Psy Protocol在真实运行的工作量证明网络上实现521,000 TPS,并向任何能够证明结果不成立者悬赏10万美元

marsbit發佈於 2026-02-14更新於 2026-02-14

文章摘要

香港,2026年2月11日——Psy Protocol宣布在一个真实运行、可链上验证的工作量证明(PoW)网络中实现了每秒521,000笔交易(TPS)的吞吐量,声称在不牺牲去中心化、安全性和隐私性的前提下,超越了现有主流区块链性能。测试在数千个Google Cloud实例上进行,模拟高并发环境,所有交易均附密码学证明,数据已公开供验证。团队设立10万美元赏金,鼓励任何人证明该结果无效。 该成果旨在支持未来机器原生经济,如AI代理间的高频微支付和实时结算市场,解决人类级区块链设计无法满足机器速度交易的问题。其核心技术包括并行状态架构(PARTH)、客户端证明生成、递归零知识证明和横向扩展的Realms机制,通过消除全局状态竞争和冗余计算实现高性能。验证可在消费级硬件(如树莓派)完成,相关数据和代码已开源。 Psy Protocol采用“有用工作量证明”(PoUW)共识,矿工负责验证和聚合零知识证明,而非传统哈希计算,结合了PoW的安全性与高吞吐效率。

香港|2026 年 2 月 11 日 —— Psy Protocol 今日宣布,其在一个真实运行、链上可验证的工作量证明(Proof-of-Work)网络中实现了每秒 521,000 笔交易(TPS)。团队表示,该结果在不牺牲去中心化、安全性或隐私性的前提下,已超过迄今为止所有主流权益证明(Proof-of-Stake)与工作量证明链的公开基准表现。

本次压力测试在数千个 Google Cloud 实例上进行,用以模拟高并发、互联网规模的运行环境。基准测试中的每一笔交易均有密码学证明作为支撑,完整数据集已发布,供独立验证。

为体现对结果的信心,Psy Protocol 公开设立 10 万美元(US$100,000)赏金,奖励任何能够基于已发布证明材料,证明该吞吐量结果无效的个人或团队。

“这不是一次开发网演示,也不是理论推算,”Carter Feldman,Psy Protocol 创始人兼 CEO 表示,“每一项结果都可被验证。如果我们错了,数学会证明这一点——而我们会支付 10 万美元给证明这一点的人。”

为什么 521,000 TPS 在当下具有重要意义

高吞吐量基准在加密行业并不少见。Psy Protocol 认为,此次结果在结构层面具有重要意义,关键在于其所面向的使用场景背景。

区块链最初围绕人类的交易模式而设计:零散发生的活动、人工审批、以及较低的并发度。然而,随着未来数以百万计的自治 AI 代理以机器速度持续进行交易、协作与结算,这一模型正变得日益不匹配。

当为人类规模使用而设计的网络遭遇持续的机器级需求时,结果往往是网络拥堵、手续费飙升以及级联式瓶颈。Psy Protocol 将 521,000 TPS 视为面向机器原生经济体所需基础设施的“基线”,而非性能上限。

架构如何运作

大多数区块链要求每个节点重新执行每一笔交易,这种设计在架构上对吞吐量形成硬性上限。Psy Protocol 通过以下四项相互配合的设计选择,移除了这一瓶颈:

  • 并行状态架构(PARTH):每个用户运行在相互隔离的状态分区中。这消除了全局状态竞争,使数千次状态转换可以同时处理而不发生冲突。
  • 客户端侧生成证明:交易执行与证明生成在用户设备上完成,敏感数据始终由用户自行掌控。矿工仅负责验证与聚合证明,而非重新执行交易,从而消除全网范围内的冗余计算。
  • 递归零知识证明:单笔交易证明被递归折叠为每个区块的一个简洁证明。随着交易量增长,验证成本按对数增长而非线性增长,这意味着吞吐量的大幅提升不需要成比例增加验证资源。
  • 通过 Realms 实现横向扩展:网络通过增加并行处理域(“Realms”)与证明聚合能力来扩展。吞吐量会随基础设施的增加而线性提升,而非受限于固定的架构上限。

Psy Protocol 表示,521,000 TPS 反映的是当前测试配置下的结果;通过扩展并行证明生成能力,可实现更高吞吐量。

验证方式:开放数据,消费级硬件即可验证

由于验证依赖于简洁的递归证明而非完整重执行,Psy Protocol 表示,基准测试中的任意组合证明都可以在消费级硬件上独立验证——包括性能有限的设备,如 Raspberry Pi。

完整测试方法、ZK 电路数据以及组合证明已全部开源,访问地址:

https://st8.psy.xyz/explorer

在该规模下可行的应用场景

在持续吞吐量超过 500,000 TPS 的条件下,以下新类型的链上活动将具备可行性:

  • 自治代理之间的高频微支付
  • 以实时结算替代离散批量结算的连续清算型市场
  • 在无人工干预条件下运行的大规模 AI 代理群体之间的高密度协同
  • 通过可编程签名电路实现无私钥代理运行,消除对人类控制私钥或第三方托管的依赖

关于 Psy Protocol

Psy Protocol 正在构建面向“代理型互联网(agentic internet)”的工作量证明智能合约平台。其架构结合了工作量证明在安全性与去中心化方面的优势,以及历史上常与权益证明系统相关联的吞吐量与费用效率。Psy 采用“有用工作量证明(Proof-of-Useful-Work,PoUW)”共识模型,矿工执行具有密码学生产力的工作——即聚合与验证零知识证明——而非进行任意哈希谜题计算。

相關問答

QPsy Protocol 在什么类型的网络上实现了521,000 TPS?

APsy Protocol 在一个真实运行、链上可验证的工作量证明(Proof-of-Work)网络上实现了每秒521,000笔交易(TPS)。

QPsy Protocol 如何证明其测试结果的可信度?

APsy Protocol 公开了完整的测试方法、ZK电路数据以及组合证明供独立验证,并设立了10万美元赏金,奖励任何能够基于已发布材料证明该吞吐量结果无效的个人或团队。

QPsy Protocol 实现高吞吐量的关键架构设计有哪些?

APsy Protocol 通过四项关键设计实现高吞吐量:并行状态架构(PARTH)消除全局状态竞争;客户端侧生成证明,保护用户数据隐私;递归零知识证明,使验证成本按对数增长;通过Realms实现横向扩展,线性提升吞吐量。

Q521,000 TPS 的吞吐量对哪些应用场景具有重要意义?

A在持续吞吐量超过500,000 TPS的条件下,自治代理之间的高频微支付、实时结算的连续清算型市场、大规模AI代理群体之间的高密度协同,以及无私钥代理运行等链上活动将具备可行性。

QPsy Protocol 采用哪种共识模型?其特点是什么?

APsy Protocol 采用“有用工作量证明(Proof-of-Useful-Work, PoUW)”共识模型,矿工执行具有密码学生产力的工作——即聚合与验证零知识证明,而非进行任意哈希谜题计算,结合了工作量证明的安全性与去中心化优势,以及高吞吐量和费用效率。

你可能也喜歡

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit9 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit9 分鐘前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片