W Shakespeare

اقرأ جزء بيانات الاعتماد القابلة للتحقق (Verifiable Credentials) في وثائق Newton Protocol، وتوقفت مرة أخرى عند تفصيل صغير جدًا.
بين حزمة كبيرة من أساليب الـ SDK التي تخدم Identity وVerification وCredential Management، ما يزال @NewtonProtocol يخصص طريقة كاملة لـ unlinkApp().
للوهلة الأولى، يبدو الأمر مجرد API لإلغاء ربط المستخدم بتطبيق (Application).
لكن كلما فكرت أكثر، أجد أن وجودها ربما يكون لافتًا أكثر من وظيفتها نفسها.
أي نظام لا يحتاج فعليًا إلى unlinkApp() إلا عندما تكون البدايات قد تضمنت قبولًا من الفريق بأن لدى المستخدم دائمًا حقوق الخروج (Exit Rights).
إذا كان هذا الافتراض صحيحًا، فقد يكون Newton Protocol يتبنى استراتيجية من نوع Voluntary Lock-in.
قد يبدو ذلك متناقضًا.
عادةً ما يتم إنشاء الـ Lock-in عبر زيادة متدرجة في Switching Costs، بحيث يصبح من الصعب على المستخدمين المغادرة مع مرور الوقت. لكن في Voluntary Lock-in تبقى إمكانية الرحيل دائمًا موجودة. الشيء الوحيد الذي يبقي المستخدمين هو قرارهم هم أنفسهم بالبقاء.
وهذا يعني أيضًا أن Newton Protocol يتخلى تقريبًا عن واحدة من أكثر الـ Competitive Moats شيوعًا لدى منصات Web3.
طالما أن الخروج محفوظ دائمًا، لا يمكن لـ Newton Protocol الاعتماد على Switching Costs لإبقاء Users.
برأيي، هذه هي النقطة الأهم التي تستحق التفكير.
إذا كان Voluntary Lock-in فعلًا خيارًا ضمن تصميم المنتج، فكل Active User لم يعد مجرد رقم للنمو.
بل يصبح دليلًا على أنه حتى عندما تكون حقوق الخروج متاحة دائمًا، فإنهم ما زالوا يواصلون اختيار البقاء.
بعبارة أخرى، قد لا يكون unlinkApp() مجرد طريقة في الـ SDK.
قد يكون إشارة صغيرة تُظهر أن Newton Protocol لا يرى الـ Lock-in ناتجًا عن حواجز، بل ناتجًا عن قرارات طوعية متكررة على مدار الوقت.
#Newt $MAGMA $LAB $NEWT

"السوق لا يُعد موجودًا حقًا إلا عندما يبدأ الطرفان في العثور على بعضهما البعض."
ظهرت هذه المقولة فجأة عندما علمت أن بروتوكول نيوتن يقوم ببناء Policy Marketplace.
في البداية، كنت أظن أنها مجرد مكان يمكن فيه للمطوّرين العثور على السياسات وتكاملها.
لكن عند التدقيق من زاوية Platform Economics، أرى أنها أقرب إلى Two-Sided Market أكثر من كونها marketplace تقليدية.
أحد الطرفين هو Supply. يقومون بتغليف الخبرات الأمنية ومتطلبات الامتثال والخبرة القانونية ضمن Policy-as-Code يمكن إعادة استخدامه مرات عديدة.
والطرف الآخر هو Demand. لا يشترون السياسات فقط لأنهم يحبونها. ما يحتاجونه هو الثقة والامتثال دون الاضطرار إلى بناء كل شيء من الصفر في كل مرة يطورون فيها Vault أو بروتوكول RWA أو Stablecoin أو حتى AI Agent.
في سوق مثل هذا، لا تكمن القيمة في وجود Supply كبير أو Demand كبير.
بل تكمن في Matching Efficiency.
إذا لم تصل سياسة عالية الجودة إلى المطوّر الذي يحتاجها بالضبط، فإن تلك الخبرة لا تخلق تقريبًا أي قيمة اقتصادية. وعلى العكس، إذا لم يتمكن المطوّر من العثور على السياسة المناسبة، فسوف يعود إلى بناء ما يحتاجه بنفسه، ما يعني أن Demand لن تتحول أبدًا إلى معاملات.
عندما ترتفع Matching Efficiency، يتغير سلوك الطرفين معًا. يصبح لدى Supply حافز لخلق المزيد من Policy-as-Code لأن احتمال استخدامها أعلى وبالتالي إيرادات أعلى. كما يميل Demand إلى اللجوء إلى الـ marketplace بدل التطوير الذاتي قبل بدء العمل، لأن تكاليف البحث والتكامل تنخفض باستمرار.
ربما هذا هو ما أجده مثيرًا للاهتمام في Policy Marketplace لدى نيوتن بروتوكول. @NewtonProtocol لا يكتفي فقط بربط Supply وDemand. بل يحاول أيضًا تحسين Matching Efficiency، بحيث تصبح القدرة نفسها على الربط بين الطرفين مصدرًا لتوليد السيولة ودفع الـ Two-Sided Market بأكمله للعمل بكفاءة أكبر.
#Newt $LAB $NEWT

في البداية، عندما علمت أن بروتوكول Newton يستخدم TypeScript لبناء Newton Vault SDK.
لقد اضطررت لأن أقول: "لماذا لا يستخدمون Python ويختارون TypeScript؟"
لأن الهدف هو خدمة AI Agents، فإن Python تكاد تكون الخيار الأكثر شيوعًا. لديها نظام بيئي ضخم جدًا لتعلّم الآلة، والتمويل الكمي.... ومن زاوية القدرات، تبدو هذه تقريبًا أسهل اختيار مفهوم.
لكن ربما لم يكن لدى Newton Protocol نية للمنافسة في مجال القدرات.
ما يستهدفونه هو Technology Half-life.
لدى منظومة الذكاء الاصطناعي عمر افتراضي قصير جدًا. اليوم يتحدث الناس عن نموذج جديد، وبعد بضعة أشهر يظهر framework جديد، أو agent framework جديد، أو مكتبة جديدة. ويظل Python دائمًا في قلب هذه التغييرات.
في المقابل، فإن Execution Stack لديه Technology Half-life أطول بكثير. يتم تحديث المحفظة والمتصفح والتوقيع والعقود الذكية باستمرار، لكن نادرًا ما يتم استبدالها.
وهذا هو المكان الذي يهيمن فيه TypeScript.
جعلني ذلك أرى Newton Vault SDK بطريقة مختلفة.
إذا اختار Newton Protocol Python، فسيتعين عليه العيش وفق إيقاع التغير في منظومة الذكاء الاصطناعي. في كل مرة يتحرك السوق، سيواجه الـ SDK ضغطًا للتكيف.
لكن عندما يتم وضع Vault SDK على TypeScript، فإن بروتوكول Newton يتعلق بطبقة بنية تحتية ذات Technology Half-life أطول بكثير. يمكن للذكاء الاصطناعي أن يبدّل "العقل" باستمرار، ولكن عندما تُمنح الصلاحية ويتم توقيع المعاملة، يعود سير العمل دائمًا إلى نفس بيئة التنفيذ.
ربما يكون اللافت في بروتوكول Newton أنهم لا يحاولون أن يقفوا على طبقة التكنولوجيا الأسرع في التغيير. بدلًا من ذلك، يتم وضع Vault SDK على Execution Stack ذات Technology Half-life أطول. عندما تتغير منظومة الذكاء الاصطناعي باستمرار، @NewtonProtocol لا يحتاجون للفوز في كل دورة من دورات الذكاء الاصطناعي. يكفيهم فقط تجاوز تلك الدورات. #Newt $TAIKO $NEWT

في البداية، كنت أظن أن VaultKit الخاص بـ Newton Protocol هو SDK يساعد الـ builder على إنشاء vault بسرعة أكبر.
لكن مع نفس VaultKit، يتحدث Newton Protocol أيضًا عن Institutional DeFi و AI Agents وحتى DeFi Whales. هذه المجموعات الثلاثة من المستخدمين لا يوجد بينها تقريبًا أي تشابه.
ثم أدركت أن ما يوزعه Newton Protocol لم يكن Vault أبدًا.
بل كانت Constraint Boxes.
يحتاج الـ institution إلى Compliance Box. تظل تدفقات الأموال تعمل، لكن لا يمكن لمس العناوين المدرجة في القوائم الممنوعة (sanctioned addresses)، ولا يمكن تجاوز سير عمل الموافقات (approval workflow)، ولا يمكن أيضًا الخروج عن تفويض/mandate الاستثمار.
أما الـ AI Agent فيحتاج إلى Behavior Box. ما زال له الحق في التداول، لكن كل إجراء يخضع لقيود مثل حدود الإنفاق (spending limits) وprotocol whitelist والقواعد المحددة مسبقًا.
وفي المقابل، عندما يودع DeFi Whale أموالًا في vault، فكل ما يحتاجه هو Trust Box، حيث لا يستطيع curator تغيير الاستراتيجية سرًا أو نقل الأصول إلى أماكن لم يتم الالتزام بها مسبقًا.
والأمر المثير للاهتمام أن هذه الـ Boxes الثلاثة مختلفة تمامًا، لكنها كلها تحل نفس المشكلة: تقييد الصلاحيات (authority) دون فقدان الأتمتة.
وهذا هو الوقت الذي بدأت فيه أنظر إلى VaultKit بطريقة مختلفة.
بدلًا من بيع طبقة أمنية عامة لجميع الحالات، تقوم Newton Protocol بتغليف أنواع مختلفة من Constraint Boxes لكل نوع من رأس المال ولكل نموذج تفويض (delegation). قد تحتاج كل شريحة من رأس المال إلى strategy مختلفة، لكن في النهاية يجب أن تعمل داخل Box مصمم بدقة وفق مستوى الصلاحيات الذي يكون المالك مستعدًا لتقديمه.
ربما هذا هو ما يلفت الانتباه حقًا في Newton Protocol. لا يحاول المشروع صنع Box واحد مناسب للجميع. بدلًا من ذلك، @NewtonProtocol đ đang يبني بنية تحتية يمكن لكل نوع من رأس المال فيها أن يعرّف Constraint Box الخاص به قبل أن يدخل في اقتصاد onchain.
#Newt $SYN $NEWT

في البداية ظننت أن VaultKit من بروتوكول Newton بُني للمؤسسات.
فالسياسات وضبط المخاطر أو الحوكمة هي لغة الصناديق، وليست لغة التجزئة.
ثم راودتني فكرة:
"إذاً، ماذا تستفيد التجزئة؟"
التجزئة لا تكتب السياسات بنفسها.
ولا تدير الـ vault بشكل ذاتي.
لكن كلما نظرت إلى آلية VaultKit، أدركت أنني أطرح سؤالًا خاطئًا.
نقطة اهتمامي ليست في السياسة نفسها.
بل في أن كل إجراء يقوم به curator أو AI Agent يجب أن يمر عبر السياسة قبل أن يُنفَّذ.
أي أن سلطة القرار لم تعد تعني القدرة على فعل كل شيء.
وهذا يخلق تغييرًا مثيرًا للاهتمام.
سابقًا، عندما يودع المستخدمون من التجزئة أموالهم في vault، كانوا في الحقيقة يثقون بحكم الـ curator.
إذا اتخذ مدير الإدارة قرارًا سيئًا، فلا توجد طبقات كافية تمنع حدوث ذلك.
VaultKit يغيّر مركز الثقة.
"لحظة..."
"هل لم أعد مضطرًا لأن أثق بمدى مهارة الـ curator؟"
كل ما أحتاجه هو أن أثق بأنهم لا يمكنهم تجاوز الحدود التي تم تعريفها مسبقًا.
هذه الآلية تجعل الثقة تنتقل تدريجيًا من الأشخاص إلى القيود.
وهذا هو بالضبط أسلوب المؤسسات في إدارة رأس المال.
لا يُمنح أحد كل الصلاحيات.
فالسلطة دائمًا مقرونة بقيود.
ويقوم Newton بنقل هذا الانضباط حرفيًا إلى onchain.
والأمر المثير هو أن التجزئة لا تحتاج إلى أن تصبح مؤسسة كي تستفيد منه.
ما زالوا يودعون أموالهم في الـ vault كما يفعلون عادةً.
الاختلاف فقط أن حوكمة المؤسسة لم تعد موجودة داخل العمليات الداخلية للصناديق.
بل أصبحت جزءًا من VaultKit نفسه.
وهذا أكثر شيء وجدته مثيرًا للاهتمام في VaultKit.
إنها تنقل الانضباط المؤسسي إلى التجزئة.
ربما تكون التجزئة أيضًا هي فئة المستخدمين التي يختارها بروتوكول Newton لتوسيع الثقة في vaults على onchain. $TAC $NEWT #Newt @NewtonProtocol

عندما رأيت أن OpenGradient Chat يتيح شراء Credit باستخدام بطاقة Credit/Debit Card، اعتقدت أنها مجرد طريقة لتسهيل الدفع للأشخاص الذين لا يستخدمون العملات الرقمية.
لكن كلما فكرت أكثر، أدركت أن OpenGradient يتخلى عن ميزة كانت تتمتع بها العديد من منتجات Web3.
مناعة Web3.
عند الدفع باستخدام العملات الرقمية، تكون المعاملة شبه غير قابلة للعكس.
بعد إرسال الأموال، ينتهي معظم الالتزام والمسؤولية عند مستوى المعاملة.
أما بطاقة Credit/Debit Card فتعمل بمنطق مختلف.
عند الانضمام إلى هذا النظام، يجب على OpenGradient أيضًا الالتزام بقواعد البنية التحتية التقليدية للمدفوعات، حيث لا تنتهي مسؤولية التاجر بمجرد اكتمال الدفع.
وهنا أدركت أن نجاح المعاملة لم يعد يعني أن الخدمة قد اكتملت.
يجب إصدار الـ Credit.
يجب أن تعمل الـ Inference.
يجب أن يحصل المستخدم فعليًا على الخدمة الصحيحة التي دفع مقابلها.
وهذا هو Service-Level Commitment لدى OpenGradient.
الالتزام لم يعد يقتصر على معالجة الدفع.
بل يمتد حتى يتم تسليم القيمة الفعلية للمستخدم.
وأعتقد أن هذا Service-Level Commitment له معنى كبير جدًا:
عندما يجب أن يتحمل @OpenGradient المسؤولية عن العملية بعد الدفع، فإن ما يبيعونه لم يعد مجرد قدرات ذكاء اصطناعي.
إنهم يبيعون كذلك عملية التسليم.
مهما كان النموذج قويًا، لن يكون لذلك معنى كبير إذا لم يتم إصدار الـ Credit بشكل صحيح، أو لم تعمل الـ inference باستقرار، أو انقطع استخدام تجربة OpenGradient Chat.
عندها تصبح عملية التسليم هي المنتج.
زر الدفع عبر Credit/Debit Card لا يضيف فقط طريقة دفع أخرى.
بل يُظهر أيضًا أن OpenGradient يضع نفسه بنفسه في معيار لا تُحدد فيه قيمة OpenGradient Chat فقط بواسطة النموذج، بل أيضًا بمدى قدرته الفعلية على تسليم ما تم الالتزام به.
$TAC #OPG $OPG

قبل يومين تناولت العشاء مع Trinh - وهي صديقة تعمل في مجال Web3.
قالت إن فريقها للتو أطلق توكنًا، وكانت الخطوة الأولى هي إيجاد مكان لإدخال التوكن في التطبيق: شراء حِزم استخدام، تفعيل ميزة، ثم الحصول على عروض ترويجية.
سألت: “هل يحتاج المستخدم إلى التوكن هناك؟”
قالت: “لا يهم، يكفي أن يضيف التوكن طلبًا (demand)”
جملتها جعلتني أفكر في OpenGradient Chat.
إذا نظرت جيدًا، توجد نقطة يمكن بسهولة أن تصبح طلبًا على التوكن، لكنها لم تُستخدم بالطريقة نفسها.
وهذه هي Credit.
يشتري المستخدم Credit باستخدام USDC، ثم يستخدم Credit في OpenGradient Chat. مسار الدفع واضح جدًا: يتم تحويل العملات المستقرة إلى Credit، ثم يتم تحويل Credit إلى usage.
إذا أرادت المنصة خلق طلب جديد لتوكن OPG، فيمكنها تمامًا السماح بشراء Credit باستخدام توكن OPG. عندها سيتم ربط التوكن بالمكان الذي يلامس فيه المستخدم المنتج فعليًا.
لكن OpenGradient لم يختر ذلك.
ومن منظور المستخدم، هذا القرار منطقي أكثر بكثير.
فمستخدم OpenGradient Chat على المدى الطويل يحتاج إلى تكلفة دخل ثابتة. يحتاج أن يعرف كم سيدفع ومقدار Credit الذي سيحصل عليه، ثم يستخدمه في سير العمل دون أن يضطر لحساب سعر التوكن.
إذا كان توكن OPG هو خطوة شراء Credit، فسيصبح على المستخدم أن يفكر أيضًا: متى يشتري؟ وهل سعر التوكن مرتفع أم منخفض...
أي أن المشروع قد يخلق طلبًا إضافيًا على التوكن، لكن الثمن يقع على تجربة المستخدم.
إنها User-First Token Discipline.
لا يقوم OpenGradient بإلقاء تقلبات السوق، ومخاطر التوقيت، واحتكاكًا ذهنيًا على المستخدم من أجل توسيع طلب التوكن.
إنهم يريدون بناء شيء طويل الأمد، ويريدون أن تكون تكلفة OpenGradient Chat سهلة بما يكفي للقياس، بحيث يعود المستخدم لاستخدامه كعادة عمل.
والجدير بالملاحظة: عندما يكون هناك حاجة لإضافة طلب (demand) مثل $OPG ، هل سيظل OpenGradient يقدّم تجربة المستخدم أولًا ويحافظ على User-First Token Discipline؟ ما زلت لا أملك إجابة لهذا السؤال.
$VELVET #OPG @OpenGradient
chat.opengradient.ai

لأول مرة أفتح Playground من OpenGradient، بحثت عن ميزة Temperature.
ثم Top-P.
ثم إعدادات الضبط المألوفة.
لكنني لم أجد شيئًا.
رد فعلي الأول كان بسيطًا جدًا:
"ينقص شيء بالفعل."
في عالم الذكاء الاصطناعي، تعوّدنا على أن القوة غالبًا ما تأتي معها مزيد من التحكم.
مزيد من المعلمات.
ومزيد من الأشياء التي يمكن ضبطها.
لكن حين أتمعّن، أرى أن الأشياء التي تركها Playground وراءه تبدو متناسقة للغاية.
فهي كلها أدوات مخصصة للمستخدمين الذين يريدون التعمّق في كيفية عمل الذكاء الاصطناعي وتحسين المخرجات وفق رغبتهم.
وهذا جعلني أسأل:
إذا لم يُبنَ Playground لهذا النوع من المستخدمين، فإذًا لمن تم بناؤه؟
ربما تكون الإجابة هي مطوّرو Web3.
قد يكون من يبني DApp بارعًا جدًا في العقود الذكية، لكنه ليس بالضرورة يريد تعلّم sampling أو temperature أو استراتيجية الضبط فقط من أجل دمج الذكاء الاصطناعي في منتج.
ومن هذا المنظور، تصبح الأشياء الناقصة في Playground أكثر معنى.
يبدو أن OpenGradient تحاول تقليل كمية المعرفة الخاصة بالذكاء الاصطناعي التي يجب على المطور حملها قبل أن يتمكن من استخدام النموذج.
اختيار النموذج.
إدخال input.
الحصول على output.
كلما قلّت الأشياء التي يجب تعلمها قبل البدء، أصبح إدخال الذكاء الاصطناعي إلى المنتجات أسهل.
وأعتقد أن هذا نوع من Cognitive Offloading.
تقوم OpenGradient بتحويل جزء من العبء المعرفي من المطور إلى المنصة.
والأمر المثير للاهتمام هو أن هذه الاستراتيجية تتخلى أيضًا عن فئة مهمة جدًا من المستخدمين: Power Users.
هؤلاء المستخدمون يريدون التحكم في كل المعلمات وتحسين كل تفصيل.
لكن ربما هذا هو المقايضة التي قبلت بها @OpenGradient .
فإن كان الهدف هو إدخال الذكاء الاصطناعي في المزيد من DApp، فقد يكون Cognitive Offloading أكثر أهمية من تحويل كل مطور Web3 إلى مهندس ذكاء اصطناعي.
$VELVET $OPG #opg
chat.opengradient.ai

في المرة الأولى التي أتصفح فيها Model Hub الخاص بـ OpenGradient، كنت أظن أن اختيار النموذج أمرٌ بسيط.
فقط ابحث عن النموذج المناسب لحالة الاستخدام—هذا يكفي.
لكن كلما نظرت أكثر، بدأت أرى أن هذا المعيار لا يساعد إلا في استبعاد النماذج غير المناسبة.
أما الجزء الصعب فيكمن في النماذج المتبقية.
يبدو أن كل نموذج يتفوّق في متغيّر مختلف.
هذا النموذج أقوى من ناحية القدرات.
ذاك لديه زمن استجابة أقل.
نموذج آخر يقدّم مخرجات أكثر ثباتًا.
لا يوجد نموذج يفوز في كل شيء.
عندها تبدأ المفاضلات (trade-off).
هل تريد قدرات أعلى؟
قد تحتاج إلى قبول زمن استجابة أكبر.
هل تريد مخرجات أكثر ثباتًا؟
قد تحتاج إلى التضحية بالمرونة.
هل تريد استجابات أسرع؟
قد تحتاج إلى قبول نموذج أضعف.
في البداية، كنت أعتقد أنني أقارن بين النماذج.
لكن كلما نظرت أكثر، أدركت أنني أحاول تحقيق توازن بين عدة متغيرات في آنٍ واحد.
وهذا هو أصعب جزء.
لأن الواقع أن معظم سير العمل نادرًا ما يكتفي بتحسين شيء واحد فقط.
القدرات مهمة.
وزمن الاستجابة مهم أيضًا.
والثبات كذلك.
المشكلة ليست في اختيار متغيّر واحد وتجاهل المتغيرات الأخرى.
المشكلة هي إيجاد نقطة توازن مناسبة بينها.
عندها أدركت أن الشيء الذي يجب فهمه أولًا ليس هو النموذج.
بل هو احتياجي أنا.
ما الذي يحتاجه سير العمل هذا فعلًا؟
أين الحد الذي يمكن قبوله؟
وأين المفاضلة التي لا يمكن قبولها؟
لذلك، لا تكمن القيمة الحقيقية لـ Model Hub في عدد النماذج.
بل في إجبار المستخدمين على أن يدركوا احتياجاتهم ويحللوها بوضوح أكثر.
لأنه عندما تكون لديك آلاف الخيارات، لا يعود السؤال هو:
“أي نموذج هو الأفضل؟”
بل يصبح:
“كيف أجد نقطة توازن تناسب سير العمل هذا؟”
$LAB $OPG #opg @OpenGradient

في البداية، كنت أعتقد أن أكبر قيمة في OpenGradient Chat تكمن في دمج نماذج رائدة مثل Gemini وClaude..
هذه هي أفضل النماذج حاليًا.
لكن بعد ذلك تساءلت:
ماذا يحدث إذا، في يومٍ ما، تغيّرت قوانين اللعبة لدى مزوّدي النماذج الرائدة؟
تغيّر التسعير.
تشدّد الحصص.
أو يتم تعديل السياسات.
كل ذلك يقع خارج نطاق سيطرة OpenGradient.
عندها بدأت أنظر إلى Model Hub باعتباره خطة بديلة لـ OpenGradient.
طبقة احتياط.
تكفي ليواصل النظام الأساسي العمل عندما تواجه الإمدادات مشكلة.
لكن كلما فكّرت أكثر، أدركت أن هذه التسمية غير كافية.
الخطة البديلة لا تكون لها قيمة إلا بعد وقوع العطل.
في حين أن القيمة الحقيقية لـ Model Hub تظهر قبل ذلك بوقت طويل.
أي منصة تعتمد على مزوّدي النماذج الرائدة تواجه دائمًا مخاطر الاحتجاز من جهة المورد (Vendor Lock-in).
هم يغيّرون التسعير.
أنت تدفع.
هم يغيّرون الشروط.
تتكيّف.
هم يغيّرون الشروط/الاعتبارات.
يكاد لا يبقى لديك خيار آخر.
Model Hub يغيّر ميزان القوى.
آلاف النماذج في Model Hub ليست فقط لتوسيع الخيارات.
بل تُنشئ مصدرًا بديلًا للإمداد، يكون جاهزًا دائمًا عند الحاجة.
وبفضل ذلك، @OpenGradient لم يعد مضطرًا للاعتماد بالكامل على مزوّدي النماذج الرائدة.
حتى عندما تظل النماذج الرائدة هي أفضل خيار، فإن الخيارات الأخرى تظل ذات قيمة.
إنها تمنحك الرافعة (Leverage).
ولا تتجلّى الرافعة بالفعل إلا عندما يتغير الواقع.
عندها يستطيع OpenGradient التفاوض.
ويمكنه التحوّل.
ويمكنه رفض الشروط غير المواتية بدلًا من قبولها فورًا.
عندها لا يكون Model Hub مجرد مكان لتخزين النماذج.
بل هو جهد لبناء السيادة (sovereignty).
تُعدّ السيادة مهمة بشكل خاص في سوق لا يزال معظم قدرات الذكاء الاصطناعي فيه تتركّز لدى عدد قليل من مقدمي الخدمات.
$BEAT $OPG #opg

عندما أستخدم Image Studio من OpenGradient، الانطباع الأول لي ليس عن الاندهاش البصري. إذا نظرنا فقط إلى كمية التفاصيل البصرية أو درجة السينمائية في الصور، يبدو أن Image Studio يتواضع بشكل كبير عندما نقارنه بمولد الصور الذكي المحترف مثل Midjourney. لكن هذا "التواضع" هو ما يجعل القيمة الجوهرية لهذه الأداة، لأن Image Studio يبدو أنه لم يتم تصميمه أبداً لإنشاء منتج نهائي. بدلاً من استهداف مجموعة المستخدمين مثل الفنانين الرقميين أو الفنانين المفاهيميين، اختار Image Studio مهمة أكثر هدوءًا: أن يكون مساعدًا قويًا للمدونين والباحثين ومنشئي المحتوى. في سير العمل لهؤلاء الأشخاص، نادراً ما تكون الصورة وجهة ليقوم المشاهد بفتحها والاستمتاع بجمالها المستقل. غالباً ما تظهر متداخلة داخل مقال، شريحة، أو ملاحظة بحثية. في هذه اللحظة، تتراجع الصورة خطوة للوراء لتقوم بدور مكون داخل لوحة تفسيرية أكبر. عندما ننظر إلى Image Studio من منظور مكون، تصبح معايير تقييم كل شيء مختلفة تمامًا. لا تحاول أن تتظاهر بأنها تنتج عملاً فنياً يمكن أن يقف بمفرده. بدلاً من ذلك، القوة الحقيقية لـ Image Studio تكمن في توافق المحتوى. الأهم ليس كيف تبدو الصورة رائعة، ولكن هل تساعد النص على العمل بسلاسة أكبر وتوصل فكرة بشكل أوضح أم لا. ليس دائماً ما نحتاج إلى تحفة فنية، أحياناً ما يحتاجه منشئ المحتوى حقاً هو مجرد مكون يعمل بكفاءة في مهمة توضيحه.

“إذا كانت الذكاء الاصطناعي يعالج الأمور بشكل أسرع وأرخص من البشر، هل سيخسر البشر وظائفهم؟”

هذه هي أكبر مخاوفنا بشأن الذكاء الاصطناعي في الوقت الحالي، وهذه القضية لم تعد بعيدة. كتابة المحتوى، تلخيص الملفات، كتابة الأكواد... الوظائف التي كانت في يوم من الأيام للبشر بدأت تدريجياً تتسلل إليها الذكاء الاصطناعي.

لذلك، عندما أرى OpenGradient، في البداية شعرت بشيء من الغرابة.

المشروع يتحدث كثيراً عن OpenGradient Chat، الذكاء الاصطناعي الخاص والاستدلال القابل للتحقق. ولكن مع الخوف من استبدال الوظائف، لا يضع OpenGradient هذا في مركز القصة.

للوهلة الأولى، يبدو أن ذلك قد يُفهم كتهرب.

مشروع ذكاء اصطناعي لا يتحدث كثيراً عن استبدال الوظائف يبدو غير مسؤول.

لكن عند التفكير بعمق، ليس هذا عدم كفاءة.

هذا هو الانضباط الاجتماعي.

استبدال الوظائف هو خطر على مستوى الاقتصاد والسياسات. يعتمد ذلك على كيفية إعادة هيكلة الشركة للقوى العاملة، السوق الذي يحدد قيمة المهارات، نظام إعادة تدريب العمال، والمجتمع الذي يحمي من يتم استبعادهم.

OpenGradient لا تتحكم في هذه المستويات.

شبكة ذكاء اصطناعي قابلة للتحقق لا يمكنها أن تقرر أي شركة ستفصل من، أو أن تعيد بناء سوق العمل بنفسها.

ما تتحكم فيه OpenGradient هو في مستواها: الخصوصية عند سؤال الذكاء الاصطناعي، كيفية معالجة الاستدلال...

مشروع جاد لا يجمع المخاوف الاجتماعية في السرد ليظهر كأنه كلي القدرة. يعرف تماماً أي القضايا تتعلق بنطاق المشروع، وأي القضايا تخص المجتمع."

OpenGradient لا تبيع وعوداً لإنقاذ سوق العمل.

إنها تبيع البنية التحتية لتستخدم البشرية الذكاء الاصطناعي في سياقات خاصة وقابلة للتحقق.

مع @OpenGradient ، لا أنتظر إجابة كبيرة حول استبدال الوظائف.

أنتظر لأرى ما إذا كان المشروع ستحافظ على الانضباط الاجتماعي: من يدري ما هو الجزء الذي يمكن لـ OpenGradient التحكم فيه وعليها القيام به بشكل جيد.
$OPG $BEAT #opg

منذ وقت قريب، كنت جالسًا أشاهد سير عمل ذكاء اصطناعي مع صديق يعمل على تطوير منتج.
على الشاشة كان “Model Hub” الخاص بـ OpenGradient. كان يختار نموذجًا لثلاث مهام: وسم الـ request، وإزالة التكرارات من البيانات (data deduplication)، وتوحيد/تنميط السجلات (standardize log).
سألته: “لماذا لا تختار نموذجًا رائدًا (frontier) لكي يكون الأمر مضمونًا؟”
أشار إلى عمود التكلفة (cost).
“مرة واحدة فحسب فالأمر مقبول. لكن هذا الـ pipeline يعمل عدة آلاف مرة في كل يوم. حتى بضعة سنتات إضافية تعتبر مشكلة.”
قبل ذلك، كنت ما زلت أظن أن النماذج الصغيرة والمتوسطة في Model Hub ليست سوى بقايا من سباق الـ frontier. وأن النموذج الكبير يجذب السرد، بينما النموذج الصغير يأتي خلفه لأنه يفتقر إلى الميزانية.
لكن سير العمل الحقيقي لا يختار النماذج بناءً على قوة الحوسبة.
إنه يختار بناءً على “Cost Discipline” (انضباط التكلفة).
خطوة واحدة لإزالة التكرارات في البيانات لا تحتاج إلى استدلال واسع. خطوة وسم الـ request لا تحتاج إلى دفع ثمَن قرارات على مستوى استراتيجية. خطوة توحيد السجلات لا تحتاج إلى استعارة بريق نموذج رائد.
النماذج الصغيرة والمتوسطة تنافس في هذا النطاق بالذات: مهام خفيفة، ضيقة، متكررة، وحدود قيمة منخفضة، لكنها كثيرة بما يكفي لتجعل التكلفة ضغطًا حقيقيًا.
وهنا يرتبط Model Hub الخاص بـ OpenGradient بهذه المشكلة. نماذجه ليست موجودة فقط هناك كملف تم رفعه. بل لديها وصف، وإصدار (version)، وطريقة ليتمكن المطور من استدعائها داخل الـ pipeline عند الحاجة.
وبفضل ذلك، لا يتعيّن على النماذج الصغيرة والمتوسطة أن تؤدي دور “نسخة أضعف” من نموذج الـ frontier. نموذج يفلتر النسخ المكررة لا يحتاج إلى الفوز في اختبارات الأداء (benchmark). يكفي أن يؤدي وظيفته بشكل صحيح، بسعر مناسب، وباستقرار كافٍ لكي يُستدعى مجددًا.
عندما يكون الذكاء الاصطناعي ما زال في مرحلة العرض (demo)، استخدام أقوى نموذج يجعل المنتج يبدو مدهشًا. أمّا عندما ينتقل الذكاء الاصطناعي إلى التشغيل الفعلي، فإن “Cost Discipline” هو الذي يقرر هل سيبقى الـ workflow قادرًا على العيش بعد آلاف المكالمات أم لا.
النماذج الموجودة في Model Hub الخاص بـ @OpenGradient تستهدف هذا النوع من “Cost Discipline” لتأخذ مكانها داخل سير العمل الخاص بمستخدمي (users).

$SYN $OPG #opg

في الأمس كان آخر يوم من الشهر، جلست في المقهى مع صديق.
كان يواصل رمي الـ prompt على الـ AI. ليس لأنه يحتاج استخدامه فورًا. فقط لأن الغد هو يوم إعادة تعيين monthly quota.
«إذا آخر الشهر وما استُخدم بالكامل فهناك رسوم.»
جملته جعلتني أفكر في OpenGradient Chat.
بعض منتجات الـ AI تعتمد اشتراكًا: تدفع شهريًا، يوجد monthly quota، وعندما ينتهي الدور يتم عمل reset. هذه الطريقة سهلة لخلق usage، لكنها أيضًا تخلق نوعًا من دفع المستخدمين بالهروب من خوف الهدر.
المستخدم لا يستخدم لأن المخرجات ضرورية فعلًا. المستخدم يستخدم لأن الإحساس بأن ما دفعه سيختفي قريبًا.
OpenGradient Chat يسلك اتجاهًا مختلفًا.
يشتري المستخدم Credits، ثم يُخصم بقدر ما يستخدمه. لا يتم reset الـ Credits مع الشهر. بل تبقى كميزانية للعمل، لا تسحب المستخدم إلى سباق آخر الدورة.
هذا جعلني أرى أن Credit ليست مجرد وحدة دفع.
بل Credit as a User Filter.
عندما تقل السرعة مع كل إجراء—تنقص balance، سواء كان ذلك prompt إنشائي أو استدعاء نموذج—فإن ذلك لا يعود يمكن إخفاؤه خلف إحساس «على أي حال لقد دفعت الاشتراك».
التكلفة تظهر فورًا في سلوك الاستخدام.
الشخص الذي يريد الحرق فقط للترفيه سيتباطأ تلقائيًا، لأن كل عبث يستهلك Credit. أما من لديه workflow حقيقي فسيتعلم كيف يوزع: اختبار خفيف عند الحاجة، refine عندما يكون مهمًا، وإنفاق قوي عندما تكون المخرجات ذات قيمة فعلًا.
لذلك لا يحتاج OpenGradient Chat إلى الإعلان عن من هو المستخدم الجاد.
Credits تكشف المستخدم من طريقة صرفه.
هذه هي النقطة التي أرى فيها @OpenGradient اختار خيارًا أصعب: عدم محاولة إبقاء كل نشاط قائمًا عبر قلق monthly quota.
المشروع لكي تسقط usages الفارغة تلقائيًا عندما يصبح cost لـ Credit واضحًا، ثم يُحتفظ بالمجموعة من المستخدمين الذين لديهم أسباب قوية كفاية للعودة.
بالنسبة لي، Credit as a User Filter هو استراتيجية فلترة المستخدمين الحقيقيين المستدامة في OpenGradient Chat. انظروا من يستمر في استخدام المنتج عندما يكون لكل إجراء ثمن.
$BTW $OPG #opg

قبل يومين، فتحت OpenGradient Chat لدوي - صديق لي يعمل في التسويق.
على الشاشة، رأى أن OpenGradient Chat مدمج فيه ChatGPT مباشرة في خيارات النموذج وسأل:
"إذا كنت تريد المنافسة مع الذكاء الاصطناعي المعروف، لماذا تضع الاسم الأكثر شهرة في الواجهة؟"
في البداية، شعرت أن الأمر غير منطقي قليلاً.
عادةً ما ترغب المشاريع الجديدة في الذكاء الاصطناعي في إثبات أن لديها تقنية خاصة بها. يبدو أن إدخال ChatGPT في المنتج ليس شيئًا جديدًا.
لكن بعد التفكير، أدركت أن هذه هي النقطة العملية لـ @OpenGradient .
ChatGPT ليس مجرد نموذج. إنه الاسم الذي يفهمه المستخدمون بالفعل قبل الحاجة إلى شرح. يعرفون كيف يسألون، يعرفون نوع الإجابات التي سيتلقونها، ولديهم مستوى من الثقة الأولية بالفعل.
بالنسبة للمنتج الجديد، الحاجز الأول ليس دائمًا هو الميزات. إنه السؤال: "هل يستحق هذا الذكاء الاصطناعي التجربة؟"
OpenGradient لا تجيب بمشروع عرض طويل. بل تضع اسمًا معروفًا في السوق في المنتج.
هذا هو Borrowed Fame. استغلال شهرة ChatGPT لكسر الشكوك الأولية. لكن الجزء الأعمق هو أن هذا الاستغلال موجود في سلوك استخدام المنتج.
لا يحتاج المستخدم إلى قراءة الإعلانات لفهم OpenGradient Chat. يرون ChatGPT، يسألون كعادة قديمة، ثم ينتقلون إلى الجزء الذي تريده OpenGradient أن يجربوه: Private Chat...
لذا، لا أنظر إلى دمج OpenGradient Chat مع ChatGPT كإضافة نموذج أو ميزة.
أراه كـ Marketing by Integration.
يدخل المستخدم لأنه يرى اسمًا مألوفًا. عندما تقل الشكوك الأولية، تتاح لـ OpenGradient Chat الفرصة لهم لتجربة بقية المنتج.
Borrowed Fame في هذه المرحلة لم يعد مجرد غلاف، بل تم دمجه مباشرة في نقطة البداية لتجربة المستخدم، مما يحول العادة القديمة إلى منصة لإطلاق سلوك جديد.
$BTW $OPG #opg
chat.opengradient.ai