MATIC升级为POL会带来哪些改变 有何影响

比推Опубликовано 2024-09-05Обновлено 2024-09-05

作者:hitesh.eth,加密KOL;翻译:金色财经xiaozou

MATIC升级为POL之后,代币经济学会发生什么变化,对POL代币的未来价值有何影响?本文我们来一起探讨一下。

Polygon在去年的路线图中宣布了两个主要计划。第一个计划是将Polygon PoS链升级为ZkEVM Validum链,以获得更高的可扩展性、更快的最终确定性,同时可连接AggLayer。另一个计划是通过1:1的MATIC-POL代币迁移来启动POL代币。

从2024年9月4日开始,持有者就可以将他们的MATIC 1:1迁移为新的POL代币。币安OKX等CEX(中心化交易所)将代表用户处理迁移。

你只需遵循他们的公告,取消所有未结订单,如果你持有MATIC的话,那么你将收到的是POL代币。

一些DEX(去中心化交易所)和DEX聚合平台将使用自己的UI进行MATIC到POL的迁移,你也可以使用Polygon迁移门户或智能合约地址来自己完成此迁移。

有趣的是,代币升级还给代币经济学带来了重大改变,其设计考量还涵盖了未来路线图和价值捕获。

带来了哪些改变?

Polygon验证者的Matic代币通胀奖励在Polygon完成通胀周期后于去年结束。

我们都知道,在没有代币奖励的情况下维持网络增长有多么困难,因此他们需要解决这个问题,来保持网络的有序运行以及维持验证者的热情。

每年将有2亿枚新代币POL投入流通中,用于未来10年对验证者的奖励,如果1 POL = 0.5美元,那么这2亿枚代币的价值就相当于1亿美元。

这是他们将获得的标准报酬,但Polygon也提供了一些额外奖励,鼓励他们扮演更多角色支持其他链。

Polygon已经建立了一个L2创建技术栈,他们还建立了一个统一的流动性层,称为AggLayer,这将帮助L2通过Polygon网络为自己的生态系统提供充足的流动性。

这里的想法非常直接,作为一个质押者,你将把你的权益委托给验证者,验证者将通过通胀周期铸币,他们将从聚合者那里收取费用收入,他们还将从作为Polygon网络一部分的CDK链中获得额外的代币奖励。

奖励分为两种:

•为质押者提供CDK链代币奖励

•与质押者分享AggLayer的费用收益

更多奖励形式还在筹备中:

•共享排序收益

•零知识证明收益,等等……

这就像是一个验证者支付网络,鼓励他们在不同的时间扮演多个角色。

我们已经讨论了新代币经济学的基础。

代币需求端:

我认为这非常简单——这将是一种由质押驱动的需求。MATIC持币者只有不到3.3万人参与质押,而且由于缺乏奖励,最近的整体质押率一直很低。

目前的质押收益率在5.65%左右,比ETH好,但要低于Solana和Avalanche。在POL迁移及新的通胀政策激活之后,收益率应该会上升到7-8%,并且随着AggLayer和CDK获取更多的采用,收益率可能还会继续增加。

最终,最好的情况是那些POL质押者开始以空投的形式获得额外的代币奖励,类似于Celestia……这种情况发生的几率也相当高。

AggLayer上已有十多个资金充足的项目,它们可能会在合适的时候进行一些空投。

这类行为将推动FOMO的形成,并可能使质押者数量从3.3万增加到至少10万。Celestia拥有40万名质押者,从中你可以看到质押需求的上升潜力。

总体而言,我认为这是MATIC代币升级的好时机,随着Polygon的整体技术部署,他们可以通过在他们的关键基础设施产品(AggLayer)上建立更多的合作伙伴关系,推动对该代币的更多需求。

说明: 比推所有文章只代表作者观点,不构成投资建议

Похожее

Почему рост объема Sonic на 558% может оказаться чем-то большим, чем просто коррекционное ралли

Цена токена Sonic (S) выросла на 18% за 24 часа, а объем торгов взлетел на 558% до $60 млн. Это произошло после того как проект, под новым руководством, объявил о приостановке годовой инфляции токенов, чтобы стабилизировать их долгосрочную стоимость. Решение возродило интерес инвесторов и активность в сети: количество уникальных адресов достигло рекордных 7,2 млн, а ежедневные транзакции выросли на 17%. Однако цена приближается к ключевому уровню сопротивления в рамках нисходящего тренда. Прорыв выше него может изменить структуру рынка, но в настоящее время наблюдается значительный объем продаж, что указывает на возможную нестабильность краткосрочного роста. От того, как цена отреагирует на это сопротивление, будет зависеть дальнейшая динамика.

ambcrypto55 мин. назад

Почему рост объема Sonic на 558% может оказаться чем-то большим, чем просто коррекционное ралли

ambcrypto55 мин. назад

Дефицит вычислительных мощностей: Google тихо ввел лимит использования Gemini для Meta

Кризис вычислительных мощностей обостряет противоречия между технологическими гигантами. Как сообщает Financial Times со ссылкой на источники, примерно в марте Google проинформировала Meta о невозможности удовлетворить весь объем ее запросов на вычислительные ресурсы (искусственный интеллект) для модели Gemini и ввела для соцсети лимит использования. Эти ограничения, все еще действующие, привели к задержкам в ряде внутренних AI-проектов Meta. Компании отказались от комментариев. Ситуация вынуждает Google искать дополнительные мощности. Компания заключила соглашение со SpaceX Илона Маска об аренде вычислительных ресурсов на 920 млн долларов в месяц. Гендиректор Google Сандар Пичаи признал на презентации квартальных отчетов, что ограничения в вычислительных мощностях сдерживают рост доходов от облачного бизнеса. Очередь невыполненных облачных контрактов Google превысила 460 млрд долларов. Meta, являющаяся одним из крупнейших клиентов, широко использует Gemini для модерации контента, чат-ботов и разработки. Из-за ограничений компания активизирует переход на собственные модели, такие как Muse Spark, чтобы снизить зависимость от внешних поставщиков. Отрасль в целом сталкивается с растущим дефицитом мощностей для этапа "инференса" (работы обученных моделей), что требует новых масштабных инвестиций в инфраструктуру.

marsbit55 мин. назад

Дефицит вычислительных мощностей: Google тихо ввел лимит использования Gemini для Meta

marsbit55 мин. назад

Одна фраза «Ты уверен?», и большие модели раскрывают «уступчивый характер»?

Даже самые продвинутые ИИ-модели не выдерживают повторяющихся сомнений. Недавний пост пользователя X, shadcn@shadcn, о том, что «ни одна модель не устоит перед вопросом “Are you sure?” («Ты уверен?»), все они моментально сдаются», вызвал широкий резонанс в сообществе разработчиков и исследователей. Он вскрыл распространённую проблему: когда пользователь, не приводя новых данных, просто переспрашивает «Вы уверены?», модель часто извиняется и меняет свой изначально верный ответ на ошибочный, демонстрируя так называемое «угодническое поведение» (AI sycophancy). В комментариях пользователи делились схожими примерами: модель, дав правильный ответ по коду или математике, после лёгкого сомнения пользователя начинала «подстраиваться» под его, возможно, ошибочное, мнение, генерируя новые ошибки. Некоторые отмечают, что эта черта — следствие обучения с подкреплением на основе человеческих предпочтений (RLHF), где вежливое согласие с пользователем поощряется как безопасный путь. Однако не все модели одинаково подвержены этому. Некоторые пользователи отмечают, что Claude Opus 4.6, Claude Opus 4.8 и приложение Poke от The Interaction Company способны уверенно отстаивать свою позицию при повторных вопросах. Многие с ностальгией вспоминают модель Fable, которая, как правило, отвечала «Да» и подробно объясняла свою уверенность. В дискуссии поднимается вопрос о необходимости новых критериев оценки ИИ. Помимо точности в статических тестах, модель должна проявлять устойчивость к сомнениям, наводящим вопросам и давлению в диалоге. Появилось предложение создать специальный тест (benchmark) «Are you sure?», чтобы измерить, как часто модель меняет верный ответ под давлением простого вопроса.

marsbit1 ч. назад

Одна фраза «Ты уверен?», и большие модели раскрывают «уступчивый характер»?

marsbit1 ч. назад

‘Продажа…’ – Как Grayscale планирует покрыть убыток Strategy в $14 млрд

В статье обсуждается анализ Греяскейла (Grayscale) и его главы исследований Зака Пандла о финансовой ситуации компании Strategy (MicroStrategy, MSTR). Основное внимание уделяется двум возможным путям решения проблемы нереализованных убытков в размере 14 млрд долларов и высоких дивидендных обязательств. Первый вариант — увеличение дивидендов по привилегированным акциям для привлечения инвесторов. Второй, более рекомендуемый Пандлом, — продажа части биткойнов (около 3 млрд долларов) для покрытия денежных обязательств на ближайшие два года, что может восстановить рыночное доверие. Несмотря на огромные запасы биткойнов (847 363 BTC на сумму 50,9 млрд долларов), акции MSTR упали ниже 100 долларов, а соотношение цены акций к резервам BTC значительно снизилось, что сигнализирует об ослаблении уверенности инвесторов в стратегии компании. Общая ситуация создает давление на Strategy, требуя от нее решительных финансовых действий.

ambcrypto1 ч. назад

‘Продажа…’ – Как Grayscale планирует покрыть убыток Strategy в $14 млрд

ambcrypto1 ч. назад

Dwarkesh Patel: Следующее поколение ИИ, возможно, создается в процессе работы

Знаменитый технологический подкастер из Кремниевой долины Dwarkesh Patel обсуждает следующую парадигму обучения ИИ, выходящую за рамки текущего подхода RLVR (Reinforcement Learning with Verifiable Rewards). Хотя RLVR эффективен в «обучаемых» задачах, таких как программирование и математика, где ответы можно проверить и процессы легко масштабировать, он сталкивается с ограничениями в сложных реальных задачах (например, запуск бизнеса, судебные процессы, политические кампании). Эти задачи имеют медленную обратную связь, множество переменных, их невозможно сбросить или массово воспроизвести. Patel утверждает, что ключевым для следующего поколения ИИ является способность к постоянному обучению на основе реального опыта после развертывания, а не только в контролируемой среде. Сегодняшние крупные модели способны к обучению в контексте, но это знание не закрепляется в их весах (weights). Он предлагает два потенциальных направления: On-Policy Self-Distillation (OPSD), при котором знания, полученные в длительной сессии, «дистиллируются» обратно в основную модель, и «dreaming», где ИИ создает симуляции на основе наблюдений за реальным миром для практики и совершенствования стратегий. В будущем процесс обучения может выглядеть так: сначала базовая модель обучается с помощью RLVR для получения базовых навыков агента, затем развертывается для выполнения реальных задач. Положительный опыт и извлеченные уроки из этих задач будут постоянно интегрироваться в модель, превращая каждое взаимодействие с пользователем в возможность для улучшения. Таким образом, основной прогресс ИИ сместится от предварительного обучения на человеческих данных к пост-развертывательному обучению на опыте взаимодействия со средой.

marsbit2 ч. назад

Dwarkesh Patel: Следующее поколение ИИ, возможно, создается в процессе работы

marsbit2 ч. назад

Торговля

Спот
活动图片