在 AI 的价值链中，模型训练是最重资源、最高门槛的环节，决定了模型能力上限。训练方式主要包括集中化、分布式、联邦学习与去中心化训练。集中化训练由单一机构统一控制，效率高但存在垄断与资源壁垒；分布式训练通过多节点协同，仍由中心化调度；联邦学习保留本地数据，适用于注重隐私的场景。去中心化训练代表开放与抗审查的未来路径，在无中心协调器的情况下，由多个节点协同完成训练。尽管具备去信任性与全球协作潜力，但仍面临设备异构、通信瓶颈、可信执行缺失等技术挑战。其生态可分为两类：前链条引擎专注模型预训练基础协议，由 Prime Intellect、Nous、Pluralis、Gensyn 等构建异步、可验证系统架构；后链条生态聚焦模型微调与部署，如 Pond、Bagel、RPS 等，提供 LoRA 微调、链上验证与推理 API 接口。Flock 则作为联邦学习路径的中间层，衔接训练与应用落地。我们相信，去中心化不仅是技术路径，更是价值主张。

Faced with the high costs and technical barriers of training traditional large language models (LLMs), Crypto AI is better positioned to focus on lightweight, specialized language models (SLMs). These models are fine-tuned on open-source LLMs using techniques like LoRA to build domain-specific expertise with lower resource requirements. Combined with agent architectures and Retrieval-Augmented Generation (RAG), they can be flexibly deployed in modular intelligent systems. Meanwhile, blockchain’s

面对传统 LLM 高门槛的训练成本和技术壁垒，Crypto AI 更适合聚焦于轻量级、专用化的 SLM（Specialized Language Model），借助 LoRA 等技术在开源模型基础上微调构建具备领域知识的小模型，并结合 Agent 架构与 RAG 技术灵活部署调用，形成模块化智能系统。与此同时，区块链的可验证性与激励机制，赋能小型模型、RAG 框架与 Edge 模型等轻量场景，实现数据、模型、调用行为的透明记录与价值归属。

在 AI 的价值链中，模型训练是最重资源、最高门槛的环节，决定了模型能力上限。训练方式主要包括集中化、分布式、联邦学习与去中心化训练。集中化训练由单一机构统一控制，效率高但存在垄断与资源壁垒；分布式训练通过多节点协同，仍由中心化调度；联邦学习保留本地数据，适用于注重隐私的场景。去中心化训练代表开放与抗审查的未来路径，在无中心协调器的情况下，由多个节点协同完成训练。尽管具备去信任性与全球协作潜力，但仍面临设备异构、通信瓶颈、可信执行缺失等技术挑战。其生态可分为两类：前链条引擎专注模型预训练基础协议，由 Prime Intellect、Nous、Pluralis、Gensyn 等构建异步、可验证系统架构；后链条生态聚焦模型微调与部署，如 Pond、Bagel、RPS 等，提供 LoRA 微调、链上验证与推理 API 接口。Flock 则作为联邦学习路径的中间层，衔接训练与应用落地。我们相信，去中心化不仅是技术路径，更是价值主张。

Faced with the high costs and technical barriers of training traditional large language models (LLMs), Crypto AI is better positioned to focus on lightweight, specialized language models (SLMs). These models are fine-tuned on open-source LLMs using techniques like LoRA to build domain-specific expertise with lower resource requirements. Combined with agent architectures and Retrieval-Augmented Generation (RAG), they can be flexibly deployed in modular intelligent systems. Meanwhile, blockchain’s

面对传统 LLM 高门槛的训练成本和技术壁垒，Crypto AI 更适合聚焦于轻量级、专用化的 SLM（Specialized Language Model），借助 LoRA 等技术在开源模型基础上微调构建具备领域知识的小模型，并结合 Agent 架构与 RAG 技术灵活部署调用，形成模块化智能系统。与此同时，区块链的可验证性与激励机制，赋能小型模型、RAG 框架与 Edge 模型等轻量场景，实现数据、模型、调用行为的透明记录与价值归属。

人工智能正从以“模式拟合”为主的统计学习，迈向以“结构化推理”为核心的能力体系，后训练（Post-training）的重要性快速上升，强化学习不再只是价值对齐工具，而被证明能够系统提升推理链质量与复杂决策能力，正逐步演化为持续提升智能水平的技术路径。与此同时，Web3 通过去中心化算力与加密激励重构 AI 的生产关系；而强化学习对 rollout 采样、奖励信号与可验证训练的结构性需求，与区块链的算力协作、激励分配与可验证执行天然契合。本研报将拆解训练范式与强化学习原理，论证 RL × Web3 的结构优势，并分析 Prime Intellect、Gensyn、Nous Research、Gradient、Grail 与 Fraction AI 等项目。

人工智能正从以“模式拟合”为主的统计学习，迈向以“结构化推理”为核心的能力体系，后训练（Post-training）的重要性快速上升，强化学习不再只是价值对齐工具，而被证明能够系统提升推理链质量与复杂决策能力，正逐步演化为持续提升智能水平的技术路径。与此同时，Web3 通过去中心化算力与加密激励重构 AI 的生产关系；而强化学习对 rollout 采样、奖励信号与可验证训练的结构性需求，与区块链的算力协作、激励分配与可验证执行天然契合。本研报将拆解训练范式与强化学习原理，论证 RL × Web3 的结构优势，并分析 Prime Intellect、Gensyn、Nous Research、Gradient、Grail 与 Fraction AI 等项目。

Since 2024, AI Agents have rapidly emerged in the Web3 space as intelligent execution units bridging AI models and on-chain operations. Unlike traditional interfaces or bots, AI Agents are task-driven and autonomous, reshaping how on-chain interaction, execution, and value distribution are structured. The Agent technology stack can be broadly divided into three layers: Infrastructure Layer: Includes Agent frameworks, operating systems, identity modules, wallets, and payment systems — forming t

Since 2024, AI Agents have rapidly emerged in the Web3 space as intelligent execution units bridging AI models and on-chain operations. Unlike traditional interfaces or bots, AI Agents are task-driven and autonomous, reshaping how on-chain interaction, execution, and value distribution are structured. The Agent technology stack can be broadly divided into three layers: Infrastructure Layer: Includes Agent frameworks, operating systems, identity modules, wallets, and payment systems — forming t

🤖 The robotics industry is shifting toward Embodied AI, with humanoid robots emerging as the leading form factor and gaining cross-scenario “understand → predict → act” capabilities. 💠 Since 2025, Web3 × Robotics has become a key narrative: limited value in hardware, real potential in simulation/software, and the highest upside in decentralized coordination and machine identity. 📊 Our report maps the ecosystem across five layers — Model Intelligence, Machine Economy, Data, Simulation, and Rob

🤖 The robotics industry is shifting toward Embodied AI, with humanoid robots emerging as the leading form factor and gaining cross-scenario “understand → predict → act” capabilities. 💠 Since 2025, Web3 × Robotics has become a key narrative: limited value in hardware, real potential in simulation/software, and the highest upside in decentralized coordination and machine identity. 📊 Our report maps the ecosystem across five layers — Model Intelligence, Machine Economy, Data, Simulation, and Rob

机器人产业已形成工业、移动、服务、特种、人形五大体系，其中人形机器人在具身智能（Embodied AI）加持下，正以 VLA、RL/IL/SSL、Sim2Real、世界模型和多智能体协作等技术迈向跨场景“理解—预测—行动”。2025 年起，Web3 × Robotics 成为新叙事，其价值呈现分层：硬件/服务层 Web3 仅提供金融与租赁辅助；仿真/软件层具备数据确权与技能资产化潜力；平台/协作层最具机会，可依托 DID、PoPW、TEE/ZKP、链上结算与 DAO 治理构建去中心化“机器劳动力市场”。本报告按五层架构梳理 OpenMind、CodecFlow、peaq、BitRobot、PrismaX、Mecka、RoboStack、Gradient、XMAQUINA、GAIB 等代表项目。总体判断为：短期数据采集激励、RaaS 资产化与稳定币支付最可落地；中期协作网络与机器身份体系成熟；长期机器人 × AI × Web3 将推动“去中心化机器经济（DeRobot Economy）”，以身份、信任、激励、治理四大底座重塑未来劳动力与价值分配体系。

机器人产业已形成工业、移动、服务、特种、人形五大体系，其中人形机器人在具身智能（Embodied AI）加持下，正以 VLA、RL/IL/SSL、Sim2Real、世界模型和多智能体协作等技术迈向跨场景“理解—预测—行动”。2025 年起，Web3 × Robotics 成为新叙事，其价值呈现分层：硬件/服务层 Web3 仅提供金融与租赁辅助；仿真/软件层具备数据确权与技能资产化潜力；平台/协作层最具机会，可依托 DID、PoPW、TEE/ZKP、链上结算与 DAO 治理构建去中心化“机器劳动力市场”。本报告按五层架构梳理 OpenMind、CodecFlow、peaq、BitRobot、PrismaX、Mecka、RoboStack、Gradient、XMAQUINA、GAIB 等代表项目。总体判断为：短期数据采集激励、RaaS 资产化与稳定币支付最可落地；中期协作网络与机器身份体系成熟；长期机器人 × AI × Web3 将推动“去中心化机器经济（DeRobot Economy）”，以身份、信任、激励、治理四大底座重塑未来劳动力与价值分配体系。

零知识证明（ZK）作为新一代加密与扩容基础设施，已在扩容、隐私计算、zkML、跨链验证等场景展现潜力。但证明生成计算量与延迟高企，成为产业化瓶颈。ZK 硬件加速因此为关键：GPU 以通用与迭代速度占优，ASIC 以能效指向终局，FPGA 在可编程与能效间折中，共同构成落地基座。本文解构 Cysic Network：以 PoC 共识与 Prover/Verifier 搭建通用 Proof Layer，以 Compute Cube 节点 NFT 推进算力金融化，并在 Verifiable AI 与 Serverless 推理上拓展应用；同时以 DogeBox 1 家庭级 Scrypt ASIC 验证量产与现金流。报告亦评估生态合作、代币模型、竞品与风险，给出 ComputeFi 路径的可行性判断。

零知识证明（ZK）作为新一代加密与扩容基础设施，已在扩容、隐私计算、zkML、跨链验证等场景展现潜力。但证明生成计算量与延迟高企，成为产业化瓶颈。ZK 硬件加速因此为关键：GPU 以通用与迭代速度占优，ASIC 以能效指向终局，FPGA 在可编程与能效间折中，共同构成落地基座。本文解构 Cysic Network：以 PoC 共识与 Prover/Verifier 搭建通用 Proof Layer，以 Compute Cube 节点 NFT 推进算力金融化，并在 Verifiable AI 与 Serverless 推理上拓展应用；同时以 DogeBox 1 家庭级 Scrypt ASIC 验证量产与现金流。报告亦评估生态合作、代币模型、竞品与风险，给出 ComputeFi 路径的可行性判断。

2024 年起，AI Agent 在 Web3 迅速崛起，成为连接 AI 模型与链上操作的智能执行体。不同于传统 Interface 或 Bot，AI Agent 本身具备任务导向与自治能力，正在重塑链上交互、执行与收益分配的方式。 整个 Agent 技术栈大致可分为三层： 基础设施层：包括 Agent Framework、OS、身份、钱包、支付系统，为智能体提供运行环境； 协调与激励层：如 Orchestration 和 Swarm 架构，支持多智能体任务协作与经济激励； 应用层：涵盖 AgentFi、DApp、Launchpad、Meme 等不同应用路径。 其中，AgentFi 被视为最具“工程可行 + 经济价值”的落地方向，尤其在借贷套利、策略交易、LP 管理等场景已出现早期实践。其中 LP 管理（如 Uniswap V3 策略自动化）因涉及实时数据感知与链上调仓，是技术门槛最高、也最具创新潜力的赛道。 Theoriq 作为该方向的代表项目，通过 AlphaSwarm 构建三类智能体协同体系：Portal Agent 感知用户状态，Knowledge Agent 提供策略洞察，L

2024 年起，AI Agent 在 Web3 迅速崛起，成为连接 AI 模型与链上操作的智能执行体。不同于传统 Interface 或 Bot，AI Agent 本身具备任务导向与自治能力，正在重塑链上交互、执行与收益分配的方式。 整个 Agent 技术栈大致可分为三层： 基础设施层：包括 Agent Framework、OS、身份、钱包、支付系统，为智能体提供运行环境； 协调与激励层：如 Orchestration 和 Swarm 架构，支持多智能体任务协作与经济激励； 应用层：涵盖 AgentFi、DApp、Launchpad、Meme 等不同应用路径。 其中，AgentFi 被视为最具“工程可行 + 经济价值”的落地方向，尤其在借贷套利、策略交易、LP 管理等场景已出现早期实践。其中 LP 管理（如 Uniswap V3 策略自动化）因涉及实时数据感知与链上调仓，是技术门槛最高、也最具创新潜力的赛道。 Theoriq 作为该方向的代表项目，通过 AlphaSwarm 构建三类智能体协同体系：Portal Agent 感知用户状态，Knowledge Agent 提供策略洞察，L

Zero-knowledge proofs (ZK), as a new generation of cryptography and scaling infrastructure, are showing strong potential across scaling, privacy computing, zkML, and cross-chain verification. Yet the heavy computation and latency of proof generation remain the key bottlenecks to industrial adoption. Hence ZK hardware acceleration is critical: GPUs lead in generality and iteration speed, ASICs point to the endgame in efficiency, and FPGAs strike a balance between programmability and efficiency—to

Zero-knowledge proofs (ZK), as a new generation of cryptography and scaling infrastructure, are showing strong potential across scaling, privacy computing, zkML, and cross-chain verification. Yet the heavy computation and latency of proof generation remain the key bottlenecks to industrial adoption. Hence ZK hardware acceleration is critical: GPUs lead in generality and iteration speed, ASICs point to the endgame in efficiency, and FPGAs strike a balance between programmability and efficiency—to