Lishay_Era

Kilka dni temu złapałem się na tym, że robię coś, co prawdopodobnie robię częściej, niż bym chciał to przyznać. Zadałem pytanie AI, otrzymałem odpowiedź, która brzmiała przekonująco, skinąłem głową do siebie i przeszedłem dalej, nie poświęcając nawet sekundy na zastanowienie się, jak doszło do takiego wniosku. To wydawało się normalne. Potem zdałem sobie sprawę, że prawdopodobnie tak właśnie większość z nas wchodzi w interakcje z AI teraz. Oceniamy odpowiedź. Nie proces. Jeśli odpowiedź wygląda wystarczająco inteligentnie, akceptujemy ją i przewijamy dalej. Ale im więcej myślę o tym, w jakim kierunku zmierza AI, tym dziwniejsze to się wydaje. Bo dzisiejsze AI głównie pomaga nam w pisaniu, wyszukiwaniu, burzy mózgów i nauce. Przydatne rzeczy. Niskie stawki, relatywnie mówiąc. Co się stanie, gdy AI zacznie podejmować decyzje, które naprawdę mają znaczenie? Pieniądze. Umowy. Infrastruktura. Autonomiczne agenty działające w naszym imieniu. Nagle "model tak powiedział" nie brzmi już tak uspokajająco. To mnie przyciągnęło do OpenGradient. Nie dlatego, że próbują zbudować mądrzejszy model. Wiele zespołów goni za tym. Co przyciągnęło moją uwagę, to ich skupienie na czymś, o czym ludzie rzadko mówią, dopóki coś nie pójdzie nie tak: weryfikacja. Czy możesz sprawdzić, jak powstał wynik AI? Czy możesz to audytować? Czy możesz mieć więcej niż tylko ślepą wiarę? To, co uważam za interesujące, to że nie wydają się traktować zaufania jako wyboru binarnego. Niektóre aplikacje mogą potrzebować gwarancji opartych na sprzęcie. Inne mogą wymagać silniejszej weryfikacji kryptograficznej. Różne sytuacje, różne poziomy pewności. I szczerze mówiąc, to wydaje się bliższe temu, jak działa prawdziwy świat. Nie każda decyzja wymaga standardu dowodowego na poziomie sali sądowej. Ale niektóre zdecydowanie tak. Im dłużej o tym myślę, tym bardziej sądzę, że przyszłość AI nie zostanie określona tylko przez to, kto zbuduje najinteligentniejsze modele. Może być kształtowana przez to, kto zbuduje systemy, którym ludzie mogą naprawdę zaufać, gdy stawka wzrasta. Bo inteligencja jest imponująca. Możliwość jej weryfikacji może okazać się jeszcze ważniejsza. @OpenGradient #OPG $OPG

Właśnie: $50,000,000,000 zniknęło z indyjskiego rynku akcji w ciągu jednego dnia.

Szczegóły:

1. PM Narendra Modi zaapelował do obywateli o oszczędzanie paliwa, ograniczenie zakupów złota i ograniczenie zagranicznych podróży w obliczu rosnących presji energetycznych związanych z konfliktem USA-Iran oraz zakłóceniami w pobliżu Cieśniny Hormuz.

2. Ponieważ Indie importują ~90% swojej ropy naftowej, obawy dotyczące wstrząsów w dostawach rosną, co może nawet skłonić do powrotu polityki pracy zdalnej, aby ograniczyć zużycie paliwa.

3. Rynki zareagowały ostro, sygnalizując rosnące obawy dotyczące gospodarczego wpływu pogarszających się warunków energetycznych.

#indyjski #rynekakcji #oil $BTC

Ciągle wracam do pytania, które wydaje się dziwnie pomijane w kontekście AI.
Nie chodzi o to, czy AI staje się mądrzejsze.
Chodzi o to, czy staje się odpowiedzialne.
Ta różnica brzmi na początku mało istotnie. Ale nie jest.
Większość AI dzisiaj przypomina zamkniętą skrzynkę. Wpisujesz coś, czekasz kilka sekund, dostajesz odpowiedź i przechodzisz do swojego dnia. Jeśli odpowiedź wydaje się przekonująca, większość ludzi nigdy nie zastanawia się, co działo się pod spodem.
Szczerze mówiąc, sam tak robiłem.
Ale im głębiej AI wchodzi w badania i podejmowanie decyzji, tym mniej komfortowy staje się ten model czarnej skrzynki.
W pewnym momencie przestajesz pytać: "Czy to dało mi odpowiedź?"
Zaczynasz pytać: "Czy ktokolwiek może rzeczywiście zweryfikować, jak ta odpowiedź została wyprodukowana?"
Ta zmiana sprawiła, że spędziłem więcej czasu na badaniu OpenGradient.
Co przykuło moją uwagę, to nie kolejne twierdzenie o szybszych modelach czy większych zbiorach danych. Słyszeliśmy o tym wystarczająco dużo. Interesującą częścią była próba wbudowania weryfikacji bezpośrednio w samą infrastrukturę.
Ich Hybrydowa Architektura Obliczeniowa AI oddziela wykonanie od weryfikacji. Mówiąc prosto, jedna część sieci zajmuje się ciężkim obciążeniem AI, podczas gdy inna warstwa koncentruje się na udowodnieniu, co się wydarzyło.
I myślę, że tam zaczyna się ciekawie robić.
Bo zaufanie to tak naprawdę nie jest jedna rzecz.
Czasami potrzebujesz kryptograficznej pewności.
Czasami zaufany sprzęt jest wystarczający.
Czasami szybkość ma większe znaczenie niż idealna weryfikacja.
@OpenGradient nie wydaje się zakładać, że każda aplikacja potrzebuje tej samej odpowiedzi. Zamiast tego tworzy spektrum zaufania i pozwala użytkownikom zdecydować, gdzie chcą się w nim znaleźć.
Im więcej o tym myślę, tym bardziej wydaje się to być następna wielka rozmowa o AI.
Przez ostatnie kilka lat wszyscy byli zafascynowani zdolnościami. Mądrzejsze modele. Lepsze wyniki. Większe benchmarki.
Słusznie.
Ale zdolność bez odpowiedzialności zaczyna wydawać się niekompletna.
Może nawet ryzykowna.
Moje przeczucie jest takie, że przyszli zwycięzcy w AI nie będą tylko systemami, które generują imponujące odpowiedzi.
Będą to systemy, które mogą pokazać swoją pracę.
A w tej chwili ta część dyskusji wydaje się być ogromnie niedoceniana.
#OPG $OPG

@OpenGradient i problem zaufania, którego AI jeszcze nie rozwiązało
Ciągle wracam do jednego pytania, gdy myślę o AI:
Stajemy się naprawdę dobrzy w tworzeniu odpowiedzi…
…ale czy stajemy się dobrzy w udowadnianiu, skąd te odpowiedzi pochodzą?
Większość czasu o tym nie myślimy. Pisze coś, AI odpowiada, a jeśli wynik wygląda dobrze, idziemy dalej.
Proste.
Ale to podejście „po prostu to zaufaj” staje się niewygodne, gdy AI zaczyna dotykać poważnych aspektów życia. Pieniądze. Decyzje biznesowe. Agenci podejmujący decyzje w naszym imieniu.
W pewnym momencie „model tak powiedział” nie wystarczy.
Dlatego @OpenGradient jest dla mnie interesujące.
Nie tylko próbują wprowadzić AI na blockchain. Zajmują się brudną częścią pod spodem: weryfikacją.
Ich Hybrydowa Architektura Obliczeniowa AI oddziela ciężkie obciążenie AI od procesu sprawdzania, czy praca została wykonana poprawnie.
I naprawdę podoba mi się to podejście, ponieważ rzeczywistość nie jest uniwersalna.
Niektóre aplikacje potrzebują prywatności.
Niektóre potrzebują silniejszych dowodów.
Niektóre potrzebują po prostu szybkości.
OpenGradient tworzy różne warstwy zaufania poprzez TEEs, ZKML i inne metody weryfikacji zamiast zmuszać wszystkich do tego samego systemu.
To wydaje się bliższe temu, jak ludzie faktycznie podejmują decyzje.
Nie ufamy wszystkiemu równo. Dostosowujemy nasz poziom zaufania w zależności od sytuacji.
AI prawdopodobnie będzie działać w ten sam sposób.
Przyszłość nie polega tylko na mądrzejszych modelach.
Chodzi o modele, które możemy kwestionować, badać i weryfikować.
Bo inteligencja jest potężna…
ale zaufanie to to, co pozwala ludziom faktycznie z tego korzystać.
#OPG $OPG

Im więcej czasu spędzam w towarzystwie AI, tym mniej imponuje mi sama surowa inteligencja.
Może to brzmi dziwnie.
Model może wygenerować odpowiedź w kilka sekund. Super. Ale co się dzieje potem? Jak możemy być pewni, że odpowiedź rzeczywiście pochodzi z modelu, który twierdzi, że używa? Jak zweryfikować proces, zamiast po prostu ufać wynikowi?
Ostatnio ciągle wracałem do tego pytania, a szczerze mówiąc, zaczęło mnie to bardziej martwić, niż się spodziewałem.
Większość AI dzisiaj przypomina trochę zamawianie jedzenia z restauracji bez okna kuchennego. Posiłek przychodzi. Może nawet smakuje świetnie. Ale nie masz pojęcia, co się działo za kulisami.
To część tego, co przyciągnęło mnie do OpenGradient.
To, co budują, nie dotyczy tylko udostępnienia AI na łańcuchu. Próbują uczynić AI odpowiedzialnym.
Ich architektura oddziela wykonanie od weryfikacji. AI wykonuje pracę, ale system może również udowodnić, jak ta praca została wykonana. Różne metody weryfikacji, od TEE po dowody ZK, tworzą spektrum zaufania zamiast prosić użytkowników o po prostu zaufać czyimś słowom.
Im więcej o tym myślę, tym bardziej łączy się to z tematem, który eksploruję w kampanii Genius.
Ludzie często traktują geniusz jako cechę indywidualną. Świetny założyciel. Świetny badacz. Świetny model.
Nie jestem przekonany.
Geniusz na dużą skalę wygląda bardziej jak koordynacja. Wygląda jak systemy, które pozwalają milionom obcych współpracować, weryfikować i budować na pracy innych bez ciągłego polegania na ślepym zaufaniu.
To tam weryfikowalne AI zaczyna wydawać się ważne.
Nie dlatego, że AI musi stać się mądrzejsze.
Bo inteligencja, niezależnie od tego, jak potężna, w końcu napotyka tę samą ścianę:
"Czy ktokolwiek może to udowodnić?"
Może następny przełom to nie lepsze odpowiedzi.
Może to stworzenie świata, w którym odpowiedzi mogą w końcu same się weryfikować.
To znacznie mniej efektowny problem.
I prawdopodobnie ważniejszy.
@OpenGradient #OPG $OPG

AI staje się potężny.
Ale jest problem, o którym nikt nie mówi wystarczająco.
Budujemy systemy, które potrafią pisać, myśleć, analizować i podejmować decyzje… podczas gdy wciąż prosimy użytkowników, aby po prostu zaufali procesowi.
Wpisujesz coś.
AI odpowiada.
Ale co się wydarzyło za ekranem?
Jaki model to uruchomił?
Czy dane były wiarygodne?
Czy wynik był manipulowany?
Czy ktoś może udowodnić ten rezultat?
W tej chwili wiele AI działa jak zamknięta maszyna. Widzisz odpowiedź, ale nie widzisz drogi.
To może być w porządku przy casualowym użyciu.
Staje się to poważnym problemem, gdy AI zaczyna zajmować się zadaniami z prawdziwego świata.
Pieniądze.
Decyzje biznesowe.
Autonomiczne agenty.
Krytyczne przepływy pracy.
Moja teoria jest prosta:
Przyszłość AI nie będzie wygrana tylko przez inteligencję.
Będzie wygrana przez weryfikowalną inteligencję.
Tutaj podejście OpenGradient staje się interesujące.
Zamiast tylko pytać: “Czy AI może wygenerować odpowiedź?”
Zadaje pytanie:
“Czy AI może udowodnić, jak ta odpowiedź została wyprodukowana?”
Oddzielając wykonanie od weryfikacji, OpenGradient tworzy system, w którym wyniki AI mogą być sprawdzane przez różne warstwy zaufania, w tym TEEs, ZKML i inne metody weryfikacji.
Ponieważ następna generacja AI nie tylko musi być inteligentna.
Potrzebuje paragonów.
Świat, w którym agenci działają w naszym imieniu, wymaga więcej niż potężnych modeli. Wymaga przejrzystości, odpowiedzialności i infrastruktury, którą możemy rzeczywiście zweryfikować.
Przyszłość nie jest ślepym zaufaniem.
To jest udowodniona inteligencja.
@OpenGradient #OPG $OPG

Miałem niedawno małe uświadomienie podczas korzystania z AI.
Odpowiedzi stają się coraz lepsze. Narzędzia działają coraz szybciej. Czasami wszystko wydaje się prawie nierealne.
Ale potem złapałem się na myśleniu…
"Czy tak naprawdę wiem, co dzieje się za kulisami?"
Nie do końca.
Większość AI dzisiaj to jak maszyna za zasłoną. Wprowadzasz zapytanie, coś wraca, i ufasz, że proces był poprawny.
Dla prostych zadań, może to wystarczyć.
Ale jeśli AI ma stać się częścią poważnych systemów — finansów, badań, biznesów, agentów — będziemy potrzebować więcej niż tylko dobrych odpowiedzi.
Będziemy potrzebować dowodów.
To sprawia, że OpenGradient jest dla mnie interesujące.
Buduje AI, gdzie wyniki można weryfikować, a nie tylko akceptować.
Mała zmiana w myśleniu, ale ogromna różnica.
Następna era AI może nie tylko dotyczyć tworzenia mądrzejszych modeli.
Może chodzić o stworzenie AI, któremu możemy naprawdę ufać.
@OpenGradient #OPG $OPG

Im więcej czasu spędzam na nauce o AI, tym bardziej zdaję sobie sprawę z jednej rzeczy:
Budowanie mądrzejszych modeli to tylko połowa bitwy.
Trudniejsze pytanie dotyczy zaufania.
Wszyscy widzieliśmy, jak AI udziela odpowiedzi z pełnym przekonaniem… a potem okazuje się, że odpowiedź była błędna. (Trochę niezręcznie, prawda?)
To skłoniło mnie do myślenia — jeśli AI ma stać się częścią naszych codziennych decyzji, finansów, biznesów i życia cyfrowego, potrzebujemy więcej niż tylko potężnych systemów.
Potrzebujemy systemów, które można zweryfikować.
To, co czyni OpenGradient interesującym dla mnie.
Celem nie jest tylko stworzenie AI, które działa. Celem jest stworzenie środowiska, w którym wykonanie AI może być weryfikowane, gdzie użytkownicy mogą zrozumieć poziom zaufania stojący za wynikiem.
Z koncepcjami takimi jak TEE, ZKML, weryfikowalne agenty i zdecentralizowana infrastruktura AI, OpenGradient zmierza w kierunku przyszłości, w której AI przypomina mniej tajemniczy czarny box, a bardziej niezawodną infrastrukturę.
A to łączy się z większym pomysłem, do którego ciągle wracam:
Geniusz nigdy nie dotyczył tylko jednego błyskotliwego umysłu.
Największe przełomy zachodzą, gdy inteligencja może koordynować.
Ludzie. Dane. Maszyny. Systemy.
Wszystko poruszające się razem.
Może następna ewolucja AI nie polega tylko na tym, by uczynić je mądrzejszym.
Może chodzi o to, by uczynić je wystarczająco wiarygodnym, aby każdy mógł na tym budować.
@OpenGradient #OPG $OPG

AKTUALIZACJA ETHEREUM:

$ETH złamał kluczową linię trendu, która była istotnym wsparciem przez ostatnie cztery lata.

W sierpniu 2025 roku widzieliśmy podobny setup, gdy cena przebiła się powyżej wieloletniego oporu, tylko po to, by stać się pułapką byka.

Jeśli ETH odzyska ten makro kanał trendowy i potwierdzi ruch z powrotem do środka, może to również sygnalizować pułapkę niedźwiedzia.

Następne kilka tygodni będzie bardzo interesujące.

#ethereum #crypto $ETH

Kiedyś lekceważyłem „zdecentralizowaną AI” jako kolejny etykietę, którą ludzie nakładają na infrastrukturę, która i tak jest wystarczająco skomplikowana.
OpenGradient sprawił, że na chwilę się zatrzymałem.
Nie dlatego, że nagle wydaje się skończone czy eleganckie—bo nie. Ale dlatego, że projekt jest dziwnie zamierzony. Dzieli AI na dwie poruszające się części. Wykonanie odbywa się poza łańcuchem na węzłach GPU. Szybko, trochę chaotycznie, bardzo związane z „prawdziwym światem” obliczeń. Następnie weryfikacja jest nakładana na to, wykorzystując TEEs i metody w stylu ZK, próbując odpowiedzieć na nieco niewygodne pytanie: czy ten wynik rzeczywiście pochodzi z tego, z czego się wydaje, że pochodzi?
I to jest ta część, która zostaje.
Ponieważ większość systemów AI dzisiaj nie zmusza cię do myślenia o tym w ogóle. Podajesz polecenie, ona odpowiada, idziesz dalej. Czysta interakcja. Prawie zbyt czysta, jeśli się nad tym zastanowić.
OpenGradient przerywa tę wygodę. Nie głośno. Bardziej jak mała szczelina w powierzchni, którą ciągle zauważasz, gdy już tam jest.
Już nie dostajesz tylko odpowiedzi. Dostajesz odpowiedź plus rodzaj „ścieżki audytu”—niedoskonałą, ale wystarczająco realną, by miała znaczenie.
I tak... wciąż jest wcześnie. Możesz poczuć szorstkie krawędzie. Ale kierunek? Trudno to przeoczyć, gdy już to zauważyłeś.
Mniej ślepego zaufania. Nieco więcej struktury. Nieco więcej odpowiedzialności.
Jeszcze nie rewolucja. Po prostu system, który zaczyna mieć zęby.
@OpenGradient #OPG $OPG

ODPŁYWY ETF ETH WCIĄŻ SIĘ KOMPAKTUJĄ

Amerykańskie ETF-y na spot #Ethereum odnotowały odpływy w 21 z ostatnich 23 dni handlowych, zaledwie dwa dni z dodatnimi wpływami od początku maja.

To wyraźny sygnał ostrzegawczy dla #ETH/#BTC i altów, dopóki przepływy się nie ustabilizują.
$BTC $ETH

Kilka dni temu rozmawiałem z krewnym, który powoli zaczyna interesować się kryptowalutami.
Nie ma pojęcia o technologiach. Po prostu ciekawy.
Posłuchał chwilę, a potem zadał coś bardzo prostego:
"Jeśli ludzie trzymają Bitcoina przez lata… dlaczego po prostu tam siedzi?"
To pytanie brzmi prosto, ale faktycznie wskazuje na większą zmianę.
Przez długi czas posiadanie kryptowalut oznaczało pasywne trzymanie. Kupowałeś aktywo, zabezpieczałeś je i czekałeś. To był cały model.
Ale teraz myślenie się zmienia.
Protokół taki jak Bedrock bada inny kierunek poprzez płynne restaking. Idea polega na tym, że aktywa takie jak BTC i ETH nie muszą być całkowicie bezczynne, podczas gdy są trzymane.
Dzięki reprezentacjom takim jak uniBTC i uniETH, te aktywa mogą uczestniczyć w systemach takich jak Babylon i EigenLayer, podczas gdy użytkownik nadal utrzymuje ekspozycję.
Ciekawą częścią nie jest tylko zysk.
To zmiana w sposobie myślenia.
Z "posiadaj i czekaj" na "posiadaj i przyczyniaj się."
I to powoli zmienia, jak ludzie definiują wartość w kryptowalutach.
@Bedrock #Bedrock $BR

Ciągle wracam do prostej frustracji w krypto.
Ludzie uwielbiają rozmawiać o płynności. Wykresy TVL. Zachęty. "Głębokie rynki." To wszystko.
Fajnie. Oczywiście.
Ale potem próbujesz handlować, a coś wydaje się… nie tak. Nie zepsute dokładnie. Po prostu lekko mechaniczne, jakby system robił matematykę zamiast zachowywać się jak rynek.
I ta luka niepokoi mnie bardziej, niż powinna.
GeniusFi staje w tej luce.
Nie w efektowny sposób. Żadne "rewolucyjne momenty DeFi". Raczej cicha zasada, która jest kwestionowana:
co jeśli płynność nie powinna być wcale pasywna?
To jest ta niewygodna część.
Ponieważ większość AMM to w zasadzie maszyny do ustawienia i zapomnienia. Wkładasz kapitał, formuła przejmuje kontrolę, a wszyscy udają, że to równa się "tworzeniu rynku". Ale każdy, kto obserwował prawdziwe rynki, wie… że tak nie jest.
Prawdziwi makerzy rynku nie śpią na pozycjach. Nie "zapewniają płynności" i odchodzą. Dostosowują się ciągle. Zacieśniają tutaj. Poszerzają tam. Zmniejszają ryzyko, gdy sytuacja staje się dziwna. A potem wracają, gdy się uspokaja.
To jest aktywne. Bałaganiarskie. Ludzkie, nawet jeśli jest zautomatyzowane.
PropAMM zwraca się w stronę tej rzeczywistości.
I tak, będę szczery—podoba mi się ten kierunek. Nie dlatego, że brzmi sprytnie, ale dlatego, że wydaje się bliższy temu, jak rynki już zachowują się poza krypto.
Tu zachodzi subtelna zmiana, którą ludzie mogą przegapić, jeśli patrzą tylko na liczby.
Kiedyś pytaliśmy: ile kapitału jest w systemie?
Teraz lepsze pytanie może brzmieć: jak dobrze ten kapitał naprawdę działa?
A gdy spojrzysz na to w ten sposób, pasywna płynność zaczyna wydawać się… niekompletna. Jak wczesny szkic tego, czym powinien być rynek.
Może nawet konieczny wczesny szkic. Ale wciąż.
Czegoś brakuje.
A GeniusFi zasadniczo wskazuje na ten brak, nie robiąc przy tym wielkiego przemówienia.
Co, szczerze mówiąc, szanuję.
@GeniusOfficial #genius $GENIUS

Kiedyś myślałem, że płynność to prosta sprawa.
Więcej kapitału w puli = lepsze doświadczenie tradingowe.
Im dłużej obserwowałem rynki, tym mniej byłem przekonany.
Bo płynność to nie tylko kwestia ilości kapitału. Chodzi o to, jak szybko ten kapitał może zareagować, gdy rynki się poruszają.
To właśnie czyni tezę GeniusFi interesującą dla mnie.
Zamiast traktować płynność jako coś statycznego, model PropAMM koncentruje się na ciągłej aktualizacji ofert przez aktywnych market makerów.
Brzmi technicznie, ale rezultat jest dość prosty:
Lepsza wycena. Mniejsze slippage. Bardziej efektywne rynki.
Może następna ewolucja DeFi nie przyjdzie z większych pul płynności.
Może przyjdzie z inteligentniejszej płynności.
@GeniusOfficial #genius $GENIUS

Pamiętam, jak po raz pierwszy próbowałem wyjaśnić zyski z BTC komuś spoza krypto. Zdołałem mówić może 20 sekund, zanim przerwał mi i zapytał: „Więc… wciąż to mam, prawda? Czy nie?”
To pytanie utkwiło mi w głowie bardziej niż jakikolwiek wykres APY.
Bo to jest prawdziwe napięcie w tym wszystkim.
Bedrock wkracza dokładnie w tę chaotyczną przestrzeń. Nie w hype — w tę niewygodną część, gdzie ludzie chcą zysku, ale nie chcą tracić kontroli. BTC i ETH zazwyczaj tylko tam siedzą, prawie nietykalne, jak cyfrowe aktywa skarbowe, które nic nie robią poza bezpiecznym istnieniem. uniBTC i uniETH od Bedrock zmieniają tę postawę trochę. To same aktywa, ale teraz mogą naprawdę działać — uczestniczyć w systemach restakingowych jak Babylon i EigenLayer — bez przekształcania się w coś nierozpoznawalnego.
I tak, to ma większe znaczenie, niż się wydaje.
Projekt non-custodial brzmi jak modne hasło, dopóki naprawdę nie zależy ci na tym, co się dzieje, gdy coś idzie źle. Tutaj własność nie zostaje zatarte tylko dlatego, że zysk wchodzi w grę. To rozdzielenie jest… szczerze mówiąc, niedoceniane na rynku, który uwielbia cicho wymieniać kontrolę na zwroty.
Bedrock 2.0 wydaje się pchać tę ideę dalej, ale w mniej efektowny sposób, niż ludzie się spodziewają. Nie „więcej zysku”, nie „nowa narracja”. Raczej dokręcanie śrub, które już były luźne. Sprawianie, by płynność BTC i ETH zachowywała się mniej jak rozrzucone kawałki w różnych protokołach, a bardziej jak coś spójnego. Mniej fragmentacji, więcej przepływu. Przynajmniej w teorii.
To, do czego wracam, to: krypto tak naprawdę nie ma problemu z zyskiem. To problem z koordynacją.
A Bedrock 2.0 zasadniczo stara się sprawić, by te ruchome części przestały walczyć ze sobą.
Czy to rozwiązuje wszystko? Prawdopodobnie nie. Ale to jeden z tych projektów, w którym można poczuć kierunek — jak system powoli uczy się traktować kapitał jako coś aktywnego, a nie tylko zaparkowanego.
@Bedrock #Bedrock $BR

Kilka miesięcy temu zrobiłem transakcję, która wyglądała idealnie na papierze.
Rynek wydawał się płynny. Pula wyglądała na głęboką. Wszystko sugerowało, że transakcja powinna przebiec gładko.
Potem transakcja przeszła.
Cena, którą faktycznie otrzymałem, była wyraźnie różna od ceny, której się spodziewałem.
Nic nie było zepsute.
Płynność była obecna.
Ale to doświadczenie uświadomiło mi coś ważnego:
Płynność i realizacja to nie to samo.
Od tego czasu coraz bardziej interesuję się tym, jak rynki kryptowalutowe faktycznie funkcjonują pod powierzchnią.
To jeden z powodów, dla których GeniusFi przykuł moją uwagę.
Większość dyskusji w DeFi koncentruje się na przyciąganiu większej płynności.
Więcej TVL. Więcej kapitału. Więcej pul.
Ale GeniusFi podchodzi do problemu z innej perspektywy.
Zamiast pytać: "Jak zdobyć więcej płynności?" pyta:
"Jak sprawić, by płynność lepiej reagowała?"
Pomysł stojący za jego modelem PropAMM jest zaskakująco prosty.
Tradycyjne AMM są w dużej mierze pasywne. Płynność siedzi w pulach, czekając na transakcje.
GeniusFi wprowadza model, w którym profesjonalni makerzy rynku aktywnie aktualizują notowania w oparciu o zmieniające się warunki rynkowe.
Mówiąc prosto:
Tradycyjne AMM przechowują płynność.
PropAMM dostosowują płynność.
Ta różnica może brzmieć technicznie, ale implikacje są łatwe do zrozumienia.
Głęboka pula nie gwarantuje automatycznie dobrej transakcji.
Liczy się to, czy wyceny pozostają dokładne, gdy rynki się poruszają.
Tutaj pojawiają się takie pojęcia jak świeżość notowań.
Wycena, która była dokładna chwilę temu, może już być nieaktualna podczas zmienności.
Jeśli płynność może dostosowywać się ciągle, handlowcy mogą doświadczyć węższych spreadów, mniejszego slippage i lepszej realizacji ogólnie.
Osobiście uważam, że to wskazuje na większą zmianę, która zachodzi w DeFi.
Przez lata branża mierzyła sukces tym, ile kapitału było zablokowane w protokołach.
Teraz zaczynam myśleć, że lepszym wskaźnikiem może być to, jak skutecznie ten kapitał służy użytkownikom.
Ponieważ handlowcy nie interakcjonują z TVL.
Interakcjonują z realizacją.
@GeniusOfficial #genius $GENIUS

Kilka lat temu myślałem, że sekret lepszych rynków jest prosty:
Więcej płynności.
Jeśli jakiś protokół miał wystarczająco dużo kapitału w pulach, zakładałem, że reszta sama się ułoży.
Im dłużej studiuję DeFi, tym mniej jestem przekonany.
Co zmieniło moją perspektywę, to zrozumienie, że płynność i użyteczna płynność to nie to samo.
Pieniądze mogą leżeć w puli przez cały dzień, ale rynki ciągle się poruszają. Ceny się zmieniają. Informacje się zmieniają. Ryzyko się zmienia.
Dlatego GeniusFi przykuło moją uwagę.
Zamiast traktować płynność jako pasywny towar, jego model PropAMM pozwala profesjonalnym twórcom rynku aktywnie zarządzać ofertami i dostosowywać się do warunków rynkowych w czasie rzeczywistym.
Na pierwszy rzut oka to brzmi jak drobny szczegół techniczny.
Nie sądzę, żeby to było takie małe.
To wydaje się być zmianą w tym, jak myślimy o samej płynności.
Tradycyjne AMM zakładają, że płynność powinna siedzieć i czekać.
GeniusFi zadaje inne pytanie:
Co jeśli płynność mogłaby ciągle się dostosowywać?
Interesująca część nie dotyczy tylko węższych spreadów czy lepszej egzekucji.
To idea, że płynność on-chain mogłaby stać się bardziej responsywna, bardziej inteligentna i bardziej zgodna z tym, co rynki naprawdę robią.
Może właśnie w tym kierunku zmierza DeFi.
Nie w stronę większych pul.
W stronę mądrzejszej płynności.
I szczerze mówiąc, im więcej o tym myślę, tym bardziej wydaje się to naturalną ewolucją zdecentralizowanych rynków.
@GeniusOfficial #genius $GENIUS