Met de technologische evolutie van AI wordt er steeds meer data gevoed aan gecentraliseerde entiteiten, wat leidt tot zorgen van gebruikers en andere entiteiten over gegevenssoevereiniteit en veiligheid. Tegelijkertijd neemt de toepassing van AI-agenten in gesegmenteerde scenario's toe, waarbij sommige scenario's mogelijk de persoonlijke privacy van gebruikers raken. Daarom zal gedecentraliseerde privédata de pijler worden van de grootste industrieën in de toekomst. Nillion heeft zijn eerste gedecentraliseerde blinde rekennetwerk gelanceerd, dat beschikt over een eigen set ondersteunende basisinstellingen. Deze tools helpen bouwers bij het creëren van krachtige applicaties die veilig gebruik kunnen maken van waardevolle data. Vroege bouwers van de Nillion-gemeenschap creëren tools voor privévoorspellende AI, veilige opslag en rekenoplossingen voor de gezondheidszorg, opslagoplossingen voor veilige gegevens zoals certificaten, en veilige workflows voor transactiegegevens. Wat betreft financiering heeft Nillion in oktober 2024 25 miljoen dollar opgehaald in een ronde geleid door Hack VC, met investeerders zoals HashKey Capital, Animoca Brands, en ook angel-investeerders van projecten zoals Arbitrum, Worldcoin en Sei. In feite had Nillion al in 2022 20 miljoen dollar opgehaald, met Distributed Global als de hoofdinvesteerder. Deze twee financieringsrondes hebben Nillion in totaal 45 miljoen dollar aan financiering opgeleverd, wat voldoende voedingsbodem biedt voor de ontwikkeling van het project. Het Nillion-netwerk is verdeeld in twee delen: de coördinatielaag (Coordination Layer) nilChain en Petnet (Privacy Enhancing Technology Network). Petnet stelt bouwers in staat om privacyversterkende technologieën (PET) te gebruiken om data op te slaan en te berekenen terwijl de gegevens versleuteld blijven.

Of het nu gaat om AI-agenten in Web2 of Web3, ze zijn allemaal gebaseerd op grote taalmodellen (LLM) als de kerntechnologie. Men kan zeggen dat de opkomst van LLM AI-agenten werkelijkheid heeft gemaakt en de weg heeft geëffend voor commercialisering. Na een vroege technologische accumulatie beleefde LLM in 2022 een explosie in toepassingen. OpenAI lanceerde GPT-3.5, dat opnieuw aanzienlijke vooruitgang boekte op het gebied van natuurlijke taalverwerking, maar op dat moment had AGI nog niet het niveau van een "Agent" bereikt. Vanaf 2023 hebben verschillende bedrijven wereldwijd meerdere open-source grote taalmodellen (LLM) gelanceerd, waaronder LLaMA, BLOOM, StableLM en ChatGLM. Platforms zoals Voiceflow voor het creëren van AI-agenten zijn ook verschenen; in augustus 2023 hadden meer dan 130.000 teams AI-agenten gebouwd met Voiceflow. Na 2024 wordt de concurrentie tussen LLM's steeds heviger, met voortdurende lanceringen van geüpgradede versies en nieuwe LLM's, waaronder Gemini 2.0 en DeepSeek R1, wat leidt tot een geleidelijke verlaging van de gebruikskosten, steeds krachtigere analysemogelijkheden en meer AI-agenttools die meer mensen aanmoedigen om het uit te proberen. Met de voortdurende verbetering van de prestaties van LLM's zijn AI-agenten niet langer slechts een concept in de onderzoekswereld, maar zijn ze een realiteit geworden. In 2024 integreerde Microsoft 10 autonome AI-agenten in Dynamics 365, die automatisch klantservice-, verkoop-, financiële en magazijntaken kunnen uitvoeren. Google lanceerde aan het einde van dat jaar het multimodale grote model Gemini 2.0 en introduceerde op basis daarvan drie nieuwe agentprototypes, waaronder de algemene grote modelassistent Project Astra en de programmeerassistent Jules. In 2025 lanceerde OpenAI de eerste AI-agent Operator, die complexe taken zoals het schrijven van code, het boeken van reizen en online winkelen automatisch kan uitvoeren. Met de directe lancering van AI-agenten door LLM-bedrijven is het belangrijkste doel om ontwikkelaars en bouwers aan te trekken om hun LLM-technologie te gebruiken, toepassingsscenario's uit te breiden en de omzet te verhogen. Deze overgang van onderzoek naar toepassing markeert ook de ingang van een nieuwe ontwikkelingsfase voor AI-agenttechnologie.

Langdurig werd de technologie van zero-knowledge proofs vanwege de hoge rekenkosten en trage snelheid tijdens het genereren beschouwd als "theoretisch perfect, maar in de praktijk traag", wat het moeilijk maakte om te voldoen aan de strenge eisen van de bloktijd in blockchain, en belemmerde de toepassing in praktische scenario's. Echter, in 2025 werd deze situatie volledig omgekeerd, en zijn de prestaties van ZK niet langer de belangrijkste belemmering voor de toepassing ervan. Een iconische doorbraak is het SP1 Hypercube bewijs systeem ontwikkeld door het Succinct team. Het heeft met succes aangetoond dat het in staat is om ZK-bewijzen te genereren voor meer dan 93% van de Ethereum mainnet blokken binnen een bloktijdslot van 12 seconden, met een gemiddelde bewijstijd van slechts 10,3 seconden. Wat betreft waarom Succinct SP1 Hypercube zo'n grote technologische vooruitgang heeft geboekt, kan dit eenvoudig worden begrepen als voortkomend uit de volgende twee verbeteringen: 🔹 Het proces van het genereren van ZK-bewijzen vereist dat blockchain-transactiedata wordt gecodeerd in een wiskundige veelterm, en dit coderingsresultaat helpt bij het vormen van het uiteindelijke bewijs. Je kunt het je voorstellen als het inpakken van een grote hoeveelheid rommel in een koffer. De veelterm die voorheen werd gebruikt, heette Univariate Polynomials, en paste niet goed bij de structuur van blockchain-gegevens, net zoals het gebruik van een ronde koffer voor vierkante voorwerpen altijd ruimte of compressie zal hebben, wat leidt tot tijdrovende en inefficiënte voorbereidingen voor de codering. SP1 Hypercube heeft een nieuwe veelterm (Multilinear Polynomials) uitgevonden die beter aansluit bij de multidimensionale eigenschappen van transactiedata, wat gelijkstaat aan het ontwerpen van een rechthoekige koffer die perfect de rommel kan vullen. Dit heeft de voorbereidingstijd voor gegevenscodering aanzienlijk verkort, waardoor de generatie van bewijzen van minuten naar seconden is versneld, wat realtime mogelijk maakt; 🔹 Voorheen was het genereren van bewijzen als handmatig inpakken door één persoon, waarbij het hele proces stap voor stap verliep en niet kon worden opgesplitst. Nu maakt SP1 Hypercube gebruik van een nieuw algoritme (inclusief recursieve aggregatie en geoptimaliseerde protocollen), waarmee grote bewijzen kunnen worden opgesplitst in meerdere kleine bewijsopdrachten, die elk onafhankelijk kunnen worden verwerkt en vervolgens eenvoudig kunnen worden samengevoegd tot een volledig bewijs. Het voordeel van splitsen is dat het de mogelijkheid biedt om de multi-core CPU of GPU parallel te benutten, net zoals meerdere mensen tegelijkertijd hun bagage inpakken, waardoor de algehele snelheid stijgt en het kan concurreren met de Ethereum-blokcyclus van elke 12 seconden, wat realtime bewijzen mogelijk maakt.