ZainAli655

Pasé algún tiempo pensando por qué una política comenzaría con default allow := false. Al principio, eso sonaba como el enfoque más seguro posible para la autorización. No lo es. Esa afirmación solo decide qué ocurre cuando ninguna regla produce una aprobación. No dice nada sobre la calidad de las reglas que pueden cambiar la decisión final.
Los ejemplos de Rego de Newton parten de una postura de denegar por defecto y luego introducen una autorización específica y enfocada si { ... } para situaciones concretas. Otro ejemplo separa las condiciones de bloqueo con deny if { ... } antes de evaluar not deny. El valor predeterminado permanece sin cambios durante todo el proceso, pero el resultado final depende por completo de qué reglas sean capaces de anularlo.
Esa fue la parte que no esperaba. default allow := false crea una base conservadora, pero no garantiza una política conservadora. Una única regla de aprobación amplia, o una excepción que crece con el tiempo, puede debilitar la protección sin cambiar nunca el valor predeterminado. El mecanismo de respaldo se mantiene estricto mientras la lógica de autorización va volviéndose gradualmente más permisiva.
Lo que se me quedó no fue el patrón de denegar por defecto. Fue la constatación de que la seguridad de una política se mide menos por cómo comienza una política y más por cada ruta que, eventualmente, puede producir una aprobación.
¿Una política de denegar por defecto mejora de manera significativa la seguridad, o las reglas de aprobación cuidadosamente diseñadas importan más al final?
@NewtonProtocol $NEWT #NEWT $TLM

$HMSTR

#Newt

#NHHB639ProtectsDigitalAssetSelfCustody #GillibrandCallsForDigitalAssetEthicsBan #JunePayrolls57KHikeOddsFallTo50%

@NewtonProtocol $NEWT #NEWT

Algo me sorprendió mientras leía los documentos de NewtonProtocol.

Yo esperaba que lo difícil fuera escribir reglas de autorización. En cambio, seguí pensando en algo mucho más pequeño: PolicyData.

Al principio no parece importante. Pero cuanto más leía, más me daba cuenta de que está resolviendo un problema del que la mayoría de la gente ni siquiera piensa.

En el mundo real, cada decisión necesita un contexto diferente. Aprobar un pago pequeño no es lo mismo que mover fondos del tesoro. Un agente de IA que programa una suscripción no debería verificarse de la misma manera que uno que ejecuta una transacción de alto valor.

Ahí fue cuando me quedó claro.

Cuando se evalúa una política, "policyTaskData" lleva la información que la política realmente necesita. La solicitud también incluye el "policyId" y "policyAddress", para que la política correcta reciba la entrada correcta. Antes de que algo ocurra en la cadena, "simulateTask" permite a los desarrolladores probar cómo responde la política.

Esa es la parte que se me quedó grabada.

El protocolo no intenta predecir todas las reglas futuras. Asume que seguirán apareciendo reglas nuevas, así que el enfoque está en pasar el contexto adecuado en lugar de intentar anticiparlo todo. Eso me parece una forma más práctica de diseñar la autorización.

Por supuesto, hay un costo. Las entradas flexibles también significan que los desarrolladores deben construirlas con cuidado. Un PolicyData faltante o incompleto puede llevar a evaluaciones fallidas, incluso si la política en sí es correcta.

Ese costo refleja una decisión de diseño más amplia. El protocolo prioriza una autorización adaptable sobre un modelo rígido de una sola talla para todos, lo que también aumenta la responsabilidad de proporcionar entradas precisas.

A medida que más wallets, DAOs y agentes de IA comienzan a tomar decisiones automáticamente, me pregunto si pasar el contexto correcto importará más que agregar más reglas.

Me intriga saber qué piensan otros.

A medida que las wallets de IA se vuelven más comunes, ¿qué importa más para una autorización segura?

$ALLO $LAB
#Newt #newton #PhiladelphiaSemiconductorIndexFalls4% #KOSPIOpensUp1.41%

Una cosa que he llegado a entender es que las instituciones no evitan DeFi porque les disguste la blockchain. Se mantienen al margen porque la forma en que gestionan su dinero es muy diferente de cómo la mayoría de las herramientas de DeFi fueron diseñadas.

Esa diferencia importa. Los bancos, fondos y gestores de activos no dependen de una sola cartera ni de una sola persona que tome todas las decisiones. Trabajan mediante permisos por capas, aprobaciones y rendición de cuentas clara. DeFi tradicional ha hecho un gran trabajo al servir a usuarios individuales, pero las organizaciones grandes necesitan flujos de trabajo estructurados antes de poder pasar a onchain con confianza.

Por eso, el VaultKit de NewtonProtocol llamó mi atención. En lugar de centrarse únicamente en dónde se almacenan los activos, VaultKit explora permisos programables que permiten a las organizaciones hacer cumplir políticas mediante autorizaciones, verificaciones de cumplimiento, límites de gasto y condiciones de aprobación antes de que se ejecuten las transacciones. Este enfoque se siente mucho más cercano a cómo las instituciones ya operan. Es un modelo que se siente mucho más cercano a cómo las instituciones ya operan.

Imagina una firma de inversión que gestiona múltiples carteras de clientes. Una firma de inversión podría imponer políticas internas de aprobación para que las transacciones cumplan requisitos de cumplimiento antes de la ejecución, con cada acción registrada a través de reglas de autorización programable. Las reglas de aprobación claras reducen los errores operativos y, al mismo tiempo, facilitan el seguimiento y la Auditoría de cada acción.

Por supuesto, la tecnología por sí sola no llevará a las instituciones a DeFi. La gobernanza sólida, el cumplimiento y la seguridad probada seguirán siendo esenciales antes de que las organizaciones confíen cualquier plataforma con capital significativo.

No creo que la próxima generación de DeFi institucional se defina por los rendimientos más altos. Se definirá por la infraestructura que ayuda a las organizaciones a gestionar activos digitales con la misma confianza con la que hoy gestionan los sistemas financieros tradicionales. Si VaultKit se convertirá en parte de ese futuro aún está por verse, pero está planteando el tipo de preguntas que el DeFi institucional había estado echando de menos.

@NewtonProtocol $NEWT #NEWT #Newt

$NFP $TAIKO

¿QUIÉN CONTROLA EL FUTURO?

Todo el mundo piensa que la IA se vuelve poderosa cuando se hace más inteligente.

Yo creo que se vuelve peligrosa cuando obtiene permiso.

La inteligencia es fácil de admirar.

La autorización es fácil de ignorar.

Hasta que miles de millones de dólares se muevan sin que un humano haga clic en "Aprobar."

Los agentes de IA están aprendiendo a operar.

Pagar.

Negociar.

Implementar código.

La pregunta ya no es "¿Pueden actuar?"

Es "¿Quién decidió que se les permitiera?"

La oferta global de stabIecoin ya ha superado los $250B.

Eso es más que una estadística de mercado.

Significa que el dinero programable está alcanzando escala de internet, donde el software autónomo puede mover valor real en segundos.

Cada permiso faltante se convierte en una posible superficie de ataque.

La mayoría de las personas cree que la carrera de la IA la ganará el modelo más inteligente.

Creo que la historia recordará algo diferente.

Los ganadores serán los sistemas que hagan que la inteligencia sea responsable.

Por eso, @NewtonProtocol llamó mi atención.

Newton Protocol está construyendo autorización onchain verificable, donde los permisos se pueden comprobar, aplicar y auditar en lugar de confiarse ciegamente.

Mi predicción:

La autorización se volverá tan esencial para la IA como HTTPS lo fue para internet.

La mayoría de la gente persigue la inteligencia.

El permiso se convertirá en el nuevo cómputo. 🤔

¿Estás de acuerdo, o la inteligencia en bruto siempre importará más que la autorización?

$NEWT #Newt #NEWT #newton

$BASED $DYDX

La IA no se vuelve peligrosa cuando toma la decisión equivocada.
Se vuelve peligrosa cuando nadie puede detener la decisión correcta.
La mayoría de las conversaciones sobre IA se centran en hacer que los modelos sean más inteligentes.
Creo que el problema más difícil comienza después de que una IA ya ha tomado la decisión correcta.
Imagina un agente de IA gestionando una tesorería de un protocolo.
Encuentra la mejor inversión.
Los datos son precisos.
El momento es perfecto.
La transacción es válida.
Sin embargo, aun así no debería ocurrir.
¿Por qué?
@NewtonProtocol $NEWT #Newt
Porque la gobernanza no lo ha aprobado.
Porque se ha superado el límite de gasto.
Porque algunas reglas importan más que la velocidad.
Esa es la diferencia entre una IA que puede actuar y una IA que debería actuar.
Para mí, este es uno de los desafíos menos discutidos en las finanzas autónomas.
Hemos pasado años enseñando a la IA cómo decidir.
Ahora necesitamos una infraestructura que decida cuándo esas decisiones pueden convertirse en acciones.
Pila de Infraestructura de IA
Inteligencia → Decisión → Autorización → Ejecución
Las dos primeras crean capacidad.
Las dos últimas crean confianza.
Incluso los bancos no ejecutan cada transacción válida inmediatamente.
Primero verifican políticas, límites y riesgo antes de que el dinero se mueva.
La IA autónoma probablemente necesitará la misma disciplina.
Newton Protocol explora este desafío al colocar la autorización basada en políticas entre las decisiones de la IA y la ejecución en la cadena. En lugar de asumir que toda decisión de IA debe convertirse en una acción, reglas predefinidas determinan si la ejecución está permitida en absoluto.
Eso cambia la IA de ser simplemente autónoma a ser responsable.
Hay un equilibrio.
Más políticas significa más complejidad.
Los desarrolladores deben definir reglas claras.
Las organizaciones deben decidir cuánta autoridad debería tener realmente un agente de IA.
Pero así es como se construye la confianza.
No dándole a la IA libertad ilimitada.
Dándole los límites correctos.
La inteligencia decide.
La autorización decide si esas decisiones merecen convertirse en acciones.
Esa es la capa que creo que las finanzas autónomas han estado echando de menos.
Encuesta:
¿Qué es más importante para la IA autónoma?

EL MAYOR AVANCE EN IA NO ES POSIBLE QUE SEA UN MODELO MEJOR. PODRÍA SER UNA FORMA MEJOR DE EJECUTAR MODELOS.

Cada nuevo benchmark de IA celebra modelos más inteligentes.

Empiezo a pensar que el próximo gran avance vendrá de algo mucho menos visible: infraestructura construida específicamente para IA.

La inferencia de IA no es solo otra transacción en blockchain. Tiene requisitos de ejecución, coordinación y verificación diferentes. Tratar cualquier carga de trabajo de IA como si fuera una actividad onchain ordinaria crea concesiones innecesarias.

Por eso, la Arquitectura Híbrida de Computación de IA (HACA) de @OpenGradient captó mi atención. En lugar de forzar la IA a encajar en un modelo tradicional de ejecución en blockchain, separa la ejecución especializada de IA del resto del sistema. El objetivo no es solo una ejecución más rápida. Es una infraestructura diseñada para IA en vez de obligar a la IA a adaptarse a sistemas creados originalmente para transacciones financieras.

Eso no garantiza la adopción. Incluso la mejor arquitectura todavía necesita desarrolladores, aplicaciones reales e incentivos sostenibles antes de que sus ventajas se vuelvan significativas a escala.

Los proyectos que darán forma a la próxima generación de IA quizá no sean los que construyan los modelos más grandes.

Podrían ser los que construyan infraestructura que se adapte a la IA en lugar de forzar a la IA a adaptarse a infraestructura de propósito general.

A medida que evoluciona la IA, ¿deberíamos seguir persiguiendo modelos más grandes, o empezar a rediseñar la infraestructura de la que dependen?

@OpenGradient $OPG #OPG #opg #OpenGradient

La respuesta llegó casi al instante.

El protocolo no.

La solicitud ya había finalizado, pero la red todavía estaba decidiendo si ese resultado estaba listo para ser considerado de confianza.

El enrutamiento continuó.

La verificación continuó.

Los nodos independientes seguían intentando llegar a la misma conclusión antes de que la solicitud pudiera considerarse realmente terminada.

Esa secuencia me molestó más que la inferencia en sí.

Me hizo preguntarme si había estado midiendo la utilidad de los tokens desde el lugar equivocado.

La mayoría de los debates empiezan con los pagos.

Ahora empiezo a pensar que deberían empezar con la coordinación.

Quizá el token no esté asegurando la respuesta de la IA.

Quizá esté asegurando todo lo que tiene que ocurrir después de la respuesta, cuando la red todavía tiene que demostrarse a sí misma que cada participante está mirando el mismo resultado.

Por eso estoy observando @OpenGradient de forma diferente.

No le presto mucha atención a la frecuencia con la que $OPG se mueve entre carteras.

Me interesa más si, a medida que el protocolo evoluciona, el enrutamiento, la verificación y la coordinación se vuelven cada vez más dependientes de ello.

Hay una pregunta que no deja de volver a mí.

Si #OPG desapareciera mañana, ¿qué responsabilidad del protocolo se volvería incierta primero?

No estoy seguro de que la respuesta sea obvia.

Probablemente esa sea la señal más interesante que el volumen de transacciones.

#Opg #opg #OpenGradient
¿Cuál es la señal más fuerte de utilidad a largo plazo?

@OpenGradient $OPG #OPG
La mayoría de la gente piensa que el almacenamiento en caché de Al se trata de hacer que la IA sea más rápida.
Yo también lo pensé.
Entonces empecé a mirar un problema diferente.
Imagina que dos nodos de IA reciben la misma solicitud con solo unos segundos de diferencia.
Uno devuelve un resultado en caché creado antes de que el modelo, los datos o el estado de verificación se actualizaran.
El otro genera un resultado nuevo después de esas actualizaciones.
No está roto nada.
Las GPU están funcionando.
La red se ve saludable.
Pero los usuarios reciben respuestas diferentes.
Eso no es un problema de velocidad.
Es un problema de consistencia.
Ahí fue cuando cambió mi forma de ver el almacenamiento en caché de la IA.
El almacenamiento en caché de IA no se trata realmente de ahorrar respuestas.
Se trata de decidir cuándo las respuestas antiguas dejan de ser seguras para usarse.
Cada resultado en caché depende de un supuesto simple:
"La información detrás de esta respuesta sigue siendo correcta."
Lo más difícil no es crear la caché.
Es saber exactamente cuándo ese supuesto ya no es verdadero.
Limpias la caché demasiado pronto y la red desperdicia tiempo de GPU recreando respuestas que ya tiene.
La mantienes demasiado tiempo y diferentes nodos empiezan a tomar decisiones usando información distinta.
La compensación real no es velocidad versus almacenamiento.
Es eficiencia versus consistencia.
A medida que crecen las redes de IA, mantener ese equilibrio se vuelve mucho más difícil.
Esa es una de las razones por las que OpenGradient llamó mi atención. En una red de inferencia descentralizada, cada nodo puede trabajar de forma independiente, pero aún necesitan ponerse de acuerdo sobre cuándo los resultados en caché ya no son seguros para usar. Mantener la información confiable consistente en toda la red suele ser más difícil que distribuir cómputo.
En ese punto, la gestión de la caché deja de ser solo un tema de rendimiento.
Se trata de mantener a cada nodo alineado.
El futuro de la infraestructura de IA puede que no esté limitado por qué tan rápido creamos nuevas respuestas.
Puede estar limitado por qué tan rápido cada nodo sabe que una respuesta antigua ya no debe ser confiable.
$VELVET $NVDAB
#SaylorHintsStrategyBitcoinBuy #IRGCSaysItStruckKuwaitAndBahrain #USStrikes10IranianMilitaryTargets
#opgusdt
A medida que las redes de IA continúan escalando, ¿cuál se vuelve el problema más difícil?
👇👇👇👇👇

Todo el mundo habla de hacer a la IA más inteligente. Creo que estamos a punto de preocuparnos más por demostrar que tiene razón.

La mayoría de las conversaciones todavía asumen que modelos más grandes desbloquearán la siguiente fase de la IA.

Empiezo a pensar que el problema más difícil aparece después de eso.

A medida que la IA se vuelve algo común, la inteligencia deja de ser el recurso escaso. La prueba lo es.

La pregunta real cambia de "¿Puede una IA producir esto?" a "¿Alguien puede demostrar por qué esta salida merece influir en una decisión?"

Eso cambia la economía de la IA de una manera sutil.

Las organizaciones que avanzan más rápido quizá no sean las que tienen los modelos más inteligentes. Tal vez sean las que pueden preservar evidencia alrededor de cada conclusión importante. La memoria sin prueba se vuelve una opinión. A escala suficiente, la opinión se convierte en un riesgo operativo.

He empezado a pensar en esto como la Brecha de Prueba.

Cada aumento en la capacidad de la IA amplía en silencio la distancia entre una respuesta y la confianza necesaria para actuar en consecuencia. Los modelos mejores en realidad pueden ensanchar esa brecha porque hacen más fácil producir salidas convincentes mientras vuelven más valiosa la verificación significativa.

Si ese modelo mental es correcto en términos generales, el futuro de la pila de IA podría terminar organizándose en torno a la prueba en lugar de la inteligencia “cruda”. Esa posibilidad es una de las razones por las que sigo mirando @OpenGradient y el papel a largo plazo de $OPG . No porque yo sepa que ahí termina el futuro, sino porque las limitaciones que importan mañana a menudo son invisibles hoy.

El futuro pertenece a los sistemas que pueden probar lo que ya saben.

#OPG
¿Cuál será la mayor ventaja competitiva de la IA en la próxima década?
👇

No cuestioné la respuesta de la IA hasta que alguien me hizo una pregunta sencilla.

"¿Cómo sabes que es correcta?"

Me di cuenta de que no podía responder.

Ese momento cambió por completo la forma en que pienso sobre la IA.

Creo que cada respuesta de la IA crea dos preguntas diferentes. ¿Es útil? ¿Y puedo demostrar que es correcta?

La primera pregunta mejora la productividad. La segunda determina si la IA pertenece en situaciones en las que los errores tienen consecuencias reales.

Hoy, la mayoría de las personas juzga la IA por lo rápido que produce una respuesta. No creo que eso siga siendo el estándar. A medida que la IA se integre en la atención médica, las finanzas, el derecho y los servicios públicos, la verdadera ventaja quizá corresponda a los sistemas que hacen que la confianza sea medible en lugar de asumida.

Por eso sigo pensando en @OpenGradient . La conversación sobre la IA parece estar cambiando de generar respuestas convincentes a crear confianza en que esas respuestas merecen influir en decisiones importantes. Para mí, esa es una dirección mucho más significativa que simplemente construir otro modelo que obtenga mejores resultados en puntos de referencia.

Si este cambio continúa, los proyectos que darán forma al futuro de la IA quizá no sean los que generan la mayor inteligencia, sino los que hacen que la inteligencia sea responsable. Por eso estoy vigilando #OPG
y $OPG .

$BABYSHARK $IDOL
Si la IA da la respuesta correcta pero no puedes demostrar que lo es, ¿la confías?
👇👇👇👇👇👇

@OpenGradient $OPG #OPG

Lo extraño no fue la respuesta.

Fue el silencio antes de ella.

Estaba comparando el mismo modelo entre diferentes nodos y esperaba más o menos la misma experiencia cada vez.

Una solicitud comenzó casi de inmediato.

Otra se quedó en una pantalla de carga el tiempo suficiente como para que la refrescara dos veces porque estaba convencido de que algo había salido mal.

No había pasado nada.

Mi primera suposición fue que el nodo estaba sobrecargado.

No lo estaba.

La solicitud se completó.

El nodo estaba saludable.

Sin embargo, el modelo aún no estaba ahí.

De hecho, la solicitud ya se había completado en el panel de red varios segundos antes de que apareciera el primer token.

Ese fue el momento en que me di cuenta de que el retraso no venía de la generación.

Cuando la respuesta finalmente llegó, fue rápida.

El modelo tardó más en llegar que en responder.

Durante unos minutos, seguí mirando la métrica equivocada.

Estaba midiendo la velocidad de generación cuando el verdadero retraso estaba ocurriendo antes de que la generación comenzara.

Ese fue el momento en que dejé de pensar en la velocidad de inferencia y empecé a pensar en la disponibilidad del modelo.

Hablamos mucho sobre qué tan rápido puede generar respuestas la IA.

Hablamos mucho menos sobre qué tan rápido esos modelos pueden estar donde se necesitan cuando aparece la demanda.

Los modelos populares rara vez permanecen inaccesibles por mucho tiempo.

La demanda sigue dando a los operadores una razón para mantenerlos cerca.

Los modelos menos populares no tienen esa suerte.

Dejan de valer la pena mantenerlos cerca hasta que la demanda regrese.

El modelo en sí no ha cambiado.

La distancia entre demanda y disponibilidad ha cambiado.

A medida que las redes de IA crecen, el almacenamiento, la recuperación, la verificación y la residencia de memoria pueden influir en la experiencia del usuario mucho antes de que comience la generación.

Cuanto más pienso en ello, menos convencido estoy de que la inteligencia será el desafío de escalado más difícil.

La distribución podría serlo.

¿Qué sucede cuando un modelo que nadie se molestó en mantener cerca de repente se convierte en el modelo que todos quieren?

No una solicitud.

No diez.

Miles.

$NES $SLX
#SKHynixADRListing #OilErasesGains #OilSupplySurges #BTCFallsBelow200WeekMA

En ese punto, ¿cuál se convierte en la verdadera restricción?

Hace unas semanas, estaba actualizando una hoja de cálculo donde sigo proyectos de IA que me interesan. Algunos habían lanzado nuevas funciones. Otros habían cambiado completamente de dirección. Para ahorrar tiempo, le pedí a la IA que comparara mis notas antiguas con las últimas actualizaciones y me dijera qué era lo más importante.

El resumen se veía convincente.

Lo que me sorprendió no fue lo que la IA recordaba.

Fue lo que seguía considerando importante.

Mientras leía el resumen, noté algunas conclusiones que no se sentían bien. Después de volver a mis notas, me di cuenta de que la IA todavía estaba dando peso a suposiciones que tenían sentido hace semanas, pero que ya no reflejaban la realidad. No había nada factual incorrecto. El problema era que el contexto antiguo seguía moldeando nuevos juicios.

Eso me hizo cuestionar algo.

Quizás el próximo desafío para la IA no sea la memoria.

Quizás sea la relevancia.

Los humanos no tienen éxito porque recordamos todo. Tenemos éxito porque constantemente decidimos qué merece atención y qué no. Cada día, promovemos cierta información y silenciosamente degradamos otra información.

La mayoría de las discusiones sobre IA se centran en agregar más memoria, más contexto y más historia.

Pero si la IA se convierte en parte de la investigación, la inversión y la toma de decisiones, el problema más difícil puede ser decidir qué partes de la historia deberían seguir influyendo en el futuro.

Por eso @OpenGradient y $OPG llamaron mi atención. Cuanto más uso la IA, más pienso que el verdadero desafío no es recopilar información. Es averiguar qué información todavía merece influencia y qué información se ha vuelto obsoleta silenciosamente.

Un sistema de IA que recuerda todo puede sonar poderoso.
Un sistema de IA que sabe lo que ya no importa puede resultar mucho más útil.

#OPG