ZetaChain 2.0 Launches With Anuma, Bringing Private Memory and AI Interoperability to Creators

TheNewsCryptoDipublikasikan tanggal 2026-01-27Terakhir diperbarui pada 2026-01-27

Abstrak

ZetaChain has launched ZetaChain 2.0, introducing Anuma—a privacy-first AI interface and interoperability layer. Anuma brings private, user-owned memory and cross-AI model interoperability to creators, enabling applications to operate across multiple AI models and blockchains without lock-in. Built by core contributor Ankur Nandwani (co-creator of Basic Attention Token), the platform emphasizes user control, encrypted memory, and built-in monetization. ZetaChain 2.0 includes an AI Portal for unified model routing and a Private Memory Layer for secure, permissioned context retention. The release also features an SDK for developers to build privacy-preserving, multi-model AI apps with global payment support. A waitlist for Anuma is now open.

San Francisco, USA, January 27th, 2026, Chainwire

What Brave helped mainstream for private browsing, Anuma brings to AI with private, user-owned memory and AI Portal-based interoperability powered by ZetaChain 2.0.

ZetaChain today announced the beta launch and public waitlist for Anuma, a privacy-first AI interface built on ZetaChain 2.0. ZetaChain also introduced ZetaChain 2.0, a new AI interoperability layer designed to help developers build applications and agents that work across AI models, preserve private user context, and monetize globally without backend infrastructure.

ZetaChain Core Contributor Ankur Nandwani previously co-created Basic Attention Token (BAT), which powers the Brave browser ecosystem with over 100M monthly active users. Brave helped mainstream privacy-first browsing by blocking trackers and ads by default. Anuma applies that same “privacy and user control by default” approach to the next major consumer interface of AI where context and memory increasingly define user experience.

AI adoption is accelerating at internet scale: McKinsey notes that ChatGPT reached 100 million users in two months, and OpenAI has reported 800 million weekly active users by late 2025. Yet the ecosystem remains fragmented, with only 9% of consumers paying for more than one AI subscription across major assistants. This combination creates lock-in at the model layer and forces developers to repeatedly rebuild the same integration, routing, state, and billing infrastructure, while privacy and data are routinely shared across applications, agents, and model providers.

ZetaChain was built to address fragmentation in Web3 by enabling universal apps — applications that can natively access assets like BTC and execute across multiple blockchains through a single platform. In 2025, the ZetaChain network scaled to more than 11.5 million users and processed more than 225 million transactions. With ZetaChain 2.0, ZetaChain is extending this unification thesis to AI so applications can operate across both chains and models, with permissions and private context built in.

ZetaChain 2.0 is composed of two core components:

  • AI Portal: A unified routing and execution layer that allows applications to access multiple AI model providers without lock-in, with built-in support for availability, fallback, and cost-performance optimization.
  • Private Memory Layer: A protocol-level memory system designed to keep user context encrypted and permissioned, enabling persistent experiences across sessions while maintaining user control over what applications and agents can access.

Developer SDK and Platform

ZetaChain 2.0 is designed to scale as a developer platform. Alongside the protocol components, ZetaChain is releasing a developer SDK that packages private persistent memory, cross-model interoperability, and monetization primitives into a single toolkit. The goal is to make it straightforward to build privacy-first apps and agents that can maintain continuity across sessions, connect to multiple model providers, and support global monetization rails from onchain settlement to traditional payment processors without requiring teams to build bespoke infrastructure.

Anuma: First Consumer Showcase

Anuma is the first consumer AI interface built on ZetaChain 2.0. The product provides access to multiple leading AI models through a single experience, supports switching between models without losing context, and is designed so memory remains private and user-controlled. Users can request early access through the public waitlist.

“Brave and BAT proved that privacy-first defaults can win at consumer scale,” said Ankur Nandwani, Core Contributor at ZetaChain. “We’ve already unified the blockchain experience at scale, powering more than 225 million transactions. ZetaChain 2.0 extends that same approach to AI, enabling the next generation of apps and agents that run across models and chains with private, permissioned memory and global monetization by default.”

In 2023, ZetaChain announced a $27 million funding round with participation from Blockchain.com, Human Capital, VY Capital, Sky9 Capital, Jane Street Capital, VistaLabs, CMT Digital, Foundation Capital, Lingfeng Capital, GSR, and others.

About ZetaChain

ZetaChain is the universal layer for AI and Web3, letting developers build apps that run across chains and models, keep memory private, and monetize without infrastructure. With native connectivity across major blockchains and an AI interoperability stack powered by a Private Memory Layer, ZetaChain is building the foundation for the next generation of apps, agents, and experiences.

Users can follow ZetaChain on X (Twitter) and join the conversation on Discord and Telegram.

Contact

CMO
Jonathan Covey
ZetaChain
jonathan@zetachain.com

Pertanyaan Terkait

QWhat is the core innovation that ZetaChain 2.0 introduces with the launch of Anuma?

AZetaChain 2.0 introduces an AI interoperability layer with two core components: the AI Portal, a unified routing and execution layer for accessing multiple AI models, and the Private Memory Layer, a protocol-level system that keeps user context encrypted and permissioned.

QWho is Ankur Nandwani and what is his previous significant contribution mentioned in the article?

AAnkur Nandwani is a Core Contributor at ZetaChain who previously co-created the Basic Attention Token (BAT), which powers the Brave browser ecosystem with over 100 million monthly active users.

QWhat problem in the current AI ecosystem does ZetaChain 2.0 aim to solve?

AZetaChain 2.0 aims to solve the fragmentation and lock-in in the AI ecosystem, where developers are forced to repeatedly rebuild integration, routing, state, and billing infrastructure, while user privacy and data are routinely shared across applications and model providers.

QWhat are the key features of the Anuma AI interface as the first consumer showcase on ZetaChain 2.0?

AAnuma provides access to multiple leading AI models through a single experience, supports switching between models without losing context, and is designed so that user memory remains private and user-controlled.

QHow did ZetaChain demonstrate its scalability in the Web3 space prior to this announcement?

AIn 2025, the ZetaChain network scaled to more than 11.5 million users and processed more than 225 million transactions, demonstrating its ability to unify the blockchain experience at scale.

Bacaan Terkait

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

Dalam bidang transfer learning, sumber data biasanya berupa gambar, teks, atau audio. Namun, penelitian "Semi-Supervised Noise Adaptation (SSNA)" menunjukkan bahwa **noise acak yang tidak memiliki makna semantik**—dihasilkan dari distribusi Gaussian—juga dapat meningkatkan performa model dalam skenario semi-supervised dengan sedikit data berlabel. Metode ini menggunakan **Kerangka Adaptasi Noise (Noise Adaptation Framework, NAF)**. NAF membuat struktur kategori diskriminatif dalam domain noise acak, lalu mentransfer **struktur** ini ke data target nyata untuk memberikan batas klasifikasi yang lebih jelas. Model memproyeksikan domain noise dan target ke ruang representasi bersama dan menyelaraskannya pada tingkat kategori. Dalam eksperimen, dengan hanya 4 sampel berlabel per kelas, NAF meningkatkan akurasi secara signifikan dibandingkan baseline ERM pada dataset seperti CIFAR-10 (+12.35%), CIFAR-100 (+7.61%), dan lainnya. Peningkatan juga terlihat pada dataset skala besar seperti ImageNet-1K dan tugas klasifikasi teks. Kunci keberhasilan ini bukanlah sifat acak noise itu sendiri, melainkan **struktur kategori yang dapat dipisahkan** yang dibentuknya dalam ruang representasi. Eksperimen ablasi menunjukkan bahwa jika semua noise dikompresi menjadi satu titik (tanpa struktur), kinerja justru menurun drastis. Sebaliknya, memperlebar jarak antara pusat kategori noise meningkatkan akurasi. Penelitian ini menawarkan perspektif baru: dalam transfer learning, pengetahuan yang dapat ditransfer bisa berupa **cara data diorganisasikan dalam ruang representasi**, bukan hanya konten semantiknya. Ini membuka kemungkinan untuk skenario di mana data sumber asli tidak tersedia karena masalah privasi, hak cipta, atau keterbatasan akses. Noise sintetis dapat menjadi alternatif sumber daya yang efektif dan rendah biaya.

marsbit4m yang lalu

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

marsbit4m yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

Artikel berjudul "Operator Teleprompter Gedung Putih Dapatkan Lebih dari $100.000 dengan Informasi Orang Dalam" mengungkap kasus insider trading di pasar prediksi oleh Gabriel Perez, asisten teknis dan operator teleprompter untuk mantan Presiden AS Donald Trump. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, menggunakan informasi orang dalam ini untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidato di platform prediksi Kalshi. Dalam sekitar tiga bulan, ia mendapat untung lebih dari $100.000. Namun, platform Kalshi mendeteksi aktivitas mencurigakan, membekukan dana sekitar $90.000, dan melaporkannya ke CFTC. Akibatnya, Perez diberhentikan sementara tanpa gaji oleh Trump. Meski mengembalikan keuntungan dan berjanji tidak mengulangi pelanggaran, ia tidak menghadapi tuntutan pidana karena dianggap tidak membocorkan informasi rahasia negara. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" terhadap manipulasi, di mana orang dalam atau pembicara sendiri dapat dengan mudah mempengaruhi hasil. Insiden serupa sebelumnya melibatkan tentara dan insinyur Google. Sebagai tanggapan, platform seperti Kalshi mulai memperketat aturan, termasuk mengharuskan pengguna mengungkapkan tempat kerja. Artikel menyimpulkan bahwa meskipun pembersihan perdagangan orang dalam membuat pasar prediksi lebih patuh, hal itu juga menjauhkannya dari tujuan awalnya sebagai pengejawantahan kebijaksanaan kolektif, menjadikannya lebih mirip kasino biasa.

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Sebuah staf Gedung Putih yang bertugas mengoperasikan teleprompter (penyusun teks pidato) untuk mantan Presiden AS Donald Trump, Gabriel Perez, telah diduga melakukan perdagangan orang dalam (insider trading) di pasar prediksi. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, dilaporkan memanfaatkan informasi non-publik tersebut untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidatonya di platform prediksi Kalshi. Dalam kurun waktu sekitar tiga bulan, ia dikabarkan memperoleh keuntungan lebih dari $100,000. Kalshi kemudian mendeteksi aktivitas transaksi yang tidak biasa dan membekukan lebih dari $90,000 di akun Perez sebelum melaporkan kasus ini kepada Commodity Futures Trading Commission (CFTC). Atas insiden tersebut, Perez diberhentikan sementara dari tugasnya tanpa gaji oleh Trump. Berbeda dengan dua kasus insider trading sebelumnya di pasar prediksi yang melibatkan seorang tentara dan insinyur Google, Perez tidak menghadapi tuntutan pidana. CFTC dikabarkan sedang dalam proses penyelesaian damai yang mewajibkannya mengembalikan keuntungannya dan berhenti melakukan transaksi serupa. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" (mention markets) terhadap manipulasi, di mana individu dengan informasi orang dalam atau bahkan pembicara itu sendiri dapat dengan mudah memengaruhi hasilnya. Beberapa contoh, seperti CEO Coinbase yang dengan sengaja menyebut semua opsi taruhan dalam sebuah konferensi, mengilustrasikan masalah ini. Menanggapi hal tersebut, Kalshi telah memperketat kebijakan dengan mewajibkan pengguna mengungkapkan tempat kerja mereka untuk mencegah penyalahgunaan informasi orang dalam. Insiden Perez menandai langkah lain dalam pembersihan perdagangan orang dalam di industri pasar prediksi, sekaligus mempertanyakan keandalan pasar tersebut sebagai cerminan kebijaksanaan kolektif.

Odaily星球日报1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Odaily星球日报1j yang lalu

Tambang Bitcoin Berubah Menjadi Pabrik AI

Tambang Bitcoin Berubah Menjadi Pabrik AI Di Texas, AS, proyek kampus besar pertama OpenAI "Stargate" dibangun di atas lahan bekas penambangan Bitcoin oleh Crusoe, perusahaan yang awalnya memanfaatkan gas alam terbuang untuk menambang kripto. Ini mencerminkan tren transformasi besar: infrastruktur dan sumber daya dari era Crypto kini dialirkan ke industri AI. Pilar utama transformasi ini adalah: 1. **Tambang ke Pusat Data AI:** Perusahaan penambangan seperti Bitdeer, CoreWeave (dulunya Atlantic Crypto), TeraWulf, dan Hut 8 menjual atau mengalihkan kapasitas pusat data mereka yang sudah memiliki akses listrik, lahan, dan izin ke perusahaan AI seperti Anthropic dan AWS. Kontrak jangka panjang bernilai miliaran dolar ini lebih menguntungkan dibandingkan pendapatan menambang Bitcoin yang menurun. 2. **Talenta Crypto ke Startup AI:** Mantan eksekutif dan insinyur Crypto membawa keahlian mereka ke bidang AI. Contohnya, Alex Atallah (co-founder OpenSea) mendirikan OpenRouter, sebuah platform agregator untuk ratusan model AI. Burkay Gur (eks Coinbase) mendirikan Fal.ai, infrastruktur untuk inferensi media generatif. 3. **Modal Crypto Mendanai AI:** Kekayaan yang terakumulasi dari pasar Crypto digunakan untuk membiayai ekosistem AI. Jed McCaleb (pendiri Ripple/Stellar) mendanai Voltage Park, penyewa GPU skala besar. Venture capital Crypto seperti Paradigm berinvestasi dalam startup AI seperti Nous Research (pengembang model Hermes). Bahkan investasi awal SBF (FTX) di Anthropic dan Anysphere (penghasil Cursor) menunjukkan aliran modal ini. Intinya, industri Crypto tidak menghilang, tetapi aset-aset berharganya—infrastruktur listrik/pusat data, talenta teknis, dan modal—ditempatkan kembali untuk membangun fondasi industri AI berikutnya.

链捕手1j yang lalu

Tambang Bitcoin Berubah Menjadi Pabrik AI

链捕手1j yang lalu

Trading

Spot
活动图片