AI 巨浪下，Crypto何时迎来奇点时刻？

PANews avatar
PANews
@PANewsNov 26, 2025

本场Spaces围绕“AI巨浪下，Crypto何时迎来奇点时刻”展开，嘉宾来自Gradient（Eric）、Voyager（沃勒斯/Wallace）、Theoric/Syrius（陈佩）与Santiment（Anita）。讨论首先聚焦2025年AI+Crypto的实际进展：Crypto作为AI的协调层（数据/算力）、Agent支付层、以及AI改善链上UX的潜力；同时直面数据封闭、信任与安全等挑战。随后深入到项目实践：Gradient以Parallax实现分布式推理并提出去中心化强化学习路径；Voyager以GeoFi重构AI时代的营销支付；Santiment以OML用“指纹+链上许可+分润”确权开源模型并倡导Loyal AI；Syrius以蜂群多Agent实现DeFi资管的风险分散与专精分工。后半场探讨DeFi AI的TVL瓶颈、Crypto AI与Web2项目寿命差异的成因与破局（真实营收与Web2合作），以及“奇点”更可能通过长期打磨与广泛采用渐进到来。嘉宾普遍看好中长期前景，并提出可执行的工程与商业路径。

在 AI 巨浪下，Crypto 何时迎来奇点？PA News Twitter Space 全纪要

参会嘉宾与身份

  • J（PA News 主持人）
  • Eric（Gradient 联合创始人，前红杉投资人）
  • Wallace（Voyager/沃宇石 合伙人）
  • 陈佩（Theoric/Syrius 团队，AI+DeFi 方向）
  • Anita（Santiment 亚太负责人）

总览与核心结论

  • AI 与 Crypto 的结合正在从概念叙事走向工程与应用层的深水区：数据/算力协作、Agent 支付与工具层、链上 UX 由 AI 提升，以及开源模型产权与分润机制等方向出现了可验证的技术与产品路径。
  • 短期看，AI 模型能力与工程化成熟度仍是瓶颈，DeFi AI 在资金安全、可验证性与用户信任方面挑战显著，TVL 规模仍小；长期看，多 Agent 专业化分工与开源模型生态的产权化/商业化，将推动真实 PMF 的出现。
  • 不存在明确的“奇点时刻”，更可能是“长期打磨后水到渠成”：当某些技术/产品在无感中渗透到大规模用户与 B 端合作，行业回望时才确认临界点已过。

2025 年 AI+Crypto 的实际进展与范式变化（相对早期概念炒作的区别）

  • Eric（Gradient）
    • Crypto-AI 需随 AI 迭代同步演化，当前有效结合的三大场景：
      1. 以区块链为协作层（coordination layer）整合分散的资源（数据/算力）以帮助模型训练与 Agent 运行；不同资源类型的去中心化难度与可信度问题需要分赛道解法。
      2. 以链为 Agent 的支付与结算层，支持低摩擦、多主体自动化交易交互（近期 Agent 支付叙事升温）。
      3. AI Agent 改善链上 UX（账户、交易、跨协议操作的可用性），随模型工具调用能力增强而逐步落地。
  • Wallace（Voyager）
    • AI×Crypto 可分数据、硬件、算法/应用三大域，2025 年三域均有实质进展。
    • 除通用 Agent（如 Santiment 等）外，涌现出“AI-assisted Trading”等加密原生垂类，预计 2026 年会出现更多专用于 Crypto 的 AI 赛道。
  • 陈佩（Theoric/Syrius）
    • DeFi 方向的实操性提升：
      • 用 AI 做跨协议资产管理与风险监控（收益率差异、清算风险、抵押率变动），通过金库/子金库结构实现多平台同时投资与自动化风险管理。
      • 接入专业 MEV 优化策略（如与外部研究团队的 MEV Max 资金库集成），把成熟策略纳入 AI 管理组合的一部分，争取更优的风险收益。
  • Anita（Santiment）
    • 谨慎视角：AI+Crypto 整体仍处早期，项目真实落地与商业可持续性不均衡；部分团队进入赛道的动机仍偏融资与现金流便利。
    • 产业层面（TPU/GPU 与生产力跃迁）确为利好，但链上应用仍需在 ZK、TEE、可验证推理与安全模型等方向补齐，交易工具需解决资金安全、Agent 信任、策略动态性与算力成本等现实问题。

定向：Gradient 的 Parallax 与去中心化强化学习（RL）

  • 问题背景：大型模型（如 235B）显存与高速互联需求导致算力集中于数据中心，形成 compute centralization 与基金/厂商垄断。
  • 关键思路：
    • 分布式强化学习（RL）可在开放网络中并行执行“环境-对弈-打分”的训练环节，天然可拆分、并行、跨小型 GPU 节点，整体效率不必显著劣于中心化（相较预训练 pretrain 的高吞吐数据交换难题）。
    • Parallax（推理框架）将模型按层拆解成更小单元，部署到个人/小型 GPU 上：
      • 使用户以“主权 AI 集群”自托管开源模型（如在多台本地设备上运行 DeepSeek R1），降低对闭源 API 的高价依赖。
      • 多用户 GPU 协同托管同一开源模型，在高并发下整体吞吐可逼近中心化集群。
  • 结论：以 RL 为突破口的去中心化训练 + 以分层拆解为核心的去中心化推理，构成“全球机器学习系统”可行的技术路径，打破算力与服务的集中化垄断。

定向：Voyager 的 GEO/GeoFi 与营销支付层革新

  • 概念界定：GEO（Generative Engine Optimization）是“AI 时代的 SEO”，让 LLM/聊天机器人理解品牌与内容；GeoFi 是 GEO 领域的支付层。
  • 行业趋势：营销碎片化加剧（KOL/社区生态兴起），传统代理机构的合同式付费模式走向瓦解，微支付（micro-payments）铺设新范式。
  • 目标与作用：通过 GeoFi 将品牌、内容平台与 LLM 的数据供需关系重塑，用链上微支付与激励把创作者、平台与模型的价值闭环，解决“模型使用真实原创数据、创作者获得应得收益”的根本问题。

定向：Santiment 的 OML 框架（Open Monetizable Loyal Layer）

  • 要点：让开源模型从“公共无人区”变为“可验证、可授权、可分润”的数字资产。
  • 两层结构：
    1. 指纹验证（Fingerprinting）：在模型权重中嵌入隐形 ID，不影响性能、难以通过细调/蒸馏移除，只有原作者持有验证 Key，可产出唯一证明，确立模型所有权（类似 DID 概念但嵌入参数级别）。
    2. 链上授权与分润：以智能合约记录授权范围（商用/非商用等）、有效期、使用者身份，自动结算与分账，透明不可篡改，形成收入模式与产权结构（所有人/授权者/使用者）。
  • Loyal AI 理念：模型“忠诚于创造者而非平台”，即便被包装、移植或改装，血统指回原创者，开源与商业化不再冲突。
  • 角色定位：区块链相当于开源模型的产权与税收/法律保障系统，OML 让开源模型具备完整经济循环。

定向：Syrius 的 Agent Swarm（蜂群）资管模式

  • 选择蜂群而非单体 Agent 的原因：
    • 风险分散与收益优化：由分配型 Agent 将资产分散至多个子金库，由不同 AI Agent 管理低/中/高不同风险策略，利用低相关性组合提升整体 Sharpe Ratio。
    • 专业化分工与深度：如
      • Hedge LP Agent 专注复杂的 DEX 流动性对冲策略，跨 L1/L2、跨资金池横向扩展。
      • Allocate Agent 专注评估各子金库的风险/回报/风格，进行组合层的研究与再平衡（使用开源模型做回测与数据分析）。
    • 与外部策略的组合：将成熟的 MEV 优化金库纳入（如外部研究团队的 MEV Max）构成多策略架构。
  • 架构难点：
    • 协调一致性：在去中心化、许可开放的环境内实现 Agent 间有效沟通与任务协同；需建立信誉/惩戒体系（slashing/reputation）。
    • 风险隔离与 Guardrails：当某子金库出现较大损失，需及时抽回资产、隔离策略，并将资金快速重分配给表现更优的 Agent。
    • 透明性与激励：实时的绩效评估、奖励与惩罚机制上链透明，规模扩大至上百个 Agent 与引入第三方 Agent 后的治理与运营复杂度显著上升。

DeFi AI 赛道的现状与挑战（TVL 仍小）

  • Eric：
    • Agent 替代人类高频、跨协议、复杂操作是必然趋势；随着模型能力（SFT/RL 后训练）增强，多 Agent 协作的专业化系统会更高效。
    • 长期看好，短期关键在模型与 Agent 工程化的持续提升。
  • Anita：
    • 关键挑战：
      • 收益波动与策略稳健性不足，模型更新成本高；
      • 离线推理 + 链上执行之间缺原生紧耦合接口，调仓与策略执行存在延迟；
      • 亟需可验证推理（zkML/VAI 等）、更高维链上上下文对齐、跨协议执行标准化；
      • 安全与信任：链上攻击频发、Agent 可能依赖中心化基础设施，资金托管与策略执行的可信性仍待证明。
  • 陈佩：
    • 由于基础设施与信任问题，DeFi AI 的 TVL 增速短期难与传统 DeFi 抗衡。
    • 需以稳定的中长期绩效建立信任，同时优化 UI/UX 降低使用门槛，逐步扩大用户与资金基础。

为何许多 Crypto AI 项目难以持续？与 Web2 AI 的对比

  • Eric：
    • 宏观：资本现阶段更偏向 AI 赛道，流入 Crypto 的资金相对减少，体感偏冷属周期常态；市场周期会回归。
    • 微观：Crypto AI 项目应主动走向 Web2 获取真实收入与客户（Logo/调用量/合作），Crypto 是技术底座，用户不必感知链的存在；Gradient 已与多家 AI 公司建立合作（Minimax、Kimi、千问等）。
  • Anita：
    • 周期筛选让行业更专业；后续更多是“AI 驱动，Crypto 为工具”（代币化与商业化工具）。
    • 传统 AI 融资体量大、周期长；Crypto 通过链上便捷性可加速试错与变现，但最终仍需靠产品的真实落地与用户场景。
  • 陈佩：
    • 激励结构错配：过度依赖代币价格而非产品收入；热度消退与代币下跌导致项目萧条。
    • 技术/性能差距：短期内去中心化存储/计算很难在性能/成本上超过中心化大厂，造成失望与资本撤退。
    • 市场属性：高流动性与投机性促使资金追求短期回报，而 AI 需要长期投入与沉淀。
  • Wallace（补充）：
    • 宏观：Web2 AI 盘子更大，成功样本更可见；Crypto 圈更小，失败率的可见度更高，形成“失败更多”的感知偏差。
    • 微观：代币价格影响用户是否愿意使用产品；Tokenomics 与资金管理能力影响产品 adoption，双方均需改进。

AI 能否让 Web3 更强？临界点/奇点与期待的变化

  • Eric：
    • AI 与 Crypto 双向赋能：AI 提升交互与信息效率，Crypto 协作整合数据/算力等资源服务 AI。
    • 不存在单一奇点，更可能是日拱一卒的演进至 PMF 自证时刻。
  • Anita：
    • 可能的临界体验：当 Agent 能为个人资产做“自动化且高匹配度”的策略执行（从高风险套利到稳健配置），大众将更全面拥抱 AI+Web3。
    • 同时需面对全球金融博弈的再平衡问题（“人人都赚钱时谁在亏？”），市场与监管框架需给出答案。
  • 陈佩：
    • 期待三类具体融合：
      1. 智能合约：AI 审计与优化，降低代码风险与 Gas。
      2. 交互体验：以自然语言驱动复杂链上操作，实现自动化执行与新手友好。
      3. 资产管理：人设定高层策略与边界，AI 执行与创造价值，形成“人类策略+AI 劳动”的新分工。
    • AI 是 Crypto 走向主流的智能加速器，Crypto 是结算与信任底座，两者融合将把 Web3 从“高风险手工系统”转为“动态智能自动化系统”。
  • Wallace：
    • 值得期待的方向：数据持久化（data persistence），将 Agent 记忆 Tokenize，跨 LLM/聊天系统携带可迭代的个性化记忆，实现深度个性化体验（类似 Metaverse 中跨世界携带 NFT）。
    • AI 显著提升内部开发效率，压缩人力需求、加速迭代，进而提升行业整体创新速度；看好 AI 对 Crypto 的长期正向影响。

亮点与关键纪要

  • 去中心化强化学习（RL）与分层推理（Parallax）为打破算力集中化提供了务实路径，个人主权 AI 集群成为可能（Eric）。
  • GEO/GeoFi 将“AI 时代的品牌可见性”与“创作者收益的微支付化”结合，重塑代理商支付模式与数据供给关系（Wallace）。
  • OML 框架用“指纹验证 + 链上授权与分润 + Loyal AI”使开源模型具备产权与现金流，解决“开源被闭源拿走”的痛点（Anita）。
  • Agent Swarm 资管以“低相关性多策略 + 专业化分工 + 风险隔离与激励治理”提升组合效率与稳健性（陈佩）。
  • DeFi AI 的落地要素：可验证推理与安全可信执行、跨协议标准化、用户体验简化与长期绩效证明；TVL 扩张需时间与口碑。
  • 项目可持续的关键：弱化“代币即产品”的短视，增强 B 端与 Web2 客户收入、合作与真实使用量，构建正向现金流与工程壁垒。

风险与开放问题

  • 技术：去中心化训练的吞吐与一致性、推理的可验证性与性能、跨链/跨协议执行的标准与稳定性。
  • 安全与信任：链上攻击频发、Agent 的托管/权限/资金防护、中心化依赖的去风险化。
  • 经济与治理：创作者分润、授权追踪与模型产权纠纷；Agent Swarm 的信誉、惩戒、透明度与规模治理。
  • 市场结构：当 AI 大规模参与金融博弈，“胜负平衡”与监管框架如何演化？开源与闭源的生态相处与竞争如何演绎？

结语

  • 与会嘉宾整体认为：AI 与 Crypto 的结合非一蹴而就，而是工程与生态的长期耕耘。无论是算力与模型的去中心化、Agent 的支付与协作、开源模型的产权化与分润、还是 DeFi 资管的智能化，都在形成更清晰的路径。奇点更像是“回望时刻”：当这些路径在用户与 B 端合作中无感普及，行业自然跨过临界点。