¿Todo el mundo dice que la estrategia Rollup-Centric de Ethereum parece haber fracasado? Y que odian profundamente este juego de muñecas L1-L2-L3, pero lo interesante es que, en el último año, el desarrollo en el campo de la IA también ha pasado por una rápida evolución L1—L2—L3. Comparando, ¿cuál es realmente el problema?
La lógica jerárquica de la IA es que cada nivel resuelve problemas centrales que no pueden ser solucionados por el nivel superior.
Por ejemplo, los LLMs de L1 resolvieron las capacidades básicas de comprensión y generación del lenguaje, pero el razonamiento lógico y el cálculo matemático son realmente puntos débiles; así que en L2, los modelos de razonamiento se especializan en abordar esta debilidad, DeepSeek R1 puede resolver problemas matemáticos complejos y depurar código, llenando directamente el vacío cognitivo de los LLMs; después de completar estos preparativos, el Agente de IA de L3 integra naturalmente las capacidades de las dos primeras capas, permitiendo que la IA pase de responder de manera pasiva a ejecutar de manera activa, pudiendo planificar tareas, invocar herramientas y manejar flujos de trabajo complejos.
Mira, esta jerarquía es "progreso de capacidades": L1 establece la base, L2 complementa las deficiencias, L3 hace la integración. Cada capa produce un salto cualitativo sobre la base de la capa anterior, y los usuarios pueden sentir claramente que la IA se vuelve más inteligente y útil.
La lógica de capas de Crypto es que cada capa está parcheando problemas de la capa anterior, pero desafortunadamente ha traído un problema completamente nuevo y más grande.
Por ejemplo, si el rendimiento de la cadena pública L1 no es suficiente, es natural pensar en utilizar soluciones de escalado layer2, pero después de una ola de competencia en la infraestructura layer2, parece que el Gas ha bajado, el TPS ha aumentado, pero la liquidez se ha dispersado, y las aplicaciones en el ecosistema siguen siendo escasas, lo que hace que un exceso de infraestructura layer2 se convierta en un gran problema. Así que se comenzó a desarrollar cadenas de aplicaciones verticales layer3, pero estas cadenas de aplicaciones operan de manera independiente, sin poder disfrutar del efecto de cooperación ecológica de la cadena de infraestructura general, lo que resulta en una experiencia de usuario aún más fragmentada.
De esta manera, esta estratificación se convierte en una "transferencia de problemas": L1 tiene cuellos de botella, L2 aplica parches, L3 es caótica y dispersa. Cada capa simplemente transfiere el problema de un lugar a otro, como si todas las soluciones se desarrollaran únicamente para la cuestión de "emitir monedas".
Hablando de esto, todos deberían entender cuál es la clave de esta paradoja: la jerarquía de la IA está impulsada por la competencia tecnológica, OpenAI, Anthropic y DeepSeek están luchando por mejorar la capacidad de los modelos; la jerarquía de Crypto está secuestrada por el Tokenomic, cada KPI clave de L2 es el TVL y el precio del Token.
Entonces, ¿es en esencia uno que está resolviendo problemas técnicos y otro que está empaquetando productos financieros? No hay una respuesta definitiva sobre quién tiene razón o no, depende de la perspectiva de cada uno.
Por supuesto, esta analogía abstracta no es tan absoluta, solo creo que es muy interesante comparar las trayectorias de desarrollo de ambos, un masaje mental para el fin de semana.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Salto de capacidad vs Transferencia de problemas: La "paradoja de capas" de AI y Crypto
Autor: Haotian
¿Todo el mundo dice que la estrategia Rollup-Centric de Ethereum parece haber fracasado? Y que odian profundamente este juego de muñecas L1-L2-L3, pero lo interesante es que, en el último año, el desarrollo en el campo de la IA también ha pasado por una rápida evolución L1—L2—L3. Comparando, ¿cuál es realmente el problema?
Por ejemplo, los LLMs de L1 resolvieron las capacidades básicas de comprensión y generación del lenguaje, pero el razonamiento lógico y el cálculo matemático son realmente puntos débiles; así que en L2, los modelos de razonamiento se especializan en abordar esta debilidad, DeepSeek R1 puede resolver problemas matemáticos complejos y depurar código, llenando directamente el vacío cognitivo de los LLMs; después de completar estos preparativos, el Agente de IA de L3 integra naturalmente las capacidades de las dos primeras capas, permitiendo que la IA pase de responder de manera pasiva a ejecutar de manera activa, pudiendo planificar tareas, invocar herramientas y manejar flujos de trabajo complejos.
Mira, esta jerarquía es "progreso de capacidades": L1 establece la base, L2 complementa las deficiencias, L3 hace la integración. Cada capa produce un salto cualitativo sobre la base de la capa anterior, y los usuarios pueden sentir claramente que la IA se vuelve más inteligente y útil.
Por ejemplo, si el rendimiento de la cadena pública L1 no es suficiente, es natural pensar en utilizar soluciones de escalado layer2, pero después de una ola de competencia en la infraestructura layer2, parece que el Gas ha bajado, el TPS ha aumentado, pero la liquidez se ha dispersado, y las aplicaciones en el ecosistema siguen siendo escasas, lo que hace que un exceso de infraestructura layer2 se convierta en un gran problema. Así que se comenzó a desarrollar cadenas de aplicaciones verticales layer3, pero estas cadenas de aplicaciones operan de manera independiente, sin poder disfrutar del efecto de cooperación ecológica de la cadena de infraestructura general, lo que resulta en una experiencia de usuario aún más fragmentada.
De esta manera, esta estratificación se convierte en una "transferencia de problemas": L1 tiene cuellos de botella, L2 aplica parches, L3 es caótica y dispersa. Cada capa simplemente transfiere el problema de un lugar a otro, como si todas las soluciones se desarrollaran únicamente para la cuestión de "emitir monedas".
Hablando de esto, todos deberían entender cuál es la clave de esta paradoja: la jerarquía de la IA está impulsada por la competencia tecnológica, OpenAI, Anthropic y DeepSeek están luchando por mejorar la capacidad de los modelos; la jerarquía de Crypto está secuestrada por el Tokenomic, cada KPI clave de L2 es el TVL y el precio del Token.
Entonces, ¿es en esencia uno que está resolviendo problemas técnicos y otro que está empaquetando productos financieros? No hay una respuesta definitiva sobre quién tiene razón o no, depende de la perspectiva de cada uno.
Por supuesto, esta analogía abstracta no es tan absoluta, solo creo que es muy interesante comparar las trayectorias de desarrollo de ambos, un masaje mental para el fin de semana.