FOLL0W

披露：與 @NewtonProtocol 的付費合作
一個多年前。我以爲在加密領域的合規主要是前端的問題。如果某個錢包或 dApp 阻止了某個地址，我就覺得交易就根本不可能發生。
後來我意識到一個重要點：智能合約並不知道網站知道什麼。
前端可以隱藏“Swap”按鈕或拒絕你的錢包，但如果有人直接與合約交互，那麼這些 UI 限制就會消失，除非合約本身強制執行。
這比聽起來更嚴重，尤其是當 AI 代理和自動化策略變得更普遍。
這也是我注意到 Newton Protocol 的原因。它並不是依賴網站來決定誰能做什麼，而是引入了一個授權層：在交易執行之前評估策略。執行從界面更靠近交易本身。
對我來說，這是一個細微但有意義的轉變。隨着鏈上金融越來越自動化，信任不應該取決於別人使用的是哪個前端——它應該跟隨交易一起發生。
好奇這個模型會隨着 #Newt 主網測試版的增長如何演進。

$NEWT $NEWT

@OpenGradient 我以前追蹤 AI 代幣，就像追蹤動量交易一樣——點名提到 AI，市值跟着動，我看一眼圖表，然後就結束。這樣大概管用了兩年左右。但現在不行了。我覺得原因是，我開始注意到那些代幣裏有很多並沒有真正回答這樣的問題：“這個代幣讓什麼變得可能，而在之前是不可能的？”
就是這個缺口一直困擾着我。AI 和加密貨幣很快被捆綁在一起，主要靠敘事驅動——這裏一個 agent，那裏一個聊天機器人封裝，一個名字裏帶着“AI”的代號。幾乎沒有什麼真正觸及 AI 的核心難題：你看不見模型內部，也無法證明輸出在事後沒有被篡改、或被替換成更便宜的東西。
OpenGradient 是這個領域裏第一個讓我很快不再反覆問“這是不是隻是在搭敘事順風車”的項目。紙面上的前提幾乎有點家常——每一次推理調用在落地之前都會附上證明：要麼是 zkML 證明，要麼是 TEE 的證明/背書。$OPG 支付這次調用，也決定了運行它的節點運營者能賺什麼，並且約束網絡信任哪些硬件和參數。它不是“暴露於 AI”。它是在覈驗 AI 計算之下運行的計量表。#OPG
這讓我想起雲計算爲何在出現日誌、審計和服務級別協議（SLAs）之後，才被企業真正信任——算力本身從來都不是最難的部分，難的是可問責性。鏈上進行 AI 推理似乎現在也正撞上同一堵牆，只是更快。
我仍然不確定今天 OPG 的成交量裏有多少來自真實使用，而不是爲了追逐上某個榜單/交易對而產生的投機。可能在這麼早的階段，後者佔大多數。
也許問題並不是“下一個會漲的 AI 代幣趨勢是什麼”。也許問題是：在趨勢退潮之後，還有哪個代幣依然有工作要做。

#OPG 我昨天在比較同一個提示下，兩個不同 AI 模型的輸出時想到這件事 🤔。兩者給了我不同的答案。

但它們都沒有告訴我它們是怎麼推導出來的。

這就是「OpEngradient」正在打造的缺口——不是在比哪個模型最聰明，而是你能不能證明到底跑了什麼，以及如何跑的。

讓我特別注意的是：他們沒有只挑一種驗證方式就到此為止。

會依情況而有一條光譜。

在日常、重視速度的 LLM 推論中，AWS Nitro 隱私匣（enclaves）內部的硬體隔離執行就能完成工作。

隱私匣會產生一份證明（attestation），用來證明正確的程式碼在未被竄改的情況下執行。

額外成本幾乎可以忽略。

現在就能在規模化環境中運作。

但在更高風險的輸出、而數學上的確定性比吞吐量更重要的情況下，零知識證明（zero-knowledge proofs）就會介入。

用密碼學證明某個特定模型，從特定輸入產生了特定結果——不需要信任特定硬體，也不必相信第三方。

不過成本確實存在。

它大約比直接推論慢 1000 到 10000 倍，這也使得在目前階段很難用在大型模型上。

一直留在我心上的重點是：這兩種方法都能在同一次操作中混用。

對某一層使用硬體證明。

對另一層使用零知識證明。

根據當下這一步真正需要承擔的風險來匹配，而不是把同一套標準一致套用到所有地方。

我看過的大多數基礎建設專案，都會逼你去接受他們的信任前提。

OpenGradient 讓你能選擇究竟需要多少證明。

至於當網路規模變大時，這種彈性是否依然成立，對我來說仍然不確定。

@OpenGradient $OPG

最近幾個月裏，有件事一直在悄悄煩我，我今天才開始認真想。

大多數 AI 工具一開始就強迫你做出模型選擇。選一個，然後開始。只要某個線程深到足以產生影響，再切換就等於從頭再來——上下文沒了，
推理丟了，
回到空白。

就在那時，@OpenGradient Chat 以一種我沒預料到的方式引起了我的注意。

有趣的並不在於把六個模型放在同一個地方能否訪問到更多能力。真正關鍵是：你在它們之間切換時，聊天並不會重置。

在使用時，讓我記在心裏的有幾件事是：
1. ChatGPT，
2. Claude，
3. Gemini，
4. Grok，
5. ByteDance Seed 和
6. Nous Hermes，
都在同一個線程裏運行。在會話中途切換模型，之前構建好的任何推理都會延續下去。模型變了，但上下文不變。

另外我覺得值得注意的是：這六個模型都要經過同一套隱私層——在任何內容離開瀏覽器之前進行設備級加密；使用一個對外不可見的 HTTP 中繼把身份與內容隔離開來；以及一個由 TEE 隔離的網關，運營方本身無法訪問。

以我的看法，@OpenGradient 並不只是搭建一個模型聚合器。它在做更具體的東西：一個工作空間，讓你在任務進行中決定使用哪個模型，而不是在任務開始之前就先做出承諾。

當然，這種取捨是真實存在的。跨六家前沿提供商運行、且帶有隱私驗證的基礎設施，會帶來單次直接 API 調用從不需要承擔的協同開銷。至於這份開銷值不值，完全取決於你有多在意：你關閉標籤頁之後，聊天會發生什麼。

chat.opengradient.ai

@OpenGradient $OPG #OPG

我認爲，OpenGradient 最難的問題並不是架構。架構確實很有意思。更難的問題是：我在閱讀它的時候，另一個標籤頁裏開着 ChatGPT。

這不是在批評。這纔是實際的採用門檻。

在這個領域，大多數人會用技術質量來評估加密 AI 項目。驗證是否有效？隱私層是否真實？這些問題很重要。但它們並不能決定一個人早上會打開哪個 AI 標籤頁。習慣是完全不同的障礙——它和能力不是一回事。

在過去一年裏，我嘗試把默認的 AI 工具切換了三次。每一次我最終都又回到了我已經用得順手的那個。並不是因爲替代品更差——有時候它其實更好——而是因爲要重建工作流和提示（prompt）模式的切換成本是真實存在的，而且大多數人不會在沒有強烈理由的情況下去做。

我覺得 S2 OPG 空投結構真正有趣的地方在於，它創造了這個“強烈理由”。資格直接取決於在 OpenGradient Chat 上購買並使用積分——不是持有錢包、不是跨鏈流動性、不是挖快照。是實際使用。這是一種可衡量的信號，用來判斷習慣是否真的在發生改變。

加密領域裏的大多數採用指標都可以被“刷”。而在一個你必須主動打開並使用的產品上消耗積分，要造假就得更難得多。

按照我的看法，S2 空投結構與其說是在討論 OPG 代幣分發，不如說是在看 OpenGradient 能否在規模化的場景中證明真實的行爲改變。

我在盯着的就是這個變量。
不是 TVL。
不是錢包數量。

@OpenGradient $OPG #OPG
你怎麼看？到底是什麼會真正改變用戶行爲……？

我看過的許多區塊鏈架構，都把速度和信任當作一個你只能朝一個方向調的旋鈕。
想要更快的最終性，你就得犧牲一定的去中心化。
想要更強的驗證能力，延遲就會上升。
這種張力多年來一直被視爲行業的“共識”。
當我開始研究 OpenGradient 的方法時，我意識到 HACA 建立在完全不同的假設之上——速度和信任不必被放在同一條時間線上。
是的，這種重新定位從結構上改變了一切。
傳統區塊鏈在應對 AI 推理時遇到困難，並不是性能問題。
而是架構問題。
把一個 700 億參數的 LLM 在每個驗證者那裏各跑一次——這就是重執行共識（re-execution consensus）的工作方式——會帶來比原本高出 100 倍的計算成本，卻沒有任何額外價值。
而且，由於溫度（temperature）高於 0 的 LLM 會在不同硬件上產生不同輸出，驗證者甚至無法直接對比結果。
模型從根本上與標準共識的運作方式不兼容。
在我研究 HACA 是如何解決這一點時，有一點始終讓我印象深刻：它把執行與驗證放在完全獨立的時間線上。
GPU 推理節點負責執行，並在毫秒級把結果返回給用戶。
隨後，使用普通商用硬件的全節點會在後臺異步驗證 TEE 證明或 ZKML 證明。
昂貴的計算從不進入關鍵的共識路徑。
而在實踐中，這意味着：增加更多推理節點會讓吞吐量線性增長，同時不影響驗證層。
在一個維度上的擴展，不會犧牲另一個維度。
所以我認爲，@OpenGradient 正在解決一個多數去中心化 AI 項目尚未承認的問題——把推理塞進共識裏不只是低效，更是對非確定性模型而言在架構上就走不通。
代價在於協調複雜度。
專門的節點類型需要註冊、路由和同步開銷，而同質化的驗證者集合從來不必承擔這些管理工作。
更簡單的系統永遠比這種系統更容易運維。
@OpenGradient $OPG #OPG

當我第一次開始考慮智能合約中的AI時，我假設這個設置總是會是一個兩步過程。模型在某個外部運行。結果被髮布到鏈上。合約讀取它。標準的預言機模式。
在觀察@OpenGradient 如何使用NeuroML處理這個問題後，我意識到預言機步驟實際上現在是可選的。
是的，那是值得深入思考的部分。
預言機模式存在一個時間問題，大多數開發者默默接受。AI預測和基於此的交易是兩個獨立的事件。在這些事件之間，價格波動，條件變化，智能生成與資本行動之間的時間差悄然消耗資金。我在自己的策略中多次看到這種情況。
在研究這個問題時，我記住的幾件事是，NeuroML允許從Solidity智能合約中本地調用ML模型推斷，通過預編譯 — 沒有外部API調用，沒有鏈外往返。PIPE引擎直接從內存池分發推斷請求，並行預計算結果，並在區塊關閉時將其原子性地包含在同一交易中。$LUMIA
而這消除了大多數鏈上AI應用程序仍然圍繞的架構假設。預測並不是在交易之前到達的，而是交易的一部分。
在我看來，@OpenGradient 試圖改變智能合約實際上可以是什麼 — 不是讀取外部數據的靜態規則集，而是一個智能和行動在同一原子操作中發生的執行環境。$CARV
不過，這種權衡是現實的。通過PIPE進行鏈上ML推斷增加了區塊生產的延遲，而純金融交易永遠不必承受這種延遲。複雜模型仍然會產生顯著的燃氣費用。ML在EVM中本地分散執行在生產規模上確實還處於早期階段且未經驗證。
$OPG #OPG

當我第一次看到 @OpenGradient 時，我做出了大多數加密貨幣投資者都會做出的同樣假設。去中心化的 AI 基礎設施等於 DeFi 用例。這就是資金流動的地方，這就是敘事所獎勵的地方。🤨

在花更多時間瞭解實際架構後，我認爲這個假設可能是大多數人低估這個項目的原因。

是的，DeFi 可能最終成爲這個實際上重要的行業中最小的一個。

想想 AI 輸出的驗證實際上解決了什麼 🤔。這不是一個加密問題。它是一個信任問題。而信任問題直接與錯誤後果的後果成比例。一個計算錯誤的 DeFi 收益是可以恢復的。而一個基於損壞的 AI 指令行動的手術機器人則不是。一個企業合規系統因 AI 輸出在執行和交付之間被靜默修改而批准錯誤的文件——那完全是另一類後果。

在研究這個問題時，我心中一直記着的幾件事情是，自治代理、物理機器人、醫療診斷和企業自動化都正在朝着 AI 驅動的決策邁進。目前，這些行業都沒有可靠的方法來驗證正確的模型是否運行，正確的輸入，且返回未修改的輸出。它們默認都是基於信任運作的。

而 OpenGradient 的 TEE 認證推理和 ZKML 架構所提供的其實是一個通用的驗證基礎設施，而加密貨幣恰好是第一個在構建它的。

在我看來，市場將其視爲一個 DeFi 基礎設施的賭注。實際可尋址的領域是地球上每一個高風險的 AI 部署。

不過，權衡是殘酷的。在延遲、成本和企業可靠性方面與谷歌、微軟和 AWS 競爭，確實是技術中最難解決的問題之一。驗證增加了信任，但並不自動增加集中提供商花了幾十年建立的操作效率。
#OPG $OPG

當我第一次進入OpenGradient Chat內的Image Studio時，我原以為隱私主要是文本對話的事情。圖片感覺不同——不那麼個人化，也不那麼敏感。
然後我思考了圖片提示實際上揭示了什麼。
一個你尚未推出的產品樣板。
一個你尚未披露的病症的醫療圖示。
一個你還未準備好分享的創意概念。
一張圖片背後的提示承載的敏感意圖與任何書面問題一樣多——有時甚至更多，因為它很具體。
在查看Image Studio實際部署方式時，我心中有幾個想法。它運行在與OpenGradient Chat其他部分相同的基礎設施上——在請求離開瀏覽器之前進行設備級加密，一個使身份與內容分離的無知HTTP中繼，以及一個TEE隔離的閘道，處理過程發生在一個密封的區域內，操作員本人無法讀取。
這不是為圖片構建的單獨隱私層，而是已經存在的相同架構。
現在Image Studio支持在單一界面內生成來自Gemini、ByteDance和xAI模型的圖片——未來還會有更多模型。你可以像切換文本模型一樣切換它們。 chat.opengradient.ai
我認為，更有趣的細節不是模型的多樣性。隱私不是作為一個功能添加到圖片生成之上，而是從平台一開始的整體結構中繼承而來。
這種權衡在這個架構中的每個地方都適用。TEE驗證依賴於硬體信任。如果這個假設破裂，隱私保障也會隨之下降。
這種風險是真實的。但「預設私密」意味著在架構上強制執行，而不是政策承諾，這在大多數工具都無法提供的領域中仍然是有意義的區別。
@OpenGradient $OPG #OPG

當我第一次看一個新項目時，我不會先去看路線圖。我會閱讀那些最難找到的部分。

大多數團隊會把風險埋在法律聲明裡。有些根本不提到它們。那些在技術文件中直接列出限制的項目——清晰、具體，沒有軟化語言——我會比那些只發佈聽起來好的內容更仔細地閱讀。

這就是我在閱讀OpenGradient白皮書時的情況。🤔💭

第10.2節的標題是故意的取捨。
不是風險。
不是聲明。
取捨。
在閱讀時，裡面有幾件事情一直在我腦海中萦绕。

TEE驗證依賴於硬體信任。如果發現了基本的封閉區域漏洞——想想每幾年就會出現的那種CPU級別的漏洞——安全性會下降，直到修補為止。這一點已經明確承認。

ZKML的計算開銷在1,000到10,000倍之間。@OpenGradient 提供的最強驗證保證目前對於任何大型模型來說都是不切實際的。白皮書明確這麼說。

異步結算會造成一個暫時的間隙。在推斷完成的瞬間與證明在鏈上結算的瞬間之間，結果在技術上是未經驗證的。對於需要立即確定性的操作，PIPE存在——但延遲成本較高。

是的，大多數項目不會公佈這些。

在我看來，這一部分告訴我，@OpenGradient $OPG Network 的開發團隊對他們自己的架構理解得有多認真，這比任何產品聲明都要重要。你不能設計出來去應對那些你沒有提到的限制。

不過，取捨是直接的。公開承認限制並不會消除它們。這只是意味著團隊預見到了這些問題。

#OPG

當我第一次看到Nous Hermes與ChatGPT、Claude和Gemini一起在OpenGradient Chat上市時，我以爲只是爲了覆蓋無審查的使用案例。

在實際瞭解Hermes與衆不同之處後，我意識到更有趣的故事不是模型本身，而是@OpenGradient 在其底層構建的東西。

這一部分常常被忽視。

在研究這個時，我心中有幾個要點。

Hermes是基於Llama 3.1的開放權重構建的，採用Nous Research稱之爲中立對齊的訓練方法——優化以跟隨用戶意圖，而非企業內容政策。

在RefusalBench上，它的得分明顯高於GPT-4o和Claude Sonnet的總和。

那些模型拒絕的大多數內容並不危險——而是與責任相關。Hermes經過特別訓練，能夠區分這些。

對我來說，OpenGradient Chat之所以特別，是因爲在該模型底層的基礎設施。

設備級加密在任何內容離開你的瀏覽器之前。
一個無感知的HTTP中繼，分離你的IP與請求。
一個TEE隔離的網關，解密僅在一個封閉的環境中進行，操作員本身無法訪問或記錄。

你是誰與你所請求之間的鏈接永遠不會形成。

在我看來，OpenGradient試圖做一些大多數平臺沒有嘗試的事情——在一個隱私架構中部署一個無審查的模型，在那裏身份是結構性地去除的，而不僅僅是口頭承諾。

但這種權衡是真實的。去除企業安全過濾器，質量控制完全轉移到用戶身上。Hermes仍然可以自信地回答它出錯的事情。那種失敗模式並不會消失——只是變成了你需要捕捉的。

沒有隱私層的無審查AI，其風險特徵與無法追溯對話的無審查AI是不同的。

這種區別在這些系統擴展時將變得更加重要。

$OPG #OPG

最近我花了比預期更多的時間閱讀DePIN項目。並不是因爲這個類別感覺新鮮，而是因爲我不斷注意到它們的展示方式。幾乎每個項目都把自己定位爲現有事物的更便宜或更分散的版本。存儲成本低於集中式提供商。帶寬來源於未充分利用的硬件。其實這些項目的推銷基本上都是同樣的資源，以不同的方式訪問。

當我看到用智能作爲資源的嘗試時，這幅圖景開始讓我覺得不完整。

@OpenGradient 特別引起了我的注意。並不是因爲它能很好的融入DePIN的比較，而是因爲它不斷提出一個我在任何地方都沒有看到清晰回答的問題。
• 智能實際上是否與帶寬或計算是同一種資源？
• 還是驗證AI輸出的風險與驗證文件傳輸的風險不同？
我不確定一個所需的基礎設施是否能直接轉化爲另一個。

我記得大多數在這個領域構建的人曾把AI視爲現有加密基礎設施之上的一層。是一種特性，而不是基礎。最近我在想，這種看法可能是反過來的。也許智能的基礎設施需要從一開始就圍繞不同的假設設計，而不是從爲存儲或移動數據而構建的架構中繼承。🤔

我覺得有趣的是，OpenGradient似乎是一個更廣泛的問題的一部分，而這個行業尚未完全解決。去中心化的AI基礎設施是一個新類別，還是隻是舊類別的重新包裝？我並不完全確定，我認爲從目前的情況來看，答案並不明顯。

也許我對這種區分看得太重了。公用事業在一天結束時仍然是基礎設施。

但我一直在想，我們對這裏構建的東西的分類方式是否最終會比大多數人目前所預期的更重要。
#OPG $OPG

最近我注意到了一些事情，但我還不太確定怎麼完全表達出來。

我使用的大多數AI工具都是像軟件訂閱一樣出售的。無論我實際使用多少，都是一個固定的月費。有些月份這個費用感覺合理，而其他月份我在想這個定價模式是否是圍繞這些工具的實際使用情況設計的——還是隻是借鑑了軟件行業，因爲它很熟悉。

這就是我被@OpenGradient 在推理結算方面的做法吸引的部分原因。

按請求付費而不是按月付費的想法感覺更像是我們爲公用事業支付費用的方式。你消耗一個單位，你就爲那個單位支付。賬單反映的是實際使用情況，而不是假定的消費模式。

至少原則上是這樣。

我還記得大多數關於AI定價的對話幾乎完全圍繞哪個層級解鎖哪個模型。最近感覺，定價背後的基礎設施變得同樣重要。

如果計費模型假設另一端是一個人訂閱者，系統就會圍繞這個假設進行設計。如果不是，可能會出現不同的情況。

我一直在思考的是，OpenGradient似乎是AI消費結構更廣泛轉變的一部分。不僅僅是哪些模型在運行，而是請求是如何發起、結算和驗證的，而每一步都不需要一個人賬戶持有者。

我仍在弄清楚這在規模上意味着什麼，以及真正的摩擦在哪裏。

我可能過於簡化了協調成本。每個請求的鏈上結算帶來的開銷是一個固定訂閱所不需要吸收的——而我並不完全確定這在高頻工作負載中是如何運作的。

也許問題不是如何讓AI更便宜，而是我們一直以來支付的方式是否真的設計成適應它正在緩慢演變的樣子。

我一直在想，當發起請求的不是人類時，AI基礎設施最終會是什麼樣子。

#OPG $OPG