VeNom_Zee
1.6k 貼文
VeNom_Zee
實盤交易
中頻交易者
1.5 個月
177 關注
129 粉絲
1.0K+ 點讚數
貼文
投資組合
置頂
@OpenGradient 第一次推理就一切正常。
這正是讓我起疑的地方。
提示詞返回了。回覆看起來很正常。沒有出現錢包彈窗打斷我的工作流。沒有支付簽名。也沒有需要我手動拼接的驗證邏輯。
那一瞬間，我覺得自己是在使用另一個普通的 AI SDK。
然後我想起了 Python SDK 實際上在隱藏什麼。
SDK 並不是在移除 OpenGradient 的架構。它是在對其進行壓縮。
在一次 Python 調用背後，x402 支付會被自動處理，TEE 已驗證的推理會被執行，網絡仍然會結算證明，同時不強迫開發者管理每一個環節。
這會改變一些我認爲人們往往低估的東西。
開發者很少因爲缺乏安全性而放棄基礎設施。他們之所以放棄，是因爲每一個新的安全保證都會在構建流程中再製造一次中斷。
良好的基礎設施會保護系統。
偉大的基礎設施會保護開發者的推進力。
OpenGradient 的挑戰並不在於證明經過驗證的 AI 能工作。密碼學層面的保證早已存在。
更難的問題在於：當這些保證在後臺悄然發生時，開發者是否還能繼續順利交付。
如果每一次經過驗證的推理都感覺像普通的 API 調用，開發者就會開發得更多。
如果每一次調用都像另一套區塊鏈工作流，很多人就永遠到不了生產環境。
真正的考驗不在於 SDK 是否隱藏複雜性。
而在於開發者最終是否會不再把注意力放在基礎設施本身，轉而只專注於他們正在構建的東西。
$OPG #OPG
在 OpenGradient 的 Python SDK 採用中，最關鍵的是什麼？
這正是讓我起疑的地方。
提示詞返回了。回覆看起來很正常。沒有出現錢包彈窗打斷我的工作流。沒有支付簽名。也沒有需要我手動拼接的驗證邏輯。
那一瞬間，我覺得自己是在使用另一個普通的 AI SDK。
然後我想起了 Python SDK 實際上在隱藏什麼。
SDK 並不是在移除 OpenGradient 的架構。它是在對其進行壓縮。
在一次 Python 調用背後，x402 支付會被自動處理，TEE 已驗證的推理會被執行，網絡仍然會結算證明，同時不強迫開發者管理每一個環節。
這會改變一些我認爲人們往往低估的東西。
開發者很少因爲缺乏安全性而放棄基礎設施。他們之所以放棄，是因爲每一個新的安全保證都會在構建流程中再製造一次中斷。
良好的基礎設施會保護系統。
偉大的基礎設施會保護開發者的推進力。
OpenGradient 的挑戰並不在於證明經過驗證的 AI 能工作。密碼學層面的保證早已存在。
更難的問題在於：當這些保證在後臺悄然發生時，開發者是否還能繼續順利交付。
如果每一次經過驗證的推理都感覺像普通的 API 調用，開發者就會開發得更多。
如果每一次調用都像另一套區塊鏈工作流，很多人就永遠到不了生產環境。
真正的考驗不在於 SDK 是否隱藏複雜性。
而在於開發者最終是否會不再把注意力放在基礎設施本身，轉而只專注於他們正在構建的東西。
$OPG #OPG
在 OpenGradient 的 Python SDK 採用中，最關鍵的是什麼？
🔹 Simplicity
40%
🔹 Verification
60%
🔹 Developer Flow
0%
5 票 • 投票已結束
@OpenGradient
我最初提出的第一個問題並不在於模型本身。
而是在於驗證者。
當我想象一種用於 AI 推理的“傳統區塊鏈”會是什麼樣子時，我一直在思考：如果每個驗證者都需要運行每一次請求，那麼系統會變成怎樣。
這同樣適用於代幣轉賬。
但對 AI 來說這就完全行不通了。
因爲一個小型分類器、一個圖像模型以及一個 70B 的大語言模型，並不需要相同的硬件、相同的執行時間，甚至連成本都不一樣。若把它們一概而論，就會在計算上造成巨大的浪費，或者讓網絡慢到無法真正發揮作用。
這正是 OpenGradient 的架構開始變得更有意義的地方。
HACA 不再要求每個節點都做所有事情。
推理節點負責執行模型。
全節點負責驗證證明並維護共識。
數據節點負責獲取可信的外部數據。
Walrus 將那些“重”的部分存儲在鏈下。
每一層都在解決不同的問題，而不是在爭奪同一份資源。
我一直在想的並不是這種“專門化”本身。
而是協調（coordination）。
隨着網絡規模變大，更難的可能不是計算髮生在哪裏，而是當用戶要求推理節點、數據節點和驗證者各司其職時，如何避免瓶頸。
專門化能夠提升性能。
但性能能否隨着規模擴展，取決於協調能力。
#OPG #opg $OPG
隨着 OpenGradient 的專用網絡不斷壯大，最重要的會是什麼？
我最初提出的第一個問題並不在於模型本身。
而是在於驗證者。
當我想象一種用於 AI 推理的“傳統區塊鏈”會是什麼樣子時，我一直在思考：如果每個驗證者都需要運行每一次請求，那麼系統會變成怎樣。
這同樣適用於代幣轉賬。
但對 AI 來說這就完全行不通了。
因爲一個小型分類器、一個圖像模型以及一個 70B 的大語言模型，並不需要相同的硬件、相同的執行時間，甚至連成本都不一樣。若把它們一概而論，就會在計算上造成巨大的浪費，或者讓網絡慢到無法真正發揮作用。
這正是 OpenGradient 的架構開始變得更有意義的地方。
HACA 不再要求每個節點都做所有事情。
推理節點負責執行模型。
全節點負責驗證證明並維護共識。
數據節點負責獲取可信的外部數據。
Walrus 將那些“重”的部分存儲在鏈下。
每一層都在解決不同的問題，而不是在爭奪同一份資源。
我一直在想的並不是這種“專門化”本身。
而是協調（coordination）。
隨着網絡規模變大，更難的可能不是計算髮生在哪裏，而是當用戶要求推理節點、數據節點和驗證者各司其職時，如何避免瓶頸。
專門化能夠提升性能。
但性能能否隨着規模擴展，取決於協調能力。
#OPG #opg $OPG
隨着 OpenGradient 的專用網絡不斷壯大，最重要的會是什麼？
⚡ Coordination⚡
63%
🖥️ Compute 🖥️
0%
🛡️ Verification 🛡️
37%
8 票 • 投票已結束
@OpenGradient
請求幾乎是立刻發出了。
起初我以爲區塊鏈被繞過了。
看起來這似乎是唯一的解釋。在其他區塊鏈中，任何事情在被認爲最終之前，都必須先達成共識。
而AI推理沒有這種“餘裕”。人類通常希望在幾秒內就得到答案，而不是等待區塊確認時間。
後來我又仔細看了看。
答案並不是它在忽略區塊鏈，而是它採用了另一條時間線。
這個請求會先到推理節點，然後進行證明。最終，只有在共識算法中由全節點完成驗證之後，該證明的內容纔會被加入到記錄中。
這改變了我對去中心化的思考方式。
雖然我過去傾向於認爲速度和驗證之間是權衡關係，但 OpenGradient 的架構表明，這兩者不必非得如此。
當然，這也引出了另一個問題。
即使響應被設計爲足夠快，如果證明從未到來、來得太晚，或者在用戶已經根據結果採取行動之後才失敗驗證，會發生什麼？
這種架構解決了一個瓶頸，但也引入了另一個，開發者將不得不理解。
真正的考驗並不是推理看起來有多快。
當成千上萬的請求需要被最終確認時，它是否仍能成立。
#OPG #opg $OPG
OpenGradient 的異步結算是重點關注的。
請求幾乎是立刻發出了。
起初我以爲區塊鏈被繞過了。
看起來這似乎是唯一的解釋。在其他區塊鏈中，任何事情在被認爲最終之前，都必須先達成共識。
而AI推理沒有這種“餘裕”。人類通常希望在幾秒內就得到答案，而不是等待區塊確認時間。
後來我又仔細看了看。
答案並不是它在忽略區塊鏈，而是它採用了另一條時間線。
這個請求會先到推理節點，然後進行證明。最終，只有在共識算法中由全節點完成驗證之後，該證明的內容纔會被加入到記錄中。
這改變了我對去中心化的思考方式。
雖然我過去傾向於認爲速度和驗證之間是權衡關係，但 OpenGradient 的架構表明，這兩者不必非得如此。
當然，這也引出了另一個問題。
即使響應被設計爲足夠快，如果證明從未到來、來得太晚，或者在用戶已經根據結果採取行動之後才失敗驗證，會發生什麼？
這種架構解決了一個瓶頸，但也引入了另一個，開發者將不得不理解。
真正的考驗並不是推理看起來有多快。
當成千上萬的請求需要被最終確認時，它是否仍能成立。
#OPG #opg $OPG
OpenGradient 的異步結算是重點關注的。
⚡ Latency ⚡
61%
🛡️ Verification 🛡️
31%
📈 Scalability 📈
8%
13 票 • 投票已結束
幾年前，我可能會認爲這是個荒謬的想法。
如果一個 AI 系統比另一個更聰明，爲什麼它不應該贏？
這聽起來顯而易見。
但我觀察技術發展的時間越久，這份“顯而易見”就越不確定。
歷史上充滿了那些未必就是最好的產品。
它們之所以變得主導，是因爲人們信任它。
或者因爲它解決了一個比單純的性能更重要的問題。
AI 也許正在接近類似的時刻。
今天，大多數對話都圍繞能力展開。
模型有多大？
提升速度有多快？
推理表現有多好？
這些問題確實重要。
但它們都建立在同一個前提上：
智能是主要瓶頸。
我現在不再確定這點。
想象一個 AI 系統能幫助執行交易、審批付款、分析合同，或支持商業決策。
在這些場景裏，智能只是方程的一部分。
另一部分是“可信度”。
不是指答案聽起來是否正確。
而是指流程本身是否值得信賴。
這正是讓我對 OpenGradient 感到有趣的原因。
該項目正在探索 AI 棧的另一層：驗證。
藉助諸如可信執行環境（TEE）和零知識機器學習（ZKML）等技術，目標是讓重要的 AI 計算能夠被獨立地驗證，而不是僅憑聲譽就被接受。
這並不會神奇地解決一切。
驗證會帶來額外開銷。
在規模化條件下，證明系統仍然難且昂貴。
這些限制都是真實存在的。
儘管如此，我總會回到同一個想法。
AI 的第一章在於生成智能。
下一章可能會是證明智能。
而如果真是這樣，未來的 AI 競賽未必只會由最聰明的系統贏得。
可能會由人們能夠驗證的那一個贏得。
@OpenGradient #OPG $OPG
如果一個 AI 系統比另一個更聰明，爲什麼它不應該贏？
這聽起來顯而易見。
但我觀察技術發展的時間越久，這份“顯而易見”就越不確定。
歷史上充滿了那些未必就是最好的產品。
它們之所以變得主導，是因爲人們信任它。
或者因爲它解決了一個比單純的性能更重要的問題。
AI 也許正在接近類似的時刻。
今天，大多數對話都圍繞能力展開。
模型有多大？
提升速度有多快？
推理表現有多好？
這些問題確實重要。
但它們都建立在同一個前提上：
智能是主要瓶頸。
我現在不再確定這點。
想象一個 AI 系統能幫助執行交易、審批付款、分析合同，或支持商業決策。
在這些場景裏，智能只是方程的一部分。
另一部分是“可信度”。
不是指答案聽起來是否正確。
而是指流程本身是否值得信賴。
這正是讓我對 OpenGradient 感到有趣的原因。
該項目正在探索 AI 棧的另一層：驗證。
藉助諸如可信執行環境（TEE）和零知識機器學習（ZKML）等技術，目標是讓重要的 AI 計算能夠被獨立地驗證，而不是僅憑聲譽就被接受。
這並不會神奇地解決一切。
驗證會帶來額外開銷。
在規模化條件下，證明系統仍然難且昂貴。
這些限制都是真實存在的。
儘管如此，我總會回到同一個想法。
AI 的第一章在於生成智能。
下一章可能會是證明智能。
而如果真是這樣，未來的 AI 競賽未必只會由最聰明的系統贏得。
可能會由人們能夠驗證的那一個贏得。
@OpenGradient #OPG $OPG
信任是便宜的。
證明是昂貴的。
這就是為什麼大多數系統首先依賴信任。
想想吧。
當有人給你轉帳時，你不會單純相信餘額是正確的。
有紀錄。
審計。
收據。
整個系統旨在驗證發生了什麼。
然而，有史以來最強大的技術之一卻以非常不同的方式運作。
AI給出了答案。
我們大多數人閱讀它。
如果聽起來合理，我們就接受它。
這通常就是過程的結束。
奇怪的是，AI不再只是幫助人們寫電子郵件或總結文章。
它正逐漸成為研究、金融、軟體開發、內容創作和決策的一部分。
角色越重要，反覆出現的問題就越多：
我們實際上驗證的是什麼？
不是答案看起來是否正確。
而是背後的過程是否可以信任。
這就是我在探索OpenGradient時引起我注意的地方。
該項目圍繞著一個簡單的想法建立：
智能不僅應該產生結果。
它還應該能夠產生證據。
證據證明模型按照預期執行。
證據證明輸出沒有被篡改。
證據證明信任並不是唯一支撐系統的東西。
也許大多數用戶今天不會在乎驗證。
大多數人選擇方便。
他們一直都是。
但許多重要技術也遵循了同樣的路徑。
一開始，證明感覺不必要。
後來，它變得至關重要。
這就是為什麼我認為未來的AI競賽可能不僅僅由誰建立最聰明的模型來決定。
它也可能由誰能證明他們的智能實際上做了什麼來決定。
因為最終每個系統都會面臨同樣的問題：
當信任變得不足時，接下來會是什麼？
@OpenGradient #OPG $OPG
證明是昂貴的。
這就是為什麼大多數系統首先依賴信任。
想想吧。
當有人給你轉帳時，你不會單純相信餘額是正確的。
有紀錄。
審計。
收據。
整個系統旨在驗證發生了什麼。
然而，有史以來最強大的技術之一卻以非常不同的方式運作。
AI給出了答案。
我們大多數人閱讀它。
如果聽起來合理，我們就接受它。
這通常就是過程的結束。
奇怪的是，AI不再只是幫助人們寫電子郵件或總結文章。
它正逐漸成為研究、金融、軟體開發、內容創作和決策的一部分。
角色越重要，反覆出現的問題就越多：
我們實際上驗證的是什麼？
不是答案看起來是否正確。
而是背後的過程是否可以信任。
這就是我在探索OpenGradient時引起我注意的地方。
該項目圍繞著一個簡單的想法建立：
智能不僅應該產生結果。
它還應該能夠產生證據。
證據證明模型按照預期執行。
證據證明輸出沒有被篡改。
證據證明信任並不是唯一支撐系統的東西。
也許大多數用戶今天不會在乎驗證。
大多數人選擇方便。
他們一直都是。
但許多重要技術也遵循了同樣的路徑。
一開始，證明感覺不必要。
後來，它變得至關重要。
這就是為什麼我認為未來的AI競賽可能不僅僅由誰建立最聰明的模型來決定。
它也可能由誰能證明他們的智能實際上做了什麼來決定。
因為最終每個系統都會面臨同樣的問題：
當信任變得不足時，接下來會是什麼？
@OpenGradient #OPG $OPG
在大多數歷史上，智力從來都不夠。
人們需要證據。
一個科學家可以提出突破性的主張。
這個主張之所以重要，是因爲其他科學家可以驗證它。
一家公司可以報告創紀錄的利潤。
這些數字之所以重要，是因爲審計師可以驗證它們。
即使金融系統也不是僅僅依靠信任來運作的。
它們依靠記錄、證據和問責制。
這就是我開始以不同的方式看待人工智能的原因。
多年來，討論的重點一直是讓模型更智能。
更大的模型。
更好的模型。
更強大的模型。
公平地說，這一進展是顯著的。
但隨着人工智能在研究、金融、軟件和決策中扮演越來越重要的角色，另一個問題開始浮現。
當智力變得足夠重要，以至於單靠信任已不再足夠時，會發生什麼？
今天，大多數人工智能系統以一種令人驚訝的熟悉的方式運作。
你收到一個答案。
你評估結果。
然後你決定是否信任它。
你很少看到的是背後的過程。
這就是我在探索OpenGradient時引起我注意的部分。
該項目不僅專注於生成智力。
它還專注於使人工智能執行可驗證。
通過使用受信執行環境（TEE）和零知識機器學習（ZKML）等技術，目標是提供關於人工智能計算如何執行的證據，而不是要求用戶完全依賴聲譽。
當然，驗證會引入成本。
額外的透明度通常伴隨着額外的複雜性。
在金融中是如此。
在安全中也是如此。
在人工智能中也可能證明是如此。
我的收穫不是更智能的模型不再重要。
它們會。
但歷史表明，每個重要的系統最終都會面臨同樣的挑戰：
僅僅被信任是不夠的。
在某個時刻，它必須是可驗證的。
隨着人工智能變得越來越重要，這一時刻可能會比大多數人預期的來得更早。
@OpenGradient #OPG $OPG
人們需要證據。
一個科學家可以提出突破性的主張。
這個主張之所以重要，是因爲其他科學家可以驗證它。
一家公司可以報告創紀錄的利潤。
這些數字之所以重要，是因爲審計師可以驗證它們。
即使金融系統也不是僅僅依靠信任來運作的。
它們依靠記錄、證據和問責制。
這就是我開始以不同的方式看待人工智能的原因。
多年來，討論的重點一直是讓模型更智能。
更大的模型。
更好的模型。
更強大的模型。
公平地說，這一進展是顯著的。
但隨着人工智能在研究、金融、軟件和決策中扮演越來越重要的角色，另一個問題開始浮現。
當智力變得足夠重要，以至於單靠信任已不再足夠時，會發生什麼？
今天，大多數人工智能系統以一種令人驚訝的熟悉的方式運作。
你收到一個答案。
你評估結果。
然後你決定是否信任它。
你很少看到的是背後的過程。
這就是我在探索OpenGradient時引起我注意的部分。
該項目不僅專注於生成智力。
它還專注於使人工智能執行可驗證。
通過使用受信執行環境（TEE）和零知識機器學習（ZKML）等技術，目標是提供關於人工智能計算如何執行的證據，而不是要求用戶完全依賴聲譽。
當然，驗證會引入成本。
額外的透明度通常伴隨着額外的複雜性。
在金融中是如此。
在安全中也是如此。
在人工智能中也可能證明是如此。
我的收穫不是更智能的模型不再重要。
它們會。
但歷史表明，每個重要的系統最終都會面臨同樣的挑戰：
僅僅被信任是不夠的。
在某個時刻，它必須是可驗證的。
隨着人工智能變得越來越重要，這一時刻可能會比大多數人預期的來得更早。
@OpenGradient #OPG $OPG
誰能控制智能？
在大多數歷史時期，權力來自於對土地的控制。
後來是對工業的控制。
再後來是對信息的控制。
現在我們正進入一個智能本身成爲基礎設施的世界。
這完全改變了問題的性質。
大多數人看待AI時會問：
哪個模型最聰明？
哪個公司領先？
哪個系統生成的答案最好？
我開始認爲另一個問題更爲重要。
誰控制對智能的訪問？
因爲AI不再僅僅是一個工具。
它正在成爲研究、軟件開發、教育、商業、內容創作和決策的一部分。
擁有強大智能訪問權的人會學習得更快。
構建得更快。
適應得更快。
創造得更快。
這聽起來很令人興奮。
直到你意識到，訪問並不總是有保障的。
模型可能會受到限制。
地區可能會被封鎖。
政策可能會改變。
價格可能會上漲。
當智能成爲日常基礎設施的一部分時，這些決策影響的不僅僅是軟件。
它們影響的是機會。
這就是我在探索OpenGradient時引起我注意的地方。
該項目不僅專注於使AI可用。
它圍繞開放智能的理念構建——一個旨在使智能更易於訪問、可驗證、並且不太依賴於少數守門人的基礎設施層。
也許集中系統將繼續主導。
也許大多數用戶不會考慮他們的智能來自哪裏。
但歷史表明，當某些東西變得至關重要時，訪問權的問題最終會變得無法忽視。
互聯網改變了世界，因爲它擴大了信息的訪問權。
AI可能通過擴大對智能的訪問來改變世界。
問題是這種訪問是否保持開放。
因爲未來可能不僅僅由誰構建了最聰明的AI來決定。
也可能由誰能使用它來決定。
👇 隨着AI成爲基礎設施，誰應該控制對智能的訪問？
@OpenGradient #OPG $OPG
在大多數歷史時期，權力來自於對土地的控制。
後來是對工業的控制。
再後來是對信息的控制。
現在我們正進入一個智能本身成爲基礎設施的世界。
這完全改變了問題的性質。
大多數人看待AI時會問：
哪個模型最聰明？
哪個公司領先？
哪個系統生成的答案最好？
我開始認爲另一個問題更爲重要。
誰控制對智能的訪問？
因爲AI不再僅僅是一個工具。
它正在成爲研究、軟件開發、教育、商業、內容創作和決策的一部分。
擁有強大智能訪問權的人會學習得更快。
構建得更快。
適應得更快。
創造得更快。
這聽起來很令人興奮。
直到你意識到，訪問並不總是有保障的。
模型可能會受到限制。
地區可能會被封鎖。
政策可能會改變。
價格可能會上漲。
當智能成爲日常基礎設施的一部分時，這些決策影響的不僅僅是軟件。
它們影響的是機會。
這就是我在探索OpenGradient時引起我注意的地方。
該項目不僅專注於使AI可用。
它圍繞開放智能的理念構建——一個旨在使智能更易於訪問、可驗證、並且不太依賴於少數守門人的基礎設施層。
也許集中系統將繼續主導。
也許大多數用戶不會考慮他們的智能來自哪裏。
但歷史表明，當某些東西變得至關重要時，訪問權的問題最終會變得無法忽視。
互聯網改變了世界，因爲它擴大了信息的訪問權。
AI可能通過擴大對智能的訪問來改變世界。
問題是這種訪問是否保持開放。
因爲未來可能不僅僅由誰構建了最聰明的AI來決定。
也可能由誰能使用它來決定。
👇 隨着AI成爲基礎設施，誰應該控制對智能的訪問？
@OpenGradient #OPG $OPG
@OpenAI vs @OpenGradient
我曾經認爲AI公司競爭的唯一焦點是：
誰能構建出最聰明的模型？
但隨着我對AI基礎設施的深入探索，我意識到還有另一場競爭在悄然進行：
誰能證明他們的AI實際上做了什麼？
以OpenAI爲例。
如果ChatGPT給出一個答案，大多數用戶會信任是正確的模型處理了這個提示並返回了響應。這種信任來自於OpenAI的聲譽、基礎設施和安全實踐。
對大多數用例來說，這已經足夠了。
但是，如果一個AI代理在管理資金、執行交易、批准交易或做出影響真實資金的決策呢？
這就是OpenGradient採取完全不同的方法的地方。#opg
它並不是讓用戶信任系統，而是專注於讓AI執行可驗證。
一個有用的類比是在線銀行。
OpenAI就像一個高度可信的銀行。大多數人都願意使用它，因爲這個機構已經獲得了信譽。
OpenGradient試圖爲每一個重要的AI操作提供等同於可審計交易收據的東西。
不僅僅是“相信我們。”
而是“這是發生過的事情的證明。”
它的架構結合了受信執行環境（TEE）和零知識機器學習（ZKML），使開發者能夠驗證AI計算是如何執行的，而不是單純依賴提供者的說法。網絡的核心設計將執行與驗證分開，旨在保持性能的同時增加透明度。
當然，這也有權衡。
驗證增加了複雜性，而對於大規模AI工作負載來說，密碼學證明仍然是昂貴的。OpenGradient本身也承認這些限制。
我的收穫不是一種方法取代另一種。
OpenAI在推動智能的前沿。
OpenGradient在探索信任的前沿。
隨着AI代理開始做出更高風險的決策，我認爲兩者可能會變得同樣重要。
$OPG #OPG #OpenGradient
@OpenAI @OpenGradient
我曾經認爲AI公司競爭的唯一焦點是：
誰能構建出最聰明的模型？
但隨着我對AI基礎設施的深入探索，我意識到還有另一場競爭在悄然進行：
誰能證明他們的AI實際上做了什麼？
以OpenAI爲例。
如果ChatGPT給出一個答案，大多數用戶會信任是正確的模型處理了這個提示並返回了響應。這種信任來自於OpenAI的聲譽、基礎設施和安全實踐。
對大多數用例來說，這已經足夠了。
但是，如果一個AI代理在管理資金、執行交易、批准交易或做出影響真實資金的決策呢？
這就是OpenGradient採取完全不同的方法的地方。#opg
它並不是讓用戶信任系統，而是專注於讓AI執行可驗證。
一個有用的類比是在線銀行。
OpenAI就像一個高度可信的銀行。大多數人都願意使用它，因爲這個機構已經獲得了信譽。
OpenGradient試圖爲每一個重要的AI操作提供等同於可審計交易收據的東西。
不僅僅是“相信我們。”
而是“這是發生過的事情的證明。”
它的架構結合了受信執行環境（TEE）和零知識機器學習（ZKML），使開發者能夠驗證AI計算是如何執行的，而不是單純依賴提供者的說法。網絡的核心設計將執行與驗證分開，旨在保持性能的同時增加透明度。
當然，這也有權衡。
驗證增加了複雜性，而對於大規模AI工作負載來說，密碼學證明仍然是昂貴的。OpenGradient本身也承認這些限制。
我的收穫不是一種方法取代另一種。
OpenAI在推動智能的前沿。
OpenGradient在探索信任的前沿。
隨着AI代理開始做出更高風險的決策，我認爲兩者可能會變得同樣重要。
$OPG #OPG #OpenGradient
@OpenAI @OpenGradient
真實
我曾經認爲，加密貨幣的未來主要在於更快的鏈、更大的社區和更強大的金融工具。#OPG
我記得看過許多AI + 加密項目，感覺很多項目都有類似的故事。他們談論改變未來，但我心中始終有一個問題：這個項目在加密世界之外究竟有什麼實際用處？
然後我開始探索OpenGradient，我的觀點發生了改變。
吸引我注意的不僅僅是將AI與區塊鏈結合的想法，而是專注於讓AI系統更加可驗證和可信。問題很簡單：當AI開始做出重要決策時，我們怎麼知道用的是什麼模型，答案背後發生了什麼，以及輸出是否可信？
OpenGradient在可驗證AI執行、系統身份和基於證明的驗證方面的做法感覺與衆不同，因爲它專注於一個真實的問題。它不只是說“AI將無處不在”，而是詢問當AI成爲日常決策的一部分時，人們如何能信任它。
將AI執行與驗證分開的想法，使用TEE和ZKML等方法，使這個概念更接近真實基礎設施，而不僅僅是另一個加密敘述。
但我仍然有疑問。去中心化的AI真的能與現有的中心化系統競爭嗎？驗證會成爲普通用戶關心的事情，還是僅僅是開發者需要的東西？
我認爲這些問題很重要，因爲最大的想法通常需要時間來證明自己。
我的收穫是，學習加密不是快速找到下一個趨勢，而是保持好奇，質疑敘述，關注那些試圖解決真實問題的項目。
@OpenGradient #opg $OPG
我記得看過許多AI + 加密項目，感覺很多項目都有類似的故事。他們談論改變未來，但我心中始終有一個問題：這個項目在加密世界之外究竟有什麼實際用處？
然後我開始探索OpenGradient，我的觀點發生了改變。
吸引我注意的不僅僅是將AI與區塊鏈結合的想法，而是專注於讓AI系統更加可驗證和可信。問題很簡單：當AI開始做出重要決策時，我們怎麼知道用的是什麼模型，答案背後發生了什麼，以及輸出是否可信？
OpenGradient在可驗證AI執行、系統身份和基於證明的驗證方面的做法感覺與衆不同，因爲它專注於一個真實的問題。它不只是說“AI將無處不在”，而是詢問當AI成爲日常決策的一部分時，人們如何能信任它。
將AI執行與驗證分開的想法，使用TEE和ZKML等方法，使這個概念更接近真實基礎設施，而不僅僅是另一個加密敘述。
但我仍然有疑問。去中心化的AI真的能與現有的中心化系統競爭嗎？驗證會成爲普通用戶關心的事情，還是僅僅是開發者需要的東西？
我認爲這些問題很重要，因爲最大的想法通常需要時間來證明自己。
我的收穫是，學習加密不是快速找到下一個趨勢，而是保持好奇，質疑敘述，關注那些試圖解決真實問題的項目。
@OpenGradient #opg $OPG
真實
你正在用真實的資金信任AI代理。你沒有任何證據證明他們的操作。
我注意到在加密貨幣領域，大家大多數關注AI代理能做什麼，但很少有人詢問如何驗證它們實際做了什麼。#OPG
當AI開始處理真正的經濟決策時，這就成了一個嚴重問題。如果一個AI代理執行交易、管理頭寸或參與協議操作，用戶就必須信任結果。問題在於，這種信任通常沒有證據支持。
大多數AI系統像黑箱一樣運作。你收到一個輸出，但無法獨立驗證是哪個模型生成的，使用了什麼輸入，或者計算是否如所聲稱的那樣進行。
這正是OpenGradient試圖解決的問題。
根據其白皮書，OpenGradient將AI執行與AI驗證分開。網絡創建一個可驗證的模型執行記錄，而不是讓用戶盲目信任一個AI系統。目標是讓AI輸出可以獨立審計。
想象一個簡單的例子。假設一個AI代理管理一個資金池，並決定何時重新平衡資產。決策本身很重要，但驗證該決策產生方式的能力可能更爲重要。沒有驗證，用戶只能看到結果。有了驗證，他們就能獲得計算確實按照所聲稱的方式發生的證據。
有趣的是，這個問題隨着AI的普及而變得更大。能力很重要，但問責制也同樣重要。如果AI要影響金融活動，用戶需要的不僅僅是輸出。他們需要能夠驗證這些輸出背後過程的方法。
長期的問題可能不是哪個AI最聰明。可能是哪個AI可以被信任，因爲它的執行可以被驗證。
@OpenGradient #opg $OPG
我注意到在加密貨幣領域，大家大多數關注AI代理能做什麼，但很少有人詢問如何驗證它們實際做了什麼。#OPG
當AI開始處理真正的經濟決策時，這就成了一個嚴重問題。如果一個AI代理執行交易、管理頭寸或參與協議操作，用戶就必須信任結果。問題在於，這種信任通常沒有證據支持。
大多數AI系統像黑箱一樣運作。你收到一個輸出，但無法獨立驗證是哪個模型生成的，使用了什麼輸入，或者計算是否如所聲稱的那樣進行。
這正是OpenGradient試圖解決的問題。
根據其白皮書，OpenGradient將AI執行與AI驗證分開。網絡創建一個可驗證的模型執行記錄，而不是讓用戶盲目信任一個AI系統。目標是讓AI輸出可以獨立審計。
想象一個簡單的例子。假設一個AI代理管理一個資金池，並決定何時重新平衡資產。決策本身很重要，但驗證該決策產生方式的能力可能更爲重要。沒有驗證，用戶只能看到結果。有了驗證，他們就能獲得計算確實按照所聲稱的方式發生的證據。
有趣的是，這個問題隨着AI的普及而變得更大。能力很重要，但問責制也同樣重要。如果AI要影響金融活動，用戶需要的不僅僅是輸出。他們需要能夠驗證這些輸出背後過程的方法。
長期的問題可能不是哪個AI最聰明。可能是哪個AI可以被信任，因爲它的執行可以被驗證。
@OpenGradient #opg $OPG
在加密領域，AI面臨的最大問題不是智能，而是信任。#OPG
當一個AI代理執行DeFi交易、管理頭寸或做出協議決策時，用戶目前必須接受結果，而不知道幕後的情況。
到底哪個模型在運行？輸入是否被更改？輸出是來自模型，還是其他地方？
這是一個在以驗證爲基礎的領域中存在的重大缺口。
OpenGradient的方案專注於通過將AI執行與AI驗證分開來解決這個問題。
一個普通的區塊鏈通過讓驗證者重複計算以達成共識來工作。這對於交易是有效的，但將這個理念擴展到大型AI模型意味着每個驗證者都要一次又一次地運行昂貴的模型推理。成本不斷增加，卻沒有增加有意義的價值。
相反，OpenGradient將過程分開。
一部分處理AI執行並快速交付結果。另一層創建加密證據，顯示哪個模型運行了，處理了哪些輸入，以及在記錄之前結果是否被更改。
一個簡單的例子：想象一個DeFi借貸協議使用AI模型來計算借款風險。如果沒有驗證，用戶只能信任操作員。通過可驗證的AI基礎設施，系統可以證明特定模型處理了特定數據併產生了該結果。
有趣的是速度與信任之間的平衡。
零知識證明提供強有力的保證，但對於大型模型仍然昂貴。受信執行環境通過基於硬件的證明提供更快的驗證。不同的工作負載可以選擇不同的安全級別。
OpenGradient正在探索Web3中AI採用的重要缺失層：不僅讓AI具備能力，還讓AI承擔責任。
@OpenGradient #opg $OPG
當一個AI代理執行DeFi交易、管理頭寸或做出協議決策時，用戶目前必須接受結果，而不知道幕後的情況。
到底哪個模型在運行？輸入是否被更改？輸出是來自模型，還是其他地方？
這是一個在以驗證爲基礎的領域中存在的重大缺口。
OpenGradient的方案專注於通過將AI執行與AI驗證分開來解決這個問題。
一個普通的區塊鏈通過讓驗證者重複計算以達成共識來工作。這對於交易是有效的，但將這個理念擴展到大型AI模型意味着每個驗證者都要一次又一次地運行昂貴的模型推理。成本不斷增加，卻沒有增加有意義的價值。
相反，OpenGradient將過程分開。
一部分處理AI執行並快速交付結果。另一層創建加密證據，顯示哪個模型運行了，處理了哪些輸入，以及在記錄之前結果是否被更改。
一個簡單的例子：想象一個DeFi借貸協議使用AI模型來計算借款風險。如果沒有驗證，用戶只能信任操作員。通過可驗證的AI基礎設施，系統可以證明特定模型處理了特定數據併產生了該結果。
有趣的是速度與信任之間的平衡。
零知識證明提供強有力的保證，但對於大型模型仍然昂貴。受信執行環境通過基於硬件的證明提供更快的驗證。不同的工作負載可以選擇不同的安全級別。
OpenGradient正在探索Web3中AI採用的重要缺失層：不僅讓AI具備能力，還讓AI承擔責任。
@OpenGradient #opg $OPG
我注意到關於足球預測的一些有趣事情。
一旦你做出了選擇，你就不再是旁觀者。
你開始以不同的關注度觀看每一次傳球、每一個機會和每一個進球。
這就是像幣安選贏這樣挑戰的吸引力所在。
一個預測可以將一場普通的比賽變成90分鐘的刺激。
我的選擇已鎖定。
現在只剩下最終的哨聲。⚽🔥
#BinancePickAndWin
一旦你做出了選擇，你就不再是旁觀者。
你開始以不同的關注度觀看每一次傳球、每一個機會和每一個進球。
這就是像幣安選贏這樣挑戰的吸引力所在。
一個預測可以將一場普通的比賽變成90分鐘的刺激。
我的選擇已鎖定。
現在只剩下最終的哨聲。⚽🔥
#BinancePickAndWin
真實
上週我在使用一個加密交易機器人時有個奇怪的想法……#OPG
如果給我那些信號的AI只是……撒謊？不是那種戲劇性的撒謊——只是默默地返回一個與實際模型計算的結果不同的答案。我根本無法得知。沒人能知道。
這個不舒服的想法讓我走向了OpenGradient，老實說，這是我在這個週期看到的最被低估的基礎設施項目之一。
他們解決的真正問題很簡單：
假設你在運行一個借貸協議。你的智能合約調用一個AI模型來決定借款人是否符合資格。這個計算髮生在某家公司服務器內部。你發出請求，得到一個數字，然後就……相信它。沒有收據。沒有證據。只有信仰。
OpenGradient完全消除了這種盲目的信任。
他們的系統叫做HACA，所有的計算都通過專門的節點進行路由。有些節點使用硬件安全的隔間（TEE），即使節點操作員也無法窺視你的數據。其他節點生成數學保證（ZKML），確保特定模型產生特定輸出——沒有捷徑，沒有操控可能。
聰明的地方？結果快速返回——毫秒級別——而加密結算在後臺悄然進行。開發者們不會爲了安全而犧牲速度。
除了原始基礎設施，他們還推出了真正的產品：
模型中心 → 去中心化的2000多個模型的庫
記憶同步 → 跨會話的持久記憶
AlphaSense → 可證明計算的金融信號
Twin.fun → 數字角色市場
測試網已經處理了一百萬次以上的計算。開發者們正在積極構建。
“只需信任我們”的AI時代即將結束。OpenGradient將是下一個階段。🔥
@OpenGradient #opg $OPG
如果給我那些信號的AI只是……撒謊？不是那種戲劇性的撒謊——只是默默地返回一個與實際模型計算的結果不同的答案。我根本無法得知。沒人能知道。
這個不舒服的想法讓我走向了OpenGradient，老實說，這是我在這個週期看到的最被低估的基礎設施項目之一。
他們解決的真正問題很簡單：
假設你在運行一個借貸協議。你的智能合約調用一個AI模型來決定借款人是否符合資格。這個計算髮生在某家公司服務器內部。你發出請求，得到一個數字，然後就……相信它。沒有收據。沒有證據。只有信仰。
OpenGradient完全消除了這種盲目的信任。
他們的系統叫做HACA，所有的計算都通過專門的節點進行路由。有些節點使用硬件安全的隔間（TEE），即使節點操作員也無法窺視你的數據。其他節點生成數學保證（ZKML），確保特定模型產生特定輸出——沒有捷徑，沒有操控可能。
聰明的地方？結果快速返回——毫秒級別——而加密結算在後臺悄然進行。開發者們不會爲了安全而犧牲速度。
除了原始基礎設施，他們還推出了真正的產品：
模型中心 → 去中心化的2000多個模型的庫
記憶同步 → 跨會話的持久記憶
AlphaSense → 可證明計算的金融信號
Twin.fun → 數字角色市場
測試網已經處理了一百萬次以上的計算。開發者們正在積極構建。
“只需信任我們”的AI時代即將結束。OpenGradient將是下一個階段。🔥
@OpenGradient #opg $OPG
有些人把足球視爲娛樂。
我把它看作是概率遊戲。
每場比賽都創造了一個簡單的挑戰：在別人知道答案之前，你能否做出正確的判斷？
這就是我喜歡幣安Pick & Win的原因。
沒有複雜的策略。沒有第二次機會。
只需一次預測，90分鐘來看看你的信念是否得到了證明。
我的選擇已確定。
現在是時候讓比賽來證明一切了。⚽🔥
#BinancePickAndWin
我把它看作是概率遊戲。
每場比賽都創造了一個簡單的挑戰：在別人知道答案之前，你能否做出正確的判斷？
這就是我喜歡幣安Pick & Win的原因。
沒有複雜的策略。沒有第二次機會。
只需一次預測，90分鐘來看看你的信念是否得到了證明。
我的選擇已確定。
現在是時候讓比賽來證明一切了。⚽🔥
#BinancePickAndWin
每個預測都是從同一開始：
一個問題。
誰會贏？進多少球？熱門球隊能否交付？
但數百萬人關注足球的原因並不是因為結果顯而易見。
而是因為沒有人知道。
這就是為什麼每場比賽都值得觀看，每個預測都值得做的原因。
今天，我已經支持了我的選擇。
現在比賽決定剩下的。 ⚽🏆
#BinancePickAndWin
一個問題。
誰會贏？進多少球？熱門球隊能否交付？
但數百萬人關注足球的原因並不是因為結果顯而易見。
而是因為沒有人知道。
這就是為什麼每場比賽都值得觀看，每個預測都值得做的原因。
今天，我已經支持了我的選擇。
現在比賽決定剩下的。 ⚽🏆
#BinancePickAndWin
🔐 我現在爲什麼密切關注OpenGradient#OPG
大多數人都在談論人工智能和加密貨幣是未來——但沒人真正問這個問題：你怎麼能真正信任一個AI剛告訴你的內容？
想一想。當一個AI代理移動你的資金、批准貸款或做出交易決策時——誰在檢查那個模型運行得是否正確？沒有人。你只是被要求相信它。
這正是OpenGradient所解決的問題。
這裏有一個真實的例子來讓你明白：
想象一下一個DeFi借貸協議使用AI在批准抵押品之前計算你的風險評分。使用傳統的AI基礎設施，你對哪個模型運行、它使用了什麼數據、或者輸出是否被篡改完全沒有任何證據。你在信任一個黑箱。
而在OpenGradient，那個同樣的推理在一個受信執行環境（TEE）內部運行——硬件級保護，生成一個加密證明，準確證明了什麼運行了以及返回了什麼。那個證明在鏈上結算。永久的。任何人都可以審計。
這只是一個驗證方法。他們構建了一個完整的光譜，從TEE用於速度關鍵的工作負載到ZKML（零知識機器學習）以實現最大的數學確定性。
數字已經說明了一切：託管超過2000個模型，測試網處理超過100萬次推理，活躍的開發者超過100個。
讓我印象深刻的是PIPE引擎——機器學習推理實際上在區塊形成之前就在內存池中預執行。這真的是一種新穎的架構。
AI需要一個信任層。OpenGradient也許真的能做到。
你在關注可驗證的AI嗎？在下方分享你的想法👇
#OpenGradient @OpenGradient #opg $OPG
大多數人都在談論人工智能和加密貨幣是未來——但沒人真正問這個問題：你怎麼能真正信任一個AI剛告訴你的內容？
想一想。當一個AI代理移動你的資金、批准貸款或做出交易決策時——誰在檢查那個模型運行得是否正確？沒有人。你只是被要求相信它。
這正是OpenGradient所解決的問題。
這裏有一個真實的例子來讓你明白：
想象一下一個DeFi借貸協議使用AI在批准抵押品之前計算你的風險評分。使用傳統的AI基礎設施，你對哪個模型運行、它使用了什麼數據、或者輸出是否被篡改完全沒有任何證據。你在信任一個黑箱。
而在OpenGradient，那個同樣的推理在一個受信執行環境（TEE）內部運行——硬件級保護，生成一個加密證明，準確證明了什麼運行了以及返回了什麼。那個證明在鏈上結算。永久的。任何人都可以審計。
這只是一個驗證方法。他們構建了一個完整的光譜，從TEE用於速度關鍵的工作負載到ZKML（零知識機器學習）以實現最大的數學確定性。
數字已經說明了一切：託管超過2000個模型，測試網處理超過100萬次推理，活躍的開發者超過100個。
讓我印象深刻的是PIPE引擎——機器學習推理實際上在區塊形成之前就在內存池中預執行。這真的是一種新穎的架構。
AI需要一個信任層。OpenGradient也許真的能做到。
你在關注可驗證的AI嗎？在下方分享你的想法👇
#OpenGradient @OpenGradient #opg $OPG
大部分足球迷都是看比賽的。
小部分人則嘗試預測比賽。
而這就是事情變得有趣的地方。
在開球前的每個決策都能讓每分鐘變得更加緊張。每一次進攻都至關重要。每個進球都改變一切。
這就是為什麼我喜歡像Binance Pick & Win這樣的挑戰。
你不需要完美的預測。
你只需有信心做出你的選擇並堅持下去。
我的選擇已經鎖定。⚽🔥
那你的呢？
#BinancePickAndWin
小部分人則嘗試預測比賽。
而這就是事情變得有趣的地方。
在開球前的每個決策都能讓每分鐘變得更加緊張。每一次進攻都至關重要。每個進球都改變一切。
這就是為什麼我喜歡像Binance Pick & Win這樣的挑戰。
你不需要完美的預測。
你只需有信心做出你的選擇並堅持下去。
我的選擇已經鎖定。⚽🔥
那你的呢？
#BinancePickAndWin
誰擁有AI？
大多數人問錯了問題。
「哪個AI是最聰明的？」
這不是重要的問題。
真正的問題是：
誰擁有這種智慧？
🧠 每天，數百萬人圍繞著AI建立他們的生活。
他們用它來學習。
來工作。
來創造。
來做決策。
然而幾乎沒有他們實際擁有他們依賴的智慧。
他們借用它。
他們租用它。
這改變了一切。
⚠️ 一次政策更新。
一次API限制。
一次政府命令。
一次公司決策。
接入就可能在一夜之間消失。
不是因為技術失敗。
而是因為其他人控制著它。
🌐 我們以前見過這個故事。
當信息變得開放時，互聯網變得無法阻擋。
當貨幣不再需要許可時，比特幣變得無法阻擋。
現在AI正處於同樣的十字路口。
智慧會屬於每個人嗎？
還是會繼續被少數守門人控制？
🔥 這就是為什麼OpenGradient脫穎而出。
雖然大多數項目都在競相打造更聰明的AI，
OpenGradient則在構建更深層的東西：
開放智慧的基礎設施。
一個未來，在那裡AI是：
✓ 默認私密
✓ 設計可驗證
✓ 本質上開放
✓ 用戶擁有
因為AI面臨的最大挑戰不是創造智慧。
而是確保智慧屬於使用它的人。
💡 接下來的十年不會由誰建造最聰明的AI來定義。
它將由誰擁有它來定義。
擁有智慧。
@OpenGradient
#OPG $OPG
大多數人問錯了問題。
「哪個AI是最聰明的？」
這不是重要的問題。
真正的問題是：
誰擁有這種智慧？
🧠 每天，數百萬人圍繞著AI建立他們的生活。
他們用它來學習。
來工作。
來創造。
來做決策。
然而幾乎沒有他們實際擁有他們依賴的智慧。
他們借用它。
他們租用它。
這改變了一切。
⚠️ 一次政策更新。
一次API限制。
一次政府命令。
一次公司決策。
接入就可能在一夜之間消失。
不是因為技術失敗。
而是因為其他人控制著它。
🌐 我們以前見過這個故事。
當信息變得開放時，互聯網變得無法阻擋。
當貨幣不再需要許可時，比特幣變得無法阻擋。
現在AI正處於同樣的十字路口。
智慧會屬於每個人嗎？
還是會繼續被少數守門人控制？
🔥 這就是為什麼OpenGradient脫穎而出。
雖然大多數項目都在競相打造更聰明的AI，
OpenGradient則在構建更深層的東西：
開放智慧的基礎設施。
一個未來，在那裡AI是：
✓ 默認私密
✓ 設計可驗證
✓ 本質上開放
✓ 用戶擁有
因為AI面臨的最大挑戰不是創造智慧。
而是確保智慧屬於使用它的人。
💡 接下來的十年不會由誰建造最聰明的AI來定義。
它將由誰擁有它來定義。
擁有智慧。
@OpenGradient
#OPG $OPG
大多數人認爲獲勝始於運氣。
我認爲它始於一個決定。
每場比賽都有不同的故事，而Binance Pick & Win給足球迷一個將預測轉化爲獎勵的機會。
有些人依賴統計數據。有些人信任近期狀態。還有些人完全依靠直覺。
無論策略如何，當最終哨聲吹響，你的預測正確時，興奮感都是一樣的。
我已經做出了我的選擇。
現在輪到你了。
你會相信數字還是跟隨你的足球直覺？ ⚽🏆
#BinancePickAndWin
我認爲它始於一個決定。
每場比賽都有不同的故事，而Binance Pick & Win給足球迷一個將預測轉化爲獎勵的機會。
有些人依賴統計數據。有些人信任近期狀態。還有些人完全依靠直覺。
無論策略如何，當最終哨聲吹響，你的預測正確時，興奮感都是一樣的。
我已經做出了我的選擇。
現在輪到你了。
你會相信數字還是跟隨你的足球直覺？ ⚽🏆
#BinancePickAndWin
大多數人認爲比特幣的價值來自稀缺性。
但是沒有實用性的稀缺性只是一種囤積。
目前流通中的比特幣大約有1980萬個。其中相當一部分存在於冷錢包、硬件錢包和多年未動資金的長期持有者手中。根據大多數估算，比特幣總供應量中很大一部分實際上是被凍結的——不是出於設計，而是出於默認。
這是一筆龐大的閒置資本。
現在發生的有趣轉變是，越來越多的開發者將這種閒置供應視爲一個可解決的問題，而不是特徵。而圍繞比特幣生產力出現的解決方案比早期的DeFi實驗要複雜得多。
Bedrock的做法脫穎而出，因爲它並不是試圖用比特幣包裝重建以太坊風格的DeFi。其架構是圍繞比特幣持有者真正需要的設計——無過度對手風險的收益，不需要放棄自我保管原則的策略，以及相對簡單持有的收益暴露。
這裏的保險庫結構很重要。Delta中性策略、借貸市場和現實資產整合不僅僅是產品特性。它們代表了不同類型持有者的不同風險特徵。希望獲得保守收益的長期投資者的入場點與對更活躍DeFi暴露感到舒適的人是不同的。Bedrock正在爲兩者構建。
往往被低估的是uniBTC在這方面所起的連接作用。它不僅僅是一個包裝資產——它是允許比特幣同時參與多個收益環境的機制，而不破壞基礎頭寸。
比特幣的貨幣政策是固定的。它的生產力則不是。
這種區別在下一個週期中將比大多數人目前預期的更爲重要。
@Bedrock #bedrock $BR $BTC #defi #BTC @Bitcoin
但是沒有實用性的稀缺性只是一種囤積。
目前流通中的比特幣大約有1980萬個。其中相當一部分存在於冷錢包、硬件錢包和多年未動資金的長期持有者手中。根據大多數估算，比特幣總供應量中很大一部分實際上是被凍結的——不是出於設計，而是出於默認。
這是一筆龐大的閒置資本。
現在發生的有趣轉變是，越來越多的開發者將這種閒置供應視爲一個可解決的問題，而不是特徵。而圍繞比特幣生產力出現的解決方案比早期的DeFi實驗要複雜得多。
Bedrock的做法脫穎而出，因爲它並不是試圖用比特幣包裝重建以太坊風格的DeFi。其架構是圍繞比特幣持有者真正需要的設計——無過度對手風險的收益，不需要放棄自我保管原則的策略，以及相對簡單持有的收益暴露。
這裏的保險庫結構很重要。Delta中性策略、借貸市場和現實資產整合不僅僅是產品特性。它們代表了不同類型持有者的不同風險特徵。希望獲得保守收益的長期投資者的入場點與對更活躍DeFi暴露感到舒適的人是不同的。Bedrock正在爲兩者構建。
往往被低估的是uniBTC在這方面所起的連接作用。它不僅僅是一個包裝資產——它是允許比特幣同時參與多個收益環境的機制，而不破壞基礎頭寸。
比特幣的貨幣政策是固定的。它的生產力則不是。
這種區別在下一個週期中將比大多數人目前預期的更爲重要。
@Bedrock #bedrock $BR $BTC #defi #BTC @Bitcoin
登入以探索更多內容