Query ID: 5753743)
截至2025年底，预测市场已基本形成 Polymarket与Kalshi 双寡头主导的格局。据《福布斯》统计，2025年总交易量约达440亿美元，其中Polymarket贡献约215亿美元，Kalshi约为171亿美元。2026年2月周数据显示Kalshi交易量（$25.9B）已超过Polymarket（$18.3B），接近50%市场份额，Kalshi凭借此前选举合约案的法律胜诉、在美国体育预测市场的合规先发优势，以及相对明确的监管预期，实现了快速扩张。目前，二者的发展路径已呈现清晰分化：
Polymarket 采用“链下撮合、链上结算”的混合CLOB架构与去中心化结算机制，构建起全球化、非托管的高流动性市场，合规重返美国后形成“在岸+离岸”双轨运营结构；Kalshi 融入传统金融体系，通过API接入主流零售券商，吸引华尔街做市商深度参与宏观与数据型合约交易，产品受制于传统监管流程，长尾需求与突发事件相对滞后。
除Polymarket与Kalshi之外，预测市场领域具备竞争力的其他参与者主要沿着两条路径发展：
一是合规分发路径，将事件合约嵌入券商或大型平台的既有账户与清算体系，依托渠道覆盖、合规资质与机构信任建立优势（如 Interactive Brokers × ForecastEx 的 ForecastTrader，FanDuel × CME Group 的 FanDuel Predicts），合规与资源优势显著，但产品与用户规模仍早期。二是Crypto原生链上路径，以 Opinion.trade、Limitless、Myriad 为代表，借助积分挖矿、短周期合约与媒体分发实现快速放量，强调性能与资金效率，但其长期可持续性与风控稳健性仍有待验证。
传统金融合规入口与加密原生性能优势这两类路径共同构成预测市场生态的多元竞争格局。
预测市场表面上与赌博相似，本质是零和博弈，但二者的核心区别在于是否具有正外部性：通过真金白银的交易聚合分散信息，对现实事件进行公共定价，形成有价值的信号层。其趋势正从博弈转向“全球真相层”——随着CME、彭博等机构的接入，事件概率已成为可被金融与企业系统直接调用的决策元数据，提供更及时、可量化的市场化真相。
从全球监管现状看，预测市场的合规路径高度分化。美国是唯一明确将预测市场纳入金融衍生品监管框架的主要经济体，欧洲、英国、澳大利亚、新加坡等市场普遍将其视为博彩并趋于收紧监管，中国、印度等则完全禁止，预测市场未来全球化扩张仍依赖于各国的监管框架。
二、预测市场智能体的架构设计
当下预测市场智能体(Prediction Market Agent)正在进入早期实践阶段，其价值不在于“AI 预测更准”，而在于放大预测市场中的信息处理与执行效率。预测市场本质是信息聚合机制，价格反映对事件概率的集体判断；现实中的市场低效源于信息不对称、流动性与注意力约束。预测市场智能体 的合理定位是可执行的概率资产管理（Executable Probabilistic Portfolio Management）：将新闻、规则文本与链上数据转化为可验证的定价偏差，以更快、更纪律化、低成本的方式执行策略，并通过跨平台套利与组合风控捕获结构性机会。
理想的预测市场智能体 可抽象为四层架构：
信息层汇集新闻、社交、链上与官方数据；分析层以 LLM 与 ML 识别错价并计算 Edge；策略层通过凯利公式、分批建仓与风控将 Edge 转化为仓位；执行层完成多市场下单、滑点与 Gas 优化与套利执行，形成高效自动化闭环。
三、预测市场智能体的策略框架
不同于传统交易环境，预测市场在结算机制、流动性与信息分布上具有显著差异，并非所有市场与策略都适合自动化执行。预测市场智能体的核心在于是否被部署于规则清晰、可编码且符合其结构性优势的场景中。下文将从标的选择、仓位管理与策略结构三个层面展开分析。
预测市场的标的选择
并非所有预测市场都具备可交易价值，其参与价值取决于：结算清晰度（规则是否明确、数据源是否唯一）、流动性质量（市场深度、点差与成交量）、内幕风险（信息不对称程度）、时间结构（到期时间与事件节奏）、以及交易者自身的信息优势与专业背景。仅多数维度满足基本要求时，预测市场才具备参与的基础，参与者应依据自身优势与市场特性进行匹配：
人类核心优势：依赖专业知识、判断力与模糊信息整合，且时间窗口相对宽松（以天/周计）的市场。典型如政治选举、宏观趋势及企业里程碑。AI Agent核心优势：依赖数据处理、模式识别与快速执行，且决策窗口极短（以秒/分计）的市场。典型如高频加密价格、跨市场套利及自动化做市。不适配领域：由内幕信息主导或纯随机/高操纵性的市场，对任何参与者不构成优势。
预测市场的仓位管理
凯利公式（Kelly Criterion）是重复博弈场景中最具代表性的资金管理理论，其目标并非最大化单次收益，而是最大化资金的长期复利增长率。该方法基于对胜率与赔率的估计，计算理论最优仓位比例，在具备正期望的前提下提升资本增长效率，广泛应用于量化投资、职业博彩、扑克及资产管理领域。
经典形式为： f^* = (bp - q) / b
其中，f∗为最优投注比例，b为净赔率，p为胜率，q=1−p
预测市场可简化为：f^* = (p - market\_price) / (1 - market\_price)
其中，p为主观真实概率，market_price 为市场隐含概率
凯利公式的理论有效性高度依赖对真实概率与赔率的准确估计，现实中交易者难以持续准确地掌握真实概率，在实际操作中，职业博彩者与预测市场参与者更倾向采用可执行性更强、对概率估计依赖更低的规则化策略：
Unit System（单位下注法）：将资金拆分为固定单位（如 1%），根据信心等级投入不同单位数，通过单位上限自动约束单笔风险，是最常见的实务方法。固定比例法（Flat Betting）：每次下注使用固定资金比例，强调纪律性与稳定性，适合风险厌恶型或低确信度环境。阶梯信心法（Confidence Tiers）：预设离散仓位档位并设置绝对上限，以降低决策复杂度，避免凯利模型的伪精确问题。反向风险法（Inverted Risk Approach）：以可承受最大亏损为起点反推仓位规模，从风险约束而非收益预期出发，形成稳定的风险边界。
对于预测市场智能体而言，策略设计应优先强调可执行性与稳定性，而非追求理论最优。关键在于规则清晰、参数简洁、对判断误差具备容错性。在此约束下，阶梯信心法结合固定仓位上限是最适合 PM Agent 的通用仓位管理方案。该方法不依赖精确概率估计，而是根据信号强弱将机会划分为有限档位并对应固定仓位；即便在高确信场景下亦设定明确上限控制风险。
预测市场的策略选择
从策略结构看，预测市场主要可分为两大类：以规则清晰、可编码为特征的确定性套利策略（Arbitrage），以及依赖信息解读与方向判断的投机类方向策略（Speculative）；此外，还存在以专业机构为主、对资本与基础设施要求较高的做市与对冲策略。
确定性套利策略（Arbitrage）
结算套利（Resolution Arbitrage）： 结算套利发生在事件结果已基本确定、但市场尚未完全定价的阶段，收益主要来自信息同步与执行速度。该策略规则清晰、风险较低且可完全编码，是预测市场中最适合 Agent 执行的核心策略。概率守恒套利（Dutch Book Arbitrage）：Dutch Book 套利利用互斥且完备事件集合的价格之和偏离概率守恒约束（∑P≠1）所形成的结构性失衡，通过组合建仓锁定无方向风险收益。该策略仅依赖规则与价格关系，风险较低且可高度规则化，是适合 Agent 自动化执行的典型确定性套利形式。跨平台套利： 跨平台套利通过捕捉同一事件在不同市场间的定价偏差获利，风险较低但对延迟与并行监控要求较高。该策略适合具备基础设施优势的 Agent 执行，但竞争加剧使边际收益持续下降。组合套利（Bundle）： 组合套利利用相关合约之间的定价不一致进行交易，逻辑清晰但机会有限。该策略可由 Agent 执行，但对规则解析与组合约束有一定工程要求，Agent 适配度中等。
投机类方向策略（Speculative）
结构化信息驱动策略（Information Trading）：该类策略围绕明确事件或结构化信息展开，如官方数据发布、公告或裁决窗口。只要信息来源清晰、触发条件可定义，Agent 可在监测与执行层面发挥速度与纪律优势；但当信息转为语义判断或情景解读时，仍需人类介入。信号跟随策略（Signal Following）：该策略通过跟随历史表现较优的账户或资金行为获取收益，规则相对简单、可自动化执行。其核心风险在于信号退化与被反向利用，因此需要过滤机制与严格的仓位管理。适合作为 Agent 的辅助型策略。非结构化与高噪声策略（Unstructured / Noise-driven）：该类策略高度依赖情绪、随机性或参与行为，缺乏稳定可复制的 edge，长期期望值不稳定。由于难以建模、风险极高，不适合 Agent 系统性执行，也不建议作为长期策略。
高频价格与流动性策略（Market Microstructure）：该类策略依赖极短决策窗口、持续报价或高频交易，对延迟、模型与资本要求极高。虽然理论上适合 Agent，但在预测市场中往往受限于流动性与竞争强度，仅适合少数具备显著基础设施优势的参与者。
风险管理与对冲策略（Risk Control & Hedging）：该类策略并不直接追求收益，而是用于降低整体风险暴露。规则明确、目标清晰，作为底层风险控制模块长期运行。
总体而言，预测市场中适合 Agent 执行的策略集中于规则清晰、可编码且弱主观判断的场景，其中确定性套利应作为核心收益来源，结构化信息与信号跟随策略作为补充，高噪声与情绪型交易应被系统性排除。Agent 的长期优势在于高纪律、高速度的执行与风险控制能力。
四、预测市场智能体商业模式与产品形态
预测市场智能体的理想的商业模式设计在不同层级有不同方向的探索空间：
基建层(Infrastructure )，提供多源实时数据聚合、Smart Money 地址库、统一的预测市场执行引擎与回测工具，向 B2B收费，获取与预测准确率无关的稳定收入；策略层(Strategy) ，引入社区与第三方策略，构建可复用、可评估的策略生态，并通过调用、权重或执行分成实现价值捕获，从而降低对单一 Alpha 的依赖。Agent / Vault 层，智能体以受托管理方式直接参与实盘执行，依托链上透明记录与严格风控体系，收取管理费与绩效费兑现能力。
而不同商业模式对应的产品形态，亦可以划分为：
娱乐化 / 游戏化模式：通过类 Tinder 的直觉交互降低参与门槛，具备最强的用户增长与市场教育能力，是实现破圈的理想入口，但需承接至订阅或执行型产品变现。策略订阅 / 信号模式：不涉及资金托管，监管友好、权责清晰，SaaS 收入结构相对稳定，是当前阶段最可行的商业化路径。其局限在于策略易被复制、执行存在损耗，长期收入天花板有限，可通过“信号 + 一键执行”的半自动化形态显著改善体验与留存。Vault 托管模式：具备规模效应与执行效率优势，形态接近资管产品，但面临资产管理牌照、信任门槛与集中化技术风险等多重结构性约束，商业模式高度依赖市场环境与持续盈利能力。除非具备长期业绩与机构级背书，否则不宜作为主路径。
总体而言，“基础设施变现 + 策略生态扩展 + 业绩参与”的多元收入结构，有助于降低对“AI 持续战胜市场”的单一假设依赖。即便 Alpha 随市场成熟而收敛，执行、风控与结算等底层能力仍具长期价值，从而构建更具可持续性的商业闭环。
五、预测市场智能体的项目案例
目前，预测市场智能体（Prediction Market Agents）仍处于早期探索阶段。市场虽然涌现出从底层框架到上层工具的多样化尝试，但尚未形成一套在策略生成、执行效率、风控体系及商业闭环上均成熟的标准化产品。
我们将目前的生态版图划分为三个层级：基础设施层（Infrastructure）、自主交易智能体（Autonomous Agents） 以及 预测市场工具（Prediction Market Tools）。
基础设施层（Infrastructure）
Polymarket Agents框架：
Polymarket Agents Polymarket 官方推出的开发者框架，旨在解决“连接与交互”的工程标准化问题。该框架封装了市场数据获取、订单构建及基础的 LLM 调用接口。它解决了“如何用代码下单”的问题，但在核心的交易能力——如策略生成、概率校准、动态仓位管理及回测系统上基本留白。它更像是官方认可的“接入规范”，而非具备 Alpha 收益的成品。商业级的 Agent 仍需在此基础上自建完整的投研与风控内核。
Gnosis 预测市场工具：
Gnosis Prediction Market Agent Tooling（PMAT）对 Omen/AIOmen 及 Manifold 提供了完整的读写支持，但对 Polymarket 仅开放只读权限，生态壁垒明显。它适合作为 Gnosis 体系内Agent 的开发基石，但对于以 Polymarket 为主战场的开发者而言，实用性有限。
Polymarket 与 Gnosis 是目前将“Agent 开发”明确产品化为官方框架的预测市场生态。 Kalshi 等其他预测市场仍主要停留在 API 及 Python SDK层，开发者需自行补齐策略、风控、运行与监控等关键系统能力。
自主交易智能体（Autonomous Agent）
当前市场上的“预测市场 AI Agents”多仍处于早期阶段，虽冠以“Agent”之名，但实际能力距离可放权的自动化闭环交易仍有显著差距，普遍缺乏独立、系统化的风控层，未将仓位管理、止损、对冲与期望值约束纳入决策流程，整体产品化程度偏低尚未形成可长期运行的成熟系统。
Olas Predict：是当前产品化程度最高的预测市场智能体生态。其核心产品 Omenstrat 基于 Gnosis 体系内的 Omen 构建，底层采用 FPMM 与去中心化仲裁机制，支持小额高频交互，但受限于 Omen 单市场流动性不足。其"AI 预测"主要依赖通用 LLM，缺乏实时数据与系统化风控，历史胜率在品类间分化明显。2026年2月，Olas 推出 Polystrat，将 Agent 能力扩展至 Polymarket——用户可用自然语言设定策略，Agent 自动识别 4 天内结算市场的概率偏差并执行交易。系统通过 Pearl 本地运行、自托管 Safe 账户与硬编码限制控制风险，是目前首个面向 Polymarket 的消费级自主交易 Agent。
UnifAI Network Polymarket Strategy：提供 Polymarket 自动化交易 Agent，核心为尾部风险承担策略：扫描隐含概率 >95% 的临近结算合约并买入，目标获取 3–5% 价差。链上数据显示胜率接近 95%，但收益在品类间分化明显，策略高度依赖执行频率与品类选择。
NOYA.ai 试图将"研究—判断—执行—监控"整合为 Agent 闭环，架构涵盖情报层、抽象层与执行层。当前已交付 Omnichain Vaults；Prediction Market Agent 仍处开发阶段，尚未形成完整主网闭环，整体处于愿景验证期。
预测市场工具 (Prediction Market Tools)
当前预测市场分析工具尚不足以构成完整的“预测市场智能体”，其价值主要集中在智能体架构中的信息层与分析层，交易执行、仓位管理与风险控制仍需由交易者自行承担。从产品形态看，更符合“策略订阅 / 信号辅助 / 研究增强”的定位，可被视为预测市场智能体的早期雏形。
通过对 Awesome-Prediction-Market-Tools 收录项目的系统梳理与实证筛选，本文选取其中已具备初步产品形态与使用场景的代表性项目作为研报案例。主要集中于四个方向：分析与信号层、警报与鲸鱼追踪系统、套利发现工具和交易终端与聚合执行。
市场分析工具
Polyseer ：研究型预测市场工具，采用多 Agent 分工架构（Planner / Researcher / Critic / Analyst / Reporter）进行双边证据搜集与贝叶斯概率聚合，输出结构化研报。其优势在于方法论透明、流程工程化、完全开源可审计。Oddpool ：定位为“预测市场的 Bloomberg 终端”，提供 Polymarket、Kalshi、CME 等跨平台聚合、套利扫描与实时数据仪表盘终端。Polymarket Analytics：全球化的 Polymarket 数据分析平台，系统性展示交易者、市场、仓位与成交数据，定位清晰、数据直观，适合作为基础数据查询与研究参考。Hashdive：面向交易者的数据工具，通过 Smart Score 与多维 Screener 量化筛选交易者与市场，在“聪明钱识别”和跟单决策上具备实用性。Polyfactual ：聚焦 AI 市场情报与情绪/风险分析，通过 Chrome 扩展将分析结果嵌入交易界面，偏向 B2B 与机构用户场景。Predly ：AI 错价检测平台，通过对比市场价格与 AI 计算概率识别 Polymarket 与 Kalshi 的定价偏差，官方声称警报准确率达 89%，定位于信号发现与机会筛选。Polysights : 覆盖 30+ 市场与链上指标，并以 Insider Finder 追踪新钱包、大额单向下注等异常行为，适合日常监控与信号发现。PolyRadar ：多模型并行分析平台，对单一事件提供实时解读、时间线演化、置信度评分与来源透明度，强调多 AI 交叉验证，定位分析工具。Alphascope ：AI 驱动的预测市场情报引擎，提供实时信号、研究摘要与概率变化监控，整体仍处早期阶段，偏研究与信号支持。
警报/鲸鱼追踪
Stand: 明确定位鲸鱼跟单与高确信动作提醒。Whale Tracker Livid ：将鲸鱼仓位变化产品化
套利发现工具：
ArbBets : AI 驱动的套利发现工具，聚焦于 Polymarket、Kalshi 及体育博彩市场，识别跨平台套利与正期望值（+EV）交易机会，定位于高频机会扫描层。PolyScalping : 面向 Polymarket 的实时套利与剥头皮分析平台，支持每 60 秒全市场扫描、ROI 计算与 Telegram 推送，并可按流动性、价差与成交量等维度筛选机会，偏向主动交易者。Eventarb : 轻量级跨平台套利计算与提醒工具，覆盖 Polymarket、Kalshi 与 Robinhood，功能聚焦、免费使用，适合作为基础套利辅助。Prediction Hunt： 跨交易所预测市场聚合与对比工具，提供 Polymarket、Kalshi 与 PredictIt 的实时价格比较与套利识别（约 5 分钟刷新），定位于信息对称与市场低效发现。
交易终端/聚合执行
Verso：获 YC Fall 2024 支持的机构级预测市场交易终端，提供 Bloomberg 风格界面，覆盖 Polymarket 与 Kalshi 的 15,000+ 合约实时追踪、深度数据分析与 AI 新闻情报，定位于专业与机构交易者。Matchr：跨平台预测市场聚合与执行工具，覆盖 1,500+ 市场，通过智能路由实现最优价格撮合，并规划基于高概率事件、跨场套利与事件驱动的自动化收益策略，定位于执行与资金效率层。TradeFox：由 Alliance DAO 与 CMT Digital 支持的专业预测市场聚合与 Prime Brokerage 平台，提供高级订单执行（限价单、止盈止损、TWAP）、自托管交易与多平台智能路由，定位机构级交易者，计划扩展至 Kalshi、Limitless、SxBet 等平台。
六、总结与展望
当前，预测市场智能体(Prediction Market Agent)正处于发展的早期探索阶段。
市场基础与本质演进：Polymarket与Kalshi已形成双寡头结构，围绕其构建智能体具备充分的流动性与场景基础。预测市场与赌博的核心区别在于正外部性，通过真实交易聚合分散信息，对现实事件进行公共定价，逐步演化为“全球真相层”。核心定位：预测市场智能体应定位为可执行的概率资产管理工具，其核心任务是将新闻、规则文本与链上数据转化为可验证的定价偏差，并以更高纪律性、更低成本和跨市场能力执行策略。理想架构可抽象为信息、分析、策略与执行四层，但其实际可交易性高度依赖于结算的清晰度、流动性的质量以及信息的结构化程度。策略选择与风控逻辑：从策略层面看，确定性套利（包括结算套利、概率守恒套利及跨平台价差交易）最适合由智能体自动化执行，而方向性投机仅可作为补充。在仓位管理上，应优先考虑可执行性与容错性，阶梯法结合固定仓位上限最适合。商业模式与前景：商业化主要分为三层：基建层以数据执行基础设施获取稳定 B2B 收入，策略层通过第三方策略调用或分成变现，Agent/Vault 层在链上透明风控约束下参与实盘并收取管理费与绩效费。对应形态包括娱乐化入口、策略订阅/信号（当前最可行）及高门槛的 Vault 托管，“基建 + 策略生态 + 业绩参与”为更可持续路径。
尽管预测市场智能体（Prediction Market Agents）生态中已涌现出从底层框架到上层工具的多样化尝试，但在策略生成、执行效率、风险控制与商业闭环等关键维度上，目前尚未出现成熟、可复制的标准化产品，我们期待未来预测市场智能体的迭代与进化。
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。
Penetapan Ulang Ethereum: Dari Berbasis Rollup ke Lapisan Penyelesaian Keamanan
Pada 3 Februari 2026, Vitalik menerbitkan refleksi signifikan tentang peta jalan penskalaan Ethereum di X. Ketika kesulitan praktis dari Layer 2 yang berkembang menjadi bentuk yang sepenuhnya terdesentralisasi sedang dievaluasi kembali, dan dengan throughput mainnet yang diharapkan meningkat secara signifikan dalam beberapa tahun mendatang, asumsi awal untuk bergantung sepenuhnya pada L2 untuk penskalaan throughput sedang diperbaiki. Sebuah paradigma kolaboratif "Settlement-Service" baru sedang terbentuk antara L1 dan L2: L1 fokus pada menyediakan tingkat keamanan tertinggi, ketahanan terhadap sensor, dan kedaulatan penyelesaian, sementara L2 berkembang menjadi "penyedia layanan yang terbedakan" (seperti privasi, AI, perdagangan frekuensi tinggi). Fokus strategis Ethereum kembali ke mainnet itu sendiri, memperkuat posisinya sebagai lapisan penyelesaian yang paling terpercaya di dunia. Penskalaan tidak lagi menjadi tujuan tunggal; keamanan, netralitas, dan prediktabilitas sekali lagi menjadi aset inti Ethereum.
Repricing Ethereum: Dari Rollup-Centric ke “Lapisan Penyelesaian Keamanan”
Penulis: 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。
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。
Noya.ai: Agen di Pasar Prediksi
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dalam laporan riset seri Crypto AI kami sebelumnya, kami telah secara konsisten menekankan pandangan bahwa skenario aplikasi praktis yang paling relevan di bidang crypto saat ini terutama terkonsentrasi pada pembayaran stablecoin dan DeFi, sementara Agen adalah antarmuka kunci untuk industri AI yang menghadapi pengguna. Oleh karena itu, dalam tren integrasi Crypto dan AI, dua jalur paling berharga adalah: AgentFi, yang berbasis pada protokol DeFi yang sudah matang (strategi dasar seperti pinjaman dan penambangan likuiditas, serta strategi lanjutan seperti Swap, Pendle PT, dan arbitrase tingkat pendanaan) dalam jangka pendek; dan Pembayaran Agen, yang berfokus pada penyelesaian stablecoin dan bergantung pada protokol seperti ACP/AP2/x402/ERC-8004 dalam jangka menengah hingga panjang.
Dalam laporan riset seri Crypto AI kami sebelumnya, kami telah secara konsisten menekankan pandangan bahwa skenario aplikasi praktis yang paling relevan di bidang crypto saat ini terutama terkonsentrasi pada pembayaran stablecoin dan DeFi, sementara Agen adalah antarmuka kunci untuk industri AI yang menghadapi pengguna. Oleh karena itu, dalam tren integrasi Crypto dan AI, dua jalur paling berharga adalah: AgentFi, yang berbasis pada protokol DeFi yang sudah matang (strategi dasar seperti pinjaman dan penambangan likuiditas, serta strategi lanjutan seperti Swap, Pendle PT, dan arbitrase tingkat pendanaan) dalam jangka pendek; dan Pembayaran Agen, yang berfokus pada penyelesaian stablecoin dan bergantung pada protokol seperti ACP/AP2/x402/ERC-8004 dalam jangka menengah hingga panjang.
Noya.ai Laporan: Prediksi Agen Pasar Cerdas
Noya.ai Laporan: Prediksi Agen Pasar Cerdas
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dalam laporan Crypto AI sebelumnya, kami terus menekankan pandangan bahwa: saat ini, skenario yang memiliki nilai aplikasi praktis tertinggi di bidang kripto terutama terfokus pada pembayaran stablecoin dan DeFi, sementara Agen adalah antarmuka kunci industri AI yang menghadap pengguna. Oleh karena itu, dalam tren penggabungan Crypto dan AI, dua jalur yang paling berharga adalah: AgentFi yang berbasis pada protokol DeFi yang sudah matang (strategi dasar seperti pinjaman, penambangan likuiditas, dan sebagainya, serta strategi lanjutan seperti Swap, Pendle PT, dan arbitrase biaya modal) dalam jangka pendek, dan Pembayaran Agen yang berfokus pada penyelesaian stablecoin dalam jangka menengah hingga panjang, yang mengandalkan protokol seperti ACP/AP2/x402/ERC-8004.
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dalam laporan Crypto AI sebelumnya, kami terus menekankan pandangan bahwa: saat ini, skenario yang memiliki nilai aplikasi praktis tertinggi di bidang kripto terutama terfokus pada pembayaran stablecoin dan DeFi, sementara Agen adalah antarmuka kunci industri AI yang menghadap pengguna. Oleh karena itu, dalam tren penggabungan Crypto dan AI, dua jalur yang paling berharga adalah: AgentFi yang berbasis pada protokol DeFi yang sudah matang (strategi dasar seperti pinjaman, penambangan likuiditas, dan sebagainya, serta strategi lanjutan seperti Swap, Pendle PT, dan arbitrase biaya modal) dalam jangka pendek, dan Pembayaran Agen yang berfokus pada penyelesaian stablecoin dalam jangka menengah hingga panjang, yang mengandalkan protokol seperti ACP/AP2/x402/ERC-8004.
Pembelajaran Penguatan: Perubahan Paradigma AI Terdesentralisasi
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures. Proses penelitian dan penulisan terinspirasi oleh karya Sam Lehman (Pantera Capital) tentang pembelajaran penguatan. Terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga mereka pada artikel ini. Artikel ini berusaha untuk objektivitas dan akurasi, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin mengandung bias. Kami menghargai pemahaman para pembaca.
Laporan penelitian independen ini didukung oleh IOSG Ventures. Proses penelitian dan penulisan terinspirasi oleh karya Sam Lehman (Pantera Capital) tentang pembelajaran penguatan. Terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga mereka pada artikel ini. Artikel ini berusaha untuk objektivitas dan akurasi, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin mengandung bias. Kami menghargai pemahaman para pembaca.
Reinforcement Learning: Perubahan Paradigma Jaringan AI Terdesentralisasi
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penelitian dan penulisan terinspirasi oleh laporan penelitian reinforcement learning Sam Lehman (Pantera Capital), terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga yang diberikan untuk artikel ini. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari adanya bias, mohon pemahaman dari pembaca.
Artificial intelligence is moving from being primarily focused on 'pattern fitting' statistical learning to a capability system centered on 'structured reasoning', with the importance of post-training rising rapidly. The emergence of DeepSeek-R1 marks a paradigm shift for reinforcement learning in the era of large models, forming an industry consensus: pre-training builds the general capability foundation of models, and reinforcement learning is no longer just a value alignment tool, but has been proven to systematically enhance the quality of reasoning chains and complex decision-making capabilities, gradually evolving into a technological path for continuously improving intelligence levels.
Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penelitian dan penulisan terinspirasi oleh laporan penelitian reinforcement learning Sam Lehman (Pantera Capital), terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga yang diberikan untuk artikel ini. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari adanya bias, mohon pemahaman dari pembaca.
Artificial intelligence is moving from being primarily focused on 'pattern fitting' statistical learning to a capability system centered on 'structured reasoning', with the importance of post-training rising rapidly. The emergence of DeepSeek-R1 marks a paradigm shift for reinforcement learning in the era of large models, forming an industry consensus: pre-training builds the general capability foundation of models, and reinforcement learning is no longer just a value alignment tool, but has been proven to systematically enhance the quality of reasoning chains and complex decision-making capabilities, gradually evolving into a technological path for continuously improving intelligence levels.
Pesanan Ekonomi Mesin: Jalur Full-Stack Menuju Perdagangan Agensif
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan riset independen ini didukung oleh IOSG Ventures. Proses riset dan penulisan terinspirasi oleh karya terkait dari Raghav Agarwal (LongHash) dan Jay Yu (Pantera). Terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents atas saran berharga mereka dalam artikel ini. Umpan balik juga diminta dari tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON selama proses penulisan. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin tidak terhindarkan mengandung penyimpangan. Pemahaman pembaca sangat dihargai.
Laporan riset independen ini didukung oleh IOSG Ventures. Proses riset dan penulisan terinspirasi oleh karya terkait dari Raghav Agarwal (LongHash) dan Jay Yu (Pantera). Terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents atas saran berharga mereka dalam artikel ini. Umpan balik juga diminta dari tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON selama proses penulisan. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin tidak terhindarkan mengandung penyimpangan. Pemahaman pembaca sangat dihargai.
Tatanan Ekonomi Mesin: Jalur Penuh untuk Bisnis Agen
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penulisan penelitian terinspirasi oleh laporan terkait dari Raghav Agarwal@LongHash dan Jay Yu@Pantera, terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog atas saran berharga yang diberikan untuk artikel ini. Selama proses penulisan, juga telah berkonsultasi dengan tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON untuk umpan balik. Artikel ini berusaha untuk konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari akan ada penyimpangan, mohon pengertian pembaca.
Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penulisan penelitian terinspirasi oleh laporan terkait dari Raghav Agarwal@LongHash dan Jay Yu@Pantera, terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog atas saran berharga yang diberikan untuk artikel ini. Selama proses penulisan, juga telah berkonsultasi dengan tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON untuk umpan balik. Artikel ini berusaha untuk konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari akan ada penyimpangan, mohon pengertian pembaca.
Evolusi Konvergen Otomatisasi, AI, dan Web3 dalam Industri Robotika
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures. Penulis mengucapkan terima kasih kepada Hans (RoboCup Asia-Pasifik), 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) atas komentar berharga mereka, serta kontributor dari OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network dan CodecFlow atas umpan balik konstruktif mereka. Meskipun setiap upaya telah dilakukan untuk memastikan objektivitas dan akurasi, beberapa wawasan tidak dapat dihindari mencerminkan interpretasi subyektif, dan pembaca didorong untuk terlibat dengan konten secara kritis.
Laporan penelitian independen ini didukung oleh IOSG Ventures. Penulis mengucapkan terima kasih kepada Hans (RoboCup Asia-Pasifik), 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) atas komentar berharga mereka, serta kontributor dari OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network dan CodecFlow atas umpan balik konstruktif mereka. Meskipun setiap upaya telah dilakukan untuk memastikan objektivitas dan akurasi, beberapa wawasan tidak dapat dihindari mencerminkan interpretasi subyektif, dan pembaca didorong untuk terlibat dengan konten secara kritis.
Imaginasi Industri Robot: Evolusi Integrasi Otomatisasi, Kecerdasan Buatan, dan Web3
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures, terima kasih kepada Hans (RoboCup Asia-Pasifik), 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) atas saran berharga yang diberikan untuk artikel ini. Selama penulisan, juga berkonsultasi dengan tim proyek seperti OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network, dan CodecFlow. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pendapat melibatkan penilaian subjektif, dan tidak dapat dihindari adanya penyimpangan, mohon pengertian dari pembaca.
Laporan penelitian independen ini didukung oleh IOSG Ventures, terima kasih kepada Hans (RoboCup Asia-Pasifik), 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) atas saran berharga yang diberikan untuk artikel ini. Selama penulisan, juga berkonsultasi dengan tim proyek seperti OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network, dan CodecFlow. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pendapat melibatkan penilaian subjektif, dan tidak dapat dihindari adanya penyimpangan, mohon pengertian dari pembaca.
Laporan Penelitian Brevis: Lapisan Komputasi Terverifikasi Tak Terbatas dari zkVM dan Koprosesor Data ZK
Paradigma Komputasi Terverifikasi—“komputasi off-chain + verifikasi on-chain”—telah menjadi model komputasi universal untuk sistem blockchain. Ini memungkinkan aplikasi blockchain untuk mencapai kebebasan komputasi yang hampir tak terbatas sambil mempertahankan desentralisasi dan kepercayaan sebagai jaminan keamanan inti. Bukti nol-pengetahuan (ZKP) membentuk tulang punggung paradigma ini, dengan aplikasi terutama dalam tiga arah dasar: skalabilitas, privasi, dan interoperabilitas & integritas data. Skalabilitas adalah aplikasi ZK pertama yang mencapai produksi, memindahkan eksekusi off-chain dan memverifikasi bukti ringkas di on-chain untuk throughput tinggi dan skala tanpa biaya yang rendah.
Laporan Brevis: ZKVM dan Lapisan Komputasi Dapat Dipercaya Tak Terbatas dengan Pengolah Data
“Perhitungan di luar rantai + Verifikasi di dalam rantai” adalah paradigma komputasi yang dapat dipercaya (Verifiable Computing), yang telah menjadi model komputasi umum untuk sistem blockchain. Ini memungkinkan aplikasi blockchain untuk mendapatkan kebebasan komputasi hampir tak terbatas (computational freedom) sambil mempertahankan desentralisasi dan keamanan minimal kepercayaan (trustlessness). Pembuktian nol pengetahuan (ZKP) adalah pilar inti dari paradigma ini, dengan aplikasi yang terutama terfokus pada tiga arah dasar: Skalabilitas (Scalability), Privasi (Privacy), serta Interoperabilitas & Integritas Data (Interoperability & Data Integrity). Di antara ketiganya, skalabilitas adalah skenario di mana teknologi ZK pertama kali diterapkan, dengan memindahkan eksekusi transaksi ke luar rantai dan menggunakan bukti singkat untuk memverifikasi hasil di dalam rantai, sehingga mencapai TPS tinggi dan biaya rendah untuk skalabilitas yang dapat dipercaya.
Laporan Penelitian Cysic: Jalur ComputeFi dari Akselerasi Perangkat Keras ZK
Penulis:0xjacobzhao | https://linktr.ee/0xjacobzhao
Bukti Tanpa Pengetahuan (ZK) — sebagai infrastruktur kriptografi dan skala generasi berikutnya — menunjukkan potensi besar di seluruh skala blockchain, komputasi privasi, zkML, dan verifikasi lintas rantai. Namun, proses pembuatan bukti sangat memerlukan komputasi intensif dan berat latensi, membentuk hambatan terbesar untuk adopsi industri. Akselerasi perangkat keras ZK telah muncul sebagai pendorong inti. Dalam lanskap ini, GPU unggul dalam fleksibilitas dan kecepatan iterasi, ASIC mengejar efisiensi tertinggi dan kinerja skala besar, sementara FPGA berfungsi sebagai penghubung fleksibel yang menggabungkan kemampuan pemrograman dengan efisiensi energi. Bersama-sama, mereka membentuk fondasi perangkat keras yang mendukung adopsi dunia nyata ZK.
Bukti Tanpa Pengetahuan (ZK) — sebagai infrastruktur kriptografi dan skala generasi berikutnya — menunjukkan potensi besar di seluruh skala blockchain, komputasi privasi, zkML, dan verifikasi lintas rantai. Namun, proses pembuatan bukti sangat memerlukan komputasi intensif dan berat latensi, membentuk hambatan terbesar untuk adopsi industri. Akselerasi perangkat keras ZK telah muncul sebagai pendorong inti. Dalam lanskap ini, GPU unggul dalam fleksibilitas dan kecepatan iterasi, ASIC mengejar efisiensi tertinggi dan kinerja skala besar, sementara FPGA berfungsi sebagai penghubung fleksibel yang menggabungkan kemampuan pemrograman dengan efisiensi energi. Bersama-sama, mereka membentuk fondasi perangkat keras yang mendukung adopsi dunia nyata ZK.
Laporan Penelitian Cysic: Jalan ComputeFi untuk Percepatan Perangkat Keras ZK
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Zero-knowledge proof (ZK) sebagai infrastruktur kriptografi dan skalabilitas generasi baru, telah menunjukkan potensi luas dalam aplikasi baru seperti skalabilitas blockchain, komputasi privasi, serta zkML dan verifikasi lintas rantai. Namun, proses pembangkitan pembuktiannya memerlukan komputasi yang sangat besar dan memiliki latensi tinggi, menjadi kendala terbesar untuk industrialisasi. Percepatan perangkat keras ZK muncul sebagai bagian inti dalam konteks ini, di jalur percepatan perangkat keras ZK, GPU dikenal karena keserbagunaannya dan kecepatan iterasinya, ASIC mengejar efisiensi energi yang ekstrem dan kinerja skala besar, sementara FPGA berfungsi sebagai bentuk perantara, menggabungkan fleksibilitas yang dapat diprogram dan efisiensi energi yang tinggi, ketiga komponen ini bersama-sama membentuk dasar perangkat keras yang mendorong penerapan zero-knowledge proof.
Zero-knowledge proof (ZK) sebagai infrastruktur kriptografi dan skalabilitas generasi baru, telah menunjukkan potensi luas dalam aplikasi baru seperti skalabilitas blockchain, komputasi privasi, serta zkML dan verifikasi lintas rantai. Namun, proses pembangkitan pembuktiannya memerlukan komputasi yang sangat besar dan memiliki latensi tinggi, menjadi kendala terbesar untuk industrialisasi. Percepatan perangkat keras ZK muncul sebagai bagian inti dalam konteks ini, di jalur percepatan perangkat keras ZK, GPU dikenal karena keserbagunaannya dan kecepatan iterasinya, ASIC mengejar efisiensi energi yang ekstrem dan kinerja skala besar, sementara FPGA berfungsi sebagai bentuk perantara, menggabungkan fleksibilitas yang dapat diprogram dan efisiensi energi yang tinggi, ketiga komponen ini bersama-sama membentuk dasar perangkat keras yang mendorong penerapan zero-knowledge proof.
Laporan Penelitian GAIB: Finansialisasi On-Chain Infrastruktur AI — RWAiFi
Ditulis oleh 0xjacobzhao | https://linktr.ee/0xjacobzhao
Saat AI menjadi gelombang teknologi dengan pertumbuhan tercepat, daya komputasi dilihat sebagai "mata uang" baru, dengan GPU berubah menjadi aset strategis. Namun, pendanaan dan likuiditas tetap terbatas, sementara keuangan kripto membutuhkan aliran kas yang didukung aset nyata. Tokenisasi RWA muncul sebagai jembatan. Infrastruktur AI, menggabungkan perangkat keras bernilai tinggi + aliran kas yang dapat diprediksi, dianggap sebagai titik masuk terbaik untuk RWA non-standar — GPU menawarkan praktik jangka pendek, sementara robotika mewakili perbatasan jangka panjang. RWAiFi GAIB (RWA + AI + DeFi) memperkenalkan jalur baru untuk finansialisasi on-chain, memberdayakan roda gila Infrastruktur AI (GPU & Robotika) × RWA × DeFi.
Saat AI menjadi gelombang teknologi dengan pertumbuhan tercepat, daya komputasi dilihat sebagai "mata uang" baru, dengan GPU berubah menjadi aset strategis. Namun, pendanaan dan likuiditas tetap terbatas, sementara keuangan kripto membutuhkan aliran kas yang didukung aset nyata. Tokenisasi RWA muncul sebagai jembatan. Infrastruktur AI, menggabungkan perangkat keras bernilai tinggi + aliran kas yang dapat diprediksi, dianggap sebagai titik masuk terbaik untuk RWA non-standar — GPU menawarkan praktik jangka pendek, sementara robotika mewakili perbatasan jangka panjang. RWAiFi GAIB (RWA + AI + DeFi) memperkenalkan jalur baru untuk finansialisasi on-chain, memberdayakan roda gila Infrastruktur AI (GPU & Robotika) × RWA × DeFi.
Laporan penelitian GAIB: Jalan Finansialisasi Infrastruktur AI di On-Chain - RWAiFi
Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dengan AI menjadi arus teknologi dengan pertumbuhan tercepat di dunia, daya komputasi mulai dilihat sebagai 'mata uang' baru dan perangkat keras berkinerja tinggi seperti GPU perlahan-lahan berevolusi menjadi aset strategis. Namun, selama ini, pembiayaan dan likuiditas untuk aset-aset ini terbatas. Sementara itu, keuangan kripto sangat membutuhkan akses ke aset berkualitas dengan arus kas nyata, RWA (Real-World Assets) yang di-tokenisasi menjadi jembatan kunci yang menghubungkan keuangan tradisional dan pasar kripto. Aset infrastruktur AI, berkat karakteristik 'perangkat keras bernilai tinggi + arus kas yang dapat diprediksi', secara umum dianggap sebagai titik terobosan terbaik untuk aset non-standar RWA, di mana GPU memiliki potensi paling realistis untuk diimplementasikan, sementara robot mewakili arah eksplorasi jangka panjang yang lebih jauh. Dalam konteks ini, jalur RWAiFi (RWA + AI + DeFi) yang diajukan oleh GAIB memberikan solusi baru untuk 'finansialisasi infrastruktur AI on-chain', mendorong efek flywheel dari 'infrastruktur AI (daya komputasi dan robot) x RWA x DeFi'.
Dengan AI menjadi arus teknologi dengan pertumbuhan tercepat di dunia, daya komputasi mulai dilihat sebagai 'mata uang' baru dan perangkat keras berkinerja tinggi seperti GPU perlahan-lahan berevolusi menjadi aset strategis. Namun, selama ini, pembiayaan dan likuiditas untuk aset-aset ini terbatas. Sementara itu, keuangan kripto sangat membutuhkan akses ke aset berkualitas dengan arus kas nyata, RWA (Real-World Assets) yang di-tokenisasi menjadi jembatan kunci yang menghubungkan keuangan tradisional dan pasar kripto. Aset infrastruktur AI, berkat karakteristik 'perangkat keras bernilai tinggi + arus kas yang dapat diprediksi', secara umum dianggap sebagai titik terobosan terbaik untuk aset non-standar RWA, di mana GPU memiliki potensi paling realistis untuk diimplementasikan, sementara robot mewakili arah eksplorasi jangka panjang yang lebih jauh. Dalam konteks ini, jalur RWAiFi (RWA + AI + DeFi) yang diajukan oleh GAIB memberikan solusi baru untuk 'finansialisasi infrastruktur AI on-chain', mendorong efek flywheel dari 'infrastruktur AI (daya komputasi dan robot) x RWA x DeFi'.
Dari Pembelajaran Terfederasi ke Jaringan Agen Terdesentralisasi: Analisis pada ChainOpera
Ditulis oleh 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dalam laporan kami bulan Juni “Grail Suci dari Crypto AI: Eksplorasi Perbatasan Pelatihan Terdesentralisasi”, kami membahas Pembelajaran Terfederasi—sebuah paradigma “desentralisasi terkendali” yang terletak di antara pelatihan terdistribusi dan pelatihan sepenuhnya terdesentralisasi. Prinsip intinya adalah menjaga data lokal sambil mengagregasi parameter secara pusat, sebuah desain yang sangat cocok untuk industri yang sensitif terhadap privasi dan berat kepatuhan seperti kesehatan dan keuangan.
Dalam laporan kami bulan Juni “Grail Suci dari Crypto AI: Eksplorasi Perbatasan Pelatihan Terdesentralisasi”, kami membahas Pembelajaran Terfederasi—sebuah paradigma “desentralisasi terkendali” yang terletak di antara pelatihan terdistribusi dan pelatihan sepenuhnya terdesentralisasi. Prinsip intinya adalah menjaga data lokal sambil mengagregasi parameter secara pusat, sebuah desain yang sangat cocok untuk industri yang sensitif terhadap privasi dan berat kepatuhan seperti kesehatan dan keuangan.
Dari Pembelajaran Terfederasi ke Jaringan Agen Terdesentralisasi: Analisis Proyek ChainOpera
Dalam laporan riset kami di bulan Juni (Crypto AI's Holy Grail: Eksplorasi Batas Pelatihan Terdesentralisasi), kami menyebutkan Pembelajaran Terfederasi, sebuah solusi "terdesentralisasi terkendali" yang terletak di antara pelatihan terdistribusi dan terdesentralisasi. Prinsip utamanya adalah retensi data lokal dan agregasi parameter terpusat, yang memenuhi persyaratan privasi dan kepatuhan di bidang-bidang seperti kesehatan dan keuangan. Sementara itu, dalam laporan-laporan sebelumnya, kami secara konsisten berfokus pada perkembangan jaringan agen—nilainya terletak pada kemampuannya untuk menyelesaikan tugas-tugas kompleks secara kolaboratif melalui otonomi dan pembagian kerja di antara banyak agen, yang mendorong evolusi dari "model besar" menjadi "ekosistem multi-agen".
Masuk untuk menjelajahi konten lainnya