AI與加密貨幣領域的層級發展對比

近期有觀點認爲以太坊的Rollup-Centric策略似乎失敗了，並對L1-L2-L3的嵌套模式表示不滿。有趣的是，過去一年AI領域的發展也經歷了類似的L1-L2-L3快速演進。比較這兩個領域，我們可以發現一些有趣的差異。

在AI領域，每一層都在解決上一層無法解決的核心問題。L1的大型語言模型奠定了語言理解和生成的基礎，但在邏輯推理和數學計算方面存在不足。L2的推理模型專門針對這些短板，如某些模型能夠解決復雜數學問題和代碼調試，彌補了大型語言模型的認知盲區。在此基礎上，L3的AI代理將前兩層能力整合，使AI從被動回答轉變爲主動執行，能夠自主規劃任務、調用工具和處理復雜工作流程。

這種AI領域的分層體現了能力的遞進：L1打下基礎，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，用戶能明顯感受到AI變得更智能、更實用。

相比之下，加密貨幣領域的分層邏輯似乎是爲前一層的問題打補丁，卻不幸帶來了新的更大問題。L1公鏈面臨性能瓶頸，於是引入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、TPS有所提升，但流動性卻變得分散，生態應用仍然匱乏。這導致過多的L2基礎設施反而成爲一個問題。爲了解決這個問題，開始出現L3垂直應用鏈，但這些應用鏈各自爲政，無法享受通用鏈的生態協同效應，反而使用戶體驗更加碎片化。

這種加密貨幣領域的分層演變成了"問題轉移"：L1存在瓶頸，L2提供補丁，L3則顯得混亂且分散。每一層似乎只是將問題從一個地方轉移到另一個地方，給人一種所有解決方案都圍繞"發幣"這一目的展開的印象。

造成這種差異的核心原因可能在於：AI分層是由技術競爭驅動的，各大公司都在競相提升模型能力；而加密貨幣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量（TVL）和代幣價格上。

從本質上看，一個領域在解決技術難題，另一個則更像在包裝金融產品。對於孰是孰非，可能並沒有標準答案，這取決於個人的觀點和立場。

這種抽象的類比雖然不能絕對化，但對比兩個領域的發展脈絡確實能給我們帶來一些有趣的思考。