0xjacobzhao

Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures. Proses penelitian dan penulisan terinspirasi oleh karya Sam Lehman (Pantera Capital) tentang pembelajaran penguatan. Terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga mereka pada artikel ini. Artikel ini berusaha untuk objektivitas dan akurasi, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin mengandung bias. Kami menghargai pemahaman para pembaca.

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

Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penelitian dan penulisan terinspirasi oleh laporan penelitian reinforcement learning Sam Lehman (Pantera Capital), terima kasih kepada Ben Fielding (Gensyn.ai), Gao Yuan (Gradient), Samuel Dare & Erfan Miahi (Covenant AI), Shashank Yadav (Fraction AI), Chao Wang atas saran berharga yang diberikan untuk artikel ini. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari adanya bias, mohon pemahaman dari pembaca.
Artificial intelligence is moving from being primarily focused on 'pattern fitting' statistical learning to a capability system centered on 'structured reasoning', with the importance of post-training rising rapidly. The emergence of DeepSeek-R1 marks a paradigm shift for reinforcement learning in the era of large models, forming an industry consensus: pre-training builds the general capability foundation of models, and reinforcement learning is no longer just a value alignment tool, but has been proven to systematically enhance the quality of reasoning chains and complex decision-making capabilities, gradually evolving into a technological path for continuously improving intelligence levels.

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

Laporan riset independen ini didukung oleh IOSG Ventures. Proses riset dan penulisan terinspirasi oleh karya terkait dari Raghav Agarwal (LongHash) dan Jay Yu (Pantera). Terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy @PodOur2Cents atas saran berharga mereka dalam artikel ini. Umpan balik juga diminta dari tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON selama proses penulisan. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, tetapi beberapa sudut pandang melibatkan penilaian subjektif dan mungkin tidak terhindarkan mengandung penyimpangan. Pemahaman pembaca sangat dihargai.

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

Laporan penelitian independen ini didukung oleh IOSG Ventures, proses penulisan penelitian terinspirasi oleh laporan terkait dari Raghav Agarwal@LongHash dan Jay Yu@Pantera, terima kasih kepada Lex Sokolin @ Generative Ventures, Jordan@AIsa, Ivy@(支无不言) blog atas saran berharga yang diberikan untuk artikel ini. Selama proses penulisan, juga telah berkonsultasi dengan tim proyek seperti Nevermined, Skyfire, Virtuals Protocol, AIsa, Heurist, AEON untuk umpan balik. Artikel ini berusaha untuk konten yang objektif dan akurat, beberapa pandangan melibatkan penilaian subjektif, tidak dapat dihindari akan ada penyimpangan, mohon pengertian pembaca.

Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Laporan penelitian independen ini didukung oleh IOSG Ventures. Penulis mengucapkan terima kasih kepada Hans (RoboCup Asia-Pasifik), Nichanan Kesonpat(1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) atas komentar berharga mereka, serta kontributor dari OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network dan CodecFlow atas umpan balik konstruktif mereka. Meskipun setiap upaya telah dilakukan untuk memastikan objektivitas dan akurasi, beberapa wawasan tidak dapat dihindari mencerminkan interpretasi subyektif, dan pembaca didorong untuk terlibat dengan konten secara kritis.

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

Laporan penelitian independen ini didukung oleh IOSG Ventures, terima kasih kepada Hans (RoboCup Asia-Pasifik), Nichanan Kesonpat (1kx), Robert Koschig (1kx), Amanda Young (Collab+Currency), Jonathan Victor (Ansa Research), Lex Sokolin (Generative Ventures), Jay Yu (Pantera Capital), Jeffrey Hu (Hashkey Capital) atas saran berharga yang diberikan untuk artikel ini. Selama penulisan, juga berkonsultasi dengan tim proyek seperti OpenMind, BitRobot, peaq, Auki Labs, XMAQUINA, GAIB, Vader, Gradient, Tashi Network, dan CodecFlow. Artikel ini berusaha untuk menyajikan konten yang objektif dan akurat, beberapa pendapat melibatkan penilaian subjektif, dan tidak dapat dihindari adanya penyimpangan, mohon pengertian dari pembaca.

Paradigma Komputasi Terverifikasi—“komputasi off-chain + verifikasi on-chain”—telah menjadi model komputasi universal untuk sistem blockchain. Ini memungkinkan aplikasi blockchain untuk mencapai kebebasan komputasi yang hampir tak terbatas sambil mempertahankan desentralisasi dan kepercayaan sebagai jaminan keamanan inti. Bukti nol-pengetahuan (ZKP) membentuk tulang punggung paradigma ini, dengan aplikasi terutama dalam tiga arah dasar: skalabilitas, privasi, dan interoperabilitas & integritas data. Skalabilitas adalah aplikasi ZK pertama yang mencapai produksi, memindahkan eksekusi off-chain dan memverifikasi bukti ringkas di on-chain untuk throughput tinggi dan skala tanpa biaya yang rendah.

“Perhitungan di luar rantai + Verifikasi di dalam rantai” adalah paradigma komputasi yang dapat dipercaya (Verifiable Computing), yang telah menjadi model komputasi umum untuk sistem blockchain. Ini memungkinkan aplikasi blockchain untuk mendapatkan kebebasan komputasi hampir tak terbatas (computational freedom) sambil mempertahankan desentralisasi dan keamanan minimal kepercayaan (trustlessness). Pembuktian nol pengetahuan (ZKP) adalah pilar inti dari paradigma ini, dengan aplikasi yang terutama terfokus pada tiga arah dasar: Skalabilitas (Scalability), Privasi (Privacy), serta Interoperabilitas & Integritas Data (Interoperability & Data Integrity). Di antara ketiganya, skalabilitas adalah skenario di mana teknologi ZK pertama kali diterapkan, dengan memindahkan eksekusi transaksi ke luar rantai dan menggunakan bukti singkat untuk memverifikasi hasil di dalam rantai, sehingga mencapai TPS tinggi dan biaya rendah untuk skalabilitas yang dapat dipercaya.

Penulis:0xjacobzhao | https://linktr.ee/0xjacobzhao
Bukti Tanpa Pengetahuan (ZK) — sebagai infrastruktur kriptografi dan skala generasi berikutnya — menunjukkan potensi besar di seluruh skala blockchain, komputasi privasi, zkML, dan verifikasi lintas rantai. Namun, proses pembuatan bukti sangat memerlukan komputasi intensif dan berat latensi, membentuk hambatan terbesar untuk adopsi industri. Akselerasi perangkat keras ZK telah muncul sebagai pendorong inti. Dalam lanskap ini, GPU unggul dalam fleksibilitas dan kecepatan iterasi, ASIC mengejar efisiensi tertinggi dan kinerja skala besar, sementara FPGA berfungsi sebagai penghubung fleksibel yang menggabungkan kemampuan pemrograman dengan efisiensi energi. Bersama-sama, mereka membentuk fondasi perangkat keras yang mendukung adopsi dunia nyata ZK.

Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Zero-knowledge proof (ZK) sebagai infrastruktur kriptografi dan skalabilitas generasi baru, telah menunjukkan potensi luas dalam aplikasi baru seperti skalabilitas blockchain, komputasi privasi, serta zkML dan verifikasi lintas rantai. Namun, proses pembangkitan pembuktiannya memerlukan komputasi yang sangat besar dan memiliki latensi tinggi, menjadi kendala terbesar untuk industrialisasi. Percepatan perangkat keras ZK muncul sebagai bagian inti dalam konteks ini, di jalur percepatan perangkat keras ZK, GPU dikenal karena keserbagunaannya dan kecepatan iterasinya, ASIC mengejar efisiensi energi yang ekstrem dan kinerja skala besar, sementara FPGA berfungsi sebagai bentuk perantara, menggabungkan fleksibilitas yang dapat diprogram dan efisiensi energi yang tinggi, ketiga komponen ini bersama-sama membentuk dasar perangkat keras yang mendorong penerapan zero-knowledge proof.

Ditulis oleh 0xjacobzhao | https://linktr.ee/0xjacobzhao
Saat AI menjadi gelombang teknologi dengan pertumbuhan tercepat, daya komputasi dilihat sebagai "mata uang" baru, dengan GPU berubah menjadi aset strategis. Namun, pendanaan dan likuiditas tetap terbatas, sementara keuangan kripto membutuhkan aliran kas yang didukung aset nyata. Tokenisasi RWA muncul sebagai jembatan. Infrastruktur AI, menggabungkan perangkat keras bernilai tinggi + aliran kas yang dapat diprediksi, dianggap sebagai titik masuk terbaik untuk RWA non-standar — GPU menawarkan praktik jangka pendek, sementara robotika mewakili perbatasan jangka panjang. RWAiFi GAIB (RWA + AI + DeFi) memperkenalkan jalur baru untuk finansialisasi on-chain, memberdayakan roda gila Infrastruktur AI (GPU & Robotika) × RWA × DeFi.

Penulis: 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dengan AI menjadi arus teknologi dengan pertumbuhan tercepat di dunia, daya komputasi mulai dilihat sebagai 'mata uang' baru dan perangkat keras berkinerja tinggi seperti GPU perlahan-lahan berevolusi menjadi aset strategis. Namun, selama ini, pembiayaan dan likuiditas untuk aset-aset ini terbatas. Sementara itu, keuangan kripto sangat membutuhkan akses ke aset berkualitas dengan arus kas nyata, RWA (Real-World Assets) yang di-tokenisasi menjadi jembatan kunci yang menghubungkan keuangan tradisional dan pasar kripto. Aset infrastruktur AI, berkat karakteristik 'perangkat keras bernilai tinggi + arus kas yang dapat diprediksi', secara umum dianggap sebagai titik terobosan terbaik untuk aset non-standar RWA, di mana GPU memiliki potensi paling realistis untuk diimplementasikan, sementara robot mewakili arah eksplorasi jangka panjang yang lebih jauh. Dalam konteks ini, jalur RWAiFi (RWA + AI + DeFi) yang diajukan oleh GAIB memberikan solusi baru untuk 'finansialisasi infrastruktur AI on-chain', mendorong efek flywheel dari 'infrastruktur AI (daya komputasi dan robot) x RWA x DeFi'.

Ditulis oleh 0xjacobzhao | https://linktr.ee/0xjacobzhao
Dalam laporan kami bulan Juni “Grail Suci dari Crypto AI: Eksplorasi Perbatasan Pelatihan Terdesentralisasi”, kami membahas Pembelajaran Terfederasi—sebuah paradigma “desentralisasi terkendali” yang terletak di antara pelatihan terdistribusi dan pelatihan sepenuhnya terdesentralisasi. Prinsip intinya adalah menjaga data lokal sambil mengagregasi parameter secara pusat, sebuah desain yang sangat cocok untuk industri yang sensitif terhadap privasi dan berat kepatuhan seperti kesehatan dan keuangan.

Dalam laporan riset kami di bulan Juni (Crypto AI's Holy Grail: Eksplorasi Batas Pelatihan Terdesentralisasi), kami menyebutkan Pembelajaran Terfederasi, sebuah solusi "terdesentralisasi terkendali" yang terletak di antara pelatihan terdistribusi dan terdesentralisasi. Prinsip utamanya adalah retensi data lokal dan agregasi parameter terpusat, yang memenuhi persyaratan privasi dan kepatuhan di bidang-bidang seperti kesehatan dan keuangan. Sementara itu, dalam laporan-laporan sebelumnya, kami secara konsisten berfokus pada perkembangan jaringan agen—nilainya terletak pada kemampuannya untuk menyelesaikan tugas-tugas kompleks secara kolaboratif melalui otonomi dan pembagian kerja di antara banyak agen, yang mendorong evolusi dari "model besar" menjadi "ekosistem multi-agen".

I. Pendahuluan | Lompatan Lapisan Model Crypto AI
Data, model, dan komputasi adalah tiga elemen inti dari infrastruktur AI, menyerupai bahan bakar (data), mesin (model), dan energi (komputasi) yang tidak dapat dipisahkan. Seperti halnya jalur evolusi infrastruktur industri AI tradisional, bidang Crypto AI juga mengalami tahap yang serupa. Awal tahun 2024, pasar sempat didominasi oleh proyek GPU terdesentralisasi (Akash, Render, io.net, dll), yang secara umum menekankan logika pertumbuhan yang kasar dengan 'menggabungkan komputasi'. Namun, memasuki tahun 2025, fokus industri secara bertahap bergeser ke lapisan model dan data, menandakan bahwa Crypto AI sedang bertransisi dari kompetisi sumber daya dasar ke pembangunan lapisan menengah yang lebih berkelanjutan dan bernilai aplikasi.

1. Pendahuluan | Peralihan Model-Layer dalam AI Crypto
Data, model, dan komputasi membentuk tiga pilar inti infrastruktur AI—dibandingkan dengan bahan bakar (data), mesin (model), dan energi (komputasi)—semuanya tidak tergantikan. Sama seperti evolusi infrastruktur di industri AI tradisional, sektor AI Crypto telah mengalami jalur yang serupa. Pada awal tahun 2024, pasar didominasi oleh proyek GPU terdesentralisasi (seperti Akash, Render, dan io.net), yang ditandai dengan model pertumbuhan yang berat sumber daya yang fokus pada daya komputasi mentah. Namun, pada tahun 2025, perhatian industri secara bertahap beralih ke lapisan model dan data, menandai transisi dari persaingan infrastruktur tingkat rendah ke pengembangan lapisan tengah yang lebih berkelanjutan dan berbasis aplikasi.

Oleh 0xjacobzhao | https://linktr.ee/0xjacobzhao
Tidak diragukan lagi, Pendle adalah salah satu protokol DeFi yang paling sukses di siklus crypto saat ini. Sementara banyak protokol telah terhenti karena kekeringan likuiditas dan narasi yang memudar, Pendle telah membedakan dirinya melalui mekanisme pembagian hasil dan perdagangan yang unik, menjadi “tempat penemuan harga” untuk aset yang menghasilkan hasil. Dengan mengintegrasikan secara mendalam dengan stablecoin, LST/LRT, dan aset yang menghasilkan hasil lainnya, ia telah mengamankan posisinya sebagai “infrastruktur tingkat hasil DeFi” yang mendasar.

Dalam blockchain, kriptografi adalah dasar fundamental dari keamanan dan kepercayaan. Bukti Zero-Knowledge (ZK) dapat mengompres setiap perhitungan off-chain yang kompleks menjadi bukti ringkas yang dapat diverifikasi secara efisien di on-chain—tanpa bergantung pada kepercayaan pihak ketiga—sambil juga memungkinkan penyembunyian input selektif untuk menjaga privasi. Dengan kombinasi verifikasi yang efisien, universalitas, dan privasi, ZK telah menjadi solusi kunci di berbagai kasus penggunaan skala, privasi, dan interoperabilitas. Meskipun tantangan tetap ada, seperti biaya tinggi untuk generasi bukti dan kompleksitas pengembangan sirkuit, kelayakan rekayasa ZK dan tingkat adopsi telah melampaui pendekatan lain, menjadikannya kerangka kerja yang paling banyak diadopsi untuk perhitungan yang terpercaya.

Dalam laporan riset kami sebelumnya "Evolusi Cerdas DeFi: Dari Otomatisasi ke AgentFi", kami secara sistematis memetakan dan membandingkan tiga tahap pengembangan kecerdasan DeFi: Otomatisasi, Copilot Berbasis Niat, dan AgentFi. Kami menunjukkan bahwa sebagian besar proyek DeFi saat ini masih memusatkan kemampuan inti mereka di sekitar transaksi swap "berbasis niat + interaksi atom tunggal". Karena interaksi ini tidak melibatkan strategi hasil yang berkelanjutan, tidak memerlukan manajemen status, dan tidak membutuhkan kerangka eksekusi yang kompleks, mereka lebih cocok untuk copilot berbasis niat dan tidak dapat secara ketat diklasifikasikan sebagai AgentFi.

Tulisan ini mendapatkan manfaat dari saran-saran yang sangat berharga dari Lex Sokolin (Generative Ventures), Stepan Gershuni (cyber.fund), dan Advait Jayant (Aivos Labs), bersama dengan masukan berharga dari tim di balik Giza, Theoriq, Olas, Almanak, Brahma.fi, dan HeyElsa. Meskipun setiap upaya telah dilakukan untuk memastikan objektivitas dan akurasi, perspektif tertentu mungkin mencerminkan interpretasi pribadi. Pembaca dianjurkan untuk terlibat dengan konten secara kritis.
Di antara berbagai sektor dalam lanskap kripto saat ini, pembayaran stablecoin dan aplikasi DeFi menonjol sebagai dua vertikal dengan permintaan dunia nyata yang terverifikasi dan nilai jangka panjang. Pada saat yang sama, perkembangan pesat Agen AI muncul sebagai antarmuka pengguna praktis dari industri AI—bertindak sebagai perantara kunci antara AI dan pengguna.