EthanValeX

لا أستطيع التوقف عن التفكير في جزء غير مريح واحد من التمويل عبر السلاسل:
لا تقوم الجسور بنقل الأصول فقط.
بل تنقل أيضًا المخاطر.
يتحدث معظم الناس عن التمويل عبر السلاسل وكأن المشاكل الوحيدة هي السرعة والرسوم والسيولة. هل يمكن للأصول أن تتحرك أسرع؟ هل يمكن للمستخدمين تجنب المسارات المكلفة؟ هل يمكن للـ DeFi أن يشعر بسلاسة أكبر عبر الشبكات؟
هذه الأسئلة مهمة.
لكن هناك مشكلة أكثر هدوءًا تكمن في الأسفل.
عندما ينتقل أصل من سلسلة إلى أخرى، لا تنتقل القواعد التي تحميه دائمًا بنفس القوة.
قد تحتوي إحدى السلاسل على فحوصات سياسة صارمة. وقد تعتمد سلسلة أخرى على ضوابط على مستوى التطبيق. وقد لا تكتشف سلسلة ثالثة النشاط المشبوه إلا بعد أن تكون المعاملة قد حدثت بالفعل.
وهذا يخلق نقطة ضعف غريبة.
لا تحتاج المخاطر إلى كسر أقوى جزء في النظام. يكفي أن تجد أضعف طريق.
وهنا يصبح @NewtonProtocol مثيرًا لاهتمامي.
Newton Mainnet Beta ليست مجرد إضافة طبقة أخرى إلى الـ DeFi. بل هي بخصوص التفويض قبل التسوية. يمكن التحقق من نية المعاملة مقابل سياسة نشطة أولًا، ثم استلام إثبات مُوقَّع بالقبول/الرفض قبل التنفيذ.
هذا الفرق مهم.
تخبرك المراقبة بما حدث خطأ بعد انتقال المال.
أما التفويض فيسألك عما إذا كان ينبغي للمال أن يتحرك أصلًا.
التحدي الحقيقي هو ما إذا كانت التطبيقات ستقبل بنية تحتية مشتركة للسياسات بدلًا من أن يبني كل فريق ضوابطه المعزولة داخل حدوده. تحبّ العملات المشفرة قابلية التركيب (composability)، لكن كل فريق ما يزال يريد السيطرة على حدوده الخاصة.
وهذا ما لا يزال يتعين على Newton إثباته.
لكن إذا كانت الأصول تصبح عبر السلاسل افتراضيًا، فلا يمكن أن تبقى السياسة محبوسة داخل سلسلة واحدة.
لأن خطر المستقبل ليس مجرد معاملات سيئة.
بل معاملات سيئة تجد أسهل سلسلة للاختباء فيها.
$LAB $NEWT #Newt

قال الأقدمون: «سلطة الملك تُغلبها لوائح القرية.»
أظن أن الـDeFi كذلك.
العقد الذكي يشبه جزء القانون المكتوب بشكل علني: الجميع يراه، والجميع يستطيع فحصه. لكن كل تطبيق يضع طبقة شروطه الخاصة. أيّ مُحددات (vi) تُستخدم، وما هو الحد الأقصى، وأي المناطق يُسمح بها، وكيفية التعامل مع أعطال الـoracle، وإلى أي مدى يصل risk score فيجب حظر المعاملة.
المشكلة أن هذه الشروط غالبًا ما تكون متفرقة. جزء منها في الواجهة الأمامية. جزء منها في الخلفية. جزء منها في إعدادات لوحة الإدارة (admin config). وجزء يُحشر مباشرة داخل العقد.
كلما زادت طبقات «الترقيع» هكذا، صار النظام أصعب في التدقيق (audit)، وأصعب في شرح الأمر عندما تُرفض عملية ما.
وهنا لفتت انتباهي القيمة @NewtonProtocol .
استخدم نيوتن Rego/OPA لتحويل هذه الشروط إلى طبقة سياسة (policy) مستقلة، تُفحص قبل التسوية (settlement). تدخل المعاملة أولًا، ثم تقوم شبكة المشغّل (operator network) بتطبيق السياسة (policy)، وتُعيد إشهادًا (attestation) موقّعًا إما بالنجاح أو بالفشل (signed pass/fail)، ثم يقرر العقد الذكي بعد ذلك ما إذا كان سيسمح بالتشغيل أم لا.
يشبه سيارة تنزل منحدرًا؛ تشغيل المحرك جيدًا لا يكفي. بل يحتاج أيضًا إلى مكابح تعرف متى تعمل.
والشيء نفسه ينطبق على صندوق (vault) في الـDeFi: قد يعمل العقد بشكل صحيح، لكن إذا كانت صحة الـoracle سيئة، أو تجاوز الرافعة حدًا معينًا، أو لم يكن عنوان (wallet) يستوفي الشروط، فلابد للنظام أن يعرف متى ينبغي إيقاف الأموال.
أسمي ذلك Stop Logic.
طبقة المنطق تجعل العقد الذكي لا يعرف فقط كيف يعمل، بل يعرف أيضًا متى يجب التوقف.
لكن لهذا النهج فخًا أيضًا: عندما تكون صلاحية رفض المعاملة موجودة ضمن السياسة، فلا يكون السؤال فقط هل تم تدقيق العقد الذكي أم لا. بل: من كتب السياسة؟ من يقوم بتحديثها؟ وهل يفهم المستخدم لماذا تم حظره.
أفضل عقد ذكي هو الذي ينفّذ بدقة.
لكن نضج الـDeFi لا يحتاج فقط إلى شيء يعرف التشغيل.
إنه يحتاج إلى شيء يعرف التوقف.
$NEWT $LAB #Newt

نفس السياسة، لكن مع اختلاف المعلمات: هل يعيد نيونتن استخدام القاعدة القانونية أم يعيد تغليف الثقة؟
في البداية، كنت أظن أن سياسة بروتوكول Newton تشبه مجموعة قوانين ثابتة: تُكتب مرة واحدة، ثم تُرفع (upload)، وبعدها أي تطبيق يستخدمها يحصل على نفس نمط التحكم.
لكن عند القراءة بعناية، تبيّن أنها ليست بهذه البساطة.
يفصل Newton منطق Rego عن جزء الإعدادات (التكوين) الخاص بكل PolicyClient. أي أن نفس السياسة يمكن إعادة استخدامها، لكن كل تطبيق يربطها بمعلماته الخاصة: threshold مختلف، exposure limit مختلف، وقائمة approved-address list مختلفة.
هذه نقطة مثيرة.
وكذلك نقطة تحتاج إلى تدقيق.
لأن القاعدة الواحدة لا تعني مستوى ثقة واحداً. يمكن أن تستخدم خزانة (vault) نفس سياسة المخاطر (risk policy)، لكن تضع حدوداً أوسع. وتستخدم تطبيق آخر نفس منطق التحكم لكن مع معلمات أكثر تشدداً.
من الخارج يبدو الجميع وكأنهم “اجتازوا السياسة” (đã qua policy)، لكن حدود التنفيذ الفعلية تقع في جزء الإعدادات (config).
أسمي ذلك Parameter Trust.
الثقة لا تكمن في القانون وحده.
بل تكمن في الشخص المخوّل بتشغيل القانون بأي معلمات.
حتى expireAfter ليست مجرد تفصيلة تقنية بسيطة. إن كان قصيراً جداً فقد لا يتمكن المستخدم من إتمام المعاملة. وإن كان طويلاً جداً، فسيعيش قرار الموافقة (approval) لمدة أطول، وتصبح نافذة الأمان أوسع.
الجزء الرائع في @NewtonProtocol هو أن كل مرة يتم فيها تحديث الإعدادات تنشئ policyId جديداً، ما يجعل تغيّر الحدود أمراً مرئياً. لكن مجرد رؤية التغيير لا يعني بالضرورة فهمه. ما زال المستخدم يحتاج إلى معرفة ما الذي تغيّر فعلاً خلف policyId الجديد.
وبالنسبة إلى $NEWT ، لن أكتفي بالنظر إلى عدد السياسات التي تمت إعادة استخدامها.
أريد أن أعرف من يتحكم في المعلمات.
لأن السياسة القابلة لإعادة الاستخدام لا تعني بالضرورة أن “الثقة” قابلة لإعادة الاستخدام.
قد تعطي مجموعة القواعد المتشابهة مستويي أمان مختلفين جداً، إذا اختلف من يمسك بالمعلمات.
#Newt $NFP

إذا تمت إعادة طلب المعاملة بعد 6 أشهر، هل يمكن لبروتوكول نيوتن تقديم إيصال؟
في وقتٍ ما ذهبتُ لإجراء ضمان لسماعة الرأس. سألني الموظف عن الفاتورة. أتذكر جيدًا أنني اشتريتها من هناك، أتذكر حتى يوم الشراء، وأتذكر أيضًا ذلك الموظف الذي كان يقف خلف الكاونتر. لكن تذكّري لم يفد بشيء. بدون إيصال، تصبح كل التفسيرات مجرد إحساس.
تذكّرت قصة الـ onchain. في ذلك المكان، كل معاملة لها سجل، لكن ليست كل معاملة لها سبب.
بلوك تشين ماهر جدًا في حفظ المعاملات. من أرسل، كم أرسل، متى أرسل، وما هو العقد الذكي الذي استلم. لكن مع تدفقات أموال مؤسسية، فهذا لا يكفي. لأن سجل المعاملات لا يجيب إلا عن ما حدث.
ولا يجيب عن السؤال الأصعب:
لماذا سُمح لهذه المعاملة أن تحدث؟
وهذا تحديدًا ما وجدته مثيرًا للاهتمام في @NewtonProtocol . لا يريد نيوتن فقط أن يتم التحقق من المعاملة قبل التسوية. بل يمكنه أيضًا إنشاء نوع من إيصال الالتزام (compliance receipt): دليل على أن السياسة تم التحقق منها، وأن الشروط قد اجتازت (pass)، وأن الشهادة (attestation) تم توقيعها، ثم لا يسمح للعقد الذكي بإرسال المعاملة إلى الأمام إلا بعد ذلك.
لا يساعد نيوتن فقط التمويل اللامركزي على قول “نعم”.
يساعد نيوتن التمويل اللامركزي على الاحتفاظ بالدليل على تلك “الإشارة بالموافقة”.
قد يبدو هذا الأمر صغيرًا، لكنه بالغ الأهمية بالنسبة للعملات المستقرة وRWA والخزائن أو المؤسسات. لأن التمويل الكبير لا يعمل بعبارة “ثق بي”. بل يحتاج إلى أثر تدقيق واضح بما يكفي، بحيث إذا تم الاستفسار لاحقًا، لا يكون النظام مضطرًا إلى تفتيش السجلات يدويًا أو شرح كلامي، ولا الاعتماد على سمعة طرف وسيط.
أما بالنسبة لـ $NEWT ، فسأبحث عن إيصال الالتزام الحقيقي للأرقام، وليس فقط أرقام منشورات تُسمّى بالاسم.
لأن التمويل اللامركزي لا ينضج عندما تصبح كل المعاملات أسرع.
بل عندما تترك كل معاملة مهمة سببًا واضحًا كافيًا لتكون مسموحة بالانطلاق.
#Newt
$VOOI $BASED

بروتوكول نيوتن للتحكم في مخاطر DeFi: هل سيخلق بوابة نفوذ جديدة؟
أخطر ما في الامتثال ليس أنه يفشل.
بل أنه ينجح بشكل مفرط.
لأن النظام، عندما يُوضَع في موقع “السماح” أو “الرفض” للمعاملات، لم يعد مجرد أداة تقنية بعد الآن. يبدأ أن يصبح طبقة سلطة.
هذه هي الزاوية التي أريد النظر منها مع @NewtonProtocol .
تقوم نيوتن بشيء منطقي للغاية: إدخال عملية التفويض قبل التسوية. يجب أن تمر المعاملة عبر السياسة، ثم عبر attestation، وبعدها فقط يُسمح للـ smart contract أن يعمل. في عالم DeFi، أو الصناديق vaults، أو الأصول RWA أو العملات المستقرة stablecoin، هذه هي القطعة التي تحتاجها دائمًا تدفقات الأموال المؤسسية.
لكن لأن الأمر منطقي للغاية، يلزم السؤال بدقة أكثر.
كيف يتم اختيار المشغّل؟ وأي مزوّد بيانات يُعدّ مصدر الحقيقة؟ ومن يكتب السياسة ومن يحدّثها، ومن لديه صلاحية التغيير؟ إذا كان معظم مسار التحقق بيد مجموعة صغيرة، فقد لا يكون DeFi خاضعًا لرقابة البنك، لكنه قد يصبح خاضعًا لطبقة التفويض.
أنا أسمي ذلك Trust Bottleneck.
عنق الزجاجة للثقة.
نيوتن لا تكون ضعيفة بسبب وجود سياسة. على العكس، هذه نقطة قوتها. لكن الخطر يكمن في مدى شفافية السياسة، وإلى أي مدى يمكن للمستخدمين الاعتراض، وهل يتم “قفل” التطبيق في مجموعة واحدة فقط من القوانين أم لا.
مع $NEWT ، لن أكتفي بالنظر إلى السردية narrative الخاصة بـ Mainnet Beta.
أريد أن أرى سياسة العميل الحقيقية، ومشغّلاً مستقلاً، ورسوم استخدام حقيقية، ومسار تدقيق audit trail واضحًا بما يكفي.
لأن امتثالًا جيدًا لا يعني أنه القفل الأثقل.
بل يعني أنه القفل الذي يعرف المستخدم من يحمل المفاتيح.

#Newt $TAC $BTW

في أول أيام عملي، كنت قد وقّعتُ على استلام الراتب قبل أن أعدّ النقود داخل الظرف.
ليس لأنني لا أبالي، بل لأنني أفهم النظام خلف ذلك: قسم المحاسبة، والعقود، والبنك، وإجراءات صرف الرواتب. كنتُ أعدّ النقود بعد ذلك، كخطوة تحقق متأخرة.
أتذكّر تلك الواقعة عندما قرأت عن @OpenGradient .
في الـAI الموثق (verified AI)، أسهل جزء هو الـproof.
لكن الـproof لا يولّد الثقة تلقائيًا. والثقة وحدها ليست كافية أيضًا إذا لم يكن النظام يعرف ماذا يفعل بهذه الحالة.
قد يكون مخرَج (output) من AI قد تم إنشاؤه بالفعل. وقد يعرف الـbackend أنه في حالة pending أو verified أو failed، أو أنه يحتاج إلى فحص إضافي.
لكن لا ينبغي للمستخدم أن يضطر لتخمين ذلك.
إذا كانت pending: انتظر.
إذا كانت failed: أوقف أو أعد التشغيل.
إذا كانت verified: يمكنك المتابعة.
إذا كانت عالية المخاطر: تصعيد أو تدقيق.
وهذه هي النقطة التي أراها مهمة.
الـverified AI لا يحتاج فقط إلى طبقة proof. بل يحتاج إلى طبقة Proof Policy: طبقة تحوّل حالة التحقق إلى إجراء افتراضي.
في عالم الكريبتو، المحفظة لا تعرض حالة المعاملة فقط للزينة. فهي تساعد المستخدم على معرفة هل ينتظر، أم يعيد المحاولة، أم يستمر، أو يطمئن أكثر.
مخرجات الـAI ستحتاج أيضًا إلى منطق مماثل.
Generated ليست مثل verified.
Useful ليست مثل finalized.
وverified أيضًا غير كافٍ إذا لم تُفعِّل تلك الحالة إجراءً صحيحًا.
ضمن منظومة OpenGradient البيئية، ما يستحق المتابعة ليس فقط عدد الـproofs التي تم إنشاؤها. بل الأهم هو هل أصبحت تلك الـproof سياسة لتطبيق ما أم لا.
لأن عندما يبدأ الـAI في لمس المعاملات والقانون والبيانات والتمويل، لن يسأل السوق فقط:
“هل توجد proof؟”
بل سيقول السوق:
“ما الإجراءات التي تسمح بها حالة الـproof هذه؟”
الجزء الناقص في verified AI ليس proof جديدة، بل هو policy يحوّل الـproof إلى قرار.

$OPG #opg $BAS

منذ شهرين، كنت جالسًا مقابل لينغ في غرفة اجتماعات في الطابق الرابع عشر.
إنها تدير العمليات لدى شركة لوجستية. كان فريقها قد أنهى للتو الربع الأول الكامل لهم مع وجود وكيل ذكاء اصطناعي يتولى الموافقات على المدفوعات. كانت الأرقام مطمئنة. معدل الموافقات يرتفع. زمن المعالجة ينخفض. لا توجد أخطاء رئيسية تم الإبلاغ عنها.
ثم تلقّى فريقها القانوني خطابًا.
كان أحد المورّدين يعترض على دفعة مرفوضة من الأسبوع السابع. كانوا بحاجة إلى مسار القرار. فتحت لينغ سجلّ النشاط وقامت بالتمرير للخلف أحد عشر أسبوعًا.
رفعت نظرها عن الشاشة.
"يمكننا أن نرى ما الذي قررته. لكننا لا نستطيع إثبات الكيفية."
هذه الجملة الواحدة أعادت برمجة طريقتي في التفكير بشأن فجوة ذكاء اصطناعي للشركات.
على مدى السنوات القليلة الماضية، قاست الصناعة التقدم في اتجاه واحد: القدرة. استدلال أفضل، إنتاجية أسرع، ودقة أعلى في الاختبارات المعيارية.
لم يسأل أحد ماذا يحدث عندما يتخذ نموذج يحقق المعايير قرارًا عالي المخاطر، ويحتاج ما يأتي بعده منك أن تدافع عنه.
هذا السؤال هو ما قادني في النهاية إلى @OpenGradient .
كانت معظم منصات ذكاء اصطناعي للشركات مُحسّنة للأداء. بُنيت OpenGradient حول مشكلة مختلفة: استدلال قابل للتحقق. القدرة على إثباته، بعد وقوعه، بالضبط كيف وصل وكيل ذكاء اصطناعي إلى قرار محدد.
ليس استدلالًا مُبلغًا عنه ذاتيًا. برهان تشفيري.
يخبرك أحدهما بما يعتقد النموذج أنه فعله. والآخر يثبت ذلك.
المقايضة الصادقة: التحقق يضيف عبئًا. ليست كل عملية تتطلب برهانًا. أغلبها لن يتطلب. لكن القرارات التي تنتهي أمام المدققين والجهات التنظيمية ومجالس الإدارة هي بالضبط تلك التي لا يمكنك تركها دون تفسير.
التحقق ليس مجرد خانة امتثال.
إنه الشرط المسبق للاستقلالية في المؤسسات.
يحدد الذكاء ما يمكن للذكاء الاصطناعي القيام به. ويحدد التحقق ما ترغب المؤسسات في السماح له بفعله.

#opg $LAB $OPG $JCT

صباح اليوم، كدتُ أُنفّذ صفقة صغيرة على ETH لأن قائمة تدقيق لمخاطر الذكاء الاصطناعي بدت نظيفة بما يكفي للثقة: الدخول 2,418.6 دولار، وقف الخسارة 2,391.2 دولار، حجم المركز 0.38 ETH، الخسارة المتوقعة 10.4 دولار.
لم يكن التقدير بعيدًا إلا ببضعة دولارات، لكن ذلك وحده كان كافيًا ليجعل التنسيق النظيف يبدو خطِرًا. عاد كناتج JSON مرتب، مع حقول واضحة دون أي تردد، وكأن البنية نفسها كانت تطلب مني أن أثق بها.
الجزء المخيف لم يكن في التقدير الخاطئ. بل في إدراك أن مخرجات ذكاء اصطناعي نظيفة يمكن أن تتحول إلى بنية تحتية قبل أن يعرف أحد أي جزء منها تم التحقق منه فعلًا.
يتحدث الناس عن التحقق من الذكاء الاصطناعي وكأنه يعني “أن الإجابة لديها دليل”، لكن هذا يبدو صغيرًا جدًا. الدليل لا يفيد إلا إذا كانت الحدود واضحة.
لهذا أنظر إلى OpenGradient بشكل مختلف.
في تصميم الاستدلال الخاص به، يقوم الـ enclave بإنشاء زوجي مفاتيح: RSA-2048 للتوقيع وX25519 للتشفير باستخدام HPKE. قبل الثقة بهذا المفتاح، يتحقق العميل من 4 أشياء: شهادة Nitro الجذرية، قيم PCR hashes المعتمدة، سجلّ/Transcript المعاينة (attestation transcript)، وما إذا كان المفتاح قد تم توليده داخل الـ enclave.
تحمل الإيصال 5 حقول: tee_signature، tee_request_hash، tee_output_hash، tee_timestamp، وtee_id. هذه هي الفجوة بين “نموذج أجاب” و“هذا الطلب بعينه أنتج هذا المخرج بعينه داخل هذا الـ enclave بعينه.”
إذا فشل request hash، تغير الـ prompt. إذا فشل output hash، تغيرت الإجابة. وحتى البث يحمل مخاطرة: يمكن للـ relay قطع البث مبكرًا، لذلك تجعل علامة الإغلاق النهائية المحصّنة مع AAD "final" اكتشاف التقص/القص قابلًا للرصد.
الإجابة النظيفة هي واجهة (UI). والحدود المغطاة هي بنية تحتية.
لكن الحدود الأقوى ليست مجانية. كل توقيع، كل hash، كل جزء محصّن، وكل فحص معاينة هو فاتورة صغيرة تُدفع بزمن الاستجابة (latency) والتعقيد وصبر المطور.
فهل يجب على تطبيقات الذكاء الاصطناعي التحقق من كل حدود الاستجابة افتراضيًا، أم دفع هذا التكلفة فقط عندما يمكن أن ينقل المخرج المال أو العقود أو ثقة المستخدم؟
#opg $OPG $LAB $VELVET @OpenGradient

كنتُ أعيد كتابة أوصاف الصور لمدة 20 دقيقة عندما شعرت أن النتيجة غير صحيحة، لكن OpenGradient يجعل هذه العادة تبدو كأنها كسَل.
في الليلة الماضية، كنت أختبر صورة حملة داخل Image Studio. بدا الوصف واضحًا: مساحة عمل مستقبلية للذكاء الاصطناعي، إضاءة نظيفة، وإحساس بالخصوصية أولًا.
إحدى المخرجات بدت كملصق لعبة. أخرى بدت كإعلان لشركة ناشئة. أما ثالثة فكانت أقرب، لكنها ما زالت لا تلتقط المزاج.
عندها حدث الإدراك.
الصورة السيئة ليست دائمًا وصفًا سيئًا. أحيانًا يكون النموذج غير المناسب يقوم بمهمة إبداعية غير مناسبة.
أطروحتي بسيطة: OpenGradient Chat مهم لأن Image Studio يحوّل اختيار النموذج إلى سير عمل إبداعي خاص، وليس مجرد مولّد صور آخر.
على chat.opengradient.ai، يمكن للمستخدمين فتح Image Studio واختيار نماذج مثل Seedream 4.0 داخل مساحة عمل واحدة. الجزء المهم ليس فقط أن Seedream موجود. بل إن OpenGradient يجعل تبديل النماذج جزءًا من العملية الإبداعية.
يجمع Seedream 4.0 بين توليد الصور والتحرير ضمن بنية واحدة. وهذا مهم لأن المبدعين لا يحتاجون فقط إلى ناتج أولي؛ بل يحتاجون إلى المراجعة والمقارنة وإبقاء الفكرة حية.
نطاق المخرجات من 1K إلى 4K مهم لأن صور الحملات يجب أن تتجاوز مرحلة العرض التجريبي. وسرعة التوليد المبلّغ عنها عند 2K، بحد أقصى 1.8 ثانية، مهمة لأن العادة الإبداعية تُبنى عبر التكرار السريع.
هنا يصبح OPG أكثر من مجرد عدّاد لحملة. إذا أدت عملية إنشاء الصور بشكل خاص إلى تكرار استخدام الرصيد، فإن Image Studio يصبح طلبًا، لا مجرد ميزة.
لكن النماذج الأقوى لا تضمن استخدامًا أقوى. إذا أنشأ المستخدمون مرة واحدة مقابل مكافآت ثم لا يعودون، يصبح Seedream حركة تجريبية، لا طلب منتج.
Image Studio ليس قائمة نماذج؛ إنه توجيه خاص لنية الإبداع.
#opg $OPG $BEAT $LAB @OpenGradient

اعتدت أن ينال إعجابي حجم صناديق النظام البيئي الضخمة. ثم شاهدت حملات مكافآت كثيرة تمتلئ بها اللوحات لأسابيع، ثم تخفت تمامًا بعدها.
منذ ذلك الحين، تبدو المخصصات الكبيرة أقل كأنها نمو وأكثر كأنها تدقيق.
قد يجعل التجمع الكبير النشاط يبدو حيًا قبل أن يعرف أحد ما إذا كان المبرمجون يكوّنون عادات حول النماذج والاستدلال والتحقق.
أطروحتي بسيطة: إن OpenGradient مهم لأن تخصيصه بنسبة 40% للنظام البيئي يختبر ما إذا كانت الحوافز الرمزية يمكن أن تتحول إلى تنفيذ ذكاء اصطناعي مدفوع بـ OPG على نحو متكرر، وليس مجرد نشاط حملات مؤقت.
الرقم المفتاح هو 400M OPG. لكن الحجم ليس هو الفكرة. الفكرة هي ما إذا كانت أكبر شريحة في تصميم الرمز يمكنها تحويل المبرمجين إلى تطبيقات يستمر الناس في استخدامها.
إن أهمية 2,000+ نموذج تكمن لأن لدى المبرمجين بالفعل إمدادًا. وأهمية 2M+ عمليات الاستدلال تكمن لأن لدى OpenGradient نشاط تنفيذ يمكنه تضخيمه.
مشكلة البنية التحتية ليست في إطلاق المزيد من تطبيقات الذكاء الاصطناعي. المشكلة هي في جعل تلك التطبيقات تواصل استهلاك عمليات الاستدلال والتحقق بعد توقف المكافآت عن جذب الانتباه.
لهذا السبب يهم إطلاق الإصدار لمدة 60 شهرًا. فهو يحول الإنفاق على النظام البيئي إلى تدقيق احتفاظ طويل، لا إلى لقطة نمو قصيرة المدى.
لكن الحوافز لا تضمن ملاءمة المنتج للسوق. إذا خفت الوتيرة عندما تتباطأ المكافآت، فإن صندوق النظام البيئي لا يكون قد استأجر سلوكًا فحسب بجدول زمني أطول.
تخصيص النظام البيئي ليس دليلًا على النمو؛ بل هو اختبار ما إذا كان الطلب يستمر بعد اختفاء الحوافز.

#opg $BEAT $OPG $LAB @OpenGradient

كنت أعتقد أن الدفع للدردشة مع «نسخة الذكاء الاصطناعي» لشخص ما يبدو غريبًا تقريبًا، كأنني أشتري علاقة بدلًا من استخدام منتج.
لكن كلما نظرت إلى Twin.fun أكثر، قلّ شعوري بأنه مجرد تجربة «رمز اجتماعي».
عدم التطابق الحقيقي بسيط: الرمز الاجتماعي يسأل «من الذي يعجب الناس؟»، بينما النسخة الرقمية تسأل «ما الذي يمكن أن يتيحه الوصول إلى تفكير شخص ما؟».
أطروحتي بسيطة: إن OpenGradient مهم لأن النسخ الرقمية تحوّل هوية الذكاء الاصطناعي إلى سوق وصول قابل للبرمجة، وليس مجرد صفحة تعريفية تخمينية.
تبدأ النسخة بمعرّف bytes16. يبدو الأمر تقنيًا، لكن يهم لأن الهوية تصبح بدائية على السلسلة (on-chain) وليست مجرد اسم مستخدم داخل تطبيق.
يمنح الاحتفاظ بما لا يقل عن مفتاح واحد فتحًا للدردشة المحكومة أو الأدوات أو المرافق المرتبطة بتلك النسخة. المفتاح ليس فقط شيئًا للتداول؛ بل هو طبقة إذن.
ولها دورة حياة من 4 مراحل: إنشاء النسخة أو المطالبة بها، ثم شراء المفاتيح، ثم استخدام الوصول، ثم بيع المفاتيح. تتحرك الأسعار عبر منحنى ربط تربيعي (quadratic bonding curve)، لذا لا يُظهر الطلب الاهتمام فقط؛ بل يغيّر أيضًا تكلفة الوصول.
وهنا يصبح OPG أكثر من مجرد رمز لحملة: فهو يقع قريبًا من طبقة الدفع والوصول والتسوية حيث يمكن للعلاقات القائمة على الذكاء الاصطناعي أن تتحول إلى طلب قابل للقياس.
لكن التسعير الحتمي لا يعني طلبًا مستقرًا. إذا كانت النسخة تستمر في التغيّر، فقد لا يعرف السوق ما إذا كان يسعّر ما كان يقدّره من «نفس التفكير» أمس.
النسخ الرقمية ليست رموزًا اجتماعية؛ إنها أسواق للوصول إلى ذكاء يمكن تكراره.
إذن السؤال الحقيقي هو: هل يمكن للسوق أن يحدد سعرًا لعلاقة مع ذكاء اصطناعي إذا كان العقل خلفها يستمر في التطوّر؟

#opg $OPG $LAB $BEAT @OpenGradient

كنت أثق في إجابات الذكاء الاصطناعي طالما كانت تبدو واثقة، لكن ذلك يبدو الآن خطيرًا.
إجابة نظيفة يمكن أن تخفي عملية سيئة. إجابة سريعة يمكن أن تأتي من نموذج خاطئ، أو سياق خاطئ، أو حساب لا يمكن لأحد التحقق منه.
أطروحتي بسيطة: OpenGradient مهم لأنه يجعل الثقة في الذكاء الاصطناعي قابلة للتحقق اقتصاديًا دون إجبار كل مدقق على إعادة تشغيل النموذج، وليس فقط لأنه يقدم نفسه كذكاء اصطناعي قابل للتحقق.
الرقم الأساسي هو 100x. إذا كان يجب على 100 مدقق تكرار نفس استدلال 70B-بارامتر، فإن التحقق يصبح ضريبة حسابية، وليس طبقة ثقة.
OpenGradient يفصل بين الاستدلال والتحقق. تعمل عقد الاستدلال على تشغيل النموذج، بينما تتحقق العقد الكاملة من التأكيدات أو الأدلة في أجزاء من الثانية، حتى عندما يستغرق الاستدلال الأصلي 50 مللي ثانية أو 5 ثوان. هذه هي الفجوة بين التحقق من الذكاء وتكراره.
هنا يصبح OPG أكثر من مجرد رمز: إنه يحدد سعر الوصول إلى تنفيذ الذكاء الاصطناعي القابل للتحقق.
تجعل أوضاع التسوية الثلاثة، PRIVATE وBATCH_HASHED وINDIVIDUAL_FULL، التصميم أكثر مرونة. ليست كل إجراءات الذكاء الاصطناعي بحاجة إلى نفس الخصوصية، أو التكلفة، أو مسار التدقيق.
لكن هذا لا يجعل التحقق مجانيًا. يمكن أن يحمل ZKML ما بين 1,000–10,000x من النفقات الزائدة، لذا قد يكون الذكاء الاصطناعي عالي الضمان أبطأ أو أكثر تكلفة من الاستدلال العادي.
السؤال الهيكلي ليس ما إذا كان الذكاء الاصطناعي يبدو صحيحًا، ولكن ما إذا كانت إجابته يمكن أن تصبح رخيصة بما يكفي للتحقق منها، وتسويتها، والثقة بها.

#opg $OPG $ARX @OpenGradient

قال لي أخي: "استخدم الأدوات الصحيحة للوظائف الصحيحة."
في الأسبوع الماضي، كنت جالسًا في مقهى أعمل على صورة لمحتوى.
مع نفس الطلب، قدمت ثلاثة نماذج ثلاثة أنماط: واحدة سينمائية، واحدة مثل ملصق لعبة، وواحدة نظيفة ولكن بلا روح.
سألني صديقي: "هل كان الطلب ضعيفًا أم أن الذكاء الاصطناعي ضعيف؟"
قلت: "ربما كنت أستخدم نموذجًا خاطئًا لتحمل الفكرة الصحيحة."
فجأة رأيت @OpenGradient هناك.
العديد من الناس ينظرون إلى Image Studio في OpenGradient Chat ثم يسألون إذا كان ينشئ صورًا جميلة. لكنني أرى أن هذا السؤال سهل بعض الشيء. السؤال الأصعب هو: أي نموذج يفهم الفكرة حقًا قبل أن يحولها إلى نسخة خاطئة من المشاعر؟
لأن الصور التي ينشئها الذكاء الاصطناعي ليست مجرد صور جميلة. إنها سحب ما هو مشوش في العقل إلى العالم الخارجي، بحيث عند النظر إليها لا يزال يشعر بنفس الإحساس الأصلي.
إذا تم دفع كل فكرة عبر نموذج واحد فقط، فإن المستخدم سيتوهم بسهولة أنه لديه طلب ضعيف.
لكن في بعض الأحيان لا تكمن المشكلة في الطلب.
إنها تكمن في عدم توافق النموذج مع المفهوم.
النقطة المهمة هنا هي أن Image Studio لا يتيح فقط للمستخدم إنشاء صور عبر نماذج Gemini و ByteDance و xAI. إنه يجعل اختيار النموذج جزءًا من سير العمل الإبداعي.
لكن العديد من النماذج لا تنشئ سير العمل الجيد تلقائيًا. قد تتسبب القائمة الطويلة في إحباط المستخدمين.
القيمة الحقيقية هي أن OpenGradient تحول ذلك الاختيار إلى ورشة إبداعية خاصة، حيث يمكن تجربة المسودات الخام، القبيحة، وغير المتوازنة قبل أن تُنظر إليها كمنتج نهائي.
$OPG لا تقتصر فقط على توظيف الأشخاص لإنشاء صور من أجل النشاط.
ساعد OpenGradient في تصفية المبدعين الحقيقيين: الأشخاص الذين يجربون نماذج متعددة، ويقومون بتعديلات عديدة، ويعودون لأن سير العمل يجعلهم يفكرون بشكل أفضل.
لأن الصورة التي ينشئها الذكاء الاصطناعي لا تنتصر عندما يحاول نموذج واحد القيام بكل شيء.
لكنها تنتصر عندما تجد كل فكرة المكان الصحيح لتتجسد فيه.

#opg $BTW $RE

كان لدي صديق أكبر مني يجري نمو لتطبيق تداول صغير.
قال لي إنه في الشهر الأول، قاموا بحملة استرداد الرسوم وارتفع عدد المستخدمين النشطين تقريبًا 3 مرات. ظن الفريق بالكامل أن المنتج أخيرًا له جاذبية حقيقية.
لكن بعد أسبوعين من انتهاء المكافآت، اختفى معظم المستخدمين.
ثم قال جملة لا زلت أتذكرها:
"لم نصنع عادة. لقد استأجرنا فقط سلوكًا."
تلك الجملة جعلتني أنظر إلى @OpenGradient من زاوية مختلفة.
الكثير من الناس ينظرون إلى المكافآت ويسألون كم عدد المستخدمين الذين يمكنهم جذبهم. لكن السؤال الأصعب هو ماذا يحدث بعد أن تتلاشى ضغوط المكافآت.
من لا يزال يعود؟
يمكن أن تجعل المكافآت كل شيء يبدو حيًا: يدخل المستخدمون إلى دردشة OpenGradient، يشترون رصيدًا، وينشئون نشاطًا. لكن ليس كل نشاط هو طلب.
إنه مثل مقهى يقدم خصم 50% على الماتشا، ثم يستنتج أن الزبائن يحبون الماتشا.
ربما هم لا يحبون الماتشا.
ربما هم يحبون الخصم فقط.
أسمي هذا الحقيقة بعد الحوافز.
تظهر حقيقة المنتج لاحقًا، عندما لا يتم دفع المستخدمين للعودة ولكنهم لا يزالون يعودون لأنهم بحاجة إليه.
لهذا السبب الجزء المثير ليس فقط من يصبح مؤهلاً لمكافآت S2.
ربما القيمة الأعمق لـ S2 هي أنها تخلق اختبار طلب من مرحلتين.
تظهر مرحلة الحوافز من يمكن جذبه.
تظهر مرحلة ما بعد الحوافز من لديه سير عمل.
يمكن أن تجلب المكافآت المحافظ إلى دردشة OpenGradient. لكن الاستخدام المتكرر للرصيد بعد أن يتلاشى سبب المكافأة هو إشارة مختلفة.
يعني أن المستخدمين لا يزورون فقط.
إنهم يعودون بنية: يطرحون أسئلة أفضل، ويقومون بتنقيح المخرجات، وينفقون الرصيد عندما تكون الإجابة مهمة، ويبنون عادة حول الاستنتاج.
هناك تصبح الحقيقة بعد الحوافز أكثر من مجرد الاحتفاظ.
تصبح وسيلة لفصل النشاط المؤقت عن سلوك المنتج الحقيقي.
إذا استمرت استخدامات الرصيد في البقاء بعد أن تتلاشى الحوافز، فإن دردشة OpenGradient لم تعد تقيس نشاط الحملة بعد الآن.
إنها تقيس العادة.
ولـ $OPG ، قد تكون أنظف إشارة للطلب الحقيقي.

#opg $BTW

بعد ظهر الخميس الماضي، دفع لون جهازه المحمول عبر الطاولة وأظهر لي مذكرة استثمار كان عالقًا فيها.
على السطح، كانت تبدو جيدة، لكن الأبحاث الأعمق كشفت عن علاقات سياسية، تعرض للعقوبات، ومخاطر قانونية.
قال لون: “بعض الأسئلة ليست أسئلة سيئة، لكن الذكاء الاصطناعي يتصرف وكأنني على وشك فعل شيء خاطئ.”
قلت: “الحدود يمكن أن تكون مفيدة. على الأقل الذكاء الاصطناعي لا يساعد الناس على القيام بأشياء ضارة.”
سأل لون مرة أخرى:
“بالطبع. لكن من يجب أن يحدد تلك الحدود؟ سياسة النموذج، أم الأشخاص المسؤولين فعلاً داخل سير العمل؟”
تلك السؤال جعلني أتوقف.
لأنه لم يكن يحاول تجاوز المسؤولية. كان يحاول فهم المخاطر.
في البداية، اعتقدت أن الرفض كان مجرد طبقة أمان.
ولكن داخل سير عمل البحث، يمكن أن يدمج حقين مختلفين جدًا: الحق في الوصول إلى المعلومات والحق في اتخاذ الحكم.
هذا هو ما جعل @OpenGradient يضغط على الزر بالنسبة لي.
ليس فقط النماذج الجديدة أو الأقل تقييدًا، ولكن الطريقة التي تحول بها إلى سير عمل بحث خاص، حيث يتوسع الوصول لكن يبقى الحكم بشريًا.
يدعم Claude Fable 5 التفكير، وNous Hermes توسع الأسئلة، وPrivate Chat يحافظ على البحث من التعرض في وقت مبكر جدًا.
هنا تصبح OpenGradient أكثر إثارة من مجرد قصة “نموذج غير خاضع للرقابة.”
في سير عمل مناسب، هناك على الأقل 4 أدوار.
الذكاء الاصطناعي يوسع سطح البحث.
المحلل يتحقق من الأدلة.
الامتثال والقانون يحددان الحدود.
صانع القرار النهائي يتحمل المسؤولية.
أسمي هذا الوصول مقابل الحكم.
OpenGradient لا تقول إن كل شيء يجب أن يوجد خارج الحدود.
إنها فقط ترفض السماح لسياسة النموذج باتخاذ الحكم الأول قبل أن يتمكن البشر من البحث.
Private Chat ليست فقط لطرح الأسئلة الحساسة.
إنها تحمي الحق في البحث قبل أن يتم الحكم عليه.
مع تحرك الذكاء الاصطناعي بشكل أعمق في سير عمل الصناديق، والمؤسسين، والمحللين، هل يمكن لـ OpenGradient الحفاظ على الوصول مقابل الحكم سليمًا؟
هذا هو الجزء الذي أجد أنه يستحق المشاهدة: ليس الذكاء الاصطناعي بدون حدود، ولكن البحث الخاص مع الحدود الصحيحة في الأيادي الصحيحة.
$BTW $OPG #opg