OnchainGuru

每個人都在談論 DeFi 的可組合性，但幾乎沒人談論政策的可組合性。

這也是我認爲牛頓協議值得更多關注的部分。

今天，一個 DeFi 協議可以很容易地從另一個協議集成流動性。

它可以接入預言機。

它可以連接到跨鏈橋。

它可以與數十個智能合約交互。

但政策呢？

如果一個金庫想要自動拒絕與受制裁地址的交互怎麼辦？

如果一個協議希望在預言機數據變得不可靠時阻止交易怎麼辦？

如果一家機構希望在資金流動之前先強制執行槓桿限制怎麼辦？

其中大多數決策仍然依賴於分散的鏈下工作流或定製實現。

牛頓協議正在嘗試對這一層進行標準化。

Newton 不再讓每個協議都從零開始構建自己的授權邏輯，而是引入一個鏈上的授權網絡，使得在結算之前就可以對策略進行評估。通過牛頓金庫 SDK，合規、身份、安全和風險檢查將成爲可複用的構建模塊，而不再是彼此隔離的單獨解決方案。

這確實是一個重要的轉變。

我們已經實現了流動性的可組合。

我們也實現了智能合約的可組合。

也許，政策也應該具備可組合性。

隨着 DeFi 擴展到真實世界資產（RWA）、機構金融以及由 AI 驅動的自動化，協議之間的競爭不會只是發生在收益或速度上。他們將競爭在如何更安全、更智能地移動資金。

下一代 DeFi 可能不會由“誰能以最快速度執行交易”來定義。

它可能由“誰在那些交易被執行之前做出了最好的決策”來定義。

@NewtonProtocol

#Newt $NEWT

牛頓協議（Newton Protocol）總讓我想到超越今天的 DeFi。

大多數區塊鏈基礎設施都被設計來回答一個問題：

“這筆交易能執行嗎？”

牛頓問的是另一個問題：

“這筆交易應該執行嗎？”

這個差別看起來很小，直到你想象一個未來——越來越多的金融決策將由軟件而不是人類來完成。

想想 AI 代理（AI agents）。

一個管理金庫（treasury）的 AI、對金庫進行再平衡（rebalancing）、或分配流動性（allocating liquidity），不會只是需要訪問一個錢包。它還需要邊界（boundaries）。

它應該與受制裁地址（sanctioned address）交互嗎？

如果因爲異常的市場狀況導致 APY 突然飆升，它應該把資金存入某個金庫嗎？

如果預言機（oracle）變得不可靠，它應該用抵押品（collateral）借款嗎？

這些都不是執行問題。

它們是授權問題。

這也是爲什麼牛頓主網測試版（Newton Mainnet Beta）開始讓人感覺它不只是另一個 DeFi 協議，而更像是一層基礎設施。

Newton 並不依賴鏈下的檢查清單或人工監督，而是在結算之前根據生效中的策略（active policies）評估交易，並生成一份鏈上簽名證明（signed on-chain attestation），記錄該行動是否滿足預先定義的規則。

有趣的是，這些策略並不限於單一類別。它們可以覆蓋合規（compliance）、身份驗證（identity verification）、實時安全信號（real-time security signals）以及風險管理（risk management），匯聚來自 Chainalysis、Hexagate、RedStone 和 Credora 等合作伙伴的數據。

多年來，我們一直在構建更快的執行引擎。

也許，DeFi 的下一階段是構建更聰明的決策引擎。

因爲當自主資本以機器速度開始流動時，最大的挑戰不會是把交易送上區塊鏈。

而是確保到達區塊鏈的，正是那些正確的交易。

@NewtonProtocol

#Newt $NEWT

關於 Newton Protocol，我注意到的一點並不是 Mainnet Beta 本身。

而是 Newton Vault SDK 背後的理念。

過去一年裏，DeFi 代幣金庫（vault）從簡單的收益策略發展成能夠管理大量資金的產品。但其中有些地方一直給人一種“脫節”的感覺。

資產在鏈上。

智能合約也在鏈上。

然而，管理這些資產的許多規則——例如風險限額、操作流程、合規檢查、安全要求——仍然存在於區塊鏈之外。

在治理文件中。

在內部流程中。

在人工審查中。

這是一種有趣的矛盾。

一個金庫越有價值，它的規則就越重要。但這些規則往往仍然分散，難以做到一致且有效的執行。

Newton Protocol 用不同的方式來處理這個問題。

它並不是把策略當作外部文檔來對待，而是在結算之前引入一個授權層，用於對策略進行評估。通過 Newton Vault SDK，合規、身份驗證、安全檢查以及風險參數都可以成爲交易流程本身的一部分，而不是事後纔想到的補丁。

對我來說，這不只是另一個開發者工具包。

這是一種嘗試：把機構級的運營規則更靠近區塊鏈本身。

隨着代幣化資產、機構級 DeFi 以及由 AI 驅動的金融繼續增長，僅靠可編程執行可能還不夠。可編程的策略也許同樣會變得至關重要。

執行決定“能發生什麼”。

策略決定“應該發生什麼”。

正是這種差別，讓我開始更關注 Newton Mainnet Beta。

如果 DeFi 希望支持日益複雜的金融系統，把規則從文檔遷移到可強制執行的鏈上邏輯中，感覺像是向前邁出的重要一步。

@NewtonProtocol

#Newt $NEWT

牛頓協議和 Visa 的對比並不關乎支付。它關乎決策。

當人們拿牛頓協議和 Visa 做比較時，我想很多人會立刻聚焦在支付上。

但我認爲這並不有趣。

真正的對比在於授權。

每一次你使用信用卡，支付完成之前都會有一個看不見的決策。

卡片是否有效？

是否超出消費限額？

這筆交易是否符合預期行爲？

這筆付款應該被批准嗎？

只有在這些問題被回答之後，資金才真正開始流動。

現在把它和大多數鏈上交易對比。
一個錢包簽名。

交易進入內存池（mempool）。

驗證者執行它。

結算髮生。

區塊鏈會忠實執行指令，但它很少在執行之前詢問這些指令是否滿足外部政策。

這是一種完全不同的信任模型。

在閱讀牛頓主網 Beta 之後，我意識到該協議並不是試圖取代智能合約。
它是在用戶意圖和結算之間插入了一層缺失的機制。

牛頓並不是把交易視爲“簽名之後就應立即執行”的東西，而是在執行之前引入策略評估，並在鏈上產出對該決策的證明（attestation）。

這改變了我對 DeFi 基礎設施的看法。

隨着越來越多的資本通過機構託管金庫（institutional vaults）、RWA、穩定幣，最終到 AI 代理流動，單靠執行可能並不足夠。

金融系統不只需要確定性的執行。

它們同樣需要確定性的授權。
也許這就是爲什麼 Visa 的類比會引起共鳴。
不是因爲區塊鏈正在變成傳統金融。

而是因爲鏈上金融開始着手解決傳統支付網絡幾十年前就已經理解的一個問題：

一個優秀的金融系統不僅要高效地轉移資金。

它還知道什麼時候不該轉移。

@NewtonProtocol
#Newt $NEWT

DeFi 裏最大的假設也可能是它最大的盲點。

大多數人認爲，在鏈上完成一筆交易最難的部分是執行。

它會結算嗎？

智能合約能正常工作嗎？

會有流動性嗎？

但在查看 Newton Mainnet Beta 之後，我開始質疑：我們是不是一直在關注錯誤的那一層。

傳統智能合約擅長把指令嚴格按照書面要求執行。它們不做的是——先問問這些指令是否應該被執行。

這種區分聽起來很細微，但卻是根本性的。
在傳統金融中，付款並不會僅僅因爲有人提出請求就立刻發生。像 Visa 這樣的網絡會在結算前進行授權檢查。它們會評估策略、額度限制、欺詐信號以及資格條件，然後纔會批准交易。

鏈上金融在很大程度上跳過了這一步。
交易會被簽名、廣播並執行。風險分析往往是在事後才通過監控工具或事後覆盤儀表盤進行。

Newton Protocol 以不同方式來處理這個問題。
它並不只是觀察已經發生了什麼，而是引入一個授權層，在結算前評估正在生效的策略，並在鏈上記錄一份帶簽名的通過/不通過（pass/fail）證明。討論的重點從“發生了什麼？”轉向“應該發生嗎？”

這看起來像是一項有意義的架構變更。

隨着 DeFi 擴展到涵蓋機構級金庫、代幣化的現實世界資產（RWA）、穩定幣基礎設施，甚至還有由 AI 驅動的代理，僅靠執行本身可能不再足夠。在執行之前的決策，可能會像執行本身一樣重要。

也許 DeFi 的下一階段不會由更快的交易來定義。

也許它將由在這些交易被允許結算之前所做出更好的決策來定義。

@NewtonProtocol

#Newt $NEWT

最近我一直在思考的一個問題是，AI 用戶到底是在選擇模型。

還是在選擇環境。

大多數關於 AI 的討論都集中在模型上。

Claude 對比 Gemini。

開源對比閉源。

推理對比創造力。

但這只是體驗的一部分。

模型周圍的環境往往決定了人們使用它時的舒適度。

它能記住上下文嗎？

它能保護隱私嗎？

它能在對話中保持連續性嗎？

它能成爲一個用戶願意自由表達想法的地方嗎？

這些問題在 AI 超越簡單提示，成爲日常工作流程的一部分時變得更加重要。

因爲一場對話變得越有價值，用戶就越不想把它當作一次性內容。

我認爲 AI 市場可能正在向這樣的方向演變。

不是從模型競爭轉向平臺競爭。

而是從平臺競爭轉向關係競爭。

最強大的 AI 生態系統可能不是在特定基準上擁有最聰明模型的那個。

而是用戶隨着時間積累最多上下文的那個。

這就是爲什麼 @OpenGradient 有趣的原因之一。

OpenGradient Chat 結合了以隱私爲中心的架構與持久的交互，創造了一個用戶可以建立長期上下文的環境，而不是不斷重新開始。

我越想越懷疑 AI 的價值並不僅僅來自智能。

它還來自連續性。

智能回答問題。

連續性增值。

而市場通常在定價複合效應時要比在定價可見特徵時慢得多。

#opg $OPG

在大多數關於人工智能的討論中，一個隱含的假設是，智能創造價值。\n\n這聽起來顯而易見。\n\n更聰明的模型產生更好的輸出。\n\n更好的輸出吸引更多用戶。\n\n更多用戶創造更多價值。\n\n簡單。\n\n但我開始認爲，僅僅依靠智能並不能解釋爲什麼人們不斷回到同樣的人工智能系統。\n\n因爲人類與智能之間並沒有建立關係。\n\n他們與熟悉感建立關係。\n\n最有用的人工智能並不總是給出最聰明的答案。\n\n它常常是理解問題背景的那個。\n\n那個記得你思考方式的人工智能。\n\n那個理解你想要實現目標的人工智能。\n\n那個不會強迫你每次打開新對話時都從零開始的人工智能。\n\n這就是我覺得持續記憶概念如此有趣的原因。\n\n每次交互都成爲更大背景的一部分。\n\n每次談話都爲不斷增長的理解做出貢獻。\n\n隨着時間的推移，系統的價值可能更多來自於用戶與模型之間累積的關係，而非模型本身。\n\n這就是讓我覺得@OpenGradient 獨特的原因之一。\n\nOpenGradient Chat不僅僅是在競爭更智能的輸出。持續記憶、私密交互和用戶擁有的智能等理念指向一個未來，即人工智能變得越來越個性化，而不僅僅是更強大。\n\n市場花了很多時間在衡量智能。\n\n我不確定它是否花了足夠的時間來衡量熟悉感。\n\n如果人工智能成爲日常決策的一部分，熟悉感可能會證明是有史以來創造的最有價值的智能形式之一。\n\n#opg $OPG

我最近一直在思考的一件事是，AI模型變得越來越容易被替代。

一年前，切換模型感覺是個重大決定。

如今，新模型層出不窮。

推理更好。

編碼更好。

多模態能力更強。

領先模型之間的差距依然重要，但這種差距似乎越來越短暫。

一個模型可能在某個月佔據頭條，而幾個月後卻面臨激烈競爭。

這引發了一個有趣的問題。

如果模型變得可替代，長期價值究竟會在哪裏積累？

我猜測，價值並不積累在模型內部。

它在模型周圍積累。

在上下文中。

在記憶中。

在用戶特定的智能中。

一個人越多地使用AI，他們的互動歷史就越獨特。

目標。

偏好。

工作流程。

決策模式。

這些信息無法通過推出更新的模型簡單地重建。

它是通過反覆互動獲得的。

這就是爲什麼@OpenGradient 在我視野中的原因之一。

這個項目不僅專注於AI輸出。持久記憶、私密互動和用戶擁有的智能等概念指向一個未來，在這個未來中，積累的上下文可能比底層模型本身更重要。

市場花費大量時間將模型進行比較。

我開始懷疑這是否就像在比較操作系統，而忽略了存儲在計算機內部的價值。

模型可能會繼續變化。

用戶上下文可能會持續。

如果這是真的，那麼AI中最有價值的層可能不是智能。

而是積累的對齊。

chat.opengradient.ai

#opg $OPG

我在AI領域看到的一個假設是模型就是產品。

新模型的發佈頭條不斷。

基準測試吸引了關注。

性能圖表驅動估值。

整個行業似乎圍繞着衡量智能而組織。

但單靠智能並不能創造身份。

身份來自於連續性。

人際關係之所以有價值，不是因爲對方每個月變得更聰明。

而是因爲共享的背景隨着時間的推移而積累。

記憶積累。

偏好積累。

信任積累。

AI可能正朝着類似的現實發展。

未來，用戶可能會在一生中與數十種不同的模型互動。

有些在推理上更優秀。

有些在編碼上更好。

有些在創造力上更強。

模型會變化。

用戶卻不會。

這就是爲什麼我越來越對可移植智能的概念感興趣。

如果最有價值的AI資產不是模型本身，而是伴隨用戶跨模型的背景呢？

如果身份變得比智能更重要呢？

這就是@OpenGradient 對我來說突出的一點。

這個項目不僅在探索AI交互，還在探索持久記憶、隱私和用戶擁有的智能等概念，這可能使背景始終與用戶保持聯繫，而不是與底層模型。

這改變了我對AI基礎設施的看法。

模型正在迅速改進，並變得越來越可替代。

用戶背景變得越來越有價值，也越來越難以複製。

市場花了很多時間爲智能定價。

我不確定它是否已經完全爲數字身份定價。

如果AI成爲人類決策的長期層，那麼身份可能最終證明比任何單一模型更耐用。

#opg $OPG

大多數人認爲，隨着模型變得更智能，AI的價值也會增加。

我開始覺得，最終可能會發生相反的情況。

智能正在變得普遍。

每隔幾個月，就會出現一個新的模型，具有更好的推理能力、更好的編碼、更好的寫作和更好的性能基準。

隨着時間的推移，原始的智能開始看起來不再是競爭優勢，而更像是一種商品。
而真正稀缺的是上下文。

互動的歷史。

用戶與AI系統之間積累的理解。

那些無法從基準排行榜下載的偏好、目標、習慣和決策模式。

這就是我發現用戶擁有的智能越來越有趣的原因。

如果AI成爲長期陪伴工作、研究、創意和決策的夥伴，那麼最有價值的資產可能不是模型本身。

而是圍繞模型形成的關係。

這種關係即使在基礎模型不斷改進的情況下也會持續存在。

這就是爲什麼@OpenGradient 對我來說如此突出。
OpenGradient Chat不僅僅是一個與模型的界面。圍繞持久記憶、隱私和用戶控制智能的更廣泛願景暗示了一個未來：上下文屬於用戶，而不是被困在一個平臺內部。
這改變了AI的經濟學。

模型可以被替換。
上下文不能。

市場花了很多時間討論計算、參數和基準。

我不確定它花了足夠的時間思考積累智能的所有權。

這可能最終成爲更持久的資產。

#opg $OPG

現在人工智能領域發生了一些有趣的事情。

用戶開始越來越關注多種模型的訪問，而不是單一模型。

一年前，大家問的是：

“哪個AI最聰明？”

而今天的問題變成了：

“哪個AI最適合這個特定任務？”

有些模型在編碼方面更強。

有些在創意寫作方面更出色。

有些在推理方面更爲優秀。

有些在圖像生成方面更具優勢。

問題在於，在不同平臺之間切換往往意味着犧牲便利性、上下文或隱私。

這就是我認爲AI的未來可能看起來不像是贏家通喫的市場，而更像是一個專門化模型的生態系統。

真正的優勢不一定屬於那個擁有一個主導模型的平臺。

它可能屬於那個讓用戶靈活訪問多個強大模型的平臺，同時保持體驗簡單。

這就是爲什麼@OpenGradient 脫穎而出的原因。

通過OpenGradient Chat，用戶可以在一個地方訪問不同的AI模型，包括像Claude Fable 5這樣的新發布，同時保持隱私優先的策略。即使是Image Studio也允許用戶通過單一界面跨多個模型提供商生成圖像。

有趣的是，AI競爭越來越激烈。

每個月都有新模型發佈。

能力不斷提升。

但隨着模型領域變得更加分散，能夠無縫地在模型之間切換的能力可能會變得和模型本身一樣有價值。

最佳的AI體驗可能不是來自選擇一個模型。

而是來自在合適的時間選擇合適的模型。

#opg $OPG

我覺得大多數人評估AI模型的方式就像評估智能手機一樣。

哪個更快？

哪個更智能？

哪個功能最新？

這可以理解，性能很容易衡量。

但更難衡量的是，當你按下“發送”後，數據會發生什麼。

這就是我認爲AI行業正在朝着一個有趣的分化發展。

一組平臺將主要在智能上競爭。

另一組將同時在智能和隱私上競爭。

起初，這個區別可能看起來並不重要。

直到AI成爲人們存儲他們絕不會公開發布的想法的地方。

商業計劃。

研究筆記。

個人問題。

未完成的想法。

AI變得越有用，談話就越敏感。

這就是OpenGradient Chat引起我注意的原因。

大多數AI助手要求用戶信任隱私政策。

OpenGradient以不同的方式處理這個問題。消息在設備上加密，識別信息在請求到達模型之前被移除。它不是將隱私視爲法律承諾，而是將隱私視爲技術挑戰。

有趣的是，這種理念感覺更接近於加密貨幣而不是傳統AI。

在加密貨幣中，信任通常通過代碼和密碼學來降低。

@OpenGradient 似乎在AI對話中應用了類似的思維方式。

也許下一個AI主要競爭不會是在誰的模型最聰明。

也許它將是在誰能夠提供智能，而不要求用戶以犧牲隱私作爲交換。

隨着AI變得更加個人化，這個問題感覺越來越重要。

#opg $OPG

我覺得人工智慧有個信任問題，大多數人都沒有注意到。

不是因為模型不好。

而是因為隱私模型仍然是建立在承諾之上。

每次你使用AI助手時，你都被期望信任你的對話會被負責任地處理。信任公司。信任政策。信任敏感資訊不會被濫用、洩露或保留超過預期的時間。

有趣的是，幣圈幾年前就解決了類似的問題。

人們信任區塊鏈的原因，不是因為他們信任參與者，而是因為加密技術降低了所需信任的程度。

這就是為什麼OpenGradient Chat對我來說特別。

它不是要求用戶完全依賴政策，而是把隱私當作一個技術挑戰來應對。信息在用戶的設備上被加密，身份信息在請求到達模型之前就被剝離。目標不僅僅是說「信任我們」——而是建立一個需要更少信任的系統。

隨著AI越來越融入日常生活，這一區別開始變得重要。

人們正在使用AI來工作、研究、腦力激盪、個人項目，以及日益增多的私人對話。AI越有用，背後的隱私架構就越重要。

大多數討論都集中在模型智能上。

我開始認為隱私基礎設施或許同樣重要。

如果用戶不感到舒適誠實地與它互動，世界上最聰明的AI也幫不上什麼忙。

這是OpenGradient似乎從非常不同的角度來解決的問題。

@OpenGradient

#opg $OPG

我總覺得人們討論人工智能隱私就像這是個設置問題一樣很奇怪。

關閉追蹤。

調整權限。

閱讀隱私政策。

希望一切順利。

整個模型似乎是建立在信任之上的。

你信任存儲數據的公司。

你信任可以訪問數據的員工。

你信任未來的政策變化不會影響你。

你信任沒有信息泄露。

我越想越覺得這很不尋常。

因爲密碼學幾年前就解決了這個問題。

在加密貨幣領域，我們不信任某人不會濫用我們的資金。

我們設計系統使他們無法這樣做。

這就是爲什麼OpenGradient Chat吸引了我的注意。

它不是把隱私當作一種承諾，而是把隱私當作一個技術問題。

消息在設備上加密，身份信息在達到模型之前就被剝離。目標不是要求用戶信任，而是減少最初所需的信任程度。

這與大多數人工智能平臺的做法截然不同。

有趣的是，人工智能正變得越來越個性化。

人們用它來進行研究。

工作。

構思。

規劃。

私人對話。

隨着人工智能越來越融入日常生活，其背後的隱私模型變得與生成答案的模型同樣重要。

也許這就是人工智能基礎設施背後的更大故事。

不是誰有最聰明的模型。

而是誰構建了系統，讓用戶不必完全依賴承諾。

@OpenGradient

#opg $OPG

第一次看uniBTC時，我覺得權衡是顯而易見的。

你放棄了一些簡單性。

你獲得了額外的實用性。

故事到此爲止。

但我越是觀察這樣的系統，就越不相信簡單性和實用性是被交換的真正變量。

我認爲實際的權衡是可見性。

當BTC存放在冷錢包時，我可以用一句話解釋我的持倉。

我擁有比特幣。

就這樣。

一旦BTC開始通過基礎設施層流動，解釋就變得更長了。

現在我需要理解這個資產。

這個包裝。

這個協議。

保持系統一致的激勵。

架構中內置的假設。

有趣的是，這些層次並不一定是問題。

事實上，它們往往是額外實用性存在的原因。

實用性來自這些層。

但複雜性也是如此。

這就是爲什麼@Bedrock 對我來說變得越來越有趣。

不是因爲它改變了比特幣。

而是因爲它改變了持有者與比特幣之間的關係。

資產依然熟悉。

持倉變得越來越多層次化。

我認爲許多加密用戶低估了這種轉變的重要性。

當人們討論像uniBTC這樣的產品時，話題通常圍繞收益、參與或資本效率。

這些都是可見的結果。

不那麼明顯的問題是：

在什麼情況下，持倉不再只是對單一資產的持倉，而開始變成對整個系統的持倉？

我不確定是否有完美的答案。

但隨着加密不斷髮展，我越來越覺得理解基礎設施可能和理解流動其中的資產一樣重要。

#Bedrock $BR