0xjacobzhao

3 lutego 2026 roku Vitalik opublikował istotną refleksję na temat planu skalowania Ethereum na X. Ponieważ praktyczne trudności z ewoluowaniem warstwy 2 w całkowicie zdecentralizowaną formę są na nowo oceniane, a przewidywana przepustowość głównej sieci ma znacząco wzrosnąć w nadchodzących latach, pierwotne założenie polegające na poleganiu wyłącznie na L2 dla skalowania przepustowości jest korygowane. Powstaje nowy paradygmat współpracy "Usługa-Uzgodnienia" między L1 a L2: L1 koncentruje się na zapewnieniu najwyższego poziomu bezpieczeństwa, odporności na cenzurę oraz suwerenności uzgodnień, podczas gdy L2 ewoluuje w kierunku "zróżnicowanych dostawców usług" (takich jak prywatność, AI, handel wysokiej częstotliwości). Strategiczne skupienie Ethereum wraca do samej głównej sieci, wzmacniając jej pozycję jako najbardziej zaufanej warstwy uzgodnień na świecie. Skalowanie nie jest już jedynym celem; bezpieczeństwo, neutralność i przewidywalność znów stają się kluczowymi atutami Ethereum.

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wem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wem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wem的核心资产。

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
W naszych wcześniejszych raportach badawczych z serii Crypto AI konsekwentnie podkreślaliśmy, że najbardziej praktyczne scenariusze zastosowań w obecnej dziedzinie kryptowalut są głównie skoncentrowane na płatnościach stablecoin i DeFi, podczas gdy Agenci są kluczowym interfejsem dla branży AI skierowanej do użytkowników. Dlatego w trendzie integracji Crypto i AI, dwie najcenniejsze ścieżki to: AgentFi, oparty na istniejących dojrzałych protokołach DeFi (podstawowe strategie takie jak pożyczki i wydobycie płynności, a także zaawansowane strategie jak Swap, Pendle PT i arbitraż stopy finansowania) w krótkim okresie; oraz Agent Payment, koncentrujący się na rozliczeniach stablecoin i opierający się na protokołach takich jak ACP/AP2/x402/ERC-8004 w średnim do długiego okresie.

Noya.ai raport: Prognoza inteligentnych agentów rynkowych
Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao

W poprzednich raportach z serii Crypto AI nieustannie podkreślaliśmy, że obecnie najcenniejsze scenariusze z praktycznym zastosowaniem w obszarze kryptowalut koncentrują się głównie na płatnościach stablecoinami i DeFi, a Agent jest kluczowym interfejsem AI skierowanym do użytkowników. Dlatego w kontekście trendu łączenia Crypto i AI, dwie najcenniejsze ścieżki to: AgentFi oparty na istniejących dojrzałych protokołach DeFi (podstawowe strategie takie jak pożyczki, wydobywanie płynności itp., oraz zaawansowane strategie takie jak Swap, Pendle PT, arbitraż stawki finansowania) oraz Agent Payment w średnim i długim okresie, oparty na rozliczeniach stablecoin oraz protokołach takich jak ACP/AP2/x402/ERC-8004.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Ten niezależny raport badawczy jest wspierany przez IOSG Ventures. Proces badawczy i pisania został zainspirowany pracą Sama Lehmana (Pantera Capital) nad uczeniem przez wzmocnienie. Dziękujemy Benowi Fieldingowi (Gensyn.ai), Gao Yuan (Gradient), Samuelowi Dare i Erfanowi Miahi (Covenant AI), Shashankowi Yadavowi (Fraction AI), Chao Wang za ich cenne sugestie dotyczące tego artykułu. Artykuł ten dąży do obiektywizmu i dokładności, ale niektóre punkty widzenia wiążą się z subiektywną oceną i mogą zawierać uprzedzenia. Doceniamy zrozumienie czytelników.

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

Niniejszy niezależny raport badawczy jest wspierany przez IOSG Ventures, a proces badawczy i pisania był inspirowany raportem o uczeniu wzmacniającym autorstwa Sama Lehmana (Pantera Capital), dziękujemy Benowi Fieldingowi (Gensyn.ai), Gao Yuan (Gradient), Samuelowi Dare i Erfanowi Miahi (Covenant AI), Shashankowi Yadav (Fraction AI), Chao Wangowi za cenne sugestie dotyczące tego dokumentu. Dokument ten dąży do obiektywnej i dokładnej treści, część poglądów wiąże się z subiektywnymi ocenami, co nieuchronnie może prowadzić do odchyleń, prosimy czytelników o zrozumienie.
Sztuczna inteligencja przechodzi od statystycznego uczenia, opartego głównie na "dopasowywaniu wzorców", do systemu umiejętności skoncentrowanego na "strukturalnym wnioskowaniu", a znaczenie post-treningu szybko rośnie. Pojawienie się DeepSeek-R1 oznacza paradigmowy zwrot w uczeniu wzmacniającym w erze dużych modeli, powstaje konsensus branżowy: wstępne uczenie buduje uniwersalną podstawę modeli, a uczenie wzmacniające nie jest już tylko narzędziem do dostosowywania wartości, ale udowodniono, że może systematycznie poprawić jakość łańcucha wnioskowania i zdolność do podejmowania złożonych decyzji, stopniowo ewoluując w technologiczną ścieżkę ciągłego podnoszenia poziomu inteligencji.

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

Ten niezależny raport badawczy jest wspierany przez IOSG Ventures. Proces badawczy i pisarski był inspirowany pracami Raghava Agarwala (LongHash) i Jaya Yu (Pantera). Dziękujemy Lexowi Sokolinowi @ Generative Ventures, Jordanowi @AIsa, Ivy @PodOur2Cents za ich cenne sugestie dotyczące tego artykułu. Opinie były również zbierane od zespołów projektowych, takich jak Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON podczas procesu pisania. Ten artykuł dąży do obiektywnej i dokładnej treści, ale niektóre punkty widzenia zawierają subiektywne osądy i mogą nieuchronnie zawierać odchylenia. Zrozumienie czytelników jest doceniane.

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

Ten niezależny raport badawczy jest wspierany przez IOSG Ventures, a proces pisania badania był inspirowany raportami Raghava Agarwala@LongHash i Jaya Yu@Pantera. Dziękujemy Lexowi Sokolinowi @ Generative Ventures, Jordanowi@AIsa, Ivy@(支无不言) blogowi za cenne sugestie dotyczące tego dokumentu. W trakcie pisania zasięgnięto również opinii zespołów projektowych takich jak Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON. Dokument stara się być obiektywny i dokładny; niektóre punkty zawierają subiektywne osądy, co nieuchronnie może prowadzić do odchyleń, prosimy czytelników o zrozumienie.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Ten niezależny raport badawczy jest wspierany przez IOSG Ventures. Autor dziękuje Hansowi (RoboCup Azja-Pacyfik), Nichanan Kesonpat (1kx), Robertowi Koschigowi (1kx), Amandzie Young (Collab+Currency), Jonathanowi Victorowi (Ansa Research), Lexowi Sokolinowi (Generative Ventures), Jayowi Yu (Pantera Capital), Jeffrey'owi Hu (Hashkey Capital) za ich cenne uwagi, a także współpracownikom z OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network i CodecFlow za ich konstruktywną opinię. Mimo że podjęto wszelkie starania, aby zapewnić obiektywność i dokładność, niektóre spostrzeżenia nieuchronnie odzwierciedlają subiektywną interpretację, a czytelników zachęca się do krytycznego zaangażowania się w treść.

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

Ten niezależny raport badawczy został wsparty przez IOSG Ventures, dziękujemy Hansowi (RoboCup Asia-Pacific), Nichanan Kesonpat (1kx), Robertowi Koschigowi (1kx), Amandzie Young (Collab+Currency), Jonathanowi Victorowi (Ansa Research), Lexowi Sokolinowi (Generative Ventures), Jayowi Yu (Pantera Capital), Jeffrey'emu Hu (Hashkey Capital) za cenne sugestie dotyczące tego dokumentu. W trakcie pisania konsultowano się również z projektami OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network i CodecFlow. Dokument stara się być obiektywny i dokładny, ale niektóre opinie mogą zawierać subiektywne osądy, co może prowadzić do pewnych odchyleń, prosimy czytelników o zrozumienie.

Paradygmat Weryfikowalnego Obliczenia—„obliczenia off-chain + weryfikacja on-chain”—stał się uniwersalnym modelem obliczeniowym dla systemów blockchain. Umożliwia aplikacjom blockchain osiągnięcie niemal nieograniczonej swobody obliczeniowej, zachowując jednocześnie decentralizację i brak zaufania jako podstawowe gwarancje bezpieczeństwa. Dowody zerowej wiedzy (ZKP) stanowią kręgosłup tego paradygmatu, z aplikacjami głównie w trzech podstawowych kierunkach: skalowalności, prywatności i interoperacyjności oraz integralności danych. Skalowalność była pierwszą aplikacją ZK, która osiągnęła produkcję, przenosząc wykonanie off-chain i weryfikując zwięzłe dowody on-chain dla wysokiej przepustowości i niskokosztowego skalowania bez zaufania.

“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。

Autor:0xjacobzhao | https://linktr.ee/0xjacobzhao
Zero-Knowledge Proofs (ZK) — jako infrastruktura kryptograficzna i skalowalności następnej generacji — wykazują ogromny potencjał w zakresie skalowania blockchaina, obliczeń prywatności, zkML i weryfikacji międzyłańcuchowej. Proces generowania dowodów jest jednak niezwykle intensywny obliczeniowo i obciążony opóźnieniami, co stanowi największe wąskie gardło w przemysłowej adopcji. Przyspieszenie sprzętowe ZK stało się zatem kluczowym czynnikiem umożliwiającym. W tym krajobrazie, GPU wyróżniają się wszechstronnością i szybkością iteracji, ASIC dążą do maksymalnej efektywności i wydajności w skali, podczas gdy FPGA służą jako elastyczny środek łączący programowalność z efektywnością energetyczną. Razem tworzą podstawę sprzętową wspierającą realną adopcję ZK.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Zero-knowledge proof (ZK) jako nowa generacja infrastruktury kryptograficznej i skalowania, już pokazała ogromny potencjał w zastosowaniach takich jak skalowanie blockchain, obliczenia prywatności oraz nowe obszary zastosowań takie jak zkML i weryfikacja międzyłańcuchowa. Jednak proces generowania dowodów wiąże się z ogromnym obciążeniem obliczeniowym i wysokimi opóźnieniami, co staje się największym wąskim gardłem w komercjalizacji. Przyspieszenie sprzętowe ZK stało się kluczowym elementem w tym kontekście, na drodze do przyspieszenia sprzętowego ZK, GPU wyróżnia się uniwersalnością i szybkością iteracji, ASIC dąży do maksymalnej efektywności energetycznej i wydajności na dużą skalę, podczas gdy FPGA, jako forma pośrednia, łączy w sobie elastyczność programowalności i wysoką efektywność energetyczną, a te trzy elementy wspólnie tworzą podstawy sprzętowe dla realizacji zero-knowledge proof.

Napisane przez 0xjacobzhao | https://linktr.ee/0xjacobzhao
W miarę jak AI staje się najszybciej rozwijającą się falą technologiczną, moc obliczeniowa postrzegana jest jako nowa "waluta", a GPU przekształcają się w strategiczne aktywa. Jednak finansowanie i płynność pozostają ograniczone, podczas gdy finansowanie kryptowalut wymaga aktywów wspieranych rzeczywistym przepływem gotówki. Tokenizacja RWA staje się mostem. Infrastruktura AI, łącząca sprzęt o wysokiej wartości + przewidywalne przepływy gotówki, jest postrzegana jako najlepszy punkt wyjścia dla niestandardowych RWA – GPU oferują praktyczność w krótkim okresie, podczas gdy robotyka reprezentuje dłuższą granicę. RWAiFi GAIB (RWA + AI + DeFi) wprowadza nową ścieżkę do finansjalizacji on-chain, napędzając koło zamachowe infrastruktury AI (GPU i robotyka) × RWA × DeFi.

Autor: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Wraz z tym, jak AI staje się najszybciej rozwijającą się technologią na świecie, moc obliczeniowa jest postrzegana jako nowa „waluta”, a sprzęt o wysokiej wydajności, taki jak GPU, stopniowo ewoluuje w strategiczne aktywa. Jednak przez długi czas finansowanie i płynność tych aktywów były ograniczone. W tym samym czasie, kryptofinanse pilnie potrzebują dostępu do wysokiej jakości aktywów z rzeczywistym przepływem gotówki, a przekształcanie RWA (aktywa ze świata rzeczywistego) na blockchain staje się kluczowym mostem łączącym tradycyjne finanse z rynkiem kryptowalut. Aktywa infrastruktury AI, dzięki cechom „sprzętu o wysokiej wartości + przewidywalnego przepływu gotówki”, są powszechnie postrzegane jako najlepszy punkt wyjścia dla niestandardowych aktywów RWA, gdzie GPU ma najbardziej realistyczny potencjał wdrożenia, a roboty reprezentują długoterminowy kierunek eksploracji. W tym kontekście, zaproponowana przez GAIB ścieżka RWAiFi (RWA + AI + DeFi) dostarcza nowego rozwiązania dla „finansowania infrastruktury AI na blockchainie”, wspierając efekt kołowego działania „infrastruktura AI (moc obliczeniowa i roboty) x RWA x DeFi”.

Napisane przez 0xjacobzhao | https://linktr.ee/0xjacobzhao
W naszym czerwcowym raporcie „Święty Graal Crypto AI: Wstępne Badania Zdecentralizowanego Szkolenia” omówiliśmy Uczenie Federacyjne—paradygmat „kontrolowanej decentralizacji” umiejscowiony pomiędzy szkoleniem rozproszonym a w pełni zdecentralizowanym. Jego podstawowa zasada to utrzymywanie danych lokalnie, podczas gdy parametry są agregowane centralnie, co jest szczególnie odpowiednie dla branż wrażliwych na prywatność i obciążonych regulacjami, takich jak opieka zdrowotna i finanse.

W czerwcowym raporcie (Święty Graal Crypto AI: Na pograniczu zdecentralizowanego treningu) wspomnieliśmy o uczeniu federacyjnym (Federated Learning), będącym 'kontrolowaną decentralizacją' pomiędzy treningiem rozproszonym a zdecentralizowanym: jego rdzeniem jest lokalne przechowywanie danych oraz centralna agregacja parametrów, spełniająca wymagania dotyczące prywatności i zgodności w takich dziedzinach jak medycyna czy finanse. Jednocześnie w naszych wcześniejszych raportach regularnie zwracaliśmy uwagę na wzrost sieci agentów (Agent) - ich wartość polega na autonomii i podziale pracy pomiędzy wieloma agentami, co pozwala na wspólne realizowanie złożonych zadań, przyspieszając ewolucję 'dużych modeli' w kierunku 'ekosystemu wielu agentów'.

I. Wprowadzenie | Skok modelu Crypto AI
Dane, modele i moc obliczeniowa są trzema kluczowymi elementami infrastruktury AI, porównywalnymi z paliwem (dane), silnikiem (model) i energią (moc obliczeniowa), które są niezbędne. Podobnie jak w przypadku tradycyjnej ścieżki ewolucji infrastruktury branży AI, obszar Crypto AI przeszedł przez podobne etapy. Na początku 2024 roku rynek był w dużej mierze zdominowany przez zdecentralizowane projekty GPU (takie jak Akash, Render, io.net itp.), które powszechnie podkreślały logikę wzrostu opartą na „mocy obliczeniowej”. Po wejściu w 2025 rok, uwaga branży zaczęła stopniowo przesuwać się w kierunku modelu i warstwy danych, co oznacza, że Crypto AI przechodzi z konkurencji o zasoby podstawowe do bardziej zrównoważonej budowy o wartości aplikacyjnej na średnim poziomie.

1. Wprowadzenie | Zmiana w Modelu-Warstwie w Crypto AI
Dane, modele i obliczenia stanowią trzy podstawowe filary infrastruktury AI — porównywalne do paliwa (dane), silnika (model) i energii (obliczenia) — wszystkie niezbędne. Podobnie jak rozwój infrastruktury w tradycyjnej branży AI, sektor Crypto AI przeszedł podobną trajektorię. Na początku 2024 roku rynek był zdominowany przez zdecentralizowane projekty GPU (takie jak Akash, Render i io.net), charakteryzujące się modelem wzrostu opartym na zasobach, skoncentrowanym na surowej mocy obliczeniowej. Jednak do 2025 roku uwaga branży stopniowo przesunęła się w stronę warstw modelu i danych, co oznaczało przejście od konkurencji w zakresie infrastruktury niskiego poziomu do bardziej zrównoważonego, aplikacyjnego rozwoju warstwy środkowej.