يقول الجميع إن استراتيجية Ethereum Rollup-Centric تبدو وكأنها فشلت؟ ويشعرون بالاستياء من هذه اللعبة المتداخلة L1-L2-L3، لكن الشيء المثير للاهتمام هو أن تطور مجال الذكاء الاصطناعي خلال العام الماضي مر أيضًا بتطور سريع من L1 إلى L2 ثم إلى L3. إذا قارنّا بينهما، أين تكمن المشكلة بالضبط؟
1）المنطق الطبقي للذكاء الاصطناعي هو أن كل طبقة تحل مشكلة جوهرية لا تستطيع الطبقة العليا حلها.
على سبيل المثال ، تحل LLMs في L1 المهارات الأساسية لفهم اللغة والتوليد ، لكن التفكير المنطقي والحسابات الرياضية هي بالفعل عيوب صعبة. نتيجة لذلك ، عندما يتعلق الأمر ب L2 ، فإن نموذج الاستدلال متخصص في التغلب على هذا القصور ، ويمكن ل DeepSeek R1 القيام بمشاكل رياضية معقدة وتصحيح أخطاء الكود ، والتي تملأ مباشرة النقطة العمياء المعرفية لLLMs. بعد الانتهاء من هذه الأعمال الأساسية ، يدمج عامل الذكاء الاصطناعي من L3 بشكل طبيعي أول طبقتين من القدرات ، مما يسمح ل الذكاء الاصطناعي بالتغيير من الاستجابة السلبية إلى التنفيذ النشط ، وتخطيط المهام ، واستدعاء الأدوات ، والتعامل مع مهام العمل المعقدة من تلقاء نفسه.
ترى، هذا النوع من التدرج هو "تقدم القدرات": L1 يضع الأساس، L2 يعالج الفجوات، L3 يدمج. كل طبقة تنتج قفزة نوعية بناءً على الطبقة السابقة، ويمكن للمستخدم أن يشعر بوضوح أن الذكاء الاصطناعي أصبح أكثر ذكاءً وأكثر فائدة.
منطق الطبقات في التشفير هو أن كل طبقة تقوم بترقيع المشكلة التي تواجهها الطبقة السابقة، لكنها للأسف تجلب مشكلة جديدة أكبر.
على سبيل المثال، إذا كانت أداء سلسلة الكتل الرئيسية L1 غير كافٍ، فمن الطبيعي التفكير في استخدام حلول التوسع من layer2، ولكن بعد جولة من المنافسة في بنية layer2، يبدو أن رسوم الغاز قد انخفضت وزادت TPS، لكن السيولة تشتت، ولا تزال التطبيقات البيئية تعاني من النقص، مما جعل الكثير من بنية layer2 مشكلة كبيرة. وبالتالي بدأ العمل على سلاسل التطبيقات العمودية layer3، لكن سلاسل التطبيقات تتصرف كل واحدة بشكل مستقل، ولا يمكنها الاستفادة من تأثير التعاون البيئي لسلسلة البنية العامة، مما أدى إلى تجزئة تجربة المستخدم بشكل أكبر.
وبذلك، أصبحت هذه الطبقات بمثابة "نقل المشكلة": L1 بها اختناقات، وL2 تصلحها، وL3 فوضوية وموزعة. كل طبقة ليست سوى نقل المشكلة من مكان إلى آخر، كما لو أن جميع الحلول قد تم تطويرها فقط من أجل قضية "إصدار العملة".
عندما نتحدث عن هذا، يجب أن يفهم الجميع أن جوهر هذا التناقض هو: تقسيم الذكاء الاصطناعي مدفوع بتنافس التكنولوجيا، حيث تتنافس OpenAI وAnthropic وDeepSeek بشدة على قدرات النماذج؛ بينما تقسيم العملات المشفرة مختطف بواسطة Tokenomic، حيث أن KPI الأساسي لكل L2 هو TVL وسعر التوكن.
إذن، في الجوهر، أحدهم يحل المشكلات التقنية، والآخر يعبئ المنتجات المالية؟ من هو الصواب ومن هو الخطأ قد لا يكون له إجابة، فكل شخص له رأيه.
بالطبع، هذه المقارنة المجردة ليست مطلقة بهذا الشكل، فقط أجد أن مقارنة تطور كلا الجانبين مثيرة للاهتمام جداً، دعونا نقوم بتمرين ذهني في عطلة نهاية الأسبوع.
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
الانتقال بالقدرات مقابل تحويل المشاكل: "مفارقة الطبقات" في الذكاء الاصطناعي والعملات المشفرة
المؤلف: هاوتيان
يقول الجميع إن استراتيجية Ethereum Rollup-Centric تبدو وكأنها فشلت؟ ويشعرون بالاستياء من هذه اللعبة المتداخلة L1-L2-L3، لكن الشيء المثير للاهتمام هو أن تطور مجال الذكاء الاصطناعي خلال العام الماضي مر أيضًا بتطور سريع من L1 إلى L2 ثم إلى L3. إذا قارنّا بينهما، أين تكمن المشكلة بالضبط؟
1）المنطق الطبقي للذكاء الاصطناعي هو أن كل طبقة تحل مشكلة جوهرية لا تستطيع الطبقة العليا حلها.
على سبيل المثال ، تحل LLMs في L1 المهارات الأساسية لفهم اللغة والتوليد ، لكن التفكير المنطقي والحسابات الرياضية هي بالفعل عيوب صعبة. نتيجة لذلك ، عندما يتعلق الأمر ب L2 ، فإن نموذج الاستدلال متخصص في التغلب على هذا القصور ، ويمكن ل DeepSeek R1 القيام بمشاكل رياضية معقدة وتصحيح أخطاء الكود ، والتي تملأ مباشرة النقطة العمياء المعرفية لLLMs. بعد الانتهاء من هذه الأعمال الأساسية ، يدمج عامل الذكاء الاصطناعي من L3 بشكل طبيعي أول طبقتين من القدرات ، مما يسمح ل الذكاء الاصطناعي بالتغيير من الاستجابة السلبية إلى التنفيذ النشط ، وتخطيط المهام ، واستدعاء الأدوات ، والتعامل مع مهام العمل المعقدة من تلقاء نفسه.
ترى، هذا النوع من التدرج هو "تقدم القدرات": L1 يضع الأساس، L2 يعالج الفجوات، L3 يدمج. كل طبقة تنتج قفزة نوعية بناءً على الطبقة السابقة، ويمكن للمستخدم أن يشعر بوضوح أن الذكاء الاصطناعي أصبح أكثر ذكاءً وأكثر فائدة.
منطق الطبقات في التشفير هو أن كل طبقة تقوم بترقيع المشكلة التي تواجهها الطبقة السابقة، لكنها للأسف تجلب مشكلة جديدة أكبر.
على سبيل المثال، إذا كانت أداء سلسلة الكتل الرئيسية L1 غير كافٍ، فمن الطبيعي التفكير في استخدام حلول التوسع من layer2، ولكن بعد جولة من المنافسة في بنية layer2، يبدو أن رسوم الغاز قد انخفضت وزادت TPS، لكن السيولة تشتت، ولا تزال التطبيقات البيئية تعاني من النقص، مما جعل الكثير من بنية layer2 مشكلة كبيرة. وبالتالي بدأ العمل على سلاسل التطبيقات العمودية layer3، لكن سلاسل التطبيقات تتصرف كل واحدة بشكل مستقل، ولا يمكنها الاستفادة من تأثير التعاون البيئي لسلسلة البنية العامة، مما أدى إلى تجزئة تجربة المستخدم بشكل أكبر.
وبذلك، أصبحت هذه الطبقات بمثابة "نقل المشكلة": L1 بها اختناقات، وL2 تصلحها، وL3 فوضوية وموزعة. كل طبقة ليست سوى نقل المشكلة من مكان إلى آخر، كما لو أن جميع الحلول قد تم تطويرها فقط من أجل قضية "إصدار العملة".
عندما نتحدث عن هذا، يجب أن يفهم الجميع أن جوهر هذا التناقض هو: تقسيم الذكاء الاصطناعي مدفوع بتنافس التكنولوجيا، حيث تتنافس OpenAI وAnthropic وDeepSeek بشدة على قدرات النماذج؛ بينما تقسيم العملات المشفرة مختطف بواسطة Tokenomic، حيث أن KPI الأساسي لكل L2 هو TVL وسعر التوكن.
إذن، في الجوهر، أحدهم يحل المشكلات التقنية، والآخر يعبئ المنتجات المالية؟ من هو الصواب ومن هو الخطأ قد لا يكون له إجابة، فكل شخص له رأيه.
بالطبع، هذه المقارنة المجردة ليست مطلقة بهذا الشكل، فقط أجد أن مقارنة تطور كلا الجانبين مثيرة للاهتمام جداً، دعونا نقوم بتمرين ذهني في عطلة نهاية الأسبوع.