W A R D A N

كنت أجلس مع قهوة باردة وأتصفح بإطلالة على إطلاق وكيل ذكاء اصطناعي آخر. الجميع يبني وكلاء الآن. لكني كنت أواصل السؤال: كيف يحصلون فعليًا على أجر؟ أين يقوم المطور بإدراج وكيله وجمع العائد عندما يستخدمه شخص ما؟

كانت الإجابة هي بروتوكول نيوتن. ليس زاوية الامتثال التي يذكرها الجميع. يوجد شيء في وثائقهم: سجل نموذج نيوتن (Newton Model Registry).

إليك التفاصيل التي أوقفت تمريري. نيوتن يبني سجلًا على السلسلة (onchain) تُنشر فيه وكلاء الذكاء الاصطناعي. يدفع المطورون NEWT لإدراج الوكلاء. يقوم المشغّلون بتقديمهم للمستخدمين. يتلقى المطورون حصصًا من العائدات الملكية في NEWT. كما يدفع المستخدمون NEWT لإصدار zkPermissions، مفاتيح الجلسة التي تسمح للوكلاء بالعمل نيابةً عنهم.

هذا ليس استيكينغ أو حوكمة. إنه بنية تحتية لسوق تتولى فيها NEWT دور العملة المحلية لتمكين تحقيق الدخل من الوكلاء. جميع هذه الإجراءات الثلاثة تتطلب NEWT. وحتى البروتوكول يطبق EIP-1559، ما يعني أن الرسوم الزائدة يتم حرقها.

الوكلاء بالذكاء الاصطناعي في صدارة الاهتمام الآن، لكن الفجوة في البنية التحتية واضحة. الجميع يبني وكلاء. لا أحد يبني متجر التطبيقات الذي يتم من خلاله اكتشافهم ودفعهم. يضع نيوتن سجل النموذج كطبقة لهذا الغرض، مع وصول Verifiable Automation Marketplace من أجل تأليف أسراب من الوكلاء.

إليك المقايضة. سجل النموذج ليس جاهزًا للبث المباشر بعد. تفرض بيتا للـ Mainnet اليوم سياسات الصناديق (vault)، لكن بنية اقتصاد الوكلاء ما تزال في طور التطوير. إذا تأخر إطلاق السجل، تضعف أطروحة الطلب على NEWT بغض النظر عن مدى براعة آلية العمل.

ما الذي يجب متابعته: على GitHub لإصدار كود سجل النموذج، ونشر testnet لتجميعة zkPermissions rollup، وأرقام تسجيل المطورين عند فتح السوق. تشير هذه المؤشرات إلى زخم حقيقي أسرع من vault TVL.

شراكة مدفوعة مع @NewtonProtocol $NEWT
#Newt

🔥 ساعد هذه إعادة النشر على الوصول إلى المزيد من الأشخاص!

اترك تعليقًا مدروسًا على إعادة النشر، وأعجب، وشارك وجهة نظرك. تساعد المناقشات القوية والتفاعل الجيد على وصول الأبحاث القيمة إلى جمهور أوسع.

كل تعليق ذي معنى يُحدث فرقًا. 💬

🚨 قبل أن تقوم بالتمرير، أريد رأيك في منظور أفكاري—أريد مناقشة قيّمة.

قضيت ساعتين أمس أحاول فهم لماذا يقوم SDK الخاص بـ OpenGradient بتقسيم كل استدعاء للاستدلال إلى خطوتين. كنت أحدّق في أمثلة بايثون. أولاً تشغّل النموذج. ثم بشكل منفصل تتحقق. كنت منزعجًا. كنت فقط أريد استدعاء API واحدًا واضحًا يعيد نتيجة ودليلًا معًا. لماذا التعقيد؟

ثم وجدت قسم HACA في ورقة التصميم. وفهمت ذلك. هذا الفصل ليس تعقيدًا. إنه بنية المعمارية كاملة.

كل مشروع ذكاء اصطناعي لامركزي آخر نظرت إليه لديه نفس العيب القاتل. يريدون من المُتحققين إعادة تنفيذ كل عملية استدلال. تشغيل النموذج 100 مرة لـ 100 مُتحقق. هذا أمر مجنون. نموذج بحجم 70 مليار معلمة يكلف أموالًا حقيقية مقابل كل تشغيل. اضرب ذلك في حجم مجموعة المُتحققين. ستصبح أزمنة الكتل بطيئة حتى تصل إلى دقائق. والأهم أن نماذج LLM غير حتمية أصلًا. نفس الطلب يعطي مخرجات مختلفة في كل مرة. لن يتمكن المُتحققون أبدًا من الوصول إلى توافق حول الحالة.

لا يطلب OpenGradient من المُتحققين تشغيل النماذج. عقد الاستدلال التي تحتوي على وحدات GPU تقوم بتشغيلها مرة واحدة فقط. ثم ترسل النتائج فورًا إلى المستخدمين. وبعد ذلك يتم تقديم الأدلة بشكل منفصل. شهادات TEE من حاويات AWS Nitro أو إثباتات تشفير ZKML. تتحقق العقد الكاملة من تلك الأدلة بالكامل دون لمس النموذج. لا حاجة لـ GPU لدى المُتحققين. فقط أجهزة عادية تعمل بإجماع CometBFT.

بنية الـ SDK اتضحت لي الآن. هذا الفصل ليس تصميمًا غير مريح. إنه ضروري. التنفيذ والتحقق يعيشون على جداول زمنية مختلفة تمامًا.

لكنني واصلت البحث عن نقطة الضعف. وجدتها في القسم 10.2. "يُنشئ التسوية غير المتزامنة فجوات ثقة مؤقتة." بين تسليم النتيجة وتسوية الدليل، توجد نافذة. تحصل على الإجابة خلال أجزاء من الملي ثانية. بينما تستقر التحقق على السلسلة بعد ثوانٍ. بالنسبة لمعظم التطبيقات، هذا مقبول. لكن بالنسبة للتداول عالي التردد أو أي شيء يحتاج إلى نهائية تشفير فورية، فهذه هي مساحة تعرضك.

الآن عندما أرى مشروعًا بعنوان "ذكاء اصطناعي لامركزي"، أسأل سؤالًا واحدًا. كيف يتحقق المُتحققون من الاستدلال دون أن يعيدوا تنفيذ النموذج بأنفسهم؟
@OpenGradient $OPG #OPG

🚨 قبل أن تقوم بالتمرير، أريد رأيك في أول منشور لي تم نشره.

شيء واحد تعمّدت تركه خارج المنشور...

قبل قراءة الوثائق التقنية، ظننت أن "TEE Verified" مجرد عبارة تسويقية أخرى.

بعد التعمّق أكثر، أدركت أن السؤال الحقيقي ليس ما إذا كان المشروع يستخدم TEE.

السؤال الحقيقي هو:

كيف يتم التحقق من هذا “الثقة” فعليًا؟

• هل يمكن التحقق من الاعتماد بشكل علني؟ • هل يتم التحقق من قياسات PCR على السلسلة (on-chain)؟ • هل يمكن لأي شخص أن يتحقق بشكل مستقل مما يتم تشغيله فعليًا داخل الحاضنة (enclave)؟ • ماذا يحدث إذا فشلت افتراضات الثقة الأساسية في العتاد؟

هذه هي الأسئلة التي تميّز هندسة الأمان عن التسويق الأمني.

💬 والآن أود سماع آرائك.

ما رأيك؟

هل ستثق بإثبات تشفير للتنفيذ، أم تعتقد أن سمعة المشروع وعلامته التجارية تكفي؟

شارك رأيك في التعليقات—حتى لو كنت لا تتفق. تساعد وجهات النظر المختلفة على جعل هذه المناقشات أكثر قيمة، وسأقوم بقراءة الردود ومشاركتها مع الأفكار القيّمة.

كنت أرى عبارة "TEE verified" في كل عرض ترويجي لعملات كريبتو بالذكاء الاصطناعي في الآونة الأخيرة، وبصراحة بدأت أتجاهلها. نفس العبارة. نفس الوعد. شعار مختلف. بدأ الأمر يبدو وكأن الجميع قام بنسخ الجملة نفسها ولصقها واستبدل اسم مشروعهم.

لم أفتح وثائق OpenGradient إلا لأنني كنت ملّانًا ومتشائمًا. تخطيت منشورات المدونة تمامًا وذهبت مباشرة إلى مراجع العقد. أردت أن أعرف هل توجد آلية حقيقية وراء الادعاء أم مجرد كلمة رنانة أخرى.

وهنا وجدت ITEERegistry.sol. اضطررت لقراءته مرتين.

معظم المشاريع تكتفي بالقول إنها تستخدم TEEs ثم تترك الأمر عند هذا الحد. OpenGradient يفعل شيئًا مختلفًا. كل عقدة يجب أن تسجّل على السلسلة قبل أن تقدم أي طلب. تقوم بإرسال مستندات AWS Nitro للتوثيق (attestation) الخام إلى عقد ذكي. يتحقق العقد من قيم PCR. هذه بصمات عتاد تثبت بالضبط أي كود يتم تشغيله داخل الجهاز. ثم يطابقها مع تجزئات (hashes) معتمدة مخزنة على السلسلة. بعد ذلك يتحقق من أن شهادة TLS تم توليدها داخل هذا العتاد المحدد عبر فحص روابط تجزئة SHA256.

توقفت. هذا ليس تسويقًا للخصوصية. هذا استبدال للبنية التحتية.

في الوقت الحالي، كل موقع يعتمد على سلطات إصدار الشهادات (CAs). الشركات التي لا تختارها أنت تتحمّل مسؤولية ضمان أن المواقع حقيقية. وقد تم اختراق تلك الـCAs من قبل. وتم إصدار شهادات خبيثة. نقبل ذلك لأن لا يوجد بديل حقيقي.

OpenGradient يزيل هذه الطبقة. تقوم بتنزيل شهادة TLS من البلوكشين نفسه. يتدفق الثقة من توثيق عتاد AWS مرورًا بتوافق السلسلة (on chain consensus) إلى اتصالك. لا حاجة لسلطات شهادات خارجية.

هذا ما أحترمه فعلًا. إنهم يعترفون بهذا التبادل (trade off) في وثائقهم. استبدلوا الثقة المؤسسية بثقة العتاد. إذا ظهرت أي ثغرة كبيرة في AWS Nitro، فإن نموذج الأمان سيتدهور. كانت لدى Intel SGX مشكلات سابقًا أيضًا. والعتاد ليس سحرًا.

الآن عندما أرى عبارة TEE verified في أي مشروع، أريد أن أسأل كيف يؤسسون هذه الثقة. هل يسجلون ويتحققون من عمليات التوثيق (attestations) على السلسلة مع فحوص PCR فعلية؟ أم أنهم فقط يأملون أن تثق بإعدادهم؟

@OpenGradient $OPG #OPG

حاولت نشر أول نموذج لي على OpenGradient الأسبوع الماضي.

اعتقدت أنني سأقوم فقط برفعه وتشغيله. هذا ما كنت معتادًا عليه. رفع، دفع الرسوم، الحصول على النتيجة. بسيط.

لكن بعد ذلك طلب مني الـ SDK شيئًا لم أتوقعه. سألني كيف أردته أن يتم التحقق منه.

ليس ما إذا. بل كيف.

حدقت في الخيارات. TEE. ZKML. Optimistic. Vanilla. أربع طرق مختلفة لإثبات أن الاستدلال نفسه حدث بشكل صحيح. ولكل واحدة سعر مختلف. سرعة مختلفة. ضمان مختلف.

اخترت ZKML أولًا لأنه بدا الأكثر أمانًا. إثبات رياضي. من الصعب الجدل مع الرياضيات. ثم رأيت التكلفة وزمن الاستجابة فتراجعت. كان هذا مجرد اختبار. هل كنت حقًا بحاجة لإثبات ذلك بتشفير مراسلات بالمعرفة الصفرية مقابل عشرين دولارًا بينما يمكن لـ TEE أن يفعلها مقابل دولارين؟

تحولت إلى TEE. إثبات التحقق على مستوى العتاد. ما زال الأمر قويًا. أسرع بكثير. أرخص بكثير.

كانت تلك اللحظة التي اتضح فيها الأمر. هذه ليست إعدادات أمنية. إنها قرار إنفاق. في كل مرة يستدعي فيها كودي الذكاء الاصطناعي، أنا أقرر كم من الإثبات أريد شراءه. مثل اختيار التأمين. تغطية كاملة أو مسؤولية فقط.

ثم قرأت أنه يمكنك مزجها. نفس المعاملة. TEE للأجزاء السريعة. وZKML للأجزاء المتعلقة بالمال. في الحقيقة ضحكت بصوت عالٍ. هذا مختلف تمامًا عن الطريقة التي بنيت بها من قبل.

كنت أعتقد أن الذكاء الاصطناعي المُتحقق منه يعني شيئًا واحدًا. موثوق أم لا. الآن أرى أنه عبارة عن منزلق. وأنا من يقوم بتحريكه بناءً على ما هو على المحك.

هذا يغيّر كل شيء. يعني أن بناء الذكاء الاصطناعي على السلسلة ليس عن إيجاد الخيار الأكثر أمانًا. بل عن تعلم كيفية تسعير المخاطر في الوقت الحقيقي. مطابقة تكلفة الإثبات مع قيمة المخرجات.

سيتعامل معظم الناس مع هذا بشكل خاطئ في البداية. ادفع مقابل أقصى قدر من الإثبات عندما لا تحتاج إليه. أو اختصر وندم. المهارة ليست معرفة كيفية التحقق. بل معرفة متى تتحقق.

هذه هي المنتج الحقيقي هنا. ليس التقنية. إطار اتخاذ القرار. وما زلت أتعلمه.

@OpenGradient $OPG #OPG

الليلة الثلاثاء الساعة الثانية صباحًا كنت محتسي قهوتي الرابعة وأتصفح مستندات OpenGradient المعمارية مع ذلك القدر المألوف من الشك. كل مشروع كريبتو بالذكاء الاصطناعي يعد بذكاء لا مركزي، لكن لا أحد يعرض “الأوراق” التي تثبت ذلك. كيف تتحقق فعليًا أن النموذج عمل بشكل صحيح دون أن تجعل المستخدمين ينتظرون إلى ما لا نهاية؟

ثم صادفت هذه الجملة: "السلسلة البلوكشينية ليست في المسار الحرج."

بصراحة ضحكت بصوتٍ عالٍ. مشروع بلوكشين يعترف بأن السلسلة بطيئة جدًا بالنسبة للعمل الحقيقي؟ إني ترنحت إلى الخلف وحدقت في الشاشة لمدة دقيقة كاملة. يا إما هذه أكثر شيء صريح قرأته منذ شهور، أو أنني أفهم شيئًا جوهريًا بشكل خاطئ.

واصلت القراءة. يصفون “عُقد الاستدلال” التي تشغّل الذكاء الاصطناعي وتُعيد الإجابات فورًا. لا تأكيد بلوك. لا تصويت من المُتحققين. بالملّي ثانية. ثم تُراجع عقد منفصلة صحة البرهان لاحقًا خلال جولة توافق مستقبلية. الإجابة تأتي أولًا. والبرهان يحسم بعد ذلك.

جلست أحاول أن أستوعب الفكرة. هذا يعني أن هناك فجوة. تحصل على إجابة لا يمكنك بعد التحقق منها تشفيريًا. أغلب المشاريع تُخفي ذلك عبر كلام تسويقي. وثائق OpenGradient لا تفعل ذلك. المهندسون حولها يتعاملون معها. ويجعلونها جزءًا من التصميم.

فكرت في وكلاء الذكاء الاصطناعي الذين يبنيهم الجميع. هم بحاجة للتحرك بسرعة. تحديث المراكز. اتخاذ القرارات. لكن البروتوكولات التي تستقبل تلك القرارات تحتاج حسمًا نهائيًا. لا مجرد وعود. هذا الانقسام بين السرعة والبرهان فوضوي وحقيقي. أحببتهم نوعًا ما لأنهم اعترفوا بذلك بدل أن يتظاهروا بأنهم حلّوا الفيزياء.

إذًا هذا ما أفعله بشكل مختلف الآن. عندما أقيّم أي مشروع ذكاء اصطناعي لا مركزي، لم أعد أسأل إن كانوا يستخدمون ZK أو TEEs. أسأل: متى يحدث التحقق؟ ما الموجود في تلك الفجوة بين الإجابة والبرهان. المشاريع التي تُخفي تلك الفجوة تبيع مسرحية. المشاريع التي تُهندس لها لتُوجد تلك الفجوة تبني بنية تحتية.

لدّي الآن ثلاث تبويبات مفتوحة أُقارن فيها كيف تتعامل المشاريع المختلفة مع التسوية. تلك الفجوة هي الشيء الذي أراقبه فعليًا.
@OpenGradient $OPG #OPG

جلست في مقهى يوم الثلاثاء ولابتوبي مفتوح على مدونة اختبار نوفا. كان الإسبريسو قد برد. كنت من المفترض أن أبحث في شيء آخر، لكن جملة واحدة لفتت انتباهي أثناء التمرير. "النسخ المضاربة تتولد تلقائيًا إذا استمر العمل." قرأتها ثلاث مرات. كنت أتنافس مع هذا السؤال لأسابيع، وكانت هذه التفاصيل التقنية هي الإجابة التي كانت مختبئة في العلن.

إليك الشيء الذي لا يشرحه أحد عندما يقدمون الذكاء الاصطناعي على السلسلة. تعمل البلوكتشين على وتيرة نبض القلب. خمسمائة مللي ثانية لكل كتلة. لكن استدلال الذكاء الاصطناعي لا يهتم بإيقاعك. نموذج ببارامتر 70 مليار يحتاج ثلاث ثوانٍ للتفكير. كنت أستمر في التحديق في تلك الفجوة. كيف يمكنك ربط ست كتل من الصمت دون كسر السلسلة؟

كل مشروع وجدته كان له نفس الجواب الضعيف. تحميل إلى أوراكل. الثقة في API مركزي. كل ذلك شعر وكأنه غش. كأنك تبني جسرًا من خلال التظاهر بأن النهر غير موجود.

ثم وجدت محرك PIPE في وثائق هندسة OpenGradient. عندما يصطدم عمل الذكاء الاصطناعي بالميمبول، يقوم المحرك بتوزيع نفس العمل على عدة عقد استدلال في وقت واحد. يتنافسون مع بعضهم البعض. أول إثبات صالح يفوز بالرسوم. النسخ الأبطأ يتم التخلص منها. النتيجة تُلصق مرة أخرى في معاملتك قبل أن تُغلق الكتلة. لقد بنوا ميمبول استدلال منفصل عن مزايدة الغاز حتى لا تستطيع مكالمات النماذج البطيئة تعطيل إنتاج الكتل.

جلست للخلف وأدركت لماذا يهم هذا لاقتصاد الوكلاء الذي يعد الجميع به. وكيل الذكاء الاصطناعي الذي يعيد توازن مركزك في DeFi لا يمكنه الانتظار ثلاث ثوانٍ. نافذة MEV تغلق. السعر يتحرك. PIPE ينشئ تسوية حتمية للحساب غير الحتمي. إنها الطبقة غير المرئية التي تحول العرض التوضيحي إلى بنية تحتية مالية فعلية.

لكنني أستمر في التفكير في الفخ. الطريق السريع يعمل فقط إذا بقيت عدد كافٍ من عقد GPU متصلة. إذا فقد الشبكة التكرار، تنهار السباق المضاربة. تعود السلسلة إلى التسوية الأبطأ. الضمان هو في الحقيقة احتمال مدعوم باقتصاديات العقد.

@OpenGradient $OPG #OPG

معظم الناس يحكمون على دردشة الذكاء الاصطناعي من خلال الإجابة المعروضة على الشاشة.

أعتقد أن السؤال الأكثر فائدة يبدأ خطوة واحدة قبل ذلك: كيف تم إنتاج تلك الإجابة؟

تلك الفروق مهمة لأن المستخدمين العاديين عادةً ما يرون فقط الاستجابة النهائية. لا يرون أين تم تشغيل النموذج، كيف حدث الاستدلال، أو ما إذا كان يمكن التحقق من مسار التنفيذ. في الدردشات غير الرسمية، ربما يبدو ذلك غير مرئي. ولكن بمجرد أن يبدأ الذكاء الاصطناعي في المساعدة في العمل، البحث، البيانات، القرارات، أو الأتمتة، يصبح المسار وراء الإجابة جزءًا من الإجابة.

هذا هو الجزء الذي أراقبه مع @OpenGradient.

$OPG ليس فقط عن جعل الذكاء الاصطناعي متاحًا. الفكرة الأكثر حدة هي تنفيذ الذكاء الاصطناعي القابل للتحقق، حيث لا يُعتبر مخرجات الآلة موثوقة لمجرد أنها تبدو نظيفة. يحتاج الذكاء المفتوح إلى طريقة لتشغيل النماذج وجعل العملية أكثر مسؤولية، خاصة عندما ينتقل المستخدمون من طرح أسئلة بسيطة إلى الاعتماد على مخرجات الذكاء الاصطناعي.

chat.opengradient.ai يبدو وكأنه الباب الأمامي، لكن القصة الأكبر هي ما يوجد خلف ذلك الباب الأمامي: استدلال يمكن أن يصبح جزءًا من نظام الثقة بدلاً من صندوق أسود.

بالنسبة لي، الدرس بسيط: لا تسأل فقط عن ما أجاب عليه الذكاء الاصطناعي. ابدأ في السؤال عن كيفية تنفيذ الإجابة.

#OPG @OpenGradient

كنت أقرأ ملاحظات OpenGradient وعلقت في سؤال واحد.

كيف يمكن أن تكون الذكاء الاصطناعي مفيدة على السلسلة إذا كانت كل إجابة تحتاج إلى عمل نموذج ثقيل، وGPUs، وبيانات، ووقت؟

هذا يبدو بسيطًا، لكن غير كيف نظرت إلى المشروع.

معظم المنشورات حول الذكاء الاصطناعي x العملات المشفرة تنتقل مباشرة إلى "الذكاء الاصطناعي القابل للتحقق" كما لو كان شيئًا واحدًا نظيفًا. لكن التفاصيل الأكثر فائدة هي أن OpenGradient لا تعالج استنتاج الذكاء الاصطناعي مثل تنفيذ البلوكشين العادي. فكرة HACA تفصل بين التنفيذ والتحقق، لأن أحمال عمل الذكاء الاصطناعي لا تناسب النموذج المعتاد حيث يعيد كل مدقق تشغيل كل شيء.

ساعة واحدة هي مسار الإجابة. تتعامل عقد الاستدلال مع جانب تنفيذ الذكاء الاصطناعي، باستخدام GPUs أو وصول آمن لمقدمي النماذج.

الساعة الأخرى هي مسار الإثبات. تتعامل العقد الكاملة مع أشياء مثل تسوية الإثبات، وإدارة السجل، والتحقق غير المتزامن للإثبات أو الشهادة بعد الانتهاء من الاستدلال.

لذا السؤال الأفضل ليس ببساطة، "هل هذا الذكاء الاصطناعي على السلسلة؟"

السؤال الأفضل هو، "أي جزء يحتاج إلى أن يكون سريعًا، وأي جزء يحتاج إلى أن يكون قابلًا للتحقق لاحقًا؟"

هذا مهم لأن مستخدمي العملات المشفرة غالبًا ما يريدون كل من السرعة والثقة في نفس الوقت. لكن الذكاء الاصطناعي لا يتصرف مثل نقل توكن بسيط. يمكن أن تكون إجابة النموذج أثقل، وأبطأ، وأصعب للتحقق مرة أخرى من عملية عادية. إذا كان على كل مدقق أن يكرر ذلك العمل، فإن النظام سيواجه مشكلة كبيرة في عبء العمل.

زاوية OpenGradient مثيرة للاهتمام لأنها تقبل هذا التوتر بدلاً من التظاهر بأنه يختفي.

لكن هذا أيضًا يخلق نقطة مراقبة.

إذا كانت الاستدلال والتحقق تعيشان على جداول زمنية مختلفة، يجب على المستخدمين أن يتعلموا أن يسألوا عما يتم التحقق منه، ومتى يتم التحقق منه، وأي مسار عقد تعامل مع العمل. هذا أكثر فائدة من مجرد قراءة "الذكاء الاصطناعي القابل للتحقق" والمضي قدمًا.

بالنسبة لي، هذا يجعل OpenGradient أسهل في الحكم.

أنا لا أراقبها فقط كمشروع ذكاء اصطناعي.

أنا أراقب ما إذا كان مسار الإجابة السريع ومسار الإثبات الأبطأ يمكن أن يتماشى معًا.

لأنه في الذكاء الاصطناعي x العملات المشفرة، قد لا تصل الثقة دائمًا بنفس سرعة الإجابة.
@OpenGradient $OPG #OPG

أنا ألاحظ أن معظم المحادثات حول خصوصية الذكاء الاصطناعي تتوقف عند الرسالة.

الناس يسألون، "هل رسالتي خاصة؟"
هذا مهم، لكنه يبدو صغيرًا الآن.

لأنه في اللحظة التي يبدأ فيها مساعد الذكاء الاصطناعي بالتعامل مع الملفات، تشغيل الأكواد، تحليل البيانات، أو المساعدة في بناء الوثائق، تتغير السؤال. لم يعد الأمر مجرد "هل يمكن لأحد قراءة رسالتي؟" بل يصبح: "هل يمكن لهذا النظام حماية مساحة العمل الفعلية حيث يحدث تفكيري الحقيقي؟"

هذه هي النقطة التي أعود إليها في @OpenGradient Chat.

تصف صفحة الدردشة الرسمية لـ OpenGradient الرسائل بأنها مشفرة محليًا قبل إرسالها، ويتم توجيهها عبر HTTP مجهول لفصل الهوية عن الطلب، ومعالجتها من خلال بنية تحتية آمنة. كما أن وثائقها تؤطر OpenGradient كهيكل ذكاء اصطناعي يمكن التحقق منه حيث يمكن التحقق من الاستنتاج بدلاً من الوثوق به بشكل أعمى.

بالنسبة لي، التفاصيل المثيرة للاهتمام ليست فقط "دردشة ذكاء اصطناعي خاصة." تلك العبارة بدأت تصبح مزدحمة بالفعل.

الفكرة الأقوى هي خصوصية مساحة العمل.

إجابة روبوت الدردشة العادية مؤقتة. تسأل، يجيب، تنتقل. ولكن عندما يعمل الذكاء الاصطناعي حول الملفات، الأكواد، البيانات، الوثائق، أو النماذج الأولية، يقترب أكثر من طبقة قرار المستخدم الحقيقية. هنا حيث تتوقف الخصوصية عن كونها مجرد تسمية ميزة وتصبح بنية تحتية.

هذا ما قد يفوت معظم المبدعين: التحقق بعد الإجابة مفيد، لكن الخصوصية قبل بدء العمل قد تكون بنفس القدر من الأهمية.

إذا كان الذكاء الاصطناعي سيصبح طبقة عمل، وليس مجرد طبقة حديث، فإن المستخدمين يحتاجون إلى أكثر من واجهة نظيفة. يحتاجون إلى فهم ما يحدث قبل أن يستجيب النموذج، حيث يتم فصل الهوية، حيث يحدث التنفيذ، وما يمكن التحقق منه فعليًا.

أنا لا أعتبر هذا قصة ثقة مكتملة. الاختبار الحقيقي هو ما إذا كان يمكن للمستخدمين العاديين فهم هذه الضمانات دون الحاجة إلى قراءة الوثائق التقنية.

لكن هذا هو بالضبط سبب شعور OpenGradient بأنه يستحق المتابعة.

قد لا تكون المعركة القادمة في مجال الذكاء الاصطناعي فقط حول أي نموذج يقدم الإجابة الأكثر ذكاءً.

@OpenGradient $OPG #OPG

chat.opengradient.ai

كنت أراقب نفس السؤال في ملاحظاتي اليوم. إذا كان وكيل الذكاء الاصطناعي يعطي إجابة موثوقة، هل هذا يكفي؟ في البداية، أردت أن أقول نعم. هذه هي الطريقة السهلة لقراءة @OpenGradient. المشروع يتعلق باستضافة وتشغيل والتحقق من نماذج الذكاء الاصطناعي على نطاق واسع، لذا من الطبيعي أن يتجه الذهن مباشرة إلى الناتج. هل تم التحقق من تنفيذ النموذج؟ هل كانت هناك أدلة؟ هل كانت الإجابة النهائية موثوقة؟

لكن كلما فكرت في وكلاء الذكاء الاصطناعي في عالم الكريبتو، شعرت أن تلك الإجابة غير مكتملة. لأن الوكيل الذي يتخذ قرارًا في DeFi أو محفظة لا يبدأ من لا شيء. يحتاج إلى بيانات السوق، أسعار العملات، واجهات برمجة التطبيقات، بيانات الأوركل، ربما حتى بيانات اجتماعية. وإذا كانت تلك المدخلات ضعيفة، أو متلاعب بها، أو غير واضحة، فإن الناتج الموثوق يمكن أن يبنى على أرضية سيئة.

هنا تأتي Nodes البيانات من OpenGradient لتجعل السؤال أكثر إثارة للاهتمام بالنسبة لي. تقول الهندسة المعمارية الرسمية إن Nodes البيانات تهدف إلى الوصول إلى واجهات برمجة التطبيقات التابعة لجهات خارجية، وقواعد البيانات، والأوركل داخل بيئات التنفيذ الموثوقة. إنها تولد تأكيدات، وتحقق العقد الكاملة تلك التأكيدات بحيث يمكن التحقق من سلامة البيانات وموثوقيتها.

هذه التفاصيل تغير النظرة. هذا ليس مجرد "هل يمكن التحقق من استنتاج الذكاء الاصطناعي؟" بل يصبح "هل يمكن الوثوق بمسار البيانات قبل الاستنتاج أيضًا؟" بالنسبة للكريبتو، هذا مهم جدًا. مساعد التداول، وكيل DeFi، سير العمل الشبيه بالأوركل، أو أداة السوق متعددة المصادر ليست مفيدة إلا إذا كانت البيانات التي تتعامل معها يمكن الحكم عليها. خلاف ذلك، قد يبدو الوكيل ذكيًا بينما يعتمد بهدوء على مدخلات لا يستطيع المستخدم فحصها.

النقطة المراقبة الصادقة مهمة أيضًا. لم يتم طرح Nodes البيانات بالكامل بعد، لذا لن أعتبر هذا انتصارًا مكتملًا. أرى ذلك أكثر كأحد الطبقات التي يجب مراقبتها إذا كانت OpenGradient تريد أن يتحرك الذكاء الاصطناعي القابل للتحقق إلى ما بعد تنفيذ النموذج النظيف إلى سير العمل الحقيقي للوكلاء.

خلاصة حديثي بسيطة. عند تقييم بنية الذكاء الاصطناعي في عالم الكريبتو، لا أريد أن أكتفي بالإجابة النهائية بعد الآن. أريد أن أسأل خطوة واحدة مسبقًا: قبل أن يجيب النموذج، من أين جاءت بياناته، وهل كان ذلك المسار محميًا أيضًا؟

$OPG #opg

لقد وجدت نفسي أقرأ OpenGradient Chat بنفس الطريقة التي أقرأ بها معظم مشاريع الذكاء الاصطناعي في البداية. دردشة خاصة. استدلال موثوق. استدعاءات نموذج آمنة. حسناً، يبدو أن هذا مهم، لكنه أيضاً مألوف. ثم أبطأني تفصيل واحد. العميل المحلي لا يجيب فقط داخل صندوق الدردشة. تقول الوصف الرسمي إنه يمكنه العمل مع الملفات، كتابة وتشغيل الشيفرات، تحليل البيانات، بناء الوثائق، إعداد مستندات PDF، وحتى المساعدة في نمذجة التطبيقات. هذا يغير تمامًا مسألة الخصوصية، لأنه بمجرد أن ينتقل الذكاء الاصطناعي من "أخبرني بإجابة" إلى "اعمل على هذا الملف"، فإن المخاطر تبدو مختلفة.

الإيعاز العادي شيء واحد. ملف، مخطط، بعض الشيفرات، أو وثيقة نصف مكتملة أقرب إلى مساحة عمل المستخدم الحقيقية. هذه هي النقطة التي يتجاهلها معظم الناس عندما يتحدثون عن خصوصية الذكاء الاصطناعي. يسألون أي نموذج أذكى، أي إجابة أسرع، أي تطبيق يبدو أنظف. لكن ربما السؤال الأفضل هو أبسط: أين حدث العمل؟ لهذا السبب لفت انتباهي طبقة العميل المحلي داخل @OpenGradient اليوم. الفكرة هي أن العميل يعمل في صندوق رمل داخل المتصفح، على جهاز المستخدم، بينما يكون طلب النموذج هو الجزء الذي يغادر عبر روابط OHTTP وملاذات آمنة.

هذا لا يعني أن كل شيء خالي من المخاطر بشكل سحري. كما أنه لا يعني أن الدردشة غير متصلة بالكامل. التمييز المهم هو أكثر عملية من ذلك. الشيفرات، الملفات، والعمل المحلي ليسوا مثل الإيعاز النصي العادي. إذا كان عميل الذكاء الاصطناعي يتعامل مع مواد العمل الفعلية الخاصة بك، فإن حدود التنفيذ تهم.

كثيرًا. بالنسبة لي، هذا يجعل OpenGradient Chat أسهل في الحكم دون ضجة. لن أسأل فقط، "هل الذكاء الاصطناعي خاص؟" سأطرح السؤال، "أي جزء يبقى على جهازي، أي جزء يغادر، وأي جزء موثق؟" هذه عدسة أكثر حدة لوكلاء الذكاء الاصطناعي، لأن مستقبل الذكاء الاصطناعي ليس مجرد محادثة مع نموذج. إنه تسليم قطع صغيرة من عملنا إلى الوكلاء على أمل أن تكون الحدود واضحة بما يكفي للثقة. هذه هي الطبقة التي أراقبها مع $OPG و #opg. ليس فقط إجابة النموذج. المساحة المحيطة بالإجابة.
@OpenGradient $OPG #OPG

قبل عدة أشهر، لاحظت شيئًا حول كيفية تقييم مشاريع الذكاء الاصطناعي.

كلما أطلقت منصة جديدة، كانت المحادثة دائمًا تقريبًا هي نفسها: نماذج أكبر، استنتاج أسرع، تكاليف أقل. وجدت نفسي أتابع نفس المقاييس التي يتابعها الجميع.

لكن مؤخرًا، أستمر في طرح سؤال مختلف.

هل يمكن التحقق فعلاً من النتيجة؟

هذا التحول هو سبب اهتمامي بـ OpenGradient.

يتحدث معظم الناس عن الذكاء الاصطناعي اللامركزي كما لو كانت القصة كاملة هي "تشغيل النماذج خارج السحابة". هذا صحيح، لكنه ليس الجزء الذي أعود إليه دائمًا. تجعل وثائق OpenGradient الخاصة بها ادعاءً أكبر: هذه الشبكة مبنية من أجل تنفيذ الذكاء الاصطناعي بأمان، من البداية إلى النهاية، ومعمارها مصمم بشكل صريح حول فكرة أن أحمال الذكاء الاصطناعي لا ينبغي أن تُعامل مثل المعاملات المالية العادية.

السؤال الأكثر إثارة هو ليس ما إذا كان يمكن تشغيل نموذج. بل هل يمكن الوثوق في الحساب بعد تشغيله.

تقول OpenGradient إن النماذج تُنفذ على شبكة غير مصرح بها من العقد المتخصصة، مع إثباتات تُثبت على السلسلة، لذا فإن الطريق من الطلب إلى الاستجابة قابل للمراجعة. هذا وعد مختلف تمامًا عن عنوان "الذكاء الاصطناعي اللامركزي" المعتاد. الأمر لا يتعلق فقط بالوصول. بل يتعلق بالإيصالات.

هذه هي التوترات التي أجدها تستحق المتابعة.

التحقق يبدو رائعًا في النظرية، لكن الاختبار الحقيقي هو ما إذا كان البناؤون يقبلون فعلاً بالتجارة. تحاول OpenGradient جعل هذا عمليًا من خلال SDK بايثون، وأدوات استضافة النماذج، وبنية تحتية لنشر سير العمل، وMemSync لذاكرة موحدة عبر التطبيقات.

بعبارة أخرى، المشروع لا يجادل فقط من أجل الثقة. بل يحاول جعل الثقة قابلة للاستخدام.

هذا هو الجزء الذي أعود إليه دائمًا.

تبدو المحادثة حول الذكاء الاصطناعي اليوم مركزة بشدة على الأداء. تدفع OpenGradient الانتباه نحو المساءلة. ليسا نفس الشيء.

إذا كان المشروع صحيحًا، قد لا تكون المنافسة الحقيقية هي من ينفذ الاستنتاج بشكل أسرع. قد تكون من يمكنه إثبات ما حدث عندما تكون النتيجة ذات أهمية فعلية.

@OpenGradient $OPG #OPG

حوالي الساعة 1 صباحًا، كنت لا أزال أنظر إلى OpenGradient عندما لفت انتباهي شيء واحد.

الإخراج من الذكاء الاصطناعي لم يكن الجزء الأكثر إثارة.

الإيصال وراء الإخراج كان كذلك.

معظم أدوات الذكاء الاصطناعي تقدم إجابة وتطلب من المستخدمين الوثوق بالصندوق الأسود. إذا كانت الاستجابة تبدو نظيفة، يتقدم الناس. ولكن بالنسبة للبنية التحتية للذكاء الاصطناعي الجادة، هذا ليس كافيًا.

السؤال الأفضل هو:

ماذا يمكن أن تثبت الشبكة حول النتيجة؟

هنا يكمن الفرق بالنسبة لي في @OpenGradient .

OpenGradient ليست مجرد استضافة نماذج الذكاء الاصطناعي أو تشغيل الاستدلال. تصميمها يركز على الاستضافة، الاستدلال، والتحقق على نطاق واسع. طبقة التحقق تلك هي الفرق بين "النموذج أجاب" و"هناك أثر وراء الإجابة."

على مستوى عالٍ:

• تعمل نقاط الاستدلال على تشغيل نموذج الذكاء الاصطناعي
• يتم إنشاء الأدلة والشهادات حول التنفيذ
• تتحقق العقد الكاملة من تلك الأدلة
• يجعل تسوية الأدلة مسار الاستدلال أكثر مسؤولية

هذا مهم لأن مستخدمي الذكاء الاصطناعي يعتادون على المخرجات بدون إيصالات.

يمكن أن يبدو النموذج واثقًا ولا يزال يترك المستخدمين بدون وسيلة واضحة للتحقق مما حدث خلف الكواليس. للاستخدام العادي، ربما يبدو ذلك جيدًا. ولكن بالنسبة للبنائين، التطبيقات، الوكلاء، وسير العمل للذكاء الاصطناعي على السلسلة، فإن الاستدلال القائم على الثقة فقط ضعيف.

OpenGradient تدفع ببنية الذكاء الاصطناعي نحو المساءلة، وليس مجرد الوصول.

الإجابة لا تزال مهمة. السرعة لا تزال مهمة. القابلية للاستخدام لا تزال مهمة.

لكن أثر الإثبات مهم أيضًا.

هذا لا يزيل كل المخاطر. يمكن أن تضيف عملية التحقق تعقيدًا. لا يزال يتعين على المستخدمين فهم ما يثبته الإثبات فعليًا. ومع زيادة الطلب، يجب على النظام الحفاظ على ذلك المسار للتحقق عمليًا.

هذا هو نقطة مراقبتي في اليوم الثالث.

هل يمكن لـ OpenGradient جعل الأدلة والشهادات مفهومة بما فيه الكفاية للمستخدمين والبنائين الحقيقيين؟

بالنسبة لي، إجابة الذكاء الاصطناعي هي نصف القصة فقط.

قد يكون إيصال الإثبات وراء تلك الإجابة أكثر أهمية.

جرّب دردشة OpenGradient هنا: chat.opengradient.ai

@OpenGradient t $OPG #OPG

لما أعمل محتوى، نادراً ما أبدأ بالبوست النهائي.

عمليتي عادةً تكون فوضوية في البداية. أجمع الفكرة، أجرب الزاوية، أفكر في الجوانب البصرية، أقارن بين عدة اتجاهات، ثم أقرر شو فعلاً يكون مفيد للقراء.

علشان كذا، ما أعتبر أدوات الذكاء الاصطناعي بس كـ "آلات إجابة" بعد.

أنا أنظر للعمليات.

بالنسبة لي، اليوم الثاني مو بس عن عد كم نموذج AI يقدر OpenGradient Chat يعرض. السؤال الحقيقي هو إذا يقدر يخلي النص، الصورة، واختيار النموذج يشعروا كأنهم مساحة عمل واحدة قابلة للاستخدام.

هنا يجي دور Image Studio.

OpenGradient Chat مو بس موجه حول ردود النص. اتجاه المنتج الرسمي يدمج بين تبديل النماذج، البحث على الويب، رفع الملفات، وتوليد الصور في نفس بيئة الدردشة. Image Studio يضيف الجانب البصري لتلك العملية، عشان الإبداع ما يحس كأنه توقف منفصل.

هذا يتصل بشكل مباشر بكيف المبدعين يشتغلوا فعلياً.

بوست في Binance Square ممكن يحتاج أطروحة قوية، شرح قصير، مفهوم بصري، وكم اتجاه مختلف للإخراج قبل النشر. إذا كل هذا يبقى داخل عملية دردشة واحدة، فـ Image Studio مو بس زر صورة عادي.

يصبح جزء من عملية المبدع.

الزاوية الأوسع @OpenGradient كمان مهمة هنا لأن OpenGradient مبني حول استضافة، استدلال، والتحقق من نماذج الذكاء الاصطناعي على نطاق واسع. لذلك، ما راح أحكم على OpenGradient Chat كأنه مجرد غلاف ذكاء اصطناعي عادي. راح أحكم إذا المنتج يقدر يربط استخدام الذكاء الاصطناعي اليومي مع تلك البنية التحتية الأكبر للاستضافة، الاستدلال، والتحقق.

المخاطرة بسيطة.

إذا المستخدمين شافوا بس "مولد صور ذكاء اصطناعي آخر"، القصة الأقوى لـ OpenGradient بتضيع.

نقطتي للرقابة هي إذا OpenGradient Chat يقدر يخلي النص يعمل، إنشاء الصورة، اختيار النموذج، الملفات، والبحث يشعروا متصلين بدلاً من متفرقين.

إذا قدر يسوي كذا، فـ Image Studio مو بس تحديث ميزة.

يصبح اختبار إذا OpenGradient Chat يقدر يحول وصول الذكاء الاصطناعي إلى مساحة عمل إبداعية عملية.

جربه هنا: chat.opengradient.ai

@OpenGradient t $OPG #OPG

بينما كنت أتحقق من Bedrock اليوم، الرقم الذي جعلني أتوقف لم يكن فقط القيمة السوقية لـ BR.

بل كانت الفجوة بين حجم البروتوكول وكيف قد يقرأ المستخدمون المنتج ببساطة.

تظهر المتعقبات الحالية أن Bedrock حوالي 303 مليون دولار كقيمة إجمالية محجوزة (TVL)، بينما القيمة السوقية لـ BR تجلس حول 29 مليون دولار. لن أستخدم ذلك كادعاء "منخفض القيمة"، لأن TVL والقيمة السوقية يقيسان أشياء مختلفة. ولكن هذا يجعل Bedrock يستحق القراءة بشكل أكثر دقة.

لا ينبغي الحكم على بروتوكول يحتفظ بهذا المستوى من TVL فقط من خلال شاشة عوائد واحدة.

هنا تصبح تصميم Bedrock المعياري أكثر صلة.

تصف مستندات Bedrock أساسه كهيكل معياري. كما تصف Bedrock كبروتوكول إعادة استثمار سائل متعدد السلاسل ومُعَدم. هذا مهم لأن Bedrock ليست مجرد زر إعادة استثمار بسيط. لديها طبقات وظيفية مختلفة تؤدي وظائف مختلفة.

تسرد المستندات وحدات مثل سك العملة uniToken، عقد الستاكينغ، وحدة إعادة الاستثمارات، حساب نسبة التبادل، وحدة إلغاء الستاكينغ، وحدة DVT، وتفويض إعادة الاستثمارات.

بعد استخدام Bedrock والتحقق منها اليوم، فإن قراءتي أقوى الآن: السؤال الجاد ليس فقط "ما الذي يمكنني كسبه؟"

إنه: أي وحدة تتعامل مع الإجراء خلف الشاشة؟

هذا مهم أكثر عندما يكون للبروتوكول بالفعل مئات الملايين في TVL عبر نظامه. TVL الأكبر لا يزيل المخاطر. إنه يزيد من الحاجة لفهم الهيكل.

وجهة نظري: أهمية Bedrock ليست مجرد رقم TVL أو القيمة السوقية لـ BR.

القراءة الأفضل هي ما إذا كان بإمكان المستخدمين ربط تلك الأرقام بخريطة الوحدة خلف المنتج.

@Bedrock $BR #bedrock

هذا جزء من مهمة CreatorPad الخاصة بي على Binance، لكنني أركز على سؤال المنتج الذي يهم بالفعل: كيف تفصل OpenGradient Chat الهوية عن مسار الطلب.

أستخدم أدوات الذكاء الاصطناعي تقريباً كل يوم للبحث، تخطيط المحتوى، والتحقق من الأفكار قبل أن أنشرها علنًا. لقد غيرت هذه العادة كيف أنظر إلى خصوصية الذكاء الاصطناعي.

في السابق، كنت أهتم في الغالب بالإجابة. الآن، أهتم أكثر بمسار السؤال.

عندما يقول منتج الذكاء الاصطناعي "خاص"، لا أثق في تلك الكلمة وحدها. السؤال الأفضل هو: هل يمكن للنظام ربط هويتي بطلباتي بسهولة كبيرة؟

لهذا السبب تبدو OpenGradient Chat ذات صلة.

@OpenGradient تم بناؤها حول الاستضافة، الاستدلال، والتحقق من نماذج الذكاء الاصطناعي على نطاق واسع. تشير مواد النظام البيئي الرسمية الخاصة بها إلى أكثر من 2000 نموذج ذكاء اصطناعي و2 مليون استدلال، لذا فإن OpenGradient Chat تبدو مرتبطة بشبكة ذكاء اصطناعي قابلة للتحقق بشكل أوسع، وليس مجرد روبوت دردشة آخر.

تستخدم OpenGradient Chat تشفيرًا على جانب الجهاز، توجيه HTTP الخفي، والمناطق الآمنة. بالنسبة لي، يعني ذلك أن الخصوصية ليست مجرد ادعاء سياسة. بل تصبح جزءًا من المسار الذي يسلكه سؤالك.

نقطة مراقبتي بسيطة: هل يمكن لـ OpenGradient الحفاظ على سهولة استخدام الذكاء الاصطناعي الخاص مع توضيح مسار الخصوصية للمستخدمين العاديين؟

جرّب OpenGradient Chat: chat.opengradient.ai

@OpenGradient $OPG #opg

كلما نظرت إلى الماس من Bedrock، كلما قلّت رؤيتي لهم كعنوان مكافأة عادي.

في البداية، من السهل أن نفكر: النقاط هي نقاط، ربما قيمة مستقبلية، ربما شيء أكبر لاحقًا. هذه هي رد الفعل المعتاد. ولكن بعد قراءة التصميم بعناية أكثر، تغيرت وجهة نظري قليلاً.

الماس يشعر وكأنه ساعة المشاركة في Bedrock.

تظهر الوثائق أن الماس يُستخدم كمكافأة للمساهمة النشطة في البروتوكول. كما أنهم يعتمدون على مدة وطبيعة المشاركة. هذه التفاصيل الصغيرة تهم. هذا يعني أن النظام لا يسأل فقط "هل دخلت؟" بل يسأل أيضًا "ماذا فعلت، وكم من الوقت كنت متورطًا؟"

هذه في الواقع إشارة مفيدة.

لكن هنا أيضًا يمكن أن ينجر المستخدمون.

عدد الماس المتزايد يمكن أن يبدو مثيرًا، خاصة في بيئة الحملة. ومع ذلك، لا أتعامل معه كأنه مكافأة مستقبلية مضمونة. كما تقول Bedrock، يمكن أن يتغير نظام الماس بشكل دوري، لذا فإن الخطوة الأكثر ذكاءً هي مراقبة القاعدة وراء الرقم.

بالنسبة لي، السؤال العملي بسيط.

أي إجراء يكسب الماس؟

كم هو مهم الوقت؟

وهل يمكن أن تتغير القاعدة لاحقًا؟

رأيي: الماس من Bedrock مفيدة عندما تُقرأ كإشارة ولاء ومشاركة.

تصبح محفوفة بالمخاطر عندما يبدأ المستخدمون في قراءتها كوعود.
@Bedrock $BR #bedrock