Prince ETH

上個月我用一個下午的時間，翻閱了三份被更頻繁引用的人工智能治理文件：歐盟《人工智能法案》（EU AI Act）、NIST 的《人工智能風險管理框架》（NIST AI RMF）以及某家大型實驗室發佈的一個安全框架。目標很簡單：找出“算力所有權”（compute ownership）在治理中具體出現在什麼地方。在這三份文件中，答案基本上是哪裏都沒有。

讓我印象深刻的並不是人們漏掉了它。問題在於，敘事方式本身讓它看不見。治理層面的討論把模型行爲當作可被控制的變量，而把基礎設施當作中性的背景——也就是承載 AI 發生的管道。這個假設悄悄地做了很多工作。

把它反過來看，畫面就變了。一個模型可以開源、可以被審計、也可以被自由再分發。但要在規模上運行它，就需要由少數公司擁有的 GPU 集羣。正是這些公司決定哪些模型能獲得低延遲服務，哪些模型在經濟上變得可部署，哪些則不行。迄今爲止，我在任何模型卡、任何安全披露或任何我找到的治理框架中，都沒有看到這些決策的痕跡。

更深的謎題在於：最有能力解釋“算力爲何與治理相關”的機構，恰恰也是擁有算力的那些機構。這並不是陰謀。只是激勵機制在正常運作。但這也解釋了爲什麼這個問題幾乎不會在任何嚴肅的政策討論中浮出水面。

@OpenGradient 圍繞的就是這個空白：把算力層本身進行分發，而不是把這些決策留在少數數據中心內部。

如果“以規模運行 AI 的能力”本身就是一個治理問題，那麼過去一年裏，討論的目標層級一直選錯了。值得停下來認真想一想。

$OPG
#OPG
$VELVET
$MYX

上個季度我開始收到一些我無法理解的支援工單。使用者描述產品「變得不對勁」，比以前不那麼可靠。它並沒有以任何我能指出的方式壞掉，只是：在它推理問題的方式上，微妙地改變了。我花了三天時間堅信是我在自己的程式碼裡引入了某種回歸。

但沒有。底層模型已經被更新。

我找不到任何公告、也沒有找到更新紀錄（changelog）——在 API 回應標頭裡也沒有版本跳號。有某種東西改變了模型的推理方式，而那個改變在沒有明示的情況下，悄悄滲透到我產品建立在其上的所有流程。我的使用者比我更早察覺，而這個細節比問題本身更讓我介意。

這裡，AI 平台依賴開始與先前那些風險分道揚鑣。應用程式商店規則的變更會附帶文件。社群 API 的關閉會伴隨除役公告（deprecation notices）、日期，以及你能夠提前規劃的特定時刻。但當你產品中的智慧層寄居在別人的訓練流程裡，地面就可能不帶時間戳地挪動。他們內部的重新訓練決策會按他們的時程成為你產品的行為，且不必告訴你究竟什麼地方被改動了。

我反覆回到的重點並不是不便。是底層的結構性現實。使用者已經信任並依賴的那種行為，並不完全是我能負責維護的。

我認為 OpenGradient 正試圖觸及的就是這個問題。它不是想提供更快或更便宜的模型存取，而是希望能通往一條路：讓你能掌握那個行為實際被定義出來的那一層。

我仍在摸索要如何以不同方式來建構會需要什麼。但我反覆落到的問題，比聽起來更具體。

如果你產品所依賴的模型昨天改了，你會是第一個知道的人嗎？

@OpenGradient
$OPG
#OPG
$VELVET
$MYX

三個月前，我參加了一場公開的人工智能治理磋商聽證會。在小組中有九名技術顧問。其中有七人曾直接受僱於當天正在被討論的那些公司。

在場的人似乎都沒有覺得這有什麼奇怪的。讓我記得最清楚的，反而不是小組本身；而是那種反應——或者說，沒有任何反應。

人們通常會給出一個合理的辯護：評估AI系統確實非常困難，而最懂它們的人往往正是那些在構建這些系統的實驗室裏工作的人。但問題是，事後我一直反覆想的卻是：在製藥領域，監管機構可以把某種化合物送到獨立實驗室進行檢驗。在金融領域，審計員可以在不使用銀行自有軟件的情況下覈查賬目。而在AI領域，支撐任何合規檢查的基準測試、評估流程管線、以及相關工具，幾乎完全由被評估的公司來控制。沒有獨立實驗室可以把任何東西送出去。被測對象與測量工具之間沒有清晰分離。

這並不是通常意義上的監管俘獲（regulatory capture）。當覈驗依賴於由被覈驗主體所擁有的工具時，問責就不再只是“在政治上不那麼方便”，而會從結構層面變得幾乎不可能。

我一直追問：如果不依賴這種關係，那麼監督究竟會是什麼樣子？不斷給到我的答案是：覈驗在架構上（而不只是組織層面）獨立於被評估的機構之外。@OpenGradient 是我一直最密切關注的這個項目。去中心化推理與覈驗能否在規模化條件下成立，目前依然真實地不確定。

如果唯一能夠覈驗AI系統的當事方就是那些構建它們的同一批人，那麼那些治理框架究竟服務於誰的利益，就不再只是修辭問題了。

$OPG
#OPG
$HEI
$AIN

六個月前，我花了一個下午的時間查看我每天使用的工具保存的輸出。我試圖找出結果何時開始感覺不同。我從未找到。

這應該是件小事，但我不斷回想。

令人不安的並不是變化本身，而是意識到我無法判斷這種漂移是模型的問題、運行它的基礎設施的問題、我不再關注的配置問題，還是我自己對良好輸出的理解的問題。每種解釋都指向一個我實際上無法檢查的地方。

然後是我不想面對的部分。我一直在利用這些輸出做出真實的決策。如果系統一直在悄悄變化，這些決策是基於一個我不知道在移動的目標做出的。

讓我感到困擾的是，我們的注意力已經變得多麼誤導。關於 AI 責任的學科正在增長：評估、審計、對抗測試。幾乎所有的焦點都集中在模型層。但模型並不是孤立運行的。路由決策、服務層更新、運行時的靜默配置更改，這些在模型卡上都沒有顯示，也不會在評估中浮現。我們把模型視爲一個穩定、可知的對象。而基礎設施讓這種假設變得脆弱，審計從未設計來捕捉這些問題。

這是 OpenGradient 構建的結構性問題：可以被審查而不僅僅是被信任的基礎設施。

我仍然不知道我的輸出是什麼時候改變的。這個小小的未解之謎比我預期的更讓我煩惱。

@OpenGradient
$OPG
#OPG
$KORU
$SLX

最近企業安全的討論讓我很煩惱，我一直在試圖弄明白原因。那些最專注於數據保護的團隊幾乎總是朝着一個方向，關注外部威脅。而流向的更安靜的方向卻沒有被提及。

每週，大型組織的員工都把他們最敏感的材料輸入到AI工具中。合同草稿、財務模型、董事會簡報、未發佈的產品路線圖。這些工具表現良好，數據流出。而在大多數組織中，沒有人正式追蹤這些數據的去向。

我一直在思考的就是。當公司審查AI供應商時，他們會進行常規的檢查清單，包括SOC 2認證、滲透測試。
這些框架告訴你供應商是否能抵禦外部攻擊，但對供應商在其系統內部可以對數據做什麼卻沒有任何說明。一個工具可以通過每個企業安全審查，但仍然可以保留輸入數據，將其在客戶之間彙總，並將其納入下一個模型更新。整個評估指向了錯誤的方向。

這個後果讓人更難以接受。當一個AI模型因處理了你公司未發佈的財務預測或內部法律策略而得到改進時，這種改進屬於供應商。生產力的提升歸員工所有，而模型的提升卻去向不明。沒有合同來定價這種交換，因爲大多數組織從未正式談判過。

opengradient對此採取了不同的方法。推理髮生在隔離的環境中，因此數據輸入永遠不會到達可以在會話之間彙總或保留它們的基礎設施。企業協議涵蓋的內容與數據在供應商系統內部實際發生的情況之間的差距，正是該架構旨在彌補的。

大多數組織可以生成詳細的日誌，記錄哪些外部供應商擁有網絡訪問權限。幾乎沒有組織能告訴你他們的員工在過去六個月中使用了哪些AI工具進行敏感工作。這種不對稱性可能比任何泄露報告都更重要。

@OpenGradient
$OPG
#OPG

我注意到在人工智能安全討論中出現了一種特定的沉默。這種沉默出現在真正的擔憂提出後，房間轉向了監督。誰來監督，按照什麼條款，向誰負責。這些問題往往不會跟上。

恐懼框架在這裏做了一些微妙的事情。它不僅僅是爲中央集權辯護，它使得詢問權力的事情聽起來像是在爲危險辯護。一旦你接受了技術是威脅，誰掌握鑰匙的問題聽起來充其量是分散注意力，最糟糕的是不負責任。合法關切的窗口悄然縮小。

這就變得奇怪了。對人工智能基礎設施的集中控制並不是一種中立的行政安排。它決定了哪些模型被構建，哪些用例獲得訪問權，以及誰的判斷成爲可接受推斷的默認。這些不是安全決策，而是政治決策。恐懼框架將它們洗滌成前者。

歷史提供了一個有用的平行。在每一項足夠危險以至於值得監督的技術中，無論是核能、製藥、金融基礎設施，最終都會產生相同的安排：離危險最近的人變成了離決策最近的人。有時這是有道理的。隨着時間的推移，管理風險與控制資產之間的區別消失了，誰還會信任你的邏輯超越了最初證明其合理性的緊急情況。

這個答案值得認真對待。不是因爲專業知識不重要，而是因爲獲取和專業知識不是一回事，將它們混淆就是合法安全關切變成持久權力安排的方式。

我認爲這就是@OpenGradient 試圖結構性地變得更難以複製的問題。分散模型託管、推斷和驗證，以便沒有單一參與者控制網絡能做什麼，這意味着誰來決定的問題沒有乾淨的答案，設計就是如此。

如果對人工智能的恐懼是集中化的更有效論據之一，那麼真正的問題可能是安全和訪問控制是否曾經是同一個關切。

$OPG
#OPG
$SYN

我每天都在用一個AI寫作助手。幾個月前，我注意到它開始預測我會選擇的確切措辭，不是相似的措辭，而是我總是默認的相同結構。我沉思了一會兒，然後開始想它實際上學到了什麼，以及這些學習存放在哪裏。

大多數個性化的AI工具都是以相同的方式運作。你發送的每個查詢、每次修正、每次後續都會影響系統的響應。信號不斷累積，檔案不斷清晰。

但個性化和行爲分析的輸入是相同的。你的查詢不僅僅是一個問題，它們還承載了你構建問題的方式、你迴避的內容、以及當你請求幫助時顯露出的知識空白。所有這些都在某個地方流動。一個有用功能和監控機制之間的差距不在於數據，而在於誰持有日誌以及什麼條件使其可訪問。

人們現在輸入的提示不是隨意的，它們包括法律問題、競爭分析、醫療決策、敏感的客戶策略。如此深度的查詢歷史不是偏好檔案，而是一張在壓力下思考的地圖。幾年前這張地圖並不存在。現在它默認地在某個地方不斷累積。

隱私政策在錯誤的層面上解決這個問題。政策會改變，條款會被修訂。但如果每個推斷請求都經過一個集中服務器，那麼行爲記錄就是一個結構性結果，無論文檔怎麼說。真正的隱私立場是系統設計，而不是政策。

OpenGradient在這個層面上構建。推斷在節點級別運行，驗證嵌入在執行路徑中，而不是事後記錄。生成驗證結果不需要中央日誌。它不是關於數據處理的承諾，而是一種不同的架構。

如果你AI使用的隱私程度依賴於系統設計而不是隱私政策，那麼在評估哪些工具值得信賴時，你會尋找哪些不同的東西。請在下面分享你的看法。

@OpenGradient $OPG #OPG $SYN $UB

在1980年，理查德·斯托曼試圖修改麻省理工學院的一臺施樂打印機驅動程序，以便在紙張卡住時提醒用戶。施樂拒絕分享源代碼。這個拒絕並不是因爲價格，而是關乎誰有權檢查和修改他們所依賴的軟件。

我上週讀到這個故事，當時我依賴的一個模型返回了錯誤的答案，我沒有辦法理解原因。權重是不可見的，架構也是不可見的。我唯一能做的就是嘗試不同的提示。

這就是現代AI訪問的隱祕形態。你並不是在使用一個工具，而是在租賃一個你無法檢查、無法追蹤、也無法獨立運行的系統的行爲。使用某樣東西和理解它的運行原理之間的差距，正是1980年代爭論再次出現的地方。

第二個問題是具體的。一個基於租賃推理構建產品的團隊，不僅僅依賴於運行時間。它還依賴於提供者不會默默改變模型，不會重新定價計算，也不會棄用已經驗證的版本。這些風險在API響應中是看不到的。

這個模式是結構性的。當你無法檢查你所依賴的東西時，你也無法知道何時會發生變化。1980年代的專有軟件也有相同的特徵，而答案並不是更好的許可，而是你自己運行和修改軟件的權利。

OpenGradient內部的模型中心是對此論點的直接回應。這個中心是無權限的，意味着沒有審批隊列，也沒有守門人決定哪些模型可以運行。每次推理都會產生一個加密證明，清晰地顯示執行的是哪個模型，因此任何應用都可以在不信任主機的情況下進行驗證。

如果斯托曼能夠修補那個打印機驅動程序，他可能不會花費四十年時間來構建軟件自由的基礎設施。現在對於構建者來說問題更簡單了。如果你真的能夠打開運行該模型的程序，你會改變你使用AI的方式嗎？在下面留下你的答案，並關注@OpenGradient $OPG 獲取更多信息。

#OPG $TNSR $ALICE

朋友上週說，直接用AI就行，咱們倆都沒反駁。我們瞥了一眼結果就繼續往前走。早些年的人也是這樣對待晚間新聞主播，信任播出的內容，而不問是誰決定了節目單。我一直在思考這兩個時刻。

便利性是關鍵。當一個界面毫無摩擦，一切底層的東西就消失在視野之外。你不會問是什麼模型在運作，誰訓練過它，它接觸了哪些數據，或者輸出是如何排名的。互動在你提問之前就結束了。

這裏有個讓我覺得不對勁的地方。採納速度越快，越沒有空間去問實際在運行的是什麼。那些從你不提問中獲益最多的人，正是那些構建界面的人。你用可見性換取便利性，卻沒有明確指出這個交換，而這個交換保持匿名，因爲體驗從未給你一個停下來的時刻。

第二階效應更爲安靜。當你圍繞不可驗證的輸出建立習慣時，你會停止發展檢查的本能。不是因爲你懶，而是因爲界面中沒有任何東西提示你。隨着時間的推移，你以一種難以表達或挑戰的方式信任它，而這種依賴不斷加深。

這就是基礎設施如何變得不可見的原因。不可見的基礎設施是你無法審計、質疑或追究責任的基礎設施。無論底層的模型是否準確，或者以你從未同意的方式處理你的數據，這都無所謂。你沒有參照點，所以你不會注意到。

OpenGradient正在朝着相反的方向發展。這個網絡的設計是爲了讓AI推理不僅僅是託管的，而是可驗證的，以便於今天大多數用戶看不見的層變成可以真正被檢查和質疑的東西。當驗證成爲架構的一部分而不是事後的想法時，用戶可以要求的基線假設開始發生變化。

你對現在工作流中運行的AI工具瞭解多少？把你的答案放在評論裏。

@OpenGradient $OPG #OPG
$RE $BTW

我問了世界上最常用的AI系統之一一個簡單的問題：描述你的訓練過程。

回應流利、自信，幾乎告訴我什麼都沒有。

並不是完全迴避。

更像是一面反射卻不揭示的鏡子。

那一刻比我預期的更長久地留在我心中。

因為這個模型並沒有撒謊——它只是不具備可審計的自我來源記錄。

它所基於的數據、靜靜傾斜其輸出的微調決策、我實際運行的版本——這些都無法追溯。

對我來說，

對大多數專業使用它的人來說也是如此。

我一直在思考的就是：這種不透明不是偶然的。

未披露的訓練歷史和靜默的版本更新並不是因為技術限制——它們發生是因為當前的架構並不要求任何人告訴你。

在那個空隙中，有一個問題沒有人問得夠頻繁：

當模型身份保持模糊時，誰得益？

這不是一個陰謀。這是一種更安靜的東西。

當你無法追溯模型的訓練資料時，你就無法根本挑戰其輸出。你只能對表面做出反應。

這是一種結構上的優勢——完全屬於控制權重的人。

你無法對一個無法追溯的過程給予知情同意。

當輸出影響醫療決策、法律解釋或財務建議時，這不再是哲學問題。

OpenGradient所建立的東西源自不同的前提——模型來源應該是任何人都可以檢查的財產，而不是埋藏在沒人閱讀的文件中的腳註。

訓練血統、權重、版本歷史——默認可驗證，而不是在某人終於想到要詢問時才披露。

不完全是謊言。只是經過練習的缺席。

如果你所依賴的模型沒有可審計的自我來源記錄——那麼，你到底在信任什麼？

@OpenGradient

$OPG

#OPG

$SYN

$VELVET

"去中心化的AI"可能是目前加密領域最常提到的詞彙。起初我只是點頭應和。
後來我開始跳過市場營銷幻燈片，轉而閱讀白皮書末尾的架構圖。
這個習慣改變了我對這個領域的評估方式。
圖表通常講述了與幻燈片不同的故事。
模型在鏈上運行？沒問題。但實際的推理——進行思考的部分——卻通過AWS或谷歌雲進行，並在上面加了一個治理代幣。
這不是去中心化。這只是圍繞一箇中心化服務的區塊鏈外衣。
一旦你將"去中心化的AI"分解爲它實際需要的三個方面：模型的存放位置、推理本身的運行位置，以及誰來驗證輸出沒有被篡改，區別就變得更清晰。
大多數項目僅解決第一個，推出一個治理代幣，然後就算大功告成。
抗審查能力與投票權無關。
關鍵在於是否有一家公司可以一鍵關閉，整個系統就會熄滅。
所以問題變成了：是否有任何東西真正攻擊了第二層和第三層？
這就是在我查看價格或市值之前吸引我關注OpenGradient的原因。
其架構通過實際節點運行推理和驗證，並對輸出提供加密證明——而不是在其他人的API調用上進行委員會投票。
這至少解決了正確的問題。它在真實規模下是否能持久仍未得到驗證，任何在這裏建設的人都值得保留懷疑態度，直到它證明有效。
真正的考驗不是白皮書。
而是一個陌生人能否提取鏈上證明，在不信任任何單一方的情況下進行驗證，並在某個擁有云訪問權限的人決定不再讓它運行時，觀察網絡繼續運作。
這個標準在這個領域還不存在。但這是唯一重要的標準。
@OpenGradient
$OPG
#OPG
$CLO
$SYN

幾周前，我使用一個AI工具爲客戶報告草擬了一個簡要總結。內容流暢得讓我幾乎沒有在發送前檢查。

然後有個同事問這個結論是基於哪個數據集的，我卻沒有任何材料可以展示給她。沒有鏈接，沒有日誌，甚至沒有對模型如何得出結論的猜測。這讓我感到不安，想想如果我自信地錯了卻從未意識到。

我開始思考我們是多麼隨意地信任AI的回答，幾乎就像信任朋友的意見一樣，基於語氣和自信而非證據。但模型並不是一個有名聲在身的人。它是一個過程，而過程是可以被檢查的，只要有人願意爲它建立軌道。

真正的缺口不是AI有時出錯，而是幾乎沒有記錄它是如何得出答案的。我們已經優化這些系統以流暢性爲主，而不是留下一條任何人都可以追溯的記錄。

這是OpenGradient方法中讓我印象深刻的部分，將推斷視爲可以在鏈上驗證的東西，而不是單純依賴信任。

我一直在想，我已經做了多少決策，卻從未真正能夠驗證答案。

@OpenGradient
$OPG
#OPG
$BR
$H

讓我停下來的細節不是固定供應的數字，而是所有五個代幣功能在代幣存在的同一天上線的說法。

OpenGradient 發佈了其代幣經濟學，框架清晰。OPG 的固定供應爲十億個代幣，沒有通貨膨脹，也不會有額外鑄造。五個功能分別是推理支付、模型貨幣化、應用訪問、質押和治理，所有功能都在 TGE 時就聲明爲可以操作。

但上線和活躍是不同的條件。質押、治理和應用訪問在代幣持有者存在的那一刻就啓動，這正是 TGE 的定義。推理支付和模型貨幣化需要同時具備兩個方面：一個有價值的模型的開發者和一個以真實流量路由付費推理調用的應用。

這種不對稱性決定了誰能捕捉到早期價值。無論誰在頭幾周質押，都能在推理經濟形成的過程中賺取收益。治理權重在這個窗口中累積，而與燃氣定價和國庫分配相關的參數也會在資本持有者而非模型構建者主導的時期被設定。

固定供應去掉了其他網絡用來彌補這一差距的一個槓桿。沒有發行來獎勵開發者在用戶到來之前，沒有通貨膨脹計劃來在推理變得有機之前進行補貼。這個賭注是 TEE 認證和 ZKML 證明足夠獨特，以至於開發者在雙邊市場達到平衡之前選擇這個網絡。

這是一個連貫的設計，但這意味着五個功能不會以相同的速度發展。單靠持有就能激活的功能將在最初顯示出交易量。需要部署模型和付費應用的功能將在任何反映實際計算需求的指標中出現得更晚。

告訴我你認爲哪五個功能會首先達到有意義的吞吐量，以及你是否會在這個答案變得可見之前質押 OPG。關注 OpenGradient 在 Binance Square 上，觀察使用情況的分裂如何發展。

@OpenGradient $OPG #OPG

$EVAA $ZEC

第一次閱讀推理合約時，我停在了枚舉聲明那裏。三個選項，vanilla、zkml、tee。一個字段值。開發者選擇並像其他參數一樣傳遞它。

這就是實際中的驗證光譜。@OpenGradient 每次調用都根據那個字段通過不同的信任路徑路由。zkml 產生任何節點都可以驗證的加密證明。tee 將執行封裝在 Intel TDX 區域中並返回硬件證明。vanilla 幾乎沒有開銷並且沒有附加證明地運行推理。

不對稱性不在於選項本身，而在於誰選擇它們。開發者在構建時在合約代碼中設置模式。最終用戶永遠看不到他們所互動的協議下運行的是哪條路徑。通過推理模型路由資金的金庫可以選擇 vanilla，結果在鏈上到達時沒有任何信號表明使用了更輕的選項。

成本結構解釋了壓力。zkml 的運行速度比 vanilla 慢 1,000 到 10,000 倍，具體取決於模型大小。燃氣和延遲成本推動選擇更便宜的路徑。如果大多數生產部署默認選擇 vanilla，加密驗證就成爲網絡提供但在實踐中很少使用的能力。

這不是設計缺陷。光譜的存在是因爲強制 zkml 在每次調用上會使網絡無法用於 LLM 工作負載。文檔對權衡是明確的。但這將保證從協議轉移到開發者的判斷，而這與用戶對可驗證 AI 這一短語的理解是不同的信任假設。

更廣泛的模式在 AI 和加密棧中普遍存在。基礎設施可以提供無信任性。市場壓力傾向於選擇反對它。網絡能夠證明的內容與開發者部署的內容之間的差距是風險悄然積累的地方。

如果你今天在這個網絡上構建，那麼在資本決策中你會默認選擇哪種推理模式，歡迎在評論中留下你的答案。看看 $OPG 上完整的驗證棧是什麼樣的。

#OPG
$H $EVAA

讓我停下來的短語是完全承銷。不是19.26%的回報率標題或市場中性框架。只是埋在保險庫架構文檔中的兩個字。

Selini保險庫通過同時持有多頭現貨BTC和空頭永續合約來捕捉資金費率。兩個腿部抵消價格方向。剩下的就是通過在中心化交易所和去中心化交易所場所的高頻交易執行收集的點差和定期資金支付。這種方法在2025年每個月都取得了正收益，峯值回撤低於1%。

引人注目的是這三個層級如何分配責任。Selini在第三層進行執行。Symbiotic持有共享安全層。Cap作爲信用基礎設施錨定第一層，uniBTC的存款者充當委託人，承諾第一損失資金以爲運營者擔保。如果Selini的執行面臨短缺，這一層會在Cap美元供應商之前吸收損失。delta中性標籤適用於交易賬簿。它不延伸到其下的信用結構。

不對稱性在於哪個風險被中和，哪個不被中和。價格方向是對衝的。信用風險則不是。處於委託人位置的uniBTC持有者正在承保機構執行風險，而不僅僅是在BTC持有上獲取收益。

這重新定義了存款者在保險庫中的實際角色。不是一個被動的資本提供者，而是一個機構三方信用臺的第一損失承銷商。Bedrock 2.0正在朝着模塊化保險庫配置的發展，這些層次根據策略的不同而堆疊，意味着每個保險庫可以在損失瀑布中的不同點放置零售資本。

在規模上測試的是用戶是否在回報之前閱讀了損失瀑布。智能收益路由是BTCfi的一項真正結構性進步，但收益和風險在這裏並不落在同一層。想想這個結構中哪個位置與你的實際承受能力匹配。準備好你的uniBTC，迎接Selini保險庫在bedrock.technology的推出。

@Bedrock $BR #Bedrock

$H $ZKC

這兩條路徑讓我感到困惑，甚至比獎池的大小還要複雜。第一條要求每天交易$30,000，連續七天；而第二條則允許你在整個活動窗口內累計$300,000的總交易量，且沒有對某一天的最低要求。

表面上看，兩條路徑最終都能得到相同的獎勵。前10,000個合格的錢包可以領取10美元的USDT，獎池總計爲$100,000，而這個結構似乎是爲了服務兩種截然不同的交易者，而不需要強迫任何一方適應。

但當你深入分析時，數學並不成立。每日連勝路徑要求在七個交易中累積至少$210,000的交易量。號稱靈活併爲普通交易者設計的路徑則需要$300,000的總量，這比所謂的鯨魚路徑的最低要求高出許多。

這種不對稱會在行爲上產生變化，而這種表面描述並未捕捉到。一個無法在每一天維持$30,000的交易者可能會在前兩三個交易中提前完成交易量，早早清空$300,000，然後退出。這算作第二條路徑的完成，但實際上產生的是集中爆發的交易量，而不是連續、穩定的每日活動，而連勝格式正是爲了產生和維持這種活動而設計的。

根據Dune Analytics的數據，$BR 在所有Binance Alpha代幣的總交易量中佔據了94%以上。這不是一個試圖從零開始建立流動性的活動。它需要同時錨定兩種行爲模式，一種是可預測且每日的，另一種是聚合和爆發能力的，而雙路徑設計使這兩者不會崩潰成一個。

值得反思的是，第二條路徑是否真的因爲降低了普通交易者的門檻而獲得“靈活”的標籤，還是因爲$300,000的總門檻在市場宣傳上更容易被視爲可接受，而非$30,000的每日最低要求。相同的獎勵並不能解答這個問題。

@Bedrock #Bedrock #BinanceAlpha #defi
$SPCX $VELVET

讓我停下來的細節不是 TVL 數據或質押指標，而是年份。2018。

rockx 自 2018 年以來一直在 20 多個 L1 和 L2 網絡上運行生產驗證節點，累計質押價值超過十億美元，經歷了多個市場週期。創始人兼首席執行官陳竹玲成爲 bedrock 的核心貢獻者。該協議並不是由一個團隊設計後再尋找基礎設施，而是基礎設施先存在，然後在其上構建協議。

大多數聲稱具有機構級安全性的協議都在表達設計目標。這個短語指的是審計、外部驗證者和保管安排。當操作這些節點的實體與設計協議的實體是同一個時，意圖與結果之間的距離就更近了。雖然不是零，但責任的承擔方式有所不同。

令我關注的是這對具體特性的意義。多客戶端多樣化、非託管密鑰管理、在對抗條件下的正常運行時間跟蹤。這些不是交給第三方的規格，而是多年運行真實節點的結果，伴隨着真實的後果。

第二級效果在 amber group 的時間線上可見。amber 在 2022 年 4 月投資了 rockx。然後在 2023 年 9 月通過 bedrock 存入 5,000 ETH。股權投資是對一個團隊的盡職調查，而主動存款是對擁有真實資產的運營商的信任。

更廣泛地說，這對 btcfi 的表面意義值得深思。大多數協議將基礎設施運營與協議設計分開，以分散責任。當兩者都由同一個實體持有時，責任結構看起來就不同了。這種集中可能是一個特性，也可能是一種脆弱性，而這種區別並不總是能從外部看得出來。

我一直回頭思考的是，在驗證者層的垂直整合是否是這裏真正的安全屬性，還是這是使其他屬性成爲可能的結構條件。

@Bedrock $BR #Bedrock #BTCFi #defi

$H $BEAT

在閱讀關於SatLayer如何處理削減的內容時，有些事情讓我停下來了。每個比特幣驗證服務都編寫自己的削減條件，針對自己的威脅模型定製。沒有共享的規則手冊。每個服務，都是獨立的。

brBTC是來自Bedrock的比特幣流動再質押代幣，將BTC抵押品路由到多個收益層。SatLayer正是這些層之一。在那兒，BTC積極保護被稱爲比特幣驗證服務的服務，包括跨鏈橋、預言機網絡和AI推理基礎設施。收益來自這些系統產生的服務費用，而不是區塊獎勵。

讓我注意到的是。SatLayer的設計明確是服務特定的。每個bvs定義自己的削減邏輯，這意味着一個橋bvs在完全不同的處罰條件下運行，與預言機bvs或數據可用性服務不同。風險框架是有意模塊化的。

但是當你持有brBTC時，這種模塊化就消失了。協議動態地在bvs類型間路由抵押品，而你BTC的一部分在任何時刻支持的具體服務並不是你選擇或實時看到的。收益是集中在一起的。削減風險也一樣。

這造成了一個結構性差距。SatLayer設計了可編程削減，以便不同服務能夠承載不同的風險配置文件。但是在brBTC層，這些配置文件被壓縮成一個收益數字。如果一個橋bvs觸發了削減事件，結果並不在乎持有者最初是如何框定他們的風險暴露的。

這種模式出現在每一個聚合層。將複雜性壓縮成一個代幣，使BTC收益變得可獲取。同時它也重新定位了架構旨在保護的風險責任。機制可以表達的內容超出了產品讓持有者看到的。

值得思考的是，不是可編程的BTC安全性在技術上是否紮實。它可能是。問題在於，‘生產性’這個詞是否改變了BTC持有者隱含同意的內容，以及他們中的大多數人是否注意到了這一點。

@Bedrock $BR #Bedrock #brBTC #BTCFi

$BTW $STG

我第一次看到一個終端給交易者在每個單獨訂單上選擇直接路由和聚合路由的選擇，而不是全球性或每個會話的時候，我停下來再讀了一遍。之前的每個平台都在內部安靜地做出這個路由決策，沒有給出理由。

天才終端清楚地將它框架化。直接交換採取最快的執行路徑。聚合交換查詢超過150個去中心化交易所（DEX）以找到最佳價格，但這個搜索會消耗時間。你可以選擇每個訂單中更重要的權衡。

值得檢視的不對稱性不在於功能本身，而在於交易者在選擇模式時實際知道什麼。一個迷因幣的發行對延遲的懲罰比對滑點的懲罰更大，而在薄弱市場中的大倉位則對滑點的懲罰比對延遲的懲罰更大。大多數交易者並不會清楚地區分這些，他們在所有情況下都帶著一種偏好，默默地承受著不匹配的損失。

當路由控制轉移到交易者手中時，其他東西也隨之改變。如果一個平台路由你的訂單並返回次優的填充，這個成本會消失在系統中，無形且無人索取。如果你選擇了直接交換並接受了0.4%更差的價格以換取速度，這個決策是你的，顯而易見且可歸因。結果屬於做出這個決策的人。

這種歸因創造了一個不同的反饋循環。追蹤這個的交易者建立了真正的路由直覺。不追蹤的交易者則會積累靜默的損失，這些損失不會顯示為一個事件，但會在幾周內累積成表現不佳。

去中心化金融（DeFi）花了幾年時間朝著抽象化邁進。一鍵式界面、默認智能路由、設計用來從視野中移除決策的設置。假設是，無形的選擇意味著更少的錯誤和更低的進入門檻。

明確的路由控制建立在相反的假設上。是否了解路由的交易者能夠捕捉到這個優勢，或者大多數人是否還是因為相同的原因持續表現不佳，但現在有了更乾淨的審計痕跡，這是一個市場會回答的問題，而不是界面。

@GeniusOfficial $GENIUS #genius #Trading #defi

$VELVET $BEAT

當我查看 pancakeswap 上 br/usdt 池的活動分佈時，有些東西引起了我的注意。五天內有341,000名交易者，但前50名的平均交易量達到了445萬。這樣的差距在閱讀任何關於開放訪問的框架時值得牢記。

bedrock 在 bnb 鏈和 pancakeswap 上建立了其海域存在，作爲主要的接入層。印尼或越南的用戶如果持有 bnb，可以進入 uniBTC 頭寸並積累 alpha 點，而無需跨鏈或開設新賬戶。chainalysis 將印尼的加密貨幣採用率排在全球第三，越南排在第五。

但是，alpha 點的積累是基於交易量，而不是參與數量。一個用戶交易200美元，另一個用戶交易200,000美元，他們都通過同一個池進入，但他們每個資本單位的有效獎勵率是不一樣的。兩個用戶的入口是開放的，但複利的軌跡卻不一樣。

如果這種不對稱性在海域零售用戶逐漸融入協議時保持不變，那麼點數層將向高交易量參與者集中，即使原始用戶數量在擴大。印尼的 indodax 服務750萬用戶，並在2025年7月底上市 br/idr。這爲零售進入增加了顯著的表面積，但並沒有改變 alpha 點機制內部的量加權數學。

sea 的獨特之處在於這裏的採用依賴於費用敏感性和移動行爲，這些條件與 bnb 鏈非常匹配。但將基礎設施與進入行爲相匹配，與將獎勵結構與實際進入用戶的資本畫像相匹配是不同的。區域框架往往將二者合併爲一。

這並不是 bedrock 特有的設計缺陷。基於交易量加權的激勵結構在 defi 中是標準的。值得在這裏審視的是，sea 框架暗示了廣泛的參與，而進入門檻確實很低。廣泛的進入是否能產生廣泛的回報分佈，完全依賴於一個優先獎勵交易量的機制。

@Bedrock $BR #Bedrock #BNBChain #DeFi

$LAB $FIDA