撰文：a16z

编译：1912212.eth, Foresight News

根据 American Dynamism、生物、消费技术、加密、企业、金融科技、游戏、基础设施等领域合作伙伴的反馈，我们发布了技术构建者可能在未来一年中探索的大型创意综合清单。以下是部分加密合伙人认为 2024 年激动人心的趋势。

迈入去中心化的新时代

正如我们一次又一次地看到的，当一个强大的系统或平台的控制权掌握在少数人（更不用说单一领导者）手中时，侵犯用户自由就变得太容易了。这就是为什么去中心化很重要的原因：它是一种工具，可以通过实现可信的中立、可组合的互联网基础设施来使系统民主化；促进竞争和生态系统的多样性；并为用户提供更多选择和更多所有权。

但在实践中，去中心化在大规模上实现一直很困难，尤其是在与中心化系统的效率和稳定性相比，更是如此。与此同时，大多数 Web3 治理模型都涉及 DAO，这些 DAO 使用基于直接民主或公司治理的简化但繁琐的治理模型，这些模型并不适用于去中心化治理的社会政治现实。

然而，由于过去几年 Web3 的活动实验室，去中心化的最佳实践已经开始出现。这些实践包括适应具有更丰富功能的应用程序的去中心化模型；还包括 DAO 采用马基雅维利原则，设计更有效的去中心化治理，使领导层对此负责任。随着这些模型的发展，我们应该很快会看到前所未有的去中心化协调、运营功能和创新水平。

—Miles Jennings，总法律顾问兼去中心化负责人（@milesjennings on Farcaster | on Twitter）

重构未来的用户体验

尽管加密领域的用户体验自 2016 年以来一直备受诟病，但其基本原理实际上并没有发生太大变化。它仍然过于复杂：自己保管秘钥；将钱包与去中心化应用（dApps）连接；将签名交易发送到越来越多的网络端点等等。这是我们不能期望用户在使用加密应用的前几分钟内学会这件事情。

但现在，开发人员正在积极测试和部署可以在未来一年中重置加密前端用户体验的新工具。其中一种工具包括简化登录应用程序和网站的传递密码；与需要用户手动工作的密码不同，传递密码是自动生成的加密密码。其他创新包括智能账户，使账户本身可编程且因此更容易管理；嵌入式钱包，内置应用程序中，因此可以使入门变得无摩擦；多方计算，使第三方更容易在不保管用户密钥的情况下支持签名；可以识别用户需求并填补差距的高级 RPC（远程过程调用）端点等等。所有这些不仅有助于 Web3 更广泛地应用，还可以使用户体验比在 Web2 中更好且更安全。

—Eddy Lazzarin，首席技术官（@eddy on Farcaster | @eddylazzarin on Twitter）

模块化技术堆栈的崛起

在网络世界中，一种力量总是主导其他力量：网络效应。网络效应通常是如此强大，以至于实际上只有两种模块化方式：一种是扩展和加强网络效应的模块化；另一种是破坏和削弱网络效应的模块化。在除了极少数情况之外，只有前者有意义，特别是在涉及开源时。

单体架构具有允许在原本将是模块化边界上进行深度集成和优化的优势，从而提高性能……至少一开始是这样。但开源、模块化技术堆栈的最大优势在于它解锁了无需许可的创新；允许参与者专注于特定领域；并激励更多的竞争。在这个世界上，我们需要更多这样的东西。

—Ali Yahya，合伙人（@alive.eth on Farcaster | @alive_eth on Twitter）

AI 与区块链结合

去中心化的区块链是对中心化 AI 的平衡力。目前，AI 模型（例如 ChatGPT）目前只能由少数几个科技巨头进行培训和操作，因为所需的计算和培训数据对较小的玩家来说是难以承受的。但是通过加密，可以创建多边、全球、无需许可的市场，任何人都可以为网络的某个需要的人贡献计算或新的数据集，并获得补偿。利用这些资源的长尾将使这些市场降低 AI 的成本，使其更加易于获取。

但随着 AI 改变我们生产信息的方式，改变社会、文化、政治和经济，它也创造了丰富的 AI 生成内容的世界，包括深度伪造。加密技术在这方面也可以发挥作用，以打开黑匣子；跟踪我们在线看到的事物的起源；等等。我们还需要找到分布式生成式 AI 并以民主方式进行治理的方法，以便没有任何一个参与者最终决定其他所有人；Web3 是解决这个问题的实验室。分散的、开源的加密网络将使 AI 创新民主化（而不是集中化），最终使其对消费者更加安全。

—Andy Hall，斯坦福大学教授（@ahall_research）；Daren Matsuoka，数据科学家（@darenmatsuoka on Farcaster | on Twitter）；阿里·亚希亚（Ali Yahya），合伙人（@alive.eth on Farcaster | @alive_eth on Twitter）

为赚而玩变为边玩边赚

玩赚游戏中，玩家通常可以根据他们在游戏中花费的时间和努力在现实世界中（不仅仅是虚拟的）赚取金钱。这一趋势与正在改变游戏及其周边领域的更广泛变革相关，从创作者经济的兴起到人们与平台之间关系的变化。Web3 使我们能够打破目前玩游戏和进行交易的所有收益都只流向游戏公司的常规做法。用户在这些平台上花费了大量的时间，并为这些平台创造了很多价值，因此他们也应该得到报酬。

但是游戏并不一定是为了成为工作场所（至少对于大多数玩家而言）。我们真正需要的是既有趣，又允许玩家捕获更多他们所创造的价值的游戏。因此，玩赚正越来越演变成好玩好赚，在游戏和工作场所之间进行了重要的区分。随着玩赚游戏超越其最初的成长阶段，导致游戏经济如何管理的动态将继续变化。然而，最终，这将不是一个割裂的趋势，而只是游戏的一部分。

—Arianna Simpson，@AriannaSimpson

当 AI 成为游戏制作者时，加密货币提供保障

作为一个花费大量时间思考 Web3 游戏和游戏未来的人，对我来说，很清楚，在游戏中的 AI 代理必须提供保证：它们基于特定的模型，并且这些模型在执行时没有被篡改。否则，游戏将失去完整性。

当传说、地形、叙述和逻辑都是通过程序生成时，换句话说，当 AI 成为游戏制作者时，我们将希望知道游戏制作者是可信的中立的。我们将希望知道这个世界是建立在保证基础上的。加密提供的最重要的东西就是这些保证——包括在 AI 出现问题时理解、诊断和惩罚的能力。在这个意义上，AI 对齐实际上是一个激励设计问题，就像处理任何人类代理一样是一个激励设计问题......而这正是加密货币所关注的。

—Carra Wu，合伙人（@carra on Farcaster, @carrawu on Twitter）

正式验证变得不那么正式

尽管正式方法在验证硬件系统方面很受欢迎，但在软件开发中它们并不那么常见。对于大多数不涉及硬性或安全关键系统的开发人员来说，这些方法太过复杂，可能会增加显著的成本和延迟。然而，智能合约开发人员有不同的需求：他们开发的系统处理数十亿美元；漏洞可能会产生毁灭性的后果，并且通常无法进行即时修复。因此，在软件开发，尤其是智能合约开发中，需要更易于接近的正式验证方法。

在过去的一年里，我们看到了一批新工具（包括我们自己的工具）涌现出来，其开发体验比传统的正式系统要好得多。这些工具利用了智能合约在架构上比常规软件更简单的事实——具有原子和确定性执行；没有并发或异常；内存占用小且循环较少。这些工具的性能也在迅速提高，通过利用 SMT 求解器性能的最新突破（SMT 求解器使用复杂的算法来识别或确认软件和硬件逻辑中的错误的存在）。随着开发人员和安全专家在受到正式方法启发的工具的广泛采用，我们可以预期下一波智能合约协议将更加健壮，不太容易受到昂贵的黑客攻击。

—Karma（Daniel Reynaud），研究工程合伙人（@karma on Farcaster，@0xkarmacoma on Twitter）

NFT 成为普遍存在的品牌资产

越来越多的知名品牌已经开始以 NFT 的形式向主流消费者推出数字资产。例如，星巴克引入了一个游戏化的忠诚计划，参与者在探索公司的咖啡产品时收集数字资产（更不用说 AR 南瓜香料迷宫了！）。与此同时，耐克和 Reddit 开发了数字可收藏的 NFT，明确面向广泛受众进行市场营销。但品牌可以做的远不止于此：它们可以利用 NFT 来代表和强化客户的身份和社区关系；连接实体商品和其数字表示；甚至与最忠实的爱好者共同创造新产品和体验。

去年，我们看到了一种趋势，即以低成本的 NFT 作为消费品大规模收藏——这些 NFT 通常通过托管钱包和 / 或「Layer 2」区块链进行管理，相应的交易成本也很低。进入 2024 年，NFT 成为数字品牌资产的普遍存在的条件已经具备，正如 Steve Kaczynski 和我在即将出版的一本书中所解释的那样，适用于各种公司和社群。

—Scott Duke Kominers，研究合伙人（@skominers on Farcaster | on Twitter）

SNARKs 成为主流

在历史上，技术专家一直有以下几种验证计算工作负载的策略：

1) 在可信赖的机器上重新执行计算；

2) 在专门用于该任务的机器上执行计算，即（TEE 可信执行环境）；或

3) 在可靠中立的基础设施上执行计算，如区块链。每种策略在成本或网络可扩展性方面都存在限制，但现在，SNARKs（Succinct Non-interactive ARguments of Knowledge）变得更加可用。SNARKs 允许通过不可伪造的方式由不受信任的「证明者」计算一些计算工作负载的「密码学收据」：在过去，计算这样的收据的成本比原始计算高出 10^9；而近期的进展正在将这个数字缩小到 10^6 左右。

因此，在初始计算提供者可以承受 10^6 的开销而客户无法重新执行或存储初始数据的情况下，SNARKs 变得可行。由此产生的用例有很多：物联网中的边缘设备可以验证升级。媒体编辑软件可以嵌入内容的真实性和转换数据；而混搭的表情包可以向最初的来源致敬。LLM 推理可以包括真实性信息。我们可以拥有自我验证的税收表格、无法伪造的银行审计等，还有许多更多有益于消费者的用途。

—Sam Ragsdale，投资工程师（@samrags on Farcaster，@samrags_ on Twitter）