۸ روند اصلی صنعت کریپتو پیش‌بینی شده توسط a16z برای سال ۲۰۲۶: ظهور بلاکچین‌های حفظ حریم خصوصی، تحول پلتفرم‌های معاملاتی و غیره

نویسنده: a16z

گردآوری: Deep Tide TechFlow

a16z (Andreessen Horowitz) اخیراً فهرست "ایده‌های بزرگ" خود را که ممکن است در سال ۲۰۲۶ در بخش فناوری ظهور کنند، منتشر کرد. این ایده‌ها توسط شرکای تیم‌های برنامه‌ها، دینامیسم آمریکایی، بیوتکنولوژی، ارز دیجیتال، رشد، زیرساخت و Speedrun آن‌ها ارائه شده است.

در زیر برخی از ایده‌ها و بینش‌های کلیدی منتخب از مشارکت‌کنندگان ویژه در فضای ارز دیجیتال آمده است که طیف گسترده‌ای از موضوعات از AI Agent و هوش مصنوعی (AI)، استیبل کوین‌ها، توکنومیکس و امور مالی، حریم خصوصی و امنیت تا بازارهای پیش‌بینی و سایر برنامه‌های کاربردی را پوشش می‌دهد. برای اطلاعات بیشتر در مورد چشم‌انداز فناوری برای سال ۲۰۲۶، لطفاً مقاله کامل را مطالعه کنید.

ساخت آینده

پلتفرم‌های معاملاتی فقط شروع هستند، نه پایان.

امروزه، به جز استیبل کوین‌ها و برخی زیرساخت‌های اصلی، تقریباً همه شرکت‌های ارز دیجیتال با عملکرد خوب به پلتفرم‌های معاملاتی تبدیل شده‌اند یا در حال تبدیل شدن به آن هستند. با این حال، اگر "هر شرکت کریپتو به یک پلتفرم معاملاتی تبدیل شود"، نتیجه نهایی چه خواهد بود؟ مقدار زیادی رقابت همگن نه تنها کاربران را منحرف می‌کند، بلکه ممکن است فقط چند برنده باقی بگذارد. شرکت‌هایی که خیلی زود به سمت معاملات حرکت می‌کنند، ممکن است فرصت ساخت مدل‌های تجاری رقابتی‌تر و پایدارتر را از دست بدهند.

من کاملاً چالش‌هایی را که بنیان‌گذاران برای حفظ موقعیت مالی سالم با آن روبرو هستند درک می‌کنم، اما صرفاً دنبال کردن تناسب محصول-بازار کوتاه‌مدت می‌تواند هزینه‌ای داشته باشد. این امر به ویژه در صنعت کریپتو برجسته است، جایی که دینامیک‌های منحصر به فرد پیرامون توکن‌ها و سفته‌بازی اغلب بنیان‌گذاران را به سمت مسیر "رضایت فوری" سوق می‌دهد، شبیه به یک "آزمون مارشمالو".

هیچ مشکلی با خود تراکنش‌ها وجود ندارد - آن‌ها در واقع یک عملکرد مهم از عملیات بازار هستند - اما لزوماً هدف نهایی نیستند. بنیان‌گذارانی که روی خود محصول تمرکز می‌کنند و به دنبال تناسب محصول-بازار با دیدگاه بلندمدت هستند، احتمالاً در نهایت برندگان بزرگ‌تر خواهند بود.

– آریانا سیمپسون، شریک عمومی، تیم کریپتو a16z

تفکرات جدید در مورد استیبل کوین‌ها، توکنومیکس دارایی های واقعی، پرداخت‌ها و امور مالی

تفکر در مورد توکنومیکس دارایی های واقعی (RWA) و استیبل کوین‌ها به شیوه‌ای کریپتو بومی‌تر

ما شاهد بوده‌ایم که بانک‌ها، شرکت‌های فین‌تک و شرکت‌های مدیریت دارایی علاقه زیادی به آوردن سهام ایالات متحده، کالاها، شاخص‌ها و سایر دارایی‌های سنتی به بلاکچین نشان داده‌اند. با این حال، همانطور که دارایی‌های سنتی بیشتر و بیشتری به بلاکچین آورده می‌شوند، توکنومیکس آن‌ها اغلب "فیزیکی" است - یعنی بر اساس مفاهیم دارایی واقعی موجود، بدون استفاده کامل از ویژگی‌های بومی کریپتو.

در مقابل، اشکال دارایی مصنوعی مانند فیوچرز دائمی (perps) نقدینگی عمیق‌تری ارائه می‌دهند و پیاده‌سازی آن‌ها ساده‌تر است. Perps همچنین یک مکانیسم اهرمی قابل درک ارائه می‌دهند که آن‌ها را به طور بالقوه مناسب‌ترین مشتقه بومی برای بازار کریپتو می‌کند. سهام بازارهای نوظهور شاید یکی از جالب‌ترین طبقات دارایی برای کاوش "perpify" باشد. به عنوان مثال، برای برخی سهام، نقدینگی بازارهای اختیار معامله با تاریخ انقضای صفر (0DTE) آن‌ها اغلب عمیق‌تر از بازار اسپات است، که perpify را به یک آزمایش ارزشمند تبدیل می‌کند.

در نهایت، همه چیز به انتخاب بین "پایداری" و "توکنومیکس" خلاصه می‌شود؛ در هر صورت، ما دلیلی داریم که انتظار داشته باشیم توکنومیکس دارایی واقعی بومی کریپتو بیشتری را در سال آینده ببینیم.

به طور مشابه، در سال ۲۰۲۶، بخش استیبل کوین شاهد "نوآوری در انتشار، نه فقط توکنومیکس" خواهد بود. استیبل کوین‌ها در سال ۲۰۲۵ به جریان اصلی تبدیل شدند و انتشار آن‌ها همچنان در حال رشد است.

با این حال، استیبل کوین‌هایی که فاقد یک زیرساخت اعتباری قوی هستند بیشتر شبیه "بانک‌های محدود" هستند که دارایی‌های خاص و بسیار نقدشونده را نگهداری می‌کنند که بسیار ایمن در نظر گرفته می‌شوند. در حالی که بانک‌های محدود یک محصول مؤثر هستند، من معتقد نیستم که آن‌ها به ستون بلندمدت اقتصاد درون زنجیره ای تبدیل شوند.

ما بسیاری از مدیران دارایی نوظهور، متولیان و پروتکل‌ها را دیده‌ایم که وام‌های درون زنجیره‌ای مبتنی بر دارایی تضمین شده توسط وثیقه آف چین را پیش می‌برند. به طور معمول، این وام‌ها خارج از زنجیره تولید می‌شوند و سپس توکنومیکس می‌شوند. با این حال، من معتقدم که این رویکرد توکنومیکس مزایای محدودی ارائه می‌دهد، شاید فقط در توزیع آن‌ها به کاربرانی که قبلاً درون زنجیره هستند. بنابراین، دارایی‌های بدهی باید مستقیماً درون زنجیره تولید شوند، نه اینکه خارج از زنجیره تولید شوند و سپس توکنومیکس شوند. تولید دارایی‌های بدهی در زنجیره هزینه‌های خدمات وام، هزینه‌های زیرساخت back-end را کاهش می‌دهد و دسترسی را بهبود می‌بخشد. چالش‌ها در انطباق و استانداردسازی نهفته است، اما توسعه‌دهندگان در حال کار بر روی رسیدگی به این مسائل هستند.

– گای ووله، شریک عمومی، تیم کریپتو a16z

استیبل کوین‌ها ارتقاهای دفاتر اصلی بانک‌ها را هدایت می‌کنند و سناریوهای پرداخت کاملاً جدیدی را باز می‌کنند.

امروزه، بیشتر بانک‌ها هنوز سیستم‌های نرم‌افزاری قدیمی را اجرا می‌کنند که شناسایی آن‌ها برای توسعه‌دهندگان مدرن دشوار است: بانک‌ها در اوایل دهه‌های ۱۹۶۰ و ۱۹۷۰ پذیرندگان اولیه سیستم‌های نرم‌افزاری در مقیاس بزرگ بودند. تا دهه‌های ۱۹۸۰ و ۱۹۹۰، نرم‌افزار بانکداری اصلی نسل دوم شروع به ظهور کرد (مانند GLOBUS تمنوس و Finacle اینفوسیس). با این حال، این نرم‌افزار قدیمی شده است و ارتقاها بسیار کند بوده‌اند. در نتیجه، بسیاری از دفاتر اصلی حیاتی صنعت بانکداری - این پایگاه‌های داده کلیدی که سپرده‌ها، وثیقه و سایر تعهدات را ثبت می‌کنند - هنوز روی کامپیوترهای مرکزی با استفاده از زبان برنامه‌نویسی COBOL اجرا می‌شوند و به رابط‌های فایل دسته‌ای به جای API‌های مدرن متکی هستند.

اکثریت دارایی‌های جهانی هنوز در این دفاتر اصلی چند دهه‌ای ذخیره می‌شوند. در حالی که این سیستم‌ها در عمل اثبات شده‌اند، مورد اعتماد نظارت‌کنندگان هستند و به طور عمیق در سناریوهای بانکداری پیچیده ادغام شده‌اند، آن‌ها همچنین به مانعی برای نوآوری تبدیل شده‌اند. به عنوان مثال، افزودن ویژگی‌های کلیدی مانند پرداخت‌های در زمان واقعی می‌تواند ماه‌ها یا حتی سال‌ها طول بکشد و شامل برخورد با بدهی فناوری قابل توجه و الزامات نظارتی پیچیده است.

این دقیقاً جایی است که استیبل کوین‌ها وارد می‌شوند. طی چند سال گذشته، استیبل کوین‌ها تناسب محصول-بازار را پیدا کرده‌اند و با موفقیت وارد عرصه مالی جریان اصلی شده‌اند. امسال، موسسات مالی سنتی (TradFi) استیبل کوین‌ها را در سطحی بی‌سابقه پذیرفته‌اند. ابزارهای مالی مانند استیبل کوین‌ها، سپرده‌های توکنومیکس شده، اوراق قرضه دولتی توکنومیکس شده و اوراق قرضه درون زنجیره‌ای به بانک‌ها، شرکت‌های فین‌تک و موسسات مالی اجازه می‌دهند محصولات جدیدی توسعه دهند و مشتریان بیشتری را خدمت کنند. مهم‌تر از همه، این نوآوری‌ها موسسات را مجبور نمی‌کنند که سیستم‌های قدیمی خود را بازنویسی کنند - اگرچه این سیستم‌ها قدیمی هستند، اما برای دهه‌ها به طور پایدار در حال اجرا بوده‌اند. استیبل کوین‌ها بنابراین راهی کاملاً جدید برای نوآوری به موسسات ارائه می‌دهند.

– سام برونر

آینده AI Agent‌ها و هوش مصنوعی

استفاده از هوش مصنوعی برای انجام وظایف تحقیقاتی اساسی

به عنوان یک اقتصاددان ریاضی، در ابتدای امسال، متوجه شدم که دریافت مدل‌های هوش مصنوعی رده مصرف‌کننده برای درک جریان کار من فوق‌العاده دشوار است؛ با این حال، تا نوامبر، می‌توانستم دستورالعمل‌های انتزاعی به آن‌ها بدهم گویی که آن‌ها دانشجویان دکترا هستند... و آن‌ها گاهی اوقات پاسخ‌های کاملاً جدید و به درستی اجرا شده را برمی‌گرداندند. علاوه بر این، ما شروع به دیدن استفاده از هوش مصنوعی در طیف گسترده‌تری از زمینه‌های تحقیقاتی می‌کنیم - به ویژه در استدلال، جایی که مدل‌های هوش مصنوعی اکنون نه تنها مستقیماً در کشف کمک می‌کنند، بلکه به طور خودکار مسئله پاتنم را حل می‌کنند (شاید دشوارترین امتحان ریاضی سطح دانشگاه در جهان).

آنچه نامشخص باقی می‌ماند این است که این رویکرد کمک به تحقیق در چه زمینه‌هایی بیشترین کمک را خواهد داشت و چگونه. با این حال، من پیش‌بینی می‌کنم که قابلیت‌های تحقیقاتی هوش مصنوعی سبک تحقیقاتی جدید "دانشمند همه فن حریف" را پرورش و الهام می‌دهد: سبکی که تمایل دارد در مورد روابط بین ایده‌های مختلف حدس بزند و به سرعت از پاسخ‌های فرضی‌تر استنتاج کند. این پاسخ‌ها ممکن است کاملاً دقیق نباشند، اما حداقل در چارچوب‌های منطقی خاص، می‌توانند در جهت درست اشاره کنند. از قضا، این رویکرد تا حدودی شبیه به مهار قدرت "توهم" مدل است: وقتی این مدل‌ها به اندازه کافی "هوشمند" می‌شوند، اجازه دادن به آن‌ها برای کاوش آزادانه فضاهای انتزاعی ممکن است برخی ایده‌های بی‌معنی تولید کند، اما گاهی اوقات می‌تواند منجر به کشفیات پیشگامانه شود، درست مانند زمانی که انسان‌ها خلاق‌ترین هستند که از تفکر خطی آزاد می‌شوند و از جهت‌های واضح خارج می‌شوند.

فکر کردن در مورد مشکلات به این روش نیاز به یک جریان کار کاملاً جدید هوش مصنوعی دارد - نه فقط یک مدل "پراکسی به پراکسی"، بلکه یک مدل پیچیده‌تر "پراکسی پیچیده شده در پراکسی" - که در آن لایه‌های مختلف مدل‌ها به محققان در ارزیابی مدل‌های مرحله اولیه و استخراج تدریجی بینش‌های ارزشمند کمک می‌کنند. من از این روش برای نوشتن مقالات استفاده کرده‌ام، در حالی که دیگران از آن برای جستجوهای ثبت اختراع، اختراع اشکال جدید هنر، و حتی (متأسفانه) کشف راه‌های جدید برای حمله به قرارداد هوشمند استفاده کرده‌اند.

با این حال، برای اجرای این مدل تحقیقاتی "AI Agent استدلالی پیچیده شده"، قابلیت همکاری بهتری بین مدل‌ها مورد نیاز است و راهی برای شناسایی و جبران منطقی برای مشارکت هر مدل مورد نیاز است - و این‌ها مشکلاتی هستند که فناوری رمزنگاری می‌تواند به حل آن‌ها کمک کند.

– اسکات کومینرز، عضو تیم تحقیقات رمزنگاری a16z، استاد دانشکده بازرگانی هاروارد

مالیات‌های پنهان اعمال شده بر شبکه‌های باز توسط AI Agent‌ها

با ظهور AI Agent‌ها، نوعی "مالیات پنهان" اینترنت باز را تحت فشار قرار می‌دهد و اساساً پایه اقتصادی آن را مختل می‌کند. این اختلال ناشی از عدم تقارن فزاینده بین لایه‌های زمینه‌ای و اجرایی اینترنت است: در حال حاضر، AI Agent‌ها داده‌ها را از وب‌سایت‌های محتوای پشتیبانی شده با تبلیغات (لایه زمینه‌ای) استخراج می‌کنند تا راحتی را به کاربران ارائه دهند، در حالی که به طور سیستماتیک جریان‌های درآمدی که از ایجاد محتوا پشتیبانی می‌کنند (مانند تبلیغات و اشتراک‌ها) را دور می‌زنند.

برای جلوگیری از افت بیشتر وب باز (و برای محافظت از محتوای متنوعی که هوش مصنوعی را تغذیه می‌کند)، ما نیاز به استقرار راه‌حل‌های فناوری و اقتصادی در مقیاس بزرگ داریم. این می‌تواند شامل محتوای حمایت شده نسل بعدی، سیستم‌های انتساب خرد، یا سایر مدل‌های تأمین مالی نوآورانه باشد. قراردادهای مجوز هوش مصنوعی موجود نیز ثابت کرده‌اند که اقدامات موقت کوتاه‌بینانه هستند و معمولاً فقط بخش کوچکی از درآمد از دست رفته به دلیل تجاوز ترافیک هوش مصنوعی را به ارائه‌دهندگان محتوا جبران می‌کنند.

اینترنت به یک مدل فناوری-اقتصادی کاملاً جدید نیاز دارد که به ارزش اجازه می‌دهد به طور خودکار جریان یابد. مهم‌ترین تغییر سال آینده از یک مدل مجوز ایستا به یک مدل جبران مبتنی بر استفاده در زمان واقعی خواهد بود. این به معنای آزمایش و مقیاس‌بندی سیستم‌ها - به طور بالقوه با استفاده از نانوپرداخت‌های پشتیبانی شده توسط بلاکچین و معیارهای پیچیده انتساب - برای پاداش خودکار به هر نهادی است که اطلاعاتی را برای تکمیل موفقیت‌آمیز وظایف توسط AI Agent‌ها مشارکت می‌کند.

– لیز هارکاوی، تیم سرمایه گذاری کریپتو a16z

حریم خصوصی خندق است

حریم خصوصی مهم‌ترین خندق در فضای کریپتو خواهد شد.

حریم خصوصی یکی از ویژگی‌های کلیدی است که امور مالی جهانی را به سمت بلاکچین سوق می‌دهد. با این حال، این همچنین یک عنصر حیاتی است که امروزه در تقریباً همه بلاکچین‌ها وجود ندارد. برای بیشتر بلاکچین‌ها، حریم خصوصی اغلب صرفاً یک مسئله ثانویه و بعد از فکر است.

با این حال، حریم خصوصی خود اکنون یک تمایز کلیدی برای فناوری بلاکچین است. مهم‌تر از همه، حریم خصوصی همچنین می‌تواند یک "قفل زنجیره‌ای" یا یک اثر شبکه حریم خصوصی ایجاد کند. این به ویژه در دورانی که رقابت عملکرد دیگر یک مزیت کافی نیست، مهم است.

پروتکل‌های پل میان زنجیره ای مهاجرت بین زنجیره‌های مختلف را به طور باورنکردنی آسان می‌کنند، تا زمانی که همه اطلاعات عمومی باشد. با این حال، این راحتی زمانی که حریم خصوصی معرفی می‌شود از بین می‌رود: انتقال توکن‌ها در زنجیره‌ها آسان است، اما انتقال حریم خصوصی در زنجیره‌ها بسیار دشوار است. کاربران هنگام ورود و خروج از یک زنجیره حریم خصوصی، خواه به یک بلاکچین عمومی یا زنجیره حریم خصوصی دیگر تغییر دهند، با خطرات روبرو هستند، زیرا کسانی که داده های درون زنجیره‌ای، mempools یا ترافیک شبکه را مشاهده می‌کنند به طور بالقوه می‌توانند هویت آن‌ها را استنباط کنند. عبور از مرز بین یک زنجیره حریم خصوصی و یک بلاکچین عمومی، یا حتی بین دو زنجیره حریم خصوصی، می‌تواند ابرداده‌های مختلفی مانند همبستگی بین زمان‌های تراکنش و مقادیر را نشت دهد - اطلاعاتی که می‌تواند ردیابی کاربران را بسیار آسان‌تر کند.

در مقایسه با بسیاری از زنجیره‌های جدید همگن که کارمزدهای تراکنش آن‌ها ممکن است به دلیل رقابت به نزدیک صفر کاهش یابد، بلاکچین‌های با ویژگی‌های حریم خصوصی می‌توانند اثرات شبکه قوی‌تری ایجاد کنند. واقعیت این است که اگر یک بلاکچین "عمومی" اکوسیستم بالغ، برنامه‌های کشنده، یا مزایای توزیع ناعادلانه نداشته باشد، دلیل کمی برای کاربران برای انتخاب استفاده از آن یا ساخت روی آن، چه رسد به ایجاد وفاداری وجود دارد.

در بلاکچین‌های عمومی، کاربران به راحتی می‌توانند با کاربران در زنجیره‌های دیگر معامله کنند - مهم نیست که به کدام زنجیره بپیوندند. با این حال، در بلاکچین‌های خصوصی، زنجیره‌ای که کاربران برای پیوستن انتخاب می‌کنند به ویژه مهم می‌شود، زیرا پس از پیوستن، احتمال کمتری دارد که به زنجیره‌های دیگر مهاجرت کنند تا از خطر افشای حریم خصوصی جلوگیری کنند. این پدیده یک پویایی "برنده همه چیز را می‌برد" ایجاد می‌کند. و از آنجا که حریم خصوصی برای اکثر برنامه‌های کاربردی دنیای واقعی حیاتی است، چند زنجیره حریم خصوصی ممکن است در نهایت بر فضای کریپتو تسلط یابند.

– علی یحیی، شریک عمومی تیم کریپتو a16z

سایر صنایع و برنامه‌های کاربردی

بازارهای پیش‌بینی بزرگ‌تر، گسترده‌تر و هوشمندتر خواهند شد.

بازارهای پیش‌بینی به تدریج وارد جریان اصلی شده‌اند، و در سال آینده، با همگرایی آن‌ها با رمزنگاری و هوش مصنوعی (AI)، بزرگ‌تر، گسترده‌تر و هوشمندتر خواهند شد، در حالی که چالش‌های جدید و قابل توجهی نیز برای توسعه‌دهندگان به همراه خواهند داشت.

ابتدا، قراردادهای بیشتری در بازارهای پیش‌بینی فهرست می‌شوند. این بدان معناست که ما نه تنها به نسبت شانس‌ها در زمان واقعی در انتخابات بزرگ یا رویدادهای ژئوپلیتیکی دسترسی خواهیم داشت، بلکه پیش‌بینی‌هایی برای طیف گسترده‌ای از نتایج ظریف و رویدادهای متقابل پیچیده نیز خواهیم داشت. همانطور که این قراردادهای جدید اطلاعات بیشتری را کشف می‌کنند و به تدریج در اکوسیستم اخبار ادغام می‌شوند (روندی که قبلاً آغاز شده است)، آن‌ها سؤالات اجتماعی مهمی را مطرح می‌کنند، مانند چگونه ارزش اطلاعات را متعادل کنیم و چگونه این بازارها را بهتر طراحی کنیم تا شفاف‌تر و قابل حسابرسی‌تر شوند - سؤالاتی که می‌توان از طریق رمزنگاری به آن‌ها پرداخت.

برای رسیدگی به افزایش قراردادهای جدید، ما به راه‌های جدیدی برای رسیدن به اجماع در مورد رویدادهای دنیای واقعی برای حل این قراردادها نیاز داریم. در حالی که راه‌حل‌های پلتفرم متمرکز (مانند تأیید اینکه آیا یک رویداد واقعاً رخ داده است) مهم هستند، محدودیت‌های آن‌ها در موارد بحث‌برانگیز مانند بازار دعوای زلنسکی و بازار انتخابات ونزوئلا آشکار شده است. برای رسیدگی به این موارد حاشیه‌ای و کمک به گسترش بازارهای پیش‌بینی به برنامه‌های عملی‌تر، مکانیسم‌های حاکمیتی غیرمتمرکز جدید و اوراکل‌های مدل زبان بزرگ (LLM) می‌توانند در تعیین حقیقت پشت نتایج مورد مناقشه کمک کنند.

پتانسیل هوش مصنوعی فراتر از اوراکل‌های مبتنی بر LLM است. به عنوان مثال، AI Agent‌های فعال در این پلتفرم‌ها می‌توانند سیگنال‌ها را در سطح جهانی جمع‌آوری کنند تا مزایای معاملاتی کوتاه‌مدت به دست آورند. این نه تنها به ما کمک می‌کند جهان را از دیدگاه‌های کاملاً جدید ببینیم، بلکه پیش‌بینی‌های دقیق‌تری از روندهای آینده نیز امکان‌پذیر می‌کند. (پروژه‌هایی مانند Prophet Arena قبلاً هیجان این حوزه را تقویت کرده‌اند.) فراتر از ارائه بینش‌ها به عنوان تحلیلگران سیاسی پیچیده، این AI Agent‌ها ممکن است عوامل پیش‌بینی اساسی برای رویدادهای اجتماعی پیچیده را نیز آشکار کنند همانطور که ما استراتژی‌های نوظهور آن‌ها را بررسی می‌کنیم.

آیا بازارهای پیش‌بینی جایگزین نظرسنجی‌های افکار عمومی خواهند شد؟ خیر. برعکس، آن‌ها نظرسنجی‌های افکار عمومی را بهبود می‌بخشند (و اطلاعات نظرسنجی افکار عمومی نیز می‌تواند به بازارهای پیش‌بینی وارد شود). به عنوان استاد اقتصاد سیاسی، من بیشترین هیجان را در مورد پتانسیل بازارهای پیش‌بینی برای کار در هماهنگی با اکوسیستم متنوع نظرسنجی‌های افکار عمومی دارم - اما ما نیاز به تکیه بر فناوری‌های جدید خواهیم داشت، مانند هوش مصنوعی، که می‌تواند تجربه نظرسنجی را بهبود بخشد، و رمزنگاری، که می‌تواند راه‌های کاملاً جدیدی برای تأیید اینکه شرکت‌کنندگان نظرسنجی و پرسشنامه انسان هستند و نه ربات ارائه دهد.

– اندی هال، مشاور تحقیقات کریپتو در a16z، استاد اقتصاد سیاسی در دانشگاه استنفورد

فناوری رمزنگاری به برنامه‌های کاملاً جدیدی فراتر از بلاکچین گسترش می‌یابد.

برای سال‌ها، SNARKs (اثبات‌های غیرتعاملی مختصر دانش صفر، نوعی اثبات رمزنگاری که صحت یک اثبات را بدون اجرای مجدد محاسبه تأیید می‌کند) عمدتاً در زمینه بلاکچین استفاده شده‌اند. این به این دلیل است که سربار محاسباتی آن‌ها به طور ممنوع‌کننده‌ای بزرگ است: اثبات یک محاسبه می‌تواند یک میلیون بار پرزحمت‌تر از اجرای مستقیم آن محاسبه باشد. در سناریوهایی که این سربار باید بین ده‌ها هزار اعتبارسنج توزیع شود، ارزشمند است، اما در سناریوهای دیگر غیرعملی است.

این وضعیت در شرف تغییر است. تا سال ۲۰۲۶، سربار محاسباتی اثبات‌کنندگان zkVM (ماشین مجازی دانش صفر) به تقریباً ۱۰٬۰۰۰ بار کاهش می‌یابد، در حالی که ردپای حافظه آن‌ها فقط چند صد مگابایت خواهد بود - به اندازه کافی سریع برای اجرا در تلفن‌های همراه و به اندازه کافی ارزان برای کاربرد گسترده در سناریوهای مختلف. یکی از دلایلی که چرا این "۱۰٬۰۰۰ بار" ممکن است یک نقطه عطف حیاتی باشد این است که توان عملیاتی موازی GPU‌های سطح بالا تقریباً ۱۰٬۰۰۰ بار بیشتر از CPUهای لپ‌تاپ است. تا پایان سال ۲۰۲۶، یک GPU واحد قادر خواهد بود اثبات‌های محاسباتی را تولید کند که در غیر این صورت نیاز به اجرای CPU در زمان واقعی دارند.

این برخی از چشم‌اندازهای پیشنهاد شده در مقالات تحقیقاتی قبلی را باز خواهد کرد: رایانش ابری قابل تأیید. اگر شما در حال حاضر بارهای کاری CPU را در ابر اجرا می‌کنید (زیرا وظایف محاسباتی شما برای شتاب GPU ناکافی است، یا شما فاقد تخصص مربوطه هستید، یا به دلایل تاریخی)، شما قادر خواهید بود اثبات‌های رمزنگاری صحت محاسباتی را با هزینه منطقی به دست آورید. علاوه بر این، اثبات‌کننده قبلاً برای GPUها بهینه شده است و نیازی به تنظیمات اضافی در کد شما ندارد.

– جاستین تالر، عضو تیم تحقیقات رمزنگاری a16z، دانشیار علوم کامپیوتر در دانشگاه جورج‌تاون

— تیم ویرایش رمزنگاری a16z