AI與加密貨幣技術的分層發展對比

近期有聲音認爲以太坊的Rollup中心化策略似乎未能達到預期效果，並對L1-L2-L3這種嵌套式架構表示不滿。有趣的是，過去一年人工智能領域的發展也經歷了L1到L2再到L3的快速演進。比較這兩個領域的發展歷程，我們可以發現一些有趣的差異。

在AI領域，每一層的發展都在解決上一層未能解決的核心問題。L1層的大型語言模型解決了基本的語言理解和生成能力，但在邏輯推理和數學計算方面存在明顯不足。L2層的推理模型專門針對這些短板進行突破，例如某些模型已能解決復雜數學題和代碼調試問題，彌補了大型語言模型的認知盲區。在此基礎上，L3層的AI代理自然而然地整合了前兩層的能力，使AI從被動應答轉變爲主動執行，能夠自主規劃任務、調用工具並處理復雜工作流程。

這種分層結構體現了能力的遞進：L1奠定基礎，L2彌補短板，L3進行整合。每一層都在前一層的基礎上實現質的飛躍，用戶能夠明顯感受到AI變得更加智能和實用。

相比之下，加密貨幣技術的分層邏輯似乎是在爲前一層的問題尋找解決方案，但卻無意中帶來了新的更大問題。例如，爲了解決L1公鏈性能不足的問題，自然而然地想到使用L2擴容方案。然而，經過一輪L2基礎設施的內卷後，雖然gas費用降低了，TPS有所提升，但流動性卻變得分散，生態應用仍然匱乏，過多的L2基礎設施反而成爲了一個大問題。爲了應對這一情況，開始出現L3垂直應用鏈，但這些應用鏈往往各自爲政，無法享受通用鏈的生態協同效應，反而使用戶體驗變得更加碎片化。

這種分層演變成了一種"問題轉移"：L1存在瓶頸，L2提供補丁，L3則混亂且分散。每一層似乎只是將問題從一個地方轉移到另一個地方，給人的印象是所有的解決方案都圍繞"發行代幣"這一目的展開。

造成這種差異的根本原因可能在於：AI領域的分層是由技術競爭驅動的，各大公司都在竭盡全力提升模型能力；而加密貨幣領域的分層似乎更多地受到代幣經濟學的影響，每個L2項目的核心指標往往集中在總鎖倉價值（TVL）和代幣價格上。

從本質上來看，一個領域在致力於解決技術難題，另一個則更像是在包裝金融產品。對於這兩種發展路徑的優劣，可能並沒有絕對的答案，這取決於個人的觀點和判斷。

當然，這種抽象的類比並非絕對，只是從兩個領域的發展脈絡對比中得出的一些有趣觀察。這種思考可以作爲一種周末的思維練習，幫助我們從不同角度審視技術發展的方向和動力。