AI与加密货币行业的分层发展:一个有趣的对比

近期,人们常常讨论以太坊的Rollup-Centric战略似乎失败了,并对L1-L2-L3的嵌套结构颇有微词。有趣的是,过去一年AI领域的发展也经历了类似的L1-L2-L3快速演变。对比两个行业的发展路径,我们可以发现一些有趣的差异。

AI行业的分层逻辑是每一层都在解决上一层无法解决的核心问题。以大语言模型(LLMs)为基础的L1层解决了语言理解和生成的基本能力,但在逻辑推理和数学计算方面存在短板。L2层的推理模型专门攻克了这些弱点,如DeepSeek R1能够解决复杂数学问题和进行代码调试,弥补了LLMs的认知盲区。在此基础上,L3层的AI Agent整合了前两层的能力,使AI从被动回答转变为主动执行,能够自主规划任务、调用工具和处理复杂工作流程。

这种分层体现了"能力递进"的特征:L1奠定基础,L2弥补短板,L3进行整合。每一层都在前一层的基础上实现质的飞跃,用户能够明显感受到AI变得更加智能和实用。

相比之下,加密货币行业的分层逻辑则是每一层都在为前一层的问题寻找解决方案,但却无意中带来了新的、更大的问题。例如,为了解决L1公链的性能瓶颈,业界提出了L2扩容方案。然而,在经历了一波L2基础设施热潮后,虽然Gas费用降低、TPS总体提升,但流动性却变得分散,生态应用仍然匮乏,过多的L2基础设施反而成为了新的问题。为了应对这一困境,行业开始发展L3垂直应用链,但这些应用链往往各自为政,无法享受通用链的生态协同效应,反而使用户体验变得更加碎片化。

这种分层模式更像是"问题转移":L1存在瓶颈,L2提供解决方案,L3则陷入混乱和分散。每一层似乎只是将问题从一个地方转移到另一个地方,给人一种所有解决方案都围绕"发币"这一目的展开的印象。

造成这种差异的核心原因可能在于:AI行业的分层是由技术竞争驱动的,各大公司都在努力提升模型能力;而加密货币行业的分层似乎更多地被Tokenomic所束缚,每个L2项目的核心KPI往往集中在TVL和代币价格上。

简而言之,一个行业在解决技术难题,另一个行业则更像在包装金融产品。对于这种差异的评判可能没有标准答案,见仁见智。

当然,这种抽象的比较并非绝对,只是从两个行业的发展脉络中得出的一些有趣观察。这种对比为我们提供了一个新的思考角度,有助于我们更好地理解这两个快速发展的领域。