IOSG|叛离与独立:重新审视应用链论点

深潮Dipublikasikan tanggal 2025-08-11Terakhir diperbarui pada 2025-08-12

由于具备品牌、用户心智与高度定制化的链上能力,Appchain 可以更好地沉淀长期用户价值。

撰文:Jiawei @IOSG

三年前,我们写过一篇 Appchain 的文章,起因是 dYdX 宣布将其去中心化衍生品协议从 StarkEx L2 迁移到 Cosmos 链上,将其 v4 版本作为基于 Cosmos SDK 和 Tendermint 共识的独立区块链推出。

在 2022 年,Appchain 可能是相对边缘的技术选项。步入 2025 年,随着越来越多 Appchain,特别是 Unichain 和 HyperEVM 的推出,市场的竞争格局正在悄然变化,并且形成了围绕 Appchain 所展开的趋势。本文将从此出发,讨论我们的 Appchain Thesis。

Uniswap 和 Hyperliquid 的选择

Source: Unichain

关于 Unichain 的构想出现得很早,Nascent 创始人 Dan Elitzer 在 2022 年就发表了 The Inevitability of UNIchain,提出 Uniswap 的体量、品牌、流动性结构以及对性能和价值捕获的需求,指向其推出 Unichain 的必然性。从那时起就一直有关于 Unichain 的讨论。

Unichain 在今天 2 月正式推出,已经有超过 100 个应用程序和基础设施提供商在 Unichain 上构建。目前 TVL 约为 10 亿美金,排在众多 L2 的前五。未来还将推出 200ms 区块时间的 Flashblocks 和 Unichain 验证网络。

Source: DeFiLlama

而作为 perp 的 Hyperliquid 显然从 day 1 就有 Appchain 和深度定制化的需求。在核心产品之外,Hyperliquid 还推出了 HyperEVM,与 HyperCore 一样,由 HyperBFT 共识机制保护。

换句话说,在其本身强大的 perp 产品之外,Hyperliquid 还在探索构建生态的可能性。目前 HyperEVM 生态已经有超过 20 亿美金的 TVL,生态项目开始涌现。

从 Unichain 和 HyperEVM 的发展,我们可以直观地看到两点:

L1/L2 竞争格局开始分化。Unichain 和 HyperEVM 生态 TVL 加起来超过 30 亿美元。这些资产在过去本应沉淀在以太坊、Arbitrum 等通用型 L1/L2 上。顶级应用自立门户直接导致了这些平台的 TVL、交易量、交易费用和 MEV 等核心价值来源的流失。

过去,L1/L2 与 Uniswap、Hyperliquid 这类应用是共生关系,应用为平台带来活跃度和用户,平台为应用提供安全和基础设施。现在,Unichain 和 HyperEVM 自己成为了平台层,与其他 L1/L2 形成了直接的竞争关系。它们不仅争夺用户和流动性,也开始争夺开发者,邀请其他项目在自己的链上构建,这从很大程度上改变了竞争格局。

Unichain 和 HyperEVM 的扩张路径与现在的 L1/L2 截然不同。后者往往是先建基础设施,再用激励吸引开发者。而 Unichain 和 HyperEVM 的模型是「产品优先」——它们首先拥有一个经过市场验证、拥有庞大用户基础和品牌知名度的核心产品,随后围绕这个产品来构建生态和网络效应。

这种路径的效率和持续性更高。它们不需要通过高额的开发者激励「购买」生态,而是通过核心产品的网络效应和技术优势「吸引」生态。开发者之所以选择在 HyperEVM 上构建,是因为那里有高频交易用户和真实的需求场景,而不是因为虚无缥缈的激励承诺。显然这是一种更为有机和可持续的增长模式。

过去三年什么改变了?

Source: zeeve

首先是技术栈的成熟和第三方服务提供商的完善。三年前,构建 Appchain 需要团队掌握区块链的全栈技术,而随着 OP Stack、Arbitrum Orbit、AltLayer 等 RaaS 服务的发展与成熟,从执行、数据可用性到结算和互操作,开发者可以像选用云服务一样,将各个模块化按需组合,极大降低了构建 Appchain 的工程复杂度和前期资本投入。运营模式从自建基础设施转变为购买服务,为应用层创新提供了灵活性和可行性。

其次是品牌和用户心智。我们都知道注意力是稀缺资源。用户往往忠于应用的品牌,而非底层技术设施:用户使用 Uniswap 是因为其产品体验,而不是因为它运行在以太坊上。而随着多链钱包的广泛采用以及 UX 的进一步改善,用户在使用不同链的时候近乎是无感知的——他们的接触点往往首先是钱包和应用。而当应用构建自己的链,用户的资产、身份和使用习惯都沉淀在应用生态内,形成强大的网络效应。

Source: Token Terminal

最重要的是应用对经济主权的追求在慢慢凸显。在传统的 L1/L2 架构中,我们可以看到价值流动呈现明显的「自顶向下」趋势:

  1. 应用层创造价值(Uniswap 的交易、Aave 的借贷)

  2. 用户为使用应用支付费用(application fees+ gas fee),这些费用的一部分给协议,一部分给 LP 或其他参与者

  3. 其中的 gas 费用 100% 流向 L1 验证者或 L2 排序器

  4. MEV 被搜索者、构建者和验证者按不同比例瓜分

  5. 最终 L1 的代币通过质押捕获除 app fee 外的其他价值

在这个链条中,创造最多价值的应用层反而捕获最少。

根据 Token Terminal 统计,在 Uniswap 64 亿美元的总价值创造中(包括 LP 收益、gas 费等等),协议 / 开发者、股权投资者和代币持有者所获得的分配还不到 1%。而自推出起,Uniswap 为以太坊创造了 27 亿美金的 gas 收入,这大概是以太坊收取的结算费用的 20%。

而如果应用有自己的链,会怎么样呢?

它们可以将 gas 费收归己有,用自己的代币作为 gas token;并且把 MEV 内部化,通过控制排序器来最小化恶意 MEV,将良性 MEV 返还给用户;或是定制费用模型,实现更复杂的费用结构等等。

这样看来,寻求价值的内化成为应用的理想选择。当应用的议价权足够大,自然会要求更多的经济利益。因此优质应用对底层链是弱依附关系,而底层链对优质应用是强依附关系。

小结

Source: Dune@reallario

上图粗略对比了 2020 年至今协议(红色)和应用(绿色)的收入。我们显然可以看到应用捕获的价值在逐渐上升,并在今年达到约 80% 的水平。这可能在某种程度上推翻了 Joel Monegro 著名的关于「胖协议瘦应用」的理论。

我们正在见证「胖协议」理论向「胖应用」理论的范式转移。回顾过去加密领域对项目的定价逻辑,主要是以「技术攻关」和底层基础设施的推动为核心的。未来则会逐步转向以品牌、流量与价值捕获能力为锚点的定价方法。如果应用可以轻松地基于模块化服务构建自己的链,L1 传统的「收租」模式就会受到挑战。就像 SaaS 的兴起降低了传统软件巨头的议价能力,模块化基础设施的成熟也在削弱 L1 的垄断地位。

未来头部应用的市值无疑会超过多数 L1,L1 的估值逻辑将从以往的「捕获生态总价值」转变为一个稳定、安全的去中心化「基础设施服务提供商」,其估值逻辑将更接近于产生稳定现金流的公共产品,而非能够捕获大部分生态价值的「垄断性」巨头。其估值泡沫会在一定程度上被挤压。L1 也需要重新思考自身定位。

关于 Appchain,我们的观点是:由于具备品牌、用户心智与高度定制化的链上能力,Appchain 可以更好地沉淀长期用户价值。在「胖应用」时代下,这些应用不仅可以捕获自己创造的直接价值,还能围绕应用自身构建区块链,进一步将其外化并捕获基础设施的价值——它们既是产品,又是平台;既服务终端用户,又服务其他开发者。除了经济主权外,顶级的应用还将寻求其他主权:协议升级的决定权、交易排序和审查抵抗和用户数据的所有权等等。

当然,本文主要在已经推出 Appchain 的 Uniswap 和 Hyperliquid 等顶级应用的语境下探讨。Appchain 的发展仍在早期阶段(Uniswap 的 TVL 在以太坊上占比仍然有 71.4%)。而对类似 Aave 等涉及到包装资产和抵押品、高度依赖一条链上的可组合性的协议,也不太适合 Appchain。相对来说,对外部需求只有预言机的 perp 就更适合 Appchain。并且,Appchain 对于中腰部的应用来说并非是最佳选择,需要具体情况具体分析。这里就不再展开叙述。

Bacaan Terkait

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手58m yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手58m yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

Peringatan Gelembung AI: Investasi AI Membawa Pengembalian Negatif bagi Sebagian Besar Raksasa Teknologi Demam AI kini memasuki tahap pemeriksaan keuangan. Raksasa cloud seperti Microsoft, Alphabet, Amazon, Meta, dan Oracle berencana menginvestasikan ratusan miliar dolar ke pusat data AI dalam lima tahun ke depan. Namun, analisis terhadap proyeksi pendapatan dan pengeluaran modal (capex) hingga 2030 mengungkap masalah: tingkat pengembalian investasi implisit diperkirakan sangat negatif bagi semua perusahaan kecuali Amazon, bahkan dalam skenario optimis ekstrem. Ini menunjukkan bahwa jika tren saat ini berlanjut, boom AI bisa menjadi salah satu peristiwa perusakan nilai pemegang saham terbesar. Ada dua jalan keluar: pendapatan yang jauh melebihi ekspektasi saat ini, atau pengurangan rencana investasi. Jalan pertama tampaknya mustahil, karena membutuhkan tambahan pendapatan triliunan dolar. Jalan kedua—pemotongan investasi—akan berdampak luas, meruntuhkan harga saham perusahaan-perusahaan teknologi global dan dapat mendorong ekonomi AS ke resesi, mengingat 93% pertumbuhan PDB AS belakangan ini didorong oleh investasi teknologi. IPO perusahaan AI seperti OpenAI dan Anthropic tahun ini bisa menjadi mekanisme transfer risiko, memindahkan ketidakpastian dari pemilik awal kepada investor ritail dan dana pensiun. Sementara euphoria pemasaran mungkin bertahan hingga setelah IPO tahun 2026, tekanan matematika yang tak terelakkan mungkin memaksa raksasa cloud mengumumkan pemotongan investasi pada 2027 atau 2028, mirip dengan jeda tiga tahun antara peringatan "irrational exuberance" Alan Greenspan pada 1996 dan pecahnya gelembung dotcom pada 2000.

marsbit1j yang lalu

Peringatan Gelembung AI: Investasi AI Merupakan Pengembalian Negatif bagi Kebanyakan Raksasa Teknologi

marsbit1j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

Dari Token ke Tenaga Kerja Mesin: AI Berubah dari Alat Menjadi "Pekerja" AI mulai menulis kode, menangani tiket dukungan pelanggan, dan meninjau dokumen hukum. Artikel ini mengusulkan kerangka baru: komersialisasi AI sedang bergerak menuju "pasar tenaga kerja mesin". Dalam pasar ini, token hanyalah unit pengukuran, GPU adalah bahan baku, dan model adalah alat produksi. Objek yang benar-benar ditetapkan harganya dan diperdagangkan adalah kerja ekonomi yang diselesaikan langsung oleh perangkat lunak. Mekanisme penetapan harga AI akan berkembang dari token mentah, kemampuan model yang terstandarisasi, tenaga kerja yang terspesialisasi industri, hingga pasar hasil yang dapat diprogram. Di masa depan, perusahaan mungkin tidak lagi peduli model atau GPU mana yang menyelesaikan suatu tugas, tetapi lebih pada apakah tugas itu diselesaikan dalam batas latensi, akurasi, keandalan, dan biaya yang ditentukan. Implikasinya, dampak AI pada pasar tenaga kerja manusia tidak hanya sekadar penggantian. Saat mesin mengambil alih lebih banyak pekerjaan yang dapat distandardisasi dan diverifikasi, peran manusia mungkin bergeser ke pengawasan, penanggung jawab, manajemen konteks, dan keputusan akhir. Dalam beberapa kasus, penilaian manusia untuk 1% akhir justru menjadi lebih berharga karena dapat membuka kunci 99% otomatisasi skala besar. Pasar AI adalah pasar ekspansif. Ketika biaya kerja turun, permintaan tidak tetap. Jika interaksi dukungan pelanggan menjadi lebih murah, perusahaan dapat menawarkan layanan 24/7, menciptakan pasar interaksi pelanggan yang lebih besar. Persaingan tahap berikutnya di pasar AI mungkin bukan lagi sekadar pertarungan kemampuan model atau perang harga daya komputasi, tetapi tentang siapa yang dapat pertama kali menstandarisasi, memverifikasi, dan menetapkan harga "pekerjaan", akhirnya menjadikan tenaga kerja mesin sebagai faktor produksi baru yang dapat dibeli, diselesaikan, dan diperdagangkan.

marsbit2j yang lalu

Dari Token ke Tenaga Kerja Mesin: AI Sedang Berubah dari Alat Menjadi 'Pekerja'

marsbit2j yang lalu

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

**Ringkasan:** Xiaomi MiMo memotong harga API MiMo-V2.5 hingga **99%**, memicu spekulasi tentang perang harga atau strategi merugi. Luo Fuli, kepala MiMo, merespons dengan mempublikasikan blog teknis 5000 kata yang merinci **enam pilar teknikal** di balik potongan harga besar ini. Intinya, diskon 99% terutama untuk **Input (Cache Hit)** – bagian dimana pengguna membaca ulang konteks historis dalam percakapan panjang. Ini menjadi mungkin karena serangkaian optimasi teknikal yang mengubah biaya komputasi untuk bagian tersebut mendekati nol. **Enam Pilar Teknikal:** 1. **Arsitektur Hybrid SWA:** Menggunakan Sliding Window Attention di sebagian besar lapisan model, mengurangi volume **KVCache** (memori jangka pendek model) hingga **1/7**. 2. **Manajemen KVCache Dua Kolam:** Mengalokasikan memori secara terpisah untuk lapisan SWA dan Full Attention, benar-benar mewujudkan penghematan teoretis 1/7 dan meningkatkan jumlah pengguna yang dapat dilayani secara bersamaan. 3. **Prefix Cache yang Dioptimalkan:** Meningkatkan aturan pencocokan cache untuk arsitektur SWA, menghasilkan **tingkat keberhasilan cache 93-95%** untuk pembacaan ulang. Artinya, sebagian besar permintaan "baca ulang" tidak memerlukan komputasi GPU baru. 4. **Sistem Cache Terdistribusi GCache:** Menyimpan data cache di **SSD bawaan mesin GPU**, menghilangkan biaya penyimpanan cluster khusus dan memperpanjang masa hidup cache. 5. **Sistem Penjadwalan LLM-Router:** Mengarahkan permintaan secara cerdas berdasarkan kesamaan prefix dan panjang konteks, memprioritaskan permintaan yang menggunakan cache, meningkatkan efisiensi dan mengurangi latensi. 6. **Multi-Token Prediction (MTP):** Mengoptimalkan proses generasi output model, mempercepat pembuatan respons dan melengkapi pengurangan biaya di sisi input. **Kesimpulan:** Penurunan harga 99% bukanlah gimmick pemasaran atau strategi merugi, tetapi hasil dari **efisiensi sistemik rekayasa AI** yang telah divalidasi di lingkungan produksi. Rantai optimasi ini secara kumulatif mengurangi biaya komputasi per permintaan hingga lebih dari 95%, memungkinkan penurunan harga ekstrem sambil mempertahankan profitabilitas. Luo Fuli menekankan bahwa ini adalah masalah teknikal yang terwujud, bukan sekadar perang harga.

marsbit3j yang lalu

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

marsbit3j yang lalu

Rp 426 Triliun, "Tim Murni Tionghoa" Menopang Perusahaan Pemrograman AI dengan Valuasi Tertinggi di Dunia

Pada Mei 2025, Cognition AI, startup pengembangan AI yang didirikan oleh tiga pendiri berkebangsaan China pemenang Olimpiade Informatika, mengumumkan pendanaan baru senilai lebih dari $10 miliar, yang menaikkan valuasinya menjadi $26 miliar. Lonjakan valuasi ini, hanya dalam 8 bulan sejak valuasi $10,2 miliar sebelumnya, didorong oleh kepercayaan investor bahwa agen AI seperti "Devin" perusahaan mereka akan menjadi infrastruktur rekayasa perangkat lunak generasi berikutnya. Awalnya, Cognition menciptakan sensasi dengan meluncurkan Devin, yang dipasarkan sebagai "insinyur perangkat lunak AI" pertama yang dapat menangani tugas pengkodean secara mandiri. Namun, produk awal ini menuai kritik karena kinerja yang tidak konsisten dan harga yang tinggi. Untuk mengatasi kekurangan ini, Cognition melakukan pivoting strategis dengan mengakuisisi Windsurf, sebuah platform IDE berbasis AI, pada tahun 2025. Akuisisi ini memberi Cognition dua jalur produk: Devin untuk menangani tugas-tugas rekayasa asinkron yang dapat didelegasikan, dan Windsurf IDE sebagai alat bantu kolaboratif bagi pengembang dalam editor kode. Kombinasi ini terbukti sukses. Cognition melaporkan pertumbuhan penggunaan perusahaan lebih dari 10 kali lipat tahun ini, dengan run-rate pendapatan mencapai $492 juta dan pertumbuhan penggunaan bulanan Devin sebesar 50% selama enam bulan terakhir. Kliennya termasuk nama-nama besar seperti Goldman Sachs, NASA, dan Angkatan Darat AS. Intinya, valuasi $26 miliar ini mencerminkan keyakinan pasar bahwa Cognition, dengan strategi "dua kaki"nya, berada di posisi yang tepat untuk menangkap peluang adopsi AI berskala besar di sektor rekayasa perangkat lunak perusahaan, yang bergerak menuju sistem hybrid di mana manusia dan AI berkolaborasi.

marsbit4j yang lalu

Rp 426 Triliun, "Tim Murni Tionghoa" Menopang Perusahaan Pemrograman AI dengan Valuasi Tertinggi di Dunia

marsbit4j yang lalu

Trading

Spot
Futures
活动图片