预言机的演化史 ( 一 )：从数据桥到智能信任层

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

Bacaan Terkait

Prediksi harga Ethena: Akankah zona $0,08 mempertahankan pemulihan ENA?

Harga Ethena (ENA) telah bergerak naik sejak 8 Juli, meningkat 14,11% dari titik terendah $0,072 menjadi $0,082, berhasil menembus zona resistensi jangka pendek di $0,08. Namun, tren penurunan sejak awal Juni belum terpatahkan. Berita positif datang dari fitur Robinhood Earn yang diluncurkan 1 Juli, di mana ENA menyumbang lebih dari 70% alokasi aset dari deposit pengguna Robinhood, mendorong TVL Robinhood Chain naik 160%. Di sisi lain, transfer besar 1,231 miliar ENA (senilai $94 juta) antara dompet tidak dikenal menciptakan sinyal campuran. Secara teknis, pergerakan harga jangka panjang masih bearish, dengan OBV terus mencapai level terendah baru. Pada kerangka waktu harian, pemantulan dari zona $0,08 memerlukan kenaikan OBV berkelanjutan untuk mengonfirmasi tekanan beli. Zona resistensi kunci selanjutnya berada di $0,105-$0,125. Analisis menyimpulkan bahwa pada harga saat ini, risiko untuk trader swing masih terlalu tinggi, baik untuk posisi beli maupun jual.

ambcrypto29m yang lalu

Prediksi harga Ethena: Akankah zona $0,08 mempertahankan pemulihan ENA?

ambcrypto29m yang lalu

Claude Dituduh Jadi Bodoh di Seluruh Internet, Anthropic Ungkap Penyebab Sebenarnya: Masalahnya Bukan di Modelnya

"Model" dan "Effort" dalam Claude Code: Bukan Model yang Bodoh, tapi Pengaturan yang Salah. Banyak pengguna mengeluh Claude Code menjadi "bodoh", seperti tidak membaca file atau menjalankan tes. Ternyata, masalahnya bukan pada model AI-nya, melainkan pada pengaturan **Effort** yang secara diam-diam diturunkan dari high ke medium oleh Anthropic pada Maret, demi mengurangi latency. Effort mengontrol seberapa keras Claude bekerja: membaca file, menjalankan tes, dan menyelesaikan tugas multi-langkah. Anthropic menjelaskan perbedaan kunci: - **Model** (Seperti Sonnet, Opus, Fable): Menentukan "kemampuan" atau pengetahuan dasar AI (terkait bobot yang dibekukan saat pelatihan). Ini menjawab "bisakah" AI melakukan tugas. - **Effort** (low, medium, high, ultra): Menentukan "sikap" atau seberapa banyak usaha yang AI kerahkan untuk tugas *tersebut*. Ini mengontrol seberapa teliti, proaktif, dan mandirinya AI. Kesalahan umum adalah langsung mengganti ke model yang lebih besar (dan mahal) ketika hasilnya buruk. Seringkali, menaikkan level Effort pada model yang lebih kecil (misal, Sonnet dengan high effort) bisa mengungguli model besar dengan effort rendah (Opus dengan medium effort), karena Claude mengerahkan lebih banyak pekerjaan. **Kerangka diagnosis resmi dari Anthropic:** 1. Periksa konteks/prompt Anda terlebih dahulu. 2. Jika Claude **tidak cukup berusaha** (melewatkan file, tes), **naikkan Effort**. 3. Jika Claude **tidak mampu** (salah terus meski konteks jelas dan berusaha), **ganti model yang lebih kuat**. Intinya: Era hanya membandingkan kekuatan model akan berakhir. Keterampilan baru yang penting adalah **menjadwalkan dan mengalokasikan** model & effort dengan tepat sesuai tugas, seperti manajer proyek, untuk hasil yang lebih baik dan penghematan biaya token.

marsbit34m yang lalu

Claude Dituduh Jadi Bodoh di Seluruh Internet, Anthropic Ungkap Penyebab Sebenarnya: Masalahnya Bukan di Modelnya

marsbit34m yang lalu

Yayasan Ethereum Mungkin Akan Berevolusi Menjadi "Maskot"? Organisasi yang Beragam Sedang Memangkas Fungsinya

Yayasan Ethereum Foundation (EF) baru saja membubarkan tim dukungan protokolnya secara resmi, menandai salah satu perubahan organisasi terbesar dengan setidaknya 8 orang senior yang telah mengundurkan diri tahun ini. Restrukturisasi internal ini, yang disebut-sebut sebagai "pembersihan" besar-besaran, bertujuan menciptakan struktur yang lebih ramping namun memicu gelombang keluarnya talenta kunci. Mantan anggota EF kini mendirikan organisasi independen seperti Ethlabs dan Ethereum Institutional, yang masing-masing berfokus pada pengembangan teknologi inti dan adopsi institusional. Hal ini menunjukkan pergeseran fungsi-fungsi penting dari EF yang sentralistik ke entitas yang lebih terspesialisasi dan terdesentralisasi dalam ekosistem. Di sisi lain, tim keamanan EF mulai memanfaatkan agen AI untuk pengujian keamanan yang lebih luas, berhasil menemukan kerentanan nyata. Meski diklaim belum menggantikan peran peneliti manusia, kemajuan teknologi AI berpotensi mengubah lebih lanjut struktur dan kebutuhan tenaga kerja di EF. Dengan harga ETH yang stagnan dan kritik internal terhadap tata kelola EF, masa depan yayasan ini dipertanyakan. Pendiri Vitalik Buterin sendiri telah menyuarakan visi untuk EF yang lebih kecil dan berfokus jangka panjang. Analisis menunjukkan EF mungkin berevolusi dari pemimpin pusat menjadi lebih seperti "maskot" atau koordinator simbolis, sementara organisasi lain yang lebih gesit mengambil alih peran operasional dan penggerak inovasi dalam ekosistem Ethereum yang semakin matang dan kompleks.

marsbit1j yang lalu

Yayasan Ethereum Mungkin Akan Berevolusi Menjadi "Maskot"? Organisasi yang Beragam Sedang Memangkas Fungsinya

marsbit1j yang lalu

Apakah Burn LIT senilai $42 Juta Cukup untuk Memicu Rally Besar Berikutnya bagi Altcoin?

Token Lighter (LIT) mengalami reli 3,68% dalam 24 jam terakhir dengan volume perdagangan melonjak 13,52%. Secara mingguan, token telah naik 18%. Setelah peringatan potensi kondisi jenuh beli dan koreksi ke $2, harga sempat turun 13% ke $2,3 tetapi telah pulih ke $2,60. Pada 10 Juli, proyek membakar lebih dari 15,6 juta token LIT senilai $42 juta, setara 6,3% dari pasokan beredar. Pembakaran besar ini mungkin memicu momentum bullish jangka pendek, dengan potensi pergerakan menuju $3. Analisis chart 1-hari menunjukkan divergensi bearish: RSI membuat lower high sementara harga membuat higher high, mengisyaratkan kemungkinan pullback. Tingkat retracement Fibonacci diplot dari ayunan $0,83 ke $2,76. Jika LIT jatuh di bawah $2,30 (level retracement 23,6%), penurunan lebih dalam bisa terjadi. Pada chart 4-jam, terbentuk formasi kisaran (range) antara $2,31 dan $2,68. Trader bisa menunggu breakout bullish di atas $2,70 untuk membeli dengan target $3,06 dan $3,21. Sebaliknya, breakdown di bawah $2,31 dapat mengarah pada pullback di bawah $2. Intinya, permintaan dan momentum bullish LIT tetap kuat meski ada sinyal divergensi bearish. Trader disarankan memantau formasi kisaran jangka pendek untuk petunjuk arah pergerakan berikutnya.

ambcrypto3j yang lalu

Apakah Burn LIT senilai $42 Juta Cukup untuk Memicu Rally Besar Berikutnya bagi Altcoin?

ambcrypto3j yang lalu

Hampir 100 Pemain Menerjang Data Embodied: 4.47 Miliar Dana Diraup dalam Setahun, Siapa yang Benar-Benar Bisa Cuan 'Menjual Data'?

Menjelang Juli 2026, industri data embodied (pelatihan robot) di China telah berkembang menjadi jalur independen dengan hampir 100 pemain. Sebanyak 70 perusahaan fokus pada pengumpulan data melalui empat rute utama: teleoperasi robot fisik, pengumpulan tanpa robot (seperti motion capture), simulasi sintetis, dan distilasi video internet. Mayoritas pemain adalah penyedia layanan data independen (40%), diikuti platform data milik negara (26%) dan perusahaan robotika (25%). Kapasitas produksi tahunan industri saat ini diperkirakan 1,6-1,8 juta jam data fisik, dengan target jangka pendek meningkat 15-20 kali lipat. Sentra produksi tersebar di 20 provinsi, terutama di kawasan Yangtze Delta. Dalam satu tahun terakhir (Juli 2025-Juli 2026), 15 penyedia layanan data independen mengumpulkan total pendanaan sekitar RMB 4,47 miliar. Namun, angka ini jauh lebih kecil dibandingkan pendanaan untuk pengembangan model AI embodied, menunjukkan sikap hati-hati investor. Industri ini masih sangat awal: lebih dari setengah perusahaan pendatang baru berusia di bawah setahun, mayoritas masih dalam tahap pendanaan awal (Pra-A/A), dan belum ada model bisnis "menjual data" yang terbukti menguntungkan. Dua hingga tiga tahun ke depan akan menjadi periode kritis untuk menguji kelayakan bisnis ini.

marsbit3j yang lalu

Hampir 100 Pemain Menerjang Data Embodied: 4.47 Miliar Dana Diraup dalam Setahun, Siapa yang Benar-Benar Bisa Cuan 'Menjual Data'?

marsbit3j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow