Yoshi Invest

Tốn 2 Alpha Point để làm booster wallet #GRVT ngày 10/7, task cuối cùng là Creatorpad nhận thêm phân bổ $GRVT trong ngày TGE 21/7. Mình đã vộc vạch 4 giờ ở tầng bảo mật (security) của @grvt_io để mổ xẻ và nhận ra:
Khi "vô hình" trở thành đỉnh cao của bảo mật.
Trong Web3, những vụ hack triệu đô làm sập cả hệ thống luôn khiến chúng ta dè chừng. Hệ thống dù mạnh đến đâu vẫn luôn có rủi ro tiềm ẩn. Vậy làm sao để khi rủi ro xảy ra, tài sản của tôi vẫn tự động tìm đường bay về ví cá nhân một cách chủ động?

Và khi quyền lực tối cao thuộc về Blockchain, không thuộc về sàn.
Khi nạp tiền vào #grvt , tài sản không nằm trong "túi" của sàn mà được khóa trong một smart contract minh bạch on-chain. Sàn chỉ có quyền khớp lệnh hộ dựa trên chữ ký của tôi, tuyệt đối không thể tự ý dịch chuyển hay đóng băng số tiền đó.
Khi rủi ro xảy ra, user chỉ cần tương tác trực tiếp với smart contract phía dưới để kích hoạt "Cổng thoát hiểm khẩn cấp" (Escape Hatch). Sau thời gian quy định chờ sàn phản hồi mà không có tín hiệu, smart contract tự động mở khóa và trả toàn bộ tiền về ví cá nhân của user, sàn không thể can thiệp.
Nó hoạt động hoàn toàn độc lập và tự động làm vũ khí bảo mật "vô hình".
@grvt_io không cố xây một bức tường thật dày để bảo vệ sàn, mà họ thiết kế một cơ chế để: Hệ thống có thể sụp đổ, nhưng tài sản của user thì không.
Nó cần bảo mật nhiều lớp, phòng thủ chuyên sâu.
Một hệ thống an toàn không được phép phụ thuộc vào một lớp bảo vệ duy nhất.

Hybrid Exchange tương lai: Hiệu năng + niềm tin + an toàn tài sản.
Cuộc đua hạ tầng giao dịch, rõ ràng, đã dần bước sang một trang hoàn toàn mới.
#GRVT

Sau cú sập đầy tranh cãi của thị trường vào tháng 10/2025, niềm tin vào các CEX lại bị đặt dấu hỏi.

Trong khi sự minh bạch tuyệt đối của DEX khiến các quỹ đầu tư lớn và cá voi phải đối mặt với một thực tế khác: lộ ví, lộ chiến lược, và đánh mất lợi thế đầu tư trước các bot săn mồi MEV.

Một nghịch lý trớ trêu xuất hiện: Muốn an toàn thì phải minh bạch, nhưng minh bạch quá thì lại là "tự sát" về chiến lược.

Điều này khiến mình nhớ đến câu nói kinh điển của Ronald Reagan: "Trust, but verify" (Tin tưởng, nhưng phải xác minh).

Vậy niềm tin nên được đặt ở đâu để hệ thống vừa có thể kiểm chứng, vừa bảo vệ được quyền riêng tư chiến lược?

Đó chính là điểm chạm mà @grvt_io xuất hiện.

Thay vì bắt người dùng phải đánh đổi giữa quyền riêng tư chiến lược và khả năng kiểm chứng, #grvt giữ order flow ở off-chain để giảm tối đa nguy cơ lộ chiến lược của các quỹ lớn và cá voi.

Đổi lại, mọi kết quả khớp lệnh đều phải đi kèm một bằng chứng mật mã học được đưa lên on-chain để mạng lưới xác minh rằng trạng thái cuối cùng là hợp lệ. Điều đó giúp thu hẹp tối đa “hộp đen” mà trước đây người dùng buộc phải đặt niềm tin vào nhà vận hành.

Điều ZK-Proof thay đổi không phải là niềm tin, mà là phần nào còn phải dựa vào niềm tin.

GRVT không loại bỏ niềm tin. GRVT thu hẹp phạm vi của niềm tin.

Có lẽ tương lai, cuộc đua giữa các sàn giao dịch sẽ không còn là câu hỏi “ai đáng tin hơn”, mà là “ai thiết kế được mô hình niềm tin tốt hơn”.

Nếu niềm tin không thể biến mất, vậy điều quan trọng hơn có phải là xác định đúng nơi nó nên tồn tại? @grvt_io #grvt

Liệu matching (khớp lệnh) có thực sự cần Blockchain?
Phần lớn chúng ta từng có một giai đoạn mặc định ở Web3 rằng: càng đưa nhiều thứ lên on-chain càng tốt, blockchain xử lý càng nhiều việc càng hay.

Thoạt nhìn điều đó hoàn toàn hợp lý. Nhưng hệ thống buộc phải hy sinh tốc độ khớp lệnh, thậm chí tạo áp lực lớn lên cả mạng lưới blockchain chỉ vì hàng triệu lệnh đặt và hủy mỗi giây của các trader.

Có lẽ vấn đề chưa bao giờ là đưa bao nhiêu thứ lên blockchain, mà là điều gì thực sự CẦN blockchain. Nếu matching và settlement vốn có hai trách nhiệm hoàn toàn khác nhau, tại sao chúng lại phải chạy trên cùng một kiến trúc?

Điều khiến mình chú ý ở @grvt_io là họ không cố xây một hệ thống “ôm đồm” tất cả. Họ tách matching ra xử lý off-chain vì nhiệm vụ của nó chỉ là khớp các lệnh nhanh nhất có thể, điều cần tối ưu là hiệu năng và độ trễ thấp. Trong khi đó, settlement được giữ lại on-chain để làm đúng vai trò chuyển giao tài sản và ghi nhận trạng thái cuối cùng một cách bất biến.

Mỗi thành phần chỉ tập trung vào đúng trách nhiệm cốt lõi của mình. Matching không cần blockchain, settlement mới cần.
Điều #grvt tách ra không phải sản phẩm, đó là trách nhiệm của hệ thống.

Hybrid Exchange vì thế không đơn thuần là một từ khóa marketing kết hợp giữa CEX và DEX. Nó định hình một loại hạ tầng giao dịch mới: Quyền sở hữu tài sản thuộc về Blockchain, còn hiệu năng vận hành thuộc về hệ thống tinh chỉnh off-chain.
$LAB $DEXE

Đổi 15 phút 1 giao dịch lấy "tự do tài chính": Liệu có đáng?

Trải nghiệm “all-in-one” của CEX khiến mình quên mất việc đang giao tài sản cho bên thứ ba. Chỉ đến khi chuyển sang ví cá nhân, sự khác biệt mới hiện rõ: Giao dịch vài cú click trên CEX giờ thành 15 phút loay hoay nghĩ bước tiếp theo.

Vậy mà cuối cùng, mình vẫn quay lại CEX.
Ai trong crypto cũng từng nghe câu: “Not your keys, not your coins.” Chúng ta đều biết self-custody an toàn hơn.
Nhưng nếu vậy, tại sao CEX vẫn là lựa chọn của phần lớn người dùng?

Người dùng không từ chối self-custody. Họ chỉ từ chối một trải nghiệm khiến họ phải liên tục nghĩ về nó.
Người dùng không muốn self-custody.
Họ muốn quên rằng custody tồn tại.

Đó cũng là điều khiến mình chú ý khi đọc docs của GRVT. Thay vì xem self-custody là bài toán cần người dùng phải học cách thích nghi, họ xem trải nghiệm của self-custody mới là bài toán cần được thiết kế lại.
Bằng cách ứng dụng Account Abstraction (AA) và mô hình Hybrid Exchange, GRVT cho phép bạn tạo ví bằng chính tài khoản Google hay Apple, giúp bạn bấm trade mượt mà như CEX mà không cần liên tục ký duyệt (approve) từng lệnh. Tài sản vẫn là của bạn, nhưng trải nghiệm thì y hệt Web2.
GRVT không bắt đầu từ bài toán custody.
GRVT bắt đầu từ bài toán UX của self-custody.

Có lẽ tương lai cuộc cạnh tranh tiếp theo của Web3 sẽ không nằm ở việc ai cung cấp self-custody tốt hơn, mà ở việc ai khiến self-custody trở thành một phần tự nhiên của trải nghiệm.

Liệu khi self-custody trở nên “vô hình”, người dùng còn lý do gì để tiếp tục chọn CEX?
@grvt_io #grvt $TAC $LAB

Có lần mình chỉ muốn xử lý một giao dịch khá đơn giản.

Rút tài sản từ CEX về ví, bridge, approve, swap rồi tiếp tục sang một giao thức khác.

Mọi thứ đều hoạt động đúng như thiết kế. Nhưng đến khi xong việc, mình mới nhận ra điều khiến mình mệt nhất không phải phí giao dịch, mà là việc phải liên tục chuyển đổi giữa quá nhiều hệ thống chỉ để hoàn thành một mục tiêu.

Điều đó khiến mình đặt ra một câu hỏi: liệu vấn đề của crypto nằm ở từng sản phẩm, hay nằm ở cách những sản phẩm đó đang được ghép lại với nhau?

Đó là lý do mình chú ý đến GRVT và dành gần hai giờ để đọc kỹ docs của dự án.

Ban đầu mình chỉ nghĩ đây là một Hybrid Exchange. Nhưng càng đọc, mình càng nhận ra docs của GRVT không chỉ xoay quanh một tính năng, mà còn đề cập đến nhiều khía cạnh như trải nghiệm người dùng, bảo mật, quyền kiểm soát tài sản và kiến trúc giao dịch.

Liệu những cách tiếp cận của GRVT có thực sự đứng vững khi đi vào thực tế, hay chỉ hợp lý trên giấy?
@grvt_io #grvt $TAC $LAB

TỐC ĐỘ VÀ SỰ THẬT CỦA AI ON-CHAIN?
Tôi từng tự tay xây dựng hệ thống quản lý danh mục DeFi tự động: AI phân tích off-chain rồi gửi lệnh về Smart Contract qua API Web2. Lúc đầu chạy rất nhanh, nhưng khi dòng tiền thực tế vận hành, tôi rơi vào bất an: Làm sao chắc chắn server trung gian chạy đúng mô hình? Liệu kết quả có bị sửa đổi trước khi lên chuỗi?
Để giải quyết, tôi thử ép hệ thống chạy ZKML để AI tự chứng minh tính đúng đắn bằng toán học. Kết quả là một thảm họa hiệu năng: tốc độ xử lý chậm đi 1000 lần. Lệnh giao dịch mili-giây biến thành một hàng đợi. Hệ thống on-chain an toàn nhưng "rùa bò".

Tôi tiếp tục với Kiến trúc AI Lai (HACA) của @OpenGradient để tách rời quá trình suy luận (inference) và xác thực (verification) trên hai tuyến thời gian.
Mọi yêu cầu được chuyển thẳng đến các Node GPU, trả kết quả lập tức với độ trễ thấp như Web2 mà không cần chờ thời gian tạo khối on-chain. Sau đó, Node mới tạo bằng chứng mật mã nộp lên chuỗi cho các Full Node kiểm toán.
Xử lý triệt để rủi ro từ khoảng trễ thời gian từ lúc nhận kết quả đến khi xác thực xong.
Cơ chế này triệt tiêu độ trễ tạo khối, giải phóng áp lực, tối ưu trải nghiệm.
Tuy nhiên, hệ thống lúc này vẫn phải phụ thuộc vào tính toàn vẹn phần cứng của GPU.

AI on-chain chinh phục người dùng bằng sự tức thì và minh bạch. Góp ý của tôi cho #OPG là: $OPG không nên chỉ chứng minh tốc độ dApp như Web2 và bảo mật như Web3, mà còn cần chứng minh thêm tính toàn vẹn phần cứng GPU.

Nếu AI tương lai dịch chuyển từ tin tưởng vào lời hứa sang xác minh bằng toán học, thì cuộc đua AI không còn là "tốc độ hay bảo mật", mà là "tốc độ đạt niềm tin".

في الليلة الماضية عند الساعة 1 صباحًا، قمتُ بتبديل 0.7 ETH عبر 3 محافظ، ودفعْتُ رسوم غاز بقيمة 18.4 دولار، وتحمّلتُ انزلاقًا بنسبة 2.7%، وحتى نقرتُ على Approval بالخطأ مرةً أخرى...

كنتُ جالسًا أراقب Route وهو يدور عبر Bridge وAggregator، فكان الأمر مضحكًا نوعًا ما.

أحيانًا لا يخسر التشفير بسبب السوق.

يخسر لأن البنية/المنظومة التي نستخدمها معقّدة جدًا!

بصراحة، كنتُ أعتقد أن كل سلسلة جديدة، وآلة افتراضية جديدة، ومعمارية جديدة شيء جيد.

بدت فاخرة.

بدت كالمستقبل.

لكن عندما تبني فعليًا، تدرك أن أغلى شيء ليس رسوم الغاز، ولا رسوم التمويل، ولا حتى أمر PnL عند -46.8 دولار.

الأغلى هو إجبار المستخدمين على تغيير عاداتهم.

dApp يجعل الناس ينقلون السيولة، ويتعلمون تدفق المحفظة من جديد، ويفهمون Bridge مرة أخرى، وينتظرون Finality مرة أخرى... فكيف يختلف ذلك عن إجبار العملاء على تبديل مقاهي القهوة فقط لأن الكوب شكله أَفخم؟

السوق لا يهتم بأشياء تكون “صحيحة تقنيًا” لكن خاطئة سلوكيًا.

لهذا بدأتُ أُولي اهتمامًا إلى @OpenGradient ليس لأن كلمة AI تبدو لامعة.

بل لأن الطريقة التي تصيغ بها المشكلة مختلفة قليلًا: حافظ على توافق EVM، وSolidity، وسيولة حية (living Liquidity)، ثم أدخل استدلال AI كطبقة متوافقة مع EVM عبر Precompile.

يبدو الأمر صغيرًا.

بيانات الوضع — فجوة السعر عبر السلاسل — معنويات السوق → مخرجات AI قابلة للتحقق مع إثبات TEE، بحيث يمكن للعقد الذكي أن يعالج المنطق الشرطي بنفسه.

لا حاجة لهدم المنزل وإعادة بنائه.
لا حاجة لسحب المستخدمين في رحلة حج إلى سلسلة جديدة.

لدى Base سيولة، ولدى Arbitrum أصول، ولدى Optimism سلوك المستخدم؛ وإذا كانت استدعاءات Multi-chain AI يمكنها تجميع هذه القطع في مسار قرار واحد، فحينها سيوجد لدى توجيه DeFi AI أخيرًا أرضية حقيقية للتشغيل.

لم أعد أؤمن بعبارة: “ستنتصر التقنية الجيدة وحدها”.

التقنية الجيدة التي تجعل السوق يدفع احتكاكًا زائدًا ما زالت مجرد شريحة جميلة!

إذًا ما المسار الذي تختارونه أنتم: إعادة بناء كل شيء نظيفًا من الصفر، أم جعل ما هو موجود بالفعل يصبح أكثر ذكاءً؟
#OPG $OPG @OpenGradient $VELVET $LAB

أرى شيئًا مثيرًا للاهتمام:
في كل مرة يتم إدراج توكن على بورصة كبيرة.
كل جولة airdrop أو incentive تبدأ في جذب انتباه عدد كبير من المستخدمين.
لكن بعد انتهاء الأحداث، يختفي هؤلاء تقريبًا من السوق.
فما الذي يجعل توكن بنية تحتية للذكاء الاصطناعي قادرًا على الوجود ليبقوا دون أن يختفوا؟

تركّز معظم توكنات البنية التحتية للذكاء الاصطناعي حاليًا على جذب المستخدمين.

@OpenGradient يبني Model Hub، حيث يتم دفع كل طلبات الذكاء الاصطناعي بواسطة OPG. برأيي، هذه هي اللحظة التي لم يعد فيها التوكن مجرد أصل للمضاربة، بل أصبح جزءًا من كل مرة يتم فيها استخدام الذكاء الاصطناعي.

لتحقيق ذلك، #OPG دمج طبقة الدفع x402 مباشرة في كل طلب للذكاء الاصطناعي.

التمييز بين incentive و adoption. أحدهما يأتي من الفائدة الاقتصادية، والآخر يأتي من الحاجة الفعلية للاستخدام.

إذا كان incentive مثل المطر، فإن adoption هو المكان الذي يُخزَّن فيه الماء.
Incentive يجلب المستخدمين.
Adoption يبقيهم.

القيمة الاقتصادية لتوكن $OPG مستدامة لأنها مبنية على احتياج استخدام حقيقي.
وليست مبنية على مجرد الاهتمام.

إذا أراد بروتوكول ذكاء اصطناعي خلق قيمة اقتصادية مستدامة، فهو بحاجة إلى إثبات قدرته على التحويل من جذب الانتباه إلى الإبقاء.

ربما هذه نقطة قوة ونقطة ضعف في OPG معًا.
إذا كان هناك مجال للتعليقات، فأظن أن #OPG لا ينبغي أن يكتفي بإثبات أن x402 يعمل. يجب على OPG إثبات أن عددًا متزايدًا من طلبات الذكاء الاصطناعي لم يعد يمكن الاستغناء عن طبقة الدفع هذه. فقط عندما ينمو الاستخدام بشكل طبيعي، يستطيع التوكن الانتقال من قيمة متوقعة إلى قيمة يتم توليدها من احتياج فعلي.

إذا كان بإمكان أي بروتوكول ذكاء اصطناعي جذب الانتباه، فما الذي سيصبح ميزة تنافسية حقيقية لإبقاء المستخدمين؟

لوحة التحكم لدينا تُظهر أن زمن الوصول (latency) قد انخفض. لكن عدد مرات إعادة المحاولة (retry) قد ازداد.

الأمر الغريب هو أن النظام يبدو أسرع، لكن التجربة الفعلية أكثر عدم استقرارًا.

أحد التحقيقات التي قادتني إلى عقدة <@OpenGradient > التي اختارتها المنظومة لأنها الأقرب من الناحية الجغرافية، لذا فإن إرسال دفعات الاستدلال (inference) إليها كان اختيارًا منطقيًا.

أول ثلاث طلبات (requests) تجاوزت عتبة الـ retry تقريبًا على الفور.

في البداية عزوت ذلك إلى مهلة الاتصال (timeout). ثم إلى قائمة الانتظار (queue). بل وحتى شككت في إصدار جديد للنموذج. لكن عقدة أبعد ما زالت تعالج نفس حجم العمل دون أي مشكلة.

عندها أدركت أنني كنت أُحسّن المؤشر (metric) الخطأ.

المسافة تُخبرنا فقط بمكان بدء الطلب. لكنها لا تعكس الرحلة الكاملة التي يجب على الطلب إتمامها.

مسار الشبكة لدينا يمر عبر مسار توجيه مزدحم قبل الوصول إلى العقدة. يبدأ الاستدلال بسرعة، لكن إشارات التحقق (verification) لا تعود بشكل متساوٍ. ترى التطبيقات أن الاستدلال قد اكتمل، بينما لا تزال إشارة الثقة (trust) تصل متأخرة، ثم تقوم تلقائيًا بإعادة محاولة مهمة لم تفشل أصلًا.

المشكلة ليست في أن العقدة قريبة أو بعيدة.

بل في أن المؤشر الذي استخدمته للتحسين لا يقيس إلا جزءًا من مسار الطلب.

في النهاية، تصبح كل الأنظمة شيئًا تُحسِّنه مقاييسها.

وعند الرجوع إلى الوراء، لم أختر عقدة خاطئة.
أنا اخترت نقطة إنهاء القياس بشكل خاطئ.
اعتبرت أن الطلب اكتمل عندما انتهى الاستدلال (inference)، بينما مع <#OPG > لم تكتمل التجربة فعليًا إلا بعد انتهاء التحقق (verification).

إذا لم يكتمل الطلب إلا بعد التحقق، فيجب أن ينتهي المؤشر أيضًا هناك.

إذا اكتمل الاستدلال قبل اكتمال الثقة (trust)، فماذا ينبغي لنا حقًا أن نُحسّن؟
$OPG $CAP

عندما أحوّل بضعة ملايين دونغ فيتنامي، كل ما أحتاجه هو تأكيد بالوجه.

لكن عند توقيع عقد شراء منزل، أنا مستعد لقضاء وقت أطول في التحقق من كل بند.

والأمر المثير للاهتمام هو أنني لم أختر قط الطريقة الأقوى للتحقق لكل شيء.

لأن كل مستوى من الثقة له ثمن.

الوقت.

السهولة.

التكلفة.

وهذا جعلني أفكر في الذكاء الاصطناعي.

إذا كان الذكاء الاصطناعي سيخدم ملايين المهام المختلفة، فهل كل مهمة فعلًا تحتاج إلى نفس مستوى الثقة؟

@OpenGradient ينظر إلى المشكلة من زاوية مختلفة.

بدلًا من وجود طريقة تحقق واحدة فقط، يبني #OPG مستويات تحقق متعددة.

تحقق أساسي (Vanilla) للحالات التي تتطلب السرعة.

بيئة تنفيذ جديرة بالثقة (TEE) للتطبيقات التي تحتاج إلى موازنة بين الأداء والموثوقية.

ZKML للحالات التي تحتاج إلى أعلى مستوى من الضمانات التشفيرية.

بدل تطبيق معيار واحد على كل المواقف، يمكن لكل تطبيق اختيار مستوى التحقق المناسب لاحتياجاته.

ربما لا يتمثل مستقبل الذكاء الاصطناعي في خلق المزيد من الثقة.

بل في خلق المستوى الصحيح من الثقة اللازمة.
$OPG $DEXE $LAB

Một báo cáo sai số liệu.
Một email được gửi đi sai nội dung.
Sếp không hỏi:
"Sai ở đâu?"
Mà hỏi:
"Ai làm?"
Điều đó làm tôi nghĩ đến vấn đề xa hơn.
AI ngày càng phát triển và AI trở thành nhu cầu không thể thiếu trong đời sống con người.
Vậy bạn có bao giờ hỏi rằng:
Nếu AI làm sai thì ai chịu trách nhiệm?

Và trong @OpenGradient , câu hỏi này được nhìn theo một hướng khá thú vị.

Thay vì chỉ tập trung tạo ra kết quả.

#OPG đang xây dựng một Trust Layer, nơi mỗi quyết định đều có thể được truy ngược, thay vì chỉ để lại một kết quả mà không ai biết nó được tạo ra như thế nào.

Khi một quyết định có thể được truy ngược, trách nhiệm cũng có thể được quy ngược.

Một AI không trở nên đáng tin vì nó ít mắc lỗi hơn.

Nó trở nên đáng tin khi trách nhiệm được thiết kế ngay từ đầu, thay vì phải đi tìm sau mỗi sai sót.

Có lẽ tương lai của AI sẽ không còn là AI thông minh hơn.

Mà là AI đáng tin hơn.
$OPG $DEXE $SLX

10% مخصص للأفراد.
15% مخصص للتواصل.
قائمة تفصيلية وخطط وتجارب ودروس تراكمت على مر السنين. أنا أشارك كل شيء مع الذكاء الاصطناعي.

في البداية كانت مجرد محادثات.

لكن مع مرور الوقت، بدأ الذكاء الاصطناعي بتذكرها.

ما يتذكره الذكاء الاصطناعي ليس بيانات عشوائية.
بل هو كيف أعمل.
كيف أتخذ القرارات.
ما تعلمته على مدى سنوات عديدة.

المثير للاهتمام هو أنه إذا غدًا انتقلت إلى نموذج آخر، فإن الشيء الذي لا أريد فقدانه ليس النموذج.
بل هو كل ما تم تذكره.

وفي @OpenGradient ، يظهر هذا بوضوح.

MemSync لم يتم بناؤه فقط لمساعدة الذكاء الاصطناعي على التذكر.

بل تم بناؤه على افتراض أكبر:

الذاكرة هي شيء يمكن أن توجد كطبقة منفصلة.

وعندما تصبح الذاكرة بنية تحتية، قد لا تكون السؤال المهم هو:

"كم يمكن للذكاء الاصطناعي أن يتذكر؟"
بل هو:
"من يمتلك ذاكرة الذكاء الاصطناعي؟"

ربما الشيء الأكثر قيمة في الذكاء الاصطناعي في المستقبل ليس القدرة على التذكر.

بل هو حق الملكية على ما تم تذكره.
#OPG $OPG $DEXE $LAB

لماذا عندما يفتح شخص ما نموذج تسجيل للمشاركة، لا يملأونه على الفور؟
هم ينزلون مباشرة إلى الأسفل.
يبحثون عن سطر صغير جدًا:
"تم الموافقة عليه خلال 24-48 ساعة" أو "سنراجع طلبك"
ويكتفون برؤيته.
يتوقفون.
لا يسألون المزيد.
لا يحاولون البدء.
ليس لأنهم لا يريدون المشاركة.
ولكن لأنه في تلك اللحظة، لم يعد يُفهم فعل "المشاركة" كخطوة بداية.
لقد تم سحبه ليصبح شيئًا يجب قبوله قبل أن يُعتبر موجودًا.

لا يمكن للمرء أن يكون حراً حقًا في المشاركة إذا كان عليه الانتظار حتى يسمح له شخص ما بالبدء.

وهنا يأتي الاختلاف مع @OpenGradient .
في الوقت الحالي، يتم تحديد حق المشاركة من قبل مجموعة من الأشخاص الذين لديهم سلطة الموافقة.

#OPG يبني مستقبلًا حيث لا يقيّد الابتكار بسلطة الموافقة المسبقة.

مستقبل يصبح فيه المساهمة المفتوحة هي القاعدة.
ولا تحتاج المشاركة إلى ترخيص مسبق.

حيث يتم تحديد حق المشاركة من دون الحاجة إلى موافقة مسبقة.
يبدأ الأمر من اختيار الشخص للمشاركة.

ربما سيكون السؤال الأكثر أهمية ليس:
"كم عدد الأشخاص الذين يرغبون في بنائه؟"
ولكن:
"كم عدد الأشخاص الذين يُسمح لهم ببنائه؟"

مستقبل الذكاء الاصطناعي قد لا يُحدد من قبل النظم البيئية التي يهتم بها الكثير من الناس.
ولكن من قبل النظم البيئية التي يمكن أن يشارك فيها الكثير من الناس. $OPG $DEXE

يمكن لشخصين أن يمتلكا نفس المطبخ.

بنفس المكونات.

بنفس الأدوات.

لكن شخص واحد يواصل ابتكار أطباق جديدة.

بينما الشخص الآخر يكرر الأطباق المألوفة.

لماذا يؤدي نفس مجموعة الموارد، ولكن بطرق دمج مختلفة، إلى نتائج مختلفة؟

عندما يريد معظم الناس تحقيق اختراق، يبدأون غالبًا بالبحث عن شيء جديد.

أداة جديدة.

فكرة جديدة.

موارد جديدة.

هذه هي نوع من عمى إعادة التركيب.

نحن نركز كثيرًا على البحث عن مكونات جديدة لدرجة أننا نفوت القيم الجديدة التي تكمن في المكونات المتاحة.

الاختراق غالبًا لا يظهر من مكون جديد.

ولكن من كيفية دمج المكونات القديمة.

يواجه الذكاء الاصطناعي تحديًا مشابهًا.
ربما هذا هو السبب في ظهور @OpenGradient .

بينما تركز معظم أنظمة الذكاء الاصطناعي على إضافة المزيد من القدرات،
#OPG تبني البنية التحتية بحيث يمكن لتلك القدرات الحالية أن تخلق قيمة تتجاوز ذاتها.

مثل هذا المستقبل يحتاج:

✓ قابلية التشغيل المتداخل

✓ مكونات متخصصة

✓ بنية تحتية معيارية

✓ تنسيق مفتوح

نظام لا يصبح أكثر قيمة بسبب وجود المزيد من القدرات.

ولكن لأنه يمكنه إنشاء شيء جديد من القدرات الموجودة.

مستقبل الذكاء الاصطناعي قد لا ينتمي إلى أكبر النماذج.

ولكن إلى النظم البيئية التي لديها القدرة على إعادة التركيب بسرعة أكبر.

ربما السؤال الأكثر أهمية لن يكون:

"ما القدرات التي نفتقر إليها؟"

ولكن:

"هل استغللنا جميع القدرات المتاحة لدينا؟" #OPG $OPG @OpenGradient

في اليوم السابق، طلبت أكل من التطبيق.

الطبق اللي استلمته كان مختلف كثير عن الصورة.

الشيء اللي زعجني أكثر مو الأكل.

لكن لما حسيت أنه ما عندي طريقة للاعتراض.

بعد دقائق اكتشفت أنه لسه في زر للتعليق.

فجأة حسيت بالراحة.

رغم أنه كل شيء كان لسه ما انحل.

لما أفكر مليح، الشيء هذا غريب.

إيش اللي يخلي قرار معين يكون أسهل تقبلاً؟

الناس أقل تقبلاً للقرارات اللي ما يمكن استجوابها.

كل ما كان التأثير أكبر على الناس، كل ما كان القرار يحتاج استجواب.

لكن القرارات الأكثر تأثيراً غالباً هي القرارات الأصعب في الاستجواب.

أسمي هذا "درع التحدي".

حاجز غير مرئي يخلي القرارات اللي تحتاج استجواب تصير هي نفسها القرارات الأصعب في الاستجواب.

نظام أكثر موثوقية لما تكون قراراته قابلة للتحدي.

لكن إذا ما نعرف إذا القرار فعلاً قابل للتحدي أو لا.

فإحنا بعد ما نعرف إذا النظام هذا أكثر موثوقية أو لا.

هنا أشوف @OpenGradient تتجه نحو اتجاه مثير للاهتمام.

تسمح للقرارات أنها تُراجع، تُعارض وتُختبر.

وإذا كان هذا صحيح.

مستقبل الذكاء الاصطناعي يمكن ما يكون محدد بواسطة الأنظمة الأكثر موثوقية.

لكن بواسطة الأنظمة اللي تسمح بقراراتها أن تُتحدى أكثر.
#OPG $OPG

مؤخراً، لاحظت شيئاً غريباً.

الأشياء التي تنجح عادةً هي الأشياء التي يصعب تغييرها.
كلما كان النظام يعمل بشكل جيد.
كلما قل رغبة الناس في تغييره.

في البداية، يبدو أن هذا منطقي.

لكن ماذا يحدث عندما يستمر العالم في التغيير بينما النظام لا يتغير؟

الكثير من الأنظمة لا تختفي بسبب الفشل.
إنها تختفي بسبب النجاح لفترة طويلة جداً.
أطلق على ذلك "فخ التطور".
فخ يظهر عندما يؤدي النجاح الحالي إلى تآكل القدرة على التطور في المستقبل.

ربما لأن الأنظمة التي تدوم أطول ليست الأنظمة الأكثر اكتمالاً.

بل هي الأنظمة التي يمكن أن تتطور.

لكن ما الذي يجعل النظام يمكنه التطور؟

نظام يصعب التكيف معه إذا كانت كل تغيير جديدة تجبره على إعادة البناء من الصفر.
كل تغيير يصبح إعادة هيكلة.

ومع مرور الوقت.
يصبح من الأسهل البقاء كما هو بدلاً من التغيير.

وهذا هو اللغز @OpenGradient الذي يتم حله.
بدلاً من إجبار نظام الذكاء الاصطناعي على إعادة الهيكلة في كل مرة تظهر فيها قدرة جديدة.

#OPG يسمح لنظام الذكاء الاصطناعي بالتطور المستمر دون الحاجة إلى إعادة الهيكلة بالكامل.

يمكن أن تظهر مكونات جديدة دون أن توقف المكونات الحالية عن التنسيق مع بعضها.

عندما لا يعني التغيير إعادة الهيكلة.
لم يعد التطور تبادلاً.
إنه يصبح عملية مستمرة.

وإذا كان ذلك صحيحاً.
قد لا يتم تعريف مستقبل الذكاء الاصطناعي من خلال أقوى النماذج.

بل من خلال الأنظمة البيئية التي لديها القدرة على التطور الأسرع. #OPG $OPG

في الفترة الأخيرة، عندي عادة كسولة شوي.

كلما احتجت أبحث عن شيء، نادراً ما أنزل أتحقق من القائمة بالكامل. غالباً ما أكتفي بالنظر إلى الاقتراحات الأولى وبعدين أقرر على طول. بحس إني عم باختار. لكن لما أفكر مليح، أغلب الشغل صار من قبل. فيه حد قرر شو يظهر قدامي.

في هاللحظة، فجأة تذكرت @OpenGradient اللي عم يعمل شيء مثير جداً: تحويل الذكاء الاصطناعي من شيء لازم نثق فيه إلى شيء يمكن التحقق منه.

يبدو كأنها معضلة حول الذكاء الاصطناعي. بس أنا بشوف إنه في زاوية تانية تستحق التفكير أكثر.

إذا جاء يوم ووجدنا آلاف أو ملايين من الذكاء الاصطناعي موجودين مع بعض، يمكن أكبر مشكلة ما تعودش إنو أي ذكاء اصطناعي هو الأفضل.

لكن أي ذكاء اصطناعي يُستخدم.

في هالوقت، المستخدمين مش رح يقيموا كل ذكاء اصطناعي على حدة. رح يعتمدوا على طبقة نظام لتحديد أي ذكاء اصطناعي يظهر قدامهم، أي واحد يتم استدعاؤه وأي واحد يتم تجاهله.

هنا ألاحظ إنو معضلة الوصول بدأت تصير مثيرة.

التحقق يساعدنا نعرف إذا كان الذكاء الاصطناعي عم يشتغل صح أو لا. بس مين اللي يتحقق من النظام اللي عم يختار الذكاء الاصطناعي بدلاً عنا؟

إذا كانت طبقة الوصول هذي ما يمكن التحقق منها، فنحن بس عم ننقل الثقة من الذكاء الاصطناعي إلى بوابة جديدة.

يمكن لما يصبح الذكاء الاصطناعي فائض، أقوى ذكاء اصطناعي ما رح يكون هو الأكثر قوة.

لكن الشيء الأكثر قوة يمكن يكون النظام اللي يقرر أي ذكاء اصطناعي مسموح له يظهر.

لذلك إذا في اقتراح لـ @OpenGradient ، أعتقد إنه لا تكتفوا بالتحقق من الذكاء الاصطناعي.

حاولوا تلاقوا طريقة للتحقق من الشيء اللي يختار الذكاء الاصطناعي.

لأنه إذا كان الذكاء الاصطناعي بحاجة للتحقق، فشيء اللي يختار الذكاء الاصطناعي يمكن يحتاج للتحقق أكثر. #OPG $OPG

صباح اليوم، قعدت في القهوة مع واحد من الإخوان اللي عنده مطعم.

هو كان يشتكي إنه لما فتح المطعم، كان يشتغل لوحده ويمشي الحال. يروح السوق، يطبخ، يخدم الزبائن، ويحسب الحسابات.

لكن لما زاد الزبائن، ما عاد يقدر يسوي كل شي.

في البداية، كان يفكر إنه لازم يشتغل أسرع.

لكن الآن، تفكيره اختلف.

إذا كان يبغى المطعم يكبر، لازم يقسم الشغل.

و فجأة، جت في بالي OpenGradient.

في شي غريب.

المطعم يكبر عن طريق تقسيم الشغل.

لكن الذكاء الاصطناعي اليوم يكبر عن طريق دمج المهام في نظام واحد.

فإذا كان الذكاء الاصطناعي فعلاً بيكون بنية تحتية، هل بيكون مثل المطعم، ولا مثل الشي اللي نبنيه اليوم؟

لما يتطور النظام، الوظائف تبدأ تنفصل وتكون لها أدوار خاصة.

@OpenGradient يتجه نحو هذا الشي.

الكمبيوتر ينتج نتائج.

التحقق يثبت إذا كانت النتائج موثوقة أو لا.

لما هذين الدورين يكونوا مجتمعين في مكان واحد، النظام يكون عنده طريقة وحدة لبناء الثقة: يثق بنفسه.

لكن لما يتفصلوا، إنتاج النتائج والتحقق منها يصبحوا طبقتين مستقلتين.

هذا غالباً علامة على بنية تحتية قيد التكوين.

يمكن بنية الذكاء الاصطناعي أيضاً كذا.

تظهر لما يتفصل الكمبيوتر عن التحقق.

لكن الشي اللي يثير فضولي أكثر موجود في الخلف.

إذا كانت هذه القاعدة صحيحة، الكمبيوتر والتحقق ممكن يكونوا بس الخطوة الأولى.

يمكن بعد كم سنة ما عاد ننظر للذكاء الاصطناعي كنموذج.

لكن كنظام بيئي لأدوار مختلفة.

كل دور موجود لأنه يسوي حاجة وحدة بشكل جيد.

أو يمكن لا.

لكن إذا كان لازم أراهن، راح أراهن على الأنظمة اللي فيها الثقة ما تحتاج تثبت نفسها.#OPG $OPG

لقد أرسلت للتو تقريرًا إلى رئيسي.
رأيت أن العمل أصبح أسرع من أي مرة، لذلك استمتعت قليلًا.
بعد فترة اتصل بي رئيسي، وظننت أنه سيثني علي.
لكن اتضح أنه تعرض للتوبيخ لأن الأرقام كانت خاطئة تمامًا".
بعد أن أغلق المكالمة تذكرت: ذلك التقرير كنت قد كتبته باستخدام ChatGPT ولم أتحقق من أي سطر.

ما أوقفني لم يكن أن التقرير كان خاطئًا.
بل لأنني صدّقت إجابةً لدرجة أنني تجاهلت خطوة التحقق.

عندما ظهر ChatGPT لأول مرة، كان هذا الأمر صعبًا جدًا حدوثه.
كنت أتحقق من شبه كل شيء لأنه كان يخطي كثيرًا.
لكن الآن أصبحت الـAI أفضل بكثير.

وأعتقد أن هذا هو التغيير الأكثر مفاجأة.
ليس لأن الذكاء الاصطناعي أصبح أذكى.
بل لأن الذكاء الاصطناعي صار مألوفًا أكثر.
لا أحد يتحقق من الأشياء التي تعوّد على الثقة بها.

وهنا بدأت أرى مشكلة أخرى.
ماذا يحدث بعد أن يصبح الذكاء الاصطناعي جيدًا بما يكفي ليبدأ الناس في تصديقه؟

ربما تكون هذه أسئلة أكثر إثارة بكثير من مجرد التساؤل عن مقدار ذكاء الـAI الذي سيزداد.
وهنا تحديدًا بدأت @OpenGradient تبرز.

إن كان هناك ذكاء اصطناعي دقيقًا 99% من الوقت، فهذا يجعل الـ1% المتبقي أكثر أهمية من أي وقت مضى.
القدرة على توليد الإجابة.
والتحقق يحدد متى ينبغي تصديق تلك الإجابة.

المفارقة هي:
كلما كان الذكاء الاصطناعي أقوى.
كلما قلّ تحقّق البشر.
وعندما يقلّ التحقق يصبح التحقق Verification أكثر ضرورة.

إذا كان مستقبل الذكاء الاصطناعي هو استخدامه في كل مكان، فقد لا تكون السباق القادم حول خلق ذكاء أكبر.

بل حول مساعدة المستخدمين على معرفة متى ينبغي الثقة بذلك الذكاء.

ربما لهذا السبب أصبحت طبقات التحقق أكثر أهمية.

وهذا هو المكان الذي تركز فيه OpenGradient منذ وقت ليس بالبعيد.
كلما كان الذكاء الاصطناعي أقوى.
سيصبح سؤال: “هل هو صحيح؟” أهم من أي وقت مضى. #OPG $OPG

في عالم التكنولوجيا، أغلى الأخطاء عادةً ليست في حل المشكلة بشكل خاطئ.

بل في حل مشكلة بشكل جيد جداً لم يعد عنق الزجاجة.

قد تكون الذكاء الاصطناعي تقع في هذه الحالة.

غالبية السباق الحالي تدور حول فرضية: كلما كان النموذج أكثر ذكاءً، كلما زادت القيمة المولدة. لذلك تستمر الصناعة في ضخ المزيد من الحوسبة، والبيانات، ورأس المال في الذكاء.

لكن ماذا يحدث إذا لم يعد الذكاء هو عنق الزجاجة الأكبر؟

تظهر العديد من المشكلات المهمة في الذكاء الاصطناعي بعد أن يتم إنشاء الإجابة:

كيف نعرف أي نموذج قد تم تشغيله؟

كيف نعرف أن النتائج لم تتغير؟

كيف نتحقق بدلاً من مجرد الثقة؟

لم يعد الأمر يتعلق بالذكاء.

إنه يتعلق بالثقة.

تم بناء OpenGradient على هذا الفصل نفسه. تعتبر HACA التنفيذ والتحقق طبقتين مختلفتين.

إذا كانت هاتان الطبقتان مستقلتين حقاً، فإن النموذج الأقوى لن يولد تلقائياً ثقة أعلى.

إنها مقايضة ملحوظة.

تحسين الذكاء يساعد الذكاء الاصطناعي على إنتاج إجابات أفضل.

لكن ذلك لا يحل مسألة ما إذا كانت هذه الإجابات يمكن التحقق منها أم لا.

يمكن لصناعة أن تستمر في الاستثمار في المكان الذي كان في السابق أكبر عنق زجاجة.

لكن عندما يتغير عنق الزجاجة، ستزيد التكاليف بشكل أسرع من القيمة المولدة.

قد لا تفتقر الذكاء الاصطناعي إلى نماذج أكثر ذكاءً.

قد تفتقر إلى أنظمة تساعدنا على معرفة متى يجب علينا الثقة بها.
@OpenGradient #OPG $OPG