It’s okay to lean on me. Even if we’re separated, we’re still together… 可以依靠在我胸上，即使我们分开了，我们还是在一起…… #TifaLockhart# #TifaLockhart# #FinalFantasy# #ファイナルファンタジー# #ティファ# #dottyyidi#

村通网，刚刚知道 LeanCloud 服务即将停止了。以前注册它是因为当时用的博客程序使用它存储评论，还好最后没有把评论放在上面。 现在很多人基于各类 SaaS 服务构建了大量的个人应用，但是我始终坚持数据要放在手里，我见过太多服务突然停止服务了。

吴说获悉，Vitalik Buterin 提议开发一种可编译至 Lean、HOL 等系统的高级语言，重点提升定义和定理的可读性，而非证明过程本身。其设想的应用场景是由 AI 生成大规模证明，再通过这种语言帮助读者更容易理解究竟证明了哪些精确定义和定理。

吴说获悉，以太坊联合创始人 Vitalik Buterin 发文称，Lean Ethereum（精简以太坊）将是以太坊继 The Merge 后的第三次重大迭代，并将在未来 3 至 4 年逐步上线。其核心方向包括将递归 STARK 纳入协议原生验证、推进抗量子方案、引入更可扩展的新型状态结构，并探索 RISC-V 或 leanISA 等底层虚拟机，以支持可编程隐私和更高扩展性。Vitalik 还表示，未来约 5 年以太坊将多次提高 Gas limit、Blob 容量并缩短 Slot time，预计 Glasterdam 升级将带来较大幅度 Gas limit 提升。

向下扎根，向上生长，今天也来火币成长学院一起Lean to Earn！ 📖 本期 $CHIP 学习活动，我们准备了价值 5000 USDT代币等你来拿～ 知识就是财富，👉 这里等你：

🗓️ 以太坊日报 2026-05-15 【区块链技术讨论】 1⃣@tcoratger 总结罗马密码学周五大关键趋势：Lean 4形式化验证在密码学中的大规模应用、二进制域在SNARK证明系统中的效率优势、中性原子架构量子计算的加速威胁、Poseidon哈希函数的安全加固工作、递归SNARK聚合对区块链扩容的核心作用 2⃣@pcaversaccio 强调Vyper作为形式化验证的智能合约语言对以太坊生态的战略价值，批评Fe语言是"象牙塔建设"，主张应优先支持抗审查的Vyper而非实验性语言 3⃣@iptf_updates 发布弹性支付轨道概念验证，结合NoirLang零知识电路、Solidity/Foundry智能合约与智能卡硬件，通过网状网络和零知识证明实现援助资金的隐私分发 4⃣@pcaversaccio 回应语言多样性争议，指出Solidity可直接受益于形式化验证的Vyper编译器进行交叉编译测试，支持Vyper即支持Solidity生态稳健性 5⃣@growthepie_eth 披露数据标签工作细节，通过开放标签倡议和多签钱包分析改进合约识别，已标注750+跨链合约地址 【学术合作动态】 1⃣@DavideCrapis 代表dAI团队与开源AI团队@MiniMax_AI在上海完成学术合作交流，探讨开放代理经济基础设施、多代理AI安全架构，并与工程负责人@SkylerMiao7深入讨论代理编排技术 【行业观点碰撞】 1⃣@intangiblecoins 跟踪报道CLARITY法案在参议院银行委员会以15-9两党投票通过，参议员Ruben Gallego等民主党人投赞成票，为数字资产监管框架立法迈出关键一步 2⃣@VivekVentures 宣布Fidelity International在以太坊主网推出代币化货币市场基金FILQ，采用ERC-20标准发行 3⃣@RyanSAdams 阐述ETH估值逻辑：低费用反映以太坊扩容成功（区块空间供应将增7-8倍），ETH应作为SOV（价值储存）而非仅按费用收入估( 4⃣@growthepie_eth 披露欧洲正考虑采用以太坊作为欧元稳定币结算层，当前以太坊生态已流通6亿欧元稳定币 【开发者生态】 1⃣@tcoratger 宣布STIR算法集成至Plonky3的GitHub Issue已开放，相关开发分支即将就绪 2⃣@Asbet0s 发布ERC-7730标准实施指南，指导协议开发者如何为硬件钱包添加清晰签名支持 3⃣@austingriffith 宣布开发者教育组织BuidlGuidl资金即将耗尽，呼吁通过Giveth二次方融资轮次支持以太坊安全应用开发工具建设 【其他】 1⃣@nloureiro 宣布Gnosis建设的Lisnode空间正式成为以太坊社区中心，与以太坊基金会@EFetheverywhere合作运营

分析：scaling law的范式转移：scale-up、scale-out和scale-lean 过去两年，随着ai的发展，质疑scaling law的声音越来越多，但其实scaling law不但一直都在，而且还在不断增强。 如果我们稍微回顾一下历史，从 GPT-3 到 GPT-4，本质上都是在把模型做大——参数更多、数据更多、算力更强。这就是典型的 Scale Up。 但从 GPT-4 开始，大家开始越来越多地讨论“推理”。不是简单的生成，而是多步推理、链式思考、更复杂的问题拆解。 模型能力的提升，不再只是来自参数规模，而是来自推理过程本身的优化。这其实是一个很微妙但关键的变化：行业开始意识到，“怎么用模型”，和“模型有多大”，同样重要。 直到最近，像 OpenCLaw、AutoResearch 代表的agent生态开始大火，本质上已经不是在讨论模型本身了，而是在讨论一个系统。模型只是其中一部分，更重要的是任务如何拆解、如何调用工具、如何在多个步骤中反复执行和修正。 这时候，能力的提升，已经不再主要依赖模型本身，而是依赖结构。通过多次调用、流程编排、工具接入，把原本单点能力扩展成一个可以执行复杂任务的系统。这一阶段，其实就是 Scale Out。 但从推理和agetn生态开始跑起来之后，一个更现实的问题马上出现了：成本。 推理一旦复杂化，Agent一旦进入多步执行，调用次数是指数级增长的。推理成本迅速上升，延迟变得不可接受，底层的内存和带宽开始成为瓶颈。你会发现，问题已经从“能力不够”，变成了“跑不起”。 于是最近这段时间，越来越多的论文和工程实践，都开始研究如何降本增效。 比如 DeepSeek 之前的Engram，Google 最近的 TurboQuant，本质上是在做更极致的存储优化、压缩和效率提升 -- 在不显著增加算力的情况下，让系统变得更强、更便宜、更快。 我们可以把它叫做 Scale Lean。 把这三条路径综合起来，可能更能帮助我们把握行业未来的发展。 最早是 Scale Up 占绝对主导，大家都在拼模型大小。然后是 Scale Out 开始出现，系统能力逐渐成为新的增长点。再到现在，Scale Lean 开始变得越来越重要，因为它直接决定这些系统运行成本。 这三者不是替代关系，而是叠加关系。 更重要的是，Scale Up、Scale Out、Scale Lean 三条路径本身就是一个正反馈系统，它们会互相放大彼此的效果，从而加速整个AI进化。 模型变强（Scale Up），会让Agent系统更少出错、步骤更短、整体能力更稳定，从而放大Scale Out的效果； 而一旦系统复杂度上来，调用次数暴增，成本问题就会被迅速放大，这又反过来逼着整个行业去做效率优化，也就是Scale Lean。 等到效率真的被做下来之后，事情又会发生变化——更低的成本、更高的吞吐，会让更复杂的Agent系统变得可行，同时也让模型可以被更频繁地调用、训练和迭代，进一步推动Scale Up。 于是这三者之间形成了一种很典型的正反馈：Up让Out更强，Out逼Lean进化，Lean又反过来加速Up和Out。 AI的发展不再是单一变量的线性推进，而是一个多变量耦合的加速系统，一旦三个方向同时往前，整体能力的提升就很容易从“渐进式”变成“跳跃式”。 基于以上的讨论，我们可以得出一个结论，ai能力的增长速度，不但没有放缓，还在加速。 scaling law不但没有装墙，反而驶上了快车道。