Cysic Shifts GPU Network Focus from Blockchain Proofs to AI Inference amid Rising Layer 2 Fees

2026/11/08 11:08:00

Cysic redireciona a capacidade de GPU para inferência de IA à medida que a demanda por geração de provas ZK diminui

Cysic, a rede descentralizada de computação que lançou seu mainnet em 24 de setembro de 2025, mudou o foco principal de sua frota de GPUs de gerar provas de conhecimento zero para redes Layer 2 do Ethereum para suportar cargas de trabalho de inferência de IA. A mudança segue uma clara queda na demanda por geração de provas, juntamente com taxas de transação Layer 2 que, segundo a empresa, subiram acima das do Ethereum itself. Desde o lançamento do mainnet, a rede processou mais de 13 milhões de transações e produziu mais de 10 milhões de provas de conhecimento zero, trabalhando com parceiros incluindo Scroll e Aleo. Atualmente, lista mais de 118.000 provadores e 200.000 verificadores.

O CEO Leo Fan caracterizou a mudança como uma realocação prática do hardware existente, e não como uma saída total do trabalho de zero-knowledge, enquanto ainda visa a comprovação de blocos do ethereum abaixo de oito segundos. A Camada 1 Proof-of-Compute da rede, que é compatível com a Máquina Virtual Ethereum, já coordena tarefas ZK e de IA, fornecendo uma base técnica pronta para a mudança. A reorientação da capacidade de GPU da Cysic para inferência de modelos de linguagem de grande porte reflete mudanças mensuráveis na economia da Camada 2 e nas condições do mercado de GPU, permitindo à rede manter a utilização enquanto continua o desenvolvimento seletivo de zero-knowledge por meio de hardware especializado e seu mercado CyAI.

Principais conclusões

Cysic está redirecionando recursos de GPU de provas L2 ZK para inferência de IA após a queda na demanda.
As taxas da Layer 2 supostamente superaram as taxas da mainnet do ethereum, reduzindo a economia de prova.
As métricas do mainnet desde setembro de 2025 incluem mais de 13 milhões de transações e 10 milhões de provas.
As otimizações do Venus zkVM e da GPU proporcionaram ganhos de eficiência no tempo de prova superiores a 9 por cento.
O chip C1 personalizado alcança 1,31 milhão de funções Keccak por segundo para prova mais rápida.
O mercado CyAI utiliza auditorias estatísticas para tarefas de IA em vez de provas de conhecimento zero completas por trabalho.

A diminuição da demanda por provas ZK força a realocação de hardware em redes descentralizadas

A demand pela geração de provas de conhecimento zero que servem às redes Ethereum Layer 2 caiu acentuadamente durante 2026, levando a Cysic a realocar sua capacidade de GPU. As redes Layer 2 dependem dessas provas para agrupar transações e liquidá-las com segurança no ethereum sem exigir que cada participante reexecute o trabalho. Quando a demanda por provas diminui, o hardware especializado que antes gerava receita constante fica subutilizado. A liderança da Cysic vinculou diretamente a queda ao aumento das taxas Layer 2, que agora superam os custos da camada base do ethereum em certos períodos, erosionando a vantagem econômica que antes tornava os serviços de prova externa atraentes.

Os próprios dados da rede mostram atividade significativa anterior, mais de 10 milhões de provas produzidas desde o lançamento do mainnet em setembro de 2025, mas as condições atuais não sustentam mais o mesmo volume de trabalho focado em L2. Essa medida não é exclusiva de um único provedor; a escassez de GPU impulsionada pela demanda por data centers de IA aumentou o custo de oportunidade de dedicar aceleradores exclusivamente à prova criptográfica. Ao redirecionar a capacidade, a Cysic preserva a utilização de hardware enquanto o mercado mais amplo absorve o excesso de oferta de provas. A decisão baseia-se em dinâmicas de taxas observáveis e métricas de utilização, e não em previsões especulativas, permitindo que a rede se adapte sem descartar a infraestrutura já construída para computação verificável.

Sobreposição de GPU entre comprovação de conhecimento zero e inferência de modelo de linguagem grande permite transição perfeita

Tanto a geração de prova de conhecimento zero quanto a inferência de modelos de linguagem de grande porte impõem fortes demandas aos recursos de GPU, criando uma ponte técnica natural para a mudança da Cysic. A geração de prova envolve aritmética intensiva de campos finitos, multiplicações multi-escalar e transformadas teóricas dos números que se mapeiam eficientemente nos núcleos paralelos da GPU. A inferência, por outro lado, centra-se em multiplicações matriciais e mecanismos de atenção que também saturam os mesmos aceleradores. Como o silício subjacente já está otimizado para cargas de trabalho paralelas de alto rendimento, mover capacidade de uma classe de tarefa para a outra exige principalmente alterações no agendamento de software, e não a aquisição de novo hardware.

A camada Proof-of-Compute Layer 1 da Cysic já roteia trabalhos dos dois tipos, portanto, a camada de coordenação não precisou ser reinventada. O CEO Leo Fan enfatizou que a frota existente pode ser direcionada para inferência de LLM sem uma reformulação arquitetônica completa. Essa sobreposição reduz o risco de capital e encurta o prazo de transição. Ao mesmo tempo, a rede mantém a capacidade de atender à demanda residual de ZK, preservando a opção. O resultado prático é uma utilização média mais alta dos mesmos ativos físicos sob condições de mercado em mudança, uma capacidade que plataformas puras de ZK ou puras de IA podem não possuir.

Métricas de desempenho do mainnet demonstram a escala alcançada antes da mudança estratégica

O mainnet da Cysic, ativo desde 24 de setembro de 2025, já acumulou uma escala operacional significativa que sustenta a atual reorientação. A rede processou mais de 13 milhões de transações e gerou mais de 10 milhões de provas de conhecimento zero em aproximadamente treze meses de operação. Parcerias com Scroll e Aleo contribuíram para esse volume, apoiando a implantação da rede em ecossistemas parceiros. Em termos de participação, o sistema registra mais de 118.000 provadores e 200.000 verificadores, indicando uma rede significativa de participantes registrados, mesmo após a redução pós-testnet de participantes oportunistas.

Esses números estabelecem que o Cysic não é um experimento recém-iniciado, mas uma rede operacional com um histórico mensurável de atividade na rede. O mecanismo de consenso Proof-of-Compute traduz computação útil, seja ZK ou AI, em pontuações e incentivos da rede, criando continuidade entre tipos de carga de trabalho. Ao demonstrar a capacidade de coordenar um grande número de máquinas heterogêneas para trabalho criptográfico, a mesma infraestrutura agora pode agendar tarefas de inferência com confiabilidade comparável. Portanto, as métricas servem tanto como prova da capacidade passada quanto como base para o foco expandido em IA.

Venus zkVM e otimizações de GPU entregam ganhos mensuráveis de eficiência para o trabalho de prova residual

Cysic continua a aprimorar sua pilha de provas, mesmo enquanto desloca a capacidade principal para a IA. O Venus zkVM combinado com otimizações direcionadas de GPU melhorou a eficiência do tempo de prova de ponta a ponta em mais de 9 por cento em relação às bases anteriores. Esses ganhos surgem de melhor agendamento em toda a pipeline de prova, e não apenas de aumentos brutos no desempenho do silício. Ao tratar a geração de provas como um gráfico de computação conectado e reduzir o tempo ocioso entre as etapas de CPU e GPU, o Venus extrai mais trabalho útil do mesmo hardware.

As melhorias são importantes para qualquer demanda residual de L2 e para o objetivo de longo prazo de provar blocos completos do Ethereum em menos de oito segundos. Ganhos de eficiência também reduzem o custo marginal de trabalhos de prova ocasionais, tornando o trabalho ZK seletivo mais viável ao lado da carga de trabalho dominante de IA. Em um mercado onde centros de dados de IA competem agressivamente pelos mesmos GPUs, cada ponto percentual de melhoria na utilização se compõe em economias melhores. Os elementos de código aberto da pilha Venus permitem ainda que desenvolvedores externos construam sobre as mesmas otimizações, ampliando o alcance técnico da rede além da sua própria frota.

Benchmarks do chip C1 personalizado destacam a diferenciação de hardware para hash relevante ao ethereum

O chip C1 personalizado da Cysic oferece 1,31 milhão de funções Keccak por segundo, um benchmark que se mapeia diretamente aos requisitos de hash principais do Ethereum. O Keccak sustenta muitas operações criptográficas dentro do ecossistema Ethereum, então a aceleração nesse nível traduz-se em geração mais rápida de provas para rollups e outros protocolos que dependem dessas primitivas. O silício especializado reduz a dependência de GPUs de propósito geral para os kernels criptográficos mais intensivos, parcialmente isolando a rede da escassez geral de GPUs impulsionada pela IA. O chip faz parte de uma rota de hardware mais ampla que também explora caminhos FPGA e ASIC iniciais, demonstrando o reconhecimento de que a dependência pura de GPUs está se tornando mais cara.

Ao combinar aceleradores personalizados com a frota existente de GPUs, a Cysic pode alocar o recurso mais eficiente para cada tipo de carga de trabalho: ASICs ou FPGAs para certos kernels ZK, GPUs para inferência flexível ou provas restantes. Essa abordagem híbrida suporta tanto a mudança imediata para IA quanto a ambição de longo prazo de prova em tempo real do ethereum. Os resultados do C1 fornecem evidências concretas de que a empresa está investindo em hardware diferenciado, e não apenas rebrandando capacidade existente.

CyAI Marketplace apresenta verificação pragmática para cargas de trabalho de inferência de IA descentralizadas

O marketplace CyAI da Cysic trata solicitações de inferência de IA por meio de um design que prioriza a praticidade em vez de provas criptográficas completas para cada tarefa. Em vez de gerar uma prova de conhecimento zero completa para cada inferência, o CyAI emprega auditorias estatísticas aleatórias e técnicas como verificações de Distribuição de Distância Logit para detectar substituição de modelo, redução de precisão ou cobrança excessiva. Os provedores competem em preço, latência e confiabilidade medida, enquanto os clientes definem orçamentos e limiares de qualidade. O marketplace está integrado ao framework mais amplo ComputeFi, permitindo que a mesma rede de máquinas que antes se concentrava em provas ZK sirva inferência de LLM para modelos que variam desde opções de código aberto até serviços de terceiros.

Este modelo de verificação mais leve reduz a sobrecarga em comparação com abordagens puras de ZK e torna o serviço mais competitivo em relação a APIs centralizadas, mantendo ainda assim uma trilha auditável. A implantação inicial do CyAI demonstra que a rede pode rotear tráfego real de inferência e liquidar pagamentos na cadeia. Portanto, o design converte a mesma base de hardware descentralizada em capacidade de inferência de IA sem exigir que cada cliente arque com todos os custos de prova.

A dinâmica das taxas da Camada 2 altera a economia dos serviços externos de geração de prova

De acordo com Cysic, as taxas de transação da Layer 2 subiram acima das taxas da mainnet Ethereum em períodos recentes, eliminando uma justificativa econômica chave para serviços externos de prova. Quando as L2s próprias se tornam relativamente caras, o custo adicional da prova especializada torna-se mais difícil de justificar, e a demanda por geração de provas de terceiros diminui. Análises anteriores do setor haviam mostrado que a geração de prova representava uma parte substancial dos custos operacionais dos ZK rollups; qualquer aumento nas taxas básicas da L2 agrava essa carga. A observação de Cysic é consistente com um aperto geral na oferta de GPUs, pois os data centers de IA absorvem aceleradores disponíveis, aumentando o custo de oportunidade de dedicar hardware exclusivamente à criptografia.

A inversão de taxas não elimina o valor de longo prazo da tecnologia de conhecimento zero, mas altera os padrões de utilização de curto prazo. Redes que conseguem ajustar flexivelmente a capacidade entre prova e inferência podem ter maior flexibilidade durante mudanças na demanda. A resposta da Cysic, realocando GPUs enquanto mantém capacidades especializadas de prova, ilustra uma estratégia adaptativa sob essas condições.

Camada Proof-of-Compute Layer 1 fornece coordenação unificada para cargas de trabalho mistas

Cysic opera uma Layer 1 compatível com EVM baseada em Proof-of-Compute que atua como camada de coordenação para trabalhos de zero-knowledge e IA. O mecanismo de consenso recompensa computação útil em vez de apenas hashing ou staking puro, permitindo que a mesma estrutura de incentivos suporte cargas de trabalho de prova, inferência e potencialmente treinamento. Desenvolvedores enviam trabalhos com parâmetros de orçamento e latência; a rede os encaminha para GPUs disponíveis ou aceleradores especializados e registra os resultados na cadeia.

Essa arquitetura já existia antes da mudança, então a transição para inferência de IA não exigiu uma nova camada base. O design de propósito duplo reduz a fragmentação e permite que os provedores ganhem com qualquer carga de trabalho que atualmente ofereça melhores retornos. Como a cadeia permanece compatível com as ferramentas do Ethereum, os custos de integração para aplicações existentes permanecem baixos. O resultado é um único mercado para computação verificável que pode absorver mudanças na demanda relativa entre tarefas criptográficas e de aprendizado de máquina sem exigir que os participantes migrem para redes separadas.

As ambições residuais de conhecimento zero persistem ao lado do foco em IA

Cysic não abandonou o desenvolvimento de zero-knowledge. O CEO Leo Fan reiterou o objetivo de provar blocos completos do ethereum em menos de oito segundos, uma capacidade que abriria casos de uso de verificação em tempo real além das provas atuais de L2. As otimizações do Venus e o progresso do chip C1 suportam diretamente esse objetivo, reduzindo a latência e o custo por prova. A prova seletiva para aplicações de alto valor ou sensíveis à latência pode continuar mesmo enquanto a maior parte da capacidade da GPU serve à inferência de IA.

Manter a capacidade dupla preserva a opicionalidade estratégica: se a economia da L2 ou avanços em hardware especializado restaurarem a demanda comprovada, a rede pode reequilibrar sem começar do zero. O investimento contínuo em comprovar eficiência também fortalece a camada de verificação CyAI, pois auditorias estatísticas e possíveis futuras melhorias ZK para IA podem compartilhar a mesma linha de pesquisa. Nesse sentido, o desvio é uma expansão da superfície de computação, e não uma substituição binária de uma carga de trabalho por outra.

A demanda por data centers de IA aperta a oferta de GPUs e aumenta os custos de oportunidade para cargas de trabalho especializadas

O treinamento e a inferência de IA absorveram uma parcela crescente das GPUs de alto desempenho disponíveis, criando concorrência direta com a comprovação de zero-knowledge pelo mesmo silício. A liderança da Cysic observou que a indústria está efetivamente competindo com orçamentos bem financiados de data centers, o que eleva tanto o preço quanto a escassez de aceleradores. Sob essas condições, deixar GPUs ociosas ou subutilizadas para uma demanda decrescente por provas L2 torna-se cada vez mais caro. Redirecionar a capacidade para inferência de LLMs permite que a rede capture receita da carga de trabalho com maior demanda, enquanto a rota de evolução de hardware especializado — FPGAs, ASICs e o chip C1 — avança em direção a soluções ZK mais eficientes.

A pressão de oferta também reforça o valor dos mercados descentralizados que podem agregar GPUs de consumidores e profissionais, caso contrário fragmentadas. Ao participar de ambos os mercados, os provedores da Cysic ganham resiliência contra flutuações na demanda por IA ou criptográfica. A implicação mais ampla para a indústria é que redes puras de prova ZK podem enfrentar intensidade de capital crescente, a menos que desenvolvam flexibilidade semelhante ou avancem agressivamente em silício personalizado.

Auditoria Estatística no CyAI equilibra minimização da confiança com throughput prático

Provas de conhecimento zero completas para cada solicitação de inferência de IA imporiam sobrecarga de latência e custo que muitas aplicações não conseguem absorver. Portanto, a CyAI utiliza auditorias estatísticas aleatórias e testes de Distribuição de Distância Logit para verificar que os provedores entregam o modelo, precisão e precisão de cobrança declarados. Testemunhas amostram tarefas, e verificadores checam substituições ou degradação de qualidade. Essa abordagem fornece uma trilha de evidências auditáveis sem exigir provas criptográficas para todo o grafo de computação de modelos grandes.

O design troca garantias criptográficas absolutas por maior throughput e menor custo, tornando o mercado competitivo com serviços centralizados, enquanto ainda oferece maior transparência. Os clientes mantêm a capacidade de definir restrições de qualidade e preço, e os provedores competem com base na confiabilidade medida. O modelo se encaixa na tese da economia de agentes articulada pela Cysic: agentes autônomos precisam de inferência verificável e eficiente, e não de sobrecarga criptográfica máxima em cada token gerado. O tráfego ao vivo inicial no CyAI demonstra que a camada de verificação mais leve é operacionalmente viável em escala de rede.

A estratégia híbrida de hardware posiciona a rede para flexibilidade computacional de longo prazo

A estrada de Cysic combina GPUs de propósito geral com aceleradores personalizados, como o chip C1 e os trabalhos contínuos em FPGA e ASIC. As GPUs fornecem capacidade flexível que pode alternar entre inferência e prova residual, enquanto a silício especializado visa os núcleos matemáticos onde o hardware de propósito geral é menos eficiente. Essa abordagem híbrida reduz a exposição aos ciclos do mercado de GPUs puras e melhora a economia por unidade de qualquer carga de trabalho que esteja dominando atualmente. A mesma camada de coordenação pode agendar tarefas em máquinas heterogêneas, ajustando as características da tarefa ao hardware mais adequado.

Para inferência de IA, a rede pode recorrer à ampla base de GPUs; para trabalhos ZK de alto volume ou críticos em latência, pode contar com kernels acelerados. A estratégia também suporta a visão ComputeFi de transformar diversos recursos de computação em ativos líquidos e geradores de rendimento. Ao evitar a dependência exclusiva de qualquer classe de hardware, a Cysic pode melhorar a flexibilidade operacional à medida que os mercados de IA e zero-knowledge continuam a evoluir.

Como a demanda por IA está reconfigurando o mercado de computação descentralizada

A mudança da Cysic ilustra uma tensão estrutural enfrentada pelas redes descentralizadas de computação: os mesmos aceleradores que impulsionam provas criptográficas agora estão em alta demanda para cargas de trabalho de IA, cuja economia atualmente domina. Redes que conseguem realocar fluidamente a capacidade, manter opções especializadas de prova e oferecer verificação pragmática para tarefas de IA estão melhor posicionadas para reter provedores e atrair demanda. A combinação de uma camada de coordenação compatível com EVM, hardware híbrido e dois mercados (ZK e CyAI) dá à Cysic uma resposta concreta a essa tensão.

Se o modelo poderá escalar ainda mais dependerá da demanda sustentada por inferência, da competitividade da auditoria estatística em comparação com alternativas centralizadas e do progresso contínuo em silício personalizado para necessidades residuais de ZK. Para o ecossistema mais amplo, o episódio destaca que o cálculo verificável está se tornando um mercado multi-carga de trabalho, e não apenas um nicho puramente criptográfico. Provedores e desenvolvedores que tratam as GPUs como ativos flexíveis, e não como ferramentas de propósito único, provavelmente se adaptarão mais facilmente à próxima mudança na demanda relativa.

Perguntas frequentes

Como a mudança do Cysic afeta os usuários existentes de prova de conhecimento zero?

Usuários existentes dos serviços de prova da Cysic podem continuar a enviar trabalhos; a rede não encerrou a capacidade ZK. A demanda residual ainda é atendida, e as melhorias de eficiência provenientes do Venus e do chip C1 permanecem disponíveis. A principal mudança é que a maior parte do tempo da GPU agora é priorizada para inferência de IA quando a utilização e o preço favorecem essa carga de trabalho. Usuários que exigem prova de baixa latência ou alto volume podem precisar planejar considerando possíveis filas ou custos relativamente mais altos em comparação com o período de pico anterior.

Qual método de verificação a CyAI usa em vez de provas de conhecimento zero completas?

CyAI depende de auditorias estatísticas aleatórias realizadas por testemunhas e verificações de Distribuição de Distância Logit por verificadores. Esses métodos amostram tarefas para detectar substituição de modelo, precisão reduzida ou cobrança incorreta, sem gerar uma prova criptográfica completa para cada inferência. A abordagem reduz a sobrecarga, mas ainda produz uma trilha auditável que clientes e o protocolo podem consultar em disputas.

A Cysic planeja abandonar os objetivos de prova de bloco do ethereum?

Não. O CEO Leo Fan reafirmou o objetivo de provar blocos de Ethereum em menos de oito segundos. O progresso em hardware especializado e as otimizações do Venus continuam a apoiar esse objetivo, mesmo enquanto a capacidade principal de GPU serve à inferência de IA. A prova em tempo real permanece como uma capacidade de longo prazo que a rede pretende oferecer.

Quão grande é a rede Cysic em termos de participantes e atividade histórica?

Desde o lançamento do mainnet em 24 de setembro de 2025, a rede processou mais de 13 milhões de transações e gerou mais de 10 milhões de provas de conhecimento zero. Atualmente, possui mais de 118.000 provadores e 200.000 verificadores. Esses números refletem tanto a escala alcançada durante a fase focada em ZK quanto a base a partir da qual a expansão de IA prossegue.

Por que as taxas da Layer 2 são relevantes para a estratégia de uma rede GPU?

Quando as taxas da Layer 2 aumentam em relação às taxas da mainnet do Ethereum, a margem econômica disponível para a geração de provas externas se reduz. Os operadores tornam-se menos dispostos a pagar provadores de terceiros, a demanda cai e a utilização da GPU diminui. Realocar essas GPUs para inferência de IA restaura a utilização e a receita sob o novo ambiente de taxas.

Qual papel a Camada 1 Proof-of-Compute desempenha após a mudança?

A Layer 1 continua a coordenar a submissão, roteamento, verificação e liquidação de tarefas para ambos os trabalhos ZK restantes e novos trabalhos de inferência de IA. Sua compatibilidade EVM e consenso de trabalho útil permitem que os mesmos mecanismos de incentivo e pagamento suportem a carga de trabalho mista sem exigir uma cadeia ou mercado separado.

Isenção de responsabilidade: Esta informação geral de mercado, possivelmente proveniente de fontes terceirizadas, comerciais ou patrocinadas, é fornecida apenas para referência e fins educacionais e não constitui aconselhamento financeiro ou de investimento, oferta, solicitação ou garantia. Renunciamos à responsabilidade por sua precisão, completude, confiabilidade e quaisquer perdas decorrentes. Investimentos/operações envolvem riscos; desempenho passado não garante resultados futuros. Os usuários devem pesquisar, julgar com prudência e assumir total responsabilidade. Para mais detalhes, consulte os Termos de Uso e a Divulgação de Riscos da KuCoin.

Aviso legal: Esta página foi traduzida usando tecnologia de IA para sua conveniência. Para informações mais precisas, consulte a versão original em inglês.