سيأتي السرد التالي من المنتجات التي تحل نقاط الضعف الحالية في السوق.
ومن هذه الروايات:
1️.إعادة التعهد
2️. لك
3️.الفرز المشترك
4️. غامبل فاي ($RLB)
سأقدم لك في هذه المقالة نظرة عامة سريعة على رواياتي الأربعة المفضلة وأقدم لك رؤى قابلة للتنفيذ.
يمكنك الانتقال إلى الرؤى القابلة للتنفيذ على الروابط التالية:
دون مزيد من اللغط، دعونا نبدأ.
1.إعادة التعهد
منذ ترقية شنغهاي، شهدت حصص السيولة نموًا هائلاً، لتصبح أكبر فئة بقيمة إجمالية تبلغ حوالي 20 مليار دولار.
استفادت @eigenlayer من هذا الاتجاه وأطلقت عملية إعادة الستاكينغ.
تسمح إعادة الستاكينغ لأصحاب المصلحة بإيداع LST واختيار كسب عائد إضافي باستخدام نفس الأصل الأساسي.
في حين يمكن لأصحاب المصلحة الاستفادة من كفاءة رأس المال في التوقيع المساحي،
يمكن للبروتوكولات أيضًا الاستفادة من أمان Eigenlayer المجمع للاستمتاع ببيئة أكثر أمانًا.
يصل @eigenlayer TVL إلى 232 مليون دولار حتى الآن مع مجموعة الغطاء الصلب.
للمضي قدمًا، أتوقع أن يستمر TVL الخاص بـ Eigenlayer في الارتفاع مع انضمام المزيد من البروتوكولات المبتكرة إلى النظام البيئي، مما يجذب المزيد من حجم التداول والسيولة من السوق.
إن تدفق السيولة سيجعلها جذابة بشكل متزايد للبروتوكولات الجديدة مثل @EspressoSys للاستفادة من السيولة المتزايدة لدى Eigenlayer.
في النهاية، يمكن أن يؤدي هذا إلى إنشاء حلقة ردود فعل إيجابية يمكنها، على نحو متفائل، أن تأخذ TVL الخاص بـ Eigenlayer إلى مستويات أعلى.
جدوى:
أنا متأكد تمامًا من أن Eigenlayer سيحقق إيرادات ضخمة من التوقيع المساحي/الاشتراك.
لذا، كمستثمر تجزئة، ما الذي يمكنك فعله للمشاركة في Eigenlayer؟
الإستراتيجية 1:
عندما تقوم Eigenlayer برفع الحد مرة أخرى، يمكنك المشاركة في stETH/cbETH/rETH وكسب نقاط التحصيل والدخل (لكن تتحمل خطر انخفاض سعر ETH).
الإستراتيجية 2:
بمجرد ظهور هذه المشاريع على الإنترنت، قم بإعادة المشاركة والانضمام إليها:
@puffer_finance
@EspressoSys
@witnesschain
@AstridFinance
2️. بواسطة الذكاء الاصطناعي
في Web2، يعد تدريب الذكاء الاصطناعي مكلفًا للغاية، حيث يتراوح من 3 ملايين دولار إلى 12 مليون دولار.
قد تعيق مشكلات مثل تركيز البيانات والاحتكار (التي تسيطر عليها الشركات الكبيرة مثل جوجل وأمازون وما إلى ذلك) وقيود الأجهزة تطوير الذكاء الاصطناعي.
يعد De-AI (الذكاء الاصطناعي اللامركزي) حلاً محتملاً لهذه المشكلات.
لفهم De-AI، نحتاج أولاً إلى فهم المكونات الرئيسية لتعلم الآلة التقليدي.
يمكن تقسيم نموذج ML إلى 4 أجزاء:
إدخال بيانات
التدريب على البيانات
مخزن البيانات
خدمة البيانات
في بيئة Web3، يمكن أن يكون كل مكون لا مركزيًا.
لماذا نحتاج إلى الذكاء الاصطناعي اللامركزي؟
تتمثل قيمة اللامركزية في الذكاء الاصطناعي في ضمان دقة البيانات.
يتوافق هذا المفهوم مع نظرية ذكاء الجماهير، التي تنص على أن الذكاء الجماعي الناتج عن تجميع المعلومات في مجموعة ما يؤدي غالبًا إلى اتخاذ قرارات أكثر دقة.
بمعنى آخر، بدلاً من الاعتماد على مجموعة صغيرة من الخبراء لإدخال البيانات للتدريب الداخلي على الذكاء الاصطناعي، فإن الاستفادة من المعلومات أو البيانات من مصادر مختلفة غالباً ما تؤدي إلى نماذج أكثر دقة.
من خلال نماذج الذكاء الاصطناعي اللامركزية، يمكننا:
التدريب النموذجي أكثر فعالية من حيث التكلفة
القضاء على خطر نقاط الفشل الفردية
إنشاء أسواق بين البيانات والنماذج
إذًا، ما الذي يمكنك فعله للمشاركة في هذه القصة؟
قابلة للتشغيل:
يمكنك المشاركة في هذه المشاريع، أو البدء في تخزين الرموز المرتبطة بها إذا انخفض السوق مرة أخرى:
@bittensor_ ($TAO)
@gensynai (لا توجد رموز مميزة متاحة حاليًا)
@SingularityNET ($AGIX)
1)@bittensor_($TAO)
Bittensor هي شبكة L1 POW على Polkadot، وهي بمثابة سوق P2P لتدريب نماذج ML.
يمكنك ربح رموز TAO بناءً على قيمة المعلومات للتدريب التعاوني، أو إنفاق TAO لشراء خدمات ML الخاصة بهم.
2)@gensynai
Gensyn هو L1 آخر يعالج قيود أجهزة الذكاء الاصطناعي، مدعومًا بـ @a16z.
يقوم بذلك عن طريق توحيد جميع وحدات معالجة الرسوميات الخاملة في العالم في مجموعة عالمية فائقة للتعلم الآلي يمكن لأي شخص استئجارها واستخدامها في أي وقت.
ومع ذلك، لم يصدروا أي رموز حتى الآن.
شبكة التفرد
باعتبارها إحدى المنظمات التنظيمية في مجال De-AI، تدعم SingularityNET حلول الذكاء الاصطناعي للمعاملات بطريقة P2P.
يمكنك المشاركة في تعدين السيولة عن طريق المراهنة بـ AGIX على صفحة المراهنة الخاصة بها، أو ببساطة التداول عندما تصل حرارة الذكاء الاصطناعي.
3.الفارز المشترك
يدير L2 (مثل Arbitrum وOptimism وzksync) حاليًا جهاز تسلسل مركزي، وبينما يوفر هذا أوقات تأكيد أسرع وكفاءة أكبر، فإنه يأتي أيضًا على حساب مخاطر الرقابة ونقاط الفشل الفردية.
الحل لهذه المشكلة هو اللامركزية، أي جهاز تسلسل مشترك.
باستخدام جهاز تسلسل مشترك، يمكن لكل مجموعة تراكمية استخدامه كـ "خدمة لا مركزية" على حساب أرباح MEV
إنه لا يحل مشكلة الرقابة فحسب، بل يضمن أيضًا الحيوية (يمنع عدم الاتصال بالإنترنت)…
كما يسمح أيضًا بتضمين المعاملات من عمليات التجميع المتعددة في كتلة (قابلية التركيب عبر السلسلة)، وبالتالي تقليل تكلفة عمليات تقديم الدُفعات وتكون أكثر مقاومة لـ MEV عند مكافحة العوامل الخارجية السلبية.
فعالة:
هناك بروتوكولات للطلبات المشتركة التي من المحتمل أن تطلق الرموز المميزة لتوليد الإيرادات وتوزيع قوة الحوكمة. ولذلك أنصح بالاهتمام الشديد بما يلي:
@EspressoSys
@AstriaOrg
@radius_xyz
4.غامبل فاي
في عام 2023، وصل حجم سوق المقامرة عبر الإنترنت إلى 88.65 مليار دولار أمريكي.
من بينها، ارتفع اعتماد العملات المشفرة في المقامرة بنسبة 44.6% في عام 2023، مما يشير إلى اتجاه واضح في معدل اعتماد العملات المشفرة في صناعة المقامرة.
استنادًا إلى الطبيعة الإدمانية واقتصاديات الرمز المميز الشبيهة ببونزي (آليات مثل عمليات إعادة الشراء أو الحرق أو مشاركة الإيرادات)، أعتقد أنه مع استمرار تحسن تجربة المستخدم، يمكن أن يكون Gamble-Fi أحد المنتجات التي تحقق اعتمادًا جماعيًا.
قابلة للتشغيل:
في الوقت الحالي، أحتفظ فقط بـ RLB دولار أمريكي لأنه يدر دخلاً شهريًا، على الرغم من أنني لست متأكدًا مما إذا كانوا يقومون بالفعل بإعادة شراء الرموز المميزة وحرقها.
بعد قولي هذا، سأستمر في الاهتمام بـ Gamble-Fi.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تحليل الاتجاهات السردية الأربعة المحتملة لسوق العملات المشفرة في المستقبل
المؤلف: Poopman، المصدر: المؤلف Twitter @poopmandefi؛ المترجم: MarsBit
سيأتي السرد التالي من المنتجات التي تحل نقاط الضعف الحالية في السوق.
ومن هذه الروايات:
1️.إعادة التعهد
2️. لك
3️.الفرز المشترك
4️. غامبل فاي ($RLB)
سأقدم لك في هذه المقالة نظرة عامة سريعة على رواياتي الأربعة المفضلة وأقدم لك رؤى قابلة للتنفيذ.
يمكنك الانتقال إلى الرؤى القابلة للتنفيذ على الروابط التالية:
دون مزيد من اللغط، دعونا نبدأ.
1. إعادة التعهد
منذ ترقية شنغهاي، شهدت حصص السيولة نموًا هائلاً، لتصبح أكبر فئة بقيمة إجمالية تبلغ حوالي 20 مليار دولار.
استفادت @eigenlayer من هذا الاتجاه وأطلقت عملية إعادة الستاكينغ.
تسمح إعادة الستاكينغ لأصحاب المصلحة بإيداع LST واختيار كسب عائد إضافي باستخدام نفس الأصل الأساسي.
في حين يمكن لأصحاب المصلحة الاستفادة من كفاءة رأس المال في التوقيع المساحي،
يمكن للبروتوكولات أيضًا الاستفادة من أمان Eigenlayer المجمع للاستمتاع ببيئة أكثر أمانًا.
يصل @eigenlayer TVL إلى 232 مليون دولار حتى الآن مع مجموعة الغطاء الصلب.
للمضي قدمًا، أتوقع أن يستمر TVL الخاص بـ Eigenlayer في الارتفاع مع انضمام المزيد من البروتوكولات المبتكرة إلى النظام البيئي، مما يجذب المزيد من حجم التداول والسيولة من السوق.
إن تدفق السيولة سيجعلها جذابة بشكل متزايد للبروتوكولات الجديدة مثل @EspressoSys للاستفادة من السيولة المتزايدة لدى Eigenlayer.
في النهاية، يمكن أن يؤدي هذا إلى إنشاء حلقة ردود فعل إيجابية يمكنها، على نحو متفائل، أن تأخذ TVL الخاص بـ Eigenlayer إلى مستويات أعلى.
جدوى:
أنا متأكد تمامًا من أن Eigenlayer سيحقق إيرادات ضخمة من التوقيع المساحي/الاشتراك.
لذا، كمستثمر تجزئة، ما الذي يمكنك فعله للمشاركة في Eigenlayer؟
الإستراتيجية 1:
عندما تقوم Eigenlayer برفع الحد مرة أخرى، يمكنك المشاركة في stETH/cbETH/rETH وكسب نقاط التحصيل والدخل (لكن تتحمل خطر انخفاض سعر ETH).
الإستراتيجية 2:
بمجرد ظهور هذه المشاريع على الإنترنت، قم بإعادة المشاركة والانضمام إليها:
@puffer_finance
@EspressoSys
@witnesschain
@AstridFinance
2️. بواسطة الذكاء الاصطناعي
في Web2، يعد تدريب الذكاء الاصطناعي مكلفًا للغاية، حيث يتراوح من 3 ملايين دولار إلى 12 مليون دولار.
قد تعيق مشكلات مثل تركيز البيانات والاحتكار (التي تسيطر عليها الشركات الكبيرة مثل جوجل وأمازون وما إلى ذلك) وقيود الأجهزة تطوير الذكاء الاصطناعي.
يعد De-AI (الذكاء الاصطناعي اللامركزي) حلاً محتملاً لهذه المشكلات.
لفهم De-AI، نحتاج أولاً إلى فهم المكونات الرئيسية لتعلم الآلة التقليدي.
يمكن تقسيم نموذج ML إلى 4 أجزاء:
إدخال بيانات
التدريب على البيانات
مخزن البيانات
خدمة البيانات
في بيئة Web3، يمكن أن يكون كل مكون لا مركزيًا.
لماذا نحتاج إلى الذكاء الاصطناعي اللامركزي؟
تتمثل قيمة اللامركزية في الذكاء الاصطناعي في ضمان دقة البيانات.
يتوافق هذا المفهوم مع نظرية ذكاء الجماهير، التي تنص على أن الذكاء الجماعي الناتج عن تجميع المعلومات في مجموعة ما يؤدي غالبًا إلى اتخاذ قرارات أكثر دقة.
بمعنى آخر، بدلاً من الاعتماد على مجموعة صغيرة من الخبراء لإدخال البيانات للتدريب الداخلي على الذكاء الاصطناعي، فإن الاستفادة من المعلومات أو البيانات من مصادر مختلفة غالباً ما تؤدي إلى نماذج أكثر دقة.
من خلال نماذج الذكاء الاصطناعي اللامركزية، يمكننا:
التدريب النموذجي أكثر فعالية من حيث التكلفة
القضاء على خطر نقاط الفشل الفردية
إنشاء أسواق بين البيانات والنماذج
إذًا، ما الذي يمكنك فعله للمشاركة في هذه القصة؟
قابلة للتشغيل:
يمكنك المشاركة في هذه المشاريع، أو البدء في تخزين الرموز المرتبطة بها إذا انخفض السوق مرة أخرى:
@bittensor_ ($TAO)
@gensynai (لا توجد رموز مميزة متاحة حاليًا)
@SingularityNET ($AGIX)
1)@bittensor_($TAO)
Bittensor هي شبكة L1 POW على Polkadot، وهي بمثابة سوق P2P لتدريب نماذج ML.
يمكنك ربح رموز TAO بناءً على قيمة المعلومات للتدريب التعاوني، أو إنفاق TAO لشراء خدمات ML الخاصة بهم.
2)@gensynai
Gensyn هو L1 آخر يعالج قيود أجهزة الذكاء الاصطناعي، مدعومًا بـ @a16z.
يقوم بذلك عن طريق توحيد جميع وحدات معالجة الرسوميات الخاملة في العالم في مجموعة عالمية فائقة للتعلم الآلي يمكن لأي شخص استئجارها واستخدامها في أي وقت.
ومع ذلك، لم يصدروا أي رموز حتى الآن.
باعتبارها إحدى المنظمات التنظيمية في مجال De-AI، تدعم SingularityNET حلول الذكاء الاصطناعي للمعاملات بطريقة P2P.
يمكنك المشاركة في تعدين السيولة عن طريق المراهنة بـ AGIX على صفحة المراهنة الخاصة بها، أو ببساطة التداول عندما تصل حرارة الذكاء الاصطناعي.
3.الفارز المشترك
يدير L2 (مثل Arbitrum وOptimism وzksync) حاليًا جهاز تسلسل مركزي، وبينما يوفر هذا أوقات تأكيد أسرع وكفاءة أكبر، فإنه يأتي أيضًا على حساب مخاطر الرقابة ونقاط الفشل الفردية.
الحل لهذه المشكلة هو اللامركزية، أي جهاز تسلسل مشترك.
باستخدام جهاز تسلسل مشترك، يمكن لكل مجموعة تراكمية استخدامه كـ "خدمة لا مركزية" على حساب أرباح MEV
إنه لا يحل مشكلة الرقابة فحسب، بل يضمن أيضًا الحيوية (يمنع عدم الاتصال بالإنترنت)…
كما يسمح أيضًا بتضمين المعاملات من عمليات التجميع المتعددة في كتلة (قابلية التركيب عبر السلسلة)، وبالتالي تقليل تكلفة عمليات تقديم الدُفعات وتكون أكثر مقاومة لـ MEV عند مكافحة العوامل الخارجية السلبية.
فعالة:
هناك بروتوكولات للطلبات المشتركة التي من المحتمل أن تطلق الرموز المميزة لتوليد الإيرادات وتوزيع قوة الحوكمة. ولذلك أنصح بالاهتمام الشديد بما يلي:
@EspressoSys
@AstriaOrg
@radius_xyz
4.غامبل فاي
في عام 2023، وصل حجم سوق المقامرة عبر الإنترنت إلى 88.65 مليار دولار أمريكي.
من بينها، ارتفع اعتماد العملات المشفرة في المقامرة بنسبة 44.6% في عام 2023، مما يشير إلى اتجاه واضح في معدل اعتماد العملات المشفرة في صناعة المقامرة.
استنادًا إلى الطبيعة الإدمانية واقتصاديات الرمز المميز الشبيهة ببونزي (آليات مثل عمليات إعادة الشراء أو الحرق أو مشاركة الإيرادات)، أعتقد أنه مع استمرار تحسن تجربة المستخدم، يمكن أن يكون Gamble-Fi أحد المنتجات التي تحقق اعتمادًا جماعيًا.
قابلة للتشغيل:
في الوقت الحالي، أحتفظ فقط بـ RLB دولار أمريكي لأنه يدر دخلاً شهريًا، على الرغم من أنني لست متأكدًا مما إذا كانوا يقومون بالفعل بإعادة شراء الرموز المميزة وحرقها.
بعد قولي هذا، سأستمر في الاهتمام بـ Gamble-Fi.