Waseem Ahmad mir

No suelo pasar mucho tiempo mirando diagramas de flujo de pagos, pero este de Newton Protocol me mantuvo en la página un poco más.

Lo que noté no fue la transacción en sí. Noté que hay un paso de validación adicional antes de que el pago se complete, y me pareció una elección de diseño interesante. Si no se cumple la política requerida, la transacción no continúa.

Me gustó ver eso desarrollado en vez de solo leer una descripción de una sola línea.

El diagrama también muestra que no hay un servidor fuera de la cadena en medio del flujo de pago. Todo lo importante ocurre alrededor del contrato, la evaluación de la política y la atestación resultante.

Para mí, los diagramas como este hacen que las ideas técnicas se entiendan mucho más fácilmente. En lugar de leer una explicación larga, puedes ver cómo cada paso se conecta con el siguiente y por qué existen esos pasos.

Creo que eso es algo que @NewtonProtocol ha hecho bien en su documentación. En vez de limitarse a listar funciones, dedica tiempo a mostrar cómo interactúan entre sí las distintas partes del protocolo.

Sigo leyendo el material, pero este tipo de recorridos técnicos son las páginas en las que normalmente paso más tiempo. Me dicen mucho más sobre cómo se diseña un protocolo de lo que nunca podría hacerlo un titular de marketing.

$NEWT #NewtonProtocol #newt $NEWT

¡10K seguidores fuertes! ¡Gracias, familia Binance! 🎉
Gracias 😊 a todos por apoyarme ❤️. Hoy es un día muy feliz para mí 💓
¡Qué viaje ha sido! Alcanzar 10,000 seguidores en Binance no es solo un hito—es un testimonio de la confianza, el apoyo y la pasión que compartimos por los mercados. Desde nuestra primera operación hasta este momento, cada señal, estrategia y lección ha sido un paso hacia este logro.
El trading no se trata solo de números—se trata de mentalidad, estrategia y asumir riesgos calculados. Nos hemos enfrentado a oscilaciones del mercado, volatilidad e incertidumbre, pero juntos, hemos conquistado cada desafío. Este viaje ha sido una montaña rusa, pero cada caída solo nos ha hecho más fuertes.#BTCvsETH @Binance Academy

Antes pensaba que la infraestructura de IA consistía sobre todo en tener más GPU.

Después de leer la documentación de OpenGradient, me di cuenta de que es un poco más complicado que eso.

Ejecutar un modelo de IA es solo una parte del proceso.

Alguien tiene que poner ese modelo a disposición de los desarrolladores. Alguien tiene que proporcionar una forma de pagar la inferencia. Alguien tiene que verificar que el cálculo ocurrió como se esperaba. Y todas esas piezas deben funcionar juntas sin volver la red innecesariamente lenta.

Probablemente por eso seguí volviendo a la arquitectura en lugar de los titulares.

El documento técnico no describe @OpenGradient como una sola aplicación de IA. Describe una red en la que distintos componentes tienen responsabilidades diferentes, desde el alojamiento del modelo y la inferencia hasta la verificación y la liquidación.

Creo que es un detalle fácil de pasar por alto.

La mayoría de nosotros solo interactúa con la respuesta final de un modelo de IA. Rara vez pensamos en los sistemas que hacen posible esa respuesta.

Cuanto más leo sobre proyectos como OpenGradient, más aprecio las decisiones de ingeniería que ocurren antes de que un usuario escriba siquiera un prompt.

Esas decisiones no son tan visibles como el lanzamiento de un modelo nuevo.

Pero son la razón por la que los desarrolladores pueden construir sobre la red con confianza.

Esa es la parte de la IA en la que me he interesado más últimamente.

$OPG #OPG #OPG

Volvía a leer el white paper de @OpenGradient y un detalle se me quedó grabado después de cerrarlo.

La red no intenta que cada validador ejecute cada cómputo de IA.

Al principio, no le di mucha importancia.

Luego recordé en qué se diferencian las cargas de trabajo de IA de las transacciones normales de blockchain. Una transferencia de tokens tarda muy poco en comparación con ejecutar un modelo de IA. Tratar esas dos cosas exactamente igual crearía una gran cantidad de sobrecarga innecesaria.

Por eso me pareció interesante la Arquitectura Híbrida de Cómputo de IA de OpenGradient. En lugar de obligar a cada nodo a repetir la misma inferencia, la red separa la ejecución de la verificación. La inferencia la manejan nodos de cómputo especializados, mientras que la verificación ocurre a través de la red después.

Me gusta porque empieza con una pregunta práctica en lugar de una pregunta de marketing.

¿De qué necesita realmente la IA para funcionar bien en una red descentralizada?

A veces, la respuesta no es hacer que todo ocurra en un solo lugar. A veces es dar a distintas partes de la red trabajos diferentes.

Esa idea me pareció aún más coherente cuanto más pensaba en ella.

Quizá por eso los proyectos de infraestructura tardan más en valorarse.

No te das cuenta de ellos la primera vez que lees sobre ellos.

Los reconoces cuando empiezas a preguntarte por qué se diseñaron de esa manera en primer lugar.

Eso es lo que me llevé después de dedicar tiempo a la documentación de OpenGradient. No fue otra discusión sobre modelos de IA. Fue una discusión sobre cómo construir una red en torno a la forma en que la IA realmente funciona.

$OPG #OPG #OPG

Algo cambió la forma en que leo la documentación de los proyectos.

Antes saltaba directamente a la hoja de ruta para ver qué venía después. Ahora paso más tiempo mirando lo que ya existe.

Con OpenGradient, me encontré leyendo sobre cosas como el Model Hub, el SDK y la arquitectura de red antes de mirar cualquier otra cosa. Eso me hizo pensar en las personas que realmente construirán sobre la red.

Un desarrollador no solo necesita un modelo de IA. Tener un modelo es una cosa. Contar con las herramientas para usarlo de manera efectiva es otra muy distinta. Esos detalles quizá no sean lo primero que la mayoría de la gente nota, pero son las cosas que los desarrolladores usan todos los días.

Probablemente por eso, con el tiempo, los proyectos de infraestructura se han vuelto más interesantes para mí. No siempre tienen los anuncios más ruidosos, pero normalmente intentan resolver problemas prácticos que aparecen cuando la gente empieza a construir.

Leer la documentación @OpenGradient me dio esa impresión. En lugar de tratar la IA como un único producto, analiza las distintas piezas necesarias para respaldar un ecosistema a su alrededor.

Me interesa ver cómo los desarrolladores aprovechan esos elementos de construcción a medida que la red sigue creciendo.
$OPG #OPG #OPG

Tengo la costumbre de abrir la documentación antes de mirar el gráfico de precios.
No porque me diga hacia dónde va un token, sino porque normalmente me indica qué es lo que el proyecto intenta construir.
Mientras leía el material de OpenGradient, noté algo que no aparece muy a menudo en las conversaciones sobre IA. Mucha atención se centra en los modelos y los benchmarks, pero también hay un enfoque en dar a los desarrolladores las herramientas para trabajar con esos modelos. El SDK, Model Hub y la red subyacente forman parte de ese panorama.
Me recordó que la tecnología útil no trata solo de lo que ve el usuario final. Alguien tiene que crear las herramientas de las que dependen otros desarrolladores. Esas piezas normalmente no salen en titulares, pero a menudo son lo que permite que un ecosistema crezca con el tiempo.
Creo que por eso sigo volviendo a los proyectos de infraestructura. No siempre son lo más fácil de explicar, y no siempre reciben la misma atención que los productos orientados al consumidor, pero resuelven problemas con los que los desarrolladores se encuentran todos los días.
Leer el @OpenGradient me dio esa impresión. Para mí, lo interesante no era un modelo específico. Era ver cómo encajan las diferentes piezas.
Esa es la parte que me interesa seguir, a medida que el proyecto continúa desarrollándose.
$OPG #OPG #opg

Hoy estaba revisando la página de tokens de OpenGradient y me encontré pasando más tiempo en el calendario de adquisiciones (vesting) que en el número de suministro.

El suministro total es fácil de recordar.

Entender cómo se liberan esos tokens requiere un poco más de tiempo.

En realidad, prefiero eso.

Cada vez que reviso un proyecto nuevo, me gusta ver cómo están estructuradas las cosas en lugar de fijarme solo en las cifras principales. Para mí, eso añade un poco más de contexto que una cifra de suministro por sí sola podría ofrecer.

También noté que OPG no se presenta como un token situado al lado de la red. Se describe como parte de la manera en que funciona la red: ya sea la gobernanza, el staking, el alojamiento del modelo o el pago por inferencias verificables de IA.

Eso hace que yo lea la página de tokens de otra forma.

En lugar de preguntar, "¿Cuántos tokens hay?"

Termino preguntando, "¿Qué se espera que haga este token cuando la red crezca?"

Son dos preguntas completamente diferentes.

Los números son importantes, pero creo que vale la pena entender también el propósito que hay detrás de esos números.

He estado intentando dedicar más tiempo a leer la documentación antes de formarme una opinión sobre un proyecto, y este fue uno de esos casos en los que probablemente frenar fue la elección correcta.

$OPG #OPG @OpenGradient

#OPG

La primera vez que empecé a leer sobre @OpenGradient , asumí que era otro proyecto enfocado en modelos de IA.

Después de pasar más tiempo con el material, me di cuenta de que lo estaba viendo de forma incorrecta.

Lo que captó mi atención no fue el lado del modelo. Fue el hecho de que se está poniendo tanto esfuerzo en todo lo que rodea al modelo.

La mayoría de la gente solo ve el resultado final cuando utiliza IA. Una respuesta aparece en la pantalla y ese es el final de la historia.

Pero cuando profundizas, hay mucho sucediendo antes de ese momento.

Los modelos necesitan un lugar donde vivir.

Los desarrolladores necesitan herramientas para trabajar con ellos.

Las redes necesitan formas de manejar la computación.

Alguien tiene que asegurarse de que todo funcione en conjunto.

Probablemente por eso el Model Hub y las herramientas para desarrolladores me llamaron la atención mientras leía sobre la arquitectura de OpenGradient.

Me recordó los primeros días de cripto cuando todos hablaban de tokens, pero muy pocos prestaban atención a la infraestructura que se estaba construyendo por debajo.

Años después, muchos de esos proyectos de infraestructura se convirtieron en algunas de las partes más importantes del ecosistema.

Quizás la IA siga un camino similar.

Las aplicaciones recibirán la mayor parte de la atención, pero las bases son lo que hacen posibles esas aplicaciones en primer lugar.

Esa es una de las razones por las que he estado dedicando tiempo a aprender más sobre OpenGradient últimamente.

$OPG #OPG
#OPG

Normalmente no paso mucho tiempo mirando diagramas de arquitectura, pero este me hizo pensar en cuánto sucede detrás de una sola respuesta de IA.
Al principio, asumí que era solo otro gráfico de arquitectura de IA lleno de términos técnicos.
Luego noté algo interesante.
La pila comienza con infraestructura y gradualmente se mueve hacia arriba a través de ejecución, acceso al modelo y, finalmente, investigación y herramientas.
Así es como se construye la mayoría de la tecnología moderna.
Cuando usamos una aplicación de IA, solo estamos interactuando con la capa superficial. No vemos los sistemas de almacenamiento, recursos de computación, mecanismos de seguridad, herramientas para desarrolladores o redes que operan detrás de escena.
Mirar @OpenGradient desde esa perspectiva me hizo pensar menos en los modelos de IA en sí y más en el ecosistema que los respalda.
Un modelo poderoso es importante.
Pero los desarrolladores también necesitan infraestructura confiable, herramientas para experimentar, formas de gestionar modelos y entornos donde los productos realmente puedan ser construidos y desplegados.
Sin esas capas de soporte, incluso los modelos poderosos luchan por llegar a los desarrolladores y a los usuarios finales de manera efectiva.
Por eso las secciones de SDK y Model Hub me llamaron más la atención.
La gente a menudo habla de IA como si la inteligencia fuera lo único que importa.
En realidad, una gran parte de la innovación proviene de hacer que la tecnología sea más fácil de acceder, más fácil de construir y más fácil de escalar.
Quizás por eso la infraestructura rara vez recibe el foco de atención.
No es la parte con la que la mayoría de la gente interactúa.
Pero generalmente es la base de la que depende todo lo demás.
Cuantos más proyectos de IA exploro, más interés despierta en mí lo que sucede debajo de la superficie en lugar de lo que aparece en la portada.
¿Qué es más importante para la adopción de IA en tu opinión: mejores modelos o mejor infraestructura?
$OPG #OPG #OPG

Pasé unos minutos mirando este diagrama de OpenGradient y lo primero que se me vino a la mente fue cuánto descuido recibe la infraestructura.

Cuando se lanza una nueva herramienta de IA, la gente suele hablar sobre el resultado. ¿Es rápida? ¿Es precisa? ¿Es mejor que la anterior?

Muy pocas personas se detienen a pensar en lo que debe existir antes de que cualquiera de eso pueda suceder.

Al mirar el diagrama, hay capas separadas para almacenamiento, inferencia, acceso a datos y operaciones de red. Ninguna de esas cosas es particularmente emocionante por sí sola, pero elimina una de ellas y todo el sistema comienza a verse muy diferente.

Es similar a internet.

La mayoría de nosotros usamos sitios web todos los días sin pensar en servidores, bases de datos o redes. Solo notamos la infraestructura cuando algo deja de funcionar.

La IA parece estar yendo en la misma dirección.

Las aplicaciones reciben la atención, mientras que los sistemas subyacentes hacen el trabajo pesado en silencio.

Eso es lo que me llamó la atención sobre @OpenGradient . Lo que captó mi interés es que la conversación va más allá de los modelos en sí. También se está prestando atención a la infraestructura necesaria para apoyar esos modelos y hacerlos accesibles a los desarrolladores.

Quizás por eso encuentro interesante este lado de la IA.

Cuanto más miras, más te das cuenta de que la respuesta en tu pantalla es solo una pequeña parte de la historia.

$OPG #OPG #OPG

Hace unos días le hice una pregunta a una herramienta de IA sobre cripto. Me dio una respuesta en segundos. La leí, tomé la información que necesitaba y cerré la pestaña.

Más tarde me sorprendí preguntándome algo.

No tenía idea de de dónde venía esa información.

No de una manera paranoica. Simplemente me di cuenta de que la mayoría de nosotros nos hemos acostumbrado a recibir respuestas sin pensar en el proceso detrás de ellas.

Quizás eso sea normal.

Cuando Google se hizo popular, la mayoría de la gente tampoco pensaba en la infraestructura de búsqueda. Solo querían respuestas.

Pero la IA se siente un poco diferente porque la respuesta a menudo se presenta como un pensamiento terminado en lugar de una lista de fuentes.

Esa es una razón por la cual proyectos como @OpenGradient me interesan.

No porque necesite otro chatbot.

No porque necesite otro modelo de IA.

Estoy menos enfocado en la salida de la IA y más curioso sobre el proceso que sigue mejorando esos sistemas en segundo plano.

Cuanto más se convierta la IA en parte de la vida cotidiana, más importantes parecen esas preguntas.

¿De dónde proviene el conocimiento?

¿Cómo se actualiza?

¿Quién contribuye a hacer que estos sistemas sean mejores?

No creo que la mayoría de los usuarios estén haciendo esas preguntas todavía.

Pero tengo la sensación de que eventualmente lo harán.

Por ahora, solo estoy prestando más atención a los proyectos que exploran ese lado del ecosistema de IA.

$OPG #OPG

Una cosa que he notado sobre las discusiones de IA es que todos hablan de inteligencia, pero muy pocas personas hablan de confianza. Un modelo de IA puede generar una respuesta en segundos, pero la mayoría de los usuarios aún quieren saber de dónde proviene esa información y si se puede confiar en ella. A medida que la IA se convierte en parte de más productos y flujos de trabajo, esa pregunta se vuelve aún más importante.

Esa es una razón por la que he estado prestando atención a @OpenGradient . Lo que me interesa no es solo el lado de IA de la historia, sino el desafío más amplio de crear sistemas donde la información, los contribuyentes y los modelos puedan trabajar juntos de una manera más transparente. En mi experiencia, la tecnología tiende a escalar mucho más rápido cuando las personas entienden cómo funciona en lugar de simplemente ser invitadas a confiar en ella.

Aún estamos en las primeras etapas del ciclo de IA, y nadie sabe exactamente cómo será el panorama en unos años. Pero creo que los proyectos que piensan en la calidad de los datos, la transparencia y la infraestructura a largo plazo están trabajando en problemas que se volverán cada vez más relevantes. El modelo de IA más impresionante no siempre es el que más importa. A veces, el verdadero valor proviene de la base que lo apoya.

$OPG #OPG #opg

Esta mañana estuve navegando por noticias de IA y noté algo. Cada titular parecía hablar sobre un nuevo lanzamiento de modelo, un resultado de referencia o una actualización de características. Esas cosas son interesantes, pero después de un tiempo, todas empiezan a sonar similares. Me hizo preguntarme si estamos prestando suficiente atención a las capas debajo de los propios modelos.

Cuanto más aprendo sobre IA, más pienso que los datos y la coordinación son tan importantes como el rendimiento del modelo. Un modelo solo puede trabajar con la información disponible, y mantener esa información útil a lo largo del tiempo es un desafío por sí mismo. Esa no es la parte más emocionante de la IA, que probablemente sea la razón por la que no se discute tan a menudo.

Esa es una razón por la que @OpenGradient ha estado en mi radar. El proyecto se centra en partes de la pila de IA que la gente a menudo pasa por alto hasta que se convierten en un problema. A medida que la IA continúa expandiéndose en más áreas de la tecnología, creo que la conversación se irá desplazando gradualmente de "¿Qué modelo es el mejor?" a "¿Cómo se están construyendo, manteniendo y mejorando estos sistemas?" Los proyectos que trabajan en esos fundamentos podrían terminar siendo más importantes de lo que muchos esperan.
$OPG #OPG #opg

Hace unos meses, pensaba que el mayor desafío en IA era construir mejores modelos.

Ahora no estoy tan seguro.
Cada semana parece haber un nuevo modelo, un nuevo estándar o una nueva característica. La brecha entre ellos se siente más pequeña que antes. Lo que más me destaca ahora es todo lo que sucede tras bambalinas.

Recientemente pasé un tiempo explorando diferentes proyectos de IA y noté que muchas conversaciones se centran en los outputs. La gente compara respuestas, velocidad y capacidades. Muy pocas personas hablan sobre los sistemas que hacen posibles esos outputs en primer lugar.

Así lo veo, la IA se está convirtiendo menos en un problema de modelos y más en un problema de coordinación.

¿Cómo se recopila la información?

¿Cómo se verifica?

¿Cómo se benefician los contribuyentes cuando ayudan a mejorar un sistema?

Esas preguntas no reciben tanta atención, pero se están volviendo más difíciles de ignorar a medida que la IA sigue creciendo.

Esa es una razón por la que @OpenGradient ha sido interesante de seguir. Se encuentra en una parte del ecosistema de IA que parece cada vez más importante, pero que no siempre recibe el foco.

Quizás eso sea normal. La infraestructura rara vez recibe atención hasta que la gente se da cuenta de cuánto depende de ella.

He visto que lo mismo sucede en cripto. Los proyectos que trabajan silenciosamente en segundo plano a menudo se convierten en los que todos comentan más tarde.

Por ahora, estoy principalmente observando y aprendiendo. Pero creo que el futuro de la IA dependerá de más que solo mejores modelos. Los sistemas que apoyan esos modelos también importan.
#opg $OPG

Recientemente me topé con una discusión donde la gente debatía sobre cuál modelo de IA dominará en el futuro.
Al leer los comentarios, noté que casi todos hablaban sobre los modelos en sí. modelos más grandes, modelos más rápidos y modelos más baratos.
Muy pocas personas hablaban sobre la información en la que esos modelos se basan.
Esa parte siempre me ha interesado más.
Puedes construir un sistema de IA impresionante, pero si la información que ingresa no es útil, los resultados tampoco lo serán. Me recuerda a un viejo dicho: basura entra, basura sale.
Esa es una razón por la que OpenGradient llamó mi atención cuando empecé a investigarlo. El proyecto parece centrarse en una parte de la pila de IA que no recibe mucha atención de los usuarios comunes, a pesar de que es algo de lo que depende cada sistema de IA.
Lo que hace valiosa a la IA no es solo el modelo. Es la calidad del conocimiento, los datos y la retroalimentación que ayudan a mejorar con el tiempo.
Creo que eventualmente llegaremos a un punto en el que la gente deje de preguntar solo "¿qué modelo es el mejor?" y comience a preguntar "¿de dónde proviene la información?".
Eso me parece una pregunta mucho más importante.
Quizás esté equivocado, pero sospecho que la próxima fase de la IA no se definirá solo por avances en modelos. También estará moldeada por los sistemas que ayudan a esos modelos a aprender, adaptarse y mantenerse útiles.
Por eso he estado siguiendo @OpenGradient . Está trabajando en una parte del rompecabezas en la que la mayoría de la gente no piensa hasta que se convierte en un problema.
#opg $OPG

Sigo viendo a la gente decir que la IA es el futuro.

Quizás tengan razón.

Pero cada vez que escucho eso, termino pensando en algo mucho menos emocionante:

¿De dónde viene toda la data?

Cada modelo de IA útil depende de información. No solo grandes cantidades, sino de datos de alta calidad que realmente puedan ayudar a un modelo a aprender, mejorar y tomar mejores decisiones.

Esa es la parte de la conversación sobre IA que a menudo se pasa por alto.

La gente se enfoca en la salida.

El verdadero desafío es la entrada.

Sin datos confiables, incluso los modelos más avanzados se vuelven menos útiles con el tiempo.

Esa es una razón por la cual OpenGradient ha estado en mi radar.

El proyecto se sitúa en una parte de la pila de IA que no siempre recibe atención, pero se siente cada vez más importante a medida que más aplicaciones de IA salen al aire.

A medida que los sistemas de IA se integran más en productos y servicios cotidianos, la demanda de datos de calidad no va a desaparecer.

Si acaso, es probable que crezca.

Y eso plantea algunas preguntas interesantes.

¿Cómo se obtiene la data?

¿Cómo se comparte?

¿Cómo se benefician los contribuyentes del valor que ayudan a crear?

No creo que el futuro de la IA se defina solo por los modelos en sí.

Todo el mundo habla de lo que la IA puede hacer.
Menos gente habla de lo que la IA necesita para funcionar bien en primer lugar. Los datos, la coordinación y las redes de contribución no son los temas más emocionantes, pero son fundamentales para todo lo que viene después.

Puede que no generen los mismos titulares que un nuevo modelo de IA, pero están ayudando a sostener el ecosistema del cual dependen esos modelos.

Y esa es una conversación que creo que merece más atención.

@OpenGradient #opg $OPG

Sigo viendo a la gente comparar modelos de IA todos los días.

Este modelo es más rápido. Ese modelo es más inteligente. Otro tiene una ventana de contexto más grande.

Pero últimamente he estado pensando en otra cosa.

¿A dónde va toda la información que escribimos realmente?

Muchos de nosotros usamos IA para trabajo, investigación, ideas y a veces incluso para preguntas personales. Compartimos más información con estas herramientas de la que probablemente nos damos cuenta.

Esa pregunta es lo que me llevó a pasar un tiempo leyendo sobre @OpenGradient .

Lo primero que llamó mi atención no fue un anuncio de modelo. Fue el enfoque en la privacidad. OpenGradient dice que los mensajes están encriptados en el dispositivo y que la información de identidad se elimina antes de que las solicitudes lleguen al modelo. Ya sea que alguien use IA ocasionalmente o todos los días, eso parece ser un área que merece más atención.

También revisé chat.opengradient.ai. Además de las funciones de chat, hay un Estudio de Imágenes, que permite a los usuarios generar imágenes utilizando múltiples modelos de IA. Me gusta ver productos que van más allá de un solo caso de uso porque la mayoría de las personas ya no usan IA solo para una cosa.

Otra cosa que noté es que OpenGradient Chat ya soporta Claude Fable 5. También hay Nous Hermes disponible a través de Chat Privado. Tener diferentes modelos disponibles en un solo lugar le da a los usuarios más flexibilidad dependiendo de lo que necesiten.

No soy alguien que persigue cada nuevo lanzamiento de IA, pero sí presto atención cuando un proyecto intenta resolver un problema real. La privacidad, el acceso a múltiples modelos y los productos reales que la gente puede usar hoy son todas áreas que vale la pena seguir.

Para cualquiera interesado en ver lo que OpenGradient está construyendo, puedes explorarlo aquí:

chat.opengradient.ai

También vale la pena mencionar: OpenGradient ha compartido que los usuarios que compran créditos y utilizan activamente OpenGradient Chat pueden ser elegibles para el airdrop de la Temporada 2 $OPG .

@OpenGradient #opg $OPG

#TradebStocks Hoy decidí explorar la nueva función de bStocks de Binance, y el primer activo que llamó mi atención fue $TSLAB (Tesla bStock).
Como alguien que pasa la mayor parte del tiempo en los mercados de cripto, tenía curiosidad por ver cómo Binance está introduciendo valores tokenizados en la plataforma. Encontrar la sección de bStocks fue sencillo, y la interfaz de trading se sintió familiar ya que utiliza el mismo entorno de Binance que muchos de nosotros usamos todos los días.
Lo primero que revisé fue la página de información de TSLAB. Lo que encontré interesante es que TSLAB proporciona exposición económica a Tesla a través de un valor tokenizado. Para alguien que sigue tanto los mercados cripto como los tradicionales, esto se siente como un paso interesante hacia la conexión de ambos mundos.
Otra cosa que noté fue que el trading aún no se había abierto cuando exploré la página. En lugar de precipitarme a hacer una operación, pasé un tiempo leyendo la información disponible y entendiendo cómo funciona el producto. Creo que eso es algo que todo recién llegado debería hacer antes de usar cualquier nuevo producto financiero.
Mi primera impresión es que los bStocks podrían hacer que la exposición al mercado tradicional sea más accesible para los usuarios que ya están cómodos navegando por plataformas cripto. La experiencia se sintió simple, limpia y fácil de entender.
Todavía estoy explorando la función, pero tengo interés en ver cómo evolucionan los valores tokenizados y qué oportunidades pueden crear para los usuarios de Binance en el futuro.
¿Ya has probado los bStocks? ¿Qué activo exploraste primero: Tesla, NVIDIA, Circle, o algún otro?