Mr_Kavin

في الآونة الأخيرة، تزايد الاهتمام بمجال أمن أتمتة البلوكشين على السلسلة، ويقوم العديد من أفراد المجتمع بمتابعة NEWT عن كثب. لقد أجريت أبحاث بيانات على السلسلة لسنوات عديدة. خلال الأيام القليلة الماضية، كنت أختبر باستمرار Newton Mainnet Beta، وأشغّل تدفقات شاملة من البداية إلى النهاية بما في ذلك التحقق من الأذونات وتحديات العقد. كما قرأت فصل 4 في صفحة بنية الأمان صفحةً صفحةً في الورقة البيضاء، وقارنته بدقة بسجلات الرهن والإيقاف/الجزاءات على السلسلة. معظم المشاريع الأكثر شابهًا في السوق تروّج غالبًا لتقنيات المعرفة الصفرية (zero-knowledge) فقط، وقواعد معاقبة العقد لديها غامضة—ولا توجد تقريبًا قنوات يستطيع المستخدمون من خلالها طلب الإنصاف عند مواجهة تنفيذ خاطئ.
لقد حافظت دائمًا على منهجي في التداول: جرّبه عمليًا أولًا، ثم انظر إلى بيانات السلسلة. لا أدخل أبدًا بشكل أعمى لمجرد أن شيئًا ما يتجه إلى الصعود؛ بدلًا من ذلك، أرسم بشكل موضوعي خريطة للحالة التشغيلية الفعلية اليوم.
بعد الاختبار العملي، أستطيع التأكيد أن آلية الأمان الكاملة مُطبّقة بالفعل وتعمل—وليست مجرد خطة على الورق. قمتُ مرارًا بتعديل حدود وأوقات تشغيل الصفقات الآلية؛ وأي عملية تتجاوز الأذونات المحددة مسبقًا سيتم حظرها مباشرة بواسطة zkPermissions. تعتمد العقد على تدوير عشوائي قائم على VRF لمنع أي عقدة واحدة من السيطرة على قدرة الحوسبة للشبكة لفترة طويلة. يحتاج المشغّلون إلى المزامنة في الرهن كلٍّ من ETH وNEWT لتوفير ضمانين (رهن مزدوج). إذا تم توليد بيانات اعتماد تنفيذ خاطئة، فسيتم تخفيض/مصادرة كلا نوعي الأصول بواسطة العقد. لقد احتفظ Mainnet Beta بعدد كبير من سجلات الجزاءات الحقيقية. ومن خلال استخدام تكلفة الرموز لتقييد سلوك العقد، فإن قابلية تطبيق إجراءات الأمان تتجاوز بكثير تلك الموجودة في المشاريع المماثلة.

@NewtonProtocol #Newt $NEWT

#newt $NEWT @NewtonProtocol
كنت أقرأ عن بروتوكول نيوتن، وتبقى فكرة واحدة عالقة في ذهني.

يتحدث الجميع عن ما إذا كانت وكلاء الذكاء الاصطناعي يمكنهم تنفيذ الصفقات بأمان. لكن ماذا لو لم تكن هذه هي أصعب مشكلة؟

ماذا لو كانت التحدي الحقيقي هو التأكد من أن السياسة تقول ما يقصده المستخدم بالفعل؟ هل يمكن لقائمة قواعد أن تلتقط شيئًا معقدًا مثل الحكم البشري؟ وإذا اتبع ذكاء اصطناعي كل قاعدة حرفيًا كما هي، لكنه ما يزال يقدّم نتيجة لم يتوقعها المستخدم، فهل فشل الذكاء الاصطناعي—أم أن المشكلة في السياسة؟

يبدو أن هذه محادثة أكثر أهمية بكثير بالنسبة لمستقبل التمويل الذاتي.

#newt $NEWT @NewtonProtocol
إليك صياغة أكثر طبيعية ودّية، تشبه فكرة حقيقية لدى شخص يحلّل البروتوكول بدل كتابتها بغرض جذب الانتباه.

كلما فكّرت أكثر في بروتوكول نيوتن، تعود إليّ فكرة واحدة باستمرار.

ماذا لو لم تكن التحديات الحقيقية هي جعل وكيل ذكاء اصطناعي يتّبع التعليمات؟

ماذا لو كان التحدي هو التأكد من أن تلك التعليمات ما تزال منطقية في الوقت الذي تُنفَّذ فيه؟

الأسواق يمكن أن تتغير بسرعة. قد ينفّذ الوكيل كل ما طُلِب منه حرفيًا، ومع ذلك قد يفوته ما يريده المستخدم فعليًا في تلك اللحظة.

هذا يبدو كمشكلة أصعب بكثير—ومن وجهة نظري، أحد أكثر الأسئلة إثارة للاهتمام وراء التمويل الذاتي.

#newt $NEWT @NewtonProtocol
كلما قرأت أكثر عن بروتوكول نيوتن، كلما وجدت نفسي أفكر بما يتجاوز التكنولوجيا نفسها.

إذا كانت الذكاء الاصطناعي سيقوم بأكثر من مجرد تقديم اقتراحات، فماذا سيوثِق به الناس فعلاً؟ هل سيكون الأمان القوي كافيًا، أم سيتوقع الناس فهم طريقة سلوك هذه الأنظمة أيضًا؟ ومع دخول المزيد من الوكلاء المستقلين إلى هذا المجال، ما الذي سيفصل بين الوكلاء الذين يعتمد عليهم الناس والذين يتجاهلونهم؟

يبدو أن التحدي الكبير التالي ليس فقط بناء ذكاء اصطناعي أكثر ذكاءً—بل كسب ثقة الناس.

كلما قرأت أكثر عن بروتوكول نيوتن، كلما وجدت نفسي أفكر بما يتجاوز التكنولوجيا نفسها.

إذا كانت الذكاء الاصطناعي سيقوم بأكثر من مجرد تقديم اقتراحات، فماذا سيوثِق به الناس فعلاً؟ هل سيكون الأمان القوي كافيًا، أم سيتوقع الناس فهم طريقة سلوك هذه الأنظمة أيضًا؟ ومع دخول المزيد من الوكلاء المستقلين إلى هذا المجال، ما الذي سيفصل بين الوكلاء الذين يعتمد عليهم الناس والذين يتجاهلونهم؟

يبدو أن التحدي الكبير التالي ليس فقط بناء ذكاء اصطناعي أكثر ذكاءً بل كسب ثقة الناس.

كلما تعلمت أكثر عن الذكاء الاصطناعي، كلما أدركت أن النماذج القوية هي مجرد جزء من القصة. ما يهم حقًا هو البنية التحتية خلفها - أين تعمل، من يتحكم بها، وما إذا كان بإمكان المستخدمين الثقة فعلاً في النتائج التي يتلقونها.

وهذا أحد الأسباب التي جعلت OpenGradient تثير انتباهي. بدلاً من إبقاء الذكاء الاصطناعي محصورًا داخل بعض المنصات المركزية، فإنه يستكشف شبكة يمكن من خلالها استضافة النماذج واستخدامها عبر بنية تحتية لامركزية. إنها طريقة مختلفة للتفكير في الذكاء الاصطناعي: ليس كخدمة تتحكم بها حفنة من المزودين، ولكن كمورد يمكن أن يكون أكثر انفتاحًا وقابلية للوصول بشكل أوسع.

ما أجده أكثر إثارة هو التركيز على التحقق. مع دخول الذكاء الاصطناعي في المزيد من القرارات المهمة، تصبح الثقة قضية حقيقية. من المعقول أن نسأل ما إذا كانت النموذج تعمل كما هو مزعوم، وما إذا كانت مخرجاتها يمكن التحقق منها بشكل مستقل. بناء أنظمة تعالج تلك الأسئلة يشعر كأنه خطوة في الاتجاه الصحيح.

غالبًا ما نتحدث عن جعل الذكاء الاصطناعي أكثر ذكاءً، أسرع، أو أكبر. لكن هناك محادثة أخرى تستحق النقاش - كيف نجعله أكثر شفافية وموثوقية. مشاريع مثل OpenGradient تستكشف هذا التحدي، وسيكون من المثير للاهتمام رؤية كيف تشكل البنية التحتية اللامركزية المرحلة التالية من تطوير الذكاء الاصطناعي.

#opg $OPG @OpenGradient

تشعر OpenGradient أقل كمنتج وأكثر كأنها محاولة لنقل الذكاء من غرفة واحدة إلى شيء موزع ومشترك. ليس مجرد ذكاء اصطناعي يجلس على خوادم شركة واحدة، ولكن ذكاء اصطناعي يعمل عبر العديد من الأماكن، متشابك بواسطة بنية تحتية لا يراها معظم الناس.

ما يبرز هو كيف يتحول التركيز بعيدًا عن النماذج نحو الأساس الذي يقع تحتها. الاستضافة، الاستدلال، التحقق - أشياء عادة ما تبقى مخفية في الخلفية - تبدأ في أن تصبح هي البنية الرئيسية بدلاً من بنية الدعم. لم يعد الذكاء موجودًا فقط "هناك"، بل يجب أن يتم حمله بواسطة شبكة تعيد بناءه في الوقت الحقيقي.

هناك شيء غير مستقر وشيق بشأن ذلك. النظام ليس لديه مركز يمكنك الإشارة إليه، ومع ذلك لا يزال يعمل كشيء واحد عندما تتفاعل معه. تلك التوترات بين التوزيع والشعور بالوحدة هي المكان الذي تعيش فيه معظم التعقيدات.

كما أن التحقق أيضًا يتوقف عن الشعور بالبساطة في هذا الإعداد. لم يعد مجرد فحص نهائي في النهاية. بل يصبح شيئًا يحدث عبر عدة نقاط، حيث تتفق أجزاء مختلفة من الشبكة باستمرار مع بعضها البعض للحفاظ على الثقة intact. يبدو أقل كختم موافقة وأكثر كعملية مستمرة لا تنتهي حقًا.

وتحت كل ذلك يوجد تحول بطيء في كيفية تصرف السيطرة. ليس مفصولًا، ولكن موزعًا بشكل رقيق حتى يبدأ في أن يشعر أكثر كتنسيق من الملكية.

#opg $OPG @OpenGradient

#opg $OPG @OpenGradient
لقد قضيت سنوات كافية في عالم الكريبتو لأعرف كم مرة تعود نفس القصة بأسماء جديدة. لهذا السبب أستمر في التفكير في شيء غالبًا ما يتم تجاهله في حديث الذكاء الاصطناعي. نقضي الكثير من الوقت نسأل ما إذا كانت الإجابة صحيحة، لكنني أبدأ في التفكير أن السؤال الأكثر صدقًا هو متى تم تقديم تلك الإجابة فعليًا. التوقيت يغير معنى كل شيء. التنبؤ يشعر بأنه حقيقي فقط إذا كنت تستطيع إثبات أنه موجود قبل النتيجة. الادعاء يشعر بأنه قوي فقط إذا كانت تاريخه مرئية، وليس مبنية لاحقًا من الذاكرة. هذا ما جعل @OpenGradient و $OPG يبرزان بالنسبة لي. أنا لا أبيع بسهولة، ولا أثق في الروايات اللامعة، لكن الذكاء الاصطناعي القابل للتحقق يبدو كأحد الأفكار القليلة هنا التي قد تهم فعلاً.

أفكر دائمًا في مدى غرابة "الموافقة" على الإنترنت. لقد قرأت سياسة الخصوصية التي قبلتها قبل عامين، وكانت قد تغيرت بالفعل أربع مرات. لم يخبرني أحد بذلك بطريقة تهمني. مجرد تحديث صغير مدفون في مكان ما في الإعدادات، من النوع الذي تلاحظه فقط إذا كنت تبحث بالفعل عن مشاكل. ومع ذلك، كان ذلك كافيًا لتعتبر التطبيق استخدامي المستمر بمثابة موافقة. هذا الجزء يزعجني بصراحة أكثر من معظم الانتهاكات. ليس لأنها صاخبة، ولكن لأنها هادئة.

لقد رأيت هذا النوع من الأمور من قبل في عالم الكريبتو أيضًا. كثيرًا ما يتحدث الناس عن الثقة كما لو كانت تُستبدل بشيء أقوى، لكن النظام لا يزال يجد طريقة للاعتماد على الثقة عندما يكون الأمر أكثر أهمية. يبدو أن اللغة صلبة حتى تنظر عن كثب، ثم تبدأ في الشعور بأنها مرنة قليلاً جداً.

لهذا السبب تشعر الضمانات التشفيرية بأنها مختلفة بالنسبة لي. شهادة TEE لا يتم إعادة كتابتها بهدوء لاحقًا. إنها ثابتة في اللحظة التي تم إنشاؤها فيها. إذا كان هناك شيء يعمل على مدخلات معينة في بيئة موثوقة، فإن هذا الدليل موجود. لا يتغير لأن شخصًا ما قرر تحديث الصياغة بعد ستة أشهر.

لا أقول إن هذا يجعل كل شيء أفضل. لا. لكن بعد مشاهدة ما يكفي من الدورات، تعلمت أن ألاحظ الفرق بين شيء يبدو آمنًا وشيء يترك فعلاً مساحة أقل للعب.

#opg $OPG @OpenGradient

OpenGradient تحاول حل مشكلة أصبحت من الصعب تجاهلها: كيف يمكنك الوثوق بأنظمة الذكاء الاصطناعي التي يتحكم فيها عدد قليل من المزودين المركزيين؟

بدلاً من التعامل مع الذكاء الاصطناعي كصندوق أسود مستضاف في مكان واحد، يتم توزيع عبء العمل عبر شبكة. يتم استضافة النماذج وتشغيلها والتحقق منها من قبل مشاركين مختلفين، لذلك لا يتحكم أي طرف واحد بشكل كامل فيما يحدث. قد يبدو هذا التحول تقنيًا، لكن الفكرة بسيطة جدًا - يصبح الذكاء الاصطناعي شيئًا مشتركًا بدلاً من أن يكون مملوكًا.

ما يبرز هو التركيز على التحقق. ليس الأمر مجرد الحصول على استجابة من نموذج، بل القدرة على التحقق من كيفية إنتاج تلك الاستجابة وما إذا كانت يمكن الوثوق بها. هذا الأمر يصبح أكثر أهمية مع انتقال الذكاء الاصطناعي إلى مجالات مثل البحث، والأتمتة، والأدوات المالية، حيث يمكن أن تؤدي الأخطاء الصغيرة إلى عواقب حقيقية.

بالطبع، ليست الطريقة خالية من التحديات. تنسيق العديد من العقد، والحفاظ على أداء متسق، وتجنب التأخيرات كلها مشاكل صعبة في الممارسة. لكن غالبًا ما يبدأ هذا هو شكل البنية التحتية الجديدة - فوضوي في البداية، ثم يتطور تدريجياً مع تشكيل الطلب الحقيقي له.

إذا نجح الأمر، فقد تغير أنظمة مثل OpenGradient كيف يفكر المطورون في نشر الذكاء الاصطناعي: أقل عن توصيل API واحد، وأكثر عن المشاركة في شبكة مشتركة وقابلة للتحقق.

#opg $OPG @OpenGradient

هناك ليالٍ يتحرك فيها السوق بنسبة 4.8% في 17.5 دقيقة فقط، ومع ذلك يستمر AMM ذو الرسوم الثابتة 0.3% في التصرف وكأن لا شيء غير عادي يحدث. هادئ. متوقع. شبه منفصل عن الواقع. ألاحظ ذلك الجزء، لأن الأسواق نادرًا ما تكون مهذبة عندما تبدأ الأموال الحقيقية في التحرك.

ورأس المال... رأس المال لا يهتم بالنماذج النظيفة أو الافتراضات المرتبة. تجمع بقيمة 12.6 مليون دولار مع حجم يومي يبلغ 38.4 مليون دولار يحتاج فقط إلى انحراف بسيط بنسبة 0.07% قبل أن يتحول الحديث تمامًا. عند تلك النقطة، يتوقف الأمر عن كونه عن "كم كانت الرسوم المكتسبة" ويبدأ في أن يصبح شيئًا أكثر فوضى.

ربما لهذا السبب لا أنظر إلى OpenGradient على أنه مجرد طبقة AI أخرى تم إسقاطها في عالم الكريبتو لجذب الانتباه. لقد رأيت العديد من المشاريع تغلف أفكارًا قديمة بلغة جديدة. معظمها يتلاشى بمجرد أن تصبح الظروف قاسية. ولكن هناك شيء هنا يبدو مختلفًا بعض الشيء، حتى لو لم أكن مقتنعًا تمامًا بعد.

AlphaSense هو ما يستمر في إعادتي. ليس لأنه يبدو مثيرًا للإعجاب، ولكن لأنه يبدو أقرب إلى سلوك البروتوكول الفعلي. إشارات التقلبات تؤثر على الرسوم. بروتوكولات الإقراض تعدل LTV. استخدام التوكن يتحرك مع نشاط النظام.

ربما هذه هي النقطة الحقيقية. ليس التنبؤ لمجرد التنبؤ. فقط اتخاذ قرارات أقل عمياء بقليل. في عالم الكريبتو، هذا وحده مهم أكثر مما يعترف به الناس. خاصة عندما يتعين على النظام أن يستمر في التفكير لفترة طويلة بعد توقف المستخدم عن النقر.

#opg $OPG @OpenGradient

لقد قضيت وقتًا كافيًا في مشاهدة الكريبتو لأعرف متى يُعاد تقديم قصة ما بكلمات أفضل. في الآونة الأخيرة، كانت الذكاء الاصطناعي اللامركزي واحدة من تلك الأشياء التي أعود إليها مرارًا وتكرارًا - ليس لأنني أثق في الضجة، ولكن لأن المشكلة الحقيقية تبدو أعمق مما يريد معظم الناس الاعتراف به. دائمًا ما تذهب المحادثة مباشرة إلى أي نموذج هو الأذكى، ولكن الجزء الذي يهمني فعلاً، على الأقل، هو التنسيق. هناك حيث تنهار الأمور عادة.

على مر السنين، رأيت الحوسبة تصبح أكثر انتشارًا، وأكثر وصولًا، وأكثر وجودًا في كل مكان - ومع ذلك لا يزال النظام يسحب نفسه إلى بعض النقاط المركزية التي يمكنها بالفعل أن تجمع كل شيء معًا. هذا الجزء لا يتغير حقًا. قد تكون الأجهزة موجودة، وقد توجد القدرة، ولكن الجزء الصعب لا يزال هو جعل كل شيء يعمل بسلاسة. الندرة ليست في الآلات بعد الآن. إنها في الغراء بينها.

لهذا السبب لفت انتباهي اتجاه OpenGradient. لا أقول إنني أثق به تمامًا بعد، لأنني رأيت الكثير من المشاريع تبدو مهمة قبل أن تثبت أي شيء. لكن هناك شيء ما في هذا يبدو مختلفًا قليلاً. لا يبدو أنه يسعى لجذب الانتباه من خلال الصراخ حول الذكاء. يبدو أنه أكثر اهتمامًا بالفوضى التي تحت ذلك - مشكلة التوزيع، الاحتكاك، تكلفة جعل ألف قطعة منفصلة تتصرف كنظام واحد دون إبطاء كل شيء.

وبصراحة، هذا هو النوع من الأشياء التي لا زلت أتابعها. في عالم الكريبتو، تأتي الأفكار الصاخبة وتذهب. عادة ما تبدأ الأفكار المفيدة بحل المشكلة المملة التي لم يرغب أحد في لمسها.

#opg $OPG @OpenGradient

لقد قضيت وقتًا كافيًا في عالم العملات الرقمية لأعرف متى تكون فكرة ما مجرد فكرة قديمة مع تغليف أفضل. معظم المشاريع تتحدث كثيرًا ثم تختفي في نفس الضجيج. لكن OpenGradient جعلتني أتوقف فعلاً، لأنها تبدو وكأنها تنظر إلى الجزء الذي يتجاهله الناس عادة: ليس مدى ذكاء الذكاء الاصطناعي، بل ما إذا كان بإمكاننا فعلاً الثقة والتحقق مما فعله.

كلما تابعت هذا المجال، كلما اعتقدت أن هذا هو السؤال الحقيقي. الذكاء الاصطناعي يزداد قوة، نعم، لكن القوة وحدها ليست هي المشكلة. المشكلة هي أننا عادةً لا نملك إجابة واضحة على الأمور الأساسية: كيف تم اتخاذ هذا القرار، أي نموذج تم استخدامه، هل عمل فعلاً كما كان من المفترض أن يعمل؟

هذه الفجوة مهمة.

ما تحاول OpenGradient القيام به يشعر بأنه مختلف لأنه لا يتحدث فقط عن الأداء. بل يتحدث عن الإثبات. مع TEE-Verify Inference، الفكرة هي إثبات تشفيرياً أين وكيف تم تشغيل النموذج. لذا، ليس مجرد ادعاء، بل هو دليل. ومع zkML، يريدون إثبات أن النموذج عمل بشكل صحيح دون الكشف عن النموذج نفسه، بما في ذلك الأوزان أو تفاصيل خاصة أخرى. إذا بقي سجل التحقق هذا على السلسلة، فإنه يصبح شيئًا يمكن للناس التحقق منه لاحقًا بدلاً من مجرد أخذ كلمة شخص ما في الاعتبار.

ما زلت حذرًا. لقد رأيت ما يكفي من السرديات في عالم العملات الرقمية تنهار بمجرد أن تواجه الاحتكاك في العالم الحقيقي. لكن هناك شيء في هذا يبدو أكثر جدية من الضجيج المعتاد.

#opg $OPG @OpenGradient

OpenGradient تحاول حل جزء من الذكاء الاصطناعي الذي لا يفكر فيه معظم الناس حقًا - ماذا يحدث بعد بناء النموذج. عادةً ما نتحدث عن مدى قوة الذكاء الاصطناعي، لكن ليس كثيرًا عن المكان الذي يعمل فيه فعليًا، أو كيف يمكننا الوثوق بما ينتجه عند استخدامه على نطاق واسع.

في الوقت الحالي، تعتمد معظم أنظمة الذكاء الاصطناعي على بنية تحتية مركزية. عدد قليل من المزودين الكبار يتعاملون مع الاستضافة والاستدلال، مما يجعل الأمور سريعة وبسيطة، ولكن أيضًا يخلق نوعًا من الاعتماد الخفي. إذا حدث خطأ ما، أو إذا لم يكن هناك شفافية في كيفية توليد المخرجات، فلن يكون لدى المستخدمين طريقة للتحقق منها. هذه هي الفجوة التي تحاول OpenGradient معالجتها.

الفكرة هي توزيع استدلال الذكاء الاصطناعي عبر شبكة بدلاً من الاعتماد على مكان واحد، ثم إضافة طبقة تحقق حتى يمكن فحص النتائج، وليس مجرد قبولها. إنها نهج أكثر تقنية، وأقل بريقًا، لكنها تركز على شيء حقيقي جدًا: الثقة والاتساق في مخرجات الذكاء الاصطناعي.

لا زال يبدو الأمر مبكرًا، وهناك الكثير مما سيعتمد على مدى نجاحه فعليًا في الممارسة. لكن الاتجاه منطقي. مع تحول الذكاء الاصطناعي إلى جزء من الأنظمة اليومية، فإن البنية التحتية وراءه تهم بقدر أهمية النماذج نفسها.

#opg $OPG @OpenGradient

كنت قريبًا من إضافة المزيد إلى مركز OpenGradient الخاص بي هذا الأسبوع، ثم أوقفت نفسي وعدت إلى شيء تعلمت أن أثق به أكثر من الاندفاع: ساعة أخرى من النظر إلى ما يتم بناؤه فعليًا.

ما كان يجذبني لم يكن الزاوية المتعلقة بالذكاء الاصطناعي. لقد رأيت ما يكفي من تلك القصص بالفعل. الجزء الذي بقي معي هو الطبقة التي تحتها — الطريقة التي يبدو أن النظام البيئي يفكر بها في المستخدمين، والبناة، والحوافز بعد أن تنتهي الموجة الأولى من الاهتمام.

هذا عادةً ما يكون حيث يبدأ الاختبار الحقيقي.

يمكن للعديد من مشاريع الكريبتو أن تجعل الناس ينظرون. لكن القليل جدًا يمكن أن يجعلهم يبقون. يمكنهم الإطلاق بسرد نظيف، وموقع ويب حاد، وعدد قليل من الكلمات الذكية، وسوق يريد أن يؤمن. ولكن بمجرد أن تستقر الضوضاء، ما يهم هو ما إذا كان لا يزال لدى أي شخص سبب للاستمرار في الظهور.

لقد رأيت هذا من قبل مرات عديدة. تبدو الفكرة جيدة بينما لا تزال جديدة، بينما يقتبس الجميع نفس المنشورات، بينما لا تزال الشمعة تخبر قصة. ثم ينتقل الاهتمام، ويتquiet الحشد، ويجب على المشروع البقاء على قيد الحياة بأكثر من الزخم. هنا يبدأ معظمهم في الظهور أضعف مما كانوا عليه في البداية.

أخذت مركز اختبار صغير قبل بضعة أسابيع، وما زلت غير مقتنع بما فيه الكفاية لزيادة حجمي. ليس لأنني أعتقد أنه لا شيء. بل لأنني كنت حول السوق لفترة طويلة بما يكفي لأعرف كم مرة يتم الخلط بين "المثير" و"الدائم".

هناك شيء في هذا يبدو مختلفًا قليلاً، على الرغم من أنني أقول ذلك بحذر. أستمر في ملاحظة التركيز على الهيكل بدلاً من الضوضاء، على الجزء الذي يأتي بعد العنوان، وليس قبله. وفي الكريبتو، هذا بالفعل يضعه في فئة مختلفة عن معظم ما يصبح صاخبًا لأسبوع وينتهي قبل أن تتذكر السوق اسمه.

#opg $OPG @OpenGradient

تتميز Bedrock لسبب يسهل تفويته في عالم الكريبتو: إنها لا تحاول الفوز من خلال جعل كل شيء أكثر صخبًا. يبدو أنها مهتمة أكثر بتحريك القيمة مع تقليل الهدر، وهذا يبدو أكثر عملية من كونه درامي. أستمر في التفكير في مقدار رأس المال في هذا المجال الذي يتعثر في أماكن تتوقف فيها المرونة، كما لو أن الفائدة تنتهي في اللحظة التي تبدأ فيها المكافأة. هذه هي النقطة التي تستحق المراقبة. ليس لأنها تبدو ثورية، ولكن لأنها تحل عادة حقيقية السوق لا تشكك فيها بما فيه الكفاية. لا زلت أكون حذرًا، لأن قصص الكفاءة يمكن أن تخفي تنازلات حقيقية. ولكن إذا كانت Bedrock تقرأ الوضع بشكل صحيح، فقد لا تكون التحولات الأكبر ضجة. قد تكون نوعًا أكثر هدوءًا من التقدم: الأصول التي تستمر في العمل بدلاً من أن تبقى جالسة هناك.

#bedroc $BR @Bedrock

لا يزال معظم الناس يصفون BTCFi بأبسط طريقة ممكنة: مكان أفضل لكسب بيتكوين.

هذا ليس خطأً، لكنه يبدو غير مكتمل.

ما يتغير فعليًا هو الطبقة الموجودة تحت المنتج. الجزء المثير للاهتمام ليس فقط من أين يأتي العائد، ولكن من أين تبدأ القرارات في التركيز. بمجرد أن يبدأ التوجيه، والتخصيص، والوصول في الحدوث من خلال نفس الأنظمة، لم يعد البروتوكول مجرد ربط المستخدمين بالفرص. إنه يشكل بهدوء أي الفرص التي تهم حتى.

هذا هو الجزء الذي يستحق المشاهدة. من السهل الاحتفال بالكفاءة عندما تكون الأسواق هادئة. السؤال الأصعب هو ماذا يحدث عندما تتغير الظروف ويميل الجميع إلى نفس البنية التحتية، نفس الإشارات، نفس الافتراضات. يمكن أن يبدو النظام متنوعًا على السطح وما زال يتصرف بطريقة مشابهة جدًا من الداخل.

لذلك لا أرى BTCFi 2.0 كنسخة أنظف من BTCFi 1.0. أرى تحولًا من المشاركة المبعثرة نحو التدفق المدعوم. قد يحسن ذلك السيولة ويقلل الاحتكاك. قد يجعل أيضًا الهيكل الخفي أكثر أهمية من المنتج المرئي.

إذا استمر هذا المسار في التطور، فقد تنتهي القيمة الحقيقية في الجلوس أقل في الرمز نفسه وأكثر في الطبقة التي تقرر أين يذهب رأس المال بعد ذلك.

هذا عادةً هو المكان الذي تبدأ فيه القصة الدائمة.

#bedroc $BR @Bedrock