Waseem Ahmad mir

#TradebStocks اليوم قررت استكشاف ميزة bStocks الجديدة من Binance، وأول أصل لفت انتباهي كان $TSLAB (Tesla bStock).
بصفتي شخصًا يقضي معظم وقته في أسواق الكريبتو، كنت فضولياً لرؤية كيف تقوم Binance بإدخال الأوراق المالية المرمزة إلى المنصة. كان العثور على قسم البStocks سهلاً، وكانت واجهة التداول مألوفة لأنها تستخدم نفس بيئة Binance التي يستخدمها الكثير منا كل يوم.
أول شيء تحققت منه كان صفحة معلومات TSLAB. ما وجدته مثيرًا هو أن TSLAB يوفر تعرضًا اقتصاديًا لتسلا من خلال ورقة مالية مرمزة. بالنسبة لشخص يتابع كل من أسواق الكريبتو والأسواق التقليدية، يبدو أن هذه خطوة مثيرة نحو ربط العالمين.
شيء آخر لاحظته هو أن التداول لم يفتح بعد عندما استكشفت الصفحة. بدلاً من الاندفاع فورًا نحو صفقة، قضيت بعض الوقت في قراءة المعلومات المتاحة وفهم كيفية عمل المنتج. أعتقد أن هذا شيء يجب على كل مبتدئ القيام به قبل استخدام أي منتج مالي جديد.
انطباعي الأول هو أن البStocks يمكن أن تجعل التعرض للأسواق التقليدية أكثر سهولة للمستخدمين الذين يشعرون بالراحة بالفعل في التنقل بين منصات الكريبتو. كانت التجربة بسيطة، نظيفة، وسهلة الفهم.
ما زلت أستكشف الميزة، لكنني مهتم لمعرفة كيف ستتطور الأوراق المالية المرمزة وما الفرص التي قد تخلقها لمستخدمي Binance في المستقبل.
هل قمت بفحص البStocks بعد؟ أي أصل استكشفت أولاً: تسلا، NVIDIA، Circle، أم أصل آخر؟

10K متابعين أقوياء! شكرًا لكم، عائلة Binance! 🎉
شكرًا 😊 لكل واحد منكم على الدعم ❤️ لي. اليوم هو يوم سعيد جدًا بالنسبة لي 💓
يا لها من رحلة! الوصول إلى 10,000 متابع على Binance ليس مجرد علامة فارقة—إنه شهادة على الثقة والدعم والشغف الذي نتشاركه تجاه الأسواق. من أول صفقة لنا إلى هذه اللحظة، كانت كل إشارة واستراتيجية ودرس خطوة نحو تحقيق هذا الإنجاز.
التداول ليس مجرد أرقام—إنه يتعلق بالعقلية والاستراتيجية واتخاذ المخاطر المحسوبة. لقد واجهنا تقلبات السوق وعدم اليقين، ولكن معًا، تغلبنا على كل تحدٍ. كانت هذه الرحلة كالأفعوانية، لكن كل انحدار جعلنا أقوى.#BTCvsETH @Binance Academy

أول مرة بدأت أقرأ عن @OpenGradient ، افترضت إنه مشروع تاني مركز على نماذج الذكاء الاصطناعي.

بعد ما قضيت وقت أطول مع المحتوى، أدركت إنني كنت أنظر إليه بطريقة خاطئة.

ما لفت انتباهي مو جانب النموذج. بل كان حقيقة إن جهد كبير يتبذل في كل شيء حول النموذج.

معظم الناس يشوفوا النتيجة النهائية بس لما يستخدموا الذكاء الاصطناعي. رد على الشاشة يظهر وهذا كل شيء.

لكن لما تحفر أعمق، في كثير من الأشياء تحدث قبل تلك اللحظة.

النماذج تحتاج لمكان تعيش فيه.

المطورون يحتاجون لأدوات للعمل معها.

الشبكات تحتاج طرق للتعامل مع الحسابات.

لازم يكون في شخص يضمن إن كل شيء يعمل مع بعض.

يمكن لهذا السبب، كان محور النموذج وأدوات المطورين يبرزوا لي وأنا أقرأ عن هيكل OpenGradient.

ذكرني بأيام العملات الرقمية الأولى لما كل واحد كان يتحدث عن التوكنات لكن عدد قليل كان ينتبه للبنية التحتية اللي تتبنى تحتها.

بعد سنين، كثير من مشاريع البنية التحتية تلك أصبحت من أهم أجزاء النظام البيئي.

يمكن الذكاء الاصطناعي يتبع مسار مشابه.

التطبيقات بتاخد معظم الانتباه، لكن الأساسات هي اللي تخلي تلك التطبيقات ممكنة من الأساس.

هذا أحد الأسباب اللي قضيت وقت أتعلم أكثر عن OpenGradient مؤخرًا.

$OPG #OPG
$HEI $FUEL #opgusdt

عادةً ما لا أقضي الكثير من الوقت في النظر إلى مخططات العمارة، لكن هذه جعلتني أفكر في مدى ما يحدث خلف رد واحد من الذكاء الاصطناعي.
في البداية، افترضت أنها مجرد رسم بياني آخر للذكاء الاصطناعي مليء بالمصطلحات التقنية.
ثم لاحظت شيئًا مثيرًا للاهتمام.
تبدأ الحزمة بالبنية التحتية وتتحرك تدريجياً للأعلى عبر التنفيذ، والوصول إلى النموذج، وأخيرًا البحث والأدوات.
هذه هي الطريقة التي تُبنى بها معظم التكنولوجيا الحديثة.
عندما نستخدم تطبيق ذكاء اصطناعي، نحن نتفاعل فقط مع الطبقة السطحية. لا نرى أنظمة التخزين، موارد الحوسبة، آليات الأمان، أدوات المطورين، أو الشبكات التي تعمل خلف الكواليس.
النظر إلى @OpenGradient من هذه الزاوية جعلني أفكر أقل في نماذج الذكاء الاصطناعي نفسها وأكثر في النظام البيئي الذي يدعمها.
النموذج القوي مهم.
لكن المطورين يحتاجون أيضًا إلى بنية تحتية موثوقة، وأدوات للتجربة، وطرق لإدارة النماذج، وبيئات يمكن بناء المنتجات فيها فعليًا ونشرها.
بدون تلك الطبقات الداعمة، حتى النماذج القوية تكافح للوصول إلى المطورين والمستخدمين النهائيين بشكل فعال.
لهذا السبب كانت أقسام SDK وModel Hub تبرز لي أكثر.
غالبًا ما يتحدث الناس عن الذكاء الاصطناعي كما لو أن الذكاء هو الشيء الوحيد المهم.
في الواقع، جزء كبير من الابتكار يأتي من جعل التكنولوجيا أسهل للوصول إليها، وأسهل للبناء بها، وأسهل للتوسع.
ربما لهذا السبب نادرًا ما تحظى البنية التحتية بالضوء.
إنها ليست الجزء الذي يتفاعل معه معظم الناس.
لكنها عادةً ما تكون الأساس الذي يعتمد عليه كل شيء آخر.
كلما استكشفت المزيد من مشاريع الذكاء الاصطناعي، زادت اهتمامي بما يحدث تحت السطح بدلاً من ما يظهر على الصفحة الأمامية.
ما هو الأكثر أهمية لتبني الذكاء الاصطناعي في رأيك: نماذج أفضل أم بنية تحتية أفضل؟
$OPG #OPG #OPG

قضيت بضع دقائق أبحث في مخطط OpenGradient وأول شيء خطر ببالي هو مدى قلة الاهتمام بالبنية التحتية.

عندما يتم إطلاق أداة ذكاء اصطناعي جديدة، يتحدث الناس عادةً عن المخرجات. هل هي سريعة؟ هل هي دقيقة؟ هل هي أفضل من السابقة؟

قليل من الناس يتوقفون ويفكرون في ما يجب أن يوجد قبل أن يحدث أي من ذلك.

عند النظر إلى المخطط، هناك طبقات منفصلة للتخزين، والاستدلال، والوصول إلى البيانات، وعمليات الشبكة. لا تعتبر أي من هذه الأمور مثيرة بمفردها، لكن إزالة واحدة منها تجعل النظام بأكمله يبدو مختلفاً جداً.

إنها مشابهة للإنترنت.

معظمنا يستخدم المواقع يومياً دون التفكير في الخوادم، أو قواعد البيانات، أو الشبكات. نحن نلاحظ البنية التحتية فقط عندما يتوقف شيء ما عن العمل.

يبدو أن الذكاء الاصطناعي يسير في نفس الاتجاه.

تحصل التطبيقات على الاهتمام، بينما تقوم الأنظمة الأساسية بهدوء بالعمل الشاق.

هذا ما برز لي بشأن @OpenGradient . ما لفت انتباهي هو أن الحديث يتجاوز النماذج نفسها. هناك أيضًا اهتمام بالبنية التحتية المطلوبة لدعم تلك النماذج وجعلها متاحة للمطورين.

ربما لهذا السبب أجد هذا الجانب من الذكاء الاصطناعي مثيرًا للاهتمام.

كلما نظرت عن كثب، كلما أدركت أن الاستجابة على شاشتك هي مجرد جزء صغير من القصة.

$OPG #OPG #OPG

قبل عدة أيام، سألت أداة ذكاء اصطناعي سؤالاً عن العملات الرقمية. أعطتني إجابة في ثوانٍ. قرأتها، أخذت المعلومات التي أحتاجها، وأغلقت التبويب.

لاحقًا، وجدت نفسي أتساءل عن شيء ما.

لم أكن أدري من أين جاءت تلك المعلومات.

ليس بطريقة بارانوية. فقط أدركت أن معظمنا أصبح مرتاحًا في تلقي الإجابات دون التفكير في العملية خلفها.

ربما هذا طبيعي.

عندما أصبحت جوجل شائعة، لم يفكر معظم الناس في بنية البحث أيضًا. كانوا يريدون فقط الإجابات.

لكن الذكاء الاصطناعي يبدو مختلفًا قليلاً لأن الرد غالبًا ما يُقدم كفكرة مكتملة بدلاً من قائمة المصادر.

هذه واحدة من الأسباب التي تجعل المشاريع مثل @OpenGradient تثير اهتمامي.

ليس لأنني بحاجة إلى دردشة روبوت أخرى.

وليس لأنني بحاجة إلى نموذج ذكاء اصطناعي آخر.

أنا أقل تركيزًا على مخرجات الذكاء الاصطناعي وأكثر فضولًا بشأن العملية التي تستمر في تحسين تلك الأنظمة في الخلفية.

كلما أصبح الذكاء الاصطناعي جزءًا من الحياة اليومية، كلما بدت تلك الأسئلة أكثر أهمية.

من أين تأتي المعرفة؟

كيف يتم تحديثها؟

من يساهم في تحسين هذه الأنظمة؟

لا أعتقد أن معظم المستخدمين يسألون تلك الأسئلة بعد.

لكن لدي شعور أنهم سيفعلون ذلك في النهاية.

في الوقت الحالي، أنا فقط أراقب عن كثب المشاريع التي تستكشف هذا الجانب من نظام الذكاء الاصطناعي.

$OPG #OPG

شيء لاحظته في نقاشات الذكاء الاصطناعي هو أن الجميع يتحدث عن الذكاء، لكن القليل من الناس يتحدثون عن الثقة. يمكن لنموذج الذكاء الاصطناعي أن يولد إجابة في ثوانٍ، لكن معظم المستخدمين لا يزالون يريدون أن يعرفوا من أين جاءت تلك المعلومات وما إذا كان يمكن الاعتماد عليها. مع تحول الذكاء الاصطناعي إلى جزء من المزيد من المنتجات وسير العمل، تصبح تلك المسألة أكثر أهمية.

لهذا السبب كنت أتابع @OpenGradient . ما يثير اهتمامي ليس فقط جانب الذكاء الاصطناعي من القصة، ولكن التحدي الأوسع المتمثل في إنشاء أنظمة حيث يمكن أن تعمل المعلومات والمساهمون والنماذج معًا بطريقة أكثر شفافية. من خلال تجربتي، تميل التكنولوجيا إلى التوسع بسرعة أكبر عندما يفهم الناس كيفية عملها بدلاً من أن يُطلب منهم ببساطة الوثوق بها.

لا زلنا في بداية دورة الذكاء الاصطناعي، ولا أحد يعرف بالضبط كيف ستبدو الساحة بعد بضع سنوات. لكنني أعتقد أن المشاريع التي تفكر في جودة البيانات والشفافية والبنية التحتية على المدى الطويل تعمل على مشاكل ستصبح ذات صلة متزايدة. النموذج الأكثر إثارة للإعجاب في الذكاء الاصطناعي ليس دائمًا هو الذي يهم أكثر. أحيانًا تأتي القيمة الحقيقية من الأساس الذي يدعمه.

$OPG #OPG #opg

كنت أتمشى في أخبار الذكاء الاصطناعي هذا الصباح ولاحظت شيئًا. كل عنوان كان يبدو أنه يتعلق بإصدار نموذج جديد، أو نتيجة مرجعية، أو تحديث ميزة. هذه الأشياء مثيرة للاهتمام، لكن بعد فترة تبدأ جميعها في التشابه. جعلني أتساءل ما إذا كنا نعطي اهتمامًا كافيًا للطبقات الموجودة تحت النماذج نفسها.

كلما تعلمت المزيد عن الذكاء الاصطناعي، كلما زادت قناعتي بأن البيانات والتنسيق مهمان بقدر أداء النموذج. النموذج يمكنه العمل فقط بالمعلومات المتاحة له، والحفاظ على تلك المعلومات مفيدة مع مرور الوقت هو تحدٍ بحد ذاته. هذه ليست أكثر جوانب الذكاء الاصطناعي إثارة، ولهذا السبب ربما لا يتم مناقشتها كثيرًا.

هذه واحدة من الأسباب التي جعلت @OpenGradient في دائرة اهتمامي. المشروع يركز على أجزاء من حزمة الذكاء الاصطناعي التي غالبًا ما يتجاهلها الناس حتى تصبح مشكلة. مع استمرار الذكاء الاصطناعي في التوسع في المزيد من مجالات التكنولوجيا، أعتقد أن الحديث سيتحول تدريجيًا من "أي نموذج هو الأفضل؟" إلى "كيف يتم بناء هذه الأنظمة، وصيانتها، وتحسينها؟" المشاريع التي تعمل على تلك الأسس قد تصبح أكثر أهمية مما يتوقعه الكثيرون.
$OPG #OPG #opg

قبل عدة أشهر، كنت أعتقد أن أكبر تحدٍ في الذكاء الاصطناعي هو بناء نماذج أفضل.

الآن لم أعد متأكدًا من ذلك.
كل أسبوع يبدو أن هناك نموذجًا جديدًا، أو معيارًا جديدًا، أو ميزة جديدة. الفجوة بينهم تبدو أصغر مما كانت عليه من قبل. ما يبرز لي الآن هو كل ما يحدث خلف الكواليس.

مؤخراً قضيت بعض الوقت في استكشاف مشاريع ذكاء اصطناعي مختلفة ولاحظت أن العديد من المحادثات تركز على المخرجات. الناس يقارنون الردود، والسرعة، والقدرات. القليل جدًا من الناس يتحدثون عن الأنظمة التي تجعل تلك المخرجات ممكنة في المقام الأول.

الطريقة التي أراها، أن الذكاء الاصطناعي أصبح أقل مشكلة نموذج وأصبح أكثر مشكلة تنسيق.

كيف يتم جمع المعلومات؟

كيف يتم التحقق منها؟

كيف يستفيد المساهمون عندما يساعدون في تحسين نظام؟

تلك الأسئلة لا تحظى بالكثير من الانتباه، لكنها تصبح أصعب تجاهلها مع استمرار نمو الذكاء الاصطناعي.

هذا أحد الأسباب التي جعلت @OpenGradient مثيرًا للاهتمام للمتابعة. إنه يقع في جزء من نظام الذكاء الاصطناعي الذي يبدو أنه يزداد أهمية ولكنه لا يحصل دائمًا على الأضواء.

ربما هذا طبيعي. البنية التحتية نادرًا ما تحصل على الانتباه حتى يدرك الناس كم يعتمد عليها.

لقد رأيت نفس الشيء يحدث في عالم الكريبتو. المشاريع التي تعمل بهدوء في الخلفية غالبًا ما تصبح تلك التي يتحدث عنها الجميع لاحقًا.

في الوقت الحالي، أنا أراقب وأتعلم في الغالب. لكن أعتقد أن مستقبل الذكاء الاصطناعي سيعتمد على أكثر من مجرد نماذج أفضل. الأنظمة التي تدعم تلك النماذج تهم أيضًا.
#opg $OPG

صادفت نقاشًا مؤخرًا حيث كان الناس يتحدثون عن أي نموذج ذكاء اصطناعي سيسود في المستقبل.
عند قراءة التعليقات، لاحظت أن الجميع تقريبًا كان يتحدث عن النماذج نفسها. نماذج أكبر، نماذج أسرع، ونماذج أرخص.
قليل جدًا من الناس كانوا يتحدثون عن المعلومات التي تعتمد عليها تلك النماذج.
هذا الجزء دائمًا ما كان يهمني أكثر.
يمكنك بناء نظام ذكاء اصطناعي مثير للإعجاب، لكن إذا كانت المعلومات المدخلة فيه غير مفيدة، فلن تكون النتائج مفيدة أيضًا. يذكرني بمقولة قديمة: "القاذورات في، القاذورات خارج".
هذا أحد الأسباب التي جعلت OpenGradient تثير اهتمامي عندما بدأت في البحث عنها. يبدو أن المشروع يركز على جزء من تكنولوجيا الذكاء الاصطناعي الذي لا يحظى باهتمام كبير من المستخدمين العاديين على الرغم من أنه شيء يعتمد عليه كل نظام ذكاء اصطناعي.
ما يجعل الذكاء الاصطناعي ذا قيمة ليس فقط النموذج. بل جودة بيانات المعرفة والتغذية الراجعة التي تساعده على التحسن مع مرور الوقت.
أعتقد أننا سنصل في النهاية إلى نقطة يتوقف فيها الناس عن السؤال فقط "أي نموذج هو الأفضل" ويبدأون في السؤال "من أين تأتي المعلومات؟".
هذا يبدو كأنه سؤال أكثر أهمية.
ربما أكون مخطئًا، لكنني أشك في أن المرحلة التالية من الذكاء الاصطناعي لن يتم تعريفها فقط من خلال الاختراقات في النماذج. بل ستشكلها أيضًا الأنظمة التي تساعد تلك النماذج على التعلم والتكيف والبقاء مفيدة.
لهذا السبب كنت أتابع @OpenGradient . إنها تعمل على جزء من اللغز الذي لا يفكر فيه معظم الناس حتى يصبح مشكلة.
#opg $OPG

أستمر في رؤية الناس يقولون أن الذكاء الاصطناعي هو المستقبل.

ربما هم على حق.

لكن كلما سمعت ذلك، أنتهي بالتفكير في شيء أقل إثارة بكثير:

من أين تأتي كل هذه البيانات؟

كل نموذج ذكاء اصطناعي مفيد يعتمد على المعلومات. ليس فقط كميات كبيرة منها، ولكن بيانات عالية الجودة يمكن أن تساعد فعلاً النموذج في التعلم، والتحسين، واتخاذ قرارات أفضل.

هذه هي الجزء من حديث الذكاء الاصطناعي الذي غالبًا ما يتم تجاهله.

يركز الناس على المخرجات.

التحدي الحقيقي هو المدخلات.

بدون بيانات موثوقة، حتى أكثر النماذج تقدمًا تصبح أقل فائدة بمرور الوقت.

هذه واحدة من الأسباب التي جعلت OpenGradient في نطاقي.

المشروع يقع في جزء من مجموعة الذكاء الاصطناعي التي لا تحصل دائمًا على الانتباه، ولكنها تبدو متزايدة الأهمية مع تزايد تطبيقات الذكاء الاصطناعي.

مع تكامل أنظمة الذكاء الاصطناعي بشكل أكبر في المنتجات والخدمات اليومية، لن تختفي الطلبات على البيانات عالية الجودة.

إذا كان هناك شيء، فمن المحتمل أن ينمو.

وهذا يثير بعض الأسئلة المثيرة للاهتمام.

كيف يتم الحصول على البيانات؟

كيف يتم مشاركتها؟

كيف يستفيد المساهمون من القيمة التي يساعدون في إنشائها؟

لا أعتقد أن مستقبل الذكاء الاصطناعي سيُحدد فقط من خلال النماذج نفسها.

يتحدث الجميع عن ما يمكن أن يفعله الذكاء الاصطناعي.

يتحدث عدد أقل من الناس عن ما يحتاجه الذكاء الاصطناعي ليعمل بشكل جيد في المقام الأول. البيانات، والتنسيق، وشبكات المساهمات ليست من أكثر المواضيع إثارة، لكنها أساسية لكل شيء يأتي بعد ذلك.

قد لا تولد نفس العناوين مثل نموذج ذكاء اصطناعي جديد، لكنها تساعد في دعم النظام البيئي الذي تعتمد عليه تلك النماذج.

وهذا هو الحديث الذي أعتقد أنه يستحق المزيد من الانتباه.

@OpenGradient #opg $OPG

أشوف الناس يقارنوا بين نماذج الذكاء الاصطناعي كل يوم.

هذا النموذج أسرع. ذاك النموذج أذكى. واحد ثاني عنده نافذة سياق أكبر.

لكن مؤخرًا كنت أفكر في شيء ثاني.

وين تروح كل المعلومات اللي نكتبها فعليًا؟

الكثير منا يستخدم الذكاء الاصطناعي للعمل، والبحث، والأفكار، وأحيانًا حتى للأسئلة الشخصية. نشارك معلومات أكثر مع هالأدوات أكثر مما ندرك.

السؤال هذا هو اللي خلاني أقضي بعض الوقت أقرأ عن @OpenGradient .

أول شيء لفت نظري مو إعلان عن نموذج. كان التركيز على الخصوصية. OpenGradient تقول إن الرسائل مشفرة على الجهاز ومعلومات الهوية تُحذف قبل ما توصل الطلبات للنموذج. سواء كان أحد يستخدم الذكاء الاصطناعي بشكل متقطع أو يوميًا، هالمجال يحتاج اهتمام أكبر.

كمان شفت chat.opengradient.ai. بجانب ميزات الدردشة، فيه Image Studio، اللي يسمح للمستخدمين بتوليد صور باستخدام نماذج ذكاء اصطناعي متعددة. أحب أشوف المنتجات تتجاوز حالة استخدام واحدة لأن أغلب الناس ما يستخدمون الذكاء الاصطناعي لشيء واحد بس بعد الآن.

شيء ثاني لاحظته هو إن OpenGradient Chat يدعم بالفعل Claude Fable 5. كمان فيه Nous Hermes متاح من خلال Private Chat. وجود نماذج مختلفة في مكان واحد يوفر للمستخدمين مرونة أكبر حسب احتياجاتهم.

أنا مو شخص يتبع كل إطلاق جديد للذكاء الاصطناعي، لكن ألاحظ لما يكون المشروع يحاول يحل مشكلة حقيقية. الخصوصية، الوصول لنماذج متعددة، والمنتجات الفعلية اللي الناس يقدرون يستخدمونها اليوم كلها مجالات تستحق المتابعة.

لأي شخص مهتم يشوف وش تبني OpenGradient، تقدر تستكشفه هنا:

chat.opengradient.ai

أيضًا يستحق الذكر: OpenGradient شاركوا إن المستخدمين اللي يشترون اعتمادات ويستخدمون OpenGradient Chat بنشاط قد يكونوا مؤهلين للـ Season 2 $OPG airdrop.

@OpenGradient #opg $OPG

كانت أول صفقة لي #BinanceStocks $TSLA.
لقد كنت أتابع تسلا لعدة أشهر لأنني كنت مفتونًا بكيفية دفعها للابتكار في كل من السيارات الكهربائية والذكاء الاصطناعي. في كل مرة أقرأ فيها عن التطورات الجديدة، شعرت وكأنني أراقب شركة تحاول تشكيل المستقبل.
ما دفعني أخيرًا لاتخاذ القرار هو إدراكي أن الانتظار للدخول "المثالي" قد يعني عدم البدء على الإطلاق. لم أكن أستثمر مبلغًا ضخمًا، كنت فقط أرغب في اتخاذ خطوتي الأولى واكتساب تجربة حقيقية.
شعرت أن العملية على منصة Binance Stocks كانت واضحة. بدلاً من الشعور بالارتباك، تمكنت من التركيز على الصفقة نفسها وتعلم كيفية عمل الاستثمار في الأسهم في الممارسة العملية. كان من المثير والمرهق رؤية مركزي يتحرك لأعلى ولأسفل خلال الأيام القليلة الأولى، لكنه علمني درسًا مهمًا: الاستثمار يتعلق بالصبر، وليس بالعواطف.
عند النظر إلى الوراء، لم تكن أكبر مكسب هي الربح أو الخسارة. كانت الثقة التي اكتسبتها لبدء التداول.
الجميع يتذكر أول صفقة لهم. تلك الصفقة حولتني من شخص يراقب السوق فقط إلى شخص يشارك فيه أخيرًا.
#BinanceStocks @Franc1s

شيء واحد يدهشني بشأن الأسهم الأمريكية هو كيف أن العديد من المستثمرين يبدو أنهم مرتاحون للاحتفاظ بمراكزهم لمدة 10، 20، أو حتى 30 عامًا.

في عالم الكريبتو، المتغيرات تتغير بسرعة لدرجة أن الاحتفاظ بشيء حتى لبضع سنوات يمكن أن يبدو كوقت طويل. تظهر روايات جديدة، وتفقد المشاريع زخمها، وقادة السوق يمكن أن يتغيروا بسرعة.

كيف يبني المستثمرون في الأسهم على المدى الطويل ما يكفي من الاقتناع للاحتفاظ بشركة لعقود؟ ماذا يجعلك واثقًا من أن العمل سيظل ذا صلة بعد 10-20 عامًا من الآن؟

أحب أن أسمع كيف يفكر المستثمرون ذوو الخبرة في هذا الأمر.
#MyStocksQuestion

معظم تجربتي في الاستثمار تأتي من عالم الكريبتو، حيث من الشائع التركيز على عدد قليل من المراكز ذات الاقتناع العالي.

بينما أتعلم المزيد عن الأسهم الأمريكية وصناديق الاستثمار المتداولة، أشعر بالحيرة بشأن التنويع. بعض المستثمرين يحتفظون فقط بـ 5-10 أسهم، بينما يفضل آخرون صناديق ETFs واسعة تحتوي على مئات الشركات.

كيف تقرر عدد الأسهم الكافية لمحفظة متنوعة بشكل جيد دون تقليل عوائدك المحتملة بشكل كبير؟

أحب أن أسمع كيف يقترب المستثمرون ذوو الخبرة في الأسهم من هذا.
#MyStocksQuestion
#سؤالي_عن_الأسهم

لقد استثمرت معظم أموالي في العملات الرقمية، لذا فإن الأسهم الأمريكية لا تزال تجربة تعليمية بالنسبة لي.
شيء واحد كنت أتساءل عنه هو كيف يقرر المستثمرون متى تكون الأسهم "باهظة الثمن" فعلاً. أحيانًا أرى شركات تحقق نموًا مذهلاً، لكن أسعار أسهمها قد ارتفعت كثيرًا لدرجة أنني أخاف من الشراء عند القمة.
هل تركز على مقاييس التقييم، تنتظر تراجعات السوق، أو ببساطة تستثمر تدريجيًا بمرور الوقت بغض النظر عن السعر؟
أود أن أسمع كيف يتعامل المستثمرون ذوو الخبرة مع الخوف من شراء شركة عظيمة بعد ارتفاع كبير.
#MyStocksQuestion
هذا يبدو أصيلًا لأنه يستند إلى تحدٍ شائع يواجهه العديد من مستثمري العملات الرقمية عند دخول سوق الأسهم: التوازن بين فرص النمو واهتمامات التقييم.

فتحت صفحة Bedrock 2.0 قبل أيام متوقّعًا أن أقرأ عن العوائد.

لكن بدلاً من ذلك، انتهى بي الأمر بالتفكير في شيء آخر.

كم عدد حاملي BTC الذين لديهم فعلاً الوقت لمقارنة استراتيجيات مختلفة؟

بجدية.

معظم الناس يراجعون السوق، يقرأون بعض المنشورات، ربما يستمعون إلى بودكاست في طريقهم للعمل، وهذا كل شيء.

بينما BTCfi تستمر في التقدّم.

لديك هياكل خزائن مختلفة، مصادر مختلفة للعائد، ملفات مخاطر مختلفة، وكم هائل من المعلومات للفرز.

الفرصة ليست دائماً هي المشكلة.

إنها منحنى التعلم.

ربما لهذا السبب BRclaw يبدو منطقيًا بالنسبة لي.

ليس لأنه يَعِدُ بحل سحري، ولكن لأن كمية المعلومات في عالم الكريبتو أصبحت ساحقة.

لا أحتاج إلى لوحة تحكم أخرى بها عشرين رقمًا.

أحتاج إلى مساعدة لفهم ما تعنيه تلك الأرقام فعلاً.

سواء كانت الاستراتيجية عدوانية أم محافظة.

ما هي التنازلات.

ما قد أكون فاتني.

كلما فكرت في الأمر، زادت مشاعري بأن التحدي التالي لـ BTCfi ليس في إنشاء منتجات جديدة.

إنه في مساعدة المستخدمين العاديين على فهم المنتجات الموجودة بالفعل.

هذا هو الجزء من Bedrock 2.0 الذي يثير فضولي في الوقت الحالي.

@Bedrock
$BR
#Bedrock

أعتقد أن الكثير من حاملي BTC بدأوا يدركون شيئًا.
ملاحقة أعلى APY كل بضعة أسابيع تصبح مرهقة.
شهر تكون فيه استراتيجية مشهورة، وفي الشهر التالي تنخفض العوائد وينتقل الجميع إلى مكان آخر.
لقد رأيت هذه الدورة تتكرر مرة بعد مرة.
لهذا السبب، يبدو أن Bedrock 2.0 يمثل تحولًا مثيرًا.
بدلاً من التركيز فقط على أين تكون أعلى عائدات اليوم، يبدو أن الفكرة تركز أكثر على جعل رأس المال من Bitcoin يعمل بشكل أكثر ذكاءً من خلال uniBTC.
بالنسبة لي، هذا اتجاه أكثر واقعية لـ BTCfi.
الفضاء يتوسع، والاستراتيجيات تصبح أكثر تعقيدًا، ومعظم المستخدمين ليس لديهم الوقت لمراقبة كل فرصة باستمرار.
ما يبرز هو التحول نحو محرك عائدات ذكي بدلاً من منتج عائد واحد.
إنها تغيير صغير في الكلمات، لكن تغيير كبير في العقلية.
أقل مطاردة.
تخصيص رأس المال بشكل أكثر كفاءة.
متحمس لرؤية كيف ستتطور Bedrock 2.0 من هنا.@Bedrock
#bedrock
اضغط هنا للتداول $BR 👈

الجميع يتحدث عن وكلاء الذكاء الاصطناعي الأكثر ذكاءً.

لكن ماذا يحدث عندما تحتاج تلك الوكلاء للعمل عبر أنظمة بيئية مختلفة؟

هنا تصبح الأمور مثيرة.

التحدي ليس دائماً جعل الذكاء الاصطناعي أكثر ذكاءً.

أحيانًا يكون الأمر متعلّقًا بجعل البيئة المحيطة بالذكاء الاصطناعي تعمل بشكل أفضل.

نشر أكثر سلاسة.
توافق أفضل.
احتكاك أقل بين الأنظمة.

هذه واحدة من الأسباب التي تجعلني أراقب OpenLedger.

الاتجاه يبدو مركزًا على بناء الأسس التي ستحتاجها أنظمة الذكاء الاصطناعي فعليًا مع نموها.

لأن الأدوات القوية وحدها ليست كافية.

إنهم يحتاجون إلى بنية تحتية تتيح لهم الاتصال والتنسيق والعمل بكفاءة.

وبصراحة، هذه مشكلة لا يزال Web3 لم يحلها بالكامل.

المشاريع التي تعمل على تلك الأسس اليوم قد تنتهي بها الحال لتصبح أكثر أهمية غدًا.
$OPEN
@OpenLedger
#OpenLedger