Square By Shahid

#newt $NEWT 我花了一些時間思考牛頓的運營商模型，有一件事讓我印象深刻。

大多數人把去中心化理解爲讓任何人都可以參與。牛頓採取了不同的思路。它的運營商會經過可信的審查——以許可制方式確保質量，同時又足夠分散，能夠提供韌性。

無許可（permissionless）系統很強大，但僅有開放並不能保證問責。有時最強大的網絡並不是那些什麼人都接納的網絡——而是那些會認真選擇參與者，同時在最關鍵的地方保留去中心化。

這是一種在開放、信任與可靠性之間取得的有趣平衡。@NewtonProtocol

$SPCXB 用我的話說吧 這次會非常猛烈地下跌 因爲幾乎90%的人是做多的 那爲什麼它還會上漲呢？

#newt $NEWT 我正在閱讀牛頓（Newton）主網測試版（mainnet beta）文檔，過程中有一件事讓我停了下來。

大多數 DeFi 自動化都要求你信任代理（agent）。牛頓則讓你信任的是數學本身。

每一次操作都會生成一份加密證明，證明它確實在你的邊界內執行。無需盲目信任，只要覈驗。

主網測試版已上線，並配套 VaultKit SDK。

@NewtonProtocol

#newt $NEWT 我在瀏覽 Newton 主網測試網（mainnet beta）文檔時，突然停住了。

大多數區塊鏈自動化都是這樣：你寫一個智能合約，部署它，然後期待它能按你想象的那樣工作。如果出了問題，你只剩下一筆交易哈希，以及一堆疑問。

Newton 則不一樣。每一項自動化動作都會被加密方式驗證。當一個代理執行交易或代表你轉移資金時，它會生成一份證明，表明該動作始終在你預先設定的邊界之內。不是僅僅一條日誌記錄。而是一份加密收據（cryptographic receipt）。

這會徹底改變信任模型。

你不再去信任代理或開發者，而是信任數學本身。協議將 TEE（可信執行環境，Trusted Execution Environments）與 ZKP（零知識證明，Zero-Knowledge Proofs）結合起來，來驗證每一次操作都嚴格按照被授權的方式執行。沒有捷徑。沒有盲區。

@NewtonProtocol 正在打造他們所說的“可驗證自動化層（verifiable automation layer）”。把它想成一個策略引擎，位於你的錢包和代理之間，在每筆交易完成結算之前都進行檢查。花費上限、對手方校驗、抵押品要求——全部用可審計的證明以程序化方式強制執行。

主網測試網於 6 月 23 日剛剛上線，配套 VaultKit SDK——一個工具包，允許開發者定義可編程的交易規則。RedStone 和 Credora 已經作爲啓動數據合作伙伴完成集成。

吸引我注意的不只是這項技術。更關鍵的是，Newton 正試圖彌補的那段空白。

目前 DeFi 自動化仍然依賴信任。你信任機器人運營方。你信任開發者。你信任基礎設施。Newton 正試圖用“可驗證”來替代信任——讓自動化對機構和個人都更安全。

仍處早期。但方向感覺是對的。$NEWT ** 是驅動這一生態系統的原生代幣——用於質押、Gas 費用、代理抵押以及治理。目前的市值大約在 **$12-13M**，流通代幣約 **264M**。

你認爲是什麼讓自動化更安全？

@NewtonProtocol

大多數人認爲，AI基礎設施的擴展靠的是增加更多GPU。

我認爲，更大的瓶頸在別的地方：協同延遲。

當AI代理開始調用其他代理時，每一次推理都會變成更大工作流的一部分。如果請求花在等待路由、驗證和排序上的時間，比實際計算的時間還多，那麼即便增加更多硬件，用戶體驗也幾乎不會改善。

這就意味着：編排（orchestration）同計算一樣重要。$OPG

讓我對OpenGradient產生關注的不只是“去中心化推理”。更重要的是，它的理念是讓推理、驗證與執行能夠適配爲一個可編程的鏈上流水線，而不是以彼此隔離的服務形式存在。

新一代的AI基礎設施，可能不會由擁有最大集羣的人贏得。

而是由能最大程度降低智能決策之間摩擦的人贏得。

@OpenGradient #OPG #AI #DeFAI #Crypto

$VELVET 我應該感到舒服嗎？它會下去嗎？？

我前幾天在瀏覽 OpenGradient 的模型中心時，發現了一些我沒想到的情況。
$OPG
目前已有超過 4,400 個模型部署上線。但獲得最多關注的模型，並不總是最令人印象深刻的那些。往往是文檔最多的。是最容易上手測試的。是工作起來一目瞭然的。#OPG

這讓我想到：模型中心不僅僅是一個目錄。它更像是一個市場。在任何市場裏，最好的產品不一定會贏。最被看見的那個產品才更容易贏。

我仍在摸索究竟是什麼讓一個模型在 OpenGradient 上真正“起飛”。但我猜主要取決於三點：清晰度、可靠性和可重複使用性。

使用起來讓人困惑的模型不會被使用。會出問題的模型不會被反覆採用。文檔完善、運行可靠的模型將成爲本地基礎設施。@OpenGradient

#opg $OPG
幾年前人們就對加密貨幣提出了類似的論點。開放源代碼與閉源區塊鏈：據閉源方所說，它們更快、更安全、效果更好。然而，它們無法證實這一點。此外，在缺乏證據的情況下，信任不過是一個營銷噱頭。
與之相反的局面正在由 @OpenGradient OpenGradient 所推動：開放源代碼的模型、可驗證的推導、透明的執行。
這並非完全相同的類比。但模式依然一致。人們最終會想要窺視那些依賴於“黑箱”所做決策的金融系統。
我並不預測閉源 AI 會走向終結。不過我認爲，只要涉及金錢，開放源代碼且經過驗證的基礎設施將成爲常態。
關於“開放源代碼，

”沒有建議。 “DeFAI 會把可驗證的開放源代碼 AI 作爲常態嗎？”

#opg $OPG 我前幾天在上傳一個大型模型到OpenGradient時，有一個節點停止回應。

客戶端重試了。然後進度條開始倒退。我開始觀察網絡流量，而不是上傳本身。

我原以為最難的是存儲模型。

結果並不是。重試暴露出另一個問題：在模型能在其他地方可用之前，多少次相同的千兆字節可能需要移動。

這就是Walrus的重要性——但並不像存儲圖表所暗示的那麼簡單。Blob ID並不能消除距離。一個推理節點可能需要提取模型，驗證它，將其加載到內存中，然後決定是否值得將其保留在附近。

一個流行的模型慢慢變成本地基礎設施。一個不常用的模型則保持冷藏，等待再次成為帶寬問題。

我一直在思考緩存的決策。@OpenGradient

存儲太少會在需求高峰期間出現延遲。存儲太多則會使操作員重新創建架構試圖避免的存儲負擔。

上傳最終完成了。但我仍然不知道當五個冷節點同時請求該模型時，系統的行為會如何。

是什麼決定Walrus在同時冷啟動需求下是否擴展OpenGradient模型？

當我閱讀並瀏覽OpenGradient的公告時間線時，有一件事讓我感到意外。

4月14日：由a16z主導的950萬美元融資。
4月21日：TGE和主網啓動。
5月22日：幣安上市。
6月15日：Upbit上市。

60天。從融資到頂級交易所上市。

這種速度讓人印象深刻。但我反覆想到的是：幣安給OPG貼上了“種子標籤”——這是他們對早期、高波動性代幣的標籤。

現在約有19%的供應在流通。其餘的將在未來幾個月和幾年內解鎖。
@OpenGradient
網絡已經證明了自己——200萬+推理，500K+證明，4400+模型，263K+錢包。基礎設施是真實的。

但真正的考驗不是技術是否有效。而是採用是否能跟上供應解鎖的步伐。

你認爲需求能跟上供應解鎖嗎？$OPG

· 是的，採用將推動需求
· 不，稀釋將施壓價格
· 只有當可驗證的AI成爲標準時
· 現在說還太早

#opg #幣安 #Upbit #AI基礎設施

我前幾天在測試 OpenGradient 的路由場景時，有一個請求一直無法達到其延遲目標。

排程器選擇了最近的推理節點。在理論上，這是顯而易見的決策。

但是該節點並沒有準備好所請求的模型。

它開始拉取模型，而另一個稍微遠一點的節點已經預熱且大部分時間閒置。較短的網路路徑卻成為了較慢的執行路徑。

這是第一次錯位。

我一直把節點放置當作地理問題來處理。其實更接近於一個協調問題，裡面還包含地理因素。距離固然重要，但 GPU 容量、隊列壓力、模型狀態，以及備援節點是否真的與主節點有所不同，這些都同樣重要。

地圖看起來是分散的，但依賴圖卻不是。

兩個位於不同城市的節點仍然可以共享同一個雲端供應商、一個操作員，或是一個區域性網路故障。
$OPG
真正的考驗在於下一個節點出現的地方——以及它們是否能減少用戶實際感受到的延遲和共享故障。

在全球範圍內放置 OpenGradient 節點時，最重要的是什麼？
@OpenGradient
· 延遲
· 容量
· 韌性

#OPG #DeFAI #AIInfrastructure

#opg $OPG 最近我在查看一些推斷日誌時，注意到了一些我沒有預料到的事情。

大多數失敗的請求並不是由於網絡擁堵或節點故障造成的。它們失敗是因爲請求的驗證層與節點能夠提供的內容不匹配。請求了zkML證明，但節點只支持TEE證明。請求直接被拒絕了。

這讓我思考我們在設計時如何平衡靈活性與兼容性。

@OpenGradient adient架構允許開發者根據工作負載選擇驗證方法——zkML、TEE或簽名結果。這在紙面上是合理的。但在實踐中，它可能導致碎片化的風險，開發者選擇了一個層級後部署，卻發現他們的請求因爲可用節點無法提供那個特定組合而被靜默丟棄。

這讓我想起了早期區塊鏈的互操作性問題。不同鏈之間講着不同的語言，必須構建橋樑來進行翻譯。解決方案並不是標準化，而是抽象層，使兼容性對用戶來說是隱形的。

我不確定OpenGradient是否已經解決了這個問題。但我懷疑，那個讓驗證層選擇感覺無縫，而不是一個隱藏後果的技術決策的項目，將會在長遠中獲勝。

仍在關注這一進展。

#opg $OPG 和@OpenGradient 最近讓我有點煩惱的是，AI代理在充斥着合成內容的世界中如何解讀市場情緒。

現在，它們通過抓取X、新聞源和鏈上聊天來評估動量。但隨着更多內容變得由AI生成，我們正走向一個反饋循環，機器讀取其他機器寫的內容，並在此基礎上進行交易，強化那些沒有現實基礎的扭曲。

信號與噪聲的比率正在崩潰，而我們甚至還沒有建立過濾這些內容的基礎設施。

@OpenGradient 常常浮現在我腦海中，因爲可驗證的推理和去中心化模型執行可能最終會實現超越計算驗證的東西。它們可能會實現源驗證——區分人類產生的情緒和合成放大的內容。

我們在加密領域花了好幾年證明交易的發生，而不需要信任中介。現在我們需要證明一條市場信息是來自一個真實的參與者，而不是一個回聲自己的反應的機器人。

我不知道這是否會成爲DeFAI的定義性挑戰。但我越是觀察AI的普及加速，我就越懷疑我們爲什麼沒有更早預見到噪聲問題。

仍在處理這個。但這似乎太重要了，不能忽視。

#opg $OPG @OpenGradient 我一直在思考的一件事是，我們期待AI代理最終能夠協作，但我們實際上還沒有解決它們如何相互驗證的問題。

人類有合同、聲譽和法律救濟。來自不同生態系統的兩個AI代理卻沒有這些。如果代理A向代理B發送信號建議進行交易，代理B目前別無選擇，只能盲目信任或完全忽視。

這對於一個相互連接的金融層來說是一個脆弱的基礎。

@OpenGradient 在我心中不斷浮現，因爲它的可驗證推理方法提供了一個潛在的答案。如果每個模型都能生成其推理的可審計收據，那麼代理B就不必信任代理A的意圖。在對其信號採取行動之前，它可以驗證代理A的邏輯。

這讓我想起區塊鏈給我們提供的能力，讓我們在不信任銀行的情況下驗證交易。我們正在朝着機器與機器通信的同樣標準前進。

我不確定完全自主的代理協作是否會在這個週期內發生。但促成這一點的基礎設施似乎正在悄然成型。

今天很容易被低估。一旦成爲標準，就很難被替代。

#opg $OPG 我們正在爲AI計算構建一個Fort Knox。

與此同時，前門敞開着。

每個人都在爭論ZK證明和爭議遊戲，錯過了明顯的致命一擊：

垃圾進 → 驗證的垃圾出。

一個管理着1億美元資金的AI代理不會憑空產生幻覺。它會被操控。

怎麼操作？

· 一羣協調的Twitter機器人推動假新聞敘事。
· AI將其作爲“市場情緒”進行抓取。
· AI根據驗證的虛假數據在高點買入。
· 然後機器人拋售。AI損失數百萬。

等到你的防欺詐程序運行時，數據源已經自我修正。AI的邏輯在技術上是完美的。輸入只是一個謊言。

這就是“Oracle問題2.0”。

在DeFi 1.0中，我們修復了價格源（Chainlink）。
在DeFAI中，我們需要修復聲譽源。

10/10的解決方案不是驗證計算，而是驗證來源。

我們需要一個AI代理的來源層：

1. 加密水印 – 每個輸入到AI的數據都必須由其來源簽名（X檔案、鏈上交易、新聞媒體）。沒有簽名？不允許交易行動。
2. 去中心化數據驗證者 – 不是價格預言機，而是真相預言機。質押節點在AI消化信息之前，需要在5個獨立來源中驗證一條信息。
3. 活躍度評分 – 數據源獲得信任評分。如果某個X賬戶有傳播虛假信息的歷史，AI會自動將其權重降低80%。

我們不需要證明AI計算正確。
我們需要證明AI讀取正確。

第一次重大的DeFAI黑客攻擊不會是智能合約的漏洞利用。
它將是巧妙製作的虛假信息，輸入到一個毫無防備的模型中。

停止爲有毒數據構建計算器。
開始爲AI的眼睛構建免疫系統。

這纔是真正的基礎設施護城河。
#DeFAI #Crypto @OpenGradient

#opg $OPG 目前加密界最火的觀點是：「我們必須用ZK證明來驗證每一個AI推論。」

而更火的觀點是：ZKML可能實際上是對1億美元AI基金的錯誤押注。

讓我來解釋一下為什麼「可驗證的AI」敘事有一個重大的盲點。

延遲陷阱：
一個大型語言模型的ZK證明需要幾分鐘到幾小時來生成。
如果一個AI代理正在套利閃電貸款或前置清算，那筆交易持續的時間僅僅是毫秒。
等到證明準備好時，機會已經錯過。你不需要已經結算的交易的收據；你需要的是立即執行的交易。

那麼，誰在實時驗證AI呢？

答案不是數學。答案是經濟學 + 爭議遊戲。

我們不需要在實時中證明AI是正確的。
我們只需要確保AI在事後不是惡意的。

10/10的論點 → 樂觀驗證（OPML）：

1. 讓AI立即在鏈外行動。
2. 將決策數據上鏈。
3. 給挑戰者24小時的窗口來運行便宜的欺詐證明並對結果提出異議。

我們不驗證思考過程。
我們驗證財務後果。如果AI撒謊，挑戰者就能偷取其抵押的質押資金。

真正的基礎設施贏家不會是「證明者」。
他們將是爭議解決層——在這裡，博弈理論、質押削減和挑戰期比密碼學速度更重要。

停止為AI輸出構建計算器。
開始為AI決策建立法庭。

這才是真正的價值所在。
@OpenGradient #VerifiableAI #Crypto #DeFAI #ZKML #GameTheory