Axelar(AXL)和Wormhole通过Lido温度检查投票,将提供stETH跨链BNB Chain服务

Odaily星球日报Dipublikasikan tanggal 2024-01-29Terakhir diperbarui pada 2024-01-29

Abstrak

跨链桥最初仅支持BNB Chain,后续可能扩展至其他EVM链。

2023 年 10 月,LayerZero 建立了面向 Lido 所发行的 stETH 的跨链桥,允许将其跨链至 BNB Chain 和 Avalanche。

LayerZero 曾向治理组织 Lido DAO 寻求批准,但在该组织正式批准之前就部署了该跨链桥。技术上而言这并不违规,而这种做法也并非完全前所未见——Lido 曾建立了各种跨链桥,并非所有跨链桥都等到社区投票后才启动。但 Lido DAO 部分社区成员认为 LayerZero 营销方式不当,他们认为 LayerZero 试图在没有 DAO 批准的情况下冒充官方 Lido 合作伙伴。一名成员在 Lido DAO 治理论坛上发文表示:“宣布未定事件,是对 DAO 的不尊重,也是一种明显的不严肃的体现。”

当时一封由一系列加密基础设施提供商签署的声明表示,LayerZero 在不当利用先发优势,以在竞争对手之前“锁定”用户。Lido 战略顾问 Hasu 在 Lido DAO 论坛上表示:“通过单方面部署跨链桥并以官方方式营销,似乎是在向 DAO 施加压力,以避免流动性碎片化。通过这样的营销吸引用户,使得其他的跨链桥提案受限,并且让 DAO、Lido 质押者和参与链陷入了困境。”

随着越来越多的区块链诞生,跨链“互操作性”变得至关重要,跨链桥是跨链互操作性正常运作所需的关键基础设施。但是这些服务也容易出现问题,这就是为什么协议对它们授予认可的地方如此重要的原因。

Lido 的对 stETH 的认可被视为互操作性提供商的重要标志,根据 DeFi Llama 的数据,其 TVL 达 208 亿美元,在 DeFi 协议中位列第一。

今年 1 月 17 日,Lido DAO 发起了一项选择 BNB Chain 的 wstETH 跨链桥开发者的温度检查投票,选项分别包括 Axelar & Wormhole、Chainlink CCIP、LayerZero、Hyperlane。最终 Axelar & Wormhole 支持率达 81.1% ,Chainlink 为 14.1% ,而 LayerZero 仅 4.7% 。

Axelar(AXL)和Wormhole通过Lido温度检查投票,将提供stETH跨链BNB Chain服务

在即将进行的正式投票后,Axelar & Wormhole 将很快成为 stETH 跨链至 BNB Chain 的“官方”服务提供者。

Axelar(AXL)和Wormhole通过Lido温度检查投票,将提供stETH跨链BNB Chain服务

Interop Labs(Axelar 开发商)首席执行官 Sergey Gorbunov 在接受 CoinDesk 采访时表示:“Axelar 和 Wormhole 团队决定合作,将两个网络的安全性有效结合起来,提供跨链 ETH LST 的有效安全性。”

Gorbunov 表示,Axelar 和 Wormhole 的目标是防止“服务提供商固化”,即服务提供商利用他们的先发优势永久巩固自己在协议基础设施中的地位。Axelar 和 Wormhole 跨链方式是开源且可扩展的,根据 Lido 基金会的选择,可能进行后端扩展以支持其他跨链桥提供商。这种可组合性是 Axelar+ Wormhole 提案中开源方法特点之一,其他提案无法复制,该“缺陷”导致了投票结果呈一边倒的形势。

Axelar 表示,跨链桥最初仅支持 BNB Chain,后续可能扩展至其他 EVM 链。

Wormhole 基金会首席商务官 Robinson Burkey 告表示:“在我看来,这不止是一次普通的治理投票,它变得更多地关乎原则而不仅仅是技术。代币持有者能够基于个人意愿支持符合协议利益的最佳选择,如果你剥夺了代币持有者的这种权力,那么就是在逐渐削弱去中心化的基本原则。”

Bacaan Terkait

Laporan Q1 2026 Ethereum: Biaya Turun, Pengguna dan Volume Transaksi Capai Rekor Tertinggi Sejarah

**Laporan Kuartal I Ethereum 2026: Biaya Turun, Pengguna dan Jumlah Transaksi Capai Rekor Tertinggi** Laporan Ethereum Q1 2026 menunjukkan data yang tampak berlawanan tetapi kritis: jaringan ini mengalami pertumbuhan pengguna, transaksi, dan throughput tertinggi sepanjang masa, sementara biaya transaksi, TVL, volume perdagangan, dan kapitalisasi pasar ETH terdilusi turun. Ini menandai transisi Ethereum ke fase 'biaya rendah untuk skala' setelah peningkatan Fusaka meningkatkan kapasitas data dan membuat ruang blok lebih murah, melepaskan permintaan jaringan (paradoks Jevons). Naratif inti Ethereum bergeser dari blockchain DeFi ke lapisan penyelesaian keuangan global. Ethereum mempertahankan dominasi dalam aset tokenisasi: stablecoin, dana tokenisasi (naik 4.9% QoQ), komoditas tokenisasi (naik 60% QoQ, terutama emas), dan saham tokenisasi. Kehadiran institusi seperti BlackRock, JPMorgan, dan Fidelity semakin memperkuat adopsi. **Data Kunci Q1 2026:** * **Penggunaan (Naik):** Pengguna Bulanan Aktif (MAU): 13.2 juta (+53.5% QoQ). Jumlah Transaksi: 200.4 juta (+38% QoQ). Throughput: 25.78 TPS. * **Nilai & Biaya (Turun):** Biaya Transaksi Lapisan-1: $39.9 juta (-47.9% QoQ). TVL Ekosistem: $316.2B (-11% QoQ). Kapitalisasi Pasar ETH Tercairkan Penuh: $290B (-30.3% QoQ). * **Aset Tokenisasi (Stabil/Tumbuh):** Nilai Pasar: $2034B. Didominasi stablecoin ($1789B), diikuti dana ($194B) dan komoditas ($47B). Ethereum mengorbankan pendapatan biaya jangka pendek untuk ekspansi jaringan, berfokus pada konsolidasi sebagai lapisan penyelesaian default untuk aset keuangan global. Peningkatan kapasitas berkelanjutan (seperti rencana upgrade Glamsterdam) diharapkan dapat lebih mendorong adopsi dan nilai jaringan jangka panjang.

marsbit1j yang lalu

Laporan Q1 2026 Ethereum: Biaya Turun, Pengguna dan Volume Transaksi Capai Rekor Tertinggi Sejarah

marsbit1j yang lalu

Baru Saja Raup Dana Rp 2,7 Triliun, Fei-Fei Li Juga Berinvestasi

Ilmuwan ternama dan mantan peneliti senior DeepMind, Pete Florence, baru saja menggalang dana US$4 miliar (sekitar Rp27 triliun) untuk perusahaannya, Generalist AI. Menariknya, meskipun dikenal sebagai salah satu perintis arsitektur model "dunia nyata" (world model) atau Vision-Language-Action (VLA), Florence secara terbuka menolak label "world model" untuk perusahaannya. Florence, yang dibimbing oleh ahli robotika fisik Rusia Tedrake di MIT, percaya bahwa fokus utama seharusnya pada *tujuan*, bukan sekadar *label*. Tujuannya adalah menciptakan robot yang dapat melakukan tugas fisik apa pun dengan tingkat keberhasilan dan kecepatan tinggi, tanpa memerlukan data spesifik untuk setiap tugas, mirip seperti manusia. Generalist AI telah meluncurkan dua model: GEN-0 (2025) dan GEN-1 (2026). GEN-1 diklaim memiliki tingkat keberhasilan 99% dalam tugas-tugas rumit seperti melipat kardus dan merawat robot, berkat pelatihan dengan data interaksi fisik skala besar yang dikumpulkan melalui sarung tangan mekanis khusus. Kemajuan ini menunjukkan bahwa model fisik mereka mendekati titik balik menuju utilitas komersial, mirip dengan GPT-3 untuk bahasa. Pendanaan putaran ini, yang meningkatkan valuasi perusahaan menjadi US$20 miliar, dipimpin oleh investor seperti NVentures (Nvidia), Bezos Expeditions, NFDG, serta figur ternama termasuk pendiri Xiaomi Bin Lin, pendiri Zoom Eric Yuan, dan ilmuwan terkemuka Fei-Fei Li. Investor percaya pada visi Florence untuk mewujudkan robot serba bisa yang benar-benar berguna dalam kehidupan nyata.

marsbit1j yang lalu

Baru Saja Raup Dana Rp 2,7 Triliun, Fei-Fei Li Juga Berinvestasi

marsbit1j yang lalu

Dua Legenda Hilang dalam Tiga Hari: Bendungan Talenta AI Google, Mulai Jebol?

Dalam tiga hari, Google kehilangan dua tokoh legendaris AI. Noam Shazeer, penulis inti makalah Transformer dan pemimpin bersama Gemini, meninggalkan Google untuk bergabung dengan OpenAI. Dua hari kemudian, John Jumper, pemenang Nobel Kimia 2024 dan pemimpin inti AlphaFold, meninggalkan Google DeepMind untuk bergabung dengan Anthropic. Tren ini diperkuat dengan keputusan mantan anggota pendiri OpenAI, Andrej Karpathy, yang bergabung dengan Anthropic pada Mei. Kehilangan ini mencerminkan tren yang lebih luas: aliran talenta AI puncak dari Google ke OpenAI dan Anthropic. Penyebabnya adalah perbedaan mendasar dalam misi. Bisnis inti Google adalah iklan, sehingga penelitian AI sering kali harus selaras dengan tujuan komersial. Sebaliknya, OpenAI berfokus pada AGI untuk kemanusiaan, sementara Anthropic berfokus pada keamanan AI, memungkinkan peneliti berkonsentrasi penuh pada kemajuan teknologi. Faktor lain termasuk prospek kekayaan dari IPO yang akan datang di OpenAI dan Anthropic, yang menawarkan potensi imbalan ekuitas yang jauh lebih besar dibandingkan dengan raksasa matang seperti Google. Selain itu, penggabungan Google Brain dan DeepMind pada 2023 dianggap gagal menyelesaikan ketegangan antara penelitian jangka panjang dan tekanan komersialisasi. Google masih memiliki aset kuat seperti infrastruktur komputasi dan data, tetapi kehilangan talenta kritis ini merupakan tantangan struktural yang mendalam. Di bidang AI, retensi talenta terbaik ternyata lebih sulit daripada membangun model yang paling canggih sekalipun.

marsbit3j yang lalu

Dua Legenda Hilang dalam Tiga Hari: Bendungan Talenta AI Google, Mulai Jebol?

marsbit3j yang lalu

Di Balik 'Raport' AI, Tersembunyi Seorang 'Pembuat Soal' Tionghoa

Setiap kali model AI terdepan dirilis, industri melihat "laporan nilai" seperti MMLU-Pro, MMMU, dan MMMU-Pro. Tolok ukur ini telah menjadi bahasa umum untuk mengevaluasi kemampuan model. Di baliknya adalah nama seorang peneliti Tionghoa, Chen Wenhu, asisten profesor di University of Waterloo. Dia dan lab TIGERLab-nya menciptakan MMLU-Pro karena MMLU lama tidak lagi efektif—model canggih seperti OpenAI o3 hampir mencapai nilai sempurna. MMLU-Pro, dengan 12.032 soal lebih sulit dan 10 pilihan jawaban, berhasil membedakan kembali kemampuan model. Selain itu, mereka mengembangkan MMMU untuk mengevaluasi model multimodal (teks dan gambar) pada 11.500 soal dari berbagai disiplin ilmu. Bahkan model terkuat seperti GPT-4V hanya mencapai akurasi 56%. MMMU-Pro kemudian dibuat agar model tidak bisa mengandalkan teks saja dan harus benar-benar memahami informasi visual. Chen Wenhu memiliki latar belakang riset dalam pemahaman informasi kompleks. Pengalamannya di Google DeepMind untuk proyek Gemini membantunya memahami celah dalam evaluasi. Labnya juga mengerjakan penelitian model, seperti UniVideo untuk video dan MoCha untuk karakter virtual, yang memperdalam pemahaman mereka dalam merancang tolok ukur yang solid. Kini, dia bergabung dengan Meta untuk fokus pada data pelatihan dan evaluasi multimodal. Karyanya menggarisbawahi kontribusi signifikan peneliti Tionghoa di balik layar dalam membentuk standar evaluasi AI global.

marsbit3j yang lalu

Di Balik 'Raport' AI, Tersembunyi Seorang 'Pembuat Soal' Tionghoa

marsbit3j yang lalu

Trading

Spot
Futures
活动图片