JacobZhao

In blockchain, cryptography is the fundamental basis of security and trust. Zero-Knowledge Proofs (ZK) can compress any complex off-chain computation into a succinct proof that can be efficiently verified on-chain—without relying on third-party trust—while also enabling selective input hiding to preserve privacy. With its combination of efficient verification, universality, and privacy, ZK has become a key solution across scaling, privacy, and interoperability use cases. Although challenges r...

1. Introduction | The Model-Layer Shift in Crypto AIData, models, and compute form the three core pillars of AI infrastructure—comparable to fuel (data), engine (model), and energy (compute)—all indispensable. Much like the evolution of infrastructure in the traditional AI industry, the Crypto AI sector has undergone a similar trajectory. In early 2024, the market was dominated by decentralized GPU projects (such as Akash, Render, and io.net), characterized by a resource-heavy growth model fo...

This piece benefited from the insightful suggestions of Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund), and Advait Jayant (Aivos Labs), along with valuable input from the teams behind Giza, Theoriq, Olas, Almanak, Brahma.fi and HeyElsa. While every effort has been made to ensure objectivity and accuracy, certain perspectives may reflect personal interpretation. Readers are encouraged to engage with the content critically. Among the various sectors in the current crypto landsc...

Thanks to Advait Jayant (Peri Labs), Sven Wellmann (Polychain Capital), Chao (Metropolis DAO), Jiahao (Flock), Alexander Long(Pluralis Research), Ben Fielding & Jeff Amico (Gensyn), for their insightful suggestions and feedback on this piece. In the full value chain of AI, model training is the most resource-intensive and technically demanding stage—it directly determines the upper bound of a model's capabilities and its real-world performance. Unlike the lightweight nature of inference,...

在区块链领域，密码学是安全与信任的核心基础。其中，零知识证明（ZK）能够将任意复杂的链下计算压缩为简短的证明，并在链上高效验证，无需依赖第三方信任，同时还能选择性地隐藏输入以保护隐私。凭借高效验证、通用性与隐私性的兼备，ZK 已成为扩容、隐私、跨链等多类应用的关键方案。尽管当前仍存在证明生成开销较大、开发电路复杂等挑战，但ZK 的工程可行性与落地程度已远超其他路径，成为采用度最高的可信计算框架。 一、ZK 赛道的发展历程 零知识证明（ZK）技术的发展并非一蹴而就，而是经历了长达数十年的理论积累与工程探索。整体可以划分为以下几个关键阶段：理论奠基与技术突破期（1980s–2010s） ZK 概念由 MIT 学者Shafi Goldwasser、Silvio Micali 和 Charles Rackoff 提出，最初停留在交互式证明理论。2010s 随着 非交互式零知识证明（NIZK） 与 zk-SNARK 出现，证明效率大幅提升，但早期仍依赖可信设置。区块链应用（2010s 末期） Zcash 将 zk-SNARK 引入隐私支付，首次实现大规模区块链落地。但受限于证明生成开销高昂...

In our earlier research report “The Intelligent Evolution of DeFi: From Automation to AgentFi”, we systematically mapped and compared the three stages of DeFi intelligence development: Automation, Intent-Centric Copilot, and AgentFi. We pointed out that a significant portion of current DeFAI projects still center their core capabilities around “intent-driven + single atomic interaction” swap transactions. Since these interactions do not involve ongoing yield strategies, require no state manag...

2024年起， AI Agent 在 Web3 世界中快速崛起，大量围绕智能体的实验正在兴起。从整个 AI 全链条视角来看，AI Agent 不仅像 Interface 一样承担“交互与执行层”的角色，更是一种面向用户的智能产品形态。作为模型能力与具体业务应用之间的中介桥梁，将底层 AI 模型封装成具备任务导向与自治能力的智能体，直接服务于用户自主执行任务并产生真实的经济活动。一、AI Agent 协议栈层级（AI Agent Protocol Stack）在整个AI Agent协议栈中，我们可以将其划分为三个主要层级，即基础设施层（Agent Infrastructure Layer）:该层为智能体提供最底层的运行支持，是所有 Agent 系统构建的技术根基。核心模块：包括 Agent Framework（智能体开发与运行框架）和 Agent OS（更底层的多任务调度与模块化运行时），为 Agent 的生命周期管理提供核心能力。支持模块：如 Agent DID（去中心身份）、Agent Wallet & Abstraction（账户抽象与交易执行）、Agent Payment/...

Since 2024, AI Agents have rapidly emerged within the Web3 ecosystem, sparking a wave of experimentation centered around autonomous agents. From a full-stack AI perspective, AI Agents not only serve as interfaces that handle interaction and execution, but also represent a new user-facing product paradigm. Acting as a bridge between foundational AI models and specific business applications, they encapsulate model capabilities into task-oriented, autonomous entities that directly execute tasks ...

一、引言 | Crypto AI 的模型层跃迁数据、模型与算力是 AI 基础设施的三大核心要素，类比燃料（数据）、引擎（模型）、能源（算力）缺一不可。与传统 AI 行业的基础设施演进路径类似，Crypto AI 领域也经历了相似的阶段。2024 年初，市场一度被去中心化 GPU 项目所主导(Akash、Render、io.net 等)，普遍强调“拼算力”的粗放式增长逻辑。而进入 2025 年后，行业关注点逐步上移至模型与数据层，标志着 Crypto AI 正从底层资源竞争过渡到更具可持续性与应用价值的中层构建。 通用大模型（LLM）vs 特化模型（SLM） 传统的大型语言模型（LLM）训练高度依赖大规模数据集与复杂的分布式架构，参数规模动辄 70B～500B，训练一次的成本常高达数百万美元。而SLM（Specialized Language Model）作为一种可复用基础模型的轻量微调范式，通常基于 LLaMA、Mistral、DeepSeek 等开源模型，结合少量高质量专业数据及 LoRA 等技术，快速构建具备特定领域知识的专家模型，显著降低训练成本与技术门槛。 值得注意的是，...

在《DeFi 的智能进化：从自动化到 AgentFi 的演进路径》研报中，我们系统梳理并比较了 DeFi 智能化发展的三个阶段：自动化工具（Automation）、意图驱动助手（Intent-Centric Copilot） 与 AgentFi（链上智能体）。我们指出，目前相当一部分 DeFAI 项目的核心能力仍集中在“意图驱动 + 单次原子化交互”的 Swap 交易，这类交互由于不涉及持续的收益策略，没有状态管理也无需复杂执行框架，更契合意图助手的轻量化执行模式，不能被严格视为 AgentFi。 在我们对 AgentFi 未来的高阶畅想中，除借贷（Lending）与流动性挖矿（Yield Farming）这两大近期最具价值且易落地的场景外，Swap 组合策略同样是潜力方向。当多个 Swap 按顺序或条件组合时，便形成“策略链路”，例如套利或收益搬砖。这种模式需要状态机管理持仓、条件触发与多步骤自动执行，具备了 AgentFi 的完整闭环特征——感知 → 决策 → 执行 → 再平衡。一、DeFi 量化策略图谱及可行性分析传统量化金融（Quantitative Finance）以数...

感谢 Lex Sokolin（Generative Ventures）、Stepan Gershuni（cyber.fund）与 Advait Jayant（Aivos Labs）对本文提出的宝贵建议。撰写过程中亦征询了 Giza、Theoriq、Olas、HeyElsa、Almanak、Brahma.fi 等项目团队的意见反馈。本文力求内容客观、表述准确，由于部分观点涉及主观判断，难免存在偏差，敬请读者批判性阅读并予以理解。 在当前的加密行业中，稳定币支付与 DeFi 应用是少数已被验证具备真实需求与长期价值的赛道。与此同时，百花齐放的Agent 正逐渐成为 AI 产业中面向用户界面的实际落地形式，成为连接 AI 能力与用户需求的关键中间层。 在 Crypto 与 AI 的融合领域，尤其是在 AI 技术反哺 Crypto 应用的方向上，当前探索主要集中于三个典型场景：对话交互型 Agent：以聊天、陪伴、助理类为主，尽管多数仍为通用大模型的套壳，但因开发门槛低交互自然，叠加通证激励，成为最早推向市场获取用户关注的形态。信息整合型 Agent：聚焦线上与链上信息的智能整合。Kai...

特别感谢 Advait Jayant（Peri Labs）、Sven Wellmann（Polychain Capital）、Chao（Metropolis DAO）、Jiahao（Flock）、Alexander Long（Pluralis Research）Ben Fielding & Jeff Amico (Gensyn) 的建议与反馈 在 AI 的全价值链中，模型训练是资源消耗最大、技术门槛最高的环节，直接决定了模型的能力上限与实际应用效果。相比推理阶段的轻量级调用，训练过程需要持续的大规模算力投入、复杂的数据处理流程和高强度的优化算法支持，是 AI 系统构建的真正“重工业”。 从架构范式来看，训练方式可划分为四类：集中化训练、分布式训练、联邦学习以及本文重点讨论的去中心化训练。集中化训练是最常见的传统方式，由单一机构在本地高性能集群内完成全部训练流程，从硬件（如 NVIDIA GPU）、底层软件（CUDA、cuDNN）、集群调度系统（如 Kubernetes），到训练框架（如基于 NCCL 后端的 PyTorch）所有组件都由统一的控制系统协调运行。这种深度协同的体系结...