Sahil987

@NewtonProtocol 最近，我一直在想，我們在以錯誤的方式衡量人工智能的進步嗎。

每一次新的發佈，都會根據它比上一代“更聰明”多少來評判。更強的推理能力、更好的性能、更優的基準測試。看起來人們的假設是：只要智能不斷提升，採用就會自然而然地隨之發生。

但我不確定事情真的這麼簡單。

如今阻礙人工智能的最大瓶頸，似乎不再是能力本身了。它更像是“信心”。

人們並不是因爲AI還不夠強大才猶豫使用。人們猶豫，是因爲他們想知道決策是如何被做出的，能夠採取哪些行動，以及這些行動是否仍然在他們真正信得過的邊界之內。

因此，我越來越着迷於人工智能基礎設施這一側。雖然討論可能會被模型主導，但底層的建設正在發生在別處。驗證、權限、問責以及政策執行並不是行業裏最常被談論的話題，然而它們最終可能會變成最重要的內容。

回頭看，大多數技術並不是在變得更先進之後才進入主流。它們是在變得“可靠”之後才進入主流。

人工智能或許也會走同樣的道路。

創造出最大價值的系統，未必是那些能做到最多的系統。它們可能是那些讓人們覺得可以在每一天裏、在任何時候都放心依賴的系統。

這將是一場截然不同的競賽，而且我認爲這纔剛剛開始。

#Newt #newt $NEWT

我一直回到這個想法：未來幾年最大的 AI 突破，可能與“智能”本身並無直接關係。

整個行業花了多年時間讓模型變得更聰明。更好的推理能力、更強的記憶、更優的輸出。坦率地說，進步確實令人驚歎。但隨着 AI 變得愈發強大，我反而越來越在思考一個完全不同的問題：信任。

大多數人不再問“AI 代理是否能夠完成任務”。他們真正關心的是“它是否能被信任，在正確的邊界內採取行動”。這是一項截然不同的挑戰。

這也是我近期開始關注 Newton Protocol 的原因之一。它並沒有把自主性當作最終目標，而是通過可編程策略與可驗證執行來理解 AI。這個思路很直接：用戶先定義規則，代理再在這些規則之內運行。聽起來簡單，但往往正是“簡單”決定了哪些技術能夠被廣泛採用，而哪些技術只能停留在有趣的實驗階段。

我注意到，每一輪重大的技術浪潮最終都會撞上同樣的現實：能力吸引關注，但信任推動採用。互聯網之所以能夠規模化，源於開放協議；金融體系之所以能夠規模化，依靠的是標準與問責。AI 也許會走類似的路徑。

在可用性、執行約束與長期激勵等方面，仍有許多問題需要回答。但我越是思考 AI 代理，就越懷疑我們正在邁向這樣一個世界：用戶不再去直接執行動作，而是開始去定義策略。

這比另一次基準測試的提升，更像是一場巨大的轉變。

#Newt #newt $NEWT #NewtonProtocol

我一直在看 @NewtonProtocol (NEWT)，有一點特別引起我的注意：AI 代理最大的挑戰可能不在於智慧，而在於信任。

AI 代理可以成為強大的工具，但當它們開始與鏈上系統互動時，問題就變成：我們如何確保它們的行動始終維持在清楚的界限之內？

我覺得牛頓（Newton）有趣之處，在於它聚焦於一個以政策驅動的執行層，打造出一個讓規則、權限與安全成為流程的一部分，而不是後續才被附加上的系統。

因為未來的 AI 不只取決於更聰明的代理。更取決於人們是否能夠放心地允許這些代理去運作。

值得關注的真正訊號，不只是建立了多少策略或應用程式，而是這項基礎設施是否會成為開發者真正倚賴的東西。

要讓 AI 規模化，不只需要智慧。它需要一個可信任的環境來執行。

這就是 Newton Protocol 正在嘗試建構的那一層。

#Newt #newt $NEWT

🤔 當代幣化資產不再只是機構簡單持有的東西，而開始變成他們可以用來借貸的東西，會發生什麼？

我在瞭解機構代幣化的過程中，遇到了 @Ripple latest 方向 for #XRPL 的最新思路，而那個想法比我預期的更久地留在了我心裏。關於代幣化現實世界資產的討論大多聚焦於將它們上鍊。但一旦它們在那裏，更有趣的問題就變成：它們實際上還能做什麼。

🏦 將代幣化資產用作抵押品，會把討論從“所有權”轉向“資本效率”。一家持有代幣化債券或其他資產的機構，並不一定需要出售這些資產才能獲得流動性。如果這些資產能夠直接在 XRPL 上支持借貸，它們就開始更像是能創造價值的資產負債表工具，而不只是靜態的數字記錄。

💭 這讓我想到金融基礎設施如何演進。第一階段通常是把現有流程數字化。第二階段是讓這些數字資產以以前不具備可行性的方式相互作用。有時候，最大的變化並不是創造一種新的資產類別，而是讓已有資產獲得新的金融用途。

📊 機構是否會接受這種模式，將取決於監管、風險管理和流動性，而不只是技術本身。儘管如此，這仍是一個有趣的提醒：代幣化的長期價值，或許與其說來自把資產放到鏈上，不如說來自一旦資產到達鏈上之後，它們能在不張揚中擴展所能發揮的作用。

#Ripple #XRPL #XPL $XRP

我們是不是把注意力過度集中在將執行過程去中心化上，以至於忽視了是誰在幕後制定其背後的規則？

在我開始閱讀關於@NewtonProtocol 的更多內容之後，這個問題一直縈繞在我心頭。加密領域的大多數討論都圍繞吞吐量、去中心化或流動性展開，但很少有人關注那一層：它決定某項行動在尚未到達區塊鏈之前，是否應該被允許。如今，這項責任往往由中心化基礎設施、公司內部政策，或在封閉環境中運作的人工合規團隊承擔。這樣的系統確實能用，但難以驗證，也無法讓外部審計。

牛頓對這個問題採取了不同的切入方式。它並不是把每一條規則都嵌入智能合約中，或是依賴鏈下信任，而是將政策視爲可編程邏輯：可以被獨立評估，並通過加密證明（attestations）來加以證實。讓我真正感興趣的並不只是合規本身，而是授權有可能成爲一種可複用的基礎設施層——就像雲計算成爲共享資源，而不是每家公司都必須從頭自行構建的東西。

隨着代幣化資產、AI 代理以及機構資本繼續在鏈上流動，定義值得信賴的規則，或許會變得同樣重要，甚至不亞於高效執行交易。基礎設施並不總是爲了讓系統變得更快。有時候，它的意義在於：在任何事情真正發生之前，讓決策變得更透明。

@NewtonProtocol #Newt #newt $NEWT

我昨晚又翻閱了一遍 @OpenGradient 創始團隊的背景，發現有一個小細節一直在拉扯着我，讓我意識到自己以前曾忽略過。CEO Matthew Wang 在兩年半前後於 Two Sigma 從事超過四年的量化研究與工程工作，之前還曾在 Google、Meta 和 NASA 任職。Two Sigma 的文化圍繞着對一切進行度量，並且只相信那些能夠通過數學方式被複現的內容。這種視角帶到加密領域裏，確實非常不尋常。

有意思的是，這種量化思維如何與 CTO Adam Balogh 的背景相結合。他在 Palantir 的 AI Platform 相關工作上領導了六年半，並擁有三項專利。這讓我想到，OpenGradient 對 TEE 證明、zkML 證明以及可密碼學驗證推理的關注，並不只是營銷話術，更可能反映了其創始人構建系統的方式。

我腦海裏浮現的問題是：這種機構背景是否真的能轉化爲更好的執行力，還是僅僅是一個更具說服力的故事。優秀的背景並不能保證一家初創公司就能避開常見的陷阱，而市場最終還是會決定，可驗證的 AI 基礎設施究竟是不是正確的押注。

我有時會想，隨着時間推移，創始人背景的重要性是否會比人們一開始想象的更低？最終，$OPG 這條軌跡是否會更多地取決於採用度，而不是簡歷。

@OpenGradient #OPG #opg $OPG

是什麼讓你對一個 AI 基礎設施項目最有信心？

🇮🇳 印度正出現明顯的穩定幣短缺。

由於 $USDT 及其他穩定幣的供應有限，USDT 溢價已升至 8.5% 以上。

隨着溢價上升，購買加密貨幣的成本變得更高，整體市場流動性也可能趨緊。

$TAC $USDC $UB
#India #Stablecoins #CryptoNews

GWEI、VELVET 和 DEXE 於七月初登上交易者關注名單

新月份的開始往往會帶來整個山寨幣市場的新一輪輪換，而這周，GWEI、VELVET 和 DEXE 正開始吸引更多目光。它們各自對應不同的敘事，因此比起用同一種視角去看待這三者，更值得繼續關注。

$GWEI 受益於圍繞以太坊生態系統的重新活躍，$VELVET 因其鏈上資產管理方法而逐漸獲得認可，$DEXE 則持續憑藉對去中心化治理以及由社區驅動的決策方式的關注而脫穎而出。

這些項目都無法保證會跑贏大盤，但它們代表了交易者開始把目光投向最大型加密貨幣之外的領域。早期市場關注並不總能轉化爲長期成功，不過它往往能揭示新的討論正在在哪裏形成。

隨着七月展開，看看這些項目能否將不斷增長的曝光度轉化爲更強的採用率，並維持持續的勢頭，將會很有意思。

你認爲這三種山寨幣中，哪一個對七月的前景最強？

🟠 塞勒剛剛發佈了#Bitcoinlc racker，並配文：

“我們需要更多圖表。” 📈

這讓社區預計明天還會有一次比特幣購買公告。 👀

儘管近期圍繞$STRC的恐慌（FUD）不斷，塞勒似乎並沒有退縮。如果歷史重演，這可能又是一個信念比噪音更強的信號。

$BTC #SaylorHintsStrategyBitcoinBuy #IRGCSaysItStruckKuwaitAndBahrain

🐋 一頭鯨魚剛用 40 倍槓桿開了一個 4620 萬美元的比特幣做空單。

這是你能做出的最大膽的押注之一。⚠️ 槓桿這麼高，只要倉位方向小幅反向波動，就可能觸發鉅額虧損。

👀 現在所有目光都在 $BTC 上——鯨魚會猜對，還是市場會反擊？

我在查看一次推理請求的排隊延遲時，注意到了一些我之前沒考慮過的事情。

該請求比平時等待得更久。沒有失敗。只是一直在等。節點池顯示有可用容量。在線的有已註冊、已驗證的 TEE 節點。

我以爲這只是暫時的路由卡頓，聽起來很合理。

但事情沒那麼簡單。

@OpenGradient 通過 OPG 激勵節點運營方。每次推理調用都會在 $OPG 上結算到 Base。這意味着運營方的收入以一種價格浮動的代幣計價。當 OPG 的價格走低時，每次推理的實際美元回報就會下降。那些硬件成本很高的運營方（比如 GPU 實例、TEE 部署、以及人臉側的證明/質證開銷）會面臨擠壓利潤的情況，而這在任何路由儀表盤上都看不到。紙面上的容量，並不等於在經濟上願意去服務流量的容量。

“存在”不等於“可靠”。這是我不斷回到的關鍵差距。

這裏的依賴鏈條貫穿的是經濟因素，而不僅僅是基礎設施。用戶提交請求。路由找到一個已註冊的節點。節點在線。但運營方是否會主動維護正常運行時間、是否會讓 TEE 證書保持最新、以及是否能在沒有延遲的情況下處理請求，取決於這些經濟條件對他們來說是否仍然划算。以上這些都無法從路由層讀取到。它基於“可用性”來選擇，而不是基於運營方激勵健康度。

我無法弄清的是“底線”是什麼樣的。網絡目前有處於早期階段的運營方，可能在啓動期以虧損或依靠補貼激勵在跑。

如果在持續的流量激增期間，OPG 價格大幅下跌，那麼會有多少節點在路由層察覺之前悄悄降低了服務優先級？

@OpenGradient #OPG #opg $OPG

🏆 世界盃日第17天

小組賽已正式結束，英格蘭與哥倫比亞分別在各自小組中名列第一。

現在，真正的冠軍賽開始了。每一場比賽都是淘汰賽式的足球：一次失誤就可能終結一支球隊的世界盃夢想。爭奪獎盃的競爭變得更加激烈。⚽🔥
$VELVET $BEAT $SYN

今天$SYN 的漂亮操作 🚀

下週的波動性可能會比平常更大。由於獨立日假期，美國非農就業報告將於週四發佈，交易員在佈局勞動力數據及其對風險資產和美元可能造成的影響時，可能會保持謹慎。

海灣地區的緊張局勢持續升級，令全球市場和航運路線面臨更大擔憂。投資者將密切關注是否出現進一步的軍事反應、外交進展，以及對油價和地區穩定可能帶來的影響

我在第二次請求中注意到了這個問題，而不是第一次。

我通過同一個 @OpenGradient Chat，並使用來自模型中心（Model Hub）的相同 ONNX 模型，連續進行了一組緊挨着的推理調用（back-to-back）。第一次調用很慢。第二次調用明顯更快。我以爲模型剛剛加載進內存，並在推理節點上本地緩存了。

從紙面上看，這似乎很顯然。

但這也太容易了。

文檔說模型會在推理節點上本地緩存以便快速訪問。但“緩存”（cached）和“可用”（available）並不是同一個條件。緩存存在於你請求被路由到的那個節點上。如果下一次請求命中了不同的節點，那臺節點可能會從 Walrus 存儲中重新獲取模型權重（fresh）。我看到的速度差異並不能證明存在“熱緩存”（warm cache）。這可能是兩個不同節點處於兩種不同狀態。

這完全改變了我對延遲數字的解讀方式。

依賴鏈是“按節點”特定的，而不是“全網絡範圍”的。模型會上傳到 Hub。權重會存儲在 Walrus。推理節點在第一次請求時獲取權重。權重會在該節點上本地緩存。路由會把你的下一次調用發送到別處。那臺節點會是冷啓動（cold）。你會再次經歷首次請求延遲，就像在做一遍“重複調用”。

我無法確定的是：路由層是否對跨節點的緩存狀態有任何感知。看起來路由優化的是可用性（availability），而不是“溫度/熱度”（warmth）。

我一直在反覆考慮持續性的工作負載。比如某個智能體（agent）在一場活動（campaign run）中，對同一個模型連續發起數百次順序調用。

如果每次調用都落在一個帶冷緩存的不同節點上，延遲畫像（latency profile）是否還能真正穩定下來？👍

@OpenGradient #OPG #opg $OPG