AI與加密貨幣行業的分層發展:一個有趣的對比

近期,人們常常討論以太坊的Rollup-Centric戰略似乎失敗了,並對L1-L2-L3的嵌套結構頗有微詞。有趣的是,過去一年AI領域的發展也經歷了類似的L1-L2-L3快速演變。對比兩個行業的發展路徑,我們可以發現一些有趣的差異。

AI行業的分層邏輯是每一層都在解決上一層無法解決的核心問題。以大語言模型(LLMs)爲基礎的L1層解決了語言理解和生成的基本能力,但在邏輯推理和數學計算方面存在短板。L2層的推理模型專門攻克了這些弱點,如DeepSeek R1能夠解決復雜數學問題和進行代碼調試,彌補了LLMs的認知盲區。在此基礎上,L3層的AI Agent整合了前兩層的能力,使AI從被動回答轉變爲主動執行,能夠自主規劃任務、調用工具和處理復雜工作流程。

這種分層體現了"能力遞進"的特徵:L1奠定基礎,L2彌補短板,L3進行整合。每一層都在前一層的基礎上實現質的飛躍,用戶能夠明顯感受到AI變得更加智能和實用。

相比之下,加密貨幣行業的分層邏輯則是每一層都在爲前一層的問題尋找解決方案,但卻無意中帶來了新的、更大的問題。例如,爲了解決L1公鏈的性能瓶頸,業界提出了L2擴容方案。然而,在經歷了一波L2基礎設施熱潮後,雖然Gas費用降低、TPS總體提升,但流動性卻變得分散,生態應用仍然匱乏,過多的L2基礎設施反而成爲了新的問題。爲了應對這一困境,行業開始發展L3垂直應用鏈,但這些應用鏈往往各自爲政,無法享受通用鏈的生態協同效應,反而使用戶體驗變得更加碎片化。

這種分層模式更像是"問題轉移":L1存在瓶頸,L2提供解決方案,L3則陷入混亂和分散。每一層似乎只是將問題從一個地方轉移到另一個地方,給人一種所有解決方案都圍繞"發幣"這一目的展開的印象。

造成這種差異的核心原因可能在於:AI行業的分層是由技術競爭驅動的,各大公司都在努力提升模型能力;而加密貨幣行業的分層似乎更多地被Tokenomic所束縛,每個L2項目的核心KPI往往集中在TVL和代幣價格上。

簡而言之,一個行業在解決技術難題,另一個行業則更像在包裝金融產品。對於這種差異的評判可能沒有標準答案,見仁見智。

當然,這種抽象的比較並非絕對,只是從兩個行業的發展脈絡中得出的一些有趣觀察。這種對比爲我們提供了一個新的思考角度,有助於我們更好地理解這兩個快速發展的領域。