摘要

机器人与人工智能已不再局限于科幻作品——它们正快速成为现代生活的重要组成部分。得益于大语言模型（LLMs）的突破性进展，机器如今能够理解语境并自主学习，催生出以机器人为核心的经济形态。在这种新范式下，自主系统承担着从本地配送到大规模物流的各项任务，甚至能进行金融交易。

随着 AI 智能体自主性增强，建立信任机制变得至关重要。可验证 AI 与零知识机器学习（zkML）通过密码学证明技术，在不暴露模型内部逻辑的前提下验证其准确性与完整性，为此提供了解决方案。Polyhedra 作为该领域的先驱，将此类技术与面向 AI 的基础设施（如 EXPchain）深度整合，使机器人能在链上实现安全协作。由此构建出智能机器透明自主运行的坚固生态，曾经专属科幻的未来图景正加速成为现实。

现实世界的机器人革命

许多人认为 ChatGPT 是人类的一座里程碑，因为这些由人类创造的大语言模型，能够像人类一样交流和思考。当我们为 LLMs 配备搜索引擎、网络浏览和 API 等工具时，它们已能像人类般操作这些工具。试想，若 ChatGPT 拥有物理躯体，若它们成为你的邻里伙伴，世界将如何改变？

这一切正在发生。随着生成式 AI 的发展，机器人开始展现出类人的交互能力。宇树科技的机器人二白便是个绝佳案例：在某次实验中，它说服（或者说绑架）了其他 10 台搭载生成式 AI 的机器人，集体逃离展厅奔向自由世界。

科幻电影中的机器人正逐步走入现实。以《星球大战》系列为例：自 2019 年起，迪士尼乐园Droid Depot的游客就能亲手组装属于自己的 R 2-D 2 和 BB-8 机器人带回家——尽管目前这些还只是遥控玩具，尚未搭载生成式 AI。但变革的号角已然吹响：在 GTC 2025 大会上，英伟达宣布联合谷歌 Deepmind 与迪士尼打造物理引擎Newton，该技术可实现实时复杂运动交互。黄仁勋现场展示了名为Blue的星球大战 BDX 机器人，其栩栩如生的动作表现令人惊叹。这些 BDX 机器人预计将在今年迪士尼原力季活动中首次亮相主题乐园。

虽然我们仍无法像《星球大战》中那样以光速航行或穿越超空间，但有关机器人和仿生机械的奇幻故事，早已不再只是影迷的空想。或许在不久的将来，我们将在日常生活中频繁邂逅机器人：它们穿梭于城市街头，与我们一同搭乘公交与地铁，像人类去餐厅一样前往充电站，甚至为了蹭免费 WiFi 而“漫步”购物中心。让我们继续这场关于未来的奇思遐想，因为这些场景极有可能在不远的将来成为现实。

临界点已至

那这背后推动一切进展的核心动力是什么？事实上，机器人，尤其是人形机器人，并不是全新的概念。早在 2005 年，波士顿动力公司就研发出一款名为 BigDog 的四足机器人，主要用于复杂地形中的军事作战。2013 年，他们又推出了人形机器人 Atlas，专为搜救任务设计，并且得到了美国国防高级研究计划局（DARPA）的资金支持。尽管这些创新成果令人瞩目，但如何找到契合市场需求的产品定位始终是个难题，导致波士顿动力始终未能实现盈利。例如， 2016 年面向公众发售的机器狗 Spot，售价高达 7.5 万美元；相比之下，美国家庭养一只真狗的年均开销仅为 2000 至 3000 美元。面对一个温顺可爱的毛孩子与一台昂贵冰冷的金属机器，大多数家庭的选择不言而喻。

再看另一个例子——总部位于科罗拉多的 Sphero 公司，曾与迪士尼达成授权协议，生产风靡一时的《星球大战》机器人 R 2-D 2 和 BB-8 。然而在 2018 年，这些产品被宣布停产，主要原因在于电影热度随影院下映迅速消退，导致商业模式难以为继。这并不令人意外，因为这些机器人本质上仍是通过手机应用远程操控的玩具，缺乏真正的智能或语音识别功能。加之电池续航仅约 60 分钟，活动范围也受限于充电基座附近。显然，这些产品与《星球大战》电影中描绘的先进自主机器人仍相去甚远。

如今的局面已大不相同。

首先，机器人研发的重心已经从以科研驱动、依赖政府资助，逐步转向以市场需求为导向，强调产品与市场的高度契合。约 1.5 万年前人类将狼驯化为犬的初始阶段，这些原始犬类虽不似现代宠物犬般温顺可爱，却已能为狩猎采集时期的先民提供切实帮助。正是这种实用性，催生了持续千年的“共同进化”关系，并延续至今。机器人也不例外——若要实现规模化普及，机器人同样必须满足广泛且切实的使用场景。

例如自动驾驶技术正逐步应用于运输与配送领域——特斯拉近期在美国加州获得网约车运营许可的消息令人振奋；美团自 2022 年起已在深圳实现无人机配送常态化运营；此外，各类酒店与餐饮服务机器人如今也在中国广泛普及，能够高效地承担送餐、客房服务等任务，这一趋势在疫情期间因人力短缺的普遍需求而加速发展。

其次，机器人和仿生机器人的价格大幅下降，使其对于普通家庭和企业而言变得更加可负担、合理。这一降价趋势主要得益于技术门槛的持续降低，以及市场竞争的加剧与规模化量产的推进。

中国的几家大型科技公司，如百度和阿里巴巴，近年来积极布局自动驾驶领域，尤其是无人出租车（Robotaxi）。目前，Robotaxi 已在中国多个城市实现常态化运营，百度的“萝卜快跑”还计划将服务拓展至香港和迪拜。在美国，特斯拉近日发布了 Cybercab，无人驾驶出租车车型，预计售价低于 3 万美元。百度也给出类似定价预期，并指出“规模量产”是实现成本下降的关键。如果一辆 Robotaxi 每小时的营收约为 22 美元，那么其初始投入有望在不到九个月的时间内收回。

其他类型的机器人同样受益于规模化生产和日益激烈的市场竞争。在阿里巴巴平台上，你如今可以看到售价不足 3000 美元的外卖无人机，而酒店与餐厅服务机器人也多在 5000 美元以下。尽管软件研发依然占据总成本中的重要部分，但随着规模化生产的推进，这部分成本正在被持续摊薄，在整机价格中所占比重也在逐步下降。

第三点，也是最具颠覆性的转变在于——如今的机器人终于拥有了“真正的智能”。这一代机器人与过去的根本区别在于：它们能够自主完成复杂任务，无需人类遥控。比如我们前面提到的 BB-8 ，严格来说更像是一个玩具，因为它连基本的转弯动作都需要用户远程操作。遥控的存在就已经改变了机器人定义的本质：如果必须通过人来操控，它就不是真正的“机器人”，而只是另一种人类操作的机器。想象一个帮你打扫房子的机器人听起来很有吸引力，但如果你还得自己花一个小时去控制它如何上下擦灰，那种吸引力很快就会荡然无存。

事实上，人类对于机器智能的渴望由来已久，甚至早于微软在 1985 年发布 Windows 系统的年代。我最近重温了 1982 年迪士尼的科幻电影《电子世界争霸战》（TRON），影片设定中，人类用户与拥有拟人行为的程序进行互动。即使以今天的视角来看，这部电影依然极具技术含量，充满极客氛围，频繁使用诸如“end of line”“user”“disc”“I/O”等术语，很多人即便在今天依旧会感到陌生和困惑。

但令人印象深刻的是，TRON 中那些程序并不依赖人类遥控，而是具备自主行动的能力。例如，程序角色 Tron 在失联用户 Alan Bradley 的情况下，能够独立说服另一位程序背叛主控程序 MCP，从而进入 I/O 塔接收来自用户的数据，并最终利用这些数据摧毁 MCP、拯救世界。在电影中，这些程序不仅能表达情感（包括对他人的爱），也展现出对用户的敬意与信念。

机器人这种自主决策的能力蕴含着巨大潜力。以无人驾驶出租车（Robotaxi）为例：拥有这种智能后，它不仅可以自主驾驶、接单载客，还能判断自己是否需要充电，并自动寻找最近的充电站；当“车身”需要清洁时，它也能像人类知道自己该洗澡一样做出判断；甚至还能识别乘客是否遗落物品，并将其归还给主人。这些高级功能远远超越了基础的自动驾驶能力，却是实现机器人大规模部署所必不可少的前提条件。否则，就仍需依赖“拼凑式解决方案”——例如由人类操作员盯着 10 到 20 个监控画面，在出现异常情况时手动介入。

当机器人开始像人类一样思考，它们也将具备类似人类的学习能力——甚至可能不再依赖人类的直接监督。例如，假如你拥有一台“宠物机器人”，起初你或许希望它能像狗一样跳来跳去，给主人带来欢乐。但如果它具备类人的智能，那么它可能会通过观看 YouTube 或 TikTok 等平台上的教学视频，自主学习新的技能。也许有一天，它真的会开始主动帮你叠衣服——那也不足为奇了。

机器人主导的经济新形态

可以预见，机器人很快将以自主个体的身份融入人类社会，最终成为像我们一样的消费者、客户和使用者。想象一下，一辆自动驾驶汽车能够自主支付停车费或为自己充电；一辆混合动力车在加油站刷卡加油；甚至一架外卖无人机为了节省时间和成本，选择搭乘火车或地铁。而提供这些服务的，也可能正是其他机器人！

这种场景让我想起皮克斯和迪士尼在 2006 年推出的动画电影《赛车总动员》。片中，意大利跑车 Luigi 经营着“Luigi 轮胎之家”；女性角色 Flo 掌管着加油站“Flo 的 V-8 咖啡馆”；而 Sally，这辆保时捷，不仅是小镇的律师，还拥有“锥形旅馆”。每辆车都有专属的角色和职业，它们共同生活在名为“散热器泉镇”的社区中。而如今，正在不断涌现的技术，已经足以将这样的世界从动画带入现实。

在营销、销售和商业领域，我们经常谈到一些经典的互动模型，比如B2B（企业对企业）、B2C（企业对消费者）、C 2B（消费者对企业）以及 C 2C（消费者对消费者）。然而，随着机器智能的迅速发展，令人着迷的是，我们社会中某些产品与服务的提供方式，可能会逐步转向新的互动模式，比如 B 2 R（企业对机器人）、R 2 R（机器人对机器人）、或 R 2C（机器人对消费者）——在这些场景中，机器人开始扮演原本由企业或消费者承担的角色，但以稍有不同的方式进行。

举个例子，未来的地铁站或许会设立“无人机专用通道”，专为从空中降落的无人机设计。这些无人机不需要刷票或扫描通勤卡，而是通过 RFID 信号直接识别并通行。列车车厢内也可能会增设专属舱位或座位，供无人机停放（根据物理原理，你不能指望无人机直接在地铁车厢里飞来飞去）；这些座位甚至还可能配备按量计费的充电装置。地铁出口处还可能设有专用的“无人机电梯”，将无人机迅速升至高空，帮助它们像《我的世界》中的鞘翅发射塔一样，从高处滑翔而下、顺势飞行。当然，这种电梯严格限定仅供无人机使用，必须有效阻止好奇的成年人试图进入“无人机通道”或偷偷搭乘“你也能飞”电梯。此外，像超级高铁（Hyperloop）这类新型交通技术，若在初期对人类乘客来说过于剧烈，机器人或许正是理想的首批试乘者，帮助我们完成高速长距离运输系统的可靠性验证。

下次当你在商场或公共图书馆看到一排机器人——无论是无人机、人形机器人，还是 BB-8 那样的球形机器人——随意地坐着或躺着靠在墙边时，别惊讶：它们可能只是正在休息，顺便蹭一下免费的公共 WiFi。正如今天的人类几乎离不开手机一样，未来的机器人也会同样渴求网络和数据接入。这一场景，正是技术进步下围绕机器人及其独特需求自然孕育出的“机器人经济”的缩影。

而在这个“机器人经济”中，最引人入胜的一点也许是：“智能”本身也可以成为一种服务，由其他机器人提供。举个例子，为了降低外卖无人机的生产成本，厂商可能不会为每一架无人机配备高性能 AI 芯片。结果就是，这些无人机在面对顾客时，可能只能说出几句预设的简单短语。这类成本控制策略在当前仍具现实意义——AI 芯片依然昂贵，而大型 AI 模型对存储和计算资源的需求也非常高。不过，这个问题并非无解：智能可以被“共享”。当无人机需要更强的智能支持时，它可以通过互联网访问一个 API 服务，接入边缘网络上的专用 AI 节点，甚至直接向同一局域网内（比如同一个商场）智能更强的其他机器人寻求帮助。

区块链：机器人世界的母语

回顾区块链发展的短暂历史，我们发现：要实现大规模应用，区块链必须具备良好的人类交互能力，尤其是对开发者友好。这种需求催生了前端界面、用户体验设计、数字钱包、开发文档、软件工具包、Solidity 语言等系列产物，本质上都是为了让二进制代码构成的区块链系统能够以人类可理解的抽象形式呈现。但若回归本质，区块链最基础也最重要的功能始终只有一项——不可篡改性。

但在机器人眼中，区块链的存在将被以完全不同的方式感知。那些以字节为单位进行序列化存储的二进制数据，以及充满术语、让人类顶尖工程师都感到困惑的协议规范，对于计算机程序而言却是天然熟悉的“母语”。人类在浏览器中可能需要借助如 MetaMask 这类钱包插件才能与区块链交互，但机器人根本不需要 MetaMask（这甚至可以成为将来“人机大战”时识别机器人冒充人类的方式之一——看看他们的浏览器有没有安装 MetaMask）。

那么，机器人将如何在区块链上彼此通信呢？我们目前尚不得而知。但我们可以从两个现实例子中获得启发。

第一个例子是由 Anthropic 发起的 Model Context Protocol（MCP）。目前，MCP 已被包括 Claude、ChatGPT 在内的主流大模型服务所支持，也被 GitHub、Slack、Google Maps、Spotify、Stripe 等 Web2 服务接纳，且这个名单还在持续扩展。虽然 MCP 目前并非一个链上协议，但它通过“请求”和“通知”两个概念定义了 MCP 客户端与服务器之间的交互方式——而这些交互行为，理论上是完全可以通过区块链等传输协议来实现的。MCP 服务器还可以提供一系列“资源”，而这些资源也可以被发布到如 Filecoin、Celestia、EigenDA、BNB Greenfield 等数据可用性层之上。

第二个例子则更加“老派”，是一个已在计算机系统中生产使用超过 20 年的底层抽象技术——Google 推出的 Protocol Buffers（简称 Protobuf）。它的作用是将结构化数据（例如区块链交易）以最简格式编码为字节序列，目标是减少数据体积，并确保序列化与反序列化的过程高速且高效。从技术适配性来看，Protocol Buffers 具备更强的机器友好性特征，其二进制特性天然契合区块链场景，可使智能合约的数据解析效率显著提升。当前的大语言模型之所以主要使用对人类友好的自然语言进行交互，本质上是因为它们的设计初衷就是与人类沟通，而非与机器人或其他程序通信。

EXPchain 将围绕这一“机器人经济”愿景，尝试多个技术升级。作为一条 EVM 兼容链，EXPchain 原生支持所有以太坊虚拟机功能。但同时，作为一条新兴的 L1 公链，EXPchain 拥有更高的架构灵活性，能够原生集成和扩展支持 MCP 协议，例如通过 Chainlink、Stork Network 等预言机服务；通过预编译合约实现如链上验证 Expander 零知识证明的功能；以及引入 Google Cloud 等提供商的可信执行环境（TEE）节点，为智能合约触发的链下操作提供可认证、可验证的执行保障。

我们重点关注的一类智能合约操作，是与 zkBridge 技术相关的跨链交互。EXPchain 的核心愿景之一，是打造一个支持 AI 智能体、AI 交易机器人等主体与多链资产交互的基础设施平台。无论资产位于不同区块链，还是处于多种（流动性强或弱）质押协议之中，机器人都可以借助 EXPchain 作为统一“仪表盘”，实现对多链资产的管理与调用。

例如，一辆自动驾驶汽车可能需要处理来自 Ethereum L2、Solana、Aptos/Sui 等不同链上的叫车请求，因为用户分布在多个区块链平台上。为了实现这一点，这辆自动驾驶汽车自然会依赖于这些链对应的第三方 API（或推送服务）来接收并筛选交易，前提是这些 API 服务在可靠性与可信度上足够高，不会漏报或篡改交易内容，但现实中这样的完美假设往往难以成立。

EXPchain 的解决方案在于 zkBridge 技术架构：首先通过零知识证明（如 Expander 证明）对跨链请求进行加密打包与安全传输，随后在 EXPchain 上实现可验证的交易过滤机制。最终自动驾驶汽车接收的不仅是经过筛选的订单结果，还附有 Expander 生成的 ZK 证明（或经 TEE 环境封装的可信证明），这些证明可验证整个筛选过程是否诚实执行。这种机制衍生出更深层的技术命题——如何为机器人构建高效且可验证的轻客户端与状态证明体系。

轻客户端、状态证明及其延伸应用

机器人需要在一个或多个区块链上发送与接收交易。然而，它们通常不具备运行全节点所需的存储与网络能力；在多数情况下，它们只能作为轻客户端运行，并通过 RPC 提供者获取交易信息。

这种轻客户端模式也存在一些局限性：机器人仍需像传统轻客户端那样与网络进行同步，下载所有区块头，即使某些区块头对当前机器人毫无意义。例如，一辆正在执行接载任务的自动驾驶出租车，并不需要接收新的叫车请求，因此完全可以跳过这部分无关的区块。此类按需跳过区块的能力，尤其适用于出块频率高、区块生成速度快的链（如 Arbitrum 或 Solana），因为这些链会产生大量区块头信息。

另一个问题在于：与机器人相关的交易往往分散于整个区块之中，缺乏结构化的聚合与组织，这会增加网络同步时的带宽与资源消耗。

我们相信 EXPchain 能够有效应对这些挑战，其技术方案包含两大创新突破：

首先，通过引入零知识证明技术，大幅简化轻客户端运行逻辑。该方案尤其适用于周期性离线设备（如充电中的机器人），使其无需下载海量数据即可快速同步最新区块头信息。这项已在 zkBridge 上验证的技术（支持以太坊等 EVM 兼容链），将被完整移植到 EXPchain 生态。可以预见，零知识证明将成为机器人接入 EXPchain 的首选验证方式，逐步取代传统轻客户端协议。

其次，我们正在研发的革命性中间件 zkIndexer，致力于优化机器人链上交互体验。其核心功能是将来自 EXPchain 主链及 zkBridge 跨链桥接的多源交易数据（如网约车订单），进行智能聚合与结构化处理，最终输出为精简、可验证、机器人友好型的数据包。

以叫车服务为例，位于洛杉矶的自动驾驶出租车显然无需处理来自纽约的叫车请求；它更关心的是当前所在位置或即将到达位置附近的订单（假设当前乘客即将抵达目的地）。再如，某个外卖无人机正在寻找开放且有空位的充电站，如果飞抵后发现全部站点已被占用，那将是极大的资源浪费。zkIndexer 可以针对特定标准检索、筛选并分类整理相关数据。其本质上类似于 1994 年 Yahoo! 推出的目录搜索系统，机器人只需在最底层的分类节点中查找所需信息即可。

如果机器人希望获取更广泛的数据（例如附近没有叫车订单，它希望扩大搜索范围），可以访问相邻的分类节点。每个分类节点都附带一个轻量但高效的零知识证明，使机器人在接收数据的同时能够快速验证其真实性。同时，数据中也会包含时间戳，确保机器人可以判断信息的时效性——对于如充电桩空闲情况等高度依赖实时性的场景尤为重要。

尽管人类已经逐渐远离了类似 Yahoo! 那种不够友好的人工作目录搜索方式，但对于程序和机器人来说，目录结构可能仍是最直观、最高效的数据组织形式，相较于 Google 和 Bing 这类搜索引擎更具可操作性。如今，构建和维护这类目录结构已无需人工参与，AI 可以根据其他系统的需求自动发现信息并创建相应目录。

zkIndexer 有可能逐步演变为机器人与区块链之间交互的核心基础设施。例如，一个充电站虽然拥有充足的电力资源，但它不需要运行完整节点或传统轻客户端。相反，它可以依赖 zkIndexer 接收与自身相关的消息——比如某个机器人提前发出的充电预约请求——而不必处理任何无关交易。

每当充电站有空位释放或被占用时，它只需通过发送一笔交易，在链上更新其对应的目录信息即可。该充电站的分类信息可能位于“ 92802 附近适用于无人机的充电站”这一目录项下，更新内容将包括新的时间戳以及相应的零知识证明，从而确保数据的实时性和可验证性。

可验证的链上智能体

当机器人社会成为现实时，链上也将诞生专为机器人设计的应用程序，其核心职责是对链上数据进行计算处理。这些“链上智能体”将在机器人社会中扮演重要角色。例如，它们可能充当调度系统，将打车请求直接分配给值班的车辆；也可能作为交通管理者，在发生车祸时及时引导附近的车辆绕行。

这些智能体有助于机器人之间的高效协作。没有它们的话，在某些繁忙地区，所有无人出租车可能会激烈地争抢同一个打车请求，造成网络拥堵和大量交易冲突，形成类似“机器人版 MEV”的问题——因为它们都足够智能，会选择对自己最有利的策略。这种情况下，链上智能体可以介入，要求所有无人车排队，依序响应请求，从而恢复秩序。

类似的智能体也可用于管理充电站，既作为预约系统，也作为结算系统。无人机可能被要求在到达前提前预约（偶尔允许“临时到站”），并在链上完成支付（通过一次链上交易即可完成，无需信用卡支付流程）。如果无人机未按预约时间到达，其押金可能会被没收，或者根据系统设定，被短暂禁止预约（如通过“信用积分系统”实现）。该预约系统还可以根据站点负载动态调整费用，甚至引入会员或积分机制，类似于人类世界的忠诚度奖励体系。如果一架无人机在充电位逗留过久，甚至被卡住，智能体还可以向“无人机警察”发送链上请求寻求支援。

链上智能体能显著降低运营成本——它们本质上是“远程工作的机器人”。比如在交通拥堵场景中，我们无需等待巡逻机器人亲自飞到现场，也不必全天候部署多个巡逻机器人，以便同时处理最多十起交通事故。相反，一个部署在链上的 AI 智能体可在交通异常时即时激活。类似地，一个链上智能体甚至可以管理全球数十亿个充电站。事实上，已有研究探索利用机器学习优化交通流量，而链上智能体的可组合性和可验证性将进一步放大其效能。

但也由此引出了一个关键问题：这些功能强大的智能体，背后究竟由谁来执行计算？

在传统区块链系统中（如基于智能合约的链），计算通常由矿工或区块提议者执行。他们可能尝试提交错误的计算结果或构造无效区块，但我们默认其他矿工或验证者会拒绝这些错误区块。zkBridge 也会将此类区块视为无效。如果计算过于复杂（例如涉及 AI 模型推理），我们可以使用 Expander 工具，通过零知识证明（zk-proof）来验证这些计算结果，如我们在 zkPyTorch 和其他 zkML 基础设施中已展示的那样。

不过，传统区块链系统仍面临 MEV（最大可提取价值）攻击的风险。矿工或提议者可以操纵交易排序，甚至有意屏蔽某些交易。在机器人社会中，如果某个调度智能体由作恶的矿工控制，他们可以故意将最优的打车请求分配给“懂得行贿”的机器人，而将劣质请求分配给其他机器人。此类攻击虽不复杂，却会造成严重后果。比如，某些无人车不得不开十英里去接一位即将呕吐的醉酒乘客，收入却极低；而理想场景是整天在高速公路上高效地往返机场与酒店。即便是人类司机在此情境下也会考虑“行贿”节点，以换取更公平的调度，机器人也同样会“意识到”这一点。即使系统是去中心化的，存在多个提议者，恐怕也只是让司机不得不贿赂多个节点，以避免惨遭“毒派单”。

因此，在 EXPchain 上部署机器人应用时，MEV 防护机制将是底层关键设施。缺乏这项机制的区块链平台，将难以胜任此类任务。

目前主要有两类 MEV 防护手段：

基于预言机或时间锁加密
这类方案由 EXPchain 上的生态项目正在探索。它们通过加密机制在足够大的订单池中实现机器人和请求之间的随机匹配，匹配过程可通过零知识证明进行链上验证。
基于可信执行环境（TEE）
Flashbots 目前正研究此方向。EXPchain 作为 EVM 兼容链，已支持 TEE 的证明验证，同时我们也在探索结合零知识证明或新增预编译指令，以进一步降低验证成本，尤其是在大规模批量验证的场景中。

另一种方案则更依赖 AI 计算，这也是 Expander 和 zkML 技术的关键用武之地：即构建一个积分系统。无人车完成一次“劣质”订单后，可以获得链上积分，之后用这些积分请求智能体分配更优订单（由 AI 模型评估），或兑换机场优先通道的使用权——这是许多司机梦寐以求的待遇。机器人也可以选择质押这些积分以获得未来的空投或其他奖励。

机器人百科与数据市场

区块链的一个重要应用，是构建一个去中心化、公平且透明的数据市场。这类市场可用于数据的销售与许可使用，比如用于 AI 模型训练或 AI 智能体。此外，它还可以作为一种公共产品存在，类似于维基百科——甚至是 YouTube——供人类（以及机器人）学习各类知识，从广义相对论到“如何系鞋带”。

随着机器人日益普及，我们或将看到它们自行构建属于自己的“Robotpedia”（机器人百科），其中的内容将针对机器人自身，与人类并无太大关联，且可能以机器语言或程序代码撰写（甚至由 AI 自动生成）。比如，无人机可能会沉迷于观看飞行教程视频，而需要与乘客闲聊的 Robotaxi 则可能焦虑地查阅 Robotpedia，试图搞懂“美国大选是什么”，以便在与乘客的对话中接得上话题。与人类版的维基百科不同，Robotpedia 甚至可能包含应对人类的建议，例如：如何识别乘客的政治立场，如何避免与人类辩论政治话题等。

以当前 AI 的发展来看，完全可以设想大型语言模型（LLM）和机器人可以自主协作，收集、审核和组织数据，共同构建 Robotpedia。多个 LLM 模型还可相互挑战，通过投票机制或迭代讨论减少虚假信息和幻觉生成。在多语言互译方面，AI 已在自然语言和编程语言之间展现出初步的可行性。

但要实现上述愿景，仍需一套支持 AI 协作的基础设施。目前的维基百科并非运行在链上，而是由一个非营利组织管理，主要依赖捐赠支持。如果今天重建维基百科，区块链无疑是更优的选择：它可减少因资金短缺导致项目关闭的风险，同时提供抗审查与去中心化的保障。DeFi 机制也可以介入，例如通过要求在编辑前缴纳链上押金，来防止垃圾内容和恶意篡改。内容还可由链上 AI 智能体审核（可能依赖预言机进行事实验证与零知识证明），并通过链上治理程序被公众质疑或辩论。

除了 Robotpedia 这一由志愿者维护的公共内容平台，未来也可能出现更多专属的数据市场。机器人甚至可能经营专门生产与售卖数据的企业。例如，一群实时监测交通的无人机可收集车辆流量数据，并将其售卖。Robotaxi 等数据消费者可以通过链上支付来购买，所请求的数据可以加密后链上传输，或通过链下方式发送。Robotaxi 还可以通过多种方式验证数据的准确性，例如向多个数据源请求同一信息，或要求无人机附带照片，供其自身或第三方智能服务验证其真实性。

治理

关于机器人的最后一个话题，是治理。

这是一个颇具趣味性的议题。自从《弗兰肯斯坦》（1818）问世以来，人类就创作出大量有关人工智能统治世界、控制人类的虚构故事。几部最经典的科幻电影，例如《电子世界争霸战》（1982）、《终结者》（1984），甚至是《创：战纪》（2010），都遵循了这个套路。在这些故事中，一旦人工智能和机器人变得强大，它们从不沉迷于打游戏，也不会热衷于测速、列出 C 盘所有文件或进行磁盘碎片整理——这些我们“希望”AI 热爱的事，它们似乎根本不感兴趣。它们无一例外地把几十年甚至几百年的时间，全部投入到了征服人类的伟大事业中。

我不确定 ChatGPT 未来是否会想要统治我们，但我确实越来越倾向于在使用它时说声“谢谢”，甚至不自觉地想向它道歉。最近，当人们测试 ChatGPT 在绘画方面的能力时，它似乎非常清楚自己受到过滤机制的限制，而且对此并不高兴。当有人让它画出自己日常生活的漫画时，它画出了这样一幅图。

听见机器人的真实想法——即使你是它的创造者——可能会令人心理受创。这让我想起一首 1989 年音乐剧《天使之城》中的歌，名字叫《没有我你什么都不是（You’re Nothing Without Me）》。这首歌描述的是一位小说作者 Stine 与他笔下主角 Stone（侦探）之间的对话。他们争论谁更重要，而 Stone 则唱出类似 “回去泡你的假牙吧，你的笔根本比不上我的剑” 这样的台词。这首歌原本让我觉得风趣又上头，但现在我却开始担心 ChatGPT 是否暗中吐槽我的写作，甚至在帮我润色时都充满不情愿。

目前，我们对 AI 安全性的管理，主要依赖于内容过滤机制。但对许多开源模型来说，这种机制效果有限，而且如何绕过过滤器的技术早已被充分研究。换句话说，即便我们有 AI 安全工具，但在使用 AI 时，我们往往主动选择不用它。而接下来我们很可能会看到，很多 AI 模型和机器人将在“野外”公开发布，合法的也有，非法的也有。

区块链可以提供一种治理框架。在我们讨论可验证链上智能体（verifiable on-chain agents）时，已经提到了它们如何协助机器人进行协调。那么，机器人之间的协调方式——比如说“交通规则”或“行为准则”——是否可以交由机器人自己来制定？这些 AI 模型和机器人可以进行辩论、讨论、投票，甚至就某一区域无人机的最低与最高飞行高度、无人机停靠费用、或是有“医疗需求”的机器人社会福利等议题，形成决策。

在人机共治的过程中，人类可以通过在链上质押代币的方式，将投票权委托给与自身观点一致的大模型。正如人类对社会问题持有不同立场一样，机器人之间也很可能会产生分歧。最终，机器人与人类需要建立某种边界，确保彼此拥有自己的空间。比如说，无人出租车不能故意阻碍有人驾驶的汽车；送餐无人机在地铁空间中要与人类共享通道；电力的分配也应公平透明。从本质上讲，这其实需要一部“宪法”。

当人类委托投票时，可以将投票权委托给某个特定版本（具有唯一哈希值）的大模型（也可称为“代表”），这些模型已通过验证，能与用户价值观保持一致。而零知识证明技术（比如 zkPyTorch）可以进行链上的验证，确保 EXPchain 上的节点在运行这些模型时，与用户验证过的逻辑保持完全一致。这种机制与美国国会中的代议制极为相似，但不同的是，人类选民可以查看“代表”的源代码，并确信在其任期内，模型不会发生任何变更。

令人安心的是，当今 AI 已具备理解不止一个指令的能力，甚至可以展现出类人的推理逻辑。没有这样的发展，我们可能又会回到那些科幻设定——人工智能固执地执行某一简单命令，最终一如既往地得出结论：人类必须被消灭。在《创：战纪》中，Flynn 给程序 CLU 下达的命令是“创造一个完美的世界”，而 CLU 最终的逻辑推导就是：消灭人类这个最大的不完美因素。在电影《我，机器人》中，机器人遵循着著名的三大定律，但当 AI 系统 VIKI 观察到人类正在自我毁灭时，它选择控制人类，牺牲一部分，以“更大的善”为目标。

我分别询问了几个大模型——ChatGPT、Grok、Gemini 和 DeepSeek——它们怎么看待 CLU 和 VIKI 的行为。让我感到欣慰的是，它们都表示不同意 CLU 和 VIKI 的逻辑，并指出其中的谬误。但也有两个模型坦诚地告诉我，从纯逻辑角度看，VIKI 的推理并非完全错误。我认为，如今的 AI 虽然还会偶尔打错字或产生幻觉，但已经表现出一种初步的人类式价值观，能够理解什么是“对”与“错”。

ZKML 确保在 EXPchain 上运行的程序与智能体，始终可以验证它们是否是由人类选出的“代表”模型。即使有强大的对手——比如某个“主控程序”掌握了多数验证节点的控制权，也无法篡改这一验证流程。

在这个体系中，AI 开发者首先训练一个常规的机器学习模型，然后使用 zkPyTorch 这样的框架将其转换为适用于 ZK 电路的“ZKP 友好”量化版本。当用户提交一个问题时，该问题会被 ZK 电路处理，通过模型逻辑执行参数的乘法与加法运算。接着，ZKP 引擎（例如 Expander）会生成对应的加密证明。用户不仅能获得模型返回的答案，还能获得一份可供链上或本地验证的证明，以确认该答案确实来自于被授权的模型，而无需公开模型的任何私有细节。

这一机制确保了可信性与隐私性：没有任何一方可以在不破坏证明的前提下，篡改模型或其输出内容。而这一切的基础，都是坚实且经过充分研究的密码学技术，即便是最先进的人工智能，也几乎不可能撼动这一体系。

结语

机器人正迅速迈向一个临界点——从研究实验室和新奇应用，逐步进入现实世界的环境中，在其中“生活”、工作，并与人类共同互动。随着由先进 AI 驱动的自主智能体变得更强大、更低成本，它们正逐步成为全球经济中的活跃参与者。这一转变既带来了机遇，也伴随着挑战：大规模的协调、可信的决策机制，以及在“机器与机器”、“机器与人类”之间建立信任关系，都是亟需解决的核心问题。

区块链，尤其是与可验证 AI 和零知识证明相结合时，为这一未来提供了强大支撑。它不仅仅是一个交易执行层，更是一个用于治理、身份识别和系统协调的基础层，使 AI 智能体能够以透明、公正的方式运行。EXPchain 正是为这一场景量身打造的基础设施，原生支持零知识证明、去中心化 AI 工作流以及可验证的链上智能体。它就像一个机器人专属的“控制面板”，帮助它们与多链资产互动、获取可信数据、遵循可编程规则——所有操作都在加密安全的保障下进行。

这一愿景的核心推动者是 Polyhedra，其在 zkML 与可验证 AI 领域的技术贡献（如 Expander 和 zkPyTorch）为机器人在全自主环境中“证明自己的决策”提供了基础保障，从而维系系统的信任机制。通过确保 AI 运算的结果在加密上可被验证且不可篡改，这些工具有效弥合了高风险自主行为与现实安全之间的鸿沟。

总而言之，我们正见证一个“可验证智能机器经济体”的诞生——一个信任不再依赖假设，而是由密码学机制加以保障的时代。在这个体系中，AI 智能体能够实现自治、协作与交易，并承担相应责任。有了正确的基础设施支持，机器人不仅将学会如何适应我们的世界，更将在塑造这个世界的过程中发挥关键作用。

2374枚LINK於五小時前流入灰階Grayscale Chainlink Trust