预言机的演化史 ( 一 )：从数据桥到智能信任层

深潮Publicado a 2025-11-12Actualizado a 2025-11-13

预言机既是连接，也是污染；既是突破，也是危机的起点。

撰文：0xhhh

一、引言：信任的盲点

区块链是一场关于信任的革命，但它的信任是封闭的。

它相信数学，却不相信世界。

早期的区块链像一个逻辑主义者：它坚信推理，却拒绝感知。

比特币信任哈希，不信任人；以太坊信任代码，不信任输入。

于是，当一个合约想问出「ETH 的价格是多少？」时，它陷入了沉默。

这不是技术缺陷，而是哲学的边界。

区块链的确定性来自于与外部世界的切割。

信任的源头，是孤立。

但没有连接，就没有意义。

人类构建信任体系的历史，就是不断让「系统」重新看见「现实」的过程。

预言机（Oracle），便是这道裂缝里伸出的第一只手。

它既是连接，也是污染；

既是突破，也是危机的起点。

二、第一阶段：洞穴的裂缝（2015–2018）

背景：封闭智能的孤岛

2015 年，以太坊把「代码即法律」带入世界。

但法律需要证据，而区块链上没有「外部事实」。

一个「基于天气赔付」的合约，无法知道今天是否下雨；

一个「跟踪股价」的合成资产，无法看到 Nasdaq。

智能合约成了柏拉图洞穴中的囚徒，只能凝视链上影子。

区块链的纯净，也成了它的桎梏。

问题：如何「看见」而不被污染

如何让区块链看到外部世界，却不被它污染？

信任外部数据意味着引入主观性、中心化，而区块链的存在目的正是要消除这两者。

于是，「可信输入」成了去中心化信任体系的第一道悖论。

技术演进

  • Oraclize（Provable）：通过 TLSNotary 证明数据确实来自特定源头。

  • Town Crier（Cornell）：利用 Intel SGX 可信执行环境进行安全数据读取。

  • Chainlink（2017）：提出去中心化预言机网络，节点抵押 LINK、聚合数据、形成加权共识。

信任的第一次呼吸

区块链让信任逻辑化；预言机让信任具象化。

机器第一次学会「相信」，而人类开始用算法定义真理。

三、第二阶段：真相的市场（2019–2021）

背景：DeFi 的信任饥荒

DeFi 的爆发让喂价成为系统生命线。

清算、衍生品、稳定币、合成资产，都依赖外部价格。

但价格操纵一次，就可能掀起连锁反应。

真相，变成可套利的资源。

技术演进

  • Tellor（TRB）：以抵押与质疑机制让真相在博弈中产生。

  • UMA（Optimistic Oracle）：默认信任，直到被质疑。

  • Kleros（PNK）：去中心化陪审团裁决事实争议。

  • Band Protocol / DIA：引入 API 层折中方案，平衡速度与可信度。

信任的博弈时代

Tellor 让真相成为博弈均衡，

UMA 让真相成为默认状态，

Kleros 让真相成为社会契约。

信任不再是名单，而是博弈的结果。

真相第一次被「市场化」。

四、第三阶段：时间的战争（2021–2023）

背景：真相的时延危机

在高频交易和清算的时代，延迟就是风险。

当真相比谎言慢，系统将惩罚真相。

技术演进

  • Pyth Network（PYTH）：由交易所直接签名报价，源头即节点。

  • RedStone（RED）：按需拉取喂价，执行即验证。

  • API3：第一方预言机，数据源自己签名自己发布。

  • Band Protocol：在 Cosmos 上实现跨链数据层。

当时间成为真理的形状

信任从「正确」转向「及时」。

预言机成为「时间的仲裁者」。

延迟，成为新的信任维度。

🔹 信任开始有价格：OEV 的觉醒（2023–2024）

OEV（Oracle Extractable Value）

—— 真相与时间之间的套利差。

价格更新的瞬间不仅是信息事件，更是价值事件。

真相的传播顺序开始决定财富的分配。

问题不再是「真不真」，而是「谁因真相得利」。

技术与机制演化

  • Chainlink OEV Network（2024）：创建 OEV 拍卖市场，让优先更新权可竞价。

  • Pyth / SEDA：通过时间戳签名与随机委员会抑制内部套利。

  • RedStone Pull 模式：天然消除时间差，不留套利窗口。

真相开始计价

OEV 让信任有了经济重量。

过去我们讨论「谁在说真话」，

现在要讨论「谁因真话获利」。

信任从事实验证扩展到价值治理。

五、第四阶段：智能与隐私的碰撞（2023–2025）

背景：AI 进入信任体系

AI 模型能判断市场、分析新闻，但它的「真伪」不可验证。

当机器开始判断真相，我们该如何判断机器？

技术演进

  • Oraichain（ORAI）：可验证 AI 推理（Proof of Execution）。

  • Phala / iExec：用 TEE 可信硬件生成远程证明。

  • SEDA / Supra / Entangle：融合 AI 验证与跨链同步。

理智的验证

当我们要求机器证明自己的理智，

Oracle 从「验证世界」变成「验证智能」。

信任扩展到判断层。

六、第五阶段：Agent 时代的信任重建（2025 →）

背景：AI Agent 崛起

AI Agents 已具备经济行为能力。

它们签合约、谈合作、执行交易。

但算法没有道德，只有输入。

当智能体互相交易，谁保证它们看到的是同一个世界？

技术演进

  • Sora Oracle（SORA）：AI Oracle + 支付协议 + 预测市场，形成认知自校体系。

  • Flux / OptionRoom：嵌入预测市场进行事实验证。

  • Orochi Network：构建机器身份体系，使判断可溯源。

信任的再造

当智能体成为社会主体，

人类从「信任承担者」变成「信任设计者」。

机器之间的信任，不是情感，而是协议。

Oracle 从数据接口，蜕变为文明结构。

七、尾声：从数据桥到智能信任层

十年演化，Oracle 的每次升级

都源自一次信任危机，也开拓了新的边界。

区块链让信任可计算；Oracle 让现实可计算；AI Oracle，让智能可计算。

Oracle 不再只是桥梁，

而是智能文明的信任层。

写在最后

如果区块链是文明的记忆层，Oracle 就是文明的感官层。

我们正在教机器一件前所未有的事：

如何诚实地感知。

当智能社会真正到来，Oracle 将不只是传递数据，而是传递真理的形式。

Lecturas Relacionadas

Predicción del precio de Ethena: ¿Mantendrá la zona de $0.08 viva la recuperación de ENA?

El precio de Ethena (ENA) ha mostrado una recuperación reciente, subiendo un 14.11% desde su mínimo del 8 de julio y superando la zona de resistencia clave de $0.08. Este movimiento positivo se vio respaldado por la noticia de la función Robinhood Earn, que generó un importante aumento en el TVL de la cadena. Sin embargo, la tendencia general sigue siendo bajista, respaldada por indicadores como el OBV. Además, una gran transferencia de 1.231 mil millones de ENA entre carteras desconocidas introduce incertidumbre. Para que la recuperación se consolide, el precio debe superar la resistencia clave de $0.105-$0.125. Por ahora, los traders buscan más señales claras antes de tomar posiciones significativas.

ambcryptoHace 28 min(s)

Predicción del precio de Ethena: ¿Mantendrá la zona de $0.08 viva la recuperación de ENA?

ambcryptoHace 28 min(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 32 min(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 32 min(s)

¿Se convertirá la Fundación Ethereum en una "mascota"? Organizaciones diversificadas están desgajando sus funciones

La Fundación Ethereum (EF) anunció la disolución de su equipo de soporte de protocolo y ha visto la salida de al menos 8 altos cargos este año, incluida la copresidenta ejecutiva, Xiaowei Wang. Estos cambios organizativos, descritos como la mayor ronda de despidos en la historia de la EF, siguen a una reestructuración que eliminó 54 puestos (20% de la plantilla). Paralelamente, han surgido organizaciones independientes como EthLabs y Ethereum Institutional, fundadas por exmiembros de la EF, que asumen funciones en investigación, desarrollo y adopción institucional, fragmentando el rol tradicional de la Fundación. Internamente, la EF enfrenta críticas por su estructura rígida y decisiones centralizadas. Externamente, su equipo de seguridad está adoptando agentes de IA para pruebas de penetración, encontrando vulnerabilidades reales, lo que plantea preguntas sobre el futuro impacto de la IA en sus funciones. El fundador Vitalik Buterin ha indicado que la EF debería ser más pequeña y menos central. Con estos cambios, algunos especulan que la Fundación podría evolucionar hacia un rol más simbólico o de "mascota" dentro del ecosistema, mientras que otras organizaciones impulsan la adopción y el avance técnico de Ethereum.

marsbitHace 59 min(s)

¿Se convertirá la Fundación Ethereum en una "mascota"? Organizaciones diversificadas están desgajando sus funciones

marsbitHace 59 min(s)

¿Vale la pena la quema de LIT de 42 millones de dólares para impulsar el próximo gran rally de esta altcoin?

El token Lighter (LIT) ha experimentado una notable actividad reciente. Trás una advertencia previa de posible sobrecompra, el precio cayó un 13% hasta los 2,3 dólares, pero luego se recuperó a 2,60 dólares. Este movimiento se produce después de que el proyecto quemara más de 15,6 millones de tokens LIT, valorados en más de 42 millones de dólares, lo que podría haber generado un impulso alcista a corto plazo. Sin embargo, el análisis técnico en el gráfico diario muestra una divergencia bajista, donde el RSI hizo un máximo más bajo mientras el precio alcanzaba un máximo más alto, señalando una posible corrección. Los niveles de retroceso de Fibonacci sugieren que si LIT cae por debajo de 2,30 dólares, podría iniciarse un retroceso más profundo. En el gráfico de 4 horas, el precio ha formado un rango entre 2,31 y 2,68 dólares. Los operadores están a la espera de una ruptura: un cierre por encima de 2,70 dólares podría apuntar a objetivos de 3,06 y 3,21 dólares, mientras que una caída por debajo del soporte de 2,31 dólares haría más probable un retroceso por debajo de los 2 dólares. En resumen, la demanda se mantiene fuerte, pero los traders deben observar la formación del rango a corto plazo para determinar la próxima dirección del movimiento.

ambcryptoHace 3 hora(s)

¿Vale la pena la quema de LIT de 42 millones de dólares para impulsar el próximo gran rally de esta altcoin?

ambcryptoHace 3 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 3 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 3 hora(s)

Trading

Spot
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow