全链应用层Skate新阶段开启:Shadow主网正式上线

Odaily星球日报Dipublikasikan tanggal 2024-10-29Terakhir diperbarui pada 2024-10-29

Abstrak

Skate 主网第一阶段 Shadow 上线,从今天起,用户将能够在不同的区块链虚拟机上与 Stateless 应用程序进行实时交互。

全链应用层Skate新阶段开启:Shadow主网正式上线

通往未来的 Skate 之路

此前在 Nollie 测试网上的 Skateboard Workshop 中,我们向用户们展示了在不同链和区块链虚拟机中如何进行统一、流畅的单一应用程序体验。现在,借助 Shadow 主网,我们即将推出去中心化信任引擎来保护所有 Stateless 应用程序,具体包括:

- 登陆主网的 Hub Chain

- Eigenlayer 主网上的预确认 AVS

- 首个 Stateless 试点项目:在 TON 上启用 Polymarket

Skate Hub Chain 正式上线

作为 Stateless 应用程序模型的核心处理单元,Skate Hub Chain 现已上线。它将以以太坊 L2 网络的形式运行,通过 Avail 和 EigenDA 双重数据可用性解决方案来提升可扩展性和适应性。Hub Chain 管理和托管所有连接的外围链和虚拟机(包括 EVM、TonVM 和 SolanaVM)的统一状态和核心逻辑,这一设置能够使应用程序在多个区块链环境中无缝运行。与此同时,确保各类应用处于一致状态和逻辑层之中,满足执行高效且可互操作的跨链操作需求。

Skate 区块浏览器:scan.skatechain.org

Skate 预确认 AVS

此次发布的另一个关键组件是预确认 AVS,现已在 Eigenlayer 主网上线。该系统采用 Othentic 的技术栈加以构建,对 Skate 的 Stateless 基础设施至关重要,能够确保所有 Stateless 应用程序处理的回调操作都具备安全、公开可验证性和快速结果性的特点。

预确认 AVS 的重要性主要体现在以下方面:

- 去中心化的信任源:验证 TaskBox 的所有外部任务数据,确保 Skate 执行者网络在外围链上执行的任务始终有效

- 加密经济安全性:确保执行者诚实行事并承诺执行他们接收的意图

- 快速结果性:一旦经 AVS 验证,所有在 Skate 上处理的意图操作都可视为最终确认的结果,以此实现跨链意图的快速结果性

简而言之,我们的 AVS 确保通过 Skate 的 Stateless 基础设施处理的所有内容都是快速、安全和可信的。

首个 Skate Stateless 应用:Polymarket Pilot

全链应用层Skate新阶段开启:Shadow主网正式上线

首个 Stateless 试点应用现已启动,我们将在 TON 网络上启用 Polymarket 预测市场。这一集成能够让数百万使用 TON 区块链的 Telegram 用户直接与部署在 Polygon 上的头部预测市场 Polymarket 进行交互,而无需进行跨链桥接。

应用尝鲜体验链接:https://t.me/skate_app_bot/app

Skate 的 Stateless 设计模式使同一应用程序能够在不同的虚拟机(如 TON 和 Polygon)上无缝运行,确保用户在任一区块链环境中都能获得统一的用户体验。这一试点是实现 Skate 更加宏大愿景的新起点。我们计划将这一解决方案逐步扩展到其他链,如 Solana 和基于 EVM 的链(如 Mantle),进而展示 Skate 的 Stateless 基础设施如何统一应用程序开发并确保在各大区块链生态系统中高效访问各类功能强大的去中心化应用(DAPPs)。

作为初始启动活动的环节之一,我们在此邀请用户参与对应压力测试。首期活动的最大投注额为 1, 000 美元,且仅聚焦于一个预测事件—— 2024 年美国总统大选获胜者。在第一周,用户每投注 1 美元即可赚取 10 个 Ollies 积分。

欢迎大家在体验 Skate 旗下 Stateless 基础设施的各类强大功能的同时赚取对应奖励。

Bacaan Terkait

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

"Ujian Akhir" Kecerdasan Embodied (Embodied AI) Terlalu Sulit, Manusia 100 Poin, Model Terkuat Hanya 12.8 Kemajuan robotika dengan model AI besar (VLA, model dasar robot) sering tampak mulus dalam demo, namun kemampuan sebenarnya dalam melakukan tugas umum tetap menjadi pertanyaan besar. RoboDojo, tolok ukur evaluasi baru yang dikembangkan oleh tim akademis, memberikan "peta pendakian" yang lebih jelas. Ini adalah benchmark terpadu yang mengevaluasi 30 strategi robot utama di 42 tugas simulasi dan 18 tugas robot fisik nyata. Fokusnya adalah menguji lima kemampuan inti: generalisasi (beradaptasi dengan latar, pencahayaan, dan objek baru), memori, presisi (operasi halus seperti memasang), eksekusi multi-langkah panjang, dan pemahaman semantik terbuka terhadap instruksi baru. Hasilnya menunjukkan jurang yang dalam. Di simulasi, model terbaik (Hy-Embodied-0.5-VLA) hanya mencapai tingkat keberhasilan rata-rata 8.80%. Di dunia nyata, kinerja bahkan lebih menantang: model teratas (π0.5) hanya mencapai 12.8% keberhasilan. Sebagai perbandingan, ahli manusia mencapai 76.03% di simulasi dan 100% di dunia nyata. RoboDojo mengungkap bahwa model robot saat ini belum stabil dan andal. Mereka mungkin pandai dalam satu aspek (misalnya, pengenalan visual atau perencanaan), tetapi gagal dalam aspek lainnya (seperti presisi fisik atau pemahaman semantik terbuka). Penurunan kinerja yang signifikan dari simulasi ke dunia nyata juga menyoroti tantangan ketidakpastian fisik, noise sensor, dan kesalahan kalibrasi. Platform ini, dilengkapi dengan infrastruktur XPolicyLab untuk integrasi model yang terstandarisasi dan sistem evaluasi robot fisik (RoboDojo-RealEval) yang dapat direproduksi, bertujuan untuk menjadi "papan peringkat" komunitas yang obyektif. Dengan demikian, RoboDojo tidak hanya mendiagnosis kelemahan saat ini tetapi juga menyediakan jalur terukur untuk kemajuan menuju robot operasi yang benar-benar serbaguna dan dapat diandalkan.

marsbit1j yang lalu

Ujian "Gaokao" untuk Kecerdasan Bertubuh Sulit Gila, Manusia 100 Poin, Model Terkuat Hanya 12.8

marsbit1j yang lalu

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

ANSEM, sebuah meme coin di Solana, melonjak hampir 299% dalam seminggu, memicu kebangkitan minat pada meme coin di ekosistem tersebut. Data dari DeFiLlama menunjukkan peningkatan signifikan dalam volume perdagangan mingguan di platform seperti Pump.fun, dengan meme coin kembali menyumbang lebih dari 20% volume perdagangan mingguan Solana untuk pertama kalinya sejak pertengahan Mei. Namun, di balik tren pemulihan ini tersembunyi risiko besar. Lingkungan perdagangan meme coin sangat cepat dan tidak setara. Robot sniper dan dompet canggih seringkali mengakumulasi sejumlah besar token segera setelah peluncuran, hanya untuk menjualnya saat investor retail masuk, menjadikan para pendatang baru sebagai pihak yang menanggung kerugian. Penelitian dari Galaxy menunjukkan rata-rata waktu holding meme coin saat ini hanya 100 detik, jauh lebih cepat dari siklus sebelumnya. Laporan akademis dan data dari platform seperti MemeTrans mengungkapkan bahwa sebagian besar proyek meme coin memiliki tingkat manipulasi yang tinggi, dengan akun terkoordinasi sering mengendalikan persentase supply yang besar, dan banyak token menunjukkan tanda-tanda wash trading atau pump artifisial. Kebangkitan yang dipicu ANSEM menimbulkan pertanyaan: apakah ini tanda awal pemulihan berkelanjutan atau sekadar fenomena sementara? Pemulihan berkelanjutan memerlukan volume perdagangan harian yang konsisten tinggi dan pangsa meme coin yang mendekati 30% di Solana. Jika sebaliknya, perhatian mungkin tersebar ke banyak tiruan (copycat), volume perdagangan turun, dan minat beralih kembali ke aset kripto utama, menjadikan ANSEM sekadar sorotan sesaat. Sementara meme coin di Solana terbukti kuat dalam menarik perhatian dan pengguna baru, industri perlu menemukan cara untuk memutus siklus manipulasi oleh robot dan pemain besar agar tidak terus merugikan investor retail.

Foresight News1j yang lalu

ANSEM Naik 3 Kali Lipat dalam Seminggu: Kebangkitan dan Jebakan Meme Solana

Foresight News1j yang lalu

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

Meta Labs (MSL) meluncurkan model generasi gambar terbarunya, Muse Image dengan nama kode "Mango". Model ini menempati peringkat kedua dalam arena perbandingan Arena AI, di bawah GPT Image 2 dari OpenAI. Keunggulan utamanya bukan hanya pada kualitas gambar, tetapi pada kemampuannya sebagai *agent* yang dapat berpikir dan merevisi karyanya sendiri. Muse Image mampu mencari informasi online untuk referensi, menghasilkan kode untuk elemen seperti QR code, dan—yang paling mencolok—melakukan koreksi mandiri setelah gambar dibuat, sebuah perilaku yang muncul sendiri selama pelatihan. Model ini terintegrasi erat dengan ekosistem Meta. Pengguna dapat menyebut (@) nama pengguna Instagram publik untuk memasukkan wajah orang tersebut ke dalam gambar yang dibuat, sebuah fitur yang menimbulkan pertanyaan privasi karena diaktifkan secara default. Muse Image juga terhubung dengan model bahasa Muse Spark ("Alpukat"), memungkinkan pembuatan konten yang lebih kompleks seperti game web. Untuk video, Meta memperkenalkan Muse Video yang masih dalam pratinjau, menduduki peringkat ketiga di Arena. Kekuatan utama Meta terletak pada distribusi. Muse Image sudah diintegrasikan ke Meta AI, Instagram, WhatsApp, dan akan menyusul ke platform lainnya, menjangkau miliaran pengguna. Setiap gambar yang dihasilkan dilengkapi watermark digital "Content Seal" untuk identifikasi. Dengan strategi ini, Meta tidak hanya bersaing pada kualitas model, tetapi juga pada kemudahan akses dan integrasi AI ke dalam kehidupan digital sehari-hari.

marsbit2j yang lalu

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

marsbit2j yang lalu

Trading

Spot
活动图片