探索低成本计算的用例

Starknet 中文

0xb033

May 8th, 2023

原文：Exploring the Use Cases of Cheap Computation
翻译及校对：「Starknet 中文」社区

Starknet 带来哪些新用例，开发者应如何善加利用？

高昂的计算成本阻碍区块链的普及和用例
以太坊 L2 Rollup Starknet 可实现低成本计算
新用例：日常交易、改进的预言机、全链游戏等
Starknet 已在主网上线，处理了数百万笔交易
EIP-4844 集成有望进一步改进和降低成本
Realms、Influence 和 Dojo 等项目致力于在 Starknet 上开发区块链游戏
AI 机器学习与可验证推理、链上模型集成和可验证训练集成的可能性
Starknet 的未来专注于性能、用户体验、提升吞吐量、减少延迟和降低费用
开发人员可以通过 Starknet 之书来了解 Cairo 并在 Starknet 上进行构建

2021 年牛市每个人都在讨论加密货币并在以太坊上发起数百万笔交易时，gas 价格高达 200 gwei 甚至更高。也就是说，如果你要在以太坊上转账 10 USDC，gas 费用可能就需要花费 50 多美元。这并不划算。

随着越来越多新用户进入区块链，区块空间的需求猛增。以太坊（和其它链）上的 gas 价格飙升，暴露了单体区块链的局限性。大众需要更好的解决方案，但技术还没有准备好。

为解决这个问题，「二层」解决方案出现了向模块化设计的转变，这是一组建立在基础区块链上的技术，可以提高可扩展性和成本效益。Polynya 的文章称，「所有有价值的区块链在未来几年都会以某种方式摆脱纯粹的单体链，比特币这种不需要扩展性的除外。」

Starknet 有效性证明（或零知识）Rollup 大大降低了计算成本，是 L2 解决方案的领军者。在本文中将探讨高昂的计算成本如何阻碍了区块链，再详细研究通过 Starknet 的低廉计算成本可能实现的几个新用例。

以太坊 L2

在以太坊上已经开发出各式各样的 L2，主要划分成三种解决方案：乐观证明、零知识证明和状态通道。

扩容证明的优势在于这些方案的安全性源自以太坊 L1（利用由超六十万个验证节点组成的去中心化网络）。但它们同时提供比主网更快的交易速度和更低的执行成本。通过在 L1 链下（计算成本较低）完成计算实现该优势，只需要定期将 L2 状态打包（因此称之为 Rolling up 交易）发送到主网上（确保主网安全性）。

什么是 Starknet？

由 StarkWare 开发的 Starknet 是采用 STARK 加密系统降低计算成本的有效性证明方案（通常称为零知识证明）。

目前，Starknet 主网的交易成本已经远低于以太坊。在 v0.13.0 版本（预计于 2023 年第三季度发布）中引入 Volition（或链下数据可用性）有望进一步降低 Starknet 交易成本。目前 Starknet 主要交易成本的 95% 来自以太坊 L1 交易成本（剩下 5% 为计算成本）。除引入 Volition 外，一旦完成 EIP-4844 在 L1 实现，团队也将尽快推进升级调整。鉴于上述两项升级。预计交易成本将显著降低。

高昂计算成本带来的局限性

除了代币转账费用高得离谱之外，高昂计算成本还伴随着其它问题。现如今仍有许多应用程序因高昂计算成本而受到限制。且随着区块链技术不断发展，复杂计算的需求也在增加。高昂计算成本限制了去中心化应用的增长和采用。例如：

日常交易：「加密货币即现金」的期望尚未实现（除了个别可以「靠加密货币生活」的地方）。抛开监管不确定性外，缺乏主流日常采用的关键原因之一是高昂的交易费用，没人愿意为一杯 2 美元的咖啡支付 1 美元交易费用。
预言机：鉴于其自身固定的设计和原则，区块链无法检索链下现实生活的数据。为了获取诸如股票价格、天气、体育比赛结果等数据，采用了称为预言机的特殊应用程序。预言机定期在链上发布数据，智能合约可以检索这些数据。但由于过高的交易成本，预言机无法定期在链上发布数据，通常要间隔很长时间发布。获取的链上数据变得过时，并可能导致智能合约做出错误决策。这就造成无法提供与 Web2 相媲美的交易体验。此外，由于高昂的执行成本也让任何类型的数据聚合或额外计算都变得难以企及。
治理：链上治理或链上投票有效地让决策过程变得透明和去中心化。目前来说，要进行链上投票，选民需要通过发送交易来投票（基于持有的某个代币数量或其它获得投票权的机制）。然而，要实现去中心化治理，就必须频繁且迅速地做出有效决策。而由于计算成本高昂，投票太贵了，所以大家都不投票。链上投票成了一种低效的投票系统。许多项目也因此选择了链下治理，破坏了区块链原本的目的。
游戏：说到链游，就会想到曾风靡一时的 Axie Infinity。在 Sky Mavis 开发的这款游戏中，游戏角色 Axie 以 NFT 的形式出现。然而，游戏逻辑的运行方式和传统游戏类似，都是在中心化的服务器上。游戏要求玩家在短时间内做出许多决定，每个决定都代表着某种交易。而根据玩家的决定，游戏情节会发生变化，这需要大量的计算。这种昂贵计算的限制导致像 CryptoKitties 和 Axie Infinity 这样的游戏只具有有限的链上组件。然而，这些游戏通过将自己宣传为「Web3 链游」，在巅峰时期实现了数十亿美元的市值，但其实不能代表真正的区块链游戏。

通过低成本计算成本打开新用例的大门

然而，如果可以实现低成本计算，就可以开启一组新的区块链用例。Starknet 已在主网上线，每天处理数万笔交易（迄今为止已完成 700 多万笔交易）。如前所述，一旦集成了 EIP-4844，交易成本还会下降几个数量级。

来看看 Starknet 上的低成本计算所支持的一些用例。

负担得起的交易和帐户抽象

低成本计算显而易见的好处就是，增加日常使用。支付咖啡的手续费只需几美分（甚至几分之一美分）。此外，由于帐户抽象，加密钱包的功能类似于传统钱包。就像把大部分资金保存在安全的储蓄帐户里一样，可以把大部分资产存储在具有多个安全层的钱包里（例如，要求受信任的个人共同签署大额转账或使用唯一私钥）。

低廉链上计算改变数据流

随着低成本链上计算的引入，预言机与现在相比会大不相同。

首先，频繁更新预言机喂价变得可行，因为单个交易的成本降低了很多。数据投送更加准确，且为用户提供更多用例，以根据这些数据建立市场（复杂的期权协议、预测市场等）。

由于 Starknet 是一条 Rollup 链，需要定期在以太坊主网上发送承诺来更新 Rollup 的状态（通常承诺之间的间隔可以从几分钟到几小时不等）。这种承诺是用户在 L2 上支付交易费用时的主要成本。但 Rollup 必须只把最新状态提交给 L1。在单个区块中多次覆盖同一个存储槽不会产生高存储成本。在预言机的用例中，如果某些变量（例如某些资产的价格）在同一承诺内频繁更新，L1 成本仍等同于单次写入，因为只有最终状态作为调用数据发布到主网。

由于执行成本较低，计算信息流（聚合计算数据流）变得可行。在传统的金融领域，金融应用程序需要利用复杂的数据流，包括风险、收益率和波动率。像 Pragma 这样的团队正在努力将这些数据流引入 Web3。Pragma 已经在 Starknet 测试网上有两个计算数据流，一个波动率指数和一个收益率曲线。

存储证明的应用也将改变预言机的格局。存储证明是一种跟踪存储的密码学方法。使用这些加密承诺，就有可能无需信任地证明某个特定状态在某个时间（或在某个特定的区块）存在。验证这些证明，就需要计算（尽管这些计算量不大），而低廉的计算成本会提高用户体验。有了存储证明，就有可以去中心化的方式在不同的链之间传输信息，提供区块链的历史数据以及更多信息。想要深入了解存储证明，请看这篇文章。

转向全链游戏逻辑

游戏市场巨大。美国是最大的游戏业市场，每年从游戏从获得的收入高达 540 亿美元。区块链游戏最近成为了焦点，但正如之前讨论的，这些游戏还是「Web2.5」，而不是真正的「Web3」游戏。

区块链游戏应该满足：

游戏逻辑完全上链，低廉的执行成本至关重要。

对于 Web3 游戏来说，一个最基本的「试金石」是，如果游戏背后的开发者突然消失了，游戏是否可以继续生存。这与智能合约在链上的生存方式非常相似；无论智能合约的开发者是否仍然活跃，游戏都会继续。如果基本的游戏机制和规则都在链上，就可以在游戏逻辑上建立不同的界面。另一方面，激励开发者使用游戏特定的代币来构建。尽管目前没有大型游戏完全建立在链上，但 Starknet 上多个项目都在朝着正确的方向努力，例如 Realms 和 Influence。

像 Dojo 这样的生态系统开发者正在努力为 Starknet 生态系统提供开源的实体组件系统（ECS）框架。ECS 框架是一种基本的设计模式，用于以模块化的方式构建游戏。例如，就《马里奥卡丁车》而言，马里奥和汽车是实体，汽车的位置和速度是组件，汽车碰撞的逻辑作为一个系统来实现。游戏开发者将使用这些组件来构建游戏。随着生态系统的发展，就需要更多这样的项目和游戏开发者加入到 Starknet 中。

透明的 AI 应用

随着最近人工智能的热议，似乎人工智能很快就可能集成到数字化实体中。虽然将 AI 模型部署到链上并不是一种确定性的选择，但这种做法有许多好处。对于这些应用场景，低成本计算是必不可少的。

可验证推理意味着模型是在中心化服务器上预训练的。训练一旦完成，模型权重就可以在链上发布。完成此操作后，输入可以传递到链上模型，并且输出会保持透明，用户可以证明模型生成了特定输出。
如果计算成本足够低，模型就可以在链上运行并生成输出，链上模型集合得以实现。汇总多个模型的输出，形成机器学习应用中常用的「集合」模型。
可验证训练意味着模型可以进行链上训练，保持可验证的良性训练证明，而不受外部因素的影响。这可能是上述中计算量最大，也是最不可能快速投入使用的应用。现如今，使用巨大的计算资源在 GPU 上训练大型 AI 和 ML 模型需要数天（或数年）。与此同时，训练时所生成 SNARK/STARK 证明也是一笔开销。此外，Cairo 专门在 CPU 上运行（比 GPU 慢得多）。