投机投机再投机

本来只是翻 SDK 想接个小功能，结果对着 MemSync 的文档琢磨到后半夜，中途还灌了两杯冰美式。关电脑前我在手机备忘录里把状态同步的整条链路顺了一遍，说实在的，很久没碰到让我愿意抠到这么细的 AI 基础设施项目了。#OPG

之前我也以为 MemSync 就是个跨应用的记忆插件，真挖进去才发现完全不是这么回事。@OpenGradient 真正做的，是把「会话状态」从单个模型、单个应用里抽离出来，做成了整个网络原生的公共层。和多数项目把记忆塞在应用层不一样，它的状态同步是和 HACA 的节点分工绑死的：推理节点只管跑模型输出结果，状态层负责上下文的持久化与跨端接力，验证节点全程碰不到原始数据，既保住了多轮对话的连续性，又没丢隐私底线。我特意测了跨两个模型的上下文衔接，顺滑度比预想的好，TEE 隔离加端侧加密，用户数据确实不会暴露在节点运营商那边

技术线越顺，我反倒越在意另一件事：$OPG 的真实价值落点。如果只停留在算力结算层面，叙事其实很薄；但当状态读写、验证计费、模型调度都走通统一的链上结算逻辑，它承载的就不只是交易介质，而是整个网络资源调度的价值标尺。再回头看 TEE/ZKML/Vanilla 三档验证设计，也不是简单的技术堆叠，而是给不同信任要求的场景留了阶梯：日常轻量应用走低成本方案，高合规需求场景上全链路验证，本质是在给生态接入拆门槛

捋完这些我反而心态更稳了。去中心化 AI 拼到最后，从来不是看谁的 Demo 更炫，而是谁能在性能、可信性和落地成本之间找到真实的平衡点。至少目前来看 OpenGradient 的技术逻辑是自洽的，但状态层的优势能不能真正转化成生态粘性，我更愿意等主网上线后看真实应用的跑通情况和节点参与度，现在下结论还太早。$O $S

📊 Votación: ¿La capa de estado de MemSync de OPG es verdadera infraestructura base o solo un nuevo gancho narrativo?

Acabo de cambiar el plan conectando tres plataformas de IA seguidas; o se cortaba la conversación o el contexto se desviaba. De repente recordé la experiencia que probé hace unos días con el Chat @OpenGradient . Antes, yo daba por hecho que una IA descentralizada solo podía funcionar en preguntas y respuestas de una sola ronda: con la asignación dinámica de nodos, es un problema guardar el estado de la sesión en algún sitio. Hasta que revisé el diseño de su capa de estado.

Descubrí que, a diferencia de la mayoría de proyectos donde el nodo de cómputo retiene los datos de la sesión, OpenGradient separa directamente el estado de la conversación del nodo de inferencia y lo sincroniza mediante una capa de estado en un desvío (side channel). El contexto de cada ronda se divide en fragmentos y se guarda cifrado; al invocarlo, se carga en el entorno TEE junto con cada solicitud. Así, el nodo de cómputo no puede acceder en ningún momento al historial completo de la sesión. Además, incluye un hash de estado para verificación, así que no hay que preocuparse por que el nodo manipule el contexto.

En pruebas, tras seguir un plan durante siete u ocho rondas seguidas, pude notar claramente que la velocidad de respuesta variaba a mitad de camino; supongo que cambiaron nodos. Pero aun así, el contexto no se desvió en todo el proceso: los parámetros que mencioné antes encajaban. Combinado con Oblivious HTTP para retransmitir las solicitudes, es como si los datos de la conversación, desde que se envían hasta que llegan al cómputo, no tuvieran ningún punto único donde alguien pueda obtener la información completa. Esto me deja bastante tranquilo.

Pero todavía no está aterrizado a la perfección. Por ahora, la capa de estado sigue anclada a nodos para la sincronización; después de hacerlo totalmente descentralizado, aún habría que poner un signo de interrogación a la latencia y la consistencia. Las reglas de incentivos del $OPG en la red de estado tampoco se han terminado de definir del todo, y tampoco está claro cuáles serán los incentivos de largo plazo para los participantes del ecosistema.

Al final, si la IA descentralizada de verdad quiere sustituir el uso diario, el rendimiento y la privacidad son el techo; la continuidad del diálogo es el mínimo. OpenGradient al menos llena uno de esos “baches” fáciles de pasar por alto. Si al final podrá funcionar de extremo a extremo, todavía habrá que esperar a ver el desempeño real de la mainnet y del ecosistema. #OPG
$VELVET $BNB
📊 Votación: ¿La IA descentralizada por fin ya no “olvida”? ¿Qué opinas del diseño de la capa de estado de OPG?

这两天蹲在@OpenGradient 的节点监控页来回刷，连 Chat 都跑了十几轮不同参数的请求，一直绕着一个问题想：它为啥非要把推理、验证、数据节点拆成三类完全独立的角色？刚开始觉得纯属折腾，一套节点兼顾了不行吗？

对着 HACA 架构的流程捋了好几遍才慢慢反应过来，这根本不是工程上的模块拆分，是把 “算力效率” 和 “信任成本” 拆成了两套独立的评价体系。推理节点拼的是 GPU 显存、响应速度，堆硬件就能线性提效；全节点只做证明校验，不用 GPU，普通服务器就能跑；数据节点单独守着 TEE 安全区取外部数据，信任边界干净不串味。说白了就像快递网点，分拣员只管跑量，安检员只管核验，混在一起反而两边都做不好。

但我也一直存着个顾虑：现在模型参数涨得快，推理节点加卡就能扩容，可验证侧的供给跟着全节点数量走，共识有天然瓶颈。三种验证路径里 TEE 快但依赖硬件厂商，ZKML 安全但证明耗时高，Vanilla 快但信任弱，没有哪条路能通吃所有场景，后续请求量上来了，调度能不能精准配平，会不会出现 “推理秒出，证明排队” 的尴尬。

这也是我没事就刷Chat跑请求的原因，比起测模型效果，我更想看真实流量下这套分工体系能不能跑顺。只有实际业务持续跑起来，才能验证 “专业节点各司其职” 到底是能规模化的基础设施范式，还是只适合小众场景的精巧设计。

现在看 $OPG ，我已经不纠结单轮推理速度或者支持多少模型。真正的长期看点，是这套专业化分工的网络，能不能在规模扩大后依然守住效率和可信的平衡，真的让开发者愿意把核心业务迁上来。#OPG
$CAP
$BNB
📊 Hablemos: ¿crees que separar los tres tipos de nodos de OPG es un diseño de infraestructura brillante o solo un disparate? Nos vemos en los comentarios

Anoche, acostado en la cama, revisé la documentación de arquitectura HACA de @OpenGradient y encontré un punto de contradicción bastante interesante.

$OPG separa la ejecución de la inferencia y la verificación en dos cadenas asíncronas: la GPU soporta la mayor parte del cómputo de inferencia, la zona segura TEE realiza en circuito cerrado la verificación de cálculos a nivel de hardware, y la prueba final se registra en la cadena de forma asíncrona. La idea de diseño sí tiene algo de sustancia: por un lado mantiene una velocidad de respuesta tipo web2, y por otro añade verificabilidad a nivel blockchain; además, crea una capa de verificación en tres niveles TEE/ZKML/Vanilla, para que el usuario elija el nivel de seguridad según lo necesite, algo parecido a escoger envío estándar / con seguro / con compensación total al mandar un paquete, con máxima flexibilidad.

Pero cuanto más lo pienso, menos claro veo que su implementación sea tan sencilla: hoy, cuando las empresas usan inferencia de IA, sus necesidades principales siguen siendo velocidad y costo; la “verificabilidad” en esencia es un valor añadido, no una necesidad rígida. De los tres niveles, los que realmente tienen barreras técnicas, TEE y ZKML, exigen hardware o costo de cómputo extra, lo que equivale a añadir una “prima de seguridad” sobre la inferencia normal. ¿Quién va a pagar realmente esa prima?

Ahora mismo, la IA on-chain sigue en una fase temprana; de momento no he visto muchos escenarios comerciales realmente dispuestos a pagar más por la verificabilidad. Si no despega la demanda de los niveles altos de seguridad, los nodos naturalmente no tendrán motivación para montar la configuración de hardware correspondiente, y lo más probable es que al final el nivel Vanilla sea el que haga el volumen, dejando la ventaja central de verificabilidad del proyecto como algo decorativo.

En cuanto al token, las recompensas por staking representan el 10% y se liberan linealmente durante 96 meses; la lógica de incentivos a largo plazo es sólida, pero a corto plazo sigue dependiendo de si la demanda real puede sostener esa prima. La dirección del sector de IA descentralizada sin duda es correcta, pero la prioridad de comercializar la verificabilidad quizá no esté tan arriba como mucha gente piensa. Por ahora no me apresuro a posicionarme; seguiré observando, DYOR, y esperaré a ver los datos reales de integración comercial antes de decir más.$SLX $BNB

#OPG 📊 Al final, hablemos del “impuesto de seguridad de IA verificable” de OPG: ¿quién crees que acabará pagando la cuenta? Ven a comentarlo en la sección de comentarios

Oye, ¿cómo va? Hoy el $NES , ¿ya lo has analizado? Esta moneda es un desastre total, lo más frustrante es que yo la compré en el punto más bajo, ¡necesito mejorar mis habilidades!
Últimamente he estado reflexionando sobre el @OpenGradient , y cuanto más lo pienso, más creo que mucha gente se está metiendo en un callejón sin salida respecto a la confiabilidad de la IA descentralizada.
Al principio, yo también era cabezón: como se llama 'IA verificable', debería tener pruebas ZKML completas, cualquier paso en falso se considera 'pseudo-descentralizado'. Hasta que hace poco creé una pequeña herramienta para la revisión de contenido en la comunidad, y traté de añadir la verificación ZKML a un modelo ligero, pero me quedé atascado en un bucle de refresco que duró medio minuto. Para adaptar la lógica de la prueba, cambié el modelo tres veces y estuve luchando casi una semana sin poder implementarlo. En ese momento me di cuenta de que la industria siempre está compitiendo por 'quién tiene la verificación más sólida', pero nadie pregunta: ¿realmente todos los escenarios necesitan el mismo nivel de confianza?
Por eso, poco a poco entendí el diseño de verificación en tres niveles de OpenGradient: el modo Vanilla corre puro rendimiento, ideal para escenarios de generación común; TEE utiliza hardware para aislamiento confiable, con un costo casi despreciable, y es la solución óptima para la mayoría de los escenarios comerciales; ZKML se reserva para decisiones de oferta y riesgos altos. Cada tecnología por separado no es novedosa, pero convertirla en un espectro de confianza que se puede cambiar según demanda es algo completamente diferente.
No se trata de 'cómo completar la verificación', sino de descomponer la confianza de una opción binaria a opciones graduales que se adapten a diferentes costos y riesgos. Los desarrolladores no necesitan cargar con el costo de ZKML por 'politicamente correcto', ni renunciar completamente a la confiabilidad por el rendimiento.
Mientras escribo esto, pienso que actualmente el rango de modelos adaptados a ZKML es bastante limitado, y los límites de responsabilidad en la confianza escalonada también necesitan ser pulidos por el ecosistema. Pero desde mi punto de vista, este es el aspecto más subestimado del $OPG : no se ha dejado llevar por la tendencia de acumular la verificación más fuerte, sino que primero ha abordado el problema real de 'cómo implementar la confiabilidad'.
Si este camino se logra, el valor del #OPG no provendrá solo de una red de inferencia, sino de un giro cognitivo de la IA descentralizada de 'confiabilidad ostentosa' a 'confiabilidad contextual'. Solo tengo curiosidad: ¿qué escenarios de negocio dependen completamente de la verificación ZK completa? Vamos a discutirlo. $TIMI

Recientemente, al investigar @OpenGradient , he estado pensando que una red de razonamiento AI descentralizada madura no se trata solo de cuántos esquemas de validación integra, sino de cómo se establecen los límites de confianza: qué escenarios requieren una validación robusta de alto costo y cuáles pueden conformarse con una verificación ligera de bajo costo. #OPG

Cuando la gente habla de AI verificable, a menudo se queda con la idea de que ZKML es el más fuerte y que la prueba de cadena completa es la única confiable, como si una mayor intensidad de validación significara más avance. Pero al ponerlo en práctica, se da cuenta de que en la mayoría de los casos, simplemente no se necesita el nivel más alto de validación, el costo es insostenible. Desde una perspectiva arquitectónica, lo que realmente importa es "cómo se debe estratificar la intensidad de la validación".

Es como enviar un paquete: no necesitas gastar decenas de dólares en un seguro para documentos comunes, solo los productos electrónicos costosos necesitan un seguro adicional, y las obras de alto valor solo se aseguran al 100%. La necesidad de confianza ya está estratificada; imponer un estándar único solo resultará en desperdicio o insuficiencia. Al darme cuenta de esto, me di cuenta de que el espectro de tres niveles de validación de OpenGradient no es simplemente una mezcla de tres tecnologías, sino que convierte la capacidad de validación en una interfaz de sistema: la red de base se encarga de iterar el rendimiento de diferentes tecnologías de validación, mientras que los desarrolladores de nivel superior solo tienen que elegir el nivel que se ajuste a su escenario, sin tener que lidiar con la implementación de la base.

Esto es lo que encuentro interesante en el diseño de OpenGradient. Muchos proyectos en la misma pista están apilando el rendimiento extremo de una sola tecnología de validación, pero una red que opera a largo plazo, lo más importante es equilibrar la intensidad de la validación con la escala de costos de uso. De lo contrario, aplicar de manera rígida la prueba de conocimiento cero de más alta especificación en todos los escenarios solo hará que la mayoría de las aplicaciones comunes enfrenten costos excesivos.

Desde esta perspectiva, OpenGradient no simplemente enumera algunas opciones de validación, sino que está construyendo un sistema que puede compatibilizar diferentes necesidades de niveles de confianza, al mismo tiempo que permite la iteración continua de las tecnologías de validación de base sin interferir con el ritmo de desarrollo de nivel superior.

Si la AI descentralizada realmente se va a popularizar en varios escenarios en el futuro, entonces $OPG su verdadero valor a largo plazo podría provenir de esta capacidad de arquitectura flexible que puede manejar diferentes demandas de confianza. $DEXE $G

Al investigar @OpenGradient , realmente estuve un tiempo perdido en el camino. #OPG

Al principio asumí que era simplemente una plataforma de poder de cómputo descentralizada. Al comparar repetidamente el costo de cómputo y la cantidad de modelos soportados, cada vez sentía que no se diferenciaba de otros proyectos similares, siempre me parecía que le faltaba un punto clave. Hasta que saqué el diagrama de la cadena de llamadas y lo revisé dos veces, me quedé atascado con el diagrama un buen rato, y finalmente me di cuenta de que había malinterpretado su posicionamiento fundamental.

El núcleo de OpenGradient nunca ha sido simplemente acumular poder de cómputo para ejecutar modelos; en esencia, es un sistema de entrega confiable y verificación unificada de inteligencia abierta.

Me tomó mucho tiempo darme cuenta de esto. Ahora en la industria, todos están compitiendo por quién tiene más modelos en su plataforma, quién tiene la velocidad de inferencia más rápida, quién ofrece el precio más bajo, pero cada vez es más evidente: la credibilidad de los resultados de inferencia de diferentes nodos y modelos no tiene un estándar unificado. Cada vez que un desarrollador se conecta a una nueva red de cómputo, tiene que adaptar un conjunto de interfaces y una lógica de verificación; a medida que el ecosistema florece, el costo de integración y confianza se vuelve más alto.

Esa noche, trabajando en el diagrama hasta tarde, siguiendo el flujo de solicitudes → programación → inferencia → verificación, de repente todo hizo clic. Lo que realmente están haciendo no es simplemente entrar en la competencia por el pastel del mercado de cómputo, sino reorganizar los recursos de inteligencia abierta que se están dispersando cada vez más, utilizando un estándar de verificación unificado. Primero, incorporan el cómputo heterogéneo y los modelos en un mismo sistema de confianza, y luego ofrecen servicios de inferencia estandarizados al exterior, en lugar de que cada uno luche por su cuenta.

Al entender esto, todo se volvió claro. Porque al final, aunque el poder de cómputo puede escalar, los modelos pueden ser implementados, y los incentivos pueden ser replicados, el efecto de red que se forma a partir de un estándar de verificación confiable reconocido por todo el ecosistema no es tan fácil de replicar.

Si más modelos y nodos se integran en el futuro, estas demandas de inteligencia dispersas eventualmente convergerán hacia una capa de confianza unificada. En esa etapa, $OPG no solo sostendrá el crecimiento de una sola plataforma, sino que será el dividendo del flujo de valor de toda la red de inteligencia abierta. $ARX $XCX

Recientemente he estado hablando sobre la inteligencia artificial descentralizada, y he notado una tendencia bastante interesante. La gente tiende a comentar ya sea sobre la efectividad de los modelos, o cuánto rinde un nodo; cuando se quejan de la experiencia, lo hacen sobre la lentitud de la inferencia o la falta de claridad en las tarifas, y al final siempre terminan volviendo al mercado de tokens o al congestionamiento de la red, como si los problemas siempre se quedaran en la superficie.
No creo que sea tan simple.

Durante mi investigación sobre @OpenGradient , me he vuelto más consciente de un punto que rara vez se menciona: la capacidad de programar y utilizar la potencia de inferencia. #OPG

En la cadena nunca faltan las capacidades de cómputo ocioso, lo que falta son recursos de inferencia efectivos que puedan ser llamados de manera estable, con estándares unificados y resultados verificables. La pista de IA descentralizada actual es completamente diferente a hace unos años; hay diversas redes de nodos, distintos protocolos de inferencia y varios modelos de código abierto funcionando al mismo tiempo, lo que a primera vista parece ofrecer muchas opciones, pero cuando un desarrollador promedio realmente intenta desplegar una aplicación, no sabe qué camino es el más sólido o el de menor costo.

Mucha gente ve a OpenGradient simplemente como una red de nodos para correr inferencias de IA, pero si ampliamos la perspectiva, en realidad lo que hace es «organizar la programación» de la potencia de cómputo: reorganiza la potencia heterogénea dispersa, la empareja con la demanda, y además incluye la verificación de resultados. Todo el proceso puede no sonar tan atractivo, pero establece el límite inferior de la experiencia del desarrollador.

Hace un tiempo, probé la misma serie de prompts y noté que la velocidad de retorno y la consistencia de los resultados variaban bastante al usar diferentes nodos; aunque en una sola ocasión las diferencias no son significativas, cuando se hacen invocaciones frecuentes, la diferencia en experiencia y costos puede ser bastante amplia.

También por eso, nunca he estado centrado en un solo punto funcional en $OPG . Más que los modelos llamativos, me importa si puede resolver el problema a largo plazo de la dispersión de poder de cómputo y la falta de estándares en las invocaciones. Si en el futuro las aplicaciones de IA en la cadena siguen explotando y los escenarios de inferencia se vuelven cada vez más específicos, cómo conectar eficientemente los recursos de cómputo dispersos probablemente se convertirá en un punto clave de competencia en la infraestructura, y esa es la razón por la que sigo de cerca a OpenGradient. $RE $SUP

Durante este tiempo he estado revisando los documentos de @OpenGradient y cada vez tengo más la sensación de que mucha gente está atrapada en la etiqueta de "red de razonamiento descentralizada" al tratar de entender #OPG .

Al principio, solo me enfocaba en la verificación ZKML y la potencia de cálculo distribuido, pensando que solo se trataba de llevar la potencia de cálculo de IA a la cadena. Hasta que hace un tiempo intenté implementar un modelo ligero de atención al cliente para hacer llamadas en la cadena, buscando nodos de potencia, ajustando la interfaz SDK y completando la lógica de verificación de resultados. Pasé toda una tarde en eso, y cuando finalmente funcionó, ya no tenía ganas de optimizar los resultados. En ese momento, de repente me di cuenta: la mayor barrera para la IA en la cadena no ha sido nunca "si hay potencia de cálculo", sino que los desarrolladores se ven obligados a ser coordinadores manuales de los tres aspectos: potencia de cálculo, razonamiento y verificación.

Es precisamente por eso que poco a poco he llegado a entender la lógica de diseño de OpenGradient: la arquitectura HACA separa la ejecución de la verificación, equilibrando velocidad y confiabilidad; el modelo de verificación en tres niveles permite a los desarrolladores elegir el nivel de confianza que necesiten; la biblioteca de modelos + SDK estandariza el proceso de implementación. Cada uno de estos módulos por separado no es un concepto completamente nuevo, pero al unirlos en un stack vertical completo, se convierte en algo completamente diferente.

Porque lo que OpenGradient busca resolver nunca ha sido optimizar un único punto de razonamiento más rápido, sino integrar la programación de potencia de cálculo, la ejecución de razonamiento y la verificación de resultados en un marco subyacente unificado. Los desarrolladores solo necesitan lanzar sus modelos y presentar sus necesidades, dejando que la red se encargue de la coincidencia de nodos, generación de pruebas y liquidación en la cadena.

En el pasado, la industria se obsesionaba con la cantidad de parámetros de modelo y la velocidad de razonamiento, pero muy pocos realmente consideraron "reducir el costo cognitivo de todo el proceso de IA en la cadena" como un problema central. En mi opinión, este es el lugar donde $OPG tiene más espacio para la imaginación: no está creando herramientas de IA en la cadena más complejas, sino escondiendo toda la complejidad.

Si este camino se abre, su valor no será solo una red de potencia de cálculo, sino un cambio de "desarrolladores ensamblando manualmente" a "servicios de infraestructura nativa" para la IA en la cadena. $O $RE

Antiguamente teníamos a los jóvenes con sus zapatos de cuero, y ahora tenemos a las chicas energéticas haciendo trading en WeChat. Hace un tiempo, cuando el $OPG comenzó a subir de temperatura, no me subí al carro, asumiendo que era otro proyecto de IA + blockchain buscando captar atención, ya que en este sector hemos visto demasiados engaños. Pero tras revisar la documentación técnica y los datos de la red de pruebas, he cambiado un poco de opinión: su enfoque es diferente al de muchos proyectos similares, se centra en un problema crítico de la industria que ha sido ignorado durante años, no solo en acumular términos para elevar su valoración.
En estos dos años tratando con IA, mi mayor aprendizaje ha sido que "verificable" y "útil" son conceptos opuestos. Si quieres que sea confiable, debes seguir el esquema tradicional de recálculo en nodos completos, lo que es lento y costoso, y los modelos grandes simplemente no pueden operar; los desarrolladores comunes no pueden permitírselo. Si buscas utilidad, regresas al modelo de API centralizada, donde la confianza en la plataforma es crucial para saber si se ha cambiado el modelo o si se ha perdido algún dato. Aquellos que han tropezado saben de lo que hablo. La mayoría de los proyectos terminan o luchando de manera obstinada o simplemente haciendo un trabajo a medias, nadie realmente aborda el problema desde sus raíces.
Lo interesante de OPG es que no ha forzado la arquitectura de blockchain tradicional, ha desarrollado una arquitectura de computación híbrida HACA específicamente para flujos de trabajo de IA, separando la ejecución de inferencias y la validación en la cadena en dos líneas. La inferencia se maneja con nodos para asegurar velocidad y costo, mientras que la validación se realiza de manera asíncrona en la cadena para garantizar la confianza. No es que la verificabilidad sea solo un gancho, está integrada en el diseño de la red desde sus cimientos. Además, ofrece tres niveles de espectro de validación para elegir, permitiendo a los usuarios sopesar confianza y rendimiento según el escenario, no es un enfoque de talla única.
Por supuesto, aún es pronto, la eficiencia de la implementación del modelo ZKML y la estabilidad en la programación de la potencia de los nodos aún necesitan validación de datos. Pero este tipo de proyectos, que no parten de conceptos, sino que retroceden desde los problemas reales para construir su arquitectura, definitivamente merecen que mantengamos una posición a largo plazo y los sigamos de cerca.
#OPG @OpenGradient $RE $O

Hace poco estuve organizando notas dispersas sobre el sector de DeAI y me surgió una duda: ¿por qué, si todos están llevando el razonamiento de IA a la cadena, han surgido cada vez más redes de razonamiento que operan de manera independiente? Algunos están fijando precios por cada llamada, otros alardean de la cantidad de modelos gestionados, pero los desarrolladores tienen que adaptar interfaces una por una, y los usuarios al cambiar de modelo deben cambiar de acceso. He visto muchas discusiones y la mayoría de la gente se centra en el costo por llamada, lo cual me parece un poco lamentable: cuanto más se fragmentan los recursos computacionales y los estándares de verificación no son compatibles, podría ser que ese sea el problema más complicado que enfrentará este sector en el futuro.

Hablando de @OpenGradient y su red inteligente abierta, lo que realmente me parece interesante no es que haya un nuevo conjunto de nodos que ejecuten modelos, sino que están intentando conectar la capacidad de cómputo, modelos y capacidades de verificación que están dispersas en diferentes protocolos, permitiendo que los recursos de razonamiento tengan una programación y estándares de verificación unificados. En términos simples, si cada proyecto de DeAI tiene que construir su propia pila de razonamiento, los costos de integración para los desarrolladores, las barreras de entrada para los usuarios y el desperdicio de capacidad computacional tarde o temprano se convertirán en un obstáculo real para la expansión del ecosistema. #OPG

Por supuesto, un acceso unificado no significa que todos los problemas se resuelvan; de hecho, implica que el protocolo tendrá que asumir más responsabilidades. ¿Cómo se garantiza la precisión de la verificación de razonamiento? ¿Cuál es la estabilidad de la programación entre modelos? ¿Cómo se aíslan los permisos de los nodos y la privacidad de los datos? Estos aspectos de diseño de fondo, que a menudo reciben poca atención, son los que realmente determinarán cuán lejos puede llegar una infraestructura de DeAI. Siempre he creído que una infraestructura confiable no es aquella que brilla más durante un mercado alcista, sino la que puede mantenerse estable durante las fluctuaciones de la red y la entrada y salida de nodos.

En cuanto a $OPG , no tengo prisa por seguir de cerca los precios a corto plazo y el hype social. Lo que realmente quiero observar es si, a medida que se incorporan más modelos y aplicaciones, sus reglas de gobernanza, diseño de incentivos para nodos y lógica de valor pueden realmente funcionar de manera fluida. Después de todo, lo que más teme un proyecto de infraestructura no es el crecimiento lento, sino que cuando la escala aumenta, los mecanismos de programación y verificación de fondo no puedan soportarlo.

Al menos ahora, no afirmaré que OpenGradient se convertirá en el estándar de base de DeAI. Pero la pregunta que plantea sigue siendo digna de seguimiento: ¿el razonamiento de IA en la cadena continuará disperso en innumerables accesos independientes, o se asentará poco a poco en unas pocas infraestructuras maduras y estables? Esta competencia podría estar apenas comenzando. $O $SYN

📅 Informe de airdrop de hoy, dos noches a las 8, otra a las 10

Antes de las 10, prepárate para darle a tu pulgar y reclamar el nuevo token de una sola letra O, puntuación 225, ¡todos ajusten su alarma⏰ y esperemos con paciencia!

No olvides la tarea de los creadores después de reclamar el airdrop de hoy. Recientemente, revisando viejos cuadernos, encontré un garabato de la pista DeAI, donde anoté tres palabras: confiable, eficiente, abierto. Cuando pensaba en el razonamiento descentralizado, de repente se me ocurrió esta idea y la anoté sin darle importancia. Hasta que hace poco corrí algunos nodos de @OpenGradient y desarmé su diseño de arquitectura HACA, me di cuenta de que estos tres términos son mucho más complejos de lo que inicialmente pensé.
Si se aumenta la eficiencia de razonamiento, probablemente habrá que relajar el nivel de verificación o introducir nodos con permisos más altos, lo que aumenta silenciosamente el riesgo de manipulación de resultados; pero si insistimos en un ZKML de toda la cadena, la latencia y el costo computacional se duplican, y los desarrolladores comunes no podrán costearlo, dejando la IA descentralizada atrapada en el concepto.
Luego, al revisar el documento de actualización x402 de OpenGradient, me di cuenta de que me había estado enfocando demasiado en la velocidad de razonamiento y en las cotizaciones individuales. Lo que realmente vale la pena analizar es cómo las solicitudes de los usuarios son gestionadas a través de los nodos, en qué etapa se acumulan los riesgos, y si el protocolo encapsula esta complejidad en el nivel inferior, evitando que los desarrolladores tengan que adaptar cada uno de los diferentes esquemas de verificación.
Incluso hice una página de notas solo para su espectro de verificación en capas; no es simplemente añadir una interfaz de razonamiento, sino intentar reducir el costo de adaptación para diferentes modelos al introducirse en la red descentralizada, permitiendo que el razonamiento, la llamada de agentes y la verificación de datos se combinen en torno a un estándar confiable unificado, sin que cada aplicación tenga que construir su propio sistema de confianza.
Por supuesto, no estoy apresurado a sacar conclusiones sobre cuánto puede avanzar este diseño. La programación de modelos entre cadenas, la prevención de nodos maliciosos y la estabilidad del suministro de potencia computacional no se pueden aclarar con una o dos semanas de pruebas, y probablemente seguiré haciendo un seguimiento.
Sinceramente, después de todo este estudio, ya no me impresiona el tipo de promociones que dicen “resultados en segundos” o “costo ultra bajo”. En lugar de los datos de puntuación a corto plazo, me gustaría ver si #opg puede mantener un equilibrio sólido entre confiable, eficiente y abierto a largo plazo. Si al final realmente puede generar una demanda estable de desarrolladores, el valor a largo plazo de $OPG al menos merece que continúe invirtiendo tiempo en ello. $D $ID

Durante este tiempo, he estado corriendo pruebas de verificación en el explorador de la cadena para @OpenGradient , y cuanto más pruebo, más siento que la mayoría de la gente se ha desviado en su percepción.

Muchos lo ven como una versión descentralizada de una interfaz de IA, comparando latencias y precios con APIs de nube centralizadas, pensando que solo han cambiado un grupo de GPUs para ejecutar modelos. Pero después de revisar la documentación de la arquitectura, me di cuenta de que lo que realmente se está construyendo es una base de liquidación de confianza nativa de IA en la cadena.

Al principio, también me centré en la velocidad de inferencia, hice varias rondas de comparación de costos, y luego me di cuenta de que la interfaz de inferencia x402 podría ser solo la puerta de entrada. La lógica subyacente es encapsular el comportamiento de llamada de IA, que originalmente no se podía rastrear, en unidades de confianza estandarizadas que se pueden certificar y verificar en la cadena, y luego conectarlas a escenarios de alta demanda como finanzas y cumplimiento. La salida de IA ya no es un black box donde el proveedor dice lo que sea, sino que se convierte en registros de comportamiento en la cadena que son auditables, rastreables y asegurables.

Ahora, al mirar su diseño de espectro de verificación de tres capas, de repente siento que el alcance es mucho más grande que simplemente competir por potencia de cómputo. Para charlas cotidianas, la firma básica es suficiente, pero para el control de riesgos financieros se necesita respaldo de hardware TEE, y las decisiones clave se manejan directamente con pruebas de conocimiento cero ZKML. Si en el futuro la IA se involucra profundamente en los negocios en la cadena, lo que falta en el mercado nunca ha sido una potencia de cómputo más rápida y barata, sino un estándar unificado de granularidad de confianza. Después de conectar diferentes escenarios, se puede seleccionar el nivel necesario, sin que cada proyecto tenga que construir su sistema de verificación desde cero.

Al final del día, la mayoría de los proyectos de IA compiten en parámetros de rendimiento, y estos indicadores inevitablemente convergerán después de la iteración de hardware. Pero la infraestructura de confianza se basa en el efecto de red de los estándares; a medida que se conectan más escenarios, el valor de este estándar se vuelve más significativo.

Mientras organizaba mis notas, confundí la ruta de ejecución rápida con la ruta de liquidación asincrónica, y pasé un buen rato verificando con el diagrama de arquitectura. Fue en ese momento que me di cuenta de que lo más importante no es qué tan avanzada es una tecnología de verificación específica, sino este marco subyacente que puede adaptarse a diferentes necesidades de confianza.

Por supuesto, en escenarios de chat ordinarios, usarlo puede parecer redundante y no se percibe el valor. Pero ahora, al mirar $OPG , lo que realmente me importa no son las veces de inferencia diaria, sino cuántos escenarios de IA de alto valor puede soportar este estándar de confianza en el futuro. Si este camino, #OPG , se valida, su valor máximo superará con creces las expectativas actuales del mercado.

¿Qué opinas? $NB $BSB

Nuevo anuncio de airdrop
Pasado mañana, he visto que los bloggers de la plaza analizan y dicen que se necesita 250 puntos
Estoy totalmente confundido, si se da, se da; si no, pues a tomarlo con calma
Recientemente pensé en correr un modelo de código abierto más grande para procesar datos, pero mi GPU 3060 local no puede manejarlo. Estaba pensando en encontrar una red de IA descentralizada para trasladar la inferencia. Probé tres protocolos diferentes, pero o solo soportan unos pocos modelos fijos, o al ajustar la API hay que cambiar un montón de parámetros. Pensé que al elegir una plataforma de computación sería suficiente, pero después de cambiar de backend dos veces, me di cuenta: DeAI hasta ahora no tiene una norma de acceso de inferencia universal.
De aquí, volví a revisar la ruta y la arquitectura de OpenGradient.
Mucha gente lo ve como otra red de nodos de computación distribuida, pero para mí, parece más un intento de crear una base de acceso universal para la inferencia de IA. OpenGradient no solo quiere añadir más nodos de GPU que se puedan llamar, sino que busca que diferentes modelos y aplicaciones puedan utilizar el mismo estándar para completar la programación, ejecución y verificación en cadena.
Una misma solicitud de acceso puede adaptarse a modelos de diferentes tamaños, programar la computación entre nodos, e incluso elegir diferentes niveles de opciones de verificación. Para los usuarios, no es necesario adaptar repetidamente el formato del modelo en diferentes protocolos; para los desarrolladores, no hay que escribir lógica de integración por separado para cada red de computación. Aunque parece que solo se unifica la capa de interfaz, en realidad determina directamente la eficiencia de crecimiento de todo el ecosistema de DeAI.

Siguiendo su ruta de acceso, tengo una sensación clara: con cada protocolo de aplicación que se añade, se amplía un poco más el horizonte; cuanto más ancho sea el horizonte, más nodos y modelos serán atraídos a integrarse. Esto no es solo una expansión temporal de nodos, es un ciclo de auto-mejoramiento continuo.
Muchos proyectos están compitiendo por la tarjeta de computación y el precio de la inferencia, pero los precios cambian y los subsidios disminuyen. Lo realmente difícil es convertirse en la opción de acceso predeterminada para los desarrolladores.
Después de revisar a fondo la lógica de ruta de @OpenGradient , siento que su enfoque insistente en un estándar de acceso a la inferencia universal tiene al menos más espacio para la imaginación a largo plazo que los proyectos que solo gritan sobre la escala de computación o compiten por el precio de la inferencia. $OPG no entraré de forma ciega, pero pondré #OPG en la lista de observación a largo plazo para seguirlo lentamente. $EVAA $CLO

Los que realmente han pasado por el proceso de re-staking en operaciones no creen en la leyenda de los altos rendimientos sin costuras. Hace poco me desvelé toda la noche analizando el registro de logs de re-staking en la cadena del @Bedrock 2.0 Smart Vault de los últimos 30 días, y descubrí un punto de pérdida oculta que pocos mencionan.
Todos están hablando de que el enrutador BRClaw AI de #bedrock puede automáticamente cortar entre cuatro capas de estrategias: cuantitativas, préstamos, DeFi y RWA, con esta configuración de ganancias automáticas que suena como si hubieras contratado a un gestor de activos que trabaja 24/7, y con $BR puedes obtener beneficios en toda la cadena.
Pero si entiendes un poco la lógica básica del estado en la cadena, te darás cuenta de que toda esta programación de capital a nivel de protocolo, todas las rutas en la fase de espera de confirmación son observables con anticipación. Cuando la intención de staking del contrato de enrutador entra en el mempool, los 'front-runners' de la cadena se cuelan en el fondo de rendimiento objetivo 2-3 bloques antes, y cuando el capital grande del protocolo llega, diluyen los rendimientos por cada unidad, luego salen justo a tiempo para quedarse con la diferencia de ganancias anticipadas.
Piensas que el enrutador inteligente te está llevando a la mayor tasa de interés de la cadena, pero en realidad cada vez que cambias, la mayor parte de los rendimientos ya ha sido masticada por los 'front-runners' a través de un staking anticipado. He calculado que el pico de dilución de los rendimientos por cada gran programación es de aproximadamente 8%-12%, y cuanto más frecuente es la programación, más evidente es la pérdida acumulada.
Ante esta estructura de extracción de rendimientos ocultos, lo que se llama ganancias automáticas en toda la cadena solo está trabajando para los 'front-runners' que se posicionan antes. Antes de que el staking atómico masivo y los oráculos de estado privado se implementen realmente, una programación de rutas de rendimiento más frecuente significa una mayor erosión real de los rendimientos. Las verdaderas ganancias en el sector de re-staking nunca son tan simples como el APY en papel; entender la extracción oculta en la cadena es crucial para no confundir los rendimientos nominales con los retornos reales. Este es un obstáculo que BTCFi debe superar para madurar. $EVAA $CLO

Avance de Binance Alpha
¡Solo falta un airdrop, apúrate a organizarlo!
📅14 de junio
1️⃣ Esta semana aún falta 1, a ver si lo programan para hoy, ya que no hemos recuperado nada, espero que esto nos dé algo de ganancias.
Mira el último diseño @Bedrock , cada vez siento más que es un diseño ingenioso que equilibra múltiples demandas.
La APY integral que se muestra en la página principal es el valor ponderado de todo el pool, diferentes pools corresponden a diferentes redes de validación y niveles de riesgo. Después de 7 días de pruebas, los rendimientos básicos, los períodos de desbloqueo y las reglas de penalización son todos diferentes. Esto no es un fallo de diseño, es un emparejamiento activo en capas: corresponde a fondos con diferentes preferencias de riesgo, y el costo es que los usuarios no pueden simplemente mirar el número en la página principal para entrar, deben igualar sus expectativas de riesgo y rendimiento.
La profundidad de liquidez compartida de múltiples activos que se promociona oficialmente también tiene límites de eficiencia claros. Probé intercambiar la misma cantidad en uniBTC y uniIOTX, y el deslizamiento fue de 0.18%, y hacer una transferencia entre pools implica cargar un costo adicional de aproximadamente 0.05% en Gas y pérdidas de tarifas. Debido a las reglas de aislamiento de riesgo subyacente, los fondos no pueden ser reprogramados sin problemas entre pools; lo que se llama compartido es más bien una integración de experiencia en la capa de entrada unificada, en lugar de una apertura total de los fondos. La ventaja es que el riesgo de un solo pool no se contagia, pero la desventaja es que no se puede maximizar la eficiencia de liquidez en términos generales.
Lo que merece más discusión es el diseño de gradientes del peso de gobernanza. Los datos en cadena muestran que las direcciones que han bloqueado durante más de 180 días poseen alrededor del 62% del peso de veBR, dominando la proporción de distribución de recompensas de cada pool. Esta es la lógica de diseño universal de los protocolos de re-staking: los fondos a largo plazo asumen un mayor costo de tiempo, lo que corresponde a un mayor poder de voz en la gobernanza. La ventaja es que puede estabilizar la liquidez subyacente del protocolo, pero la influencia de los participantes a corto plazo sobre los ajustes de reglas es muy débil. $ROAM
Recientemente, el ajuste del mecanismo PoSL también es muy representativo, vinculando el aumento de rendimiento con la profundidad de bloqueo, lo que ha provocado volatilidad en el precio, y ha filtrado a un grupo de fondos de arbitraje que entran y salen rápidamente. No es muy amigable para los traders a corto plazo, pero ha aumentado el peso de los rendimientos para los holders a largo plazo, en esencia, ha realizado una optimización estructural sesgada entre fondos especulativos y fondos de largo plazo.
En general, el diseño #bedrock no busca "adaptarse a todos", sino que utiliza una estructura en capas para igualar fondos con diferentes demandas. Entender esta lógica de concesiones es esencial para juzgar si es adecuada para tu ciclo de posiciones, es mucho más significativo que emitir un simple juicio de bueno o malo. $BR

Recientemente, el @Bedrock ha tenido un aumento rápido en su popularidad. A decir verdad, al principio no le presté mucha atención, pensé que era otro proyecto intentando aprovechar el fenómeno del staking. Pero después de revisar su documentación sobre productos y mecanismos, realmente me sorprendió: su enfoque es diferente a la mayoría de los proyectos en el mercado, realmente aborda un problema que ha existido por mucho tiempo, no es solo un juego de conceptos para generar hype.

En mis años de staking, mi sensación más directa es que el sector siempre ha estado evitando la contradicción central: altos rendimientos y liquidez son difíciles de conciliar. El staking con fondos bloqueados ofrece altos rendimientos, pero el dinero queda congelado durante medio mes, y si hay un movimiento en el mercado, solo puedes mirar; tenerlo en mano te permite ser flexible, pero solo obtienes rendimientos miserables de cuentas de ahorro. Antes estaba diversificado en 3 protocolos y las ganancias perdidas por desbloquear en ventanas vacías superaban las tarifas de transacción. La mayoría de la gente al final se conforma con una opción, nunca he visto un proyecto que aborde este asunto de manera directa, la mayoría solo agrega funciones a medias y comienza a aumentar la valoración, lo cual es un poco al revés.

Lo más singular de Bedrock es que incorpora la liquidez directamente en el protocolo base, en lugar de añadir un token derivado posteriormente. La entrada unificada para múltiples activos soluciona el problema de operaciones dispersas, BTC, ETH y activos DePIN no necesitan ser movidos entre varias plataformas; brBTC agrega rendimientos de múltiples protocolos en staking, eliminando la fricción de los cambios manuales; el mecanismo PoSL distribuye recompensas dinámicamente, garantizando la circulación de activos desde la base. Si estas dos cosas se implementan simultáneamente, no solo resuelve el problema de los rendimientos, sino que redefine la forma en que los usuarios comunes participan en el staking. Proyectos que entiendan y logren implementar esta lógica son, en verdad, poco comunes.

Por supuesto, todavía estamos en una etapa temprana, el staking múltiple de activos a través de diferentes cadenas presenta una ruta de riesgo contractual más larga y muchas incertidumbres.

Los traders minoristas que han caído en trampas tienen más experiencia, lo que más temen es escuchar historias sin ver resultados concretos: antes también me gustaba seguir tendencias, pero luego entendí que las emociones a corto plazo suben rápido y bajan igual de rápido; lo que realmente perdura es el protocolo que puede resolver puntos de dolor reales.

En este tiempo, revisando la estrategia de Bedrock 2.0, su enfoque en BTCFi y la eficiencia de activos, en comparación con simplemente apilar APY nominal y gritar alto rendimiento, realmente tiene más espacio para imaginar a largo plazo. El $BR no me lanzaré ciegamente, pero pondré el #bedrock en mi lista de observación y seguiré el ritmo de implementación lentamente.

Recientemente, con algunos amigos que trabajan en gestión de activos institucional, desglosamos la estructura de activos y pasivos de @Bedrock 2.0, y descubrimos que este sistema está creando una paradoja financiera: el riesgo del colateral está completamente desconectado de la liquidez.

Si miras detenidamente su diseño de múltiples activos en capas, depositas BTC nativo, y el protocolo te emite un certificado de liquidez uniBTC 1:1. La verdadera magia radica en que este certificado puede generar rendimientos de staking en Babylon, ser utilizado como colateral en Aave y ejecutar estrategias en el fondo cuantitativo Selini. Este mecanismo de dividir un mismo activo subyacente en múltiples capas de rendimiento es como ponerle a Bitcoin un "amplificador de rendimientos", permitiendo que un activo que normalmente solo genera interés simple obtenga, de la nada, un sobreprecio en múltiples niveles. Esta es también la razón principal por la que su TVL superó los 1,200 millones de dólares en seis meses.

Sin embargo, la lógica básica de las finanzas nunca será reescrita por el código. Esta eficiencia de capital extrema se basa en una grave descoordinación de colaterales. El BTC real subyacente requiere más de 72 horas para ser liberado, y está limitado a un máximo de 2 BTC por día en la red principal de Ethereum; pero el uniBTC superior se trata como una moneda de curso legal equivalente a BTC, disfrutando de tasas de colateral que varían entre el 65% y el 85% en diferentes protocolos de préstamos. Una vez que el mercado experimenta un retroceso extremo, los robots de liquidación en la parte superior venderán uniBTC en milisegundos, mientras que el BTC real en la parte inferior no tendrá tiempo para ser rescatado y estabilizar el mercado.

He recopilado estadísticas sobre las tasas de colateral de uniBTC en cinco protocolos de préstamos principales, siendo la más alta del 85% y la más baja del 65%. Esto significa que hay una diferencia del 20% en la valoración del riesgo del mismo colateral en el mercado. Este caos en la valoración es la fuente de todos los riesgos sistémicos.

Por supuesto, debo decir que este diseño de descoordinación no es necesariamente algo malo. Por primera vez, permite a los usuarios comunes disfrutar de la eficiencia de capital a nivel institucional, obteniendo múltiples rendimientos sin necesidad de tener que bloquear sus activos. Pero antes de pasar por pruebas de estrés en mercados extremos, todo es solo riqueza en papel.

Creo que lo que merece la pena observar de Bedrock 2.0 no es solo la superposición de rendimientos excepcionales, sino que intenta integrar BTCFi, el re-staking y el uso de múltiples activos en un nuevo sistema unificado.

Nuevas narrativas siempre están surgiendo en la industria, pero lo que realmente da fuerza a un modelo para perdurar es su capacidad de implementarse y expandir sus escenarios de aplicación. Si $BR se conecta a más escenarios ecológicos, también hará que la lógica de desarrollo de #bedrock se vuelva cada vez más clara.

Después de investigar Bedrock 2.0 durante casi tres semanas, la mayoría de las personas lo ven como "un agregador de rendimiento multi-activo que soporta BTC y DePIN", pero creo que @Bedrock 2.0 realmente soluciona el problema del enrutamiento inteligente de capital en la cadena. Al principio, también caí en esta trampa cognitiva. Estaba mirando la comparación de APY entre uniBTC y brBTC, pensando que solo era una copia del modelo de reinversión de ETH en otros activos, ganando la diferencia de comisiones. Hasta que la semana pasada probé la función de ajuste automático de BRClaw y de repente me di cuenta de que algo no estaba bien.
Deposité 0.5 BTC para obtener uniBTC y, en 36 horas, BRClaw automáticamente cambió mis fondos del tesorería Delta a un pool de liquidez DeFi, sin ninguna operación manual, y los rendimientos aumentaron un 0.32%. Esto no es algo que un simple agregador de productos pueda lograr. La lógica detrás es que convierte todas las estrategias de rendimiento en la cadena en nodos estandarizados que pueden ser evaluados en tiempo real por IA, optimizando automáticamente la asignación de capital según la volatilidad del mercado.
Cuando miré el módulo de rendimiento DePIN que acaba de lanzarse, entendí cuán grande es la ambición de Bedrock 2.0.
ETH tiene rendimiento LSD, BTC tiene rendimiento de reinversión de Babylon, DePIN tiene rendimiento de minería de nodos, y en el futuro habrá rendimiento crediticio RWA. Pero ahora, cada pista de rendimiento es una isla de información, los usuarios necesitan investigar decenas de protocolos, y ajustar posiciones manualmente no solo lleva tiempo, sino que también es fácil caer en trampas. El mes pasado, ajusté manualmente tres posiciones en cadena, gastando 11 horas, y al final perdí 0.8 ETH porque perdí la oportunidad.
Hice un seguimiento de los datos de operación de usuarios en 14 plataformas de rendimiento principales, y el usuario promedio ajusta manualmente su posición 2.7 veces al mes, cada vez gastando 4.2 horas, con una tasa de error de ajuste del 38%. Bedrock 2.0 es el único protocolo que actualmente implementa el enrutamiento automático de estrategias de rendimiento de todas las categorías mediante IA.
Mientras organizaba los datos, incluso confundí la lógica de enrutamiento de uniBTC y uniETH, y tras revisarlo dos veces, me di cuenta de que usaban el mismo marco subyacente de IA. Este detalle me hizo darme cuenta de que #bedrock no se trata de cuántos tipos de activos soporta, sino de que está construyendo una red de enrutamiento inteligente que puede albergar todos los rendimientos en cadena.
Así que ahora, al mirar $BR , ya no me interesa el crecimiento del TVL de un token específico, sino cuántas pistas de rendimiento puede integrar este sistema de enrutamiento AI en el futuro $VELVET .

Sin grandes movimientos, sin puntos calientes, los nuevos tokens no llegan, y los viejos tokens hacen incursiones para mantener el interés. Las ganancias no son altas, pero tampoco estamos en la ruina. Hoy el airdrop que conseguí fue de solo 28u, y eso no cubre ni mis costos. Hoy el mercado realmente no trajo sorpresas, pero en un mercado bajista, la competencia no es por hacerse rico rápidamente, sino por quién puede aguantar hasta la próxima oportunidad.

Después de caer en tres trampas de liquidación en DeFi, finalmente entendí: los protocolos nunca tratan a todos de manera justa. Cuando todos están compitiendo por quién obtiene un rendimiento un poco más alto en el staking, nadie quiere decirte la dura realidad: cuando ganas, te llevas una parte pequeña, y cuando pierdes, eres el primero en perder.

Antes, hablábamos de @Bedrock , y todos decían que era un agregador de rendimientos multichain. Pero después de revisar el código del contrato de la bóveda de la versión 2.0, entendí su verdadero diseño subyacente: un mecanismo de prioridad de liquidación por niveles. Esta información nunca se menciona en los folletos, pero determina si tu dinero está seguro o no.

En pocas palabras, Bedrock divide todos los fondos en tres niveles de liquidación. Yo deposité 0.28 BTC en la bóveda general, que pertenece al tercer nivel "nivel retail"; mientras que las instituciones que depositan más de 50 BTC entran directamente en el primer nivel "nivel de liquidación preferente". Cuando el mercado cae y se activa la liquidación, el sistema primero vende los activos de los minoristas del tercer nivel para cubrir los huecos, hasta que se liquiden todas las posiciones de los minoristas, y solo entonces se toca el segundo y primer nivel de fondos.

Lo más increíble es que el nuevo analista de BRClaw 2.0 envía alertas de riesgo a los usuarios institucionales con 24 horas de anticipación, dándoles tiempo suficiente para agregar margen o retirar activos. Mientras que los minoristas solo reciben una notificación del sistema 15 minutos antes de la liquidación; cuando ves el mensaje, ya puede que te hayan liquidado. Un amigo mío la semana pasada perdió 0.15 BTC en 15 minutos por esto.

Hablando en serio, el staking ha llegado a un punto donde, en esencia, se ha convertido en un juego de suma cero entre instituciones y minoristas. Los protocolos dependen del capital de los minoristas para mantener el TVL, utilizan el capital institucional para generar ganancias y luego trasladan todo el riesgo a los minoristas. Esos altos APY que ves en la página de inicio son solo cebos para atraer tu entrada.

La lógica detrás de $BR también ha cambiado. Ya no es un boleto para compartir ganancias, sino un pase que decide de qué lado estás en el momento de la liquidación. La descentralización de la blockchain, que se ha hablado durante más de diez años, al final se reduce a que quien tiene más dinero es quien tiene la última palabra.
#bedrock $WOD $SLX