Square Alpha

我在 2023 年被一個收益策略“坑”過：爲了安全性，額外外掛了一個“懲罰（slashing）機制”。

事後仔細讀了文檔。懲罰是真的。做得很差的操作者會被扣掉他們的質押。

但這些都沒有回到我這裏。

被懲罰的資金被放進了一個面向誠實質押者的通用獎勵池。系統懲罰了壞的行爲者。它沒有讓那個真正虧錢的人重新拿回損失。對網絡起威懾作用。對受害者零補償。

我在此後幾乎每一個重質押與懲罰系統裏，都見過同樣的設計。那就是默認做法。

Newton Protocol 做了我以前沒見過、這種方式的結構。

當某個代理運營者（agent operator）作惡並被懲罰時，被扣掉的 $NEWT 並不只是去填充一個通用獎勵池。它會被專門重新分配給那些因爲該代理失敗而受到傷害的終端用戶。

不是“下次網絡會更安全”。真正受傷的那個人，會從本來用來保證良好行爲的、具體那份質押中獲得補償。

這是一種完全不同的設計理念。大多數懲罰都是面向未來的威懾。而這個更像是面向過去的保險理賠。

它改變了抵押品（collateral）實際是用來做什麼的——不是抽象意義上的“出點血作爲代價”，而是針對某個特定的人、針對某次特定損失而設立的一份特定擔保（bond）。

以前我讀協議文檔裏的“懲罰（slashing）”，就默認它在任何地方都指的是同一件事：壞人失去錢，網絡依然保持誠實。

現在我認爲，被懲罰的錢到底流向哪裏，纔是決定一個協議是在保護系統還是在保護使用它的人所暴露出來的關鍵細節。

看看 Newton 的版本能否在生產環境中首次真的出現代理故障時經得起考驗。

#newt @NewtonProtocol $NEWT

我在 2024 年把一個小位置投入到一個“AI 交易代理（AI trading agent）”項目裏。回頭看，那確實有點魯莽。

設置很簡單：把資金存入一個彙集的錢包，讓機器人自主交易。完全託管、沒有護欄。推銷話術是：“AI 足夠聰明，能處理好這一切。”

它確實跑起來了，直到某個策略走偏，而除了足夠快地把資金撤出來之外，沒有任何機制能停止它。該代理擁有全部密鑰權限。除了“模型決定這麼做”之外，沒有任何東西阻隔它與實際資金轉移之間的鏈路。

所以，牛頓協議（Newton Protocol）吸引我的方式，和大多數 AI 代理項目不太一樣。

$NEWT 這個代理根本不會把你的密鑰掌握在自己手裏。它的設計繞開了我在 2024 年親眼看到併發生在我身上的那類問題，而不是重複同樣的事情。

機制是這樣的：當一個代理想要行動——比如再平衡投資組合、執行定期買入——它不會用你的密鑰去簽名。它會把請求發送到 Newton 的授權層。該授權層會根據你自己定義的策略進行檢查，這個策略用一種名爲 Rego 的語言來編寫。只有通過了檢查，它纔會獲得授權。網絡會生成加密證明（cryptographic attestation），證明這次校驗發生在交易真正結算之前。

你的密鑰從不移動。代理也從不觸碰它們。

這重新定義了我過去一直在問這些工具的問題。不是“我有多信任這個代理”。而是：“我把它必須通過的策略寫得有多嚴密。”

那個 2024 年的機器人，如果用這種類似的策略包裹起來，就不可能在我設定的邊界之外把任何資金掏走。

現在我認爲，在 AI 代理加密工具中真正的風險從來都不在於代理的“智能”。關鍵在於：在模型的決策和你的資金開始流動之間，有沒有任何東西作爲隔離。

看看這一區分是否會隨着更多這類系統上線而被計入定價。

#newt @NewtonProtocol $NEWT

我過去一直以爲：一旦開發者開始在上面構建，基礎設施就變得有價值了。

現在我覺得，這只是故事的一半。

我見過很多加密項目通過資助、激勵和熱情來吸引建設者。第一波總是看起來很耀眼。

但更難的問題會在之後到來。

激勵褪去之後會發生什麼？

開發者會留下來，是因爲他們“不得不”，

還是因爲他們確實依賴這個網絡？

所以我開始用另一種方式來看待基礎設施。

真正的護城河並不是讓開發者更容易入門。

而是讓他們的工作很難遷移到別處。

如果一個應用幾乎不需要什麼成本就能離開，那麼生態系統永遠不會變成一個經濟體。它只會成爲一段時間的聚集。

這也是我在關注 $NEWT 的原因之一。

有趣的問題並不在於有多少團隊在其上構建。

而在於：這些團隊能否通過共享的基礎設施、共享的數據，以及共享的激勵，變得越來越緊密相連。

依賴會不斷複利增長。

僅靠活躍度不會。

仍然很早。還有很多事情需要被證明。

最強的基礎設施不會是擁有最多建設者的那個。

而是那個離開它就最難繼續構建的那個。

#Newt @NewtonProtocol $NEWT

我看過足夠多的 TGE，才知道規律。

空投快照前後用量會突然飆升。
農民宣稱。農民出售。農民離開。
到第二個月，日活數據已經是上線時的幽靈。
你在第六週打開儀表盤看一眼，然後悄悄關閉標籤頁。

這就是基準情形。我不再期待任何不同。

所以當我看到 OpenGradient 的推理數據時，我又看了兩遍。

在 TGE 之前有 200 萬次推理。代幣存在之前數月就已經有真實的網絡活動。

然後 4 月發生了——代幣上線——僅當月就跑了 120 萬次推理。

上線後網絡沒有進入平臺期。
它在加速。

這不像空投農民的形狀。農民不會跑 AI 推理。他們點擊、領取，然後輪換。推理曲線在 TGE 之後繼續加速，說明有別的東西出現了——開發者、代理、應用在 $OPG 上跑着實際工作負載。

大多數代幣上線都是“先見使用高峯，再緩慢流血”。
OpenGradient 卻是“在加速中上線”。

我以前把 TGE 之後的用量下滑當成不可避免——只是看下滑有多陡。

現在我認爲：上線後前 30 天的推理曲線形態，是一個網絡能給你的最誠實信號——而 OpenGradient 的曲線卻對唱空者走錯了方向。

依然在觀察第三個月是否還能保持同樣的形狀。

#OPG @OpenGradient $OPG

TGE 之後的推理加速最清楚地在傳遞什麼信號？

2022年我親眼看着一個去中心化的無線網絡終於用“硬方式”讓我明白了。

講得很清楚：真實硬件、真實覆蓋地圖、地底真實基礎設施。用量會隨之而來。它必須會——因爲這個網絡規模巨大。

但使用量從未到來。
所有需求都是“循環的”——人們爲了從網絡中獲利而買入網絡。
當這個循環斷裂，下面的支撐就接不上了。

同一個價格裏住着兩種敘事。表面是基礎設施故事。底下是自我指向的需求。

這就是我用來審視 $OPG this周時的視角。

OpenGradient 自稱是可驗證的 AI 基礎設施。這是敘事。但看看真正的用戶在哪裏。

BitQuant——180萬用戶。AI交易、DeFi 分析。
MemSync——3.9萬名活躍用戶。跨應用的持續性 AI 記憶。
兩者都是面向消費者的產品。兩者都使用持有 OPG 來解鎖更高級別的權限。

所以“需求”問題不只是“開發者會不會爲推理支付 OPG？”。
而是：現在到底是哪一層在生成需求——基礎設施，還是消費者應用。

這些耐久性曲線是不一樣的。
當有更好的應用出現，消費者應用的訪問量會流失。
而基礎設施層的推理付費會隨着更多開發者加入而複利增長。

我過去以爲 OpenGradient 是純粹的基礎設施押注。

但現在我覺得，消費者層正在做的需求工作比敘事所承認的更多——真正的問題在於：在沒人注意到差異之前，基礎設施能否追上。

仍在觀察哪個數字增長得更快。

#opg @OpenGradient $OPG

$OPG 的主要需求現在到底來自哪裏？

我在 2020 年見證 Filecoin 上線，當時我以為自己已經看懂了賭注。

去中心化儲存。真正的技術。敘事邏輯密不透風——世界每年產生的資料更多，而把全部資料都存放在亞馬遜的伺服器上，等同於單點失效。基礎設施已經就緒。代幣開始飆升。

然後什麼都沒發生。

不是因為技術失敗。而是因為需求沒有出現。數百 TB 甚至 PB 等級的儲存容量空置了好幾年，開發者卻仍持續付費使用 AWS。當你說「基礎設施已就緒」到「人們真的在使用它」之間，原來差距巨大，而且要縮小起來又慢又難。

這就是我帶著走進之後每一個基礎設施代幣的教訓。

所以，這串 <a>$OPG numbers</a> 才讓我多看了兩眼。

OpenGradient 並不是在等需求。代幣上線之前，網路已處理超過 200 萬次推論（inferences）。已有 26 萬個錢包與之互動。每天 1 萬筆交易——不是在上架事件附近，而是持續進行。

Filecoin 是先做供給並希望需求會跟上。

OpenGradient 則是先讓需求移動，供給才在後面擴張——驗證者、模型發布者、推論節點（inference nodes）都在其背後進行規模化。

這是不同的順序（sequencing）。而「順序」本身，才決定基礎設施代幣是早期貨，還是早得永遠。

我以前以為基礎設施代幣都是同一種賭注。

但我現在覺得，值得做的只有那種「需求先行」的情況——而 OpenGradient 是第一個可驗證的 AI 專案，能讓我清楚地看到這一點。

我仍在觀察這個落差是否能保持狹窄。

#OPG @OpenGradient $OPG

像 Filecoin 這種多數早期基礎設施代幣，究竟是什麼把它們打趴的？

大多數人以爲 OpenGradient 的工作方式就像以太坊。

每個節點都會運行計算。達成共識。結果就定了。

但事實並不是這樣——而且這個差異很關鍵。

OpenGradient 刻意將執行與驗證分離。

推理節點運行模型。GPU 加速，速度達到 web2 級別。因爲只有一個節點做了工作，所以結果回得很快。

然後是一層獨立的全節點，在事後驗證該證明。

不是同時。而是事後。

這個空隙是設計選擇，而不是缺陷。若要同時驗證，就意味着每一位驗證者都要在每次調用時重新運行一個大型語言模型。網絡會根本無法使用。所以先執行，隨後驗證，而在 Base 上的結算會同時記錄這兩者。

這到底意味着什麼：$OPG 提供的保證並不是“在你拿到答案之前，大家都已經達成一致”。而是任何不誠實的結果都會在事後被發現並被懲罰（被削減）。

這是一種不同於大多數人腦海中“聽到‘鏈上 AI’”時所想象的安全模型。

更接近傳統金融中的欺詐檢測——你會在實時完成交易，審計在你之後進行，而壞行爲者會被識別並受到處罰。

我以前以爲，可驗證的 AI 意味着驗證發生在你信任輸出之前。

現在我認爲 OpenGradient 押的是更誠實的一種賭注——事後生成的密碼學證明對大多數真實應用而言已經足夠，而實時驗證則是任何人都無法在速度上真正做到的“標準”。

仍在關注市場是否理解這種差異。

#opg @OpenGradient $OPG

OpenGradient 何時驗證一次推理結果？

大多數人看待 $OPG 的質押，看到的是收益。

這是錯誤的解讀。

OpenGradient 的質押支持那些驗證推斷是否正確執行的驗證者——正確的模型、未被篡改的輸出、有效的證明。如果某個驗證者確認了一個虛假的結果，那麼他們質押的 OPG 會被削減。同樣也會被削減那些將資金委託給他們的人的質押。

這不是收益農場。這是承保。

你的代幣正在做出一個聲明：這個驗證者是誠實的。如果他們不誠實，你也會和他們一起承擔損失。經濟風險是切實存在的，並且是有方向性的。

大多數加密貨幣質押池裏都是在優化 APY 的人——他們不關心自己在支持哪個驗證者，因爲無論哪一個，缺口（下行風險）都一樣。把資金委託給提供最高回報的人，收取、再重複。

但 OpenGradient 的設計打破了這一點。在這裏要做出良好的質押，你需要對驗證者質量有判斷——或者你需要找到一個有判斷的人。盲目委託會帶來真實風險。

我以前在加密 AI 裏閱讀各種質押機制時，總是用同樣的方式看待——把收益包裝成網絡安全。

現在我認爲 OpenGradient 是少數幾個地方：質押代表的是真正的信念付出——錯了就要付出真實成本。

它是否會吸引一種不同類型的持有者——或者在大家爲了更簡單的交易而忽視它時，它只是被慢慢定價進來——這正是我在觀察的。

#opg @OpenGradient $OPG
$OPG 的質押到底實際代表什麼？

大多數加密AI項目都要求開發者學習一套新的技術棧。

新的原語。新的架構。新的思維模型。
大多數開發者並不會這麼做。即使技術更好，切換成本也是真實存在的。

OpenGradient 做出了不同的選擇。

他們的 Python SDK 可以直接替換 OpenAI 和 Anthropic 的 API。相同的模式。相同的接口。你調用 `llm.chat()` 的方式就和使用 OpenAI 一樣。

唯一的區別在於返回的內容。

兩個結果而不是一個——`chat_output` 和 `transaction_hash`。AI 的回覆，再加上一段鏈上證明，證明它確實按所聲稱的方式發生了。只需一行代碼，就能給你集中式提供商永遠無法提供的東西。

LangChain 集成已經存在。在那裏構建智能體的開發者可以添加 OpenGradient 工具，而無需動他們核心的技術棧。

我過去以爲 $OPG 的採用上限取決於有多少開發者理解加密。

現在我覺得，上限要簡單得多——開發者是否認爲可驗證性值得爲此付出一點點從免費 API 密鑰遷移的成本。

這比從零重建要低得多。接下來就看它是否足夠低。

#OPG @OpenGradient $OPG

$HEI
$FOGO
目前 OpenGradient 的真正採用瓶頸是什麼？

現在觀看$OPG 的每個人都在看錯的時鐘。

這個代幣已經有10個月了。
價格辯論、圖表模式、日交易量——這些在真正重要的事情面前都是噪音。

12個月的解鎖懸崖。

2027年4月。團隊和投資者的供應將首次解鎖。現在只有19%的OPG在流通。這個數字在十個月內會發生重大變化。

在這個階段，大多數項目沒有足夠的網絡活動來吸收這種供應擴張。解鎖到來，早期持有者分發，價格修正，敘事崩潰。

OpenGradient在此期間的唯一任務就是——建立足夠的真實推斷需求，讓2027年4月看起來像一個里程碑，而不是一個天花板。

26.3萬個錢包與網絡互動是一個開始。
每天1萬個交易是一個開始。
100名開發者發佈模型是一個開始。

這些都還不足以對供應吸收做出有信心的判斷。

我曾經通過技術的有效性來評估早期代幣。

現在我評估它們是否需求曲線能夠超越供應計劃——而十個月並不是一個長跑道。

這就是OpenGradient現在面臨的真正問題。不是可驗證的AI是否真實，而是它是否足夠真實。

#opg @OpenGradient
$NES
$ATM

每個人都想知道哪個AI模型會獲勝。

OpenGradient認爲這是個錯誤的問題。

這個模型中心是開放的。任何人都可以上傳模型，設定價格，每次調用時自動賺取$OPG 。OpenGradient不進行審覈。不挑選獲勝者。沒有推薦位。沒有審批流程。

這在現在的設計選擇中是相當不尋常的。

每個主要的AI平臺都在爭奪主導模型——或至少是主導的接口。OpenAI、Anthropic、谷歌：專有權重、API密鑰、垂直整合。價值捕獲發生在模型層。

OpenGradient正在爲一個不再由單一提供商獲勝、開源比任何公司更快繁榮的世界而構建。

這已經在發生。Llama。Mistral。Deepseek。前沿封閉模型與最佳開源之間的差距每個季度都在縮小。

如果差距縮小到足夠，瓶頸就會轉移。不再是“哪個模型？”而是“我在哪裏以可驗證且不需要信任單一供應商的方式運行它？”

我曾經認爲加密AI的價值會集中在模型層。

現在我認爲它集中在基礎設施層——而OpenGradient是我見過的對此論點最清晰的表達。

正在觀察開源軌跡是否保持得足夠長，以便這變得重要。

#opg @OpenGradient $BEAT
$HEI

加密貨幣以艱難的方式解決了對手風險。

你不能把你的資產完全信任於單一的託管機構。
不是因爲他們邪惡——而是因爲大規模的信任最終總是會失敗。
自我託管、可驗證的結算、透明的賬本。
加密貨幣的整個架構都是對這個教訓的迴應。

現在，人工智能正在犯同樣的錯誤。

四個提供商控制着絕大多數的推理——OpenAI、Anthropic、Google、xAI。
當一個AI代理轉移資金、批准交易、做出決策時——目前沒有辦法驗證是哪個模型在運行、使用了什麼提示，或者輸出在交付前是否被修改。

這不是一個質量問題。
這是一個託管問題。

OpenGradient是我見過的第一個明確將其框架化的項目——並圍繞它構建基礎設施，而不僅僅是敘述。

網絡上的每一個推理都會生成一個加密追蹤。鏈上結算。事後可審計。

我曾經認爲AI信任問題是關於構建更好的模型。

現在我認爲這是加密貨幣已經解決的同樣問題——而$OPG 在這個答案上處於早期階段。

仍在觀察市場是否也會以同樣的方式解讀它。

#OPG @OpenGradient

$ARX
$SYN

大多數人通過計算基於$OPG 構建的應用程序來評估它。

BitQuant、MemSync、Twin.Fun——這些都是常見的名單。

這並不是正確的計數單位。

OpenGradient通過x402結算推理支付——這是一個用於機器原生小額支付的開放標準，而不是專有集成。任何能夠使用該協議的代理都可以發現網絡並支付經過驗證的推理調用。它不需要合作關係。它根本不需要所謂的“基於OpenGradient構建”。

這改變了增長瓶頸的實際情況。

大多數加密AI項目的增長方式與常規初創企業相同——業務開發電話、集成、合作伙伴公告。他們的可服務市場是他們個人簽署的任何人。

協議級別的標準並不是這樣工作的。可服務市場是每個採用x402進行支付的代理，毫無疑問——無論OpenGradient的任何人是否與構建該代理的團隊交談過。

這是一塊更大的市場。這也更難以歸功於某個特定的主體，並且在截圖中更難以指出。你不能將“開放網絡上的每個代理”列爲合作伙伴徽標。

我曾經通過計算已命名的集成來跟蹤這裏的增長。

現在我認爲真正的數字是代理生態系統中的x402採用——OpenGradient在其中受益但並不控制。

觀察這一採用曲線是否真的在移動，以及是否有人在跟蹤它。

#opg @OpenGradient
$XCX
$UB

大多數人將 "可驗證的 AI" 理解爲 "無信任的 AI。"

這兩者並不相同。

OpenGradient 的主要驗證路徑通過 TEE 運行 — 安全硬件隔離區。芯片證明了一個特定模型在特定輸入上運行併產生了特定輸出，未被篡改。

這是真實的。但它也不是無信任的。

信任下移了一層。你不再信任運行 API 的公司。你信任硬件供應商的隔離區沒有被攻破、側信道攻擊或後門。

$OPG 持有者實際上對此進行投票 — 治理包括網絡接受的 TEE 硬件。這就是關鍵。去中心化並沒有消除受信任的方。它將受信任的方轉變爲社區管理的經過篩選的白名單。

網絡上也有一個完全無信任的替代方案 — zkML，純加密證明，不需要硬件假設。運行起來極其繁重，這正是幾乎沒有人默認使用它的原因。

所以，當前生產中的實際系統是：快速路徑，硬件可信。慢速路徑，數學可信。大多數實際使用都是走快速路徑。

我曾經認爲 "鏈上驗證" 意味着信任問題已解決。

現在我認爲這意味着信任問題轉移到了大多數人未關注的地方 — 而 OpenGradient 是爲數不多的誠實項目之一，它將這一選擇提交投票，而不是隱藏在文檔中。

仍在弄清楚是否有人真的在閱讀他們投票的內容。

#opg @OpenGradient
$RE
$BICO

大多數人把 OpenGradient 當作一個購買推理的地方。

這只是部分真相。

另一部分是誰在賣。

OpenGradient 運營着一個模型中心。開發者發佈模型，設定價格，每次其他應用或代理調用他們的模型時，自動賺取 $OPG 。沒有發票。沒有應用商店的分成談判。支付在使用時觸發。

這與“更多推理量”的賭注是不同的。

大多數 AI 基礎設施代幣在吞吐量上競爭——誰最便宜，誰最快。這是價格的競賽，集中化的提供者通常在原始成本上會贏。

一個模型市場競爭的是其他東西：優秀的構建者是否選擇在這裏發佈他們的最佳作品，而不是保持封閉？

這是一場更難贏的戰鬥，並且一旦贏得它，就會變得更有粘性。吞吐量是商品。一個真正被採納的模型，鎖定在一個自動賺取的中心，不會因爲競爭對手降價而遷移。

我曾經認爲代幣的職責是公正定價推理。

現在我認爲它真正的職責是讓鏈上發佈比保持封閉更具吸引力——這是一種激勵設計問題，而不是定價問題。

觀察值得吸引的構建者是否真的出現。

#opg @OpenGradient
$EVAA
$BTW

上週，一個朋友給我發了一個AI代理在區塊鏈上做決策的演示。

看起來真棒。快速、自主、準確。他問我怎麼看。

我說："你真的會在這個基礎上建立一個業務嗎？"

他不明白我爲什麼這樣問。

這個差距可能是目前AI與加密最重要的事情。

大多數AI區塊鏈演示並不是爲了在生產環境中運行而構建的。它們是爲了證明一個概念。演示版本讓每個選擇看起來都很簡單——直到有人在大規模運行時意識到基礎設施從未爲此設計。

可怕的是，令人印象深刻的演示吸引了真正的資本。當演示與生產之間的差距變得明顯時，敘事已經設定好了。

這就是我覺得@OpenGradient 架構有趣的原因。

推理開銷就是一個例子。鏈上驗證增加的延遲在演示環境中根本不存在——而且隨着模型的增長而加劇。OpenGradient沒有創造這個限制，也無法消除它。

所以他們不是假裝它不存在，而是圍繞它構建：HACA根據每個輸出實際需要的不同驗證方法進行路由。TEE用於快速推理。ZKML用於高風險決策。節點專業化來處理路由。MemSync和底層的模型中心。

這不是變通方案。這是對生產實際需求的架構觀點。

大多數AI與加密項目優化的是演示。OpenGradient則在爲之後的事情做優化。

在投資中也是如此。我們支持現在看起來令人印象深刻的東西。但更大的風險是錯過那些真正能夠擴展的東西。

也許這就是$OPG 真正要構建的目標。不是最令人印象深刻的演示——而是在其他所有的都停滯時仍在運行的基礎設施。

#opg
$ZEREBRO
$VELVET

大多數人看着$OPG ，只看到一張從高點下跌超過50%的圖表。

這並不是開始的正確數字。

早期階段的代幣更多地依賴於流動性和情緒，而不是基本面。
幾個大錢包在薄流動性中拋售，可以在一天內將價格移動30%。
這些都無法說明底層網絡是否正常工作。

看看使用情況。

超過260,000個錢包與OpenGradient進行了互動。
每天超過10,000筆交易——不僅僅是在上市日，持續進行中。

這也不是空投農場。
農場在公告時會激增，然後迅速下降。
在60%以上的回撤中，這個項目卻保持穩定——形態完全不同。

每個推斷調用仍然需要在OPG中結算。
這裏的使用並不是假設需求——而是必要需求。

價格和使用在這裏已經脫鉤。
通常這是一面紅旗——沒有采用的炒作。
這看起來像是反向：採用領先於價格。

我曾經習慣先看價格圖表，再查看使用情況，甚至根本不查看。

現在我反過來了。
OpenGradient是我在這個週期看到的最清晰的案例，說明這一順序的重要性。

仍在觀察差距是否縮小。

#OPG @OpenGradient

$O
$AGT