MATIC升级为POL会带来哪些改变 有何影响

比推Xuất bản vào 2024-09-05Cập nhật gần nhất vào 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

Nội dung Liên quan

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

Cuộc khủng hoảng hạ tầng AI đang leo thang giữa các gã khổng lồ công nghệ. Theo các nguồn tin, từ khoảng tháng 3, Google đã thông báo với Meta rằng họ không thể đáp ứng toàn bộ nhu cầu sử dụng mô hình Gemini và áp dụng giới hạn sử dụng, gây ra sự chậm trễ cho một số dự án AI nội bộ của Meta. Cả hai công ty từ chối bình luận. Tình trạng thiếu hụt năng lực tính toán (compute) buộc Google phải đẩy nhanh việc mở rộng, bao gồm ký hợp đồng thuê năng lực tính toán trị giá 920 triệu USD mỗi tháng với SpaceX của Elon Musk. Giám đốc điều hành Google Sundar Pichai thừa nhận hạn chế về compute đang ảnh hưởng đến doanh thu đám mây. Meta, một trong những khách hàng doanh nghiệp lớn nhất của Google, bị ảnh hưởng nặng nề nhất. Công ty này sử dụng Gemini cho nhiều mục đích như kiểm duyệt nội dung, chatbot hỗ trợ và phát triển mã nguồn. Để giảm phụ thuộc, Meta đang đẩy mạnh chuyển sang sử dụng mô hình tự phát triển như Muse Spark và tăng cường đầu tư vào hạ tầng data center riêng. Sự việc cho thấy áp lực ngày càng tăng từ khối lượng công việc suy luận (AI inference) sau khi mô hình được huấn luyện, trở thành một trong những thách thức lớn nhất của ngành, bất chấp hàng trăm tỷ USD đã được đổ vào chip và trung tâm dữ liệu.

marsbit55 phút trước

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

marsbit55 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit1 giờ trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit1 giờ trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit2 giờ trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit2 giờ trước

Giao dịch

Giao ngay
活动图片