【英文長推】重質押賽道發展復盤:真相、誤讀與未竟之路
Chainfeeds 導讀:
在花了兩年多時間讓所有主要 AVS 加入 EigenLayer 並設計 EigenCloud 之後,這是我對整個旅程的坦誠回顧:哪些判斷失誤、哪些取得成功,以及我們接下來要走向哪裡。
文章來源:
kydo
觀點:
kydo:在 EigenLayer 基礎設施之上發布 EigenDA,是一個巨大的正向驚喜。它成為了 EigenCloud 的基石,並給了以太坊一個急需的超級規模 DA 賽道 —— 讓 Rollup 可以高速前進,而不必為了效能跳槽到某個新 L1 去。MegaETH 的啟動,是因為他們相信 Sreeram 能為他們打破 DA 瓶頸。Mantle 當初向 BitDAO 提案構建 L2,也是同樣的理由。EigenDA 還為以太坊提供了一層「防護盾」。當生態內部就有高速 DA 方案時,外部 L1 想借以太坊敘事吸血就更難了。EigenLayer 的早期願景之一就是:讓以太坊能夠解鎖預確認(preconfirmation)。後來預確認因 base rollup 而受到大量關注,但實際落地依然困難。為了推動生態前進,我們共同發起了 Commit-Boost 計畫,試圖打破預確認客戶端的鎖定效應,構建一個中立平台,讓任何團隊都能通過驗證者承諾機制進行創新。如今,Commit-Boost 上的資金流量超過數十億美元,超過 35% 的驗證者已接入。隨著主要 preconf 服務在未來數月上線,這個數字會繼續攀升。這對以太坊的反脆弱性至關重要,也對 preconf 市場的持續創新至關重要。 再質押時代一個被低估的影響,是大量 ETH 流向 LRT 提供商,而不是把 Lido 一路推到 33% 以上。這對以太坊的社會穩定性意義重大。如果 Lido 長期穩穩佔據 33% 以上且沒有可信替代,那治理衝突和生態分裂會非常嚴重。再質押和 LRT 並沒有讓一切 magically 去中心化,但它改變了質押集中度的軌跡。這不是毫無意義的事。最大的「勝利」,是觀念上的。我們驗證了:這個世界確實需要更多可驗證系統。但路徑已經與最初設想非常不同,與其從「廣義加密經濟安全」開始,堅持從第一天就完全去中心化,並期待一切從這個層路由,不如:直接給開發者能讓他們應用可驗證化的工具,並為每個應用匹配合適的驗證原語。你需要去「迎接」開發者,而不是要求他們一開始就成為協議設計師。我們開始構建內部模組化服務 EigenCompute、EigenAI 來滿足這種真實需求 —— 其他團隊募資上億美元、花多年才造出的東西,我們幾個月就能交付。 未來,EigenCloud 及其周邊的一切,都將圍繞 EIGEN 代幣運轉。EIGEN 將作為:核心經濟安全來源;承擔多類風險的抵押資產;整個平台費用流與經濟活動的主要價值捕獲器。早期的許多誤解,來自「用戶以為 EIGEN 會捕獲什麼」與 「實際機制能捕獲什麼」之間的巨大差距。目標不變是讓更多鏈上應用能安全地使用鏈下計算。但工具不會只有一種 —— 加密經濟安全、ZK、TEE 或混合技術,都可以用。關鍵不是崇拜哪種技術,而是:讓「可驗證性」成為基礎原語,插入任何應用堆疊。我們要縮短的,是從:「我有一個應用」到「我有一個可被用戶、對手方、監管機構驗證的應用」之間的鴻溝。現實看來,加密經濟安全 + TEE 是當前可編程性與實際安全性最強的組合。ZK 等機制成熟時,會接入 EigenCloud。【原文為英文】
免責聲明:文章中的所有內容僅代表作者的觀點,與本平台無關。用戶不應以本文作為投資決策的參考。
您也可能喜歡
美股錯過了眼前的「好消息」?盈利預期罕見上調,策略師:基本面強得「不像真的」
Seaport Research Partners認為,美股正面臨企業盈利與股價表現的明顯背離:第二季盈利強勁,分析師預期持續上修,但高利率與盈利持續性的擔憂壓抑估值,工業、交通運輸等板塊可能存在錯價機會。不過,如果聯準會重新釋放升息信號,短期內仍可能對股市帶來壓力。
美國中選在即,華爾街押注國會分裂,市場或迎來溫和喘息?
美國中期選舉臨近,華爾街普遍押注民主黨奪回眾議院、共和黨守住參議院的「分裂國會」格局,認為這將限制激進政策、緩解不確定性。歷史數據顯示,自1950年以來,共和黨總統任內出現分裂國會時,美股年均漲幅達13.7%,高於共和黨或民主黨單獨掌控國會時的8.3%和4.9%。若選舉結果偏離預期,市場仍可能劇烈波動。
美股知名投資人Eric Jackson加入盛大科技(SDA.US)顧問委員會 協助公司國際化戰略與投資者關係建設
EMJ Capital 創始人、知名科技投資人 Eric Jackson 正式加入公司顧問委員會。

AI推理時代「光互連」需求爆棚!「站在光裡」的Lumentum (LITE.US)搶跑NPO、擴容OCS 迎接盈利躍升時刻
從底層工程角度來看,光互連需求的增長來自更多計算節點之間更頻繁、更嚴格的數據交換:混合專家模型(MoE)的專家並行需要跨GPU分發和彙總數據;預填充與解碼分離(Prefill–Decode Disaggregation)需要傳輸鍵值快取(KV Cache);複雜智能體工作流增加模型調用、工具執行和數據訪問的併發量。

