平凡的蛙里奥

Antes eu tinha visto aqueles portões automáticos de detecção em shoppings: normalmente ficam trancados; quando alguém chega, faz um “scan” do rosto. Se você é membro, ele abre; se não, fica travado.

Essa lógica parece simples. Mas e se a gente quiser substituir isso por algo em cadeia? Você quer colocar um “portão de detecção” desses num cofre DeFi.

Quando eu folheei os materiais do @NewtonProtocol , descobri que o VaultKit deles está exatamente mirando esse tipo de portão. Ele transforma as regras em código e, antes da transação ser realmente confirmada, bloqueia por uma etapa. Por exemplo, se você administra um cofre: antes você só conseguia prometer ao usuário verbalmente para não investir aleatoriamente. Mas, se um dia houver um deslize ou o sistema for hackeado, se o dinheiro sair, não dá para recuperar.

A abordagem do VaultKit é “soldar” as regras — por exemplo, limitar o valor por transação, permitir investir apenas em alguns protocolos. Essas regras são revisadas primeiro pela rede de operadores da Newton antes que a execução ocorra. Se aprovada, eles fazem uma validação com um comprovante de assinatura BLS e só então o contrato do cofre libera. Se não passar, a transação morre na porta.

O que eu admiro é essa ideia de trocar “confiança” por “coação”. Não depende do administrador do dinheiro agir por consciência; depende de um conjunto de controles automatizados que ninguém consegue contornar. Isso agrada muito instituições: elas não têm medo de regras em grande quantidade, têm medo de que, na cadeia, as regras virem só enfeite.

Mas os limites também precisam estar claros. Se esse controle de acesso aguenta ou não, depende de o script Rego estar suficientemente detalhado e de as fontes de dados que ele usa serem confiáveis. Se houver brechas na estratégia, ou se o oracle de precificação for manipulado, esse portão ainda pode ser empurrado e aberto (isso é uma inferência que faço seguindo essa estrutura de dependências — não é dizer que já tenha acontecido algum caso agora).

Além disso, cada transação precisa passar primeiro por um “tour” na Newton para obter autorização. No meio, a latência pode ser um problema sério para trading de alta frequência.

Então, como eu vejo isso: o VaultKit é o primeiro muro de isolamento “físico” que a Newton colocou nos cofres DeFi. Essa jogada é bem pragmática. Mas o valor não está apenas em quão grosso é esse muro e sim em quantos cofres realmente se atrevem a entregar a chave para essas regras automatizadas.

Menos conversa fiada sobre segurança: observe mais de perto, nos cofres que integraram o VaultKit, quanto dinheiro de verdade está rodando.
$NEWT #Newt

公司以前出过一档子事，财务报销审批签字的人说审过了，可真出了问题谁也拿不出当时到底按没按规矩查的证据

后来上了个系统，每一步审批都留痕、谁都能回去复核，这事才算压住

今天看到 @NewtonProtocol 白皮书到争议解决那章，想到的就是这个。它最狠的地方不在于操作员签字说这笔合规，而在于签完之后这事还没完

它把签了和算数拆开了。操作员签完一个授权，链上先记着，但这时候是临时的，不能直接拿去放行交易。后面有个挑战窗口，谁都能来挑刺，不光是注册操作员，审计的、做监控的机器人、甚至竞争对手都行。窗口里没人能证明它错，它才正式生效。说白了签字只代表签了，不代表对

挑刺也不是吵架吵赢，是拿数学说话。挑战者发现结果对不上，就把那条 Rego 策略丢进零知识虚拟机重跑，跑出一张证明，证明这套规则配上这组数据本该是这个结果，跟你们签的不一样

合约只认证明对不对，不投票不靠人拍板。签错的操作员，质押的 ETH 当场被罚掉一截

我欣赏的是它把信任从人身上挪走了。它不要求操作员老实，赌的是没人愿意拿真金白银去赌一个能被数学当场拆穿的谎

但有个疑问我没放下。白皮书自己也承认初期操作员是许可制的，选出来、合规审过的图的是质量和问责，代价是去中心化打了折

这批人会不会形成默契，光靠罚钱够不够，得看挑战机制真有没有人用（这是我顺着许可制结构做的推断，不是说现在就出事了）

所以怎么看。Newton 把可验证落到了能罚款的地步，不是嘴上说说，这步在合规赛道里算扎实。但它的命脉不在签字多快，在那个挑战窗口里有没有人真去挑——少盯它喊的去中心化口号

多去盯主网上有没有出现过第一笔成功的挑战
$NEWT #Newt

6.30 EUA ações｜Queda de cinco dias finalmente acabou! Nasdaq dispara 2% e Tesla dispara 8%​
Irmãos

As emoções de baixa que ficaram contidas por uma semana foram, finalmente, viradas de cabeça para baixo na noite passada (29/6)
Os três principais índices subiram forte ao mesmo tempo: o Nasdaq disparou 2,07% para 25.820, encerrando a fase fraca de cinco pregões seguidos; o S&P subiu 1,18%; e o Dow subiu ainda mais — avançou 0,59%, pela primeira vez acima de 52.000 pontos, batendo nova máxima histórica

O estopim da recuperação foi o alívio geopolítico: EUA e Irã concordaram em pausar ataques mútuos e, hoje ainda, continuarão as negociações do Estreito de Ormuz em Doha, no Catar

Mas o que realmente acendeu o pregão foram alguns catalisadores bem “duros”:
Primeiro, Tesla explodiu e subiu 8,46%, voltando para cima de US$ 400.​ Musk declarou que o desempenho do Grok 4.5 em testes da xAI está perto ou até superando o da Claude; além disso, o JPMorgan ajustou para cima a expectativa de entregas do 2º tri para 413 mil unidades, e os touros foram direto ao modo turbo. A SpaceX subiu junto (+7%) e o tema espaço decolou em conjunto: a Rocket Lab anunciou uma aquisição de US$ 8 bilhões na Iridium e disparou 16%.

Segundo, Google “estreia no Dow” sobe perto de 5%.​ Ontem, ele oficialmente substituiu a Verizon no Dow, tornando-se o 5º integrante das Mag7 a entrar no Dow — carga simbólica máxima, e também uma das forças por trás da alta do Dow acima de 52.000

Terceiro, ações de semicondutores fazem uma contra-ataque desesperado.​​ Este é o momento mais digno de atenção — durante o pregão, o índice de semicondutores da Filadélfia chegou a cair mais de 3%, mas no fim do dia virou e fechou no verde, subindo 3,83%. O catalisador foi a Coreia lançar o maior plano de chips da história: investir por cinco anos 800 trilhões de won sul-coreanos para construir quatro fábricas, com capacidade de DRAM dobrando
As empresas de equipamentos foram direto ao lucro: Applied Materials subiu 10,8% e a alta no mês já passou de 50%; a KLA subiu 12%

Mas aquela “linha-mãe” de “intriga interna” que acompanhamos semana passada ainda está em andamento: ações de memória como Micron e SanDisk chegaram a cair mais de 6% intraday (e ainda lidam com uma ação coletiva acusando Samsung e SK hynix de manipular preços de DRAM). Só no fim do pregão, com a reversão do índice amplo, conseguiram recuperar por pouco.
A Apple ainda não conseguiu respirar, caindo 0,72%, e a Microsoft caiu 1,2%

Em resumo: esta rodada de recuperação tem três motores em conjunto — alívio geopolítico + grande pedido de chips na Coreia + história da Tesla — e os touros comemoram aliviados, mas sem ficar exaltado demais

O verdadeiro “chefe” desta semana chegou adiantado — os dados de emprego (nonfarm payrolls) saem nesta quinta (2/7) (antecipados por causa do feriado do Dia da Independência), além do discurso do presidente do Fed, Waller, no fórum de Sintra. O PCE da semana passada acabou de confirmar a alta da inflação, e as apostas de aumento de juros no ano ainda seguem esquentando. Emoções à parte, na quinta o nonfarm é o martelo que define a direção
#美股超话

Hoje eu tiro @OpenGradient e acho que é algo muito crucial. Chama-se MemSync, a camada de memória de longo prazo feita para a IA.

Essa peça é especialmente fácil de ser ignorada, porque não parece “sexy”. Mas quem já usou um agente de IA sabe exatamente onde dói.
Os grandes modelos em si não têm memória: termina esta conversa, eles esquecem o que você contou ontem — preferências, hábitos de operação da semana passada — e não guardam nada. Então toda vez você precisa reenviar o contexto. Isso gasta tokens e deixa o sistema mais burro.

O MemSync faz justamente para suprir essa lacuna. Ele consegue extrair informações da conversa, organizá-las, armazená-las e depois recuperá-las quando forem necessárias.

Por que essa etapa é tão importante para a OpenGradient? Porque é essencial olhar o tabuleiro inteiro em conjunto. O objetivo da rede não é apenas rodar uma inferência uma vez; é fazer com que o agente realmente trabalhe em cadeia por muito tempo. Mas um agente sem memória não consegue manter tarefas de longo prazo. Você não consegue permitir que ele gerencie uma estratégia contínua, nem que acompanhe um objetivo de longo prazo.

O MemSync completa essa deficiência: separa a memória do modelo e a transforma em uma camada sustentável. A partir daí, o agente finalmente pode ser algo mais personalizável e “com personalidade”.

Eu mesmo testei aquele tipo de bot que perde a memória a cada rodada; a experiência é realmente péssima. Por isso o valor disso existe ou não — quem usou sabe.

O que eu admiro é a completude desse desenho. Muitos projetos de IA focam só em ser rápido no raciocínio, ou ter provas “fortes”, e assumem que a questão de memória padrão é algo que a aplicação é que deveria resolver.
A OpenGradient trata a memória também como parte de infraestrutura. Isso significa que o que ela quer fazer não é apenas uma compra e venda de poder computacional para um uso pontual, e sim fornecer a base para a sobrevivência de agentes por longo prazo.

Mas o limite precisa ficar bem claro: quanto mais memória se guarda e por mais tempo, mais complexos ficam os problemas de privacidade e de titularidade dos dados.

De quem são essas memórias extraídas e armazenadas? Elas podem ser realmente apagadas? Essa é uma faca de dois gumes: ao mesmo tempo que melhora a capacidade, também traz responsabilidade. (Esta parte é a minha inferência sobre os problemas típicos de uma camada de memória; não estou dizendo que ela já tenha um problema agora.)

E o valor da camada de memória só aparece quando o agente realmente roda. Sem agentes em execução contínua, por melhor que seja a camada de memória, ela fica vazia.

Então, como eu vejo o MemSync: ele é uma peça visionária que a OpenGradient usa para sair de inferência pontual e caminhar para agentes de longo prazo.

Será que um agente realmente consegue sobreviver usando isso? Não subestime o quanto a memória foi bem feita; observe melhor quantos agentes na rede estão realmente rodando continuamente — e que não conseguem ficar sem essa memória. #OPG $OPG

6.29 pré-mercado dos EUA｜Cúpula de IA de Riad começa hoje; o tema é só uma palavra: IA soberana
Irmãos

Antes da abertura da nova semana, vamos focar primeiro no que acontece hoje (29/6) na Arábia Saudita: a cúpula Global AI Show de Riad, oficialmente inaugurada. Serão dois dias seguidos com três eventos no mesmo palco: mostra de blockchain e de jogos

Não trate isso como uma feira setorial comum — o tema desta vez é “IA 2030: acelerando o futuro inteligente”. Ele faz um paralelo direto com a “Visão 2030” da Arábia Saudita. Entre os mais de 10 mil participantes, mais de 70% são executivos C-level. Entre os convidados anteriores estão a Aramco, AWS, Google DeepMind, IBM, Goldman Sachs e o NEOM (cidade inteligente).
Em outras palavras: é o petróleo em dólares do Oriente Médio sistematicamente investindo pesado para construir IA

O que vale mais a pena observar na agenda é a primeira das seis linhas mestras — IA soberana e infraestrutura nacional de IA (Sovereign AI & National AI Infrastructure). As outras cinco são: IA generativa e Agentic AI; Cloud 3.0 e data centers; IA aplicada a setores-chave como saúde e finanças; aplicações de IA no setor de energia; e talentos em IA e construção nacional

O discurso de abertura é sobre a estratégia de força de trabalho da Arábia Saudita para 2030. Em seguida vêm sessões dedicadas à infraestrutura nacional de capacidade de computação e às decisões de investimento em IA por executivos C-level. A lista de convidados também é toda de “compradores com dinheiro”: Chief Transformation Officer da Saudia, diretor de IA e automação do NEOM, CTO da Red Sea Global e CIO do Corpo de Guardas Nacionais

Por que isso tem a ver com o mercado dos EUA
Porque coincide exatamente com aquela “sensibilidade” que o mercado estava mais confuso na semana passada: a IA está ou não sobreaquecida?

Na semana passada, a Micron soltou uma orientação no calibre de “bomba nuclear”, anunciando 50 bilhões, reforçando que a demanda por memória ligada à IA continua acelerando. Só que a Apple não aguentou o aumento de custos de armazenamento: foi obrigada a subir preços do MacBook, e as vendas despencaram 6%, puxando a queda do Nasdaq de 4,6% na semana. Vendeu a pá, comprou a pá — e foi enterrado vivo

A cúpula de Riad está entregando munição para a narrativa dos compradores: quando um país soberano escreve “infraestrutura nacional de capacidade de computação” e “IA soberana” nos seus planos nacionais e reúne todo mundo para investir pesado, a tese de que “a demanda por IA atingiu o topo” fica bem difícil de sustentar. Isso é bom para a cadeia de infraestrutura “dura” — capacidade de computação, data centers e chips — e não para eletrônicos de consumo que são esmagados pelos custos

Mas não fique só com o tema no alto: o verdadeiro chefe da semana está atrás — na sexta-feira, os dados de Nonfarm Payrolls (non-farm) e as falas do novo presidente do Fed, Waller. Na semana passada, o PCE confirmou a volta da inflação; os operadores já começaram a apostar que pode haver mais um aumento de juros ainda este ano
Resumindo: Riad acende o lado emocional do enredo de IA — que pode influenciar a direção do grande índice — mas a questão-chave, no fim das contas, é juros: “tema vira macro”, e macro vira a referência #美股超话

Hoje vamos falar do @OpenGradient um componente que foi ignorado pela galera das “preferências por preço”.

O Model Hub dele, na essência, é um repositório sem licença onde qualquer pessoa pode enviar modelos. No começo eu achei que fosse só uma loja de modelos; ao entrar na documentação, percebi que não é tão simples.

Ele é um repositório permissionless (sem permissão), compatível com quase todas as arquiteturas de modelos. Você envia o modelo e ele pode ser chamado para inferência na rede imediatamente.

Em outras palavras: não existe uma barreira de aprovação entre “enviar” e “poder usar”. Isso é diferente dos mercados centralizados de modelos que exigem aprovação pela plataforma antes de publicar.

Por que essa etapa é importante? É preciso olhar em conjunto com o que veio antes. Mesmo que o pacote de OpenGradient para inferência verificável seja muito forte, o pré-requisito é que exista de fato um modelo rodando na rede. De onde vêm esses modelos? Deixar que a própria plataforma vá juntando um por um seria lento demais. Então eles abriram a porta e deixaram os desenvolvedores enviarem seus próprios modelos.

Os números que dá para verificar agora são: mais de dois mil modelos hospedados e mais de cem desenvolvedores. Para uma rede ainda em estágio inicial, essa escala mostra que a estratégia de abrir a porta realmente atraiu coisas para dentro. E, somado à Python SDK e aquele pacote de ferramentas do LangChain, os desenvolvedores conseguem enviar seus modelos e empacotá-los como ferramentas que agentes podem chamar.

Eu aprecio essa abordagem de terceirizar o lado da oferta. Eles não tentaram ser o provedor único de modelos; em vez disso, criaram uma base para que os modelos circulem como pacotes npm — sendo transmitidos e reaproveitados. Essa abertura é o que sustenta escala. Ficar apenas no “produto interno e venda interna” nunca cresce.

Mas os limites precisam ser bem claros. “Sem licença” é uma faca de dois gumes: quanto mais aberta a porta, mais variados os itens que entram. Entre os dois mil modelos, quantos realmente são bons? Quantos foram enviados só para ocupar espaço, como zumbis? Olhar apenas o total não revela nada. Mercados centralizados têm a barreira da revisão — é chato, mas bloqueia lixo. No permissionless, remove-se a parede; o custo passa para o usuário: o esforço de descobrir quais modelos são realmente bons (essa é minha inferência sobre o “calcanhar de Aquiles” de repositórios abertos; não estou dizendo que já funcione assim do jeito descrito).

No fim, o que o repositório disputa não é “quem tem mais modelos”, e sim “quem tem capacidade de fazer os bons modelos emergirem”.

Então, como interpretar o Model Hub? Ele é o motor do lado da oferta do OpenGradient; abrir a porta para atrair modelos é uma jogada certa.

Mas lembre: o valor do repositório não está em quantos modelos ficam empilhados, e sim em quantos estão sendo usados de verdade. Não foque tanto no total de modelos; observe quantos, entre esses dois mil, estão rodando de forma real todos os dias. Quantos: #OPG #OpenGradient $OPG

6.28Resumo da semana das ações dos EUA
Irmãos

Na última semana do primeiro semestre, o índice se dividiu completamente em dois mundos: o Nasdaq despencou 4,6%, caiu por cinco dias seguidos, enquanto o S&P caiu 2%; já o Dow, ao contrário, subiu 0,6% e ainda atingiu máximas históricas intradiárias (52655 pontos)

A linha-mestra é só uma: a mesma cadeia do setor de IA — quem vende pás é coroado, quem compra pás é enterrado vivo.

Na quarta-feira após o pregão, o resultado da Micron explodiu o teto: receita do 3T de 41,46 bilhões (a expectativa era apenas 35,7 bilhões), margem bruta de 84,9%. A orientação para o 4T já saiu com 50 bilhões (Wall Street no máximo previa 43,2 bilhões). Toda a memória HBM foi vendida, e os pedidos só conseguem atender metade.

As ações já subiram 244% neste ano, e a capitalização passou de 1 trilhão. Isso equivale a “matar” o pânico de “a IA está exagerando?” com pedidos em dinheiro vivo.

Mas o lado surreal é: mesmo com essa explosão da Micron, o Nasdaq ainda caiu 0,46% na quinta-feira. Porque a conta de aumento de preços da memória veio para baixo — a Apple anunciou que MacBook e iPad vão subir preços; Cook foi direto: não dá para absorver o custo dos chips de armazenamento, então terá de repassar ao consumidor. No dia, a Apple despencou 6,1%, a maior queda diária desde abril de 2025; a Microsoft caiu 3,5% e a Meta caiu 2%.

A lógica é clara: a cadeia de armazenamento lucra demais, mas a Mag7 — que compra memória — é esmagada pelo custo. O dinheiro sai direto das ações de tecnologia com valuation alto e vai para “baratas” cíclicas como Caterpillar e Goldman Sachs — é essa a razão fundamental para o Dow bater recorde e o Nasdaq desabar.

O macro também está jogando gasolina: o PCE confirmou a inflação voltando (core 3,4%, maior patamar desde outubro de 2023). Os traders começam a apostar que ainda haverá mais um aumento de juros no ano, pressionando o valuation da tecnologia. Por sorte, a queda do preço do petróleo ajudou as cíclicas — com o WTI passando de 70.

Resumindo: o sinal mais importante para entender esta semana é um só — nem mesmo uma bomba-relógio de alta como a orientação de 50 bilhões da Micron conseguiu impedir a queda do Nasdaq. A demanda por IA é real, mas o dinheiro já não está nos grandes nomes de tecnologia; está migrando para o ciclo de valor. No segundo semestre, não volte a correr atrás da Mag7 de olhos fechados — acompanhe de perto esta linha-mestra de rotação #美股超话

Hoje troco o ângulo e analiso o @OpenGradient : a escolha em nível estratégico

Em vez de criar uma blockchain “tudo-em-um”, ele preferiu ser, com tranquilidade, um coprocessador

No começo eu não liguei muito para isso; depois fui pensando mais e mais e percebi que era justamente a forma mais inteligente e contida

A própria posição oficial resume em uma frase: ele não é uma blockchain standalone; é um coprocessador de IA. Ele é especializado em receber, para outras aplicações, outras chains e outros agentes, aqueles trabalhos pesados que exigem GPU. Ele não toma seu terreno: só faz aquela parte que você não consegue fazer

Por que essa é uma boa escolha? É preciso olhar pelo que acontece “no buraco”. Nos últimos dois anos, quem quer fazer uma blockchain para IA é só apontar e tem um monte. A maioria quer absorver, tudo na mesma corrente: inferência, consenso e aplicações. No fim, o resultado costuma ser: quer fazer demais, e faz tudo mal.
IA e consenso blockchain são duas coisas diferentes; enfiar tudo em uma única chain só deixa ambos os lados meio desconfortáveis. A OpenGradient simplesmente assume que faz apenas a parte de computação: quem precisa de inferência verificável chama. Depois de computar, ela devolve a prova. A lógica de aplicação e os ativos continuam na cadeia original. A camada de baixo usa um Cosmos SDK maduro com EVM, sem reinventar a roda

Eu admiro essa postura não gananciosa. Um protocolo DeFi querer adicionar uma avaliação de IA à estratégia, sem migrar tudo para uma nova chain: basta emitir uma chamada na própria chain. Dinheiro e usuários nem se mexem

Esse tipo de integração “plug-and-play” tem uma barreira de entrada muito menor do que fazer as pessoas mudarem de lugar inteiro

Por trás estão a16z crypto e Coinbase Ventures. Foram US$ 9,5 milhões em financiamento, mas a meta é a mesma: infraestrutura — só que os limites precisam estar bem claros

O que significa ser um coprocessador? Significa que ele se coloca no meio da cadeia de valor. A vantagem é que todo mundo consegue usar; a desvantagem é que ele não controla diretamente usuários e ativos, então o poder de barganha é naturalmente mais fraco. O coprocessador vende serviços de chamada e pode ser substituído a qualquer momento por um similar mais barato e mais rápido. Onde vem a “aderência” (stickiness)? Esse é um problema real (é a minha inferência sobre o cenário competitivo, não algo que já tenha acontecido)

Atualmente, a “vala” dele está apoiada em verificabilidade. Só que, se isso virar padrão da indústria, quanto de diferença ainda vai restar? Vale a pena perguntar

Então, como encarar esse posicionamento? Ser coprocessador é o lado pragmático da OpenGradient: ela não trata “emitir uma chain” como uma crença, e sim se encaixa nos fluxos dos outros. Esse caminho tem uma adesão rápida e não cria inimigos, mas também é inevitável que ela precise provar repetidamente, pela qualidade do serviço, que merece ser chamada

Olhe menos para qual blockchain ela está tentando imitar; concentre-se mais em quantas aplicações, depois de conectadas, continuam voltando para ajustar #OPG #OpenGradient $OPG

Hoje “farei a varredura” do @OpenGradient , um detalhe que costuma ser ignorado. O token não foi emitido para ser negociado; ele serve para pagar contas.

Muitos projetos de IA têm tokens. Quando eu leio o whitepaper, sempre surge uma dúvida: além de voto, para que mais isso serve? A resposta da OPG é bem direta: a cada chamada de IA verificada na rede, no final, ela precisa ser liquidada com isso. A documentação é bem objetiva: a etapa de pagamento já está embutida no fluxo de inferência. Se você quer usar essa capacidade de computação verificável, não dá para contornar esse token — ele ainda separa o fluxo em dois caminhos, conforme a “carga” do trabalho.

As inferências do tipo LLM seguem o x402; a OPG roda na Base e liquida via Permit2. Há um facilitador que valida o dinheiro, confirma que a conta entrou, e só então libera a inferência. Já as inferências de ML seguem o PIPE, e o pagamento é tratado nativamente diretamente na própria blockchain do OpenGradient.

Ao que parece, diferentes formatos de chamadas cobram por trilhas diferentes, em vez de forçar tudo em um único “canal” só para facilitar.

Eu aprecio essa forma de “soldar” o token ao uso real. A oferta total da OPG é fixa em um bilhão, sem emissão infinita. O valor acompanha o número de vezes que ela é chamada: quanto mais chamadas, mais sustentação. Isso não é a mesma lógica de moedas que dependem apenas de narrativa para justificar valuation.

O que dá para verificar é que já foram processadas mais de um milhão de inferências e são mais de dois mil modelos hospedados: no pipeline, de fato há algo circulando.

Mas os limites precisam ser explicados. Atrelar valor ao volume de uso é uma espada de dois gumes: se o volume realmente crescer, o token terá lastro; se não crescer, mesmo com um mecanismo de liquidação bem bonito, vira apenas um “pipeline vazio”. A tabela de desbloqueio também precisa ser mostrada: a ecossistema fica com 40%, o TGE libera só 10% e os outros 60 meses são liberação linear. Para os contribuidores centrais e investidores, ainda há um “cliff” de 12 meses. Nos próximos anos, a pressão vendedora é estrutural (isso é uma inferência baseada no cronograma de desbloqueio, não quer dizer que vá haver um dump garantido).

Do lado da oferta, a liberação continua. Do lado da demanda, tem que entrar um volume equivalente de chamadas reais.

Então, como eu vejo a OPG: ela transforma o token em uma porta de entrada de cobrança da rede, e não em um enfeite colocado na governança. Em meio a várias moedas de IA que só ficam girando em círculos, isso parece bem sólido.

Mas o seu “ponto vital” não está em quão sofisticado é o mecanismo, e sim se aquelas mais de um milhão de chamadas conseguem continuar subindo — menos foco em desbloqueio e preço, e mais foco em saber se o número de inferências liquidadas diariamente por uso real está aumentando #OPG #OpenGradient $OPG

6.26 Antevisão das ações dos EUA: Micron não consegue puxar e Apple atrasa

Irmãos, hoje é sexta-feira. No pré-mercado dos EUA, os futuros continuam caindo.

Primeiro, vamos recapitular ontem, ou seja, 25 de junho. A Micron disparou +15,7%, puxando uma série de semicondutores de memória: a SanDisk subiu +22%, a Applied Materials +13% e a Western Digital +5%.

Mas o Nasdaq ainda caiu -0,46%, pela quarta sessão consecutiva em baixa. A culpa foi toda do Big Tech: Apple caiu -6,1% porque MacBook e iPad anunciaram aumento de preços; Microsoft -3,5%; Nvidia -1,6%; Amazon -3,1%; Meta -2,7%. O Dow, por outro lado, subiu por causa de Caterpillar e Merck, ou seja, ações não-Tech.

Essa briga dentro do setor provavelmente vai continuar hoje. Vender memória (Micron) está rendendo muito; comprar memória (Apple e Mag7) está sendo esmagado pelos custos. Na mesma cadeia da indústria de IA, upstream e downstream vivem dois mundos diferentes. Hoje, no pré-mercado, o Big Tech segue fraco e acabou arrastando os futuros para baixo.

O pano de fundo macro não mudou: ontem o PCE confirmou que a inflação voltou a subir: total 4,1% e núcleo 3,4%, atingindo a maior alta desde outubro de 2023. O PIB do 1º trimestre ainda foi revisado para cima.

Com economia forte e inflação “pegajosa”, a discussão sobre se o Fed vai ou não aumentar juros ainda segue no ar — e é isso que está pressionando as valorizações de tecnologia. O preço do petróleo até ajuda: o WTI caiu abaixo de 72, a menor mínima desde o fim de fevereiro.

Hoje ainda tem duas coisinhas.

1) O índice final de confiança do consumidor da Universidade de Michigan, em junho.

2) Este é o último pregão do 1º semestre; fique atento aos ajustes de posição dos grandes fundos no fim do mês e no semestre, que podem ampliar a volatilidade.

Em resumo: é um mercado em que ações individuais têm destaques, mas o índice não tem um “fio condutor” claro. A Micron prova que a demanda de IA é real. Mas a pressão de custos e a valorização alta do Big Tech estão arrastando o conjunto. Não se deixe levar a perseguir alta depois do salto da Micron: ela ficou dois dias sem conseguir sustentar o Nasdaq. Esse, por si só, já é o sinal que deveria ser entendido.#苹果股价跌6.1% #美光营收激增346%至415亿美元

Antes, falamos sobre @OpenGradient e como a validação da inferência é essencial. Hoje, vamos cobrir um pedaço do quebra-cabeça que muitos ignoram.
Aqueles dados que alimentamos na IA, são realmente confiáveis?

Isso é um grande buraco.

Por mais que o processo de inferência da IA seja protegido, se os dados que foram inicialmente alimentados forem manipulados, então, mesmo que o resultado seja "verificável", ele só estará seguindo um falso preceito.

Lixo entra, lixo sai; a prova não vai te ajudar. O mundo das cadeias depende muito de dados externos — preços, APIs, conteúdo de mídias sociais; tudo isso precisa ser puxado de terceiros, e é nesse momento que a manipulação é mais fácil.
A solução do OpenGradient é criar um tipo de Data Nodes para fazer esse trabalho sujo. Eles são nós protegidos por TEE que puxam dados de fora, e todo o processo acontece em um ambiente seguro de hardware.

Isso significa que nem mesmo os operadores dos nós podem ver ou alterar os dados que passam por eles. Em outras palavras, eles isolam a etapa de "obter dados" e a cercam com uma camada de seguro de hardware, garantindo que os dados do ponto de origem até o modelo não possam ser alterados em segredo.
Eu aprecio a integridade desse raciocínio.

Muitos projetos de IA só se concentram em "se o modelo está certo ou não", assumindo que os dados são limpos — essa é uma suposição perigosa. O OpenGradient avança a fronteira da confiança, não deixando escapar nem a entrada de dados. Cada etapa da cadeia, desde a coleta de dados, passando pela inferência até a validação, não depende do "quem você confia"; isso é o que torna o ciclo completo, ao invés de deixar uma porta dos fundos.

Mas a fronteira ainda precisa do TEE para garantir que "os dados foram coletados do ponto de origem sem alterações"; ele não pode garantir se essa origem está dizendo a verdade. Se os dados brutos de uma API estiverem errados ou contaminados, o Data Node só irá replicar esse erro.

Ele protege contra manipulação no caminho, não contra falsificações na origem. A confiabilidade da fonte ainda depende de você escolher a fonte de dados.
Portanto, como encaramos isso: os Data Nodes são a parte do quebra-cabeça que o OpenGradient trouxe para tornar a "verificabilidade" realmente completa.

Ele resolve a questão de "se os dados foram manipulados no caminho"; muitos projetos nem sequer consideraram essa perspectiva, mas lembre-se de seus limites — ele garante a segurança durante o transporte, mas não pode garantir a veracidade dos produtos na origem.
#OPG #OpenGradient $OPG

6.25 ações dos EUA｜Resultados da Micron
Fala, galera
Ontem à noite (24/6) os três principais índices estavam bem indecisos — Nasdaq caiu 0.43%, S&P caiu 0.10%, e Dow Jones subiu 0.35% por causa das ações cíclicas
Todo mundo estava segurando a respiração esperando os resultados da Micron
E no pós-mercado, a Micron simplesmente detonou tudo

O que aconteceu com os resultados foi absurdo: receita do Q3 foi de 41.46 bilhões (a expectativa era de cerca de 35 bilhões), EPS 25.11 (esperavam cerca de 20), margem bruta de 84.9%

Mas o que realmente causou a explosão foi a projeção do Q4 — deram uma previsão de 50 bilhões, muito acima das expectativas mais otimistas de Wall Street. O HBM4 já foi enviado em grandes quantidades para os principais clientes (aquela linha da NVIDIA). O preço das ações da Micron disparou cerca de 15% no pós-mercado

O significado desse relatório vai além da Micron. É como se eles tivessem respondido com pedidos de verdade a maior preocupação do mercado esta semana — "A demanda por IA está estourando, vai atingir o pico?". A resposta é: a demanda não só não atingiu o pico, como está acelerando

Então, a reação em cadeia veio rapidinho: os futuros da Nasdaq subiram 1.8% no pós-mercado, o KOSPI da Coreia do Sul abriu em alta de 6%, e os chips de memória que foram afetados pela crise na Ásia, provavelmente, hoje vão ser puxados de volta pela Micron

Outra linha também está ajudando: os preços do petróleo continuam caindo, Brent despencou 4.33% para 73.74, atingindo a mínima desde o conflito com o Irã, e o rendimento dos títulos do Tesouro a 10 anos caiu para menos de 4.4%. A pressão inflacionária aliviou no curto prazo, o sentimento de risco voltou, e o Bitcoin estabilizou na faixa dos 61000

Mas não relaxa muito cedo — hoje à noite ainda temos o verdadeiro grande boss: os dados de inflação PCE (horário de Brasília, 20:30)

A Micron resolveu a dúvida sobre "demanda de IA", enquanto o PCE vai responder a dúvida sobre "aumento de juros ou não", e este último é que vai decidir a direção no médio prazo. O mercado espera que o PCE continue subindo, se os dados forem fortes, esse otimismo aceso pela Micron pode rapidamente ser apagado por uma ducha de água fria da inflação

Resumindo: a Micron deu uma sobrevida à narrativa de IA, mas se não passar pelo PCE, ninguém deve comemorar antecipadamente #美光科技盘后涨10%

Hoje vamos falar sobre @OpenGradient um design que é um pouco contraintuitivo, mas que eu acho que mostra muita competência.
Ele não exige que toda vez que a IA faça uma inferência, use a verificação de segurança mais alta.
Pode parecer preguiça, mas na verdade é uma compreensão importante: segurança não é sobre ter mais, mas sim sobre ter o que combina melhor.

Ele oferece três níveis de opções para os desenvolvedores. O mais leve se chama Vanilla, roda mais rápido e não tem validação de hardware, ideal para situações onde um erro de cálculo não é um grande problema, como deixar a IA gerar algum conteúdo. O nível intermediário é o TEE, que usa um enclave de hardware para te dar uma prova de que o modelo realmente rodou como deveria, além de proteger a privacidade.

O mais robusto é o ZKML, que utiliza provas de conhecimento zero para fornecer evidências matemáticas irrefutáveis, mas que é lento e caro. Três níveis de confiança, três níveis de custo, e você escolhe. Por que eu digo que isso é uma compreensão clara?

A documentação oficial tem uma frase bem direta: forçar todos a usarem ZKML tornaria a rede tão pesada que ninguém conseguiria usar; mas se você só oferecer o TEE, vai deixar de fora cenários que precisam de provas matemáticas. Portanto, eles simplesmente criaram um espectro de confiança, permitindo que os desenvolvedores escolham conforme o cenário — um agente conversando pode usar o mais leve, enquanto DeFi lidando com dinheiro pode usar o mais pesado, e até misturar dentro de uma única transação.

Eu admiro esse pragmatismo sem rodeios. Neste setor, muitos projetos gostam de gritar que usamos a criptografia mais forte, como se quanto mais alta a classificação, mais digno de ser celebrado.

Mas colocar uma verificação de nível bancário em um chatbot é pura perda de tempo e dinheiro. Reconhecer que diferentes tarefas precisam de diferentes níveis de segurança é uma forma de controle que entende mais de engenharia do que simplesmente empilhar segurança.
Mas os limites também precisam ser claros.

Dar a escolha para os desenvolvedores é como passar o risco de uma má escolha para eles. Uma pessoa que tenta economizar e usa Vanilla em um cenário financeiro que deveria estar no TEE está basicamente desmontando sua rede de segurança; esse protocolo não pode ser responsabilizado por isso. Flexibilidade é uma espada de dois gumes; te dá liberdade, mas também exige que você realmente entenda qual nível seu cenário precisa.

Portanto, a validação em níveis é um aspecto pragmático do OpenGradient, que não trata a pureza da descentralização como uma crença, mas como uma ferramenta.
Se esse design consegue se transformar em uma adoção real, depende de ter desenvolvedores suficientes realmente usando e escolhendo o nível certo — mesmo a ferramenta mais flexível só faz sentido se alguém a usar corretamente.
#OPG #OpenGradient $OPG

Hoje, minerando @OpenGradient um design de base
O núcleo da arquitetura HACA se resume em uma frase
Separar completamente quem faz o trabalho e quem valida, ninguém deve acumular funções

Primeiro, vamos falar sobre os buracos a evitar
As blockchains tradicionais fazem com que cada nó de validação execute o mesmo cálculo repetidamente para alcançar consenso. Para transações simples, tudo bem, mas a inferência de IA requer GPU e leva vários segundos para processar; você quer que centenas de nós na rede recalculam o mesmo grande modelo um por um, o custo é absurdo e simplesmente inviável

É por isso que a maioria das blockchains públicas se dá mal com IA
A solução da HACA é a divisão de tarefas. Os nós de inferência são um grupo de trabalhadores GPU sem estado, especializados em executar modelos e gerar resultados, e ao final, geram uma prova; os nós completos nunca tocam no modelo

Fazem apenas uma coisa — verificam se aquela prova está correta e, em seguida, registram. Um só se preocupa em calcular, o outro só em checar, responsabilidades bem definidas, sem sobreposição. O custo para validar uma prova é muito mais barato do que recalcular a IA, mantendo a descentralização acessível a todos sem sobrecarregar a rede
Eu admiro a moderação desse design

Ele não foi ganancioso ao tentar criar uma blockchain completa, mas reconhece honestamente que o cálculo de IA e o consenso da blockchain são duas tarefas distintas, que precisam de dois conjuntos de nós. A base usa consenso CometBFT, mais de 2/3 dos validadores precisam aprovar para que um bloco seja adicionado, a pilha tecnológica é o maduro Cosmos SDK junto com EVM, sem reinventar a roda, mas as fronteiras precisam ser bem definidas

Por mais inteligente que essa estrutura seja, o que ela garante é a eficiência e descentralização na etapa de validação, não pode garantir que sempre haverá GPUs suficientes e a preços justos para a parte da inferência. Os nós que executam os modelos ainda são aqueles nós de GPU, a capacidade da rede de continuar atraindo poder computacional suficiente e a preços acessíveis é outro desafio — a arquitetura não pode resolver a oferta, isso precisa de incentivos reais para atrair mineradores

Então, como olhar para a HACA: ela é uma base de engenharia sólida para a narrativa inteira do OpenGradient funcionar

Mas uma base sólida é apenas uma condição necessária; para realmente construir um edifício em cima, ainda precisamos ver se a oferta de poder computacional e a demanda real de uso podem crescer simultaneamente

Por mais bonito que o diagrama arquitetônico seja, ainda precisamos de pessoas realmente executando tarefas em cima dele para que isso faça sentido
#OPG #OpenGradient $OPG

Hoje vamos falar sobre @OpenGradient , algo que só um desenvolvedor realmente se importaria

Mas na verdade, revela a essência do que estamos discutindo — o Model Hub

Esse repositório de modelos na blockchain que supostamente tem mais de dois mil modelos
Uma pessoa comum pode achar que isso não tem nada a ver com ela, mas o problema que resolve é exatamente o que mais preocupa em relação à IA centralizada

Quando você sobe um modelo em uma grande plataforma, se um dia a plataforma muda as regras, bloqueia sua conta ou simplesmente fecha, seu trabalho desaparece. O Model Hub segue um caminho diferente: os modelos não estão armazenados nos servidores de uma empresa, mas em um armazenamento descentralizado chamado Walrus

Armazenamento permanente que não pode ser removido ou censurado, cada modelo é identificado por um ID de endereçamento de conteúdo. Isso significa que o modelo que você publica não pertence a nenhuma empresa, ele simplesmente fica lá e ninguém pode tirá-lo de você. O que eu acho mais interessante é o ciclo de monetização

Você cria um modelo, sobe para o Hub, define seu preço e toda vez que um desenvolvedor ou algum agente de IA o chama, você recebe automaticamente uma grana, o pagamento é liquidado no momento da chamada, sem precisar passar pela aprovação da plataforma, esperar fechamento mensal ou ter intermediários levando uma fatia

Isso é como abrir uma fonte de "renda passiva"; você deixa algo lá e, se alguém usar, você ganha. Em teoria, isso pode atrair verdadeiros desenvolvedores a criar bons modelos, e não apenas encher um repositório vazio

Mas ainda assim, preciso jogar um balde de água fria. O número de mais de dois mil modelos soa impressionante, mas quantos desses modelos realmente estão sendo usados e gerando receita é uma história completamente diferente

Um repositório cheio de modelos que ninguém usa e um mercado com chamadas ativas têm valores que estão a milhas de distância um do outro. Para avaliar se o Model Hub está saudável, não olhe apenas quantos modelos estão lá, mas sim o volume real de chamadas desses modelos e a receita real que traz para os autores — se realmente há pessoas pagando para usá-los, isso é o que importa

Então, como usar essa pista para olhar o OPG: o Model Hub é a fundação da sua "ecologia de desenvolvedores". A estrutura da fundação é sólida — armazenamento permanente, monetização automática, a direção é a correta

Mas uma fundação sólida não significa que a ecologia é próspera; você precisa ficar de olho naquele indicador mais simples: será que cada vez mais pessoas estão realmente subindo bons modelos e, de fato, pagando para usá-los
#OPG #OpenGradient $OPG

Falamos tanto sobre a tecnologia e os produtos de @OpenGradient
Hoje, vamos dar uma olhada em uma questão que deveria ser a primeira a ser analisada, mas que é fácil de ser ignorada: quem está por trás deste projeto e quem está financiando?

Vamos começar pelas pessoas. O fundador e CEO se chama Matthew Wang. Antes de criar a OpenGradient, ele era engenheiro de pesquisa na TwoSigma.

A TwoSigma é um dos fundos de hedge quantitativos mais renomados de Wall Street, e as pessoas lá são quase obsessivas em questionar a confiabilidade dos resultados que os modelos geram.

Esse background explica duas coisas: por que este projeto está tão focado em "IA verificável" e por que seu produto principal é o BitQuant, um analista quantitativo. Alguém que já esteve no mundo quantitativo, no fundo, não confia em black boxes.

O produto que ele desenvolve, naturalmente, gira em torno de "permitir que você possa verificar". Em relação a dinheiro, no ano passado, eles levantaram 9,5 milhões de dólares, com a a16z crypto liderando, e a Coinbase Ventures e SV Angel participando, além de uma lista de investidores-anjo que inclui nomes como Balaji, fundadores da NEAR e da Polygon.

Esse time não é dos mais luxuosos, mas todos são pesos pesados quando se trata de IA e infraestrutura cripto. O capital profissional, antes de investir, verifica o código e analisa a equipe. Eles colocaram dinheiro de verdade, o que ao menos indica que o projeto passou por uma peneira muito mais rigorosa do que a dos investidores de varejo.
Mas, como sempre, isso é apenas um ponto a mais, não uma garantia de sucesso.

Casos em que fundos de elite erram não são raros nesse ciclo; mais importante é que o custo de entrada das instituições é muito mais baixo que o seu, e eles saem antes de você. Quando os tokens são desbloqueados e eles realizam o lucro, muitas vezes quem fica segurando a batata quente é o investidor que chegou depois.

Um currículo impressionante para o fundador e investidores renomados pode ajudar a filtrar um monte de ideias vazias, mas depois disso, você ainda precisa verificar se realmente há pessoas usando a rede, se a demanda por pagamento está aumentando, e tudo isso deve ser acompanhado de perto.

Portanto, como usar essa informação: trate "quem está fazendo e quem está investindo" como o primeiro filtro de due diligence, não como um motivo para comprar. Primeiro, veja se as pessoas que fazem o trabalho entendem do assunto e se têm um respaldo financeiro confiável, depois vá investigar os dados reais de uso — não inverta a ordem, muitos caem na armadilha de um currículo bonito e só depois percebem que não estão apostando em um produto real.
#OPG #OpenGradient $OPG