Klim s777

#newt $NEWT
爲什麼大多數圍繞 Web3 安全性的討論都集中在交易是如何被執行的，而不是集中在它是否應該被執行？
如果智能合約已經開始改變區塊鏈的狀態，那麼決策實際上就已經做出。但許多現代風險其實早在更早的階段就出現了。用戶可能會超出設定的限制，地址可能落入制裁名單，而 AI 代理也可能發起一種符合交易格式但違反既定規則的行爲。
因此，在現代應用中，越來越重要的是“執行之前”的那個階段。
正是在這個理念上建立了 @NewtonProtocol 的架構。$NEWT 不再僅將安全性視爲對執行過程的保護，而是將授權作爲交易生命週期中的一個獨立階段。首先會檢查該行爲是否符合既定規則，只有在通過檢查之後，它纔可以進入執行。
因此，#Newt 認爲，你不僅要看交易是如何被執行的，還要看爲什麼它根本就應該被允許執行。

#newt $NEWT
在 @NewtonProtocol 的文檔中，有一條命令可能比它最初看起來更重要。
opa test
起初我以爲這只是開發者的一種便利。但我讀得越多，就越意識到：當授權可以被信任時，它會發生變化。
大多數智能合約的授權邏輯都是在部署之後才被實際驗證。即便有審計和測試網，最終環境仍然是區塊鏈本身。
Newton 採取了不同的做法。
由於策略以 Rego 形式編寫爲確定性函數，它們可以在任何策略部署之前、在任何操作員評估之前、以及在任何區塊鏈交易依賴它之前，使用 opa test 進行單元測試。
這使授權更接近傳統的軟件工程。
開發者無需先問，“這條規則在鏈上能否工作？”，而是先問：“這條規則在每一組預期輸入下，能否產生正確的決策？”
只有在那之後，使用 newt_simulatePolicy 進行模擬並部署，纔會成爲工作流程的一部分。
文檔裏的這一個小細節，體現了 $NEWT 背後更大的設計理念。
授權不被視爲“恰好在區塊鏈上運行的一種配置”。
在 #Newt 內，授權被當作值得在任何人被要求去信任之前就接受自動化測試的軟件來對待。

#newt $NEWT

即使無法僞造加密證明，爲什麼 @NewtonProtocol 仍然要爲其提供到期時間？

$NEWT 的文檔說明：每個證明都包含一個到期字段，TaskManager 在允許執行交易之前會先檢查它。文檔還定義了兩種獨立的校驗錯誤：AttestationExpired 和 AttestationAlreadySpent。這表明 Newton 用兩個獨立的安全機制來保護系統。
第一個機制很直接。證明一旦被使用，就不能再被重複使用。如果有人嘗試用同一證明、重複提交同一筆交易第二次，TaskManager 會以 AttestationAlreadySpent 拒絕該交易。
但這還不夠。
設想一種情況：證明已成功生成，但交易從未提交到網絡。在它仍未被使用的期間，資產價格、協議狀態、策略限制或在策略評估期間使用的外部運行時數據都可能發生變化。雖然加密簽名仍然是有效的，但它所代表的決策可能不再與當前條件匹配。
因此，@NewtonProtocol 中的每個證明都有有限的生命週期。一旦到期時間到達，即使該證明在加密意義上仍然有效且從未被使用過，TaskManager 也會拒絕它。必須基於當前狀態重新進行一次策略評估，以生成新的證明。
在 #Newt 的架構中，“一次性使用”保護和“到期”解決的是兩個不同的問題。重放保護回答的是：“這個證明還能再次被使用嗎？”到期則回答另一個問題：“此授權決策在現在是否仍然有效？”由於這兩個機制防範的是不同的風險，文檔將它們作爲獨立的校驗來實現，而不是把它們當作同一個安全特性來處理。

#newt $NEWT
大多數智能合約都包含自身的授權規則。如果規則發生變化，開發者往往需要修改、升級或重新部署合約。
@NewtonProtocol 將授權與執行分離。
開發者不再把業務規則直接嵌入Solidity中，而是將其定義爲獨立的Rego策略。在受保護的交易到達智能合約之前，Newton會檢查它是否滿足該策略。
交易請求首先會被視爲Intent，而不是可執行的交易。Gateway將Intent轉換爲Task，該Task結合了三個要素：Intent本身、一個Rego策略以及一個或多個PolicyData模塊。
PolicyData並非傳統意義上的預言機。它是一個確定性的WebAssembly（WASM）組件，可以用JavaScript、Python或Rust編寫。在評估過程中，它能夠獲取外部信息，例如KYC狀態、制裁篩查、gas價格、協議敞口、金庫收益或策略運行所需的其他運行時數據。
每個EigenLayer運營者都會使用完全相同的輸入，獨立執行同一份PolicyData和同一份Rego策略。運行時信息作爲data.wasm提供，而開發者定義的配置通過data.params提供。每個運營者都會使用其已註冊的BLS密鑰對評估結果進行簽名。
當達到法定人數（quorum）後，單個簽名會被聚合爲一個單獨的加密證明（attestation）。受保護的智能合約在允許執行之前會驗證該證明。如果證明無效、已過期、已被使用或不滿足配置的策略，執行將被拒絕。
這種架構使得$NEWT 能夠在不將信任轉移到集中式服務器的情況下，將授權移出智能合約。策略可以與合約代碼獨立演進，而每一次授權決策都仍然可以通過密碼學方式進行可驗證性確認。這就是#Newt 背後的核心工程理念。

#opg $OPG

過去幾周裏，我花了很多時間探索 @OpenGradient 。起初我以爲這只是另一個分散化的 AI 項目，試圖構建更好的模型。
但我不再認爲這纔是真相。
最大的轉變並不是瞭解 TEE、zkML 或執行證明。真正的變化是意識到：我一直在用錯誤的問題來追問 AI。
多年來，我們用一個指標來評判 AI：
“模型有多有能力？”
但當 AI 開始做決策時，僅有能力是不夠的。
更好的問題是：
“任何人能否證明該決策是如何產生的？”
這正是 #OPG 脫穎而出的地方。
在這場活動中，我閱讀了關於隱私、回滾歷史、推理記錄、Blob IDs（數據塊標識）、靈活驗證、SDK、質押以及分散化執行的內容。起初，它們看起來像是彼此獨立的功能。
現在，它們看起來像是同一個想法的不同部分。
我們如何讓 AI 具備可問責性，而不只是“更聰明”？
當 AI 進入金融、自動化代理、企業軟件和治理領域時，人們不會只關心答案是否正確。
他們會想知道：幾個月或幾年之後，整個執行過程是否還能被獨立地再次驗證。
至於 $OPG 是否能成功，不會由敘事決定。
它將取決於開發者採用情況、真實負載，以及可驗證推理是否會變成構建者真正需要的能力。
這是我從跟隨這個項目中得到的最大收穫。
我不再只根據 AI 的“聰明程度”來判斷。
我還會追問：它的決策是否能在很久之後被驗證、審計，並建立信任。
如果這成爲 AI 基礎設施的下一項標準，那麼這場競爭從來就不只是爲了構建更聰明的模型。
它關乎的是：構建值得信任的 AI。

#opg $OPG

人們常常以為，AI 基礎設施最難的部分是打造更好的模型。
我讀到的文件越多，就越不相信真正的工程挑戰在那裡。
在 @OpenGradient 裡有一個細節不斷把我的注意力拉回來：網路是以 ONNX 為核心，而不是依賴單一模型框架。
一開始這聽起來只是個相容性的簡單選擇。
但不是。
每個主要的 AI 生態系統都會以不同方式演進。PyTorch、TensorFlow 和其他工具鏈會隨著時間發布新的運算子、最佳化與模型格式。每當底層生態改變，就要求開發者重寫應用程式，會產生不斷累積的技術債，累積速度遠比模型品質提升快。
使用 ONNX 會改變這個等式。
把模型匯出成通用的中介表示（intermediate representation），就能更容易地在不同執行環境之間移動，而不是被綁死在某一家供應商的執行階段（runtime）上。這降低的是遷移成本，而不是逼迫應用程式必須跟著每一次框架決策跑。
第二個後果更為微妙。因為推論節點會執行標準化的表示，基礎設施就能在不考慮原始模型如何訓練的情況下獨立最佳化執行。這把應用開發與低階的執行階段工程分離開來。
第三，版本管理會更容易。更新模型不再必然意味著要重新設計周邊的應用程式，只要執行介面保持穩定即可。
第四，異質硬體變得更實用，因為同一種表示可以對不同的加速器目標最佳化，而不是把工作負載鎖死在單一堆疊（stack）中。
最後，SDK 會更耐用。開發者是在對一個抽象概念進行開發，而不是不斷追逐變動的模型供應商。
這讓我開始用不同方式看待 #OPG 。
也許 $OPG 的長期價值不會來自於最先部署最新的模型。
它也許在於：當明天的 AI 生態系統不可避免地改變時，仍能讓昨天的應用持續運作。

#opg $OPG

很長一段時間裏，我一直在追問一個不同的問題。
爲什麼像 @OpenGradient 這樣的東西會在現在出現，而不是五年前？
我認爲答案出乎意料地與加密貨幣關係不大。
它源於多項技術終於在同一時間成熟起來。
• 現代 AI 模型現在可以被導出爲如 ONNX 這類可移植格式，使同一個模型能夠在不同硬件上運行，而不再被鎖定在某個單一框架中。
• 機密計算已通過硬件級的可信執行環境（Trusted Execution Environments）進入生產階段，使得可以在推理實際運行時進行保護，而不僅僅是加密存儲的數據。
• 零知識證明領域的研究已經發展到足夠先進的程度，諸如 zkML 這類專門形式不再只是學術概念。可驗證推理在技術上正變得可實現，即便對許多工作負載來說仍然很昂貴。
• GPU 的可用性發生了劇烈變化。如今，高性能加速器不再僅依賴超大規模雲提供商，而是分佈在各大學、各公司以及獨立運營者之間——這讓去中心化計算在比僅僅幾年前更早的某個階段就變得更爲切實可行。
• 最後，開發者已經習慣於圍繞 API 構建應用，而不是依賴單體式軟件。這樣一來，像 @OpenGradient 這樣的網絡就會更像基礎設施，而不是一個獨立的產品。
如果把這些變化單獨看待，沒有任何一項足以構成足夠條件。
合在一起，它們才創造了 $OPG 所能支撐的網絡真正得以存在的條件。
也許，#OPG 背後最大的創新並不是某一次單點突破。
也許它是一段時刻：當多項彼此獨立的技術都已經成熟到足以彼此契合的程度。

#opg $OPG

大多數軟件變貴並不是因爲它的算法變差了。它變貴是因爲每一個依賴項都在持續變化。
AI 也開始出現同樣的問題。每個月都會有新模型出現，但升級它們往往意味着要重寫解析器、驗證器、提示詞和集成邏輯——因爲即使應用程序沒有變化，接口也會發生變化。
在閱讀 @OpenGradient 架構時，有一個細節特別引人注目。SDK 並不是圍繞單個模型提供商構建的。它提供了諸如 TEE_LLM、InferenceMode 和 ResponseFormat 這樣的抽象，讓應用程序能夠依賴穩定的接口，而不是依賴特定供應商的行爲。結構化輸出遵循 JSON Schema，推理在 TEE 內執行，而 x402 的支付處理與驗證被隱藏在同一套編程層之下；這套層同時也支撐 Model Hub 和 ML 工作流。
這將改變開發者實際在集成什麼。
與其把軟件綁定到某個模型，不如把它綁定到一份契約。
更換模型不再需要在整個應用中引發連鎖式的變更，因爲接口保持一致，而底層基礎設施會吸收差異。
在這樣的語境下，$OPG 不僅在協調推理請求。它協調的是一個執行環境：路由、驗證和結算能夠獨立於應用邏輯演進，從而降低爲採用未來模型而產生的工程成本，而不只是運行今天的模型。
最近 #OPG 的大多數討論都聚焦於如何證明 AI 的輸出。
我認爲更安靜的創新在於：讓軟件更少依賴單個模型的行爲，而更多依賴穩定的契約。歷史表明，這些抽象通常會比它們被用來隱藏的那些技術壽命更長。

#opg $OPG
在閱讀 OpenGradient 文檔之前，我原以爲 AI 基礎設施最難的部分是構建更好的模型。
現在我認爲更難的問題是：當模型持續變化時，讓應用仍能存活。
大多數 AI 應用都與特定模型、運行時或提供商緊密耦合。替換底層模型往往意味着要更新 API、推理邏輯、部署流水線以及兼容層。模型每演進一次，應用也就隨之演進。
而讓我注意到 @OpenGradient 的一點是，這套架構試圖把這些生命週期分離開。
模型以 ONNX 格式發佈，使其能夠在不同執行環境之間便攜，而不是把應用綁定到單一運行時。工作流編排在不依賴模型本身的情況下定義執行流水線；執行節點提供運行這些工作流的計算層。Python SDK 通過提供類似 OpenAI 的接口，讓開發者能以最小的應用改動來替換基礎設施。與此同時，Model Hub 將模型發現與分發與應用邏輯分開管理。
這些組件單獨來看都並非革命性的。
合在一起，它們形成了一個執行層：在變化傳遞到應用之前先吸收掉基礎設施層的變動。
這改變了 #OPG 的角色。
它不再只是協調推理，而是 $OPG 協調一個環境：模型、工作流、執行、驗證和支付能夠彼此獨立地演進，而不迫使開發者在每當出現更好的模型時就重新設計他們的軟件。
我覺得這就是很多人可能會忽略的架構轉變。
在 AI 中最有價值的抽象，也許並不是另一個模型。
它可能是：把應用的生命週期從模型的生命週期中分離出來。

#opg $OPG

多年來，我們一直把 AI API 看作是賬戶背後的東西。

首先，你需要註冊。

然後，你需要創建 API 密鑰。

然後，你需要連接 Stripe。

然後，你需要管理計費、配額、身份驗證和速率限制，之後模型才能響應任何請求。

在閱讀了 @OpenGradient 背後的技術文檔後，我意識到其目標並非是另一個 AI 模型。

而是要徹底消除這一層。

#OPG 最有趣的部分並非模型本身，

而是協議。

它的 x402 實現擴展了 HTTP 標準本身。無需將支付邏輯嵌入到每個應用程序中，端點只需返回 402 Payment Required（需要支付）。客戶端通過 Permit2 在 $OPG 上進行支付，支付驗證通過後，推理過程自動開始。計費成爲請求的一部分，而無需開發人員構建額外的後端。這改變了人工智能服務的經濟模式。

如今，開發者圍繞模型構建應用程序。

未來，他們或許可以發佈人工智能端點，這些端點能夠通過標準的 HTTP 接口執行、驗證自身並實現盈利，而無需自定義訂閱、API 密鑰、發票或支付處理器。

另一個架構決策值得更多關注。

推理過程無需等待區塊鏈共識。推理節點會立即執行請求，而 TEE 認證或加密證明則會異步結算。性能和可驗證性不再相互衝突，因爲它們遵循不同的執行路徑。

Python SDK 通過提供一個與 OpenAI 兼容的接口，並在底層處理支付和驗證，使這一切幾乎完全透明。

這可能是整個技術棧中最明智的工程決策。

如果這一假設成立，那麼技術的普及可能並非源於理念，而是源於工程摩擦的降低。

大多數討論都集中在人工智能模型上。

我認爲協議纔是真正的創新。

HTTP 將網站轉變爲可編程服務。

支持支付的人工智能端點可以將人工智能模型轉變爲自主的經濟參與者。這比贏得另一項里程碑式的勝利意義要大得多，它代表着架構上的重大變革。

#opg $OPG
大部分AI基礎設施仍然把模型視為靜態的工件。
一個模型上傳後，會被分配一個頁面，可能有幾次下載，然後就靜靜等待著有人來發現它。成功通常以基準得分或庫的星數來衡量。
@OpenGradient 則以不同的方式來解決這個問題。
模型中心已經支持超過2,000個AI模型，但有趣的數字不是有多少模型存在，而是發佈後發生了什麼。
一個模型可以版本化，以ONNX格式部署，通過標準化的API執行，獨立驗證，並且可以集成到實際應用中，而不需要開發者每次都重建基礎設施來適應更好的模型的出現。
這改變了AI模型的生命週期。
一個模型不再是庫中的另一個檔案，而是一種服務，可以在發佈後持續生成推理請求、更新和經濟活動。
網絡已經處理了超過200萬個可驗證的推理。基準測試衡量的是模型在受控條件下的表現，而推理歷史則衡量的是在實際工作負載到來時，是否還有人繼續使用它。
對我來說，這才是更有趣的指標。
庫優化是為了存儲模型。
AI基礎設施應該優化以保持模型的實用性。
對於@OpenGradient 和#OPG 來說，長期的問題不是模型中心是否能夠在2,000個模型之上繼續增長。
而是今天的模型在一年後是否仍然能夠接收到有意義的推理請求，因為可持續的使用比基準排名更能說明一個AI生態系統的狀況。

#opg $OPG
AI並不需要區塊鏈來實現去中心化。它需要區塊鏈來實現問責。
隨着AI從聊天機器人演變爲自主軟件，單靠智力已不再足夠。
當一個AI代理執行支付、獲取敏感數據或與另一個代理協調時，四個問題變得至關重要：
誰執行了這個操作？
哪個模型生成了結果？
執行是否可以獨立驗證？
記錄是否可以事後修改？
傳統數據庫高效地存儲信息，但驗證仍然依賴於信任數據庫運營者。
區塊鏈有着不同的目的。
它不是執行AI推理的計算機。
它是一個獨立的記錄，允許多個參與者在不依賴中央權威的情況下驗證發生了什麼。
這種架構體現在@OpenGradient 。AI推理在GPU上離線運行，而驗證記錄、可信執行環境（TEE）證明、網絡協調和由$OPG 支持的經濟互動是分開處理的。每一層都執行其設計的任務。
這種分離也解釋了爲什麼區塊鏈不適合AI推理本身。大型語言模型需要大量的計算吞吐量，而區塊鏈則優化於共識、不可變性和驗證。
簡而言之，GPU最大化計算。
區塊鏈最大化信任。
從這個角度來看，#OPG 反映了更廣泛的轉變。區塊鏈正在超越財務賬本，演變爲AI的信任層，提供身份、驗證、協調和不可變證據，同時將計算留給專門的執行基礎設施。

#opg $OPG
技術歷史很少會永遠獎勵最強大的產品。更常見的是，它獎勵允許多個產品共存的標準。
互聯網超越了單一瀏覽器，因爲TCP/IP變得普遍。USB經歷了幾代硬件的考驗，因爲製造商採用了一個通用接口。
隨着行業的成熟，兼容性往往比其他孤立的創新創造出更持久的價值。
人工智能似乎正在接近同樣的轉變。
基礎模型變得越來越強大，但它們也變得越來越碎片化。不同的框架、運行時、硬件加速器、部署管道和優化方法都提高了保持AI系統互操作的工程成本。
在這種環境中，便攜性成爲一種架構能力，而不是一種便利。
這就是ONNX旨在解決的問題。它不是與AI模型競爭，而是標準化模型的表示方式，使它們能夠在框架和執行環境之間移動，所需的工程努力大大減少。智能仍然保留在模型內部。兼容性成爲基礎設施的一部分。
這種架構方向的一個實現可以在@OpenGradient 中看到。它的文檔基礎設施結合了ONNX兼容性與SDK、工作流編排、執行節點、可信執行環境（TEE）和統一執行層，允許異構模型在同一執行環境中運行，而不需要爲每個框架提供單獨的基礎設施。在這個架構中，$OPG 支持網絡間的交互，而執行層管理如何協調多樣化的AI工作負載。
從這個角度來看，#OPG 反映了一種更廣泛的架構假設：未來的AI競爭可能不僅依賴於構建更好的模型，還依賴於構建一個執行環境。
在這個環境中，快速發展的模型可以繼續協同工作，而不會強迫開發人員圍繞它們重建一切。

#opg $OPG

人工智能正在成爲一個基礎設施問題，而不是模型問題。
開發者不再僅僅選擇一個AI模型。 他們還必須管理運行時、GPU、API、工作流程、安全性、驗證和執行成本。 隨着這種複雜性的增加，模型成爲更大執行環境中的可互換組件。
執行層的角色就是這樣。 開發者不再手動選擇模型，而是定義延遲、價格、安全性或管轄權等目標，而基礎設施則決定每個請求應該在哪裏以及如何執行。
自主AI創造了另一個要求：軟件還必須交換價值。 協議如x402允許AI服務通過標準HTTP請求購買計算、存儲或驗證，而無需人工干預。
@OpenGradient 將這些想法整合到一個架構中。 它的文檔基礎設施將SDK、工作流編排、ONNX可移植性、異構執行節點、受信執行環境（TEE）和x402支付集成到一個統一的執行層中，而$OPG 則在網絡中協調經濟互動。
如果這個架構成功，AI競爭可能會從單個模型轉向使智能可移植、可擴展和經濟自主的執行平臺。