用于以太坊动态交易费用调整的深度强化学习方法

这对日常加密货币用户为何重要

任何试图在以太坊上发送支付或铸造不可替代代币（NFT）的人，可能都遇到过费用大幅波动以及网络繁忙时的漫长等待。本文探索了一种用人工智能技术设定这些费用的新方法，以便在需求突然激增时仍能让网络保持平稳和可预测。

当前以太坊费用的工作方式

以太坊对每项操作收取被称为 gas 的单位费用，用户通过支付 gas 价格来将交易包含进区块。自 2021 年起，一个名为 EIP-1559 的内置规则通过调整每个人必须支付的基础费用并允许额外的小费以便加速服务，尝试使这一过程更公平、更可预测。当区块接近满载时，基础费用上升；当有空余时，基础费用下降。与早期的费用拍卖相比，这种基于规则的方法有所改善，但在需求急剧上升（例如热门 NFT 发售）或大量用户对交易估值相近时仍会表现不佳。

现行规则的不足之处

作者展示了 EIP-1559 在真实和模拟的高需求期间可能表现不稳定。例如，在一次著名的 2022 年 NFT 铸造事件中，gas 使用量徘徊在区块上限附近，而基础费用剧烈波动，导致成本和拥堵不稳。先前的研究也发现，当用户对交易的估值非常接近时，基础费用的微小变化就会使区块在几乎空和完全满之间切换。那种繁荣与萧条的模式浪费了区块空间，也让用户难以判断该支付多少费用。

让 AI 代理学会合适的费用

作者不是把基础费用的反应写死，而是把费用设定看作一个学习问题。他们构建了一个类似以太坊的模拟环境，代理可以观察当前的基础费用、上一个区块使用了多少 gas，以及共享交易池的若干细节，比如新交易和待处理交易的数量以及用户提供的费用。基于这些状态，代理选择对基础费用进行小幅调整。每出一个区块，代理会收到奖励：当 gas 使用接近目标水平时奖励更高；当区块过空或过满时奖励更低。通过深度强化学习，代理逐步发现一套调整策略，能使使用量接近目标且避免极端波动。

在多种条件下测试新费用机制

研究人员进行了大量模拟，模拟不同的市场情形。在一些场景中，交易需求缓慢上升或下降；在另一些场景中，需求急剧峰值或突然下跌。他们还改变用户行为，将仅支付固定小费的用户与在区块拥挤时提高小费的用户区分开来。在这些设置中，学习到的策略与标准 EIP-1559 规则进行了比较。关键衡量指标包括平均 gas 使用距离目标的接近程度、区块间 gas 使用的波动幅度以及基础费用随时间的波动性。

结果显示的稳定性与灵活性

基于深度学习的机制在各情形下都能更稳定地将 gas 使用保持在期望水平，同时相比 EIP-1559 降低了其波动性。当用户估值落在狭窄区间时——正是现行规则容易陷入混乱的情形——改进尤为显著。在这些情况下，新方法将 gas 使用的波动约降低十倍，并使基础费用更加稳定。该代理对突发峰值的反应也更为温和：它能足够快地提高基础费用以将使用量拉回目标，而不会像旧规则那样大幅超调。通过调整费用允许变动的速度以及添加或移除交易池信息，作者表明网络运营者可以在响应速度和平滑性之间进行权衡。

这对未来区块链费用意味着什么

从普通用户的角度来看，这项研究表明智能算法可以让以太坊的费用感觉不再像一次猜测游戏。一个能从实时活动中学习而不是遵循固定公式的费用系统，可以保持区块利用率良好、限制剧烈的费用波动，并在繁忙期间减少扰动。尽管该工作基于模拟，且在部署前仍需谨慎测试，但它指向了能适应变化条件、并有望提升用户体验和网络效率的费用机制。

引用: Jang, H., Shim, J. A deep reinforcement learning approach for dynamic transaction fee adjustment in Ethereum. Sci Rep 16, 15600 (2026). https://doi.org/10.1038/s41598-026-46368-2

关键词: 以太坊 费用, 强化学习, 区块链 经济学, gas 价格, 交易 拥堵