EigenLayer 的经济模型失败了嘛?

链捕手Опубликовано 2024-08-16Обновлено 2024-08-16

原标题:《Eigenlayer's economic model is broken》

作者:Zach Rynes | CLG

编译:Peisen,BlockBeats

 

编者按:

在研究了 Eigenlayer 节点运营商和用户之间的僵局、AVS 的经济负担以及预言机面临的技术挑战后,@ChainLinkGod 指出,Eigenlayer 经济模型的实际运作暴露出了一系列深层次的问题,其并未提供真正的解决方案来启动新的去中心化基础设施协议。

Eigenlayer 的经济模型出现了问题

该协议并未提供真正的解决方案来启动新的去中心化基础设施协议。

启动问题是经典的「鸡和蛋」问题,具体如下:

(1) 节点运营商不会加入并保护网络,除非这样做对他们有利可图。

(2) 用户不会付费使用网络,除非已经有一组节点运营商在保护网络。

因此,存在一个僵局,其中供应和需求的存在相互依赖。

这一僵局通过发行新代币来解决,通过代币通货膨胀补贴供应方,以确保节点加入是有利可图的——即使在网络本身尚未盈利之前。

然后,如果网络提供了有价值的服务,并且需求方的采用增加,用户费用的增长最终会取代补贴,使网络变得净盈利。

在 Eigenlayer 上启动的协议(AVS)仍然需要以完全相同的方式进行启动,但 Eigenlayer 的特性使得问题更加严重:

(1) AVS 放弃了代币的效用,因为其原生发行的代币不再是唯一的质押 / 担保资产,取而代之的是质押的 ETH/EIGEN。

(2) 由于 AVS 在起步阶段并不盈利,它们必须通过自身代币供应的通货膨胀来支付质押的 ETH/EIGEN——参与者对该 AVS 代币缺乏一致性,可能会出售以积累更多的 ETH/EIGEN。

(3) 对于任何成功的 AVS,它们将需要将收入让渡给 ETH/EIGEN 质押者,从而对协议造成净流失,因为收入流出其生态系统。

这种安排对资金充足或位置良好的项目没有意义,这些项目不需要削弱其代币的效用和价值来吸引资本和验证者。

任何成功并生成收入的 AVS 很可能会脱离 Eigenlayer,以保留更多的自身收入,并为其原生代币累积更多价值,就像许多 dApp 成为自己的 L2/L3/appChain 以捕获更多费用 /MEV 一样。

协议只有在以下情况下才会想要成为并保持 AVS:(1)其成本通过 EIGEN 代币通货膨胀得到补贴,(2)基于再质押炒作获得 VC 融资,或(3)通过类似于失败的 L1 转型为 L2 的叙事转变获得利益。

除了经济学方面,成为 AVS 并不意味着用户能够获得更高质量的服务或更优的安全保障。

特别是对于预言机,我们可以看到三大主要挑战:

(1) DevOps:节点运营商是否是知名的可靠实体,能够管理高性能且抗干扰的基础设施?其基础设施能否扩展到数千个数据源,并在极端区块链网络拥堵和对抗性 P2P 网络条件下保持低延迟?运营商能否及时识别和解决问题?

(2) 数据质量:运营商是否仅从具有严格准确性 / 可用性保证的高质量数据提供者处汇总数据?数据汇总方法是否能在极端市场波动期间反映资产的体积 / 流动性加权市场价格?网络参与者能否及时识别和解决数据提供问题?

(3) 代码质量:链上和链下代码是否抗操控和漏洞?是否有足够的第三方审计 / 评审,如果出现漏洞,问题能多快被识别和解决?

Eigenlayer 并未提供任何解决方案,因此,即使一个预言机 AVS 拥有大量质押的 ETH/EIGEN,这也无法保证该预言机的可靠性、准确性或性能。

迄今为止,预言机或桥尚未遭遇任何经济攻击,因为质押的担保物只是额外的安全层(协议可以更有效地自我提供的)。

Eigenlayer 转型并向 AVS 代币作为再质押资产的支持,实际上是承认 Eigen 的核心经济模型存在问题,从未合理,他们自己也在尝试找到对其 120 亿美元担保资产的收益。

在可预见的未来,Eigenlayer 仍将是 ETH 质押者的补贴收益池。

Похожее

Корейская гонка за криптовалюту: двойной взрыв стейблкоинов и RWA

Корейские финансовые учреждения и интернет-платформы активно развивают блокчейн-инфраструктуру, сосредоточившись на двух ключевых направлениях: стейблкоинах и токенизации реальных активов (RWA). В сфере стейблкоинов идёт борьба за создание регулируемого рынка воны. Банки, финтех-компании и регуляторы определяют правила, стремясь предотвратить отток капитала в долларовые стейблкоины. Крупные банки, такие как KB Financial, Hana Financial и NH Nonghyup, уже проводят пилотные проекты по платежам и трансграничным переводам. Платежные системы (Shinhan Card, BC Card) и интернет-гиганты (KakaoPay, NAVER Pay) интегрируют стейблкоины в свои экосистемы. Криптопроектам следует устанавливать партнерства сейчас, чтобы стать частью будущей инфраструктуры. Направление RWA в Корее развивается быстро и с учётом местной специфики. Помимо традиционных активов, токенизируются активы ключевых отраслей: судостроение (Mirae Asset Securities), оборонная промышленность (Hanwha Investment) и культурный контент (Story Protocol). Правовая база формируется, и уже одобрены первые торговые платформы (NXT, KDX). Криптопроекты могут заполнить пробелы в глобальном распределении, ликвидности и предоставлении инструментов для токенизации. Ключевую роль в распространении среди пользователей играют потребительские платформы. NAVER (планирующая приобрести оператора Upbit) и Kakao (развивающая единый кошелёк) делают блокчейн основой своих сервисов. Toss, обладающий финансовыми лицензиями, также активно внедряет блокчейн. Корейская индустрия цифровых активов находится на переломном этапе. Принятие нормативной базы и активность институциональных игроков создают возможности для проектов, которые смогут наладить реальное сотрудничество и внедрение на местном рынке.

Foresight News6 мин. назад

Корейская гонка за криптовалюту: двойной взрыв стейблкоинов и RWA

Foresight News6 мин. назад

Как определить, является ли видео сгенерированным ИИ? Обзор динамической, прослеживаемой и объяснимой системы детекции

**Как определить, является ли видео созданным ИИ? Обзор динамической, отслеживаемой и объяснимой системы обнаружения** За последние два года модели генерации видео, такие как Sora, Google Veo и Kling, достигли кинематографического качества, создавая многосекундные сложные сцены. Это создает растущий разрыв с областью обнаружения, которая отстает, в то время как количество и качество поддельных видео в социальных сетях стремительно растет. В обзоре, принятом на ACL 2026, исследователи переосмысливают цель обнаружения: от простой бинарной классификации («поддельное/настоящее») к **верификации фактологической достоверности**. Задача — проверить, соответствует ли содержание видео (кто, что, где, когда) восприятию и знаниям о реальном мире, включая физические законы и здравый смысл. Авторы выделяют три парадигмы AI-видео: 1. **Локальная манипуляция (LMV):** Изменение части реального видео (например, Deepfake). 2. **Аудиовизуальное редактирование (AVE):** Изменение синхронизации между звуком, речью и видео. 3. **Генеративный синтез видео (GVS):** Полная генерация видео «с нуля» (например, Sora), что представляет наибольшую сложность. Для обнаружения предлагается **четырехуровневая система с двойным визуально-языковым подходом**: * **Уровень 1: Низкоуровневые визуальные сигналы** (артефакты, шум, физиологические сигналы). * **Уровень 2: Пространственно-временная согласованность** (плавность движений, физическая непрерывность). * **Уровень 3: Межмодальная согласованность** (проверка соответствия видео, звука и текста). * **Уровень 4: Рассуждение на уровне знаний о мире** (проверка соответствия фактам, законам физики и здравому смыслу). Фокус методов смещается от первых двух уровней (визуальных) к третьему и четвертому (языковым и смысловым). Обзор подчеркивает, что будущие системы обнаружения должны быть **динамическими, объяснимыми и отслеживаемыми**. Они должны не просто классифицировать, а предоставлять доказательства, связывать выводы с конкретными элементами видео (объектами, событиями) и оставаться устойчивыми к новым генеративным моделям. Это требует объединения усилий компьютерного зрения, обработки естественного языка и исследований многомодальных моделей для создания надежной системы проверки достоверности видео в эпоху продвинутого ИИ.

marsbit42 мин. назад

Как определить, является ли видео сгенерированным ИИ? Обзор динамической, прослеживаемой и объяснимой системы детекции

marsbit42 мин. назад

Новый открытый исходный код NVIDIA MoE: одна строка import, ускорение тонкой настройки в 3,7 раза

NVIDIA представила открытую библиотеку NeMo AutoModel, которая значительно ускоряет тонкую настройку MoE-моделей. Достаточно добавить одну строку импорта в код на основе Hugging Face Transformers v5, чтобы получить прирост производительности до 3.7 раз и сократить использование видеопамяти GPU на 29-32%. Библиотека совместима с API Transformers и вводит три ключевые оптимизации: Expert Parallelism (EP) для распределения параметров экспертов по GPU и снижения нагрузки на память, DeepEP для совмещения вычислений и коммуникаций, а также Transformer Engine для ускорения базовых операций. На примере модели Qwen3-30B-A3B на 8 GPU H100 скорость обучения выросла с 3075 до 11340 токенов в секунду на GPU. Для очень крупных моделей, таких как Nemotron 3 Ultra 550B, NeMo AutoModel позволяет проводить тонкую настройку там, где стандартный Transformers v5 исчерпывает доступную память. Проект доступен на GitHub, предоставляя простой способ ускорения работы с MoE-архитектурами без серьёзных изменений кода.

marsbit42 мин. назад

Новый открытый исходный код NVIDIA MoE: одна строка import, ускорение тонкой настройки в 3,7 раза

marsbit42 мин. назад

Никто не ожидал, что первой сферой применения AI x Crypto станет аудит безопасности

По неожиданному сценарию, первой областью, где искусственный интеллект (ИИ) реально изменил криптоиндустрию, стала безопасность и аудит. В 2026 году DeFi-сектор столкнулся с растущим давлением: общая стоимость заблокированных средств (TVL) сократилась примерно на 39% с начала года, а хакерские атаки привели к потере около 942 миллионов долларов только за первое полугодие. Распространение продвинутых ИИ-моделей, таких как Claude Mythos, радикально снизило стоимость и требования к навыкам для поиска уязвимостей в смарт-контрактах. Атаки стали масштабными, быстрыми (от обнаружения до эксплуатации — минуты) и нацеленными даже на старые, давно развернутые контракты. Традиционная модель аудита, основанная на разовых отчетах, демонстрирует трещины. Атаки смещаются от чистого кода к эксплуатации логики протоколов, ошибок конфигурации и социальной инженерии (как в случаях с Drift Protocol и KelpDAO). Соучредитель OpenZeppelin заявил, что считает весь DeFi небезопасным из-за сверхчеловеческих способностей ИИ в поиске уязвимостей. В ответ проект и аудиторские компании вынуждены меняться. Возникает спрос на повторные аудиты по новым стандартам. Аудиторские фирмы внедряют собственные ИИ-системы для автоматического анализа и переходят от разовых проверок к непрерывному мониторингу, формальной верификации и встраиванию защиты на этапе разработки (как Skills от OpenZeppelin). Такие ИИ-инструменты, как Firepan, уже находят сложные комбинированные уязвимости, упущенные при многократных ручных аудитах, как в случае с Curve Finance. Эпоха, когда одного аудита было достаточно навсегда, закончилась. Безопасность становится не разовым этапом, а постоянной инфраструктурной затратой. Будущее останется за теми, кто быстрее адаптирует свои услуги к реалиям «гонки вооружений» между ИИ-атаками и ИИ-защитой.

marsbit48 мин. назад

Никто не ожидал, что первой сферой применения AI x Crypto станет аудит безопасности

marsbit48 мин. назад

Никогда бы не подумал, что первым применением AI x Crypto станет аудит безопасности

Данные показывают, что к июню TVL в DeFi упал примерно до $700 млрд, что на 39% меньше показателей начала года. При этом в 2026 году в сфере DeFi произошло 121 хакерское нападение с общим ущербом около $942 млн. С распространением новых инструментов ИИ значительно снизились стоимость и требуемые навыки для поиска уязвимостей в смарт-контрактах. Традиционная модель аудита безопасности сталкивается с серьёзными проблемами. Наступление ИИ-атак происходит быстрее, что сокращает жизненный цикл аудиторских отчётов. Даже прошедшие аудит протоколы, такие как Drift Protocol и KelpDAO, подверглись атакам через уязвимости в логике операций или конфигурации инфраструктуры. В ответ на это проекты начинают пересматривать свою безопасность в соответствии с новыми стандартами эпохи ИИ. Компании, занимающиеся аудитом безопасности, также трансформируются, внедряя системы аудита с поддержкой ИИ и переходя от разовых проверок к постоянному мониторингу и встроенной безопасности. Такие инструменты, как Firepan, уже доказали свою эффективность, находя сложные уязвимости в тщательно проверенных контрактах, например, в Curve Finance. В целом, сфера аудита безопасности переходит от модели, основанной на разовых проверках, к конкурентной модели, требующей постоянных инвестиций. ИИ ускоряет как атаки, так и развитие защитных систем.

链捕手56 мин. назад

Никогда бы не подумал, что первым применением AI x Crypto станет аудит безопасности

链捕手56 мин. назад

Торговля

Спот
活动图片