a16z 2024年加密趨勢展望:模組化、AI、Web3 遊戲…

撰文:a16z

編譯:1912212.eth, Foresight News

根據American Dynamism、生物、消費技術、加密、企業、金融科技、遊戲、基礎設施等領域合作夥伴的回饋,我們發布了技術建構者可能在未來一年中探索的大型創意綜合清單。以下是部分加密合夥人認為2024 年令人興奮的趨勢。

邁入去中心化的新時代

正如我們一次又一次地看到的,當一個強大的系統或平台的控制權掌握在少數人(更不用說單一領導者)手中時,侵犯用戶自由就變得太容易了。這就是為什麼去中心化很重要的原因:它是一種工具,可以透過實現可信賴的中立、可組合的網路基礎設施來使系統民主化;促進競爭和生態系統的多樣性;並為使用者提供更多選擇和更多所有權。

但在實踐中,去中心化在大規模上實現一直很困難,尤其是在與中心化系統的效率和穩定性相比,更是如此。同時,大多數Web3 治理模型都涉及DAO,這些DAO 使用基於直接民主或公司治理的簡化但繁瑣的治理模型,這些模型並不適用於去中心化治理的社會政治現實。

然而,由於過去幾年Web3 的活動實驗室,去中心化的最佳實踐已經開始出現。這些實踐包括適應具有更豐富功能的應用程式的去中心化模型;也包括DAO 採用馬基雅維利原則,設計更有效的去中心化治理,使領導階層對此負責任。隨著這些模型的發展,我們應該很快就會看到前所未有的去中心化協調、營運功能和創新水準。

—Miles Jennings,總法律顧問兼去中心化負責人(@milesjennings on Farcaster | on Twitter)

重構未來的使用者體驗

儘管加密領域的使用者體驗自2016 年以來一直備受詬病,但其基本原理實際上並沒有太大變化。它仍然過於複雜:自己保管秘鑰;將錢包與去中心化應用(dApps)連接;將簽名交易發送到越來越多的網路端點等等。這是我們不能期望用戶在使用加密應用程式的前幾分鐘內學會這件事情。

但現在,開發人員正在積極測試和部署可以在未來一年重置加密前端使用者體驗的新工具。其中一個工具包括簡化登入應用程式和網站的傳遞密碼;與需要使用者手動工作的密碼不同,傳遞密碼是自動產生的加密密碼。其他創新包括智慧帳戶,使帳戶本身可編程且因此更容易管理;嵌入式錢包,內建應用程式中,因此可以使入門變得無摩擦;多方計算,使第三方更容易在不保管用戶密鑰的情況下支援簽名;可以識別用戶需求並填補差距的高級RPC(遠端過程呼叫)端點等等。所有這些不僅有助於Web3 更廣泛地應用,還可以使用戶體驗比在Web2 中更好且更安全。

—Eddy Lazzarin,技術長(@eddy on Farcaster | @eddylazzarin on Twitter)

模組化技術堆疊的崛起

在網路世界中,一種力量總是主導其他力量:網路效應。網路效應通常是如此強大,以至於實際上只有兩種模組化方式:一種是擴展和加強網路效應的模組化;另一種是破壞和削弱網路效應的模組化。在除了極少數情況之外,只有前者有意義,特別是在涉及開源時。

單體架構具有允許在原本將是模組化邊界上進行深度整合和最佳化的優勢,從而提高效能…至少一開始是這樣。但開源、模組化技術堆疊的最大優勢在於它解鎖了無需許可的創新;允許參與者專注於特定領域;並激勵更多的競爭。在這個世界上,我們需要更多這樣的東西。

—Ali Yahya,合夥人(@alive.eth on Farcaster | @alive_eth on Twitter)

AI 與區塊鏈結合

去中心化的區塊鏈是對中心化AI 的平衡力。目前,AI 模型(例如ChatGPT)目前只能由少數科技巨頭進行培訓和操作,因為所需的計算和培訓數據對較小的玩家來說是難以承受的。但是透過加密,可以創建多邊、全球、無需許可的市場,任何人都可以為網路的某個需要的人貢獻計算或新的資料集,並獲得補償。利用這些資源的長尾將使這些市場降低AI 的成本,使其更容易取得。

但隨著AI 改變我們生產資訊的方式,改變社會、文化、政治和經濟,它也創造了豐富的AI 生成內容的世界,包括深度偽造。加密技術在這方面也可以發揮作用,以打開黑盒子;追蹤我們在線看到的事物的起源;等等。我們還需要找到分散式生成式AI 並以民主方式進行治理的方法,以便沒有任何一個參與者最終決定其他所有人;Web3 是解決這個問題的實驗室。分散的、開源的加密網路將使AI 創新民主化(而不是集中化),最終使其對消費者更加安全。

—Andy Hall,史丹佛大學教授(@ahall_research);Daren Matsuoka,資料科學家(@darenmatsuoka on Farcaster | on Twitter);阿里·亞希亞(Ali Yahya),合夥人(@alive.eth on Farcaster | @alive_eth on Twitter)

為賺而玩變成邊玩邊賺

在玩賺遊戲中,玩家通常可以根據他們在遊戲中花費的時間和努力在現實世界中(而不僅僅是虛擬的)來賺取金錢。這一趨勢與正在改變遊戲及其周邊領域的更廣泛變化有關,從創作者經濟的興起到人們與平台之間關係的變化。 Web3 讓我們能夠打破目前玩遊戲和進行交易的所有收益都隻流向遊戲公司的常規做法。用戶在這些平台上花費了大量的時間,並為這些平台創造了許多價值,因此他們也應該得到報酬。

但是遊戲並不一定是為了成為工作場所(至少對大多數玩家而言)。我們真正需要的是既有趣,又允許玩家捕捉更多他們所創造的價值的遊戲。因此,玩賺正越來越演變成好玩好賺,在遊戲和工作場所之間進行了重要的區分。隨著玩賺遊戲超越其最初的成長階段,導致遊戲經濟如何管理的動態將繼續變化。然而,最終,這將不是一個割裂的趨勢,而只是遊戲的一部分。

—Arianna Simpson,@AriannaSimpson

當AI 成為遊戲製作者時,加密貨幣提供保障

作為一個花費大量時間思考Web3 遊戲和遊戲未來的人,對我來說,很清楚,在遊戲中的AI 代理必須提供保證:它們基於特定的模型,並且這些模型在執行時沒有被篡改。否則,遊戲將失去完整性。

當傳說、地形、敘事和邏輯都是透過程式生成時,換句話說,當AI 成為遊戲製作者時,我們將希望知道遊戲製作者是可信的中立的。我們將希望知道這個世界是建立在保證上的。加密提供的最重要的東西就是這些保證——包括在AI 出現問題時理解、診斷和懲罰的能力。在這個意義上,AI 對齊實際上是一個激勵設計問題,就像處理任何人類代理一樣是一個激勵設計問題……而這正是加密貨幣所關注的。

—Carra Wu,合夥人(@carra on Farcaster, @carrawu on Twitter)

正式驗證變得不那麼正式

儘管正式方法在驗證硬體系統方面很受歡迎,但在軟體開發中它們並不那麼常見。對於大多數不涉及硬性或安全關鍵系統的開發人員來說,這些方法太複雜,可能會增加顯著的成本和延遲。然而,智慧合約開發人員有不同的需求:他們開發的系統處理數十億美元;漏洞可能會產生毀滅性的後果,並且通常無法進行即時修復。因此,在軟體開發,尤其是智能合約開發中,需要更容易接近的正式驗證方法。

在過去的一年裡,我們看到了一批新工具(包括我們自己的工具)湧現出來,其開發體驗比傳統的正式系統好得多。這些工具利用了智能合約在架構上比常規軟體更簡單的事實——具有原子和確定性執行;沒有並發或異常;內存佔用小且循環較少。這些工具的性能也在迅速提高,透過利用SMT 求解器性能的最新突破(SMT 求解器使用複雜的演算法來識別或確認軟體和硬體邏輯中的錯誤的存在)。隨著開發人員和安全專家在受到正式方法啟發的工具的廣泛採用,我們可以預期下一波智慧合約協定將更加健壯,不太容易受到昂貴的駭客攻擊。

—Karma(Daniel Reynaud),研究工程合夥人(@karma on Farcaster,@0xkarmacoma on Twitter)

NFT 成為普遍的品牌資產

越來越多的知名品牌已經開始以NFT 的形式向主流消費者推出數位資產。例如,星巴克引入了一個遊戲化的忠誠計劃,參與者在探索公司的咖啡產品時收集數位資產(更不用說AR 南瓜香料迷宮了!)。同時,Nike和Reddit 開發了數位可收藏的NFT,明確地針對廣大受眾進行行銷。但品牌可以做的遠不止於此:它們可以利用NFT 來代表和強化客戶的身份和社群關係;連結實體商品和其數位表示;甚至與最忠實的愛好者共同創造新產品和體驗。

去年,我們看到了一種趨勢,即以低成本的NFT 作為消費品大規模收藏——這些NFT 通常透過託管錢包和/ 或「Layer 2」區塊鏈進行管理,相應的交易成本也很低。進入2024 年,NFT 成為數位品牌資產的普遍存在的條件已經具備,正如Steve Kaczynski 和我在即將出版的一本書中所解釋的那樣,適用於各種公司和社群。

—Scott Duke Kominers,研究合夥人(@skominers on Farcaster | on Twitter)

SNARKs 成為主流

在歷史上,技術專家一直有以下幾種驗證計算工作負載的策略:

1) 在可信賴的機器上重新執行計算;

2) 在專門用於該任務的機器上執行計算,即(TEE 可信任執行環境);或

3) 在可靠中立的基礎設施上執行計算,如區塊鏈。每種策略在成本或網路可擴展性方面都存在限制,但現在,SNARKs(Succinct Non-interactive ARguments of Knowledge)變得更加可用。 SNARKs 允許透過不可偽造的方式由不受信任的「證明者」計算一些計算工作負載的「密碼學收據」:在過去,計算這樣的收據的成本比原始計算高出10^9;而近期的進展正在將這個數字縮小到10^6 左右。

因此,在初始運算提供者可以承受10^6 的開銷而客戶無法重新執行或儲存初始資料的情況下,SNARKs 變得可行。由此產生的用例有很多:物聯網中的邊緣設備可以驗證升級。媒體編輯軟體可以嵌入內容的真實性和轉換資料;而混搭的表情包可以向最初的來源致敬。 LLM 推理可以包括真實性資訊。我們可以擁有自我驗證的稅務表格、無法偽造的銀行審計等,還有許多更有益於消費者的用途。

—Sam Ragsdale,投資工程師(@samrags on Farcaster,@samrags_ on Twitter)

Total
0
Shares
Related Posts