Lữ Khách Web3

في الفترة الأخيرة، هناك شيء غريب نوعًا ما في موجة الذكاء الاصطناعي.
نتحدث كثيرًا عن النماذج، وقوة الاستدلال، وقدرة الأتمتة، لكننا نتحدث قليلًا عن الشيء الذي يجعل هذه الأنظمة مفيدة حقًا بعد فترة من الاستخدام: الذاكرة.
تبدو أنظمة الذكاء الاصطناعي الحالية ذكية جدًا في كل جلسة عمل على حدة، لكن بعد ذلك كل شيء يبدأ من جديد. يُعيد المستخدم سياق الحديث، ويُعيد الوكيل العملية، وتُنتج البيانات ثم تختفي بسرعة.

هذه ليست مشكلة جديدة، فهي مجرد أننا اعتدنا على رؤية الذاكرة كميزة بدلاً من كونها طبقة بنية تحتية.
وبالتالي، فإن الأنظمة تزداد تعقيدًا لكنها لا تزال تعمل ككيانات تعاني من فقدان الذاكرة القصيرة. تُستخدم الكثير من الموارد لإعادة إنتاج ما كان موجودًا.
ما يثير اهتمامي هو أن OpenGradient يبدو أنها لا تركز على جعل الذكاء الاصطناعي أكثر ذكاءً. يبدو أنهم يحاولون اتجاهًا آخر: تحويل الذاكرة إلى أصل يمكن تخزينه، واسترجاعه، ومشاركته بين الوكلاء في النظام.
ليس مشكلة النموذج.
بل هي مشكلة مستمرة من السياق.
بالطبع، أي فكرة تبدو معقولة على الورق. لا زالت التبني أكثر أهمية من البنية، والاستخدام أكثر أهمية من أي سرد. إذا لم يُنتج المستخدمون الذاكرة ويستخدمونها كجزء طبيعي من العملية، ستصبح تلك الطبقة البنية تحتية مكلفة جدًا.
ما يثير فضولي أكثر هو أن السوق قد يقيم دور الذاكرة في الذكاء الاصطناعي بشكل منخفض. إذا كان هذا صحيحًا، فقد تكون OpenGradient تتعامل مع مشكلة هيكلية أكثر من كونها اتجاهًا قصير الأجل.
على الأقل من وجهة نظري، هذا هو الجزء الأكثر إثارة للاهتمام.
#opg $OPG @OpenGradient

هناك تناقض غريب في الذكاء الاصطناعي اليوم، حيث تزداد قوة النماذج، لكن تجربة المستخدم لا تصبح بالضرورة أكثر تخصيصًا. العديد من الأنظمة تحاول خدمة الجميع بنفس الطريقة.

هذه ليست مشكلة جديدة، لكنها نادرًا ما تُسمى.
على مدار سنوات، كان التخصيص يعتمد في الأساس على البيانات التي يتم جمعها مركزيًا. يقوم المستخدمون بإنشاء إشارات، وتمتلك المنصات تلك الإشارات، وتُجمع القيمة في طبقة البنية التحتية بدلاً من أن تعود إلى مُنشئ البيانات. تبدو الأنظمة وكأنها تفهم المستخدمين بشكل أفضل، لكن المستخدمين لديهم سيطرة أقل على ملفاتهم الرقمية.

المثير للاهتمام هو أن هذه ليست مجرد مسألة خصوصية، بل هي أيضًا مسألة توزيع القيمة.

يبدو أن OpenGradient تتبنى التخصيص من زاوية مختلفة. ليس عبر بناء طبقة تطبيق إضافية للتنبؤ بالسلوك، بل من خلال تمكين البيانات والنماذج والسياق الشخصي للتفاعل بطريقة تمنح المستخدمين سيطرة أكبر على أصول بياناتهم.

بالطبع، الفكرة والاستخدام العملي هما شيئان مختلفان. الاعتماد أكثر أهمية من أي سرد حول الذكاء الاصطناعي غير المركزي.
ما يثير فضولي أكثر هو ما إذا كان المستخدمون يرغبون حقًا في امتلاك هوية بياناتهم، قد يكون هذا الجزء الأكثر إثارة للملاحظة في الفترة القادمة. والجزء المتبقي سيجيب عنه سلوك المستخدمين.
#opg $OPG @OpenGradient

هناك افتراض شائع إلى حد ما بأن وكلاء الذكاء الاصطناعي موجودون لخدمة المستخدمين، لكن كلما راقبت لفترة أطول، أرى تناقضًا آخر. يبدو أن العديد من أكبر مشاكل الذكاء الاصطناعي لا تكمن في تجربة المستخدم. بل تكمن في قدرة الوكلاء على التشغيل.

على مدى سنوات، كانت البيانات دائمًا نقطة اختناق معروفة. ليس بسبب نقص البيانات، بل بسبب نقص البيانات الموثوقة. الأنظمة الذكية تستمر في اتخاذ قرارات بناءً على مصادر لا يمكن التحقق منها حقًا، والمستخدمون نادرًا ما ينتبهون لذلك. الوكلاء ليس لديهم خيار.

الأنظمة الحالية تعمل بطريقة غريبة نوعًا ما. البشر يقبلون الأخطاء. بينما على الوكلاء التعامل مع تلك الأخطاء على نطاق أكبر بكثير. هناك الكثير من الطبقات الوسيطة، والكثير من البيانات غير الواضحة المصدر، والكثير من تكاليف التحقق يتم دفعها إلى نهاية النظام.

ربما لهذا السبب أصبح OpenGradient ملحوظًا. يبدو أنهم لا يحاولون بناء وكيل ذكاء اصطناعي آخر، بل يحاولون إنشاء آلية للوكلاء للوصول إلى البيانات والتحقق منها بطريقة يمكن التحقق منها. ليست مسألة واجهة، بل هي مسألة بنية تحتية للثقة.

بالطبع، التبني هو الجزء المهم. ليس السرد، وليس خارطة الطريق. إذا لم يكن الوكلاء يستخدمون حقًا أنظمة مثل هذه، فإن كل الحجج ستفقد معناها.
ما يثير فضولي أكثر هو ما إذا كانت هذه الحاجة تأتي من المستخدمين أم من الوكلاء أنفسهم. على الأقل من الطريقة التي أراها، يمكن أن تكون هذه هي النقطة الأكثر مراقبة، سأستمر في المتابعة..!
#opg $OPG @OpenGradient

في الوقت الحالي، هناك شيء غريب في عالم الذكاء الاصطناعي...
كلما ظهرت نماذج أكثر، أصبح من الصعب على المستخدمين معرفة ما هو حقيقي. ليس بالمعنى الصحيح أو الخطأ، ولكن بالمعنى القابل للتحقق.

هذه مشكلة موجودة منذ سنوات عديدة. أنظمة الذكاء الاصطناعي أصبحت أقوى في تقديم الإجابات، لكنها ضعيفة في إثبات كيفية وصولها لتلك الإجابات. هناك الكثير من الأشياء مبنية على الثقة، وقليل من الأشياء مبنية على القدرة على التحقق.

الشيء المثير هو أن معظم تدفقات رأس المال تبدو وكأنها تركز على جعل الذكاء الاصطناعي أسرع، أرخص أو أذكى، في حين أن الأسئلة حول المصداقية تُعطى اهتمامًا أقل. يبدو أن السوق مُحسَّن لقدرة خلق الذكاء بدلاً من القدرة على التحقق من الذكاء.

OpenGradient يبدو أنها تسير في اتجاه مختلف. ليس بإنشاء نموذج ذكاء اصطناعي آخر، بل بمحاولة وضع طبقة تحقق على عملية الاستدلال والتنفيذ للذكاء الاصطناعي. على الأقل من وجهة نظري، هذه مسألة تصميم نظام أكثر من كونها مسألة نموذج.

بالطبع، السرد دائمًا أسهل من الاعتماد، المستخدمون لا يهتمون بمدى جمال البنية إذا لم يحصلوا على قيمة حقيقية. هذه هي النقطة التي تحتاج إلى التحقق.
ما يثير فضولي أكثر هو ما إذا كانت "الذكاء القابل للتحقق" ستصبح مطلبًا افتراضيًا في السنوات القليلة القادمة بدلاً من كونها ميزة إضافية.

أنا لا أزال أتابع هذا الجزء.
#opg $OPG @OpenGradient

هناك شيء غريب جداً في موجة الذكاء الاصطناعي الحالية، وهو أن الناس يتحدثون كثيراً عن قدرات النماذج، لكن القليل منهم يتحدث عن ما إذا كانت النتائج التي ينتجها الذكاء الاصطناعي موثوقة حقاً.

هذه ليست مشكلة جديدة، بل أصبحت أكثر وضوحاً مع بدء الذكاء الاصطناعي في المشاركة في أنشطة ذات قيمة اقتصادية حقيقية. الأنظمة اليوم تعمل بناءً على نوع من الثقة الضمنية. يقوم المستخدمون بإرسال البيانات، وتعالج النماذج تلك البيانات، وتُعاد النتائج. لا يزال جزء كبير من العملية الداخلية بمثابة صندوق أسود.

المثير للاهتمام هو أنه كلما زادت القيمة المنتجة، زادت تكلفة الثقة العمياء. لم تعد الانحرافات، والتلاعب، أو البيانات غير القابلة للتحقق مجرد أخطاء تقنية، بل أصبحت مشكلة اقتصادية.

هنا يأتي OpenGradient بطريقة مختلفة تمامًا. بدلاً من التركيز على جعل الذكاء الاصطناعي أقوى، يبدو أنهم يحاولون إدخال التشفير في عملية التحقق من كيفية عمل الذكاء الاصطناعي. ليس الذكاء الاصطناعي أولاً، ثم التشفير، بل القدرة على التحقق مُدمجة في النظام نفسه.

ربما هذه هي النقطة الجديرة بالملاحظة. إذا أصبح الذكاء الاصطناعي بنية تحتية، فإن السؤال ليس من لديه النموذج الأكبر، بل من يمكنه إنتاج نتائج لا تحتاج الجهة الأخرى إلى الثقة المطلقة.

بالطبع، الأفكار وسلوك المستخدمين هما قصتان مختلفتان. لا يزال الاعتماد أكثر أهمية من أي تصميم جميل على الورق.
ما يثير فضولي أكثر هو ما إذا كان الطلب على "الذكاء الاصطناعي القابل للتحقق" سيظل موجودًا عندما ينضج السوق أم لا. على الأقل من وجهة نظري، هذه هي النقطة الأكثر أهمية.
#opg $OPG @OpenGradient

هناك شيء غريب في السرد حول الذكاء الاصطناعي في عالم الكريبتو حالياً.
كثير من المشاريع تتحدث عن النماذج، والعوامل، لكن كلما نظرت لفترة أطول، أرى أن معظم القيمة ليست في الذكاء الاصطناعي، بل في البيانات التي يستخدمها.

المشكلة هي أن السوق يتحدث عن البيانات لسنوات، وقد ظهرت أنظمة جمع البيانات ثم اختفت، وتم بناء مستودعات بيانات ثم فقدت بسرعة سيولة المستخدمين. تُعتبر البيانات من الأصول المهمة، لكنها نادراً ما تُعامل كأصل له دورة حياة اقتصادية واضحة.

تبدو الأنظمة الحالية وكأنها تعمل وفق منطق مألوف. يساهم المستخدمون في البيانات، وتجمع المنصات البيانات، وتتركز القيمة النهائية في أماكن تمتلك البنية التحتية. الاحتكاك يكمن في عدم تطابق دوافع الأطراف.

ما يثير اهتمامي هو أن OpenGradient لا يبدو أنها تركز على إنشاء ذكاء اصطناعي أفضل. ما يثير فضولي أكثر هو أنهم يبدو أنهم يحاولون بناء طبقة بنية تحتية بحيث يمكن التحقق من البيانات والوصول إليها واستخدامها بطريقة قابلة للبرمجة. ليست سباق النماذج، بل سباق حول إمكانية استخدام البيانات.

بالطبع، هذه مجرد مقاربة.
قد تترك التقنية انطباعاً جيداً على البناة، لكن التجربة هي التي تقنع المستخدمين، وفي النهاية، التبني والاستخدام دائماً أهم مما هو موجود في خارطة الطريق.

هذه هي النقطة التي أعود إليها دائماً، ليس ما إذا كانت OpenGradient ستنجح أم لا، بل ما إذا كان سوق الذكاء الاصطناعي في الكريبتو سيدرك في النهاية أن البيانات قد تكون العقدة الاقتصادية الأكبر من نماذج الذكاء الاصطناعي نفسها.
على الأقل من وجهة نظري، هذه هي النقطة الأكثر أهمية، والباقي سيكون رد فعل سلوك المستخدمين.
#opg $OPG @OpenGradient

في عالم الكريبتو، هناك اتجاه يتكرر باستمرار وهو أنه في كل مرة يظهر فيها مجال جديد، يقوم السوق بسرعة بالبحث عن "EigenLayer" لذلك المجال. يبدو أن هذا منطقي، لكن أحيانًا قد يؤدي هذا التشبيه إلى تغطية المشكلة الحقيقية.

بالنسبة للذكاء الاصطناعي، المشكلة المستمرة ليست بالضرورة في النموذج. هناك الكثير من الأشخاص الذين يقومون ببناء نماذج، والكثير من رأس المال يتدفق لتدريبها، بينما الشيء النادر هو القدرة على استخدام موارد الذكاء الاصطناعي بشكل فعال وقابل للتحقق.

الأنظمة الحالية تبدو وكأنها تعمل بشكل متقطع. الحوسبة موجودة في مكان، والنموذج في مكان آخر، والمستخدمون في مكان آخر، وغالبًا ما يتبع رأس المال السرد بينما تدور الحاجة الفعلية حول من يمكنه تقديم خدمات موثوقة بتكلفة معقولة.

هنا يأتي دور OpenGradient ليصبح بارزًا. ليس لأنه "EigenLayer" للذكاء الاصطناعي. يبدو أن نهجهم ليس في إنشاء طبقة سرد إضافية للذكاء الاصطناعي، ولكن في بناء طبقة تنسيق بين الموارد، النماذج، واحتياجات الاستخدام.
ما يثير اهتمامي أكثر هو أن الاعتماد هو الجزء المهم وليس TVL، وليس خارطة الطريق. إذا لم يكن المستخدمون بحاجة فعلية لهذه الطبقة التنسيقية، ستصبح القصة برمتها زائدة عن الحاجة.

ما يثير فضولي هو ما إذا كانت سوق الذكاء الاصطناعي ستفتقر في النهاية إلى النموذج أو إلى البنية التحتية للتنسيق بين النماذج. ما زلت أتابع هذا الجزء، على الأقل من وجهة نظري، أعتبره الجزء الأكثر أهمية.
#opg $OPG @OpenGradient

هناك شيء غريب في موجة توكنات الذكاء الاصطناعي الحالية...
كلما زادت المشاريع التي تتحدث عن الذكاء الاصطناعي، زادت صعوبة رؤية أين يظهر الذكاء الاصطناعي حقًا في السلوك اليومي. لا تزال معظم القصص تدور حول التوكنات، والسيولة، والتوقعات المستقبلية أكثر من كونها تتعلق بالقيمة التي يتم استهلاكها في الوقت الحالي.

هذه المشكلة ليست جديدة، فقد اعتادت الكريبتو على تمويل كل شيء قبل إثبات الحاجة الحقيقية، ويبدو أن الذكاء الاصطناعي يسير في نفس المسار. هناك الكثير من النماذج التي تم بناؤها، والكثير من البنية التحتية التي تم الترويج لها، لكن السؤال عن من يدفع لاستخدامها غالبًا ما يتم تجاهله.

الأنظمة الحالية تخلق تناقضًا، حيث يتدفق رأس المال إلى الذكاء الاصطناعي بشكل كبير ولكن الوصول إلى البيانات، والنماذج، والقدرات الحاسوبية لا يزال مركزيًا، ونادرًا ما يمتلك المستخدم النهائي جزءًا من القيمة التي يساهم بها.
هذا هو الجزء الذي يجعل OpenGradient مختلفة عن العديد من توكنات الذكاء الاصطناعي الأخرى. يبدو أن نهجهم لا يركز على تحويل الذكاء الاصطناعي إلى سرد جديد للتداول، بل على بناء طبقة بنية تحتية حيث يمكن تنسيق البيانات، والنماذج، والاستنتاجات كأصول اقتصادية.

المثير للاهتمام هو أن التبني هو الاختبار الحقيقي، وليس TVL، وليس خارطة الطريق. إذا لم يظهر المستخدمون، فإن كل تصميم لا يعدو كونه فرضية.
ما زلت أحتفظ بشكوكي، لكن على الأقل من خلال الطريقة التي أنظر بها إلى OpenGradient، فإنهم يطرحون أسئلة حول هيكل القيمة للذكاء الاصطناعي بدلاً من مجرد سرد قصة نموه. قد يكون ذلك الجزء الأكثر جدارة بالملاحظة في الأرباع القادمة.
#opg $OPG @OpenGradient

في السرد حول الذكاء الاصطناعي و البلوكشين خلال السنوات الماضية، هناك شيء غريب بعض الشيء.
كلما زاد عدد المشاريع التي تتحدث عن دمج الذكاء الاصطناعي في البلوكشين، كلما زادت قناعتي بأن الفجوة بين هذين النظامين لم تُحل بشكل حقيقي. أحدهما يُحسن من التحقق، والآخر يعمل بناءً على بيانات، نماذج وقدرات استدلالية تتغير باستمرار.

المشكلة هي أن هذا ليس جديدًا، فالذكاء الاصطناعي يحتاج إلى بيانات موثوقة، والبلوكشين يحتاج إلى تطبيقات تُولد طلبًا حقيقيًا، لكن معظم الأنظمة الحالية لا تزال تعتمد على طبقات وسيطة لربط الجانبين.
نتيجةً لذلك، تظهر احتكاكات في كل مكان، والبيانات يصعب التحقق من مصدرها، والنماذج يصعب اختبارها، والمستخدم النهائي بالكاد يهتم بالتكنولوجيا خلف الكواليس، بل يريد فقط نتائج مستقرة.
هذا هو الجزء الذي جعلني ألاحظ OpenGradient. يبدو أن نهجهم لا يكمن في إضافة مزيد من الذكاء الاصطناعي إلى البلوكشين، بل في بناء طبقة تحتية تمكن الذكاء الاصطناعي من التفاعل مع البيانات والحالة onchain بطريقة أكثر موثوقية.

ومع ذلك، السرد ليس هو العامل المحدد للنتائج، بل الاستخدام هو الاختبار الحقيقي. إذا لم تستخدم وكلاء الذكاء الاصطناعي أنظمة من هذا القبيل، فسيظل كل تصميم مجرد نظرية.

على الأقل من وجهة نظري، السؤال المهم ليس ما إذا كان الذكاء الاصطناعي يحتاج البلوكشين، بل ما إذا كان البلوكشين يمكن أن يصبح طبقة موثوقة للذكاء الاصطناعي أم لا. لا زلت أتابع هذا الجزء.
#opg $OPG @OpenGradient

هناك تناقض غريب في موجة الذكاء الاصطناعي الحالية. كلما زادت النماذج التي يتم الترويج لها على أنها أذكى، كلما كان المستخدمون يعرفون أقل عن كيفية اتخاذ هذه النماذج للقرارات.

لم يكن هذا مشكلة جديدة، كانت الأنظمة المالية كذلك، وكانت خوارزميات الإعلانات كذلك، والآن جاء دور الذكاء الاصطناعي. يتم اتخاذ الكثير من القرارات المهمة داخل صناديق لا يمكن للمستخدمين التحقق منها.

المثير للاهتمام هو أن الجزء الأكبر من السوق يبدو أنه يقبل ذلك كتكلفة مقبولة مقابل الأداء. يريدون إجابات أسرع، يريدون نماذج أقوى لكنهم نادراً ما يسألون عن البيانات المستخدمة، أو كيف تتم عملية الاستدلال، أو كيف يمكن التحقق من النتائج.

هنا يظهر OpenGradient بمقاربة تبدو مختلفة. ليس بناء نموذج ذكاء اصطناعي جديد، بل محاولة لإنشاء هيكل يجعل الاستدلال والبيانات أكثر شفافية، وأكثر قابلية للتحقق. على الأقل من وجهة نظري، هذه مشكلة تصميم ثقة أكثر من كونها مشكلة تصميم نموذج.

بالطبع، السرد دائماً أسهل من التبني. يفضل المستخدمون عادةً الراحة على القدرة على التحقق، وهذا هو السبب في أنني لم أعتبر هذا إجابة كاملة بعد.

ما يثير فضولي أكثر هو ما إذا كان السوق سيبدأ فعلاً في اعتبار الشفافية بنية تحتية ضرورية للذكاء الاصطناعي أم لا. البقية ستجيب عنها سلوكيات المستخدمين
#opg $OPG @OpenGradient

أعتقد أن أحد أكثر المفاهيم الخاطئة شيوعًا في هذه الدورة هو أن الناس يرون استثمار BTC كراوية جديدة. لقد رأيت العديد من الروايات المماثلة تظهر في عالم الكريبتو: إعادة تسمية مفهوم قديم، إضافة بعض الكلمات الجذابة، ثم يقنع السوق نفسه بأن هذا شيء مختلف تمامًا، لكن ما يثير قلقي هو أن البيتكوين لم يكن يومًا يفتقر حقًا للسيولة، بل ما ينقصه هو سوق رأس مال ناضج بما يكفي لتقييم هذه السيولة وتحويلها واستخدامها بشكل أكثر فعالية.

يتحدث الناس كثيرًا عن العائد، ويتحدثون كثيرًا عن الاستثمارات، لكن إذا نظرنا عن كثب، فإن المشكلة لا تكمن في إضافة بعض النسب المئوية من العائد للـ BTC، بل تكمن في أن آلاف المليارات من الدولارات من القيمة ساكنة بينما البنية التحتية لتحويل البيتكوين إلى أصل يمكن أن يشارك بشكل أعمق في الأنشطة المالية لا تزال بدائية إلى حد ما. على الأقل من وجهة نظري، هذه هي القصة الأكثر أهمية.

ربما لهذا السبب أثار مشروع Bedrock اهتمامي من زاوية أخرى. يبدو أن هذا المشروع يحاول الاقتراب من البيتكوين كطبقة من الأصول في أسواق رأس المال البيتكوين بدلاً من رؤيته فقط كقصة استثمار BTC بسيطة. بالطبع، تبدو أي رواية معقولة على الورق، وفي النهاية، تعود كل الأمور إلى سؤال قديم جدًا وهو: هل هناك حاجة حقيقية كافية لتحريك هذه السيولة أم لا؟ هنا أعتقد أن السوق سيحتاج إلى مزيد من الوقت للإجابة.

#bedrock $BR @Bedrock

هناك مفارقة معروفة جيدًا في BTCFi، حيث يتحدث الجميع عن كيفية جعل Bitcoin أكثر فعالية، لكن غالبية الأنظمة تعود في النهاية إلى معضلة قديمة: إصدار الرموز لجذب السيولة ثم البحث عن طرق للحفاظ عليها.

يبدو أن الأنظمة تواجه دائمًا نفس المشكلة. Bitcoin هو أصل نادر، لكن المكافآت المستخدمة لتحفيز السلوك غالبًا ما تتعرض للتخفيف مع مرور الوقت. تتدفق رؤوس الأموال بسرعة عندما تكون الحوافز كبيرة بما فيه الكفاية، ثم تغادر عندما تنخفض المكافآت. يرتفع TVL، لكن الاستدامة ليست بالضرورة مضمونة.

هذه هي الطريقة التي تعمل بها غالبية الأنظمة. المستخدمون يركزون على تحسين الأرباح، والبروتوكولات تركز على تحسين النمو، وهذه الأهداف لا تتقاطع دائمًا. ونتيجة لذلك، تصبح العديد من التوكنوميكس حلقة إعادة توزيع بدلاً من خلق قيمة اقتصادية جديدة.

ما هو مثير للاهتمام هو أن Bedrock يبدو أنه يحاول معالجة المشكلة من زاوية مختلفة. ليس فقط من خلال زيادة الحوافز لـ BTCFi، بل من خلال إيجاد طرق لتحويل تدفقات العائدات، ونقاط المكافأة، وحقوق الملكية في النظام البيئي إلى هيكل توزيع قيمة أكثر اتساقًا.

بالطبع، تصميم النظام والسلوك الفعلي دائماً قصتان مختلفتان. الاعتماد أكثر أهمية من النموذج، والاستخدام أكثر أهمية من TVL.

ما يثير فضولي أكثر هو ما إذا كان BTCFi سيستطيع في النهاية حل معضلة التوكنوميكس أم لا. على الأقل، من وجهة نظري، هذه هي النقطة الأكثر جدارة بالملاحظة.
#bedrock $BR @Bedrock

في عالم الكريبتو، هناك مفارقة مثيرة للاهتمام...
تعتبر BTC أكبر أصول ضمان في السوق، لكن إذا نظرت عن كثب، فإن السوق الائتماني المحيط بـ BTC لا يزال ينمو بشكل أبطأ مقارنة بحجم رأس المال الذي تحتفظ به.

على مدار سنوات، استمرت هذه الصناعة في الحديث عن "تفعيل سيولة البيتكوين". الأنظمة تظهر ثم تختفي، والسرد يتغير باستمرار، لكن الجزء الأكبر من BTC لا يزال ساكناً أو يُستخدم في حلقات العائد التقليدية.

هذا يجعلني أعتقد أن المشكلة ربما لم تكن أبداً في العائد.
المشكلة تكمن في الائتمان.
نظام مالي ناضج لا يحتاج فقط إلى أصول ذات قيمة، بل يحتاج أيضًا إلى القدرة على توجيه هذا الرأس المال إلى حيث يكون الاستخدام الأكثر كفاءة.
تستند بروتوكولات الإقراض الحالية غالبًا إلى نموذج ضمان مفرط. يساعد هذا في تقليل المخاطر النظامية لكنه يجعل كفاءة استخدام رأس المال محدودة جدًا. الكثير من BTC مقفل فقط لحماية البروتوكول من السيناريوهات السلبية.

يبدو أن Lending Vault من Bedrock يحاول الاقتراب من زاوية مختلفة. ليس بالضرورة إنشاء مصدر APY جديد، بل إيجاد طريقة لجعل BTC مصدر رأس المال الذي يمكن تخصيصه في هيكل ائتماني أكثر وضوحًا.
بالطبع، الفكرة دائمًا أسهل من الفعل الفعلي. يمكن دفع TVL من خلال الحوافز، لكن الطلب على الاقتراض، ودورة رأس المال الحقيقية، والقدرة على الاستمرار عندما تنخفض المكافآت هي ما يجب مراقبته.

إذا تشكل سوق ائتمان BTC حقًا، فإن قيمته قد تكمن في كيفية تغيير تدفق رأس المال من البيتكوين. على الأقل من وجهة نظري، هذه هي النقطة الأكثر جدارة بالملاحظة في الفترة المقبلة.
#bedrock $BR @Bedrock

في سوق BTCFi، هناك شيء غريب بعض الشيء.
كل دورة تظهر منتجات جديدة للبيتكوين، لكن السيولة تظل متفرقة. المستخدمون يتنقلون بين البروتوكولات، ورأس المال يتنقل بين الشبكات، بينما نادراً ما يصبح البيتكوين طبقة أصول مترابطة حقاً.
هذه مشكلة قائمة منذ سنوات.

الأنظمة عادةً ما تركز على خلق مزيد من العائد. يتنافسون من خلال APY، يطلقون المزيد من الحوافز، لكن عندما تتقلص المكافآت، يغادر رأس المال أيضاً.

المثير للاهتمام هو أن تأثير الشبكة تقريباً لم يُبنى.
على الأقل من وجهة نظري، يبدو أن Bedrock تسير في اتجاه مختلف عن uniBTC. ليس بالضرورة بيع المزيد من العائدات للبيتكوين، بل محاولة تحويل uniBTC إلى طبقة سيولة يمكن أن تظهر في العديد من النظم البيئية المختلفة في نفس الوقت.

ما يثير فضولي أكثر هو المنطق وراء ذلك. تأثير الشبكة في المالية غالباً لا يأتي من التكنولوجيا، بل يأتي من وجود المزيد من الأطراف التي لديها أسباب لاستخدام نفس الأصل.
بالطبع، الظهور في أماكن متعددة لا يعني بالضرورة اعتماد حقيقي. يمكن تحفيز TVL، لكن سلوك الاستخدام يكون أصعب في التقدير.
هذا هو الجزء الذي أعود إليه دائماً، ليس كم هو كبير uniBTC، ولكن ما إذا كان المستخدمون سيبدأون في رؤيته كطبقة سيولة افتراضية.
ما زلت أتابع هذا الجانب.

#bedrock $BR @Bedrock

الكل يتحدث عن APY.
السوق كان مهووسًا بعائدات الستيكينغ.
من يدفع أكثر سيجذب المزيد من السيولة.
لكن اللعبة بدأت تصبح مشبعة.
المشكلة الحقيقية لم تعد كسب بعض النسب المئوية الإضافية من العائد.
بل كفاءة استخدام البيتكوين...
قدرة تدوير السيولة...
تحويل البيتكوين من أصل غير نشط إلى أصل يمكن تخصيصه بمرونة.
السوق يرى Bedrock كبروتوكول إعادة الستيكينغ.
لكن Bedrock قد يكون فعليًا يبني طبقة تنسيق رأس المال للبيتكوين.
هذا هو الجزء الذي أراه يستحق التفكير.
بعض الإشارات الملحوظة:
uniBTC تغير طريقة مشاركة البيتكوين في DeFi
تركيز قوي على BTCFi بدلاً من مجرد إعادة الستيكينغ
التوسع إلى العديد من النظم البيئية المختلفة
تصميم المنتج حول السيولة
بناء العديد من طبقات الفائدة فوق البيتكوين

لم أصدق بعد أن Bedrock قد فاز.
لكن ما يجعلني أتابع هذا المشروع هو أنهم يبدو أنهم يستعدون لعالم حيث لا يكون APY هو الميزة التنافسية.
عندما يكون الفائز هو من يتحكم في تدفق السيولة.
وصلات أوسع، الكريبتو تنتقل من سباق إصدار التوكنات إلى سباق تحسين كفاءة رأس المال.
الأصول لم تعد تقيم من خلال الاحتفاظ بها..
بل من خلال القدرة على إعادة الاستخدام عدة مرات.
هذه مجرد فرضية شخصية لكن ما يشتريه السوق اليوم قد لا يكون ما ستصبح عليه Bedrock حقًا.
ليس مجرد بروتوكول إعادة الستيكينغ.
ليس مجرد أداة لخلق العائد.
قد تكون طبقة البنية التحتية لتنسيق رأس المال لعصر BTCFi القادم.
#bedrock $BR @Bedrock