Binance Square
alexxy29
403 منشورات

alexxy29

176 تتابع
96 المتابعون
486 إعجاب
منشورات
·
--
عرض الترجمة
Một giao dịch bị chặn sẽ không bao giờ xuất hiện trên blockchain. Nhưng đôi khi đó mới là giao dịch quan trọng nhất. Phần lớn hạ tầng onchain được xây để ghi lại những gì đã xảy ra. Audit đến sau. Cảnh báo đến sau. Phân tích cũng đến sau. Những công cụ đó giúp chúng ta hiểu quá khứ. Nhưng chúng không thể thay đổi kết quả đã được ghi lên chain. Đó là lý do mình thấy Newton đi theo một hướng khá khác. Thay vì quan sát giao dịch sau khi được thực hiện, Newton kiểm tra giao dịch với các policy trước khi settlement và chỉ khi đáp ứng các điều kiện, giao dịch mới được phép tiếp tục. Nghe chỉ như đổi vị trí của một bước kiểm tra. Nhưng mình nghĩ điều thực sự thay đổi là vai trò của policy. Policy không còn dùng để giải thích điều đã xảy ra. Nó bắt đầu quyết định điều gì được phép xảy ra. Đó cũng là khác biệt giữa hai cách xây hạ tầng. Một bên cố gắng phát hiện rủi ro. Một bên cố gắng khiến rủi ro không bao giờ xuất hiện. Khi vaults, AI agents và các hệ thống tự động bắt đầu thay con người đưa ra hàng triệu quyết định mỗi ngày, mình nghĩ giá trị lớn nhất sẽ không nằm ở việc phát hiện thêm nhiều giao dịch xấu. Mà nằm ở số lượng giao dịch xấu không bao giờ được tạo ra. Có lẽ một ngày nào đó, thành công của một hạ tầng bảo mật sẽ không được đo bằng số lượng cảnh báo nó tạo ra. Mà bằng những sự cố không bao giờ cần xảy ra. #newt $NEWT $THE $VELVET What creates more value onchain?
Một giao dịch bị chặn sẽ không bao giờ xuất hiện trên blockchain.
Nhưng đôi khi đó mới là giao dịch quan trọng nhất.
Phần lớn hạ tầng onchain được xây để ghi lại những gì đã xảy ra.
Audit đến sau.
Cảnh báo đến sau.
Phân tích cũng đến sau.
Những công cụ đó giúp chúng ta hiểu quá khứ.
Nhưng chúng không thể thay đổi kết quả đã được ghi lên chain.
Đó là lý do mình thấy Newton đi theo một hướng khá khác.
Thay vì quan sát giao dịch sau khi được thực hiện, Newton kiểm tra giao dịch với các policy trước khi settlement và chỉ khi đáp ứng các điều kiện, giao dịch mới được phép tiếp tục.
Nghe chỉ như đổi vị trí của một bước kiểm tra.
Nhưng mình nghĩ điều thực sự thay đổi là vai trò của policy.
Policy không còn dùng để giải thích điều đã xảy ra.
Nó bắt đầu quyết định điều gì được phép xảy ra.
Đó cũng là khác biệt giữa hai cách xây hạ tầng.
Một bên cố gắng phát hiện rủi ro.
Một bên cố gắng khiến rủi ro không bao giờ xuất hiện.
Khi vaults, AI agents và các hệ thống tự động bắt đầu thay con người đưa ra hàng triệu quyết định mỗi ngày, mình nghĩ giá trị lớn nhất sẽ không nằm ở việc phát hiện thêm nhiều giao dịch xấu.
Mà nằm ở số lượng giao dịch xấu không bao giờ được tạo ra.
Có lẽ một ngày nào đó, thành công của một hạ tầng bảo mật sẽ không được đo bằng số lượng cảnh báo nó tạo ra.
Mà bằng những sự cố không bao giờ cần xảy ra. #newt $NEWT $THE $VELVET

What creates more value onchain?
🔘 Detecting bad transactions
71%
🔘 Preventing them
29%
7 الأصوات • تمّ إغلاق التصويت
صحيح جزئيًا
عرض الترجمة
Có một điều mình nghĩ sai khá lâu. Mình từng cho rằng nếu policy được viết đúng thì kết quả cũng sẽ đúng. Đọc @NewtonProtocol mới thấy điều đó chưa đủ. Cùng một policy. Chỉ cần thay vài tham số như giới hạn giao dịch, danh sách được phép hay thời gian hiệu lực, kết quả thực thi có thể hoàn toàn khác. Điều thú vị là logic không hề thay đổi. Thứ thay đổi là bối cảnh mà logic đó được áp dụng. Lúc đó mình nhận ra một điều. Trong nhiều hệ thống, thứ quyết định mức độ tin cậy không phải code. Mà là configuration. Code thường được audit. Configuration thì ít khi được nhìn kỹ như vậy. Trong khi chính nó mới là nơi những phán đoán của con người được đưa vào hệ thống. Newton làm khá hay khi mỗi lần PolicyClient thay đổi cấu hình sẽ tạo ra một policyId mới. Ít nhất người dùng biết rằng hệ thống đang thực thi theo một cấu hình khác trước. Nhưng mình vẫn còn một câu hỏi. Nếu hai ứng dụng dùng cùng một policy, nhưng cấu hình hoàn toàn khác nhau. Liệu chúng ta đang tái sử dụng cùng một bộ luật. Hay đang tạo ra hai hệ thống niềm tin khác nhau dưới cùng một cái tên? Có lẽ tương lai của policy sẽ không chỉ là minh bạch về logic. Mà còn phải minh bạch về những giả định được đưa vào trước khi logic bắt đầu chạy. #newt $NEWT $M What deserves more scrutiny in a policy system?
Có một điều mình nghĩ sai khá lâu.
Mình từng cho rằng nếu policy được viết đúng thì kết quả cũng sẽ đúng.
Đọc @NewtonProtocol mới thấy điều đó chưa đủ.
Cùng một policy.
Chỉ cần thay vài tham số như giới hạn giao dịch, danh sách được phép hay thời gian hiệu lực, kết quả thực thi có thể hoàn toàn khác.
Điều thú vị là logic không hề thay đổi.
Thứ thay đổi là bối cảnh mà logic đó được áp dụng.
Lúc đó mình nhận ra một điều.
Trong nhiều hệ thống, thứ quyết định mức độ tin cậy không phải code.
Mà là configuration.
Code thường được audit.
Configuration thì ít khi được nhìn kỹ như vậy.
Trong khi chính nó mới là nơi những phán đoán của con người được đưa vào hệ thống.
Newton làm khá hay khi mỗi lần PolicyClient thay đổi cấu hình sẽ tạo ra một policyId mới.
Ít nhất người dùng biết rằng hệ thống đang thực thi theo một cấu hình khác trước.
Nhưng mình vẫn còn một câu hỏi.
Nếu hai ứng dụng dùng cùng một policy, nhưng cấu hình hoàn toàn khác nhau.
Liệu chúng ta đang tái sử dụng cùng một bộ luật.
Hay đang tạo ra hai hệ thống niềm tin khác nhau dưới cùng một cái tên?
Có lẽ tương lai của policy sẽ không chỉ là minh bạch về logic.
Mà còn phải minh bạch về những giả định được đưa vào trước khi logic bắt đầu chạy.
#newt $NEWT $M

What deserves more scrutiny in a policy system?
🔘 The policy logic
100%
🔘 The configuration
0%
2 الأصوات • تمّ إغلاق التصويت
مقالة
عرض الترجمة
Crypto đã học cách chuyển tài sản. Nhưng niềm tin vẫn mắc kẹt ở từng giao thức.Crypto đã học cách chuyển tài sản. Nhưng vẫn chưa học cách chuyển quyền được sử dụng tài sản. Đó là khác biệt mình nhận ra khi nhìn vào cách hầu hết các giao thức đang hoạt động. Một stablecoin có thể đi qua nhiều chain. Một token có thể được bridge gần như ở bất cứ đâu. Nhưng những điều kiện đi kèm với nó thì thường bị bỏ lại phía sau. Một tổ chức được phép giao dịch ở giao thức này chưa chắc được chấp nhận ở giao thức khác. Một ví đã hoàn thành xác minh ở nơi này có thể phải làm lại từ đầu ở nơi khác. Tài sản di chuyển. Nhưng niềm tin thì không. Internet từng gặp một vấn đề tương tự. Trước khi có TCP/IP, các hệ thống vẫn có thể trao đổi dữ liệu. Điều còn thiếu không phải khả năng kết nối. Mà là một cách thống nhất để dữ liệu có thể đi qua nhiều mạng khác nhau mà không cần mỗi nơi hiểu lại từ đầu. Mình nghĩ onchain đang ở giai đoạn khá giống như vậy. Chúng ta đã xây được hạ tầng để chuyển giá trị. Nhưng chưa có một hạ tầng chung để chuyển điều kiện của giá trị. Đó là lý do mình nhìn @NewtonProtocol theo một góc khá khác. Mình không nghĩ Newton đang cố xây thêm một blockchain. Thứ dự án đang thử chuẩn hóa là cách các policy có thể đi cùng một giao dịch, thay vì bị giữ lại bên trong từng ứng dụng. Nếu điều đó xảy ra, một giao dịch sẽ không chỉ mang theo tài sản. Nó còn mang theo bằng chứng rằng tài sản đó đáp ứng những điều kiện cần thiết để được chấp nhận ở điểm đến. Đó là một thay đổi nhỏ về cách triển khai. Nhưng là một thay đổi rất lớn về cách các hệ thống bắt đầu tin tưởng lẫn nhau. Có lẽ hạ tầng quan trọng nhất của crypto trong vài năm tới sẽ không phải là nơi tài sản được lưu trữ. Mà là nơi niềm tin có thể di chuyển cùng tài sản. #newt $NEWT $BTC

Crypto đã học cách chuyển tài sản. Nhưng niềm tin vẫn mắc kẹt ở từng giao thức.

Crypto đã học cách chuyển tài sản.
Nhưng vẫn chưa học cách chuyển quyền được sử dụng tài sản.
Đó là khác biệt mình nhận ra khi nhìn vào cách hầu hết các giao thức đang hoạt động.
Một stablecoin có thể đi qua nhiều chain.
Một token có thể được bridge gần như ở bất cứ đâu.
Nhưng những điều kiện đi kèm với nó thì thường bị bỏ lại phía sau.
Một tổ chức được phép giao dịch ở giao thức này chưa chắc được chấp nhận ở giao thức khác.
Một ví đã hoàn thành xác minh ở nơi này có thể phải làm lại từ đầu ở nơi khác.
Tài sản di chuyển.
Nhưng niềm tin thì không.
Internet từng gặp một vấn đề tương tự.
Trước khi có TCP/IP, các hệ thống vẫn có thể trao đổi dữ liệu.
Điều còn thiếu không phải khả năng kết nối.
Mà là một cách thống nhất để dữ liệu có thể đi qua nhiều mạng khác nhau mà không cần mỗi nơi hiểu lại từ đầu.
Mình nghĩ onchain đang ở giai đoạn khá giống như vậy.
Chúng ta đã xây được hạ tầng để chuyển giá trị.
Nhưng chưa có một hạ tầng chung để chuyển điều kiện của giá trị.
Đó là lý do mình nhìn @NewtonProtocol theo một góc khá khác.
Mình không nghĩ Newton đang cố xây thêm một blockchain.
Thứ dự án đang thử chuẩn hóa là cách các policy có thể đi cùng một giao dịch, thay vì bị giữ lại bên trong từng ứng dụng.
Nếu điều đó xảy ra, một giao dịch sẽ không chỉ mang theo tài sản.
Nó còn mang theo bằng chứng rằng tài sản đó đáp ứng những điều kiện cần thiết để được chấp nhận ở điểm đến.
Đó là một thay đổi nhỏ về cách triển khai.
Nhưng là một thay đổi rất lớn về cách các hệ thống bắt đầu tin tưởng lẫn nhau.
Có lẽ hạ tầng quan trọng nhất của crypto trong vài năm tới sẽ không phải là nơi tài sản được lưu trữ.
Mà là nơi niềm tin có thể di chuyển cùng tài sản.
#newt $NEWT $BTC
عرض الترجمة
Niềm tin đôi khi không mất đi vì hệ thống gặp lỗi. Nó mất đi vì quá lâu rồi chẳng còn ai kiểm tra hệ thống nữa. Mình để ý điều này khi nhìn cách AI bắt đầu tham gia vào nhiều quyết định hơn. Từ giao dịch, phân bổ tài sản đến tự động hóa quy trình, càng nhiều việc được giao cho máy, con người càng ít nhìn vào từng bước ở giữa. Chỉ cần kết quả đúng vài lần, việc kiểm chứng dần biến thành một thói quen bị bỏ qua. Đó cũng là lúc mình nhìn Newton theo một cách khác. Phần thú vị của dự án không nằm ở policy hay verification. Nó nằm ở việc giữ cho quá trình kiểm chứng luôn tồn tại, ngay cả khi người dùng không còn chủ động thực hiện nó. Một giao dịch được chấp nhận không đồng nghĩa với việc quyết định phía sau nó đã đáng tin. Giống như một phép tính ra đúng kết quả không có nghĩa cách giải luôn đúng. Khoảng cách giữa hai điều đó sẽ càng quan trọng khi AI bắt đầu tự đưa ra quyết định thay con người. Mình nghĩ đây là khác biệt giữa một hệ thống đáng tin và một hệ thống chỉ quen thuộc. Hệ thống quen thuộc khiến người ta ngừng đặt câu hỏi. Hệ thống đáng tin luôn cho phép câu hỏi được trả lời. Có lẽ tương lai của AI sẽ không phụ thuộc vào việc chúng ta tin hệ thống nhiều đến đâu. Mà phụ thuộc vào việc chúng ta còn có thể kiểm chứng hệ thống đến đâu. #newt $NEWT $SYN $BTC What's more valuable in an AI-driven economy?
Niềm tin đôi khi không mất đi vì hệ thống gặp lỗi.
Nó mất đi vì quá lâu rồi chẳng còn ai kiểm tra hệ thống nữa.
Mình để ý điều này khi nhìn cách AI bắt đầu tham gia vào nhiều quyết định hơn.
Từ giao dịch, phân bổ tài sản đến tự động hóa quy trình, càng nhiều việc được giao cho máy, con người càng ít nhìn vào từng bước ở giữa.
Chỉ cần kết quả đúng vài lần, việc kiểm chứng dần biến thành một thói quen bị bỏ qua.
Đó cũng là lúc mình nhìn Newton theo một cách khác.
Phần thú vị của dự án không nằm ở policy hay verification.
Nó nằm ở việc giữ cho quá trình kiểm chứng luôn tồn tại, ngay cả khi người dùng không còn chủ động thực hiện nó.
Một giao dịch được chấp nhận không đồng nghĩa với việc quyết định phía sau nó đã đáng tin.
Giống như một phép tính ra đúng kết quả không có nghĩa cách giải luôn đúng.
Khoảng cách giữa hai điều đó sẽ càng quan trọng khi AI bắt đầu tự đưa ra quyết định thay con người.
Mình nghĩ đây là khác biệt giữa một hệ thống đáng tin và một hệ thống chỉ quen thuộc.
Hệ thống quen thuộc khiến người ta ngừng đặt câu hỏi.
Hệ thống đáng tin luôn cho phép câu hỏi được trả lời.
Có lẽ tương lai của AI sẽ không phụ thuộc vào việc chúng ta tin hệ thống nhiều đến đâu.
Mà phụ thuộc vào việc chúng ta còn có thể kiểm chứng hệ thống đến đâu. #newt $NEWT $SYN $BTC

What's more valuable in an AI-driven economy?
🔘 Trust
50%
🔘 Verifiability
50%
16 الأصوات • تمّ إغلاق التصويت
مقالة
عرض الترجمة
Newton không cố bỏ compliance. Newton cố làm nó biến mất khỏi trải nghiệm.Cuối tuần mình đọc lại Don't Make Me Think. Tiêu đề cuốn sách nghe rất đơn giản, nhưng có một ý mình nhớ khá lâu. Một sản phẩm tốt không phải sản phẩm có nhiều tính năng nhất. Mà là sản phẩm khiến người dùng gần như không phải dừng lại để nghĩ xem bước tiếp theo là gì. Đọc đến đó mình lại nghĩ đến crypto. Nếu có một thứ khiến trải nghiệm onchain liên tục bị ngắt quãng, thì có lẽ đó là compliance. Mỗi giao thức một bộ quy tắc. Mỗi lần chuyển tài sản lại thêm một bước xác minh. Đến cuối cùng, điều người dùng nhớ không phải sản phẩm họ vừa dùng, mà là những gì họ phải vượt qua để dùng được nó. Điều thú vị là mình không nghĩ mọi người ghét compliance. Họ chỉ ghét việc phải liên tục nhận ra sự tồn tại của nó. Đó là điều khiến mình thấy Newton đi theo một hướng khá khác. Thay vì thêm policy sau khi giao dịch diễn ra, @NewtonProtocol đưa policy vào ngay trước khi giao dịch được thực thi. Hệ thống kiểm tra các điều kiện cần thiết trước khi settlement và chỉ khi đáp ứng policy, giao dịch mới được tiếp tục. Nghe chỉ như đổi vị trí của một bước kiểm tra. Nhưng mình nghĩ điều thực sự thay đổi là trải nghiệm. Compliance không còn là thứ xuất hiện để làm gián đoạn hành động. Nó trở thành một phần của chính hành động đó. Tuy nhiên, mình cũng nghĩ một trải nghiệm tốt không có nghĩa là mọi thứ đều vô hình. Nếu giao dịch bị từ chối, người dùng vẫn cần biết vì sao. Niềm tin không đến từ việc hệ thống tự xử lý mọi thứ. Nó đến từ việc hệ thống có thể giải thích những quyết định đã được đưa ra. Có lẽ tương lai của compliance sẽ không phải là thêm nhiều quy tắc hơn. Mà là thiết kế chúng tốt đến mức phần lớn thời gian người dùng không cần nghĩ về chúng, nhưng khi cần, họ luôn hiểu điều gì đang xảy ra. #newt $NEWT $BTC

Newton không cố bỏ compliance. Newton cố làm nó biến mất khỏi trải nghiệm.

Cuối tuần mình đọc lại Don't Make Me Think. Tiêu đề cuốn sách nghe rất đơn giản, nhưng có một ý mình nhớ khá lâu.
Một sản phẩm tốt không phải sản phẩm có nhiều tính năng nhất.
Mà là sản phẩm khiến người dùng gần như không phải dừng lại để nghĩ xem bước tiếp theo là gì.
Đọc đến đó mình lại nghĩ đến crypto.
Nếu có một thứ khiến trải nghiệm onchain liên tục bị ngắt quãng, thì có lẽ đó là compliance.
Mỗi giao thức một bộ quy tắc.
Mỗi lần chuyển tài sản lại thêm một bước xác minh.
Đến cuối cùng, điều người dùng nhớ không phải sản phẩm họ vừa dùng, mà là những gì họ phải vượt qua để dùng được nó.
Điều thú vị là mình không nghĩ mọi người ghét compliance.
Họ chỉ ghét việc phải liên tục nhận ra sự tồn tại của nó.
Đó là điều khiến mình thấy Newton đi theo một hướng khá khác.
Thay vì thêm policy sau khi giao dịch diễn ra, @NewtonProtocol đưa policy vào ngay trước khi giao dịch được thực thi. Hệ thống kiểm tra các điều kiện cần thiết trước khi settlement và chỉ khi đáp ứng policy, giao dịch mới được tiếp tục.
Nghe chỉ như đổi vị trí của một bước kiểm tra.
Nhưng mình nghĩ điều thực sự thay đổi là trải nghiệm.
Compliance không còn là thứ xuất hiện để làm gián đoạn hành động.
Nó trở thành một phần của chính hành động đó.
Tuy nhiên, mình cũng nghĩ một trải nghiệm tốt không có nghĩa là mọi thứ đều vô hình.
Nếu giao dịch bị từ chối, người dùng vẫn cần biết vì sao.
Niềm tin không đến từ việc hệ thống tự xử lý mọi thứ.
Nó đến từ việc hệ thống có thể giải thích những quyết định đã được đưa ra.
Có lẽ tương lai của compliance sẽ không phải là thêm nhiều quy tắc hơn.
Mà là thiết kế chúng tốt đến mức phần lớn thời gian người dùng không cần nghĩ về chúng, nhưng khi cần, họ luôn hiểu điều gì đang xảy ra.
#newt $NEWT $BTC
مقالة
بروتوكول نيوتن ليس مشكلة ذكاء اصطناعي. بل هو مشكلة أنظمة موزعة.ينظر معظم الناس إلى بروتوكول نيوتن ويرون وكلاء ذكاء اصطناعي، وسلسلة بلوكشين، وتنفيذًا ذاتيًا. أعتقد أن هذا هو السطح فقط. التحدي الهندسي الحقيقي ليس بناء ذكاء اصطناعي ذاتي. بل هو بناء نظام موزع يجعل الذكاء الاصطناعي الذاتي موثوقًا عندما يتفاعل مع مستخدمين حقيقيين ورأس مال حقيقي وبنية تحتية للإنتاج. يبدأ كل تنفيذ بطلب من المستخدم. يجمع أحد العوامل البيانات. يتخذ نموذج قرارًا. يتم التحقق من الأذونات. تُطبَّق ضوابط المخاطر. تُنفَّذ المعاملات وفي النهاية تُسوَّى على السلسلة (on-chain).

بروتوكول نيوتن ليس مشكلة ذكاء اصطناعي. بل هو مشكلة أنظمة موزعة.

ينظر معظم الناس إلى بروتوكول نيوتن ويرون وكلاء ذكاء اصطناعي، وسلسلة بلوكشين، وتنفيذًا ذاتيًا.
أعتقد أن هذا هو السطح فقط.
التحدي الهندسي الحقيقي ليس بناء ذكاء اصطناعي ذاتي. بل هو بناء نظام موزع يجعل الذكاء الاصطناعي الذاتي موثوقًا عندما يتفاعل مع مستخدمين حقيقيين ورأس مال حقيقي وبنية تحتية للإنتاج.
يبدأ كل تنفيذ بطلب من المستخدم.
يجمع أحد العوامل البيانات. يتخذ نموذج قرارًا. يتم التحقق من الأذونات. تُطبَّق ضوابط المخاطر. تُنفَّذ المعاملات وفي النهاية تُسوَّى على السلسلة (on-chain).
عرض الترجمة
Mình từng nghĩ blockchain đã ghi lại mọi thứ quan trọng của một giao dịch. Đến một lúc mình mới nhận ra, thứ mình muốn biết nhất lại thường không nằm trên chain. Vì sao giao dịch đó được phép diễn ra? Một giao dịch có thể hoàn toàn hợp lệ. Đúng chữ ký. Đúng smart contract. Đúng quy trình. Nhưng tất cả chỉ cho biết điều gì đã xảy ra. Chúng không giải thích vì sao hệ thống cho phép nó xảy ra. Có lẽ điều này chưa quá quan trọng khi mọi quyết định đều do con người đưa ra. Nhưng AI agents, delegated wallets hay các chiến lược tự động đang dần thay đổi điều đó. Khi máy bắt đầu quyết định thay chúng ta, niềm tin không còn đến từ việc giao dịch được thực hiện. Nó đến từ việc quyết định đó đã được kiểm tra trước khi thực thi. Đó là lý do mình thấy @NewtonProtocol đi theo một hướng khá thú vị. Thay vì chỉ ghi nhận kết quả sau khi giao dịch hoàn tất, Newton kiểm tra mỗi giao dịch với các policy trước khi settlement và tạo ra một bằng chứng có thể xác minh về quyết định đó. Mình nghĩ đây mới là phần còn thiếu của onchain. Blockchain lưu lại hành động. Newton lưu lại lý do đằng sau hành động. Một giao dịch chỉ diễn ra một lần. Nhưng nếu phần "lý do" đó có thể tiếp tục được các protocol, AI agents hay hệ thống quản lý rủi ro tham chiếu, giá trị của nó có thể còn lớn hơn chính giao dịch. Có lẽ khi onchain ngày càng tự động, thứ tạo ra niềm tin sẽ không chỉ là lịch sử của các giao dịch. Mà là lịch sử của những quyết định đã được phép diễn ra. #newt $NEWT $SYN
Mình từng nghĩ blockchain đã ghi lại mọi thứ quan trọng của một giao dịch.
Đến một lúc mình mới nhận ra, thứ mình muốn biết nhất lại thường không nằm trên chain.
Vì sao giao dịch đó được phép diễn ra?
Một giao dịch có thể hoàn toàn hợp lệ.
Đúng chữ ký.
Đúng smart contract.
Đúng quy trình.
Nhưng tất cả chỉ cho biết điều gì đã xảy ra.
Chúng không giải thích vì sao hệ thống cho phép nó xảy ra.
Có lẽ điều này chưa quá quan trọng khi mọi quyết định đều do con người đưa ra.
Nhưng AI agents, delegated wallets hay các chiến lược tự động đang dần thay đổi điều đó.
Khi máy bắt đầu quyết định thay chúng ta, niềm tin không còn đến từ việc giao dịch được thực hiện.
Nó đến từ việc quyết định đó đã được kiểm tra trước khi thực thi.
Đó là lý do mình thấy @NewtonProtocol đi theo một hướng khá thú vị.
Thay vì chỉ ghi nhận kết quả sau khi giao dịch hoàn tất, Newton kiểm tra mỗi giao dịch với các policy trước khi settlement và tạo ra một bằng chứng có thể xác minh về quyết định đó.
Mình nghĩ đây mới là phần còn thiếu của onchain.
Blockchain lưu lại hành động.
Newton lưu lại lý do đằng sau hành động.
Một giao dịch chỉ diễn ra một lần.
Nhưng nếu phần "lý do" đó có thể tiếp tục được các protocol, AI agents hay hệ thống quản lý rủi ro tham chiếu, giá trị của nó có thể còn lớn hơn chính giao dịch.
Có lẽ khi onchain ngày càng tự động, thứ tạo ra niềm tin sẽ không chỉ là lịch sử của các giao dịch.
Mà là lịch sử của những quyết định đã được phép diễn ra.
#newt $NEWT $SYN
هل سبق لك أن نقرت على شارة "موثّق" لترى ما الذي تتحقق منه فعليًا؟ لم أفعل. بمجرد أن أرى علامة تحقق خضراء أو وسم "موثّق"، أفترض تلقائيًا أن كل ما وراءها قد تم التحقق منه بالفعل. أعتقد أن معظمنا يفعل ذلك. لكن قراءة معلومات عن OpenGradient جعلتني أشك في هذه العادة. يمكن لنظام أن يعمل داخل بيئات التنفيذ الموثوقة (TEEs). يمكنه إنشاء إثباتات تشفيرية. يمكنه الحفاظ على سلسلة إثبات كاملة لكل استدلال. لكن يكاد لا أحد ينظر إلى تلك الطبقات. ننظر إلى الواجهة. شارة. ملصق حالة. علامة تحقق خضراء. وهذا ما جعلني أتساءل. ماذا يحدث عندما تصبح الواجهة أكثر ثقة من الدليل الذي تمثّله؟ ما يزال الدليل موجودًا. ولا تزال عملية التحقق مستمرة. ومع ذلك، تنتهي ثقتنا في النهاية مرتبطة بالأسهل في الرؤية، لا بالأمر الذي يستحق ثقتنا فعليًا. ربما تكون هذه إحدى التحديات التي يتم تجاهلها في الذكاء الاصطناعي. إن بناء استدلال يمكن التحقق منه هو مشكلة هندسية. ومساعدة الناس على وضع ثقتهم في الدليل بدلًا من الاختصار البصري هي مشكلة تصميم. النظام الموثوق ليس ذاك الذي تحل فيه الواجهة محل الدليل. بل هو الذي تعكس فيه الواجهة الدليل بدقة من خلفها. إحدى أكثر الأفكار إثارة للاهتمام التي خرجت بها من قراءة @OpenGradient #opg $OPG $VELVET $AGLD إذا كان الدليل موجودًا لكن لا أحد يتحقق منه... فما الذي يثق به الناس حقًا؟
هل سبق لك أن نقرت على شارة "موثّق" لترى ما الذي تتحقق منه فعليًا؟
لم أفعل.
بمجرد أن أرى علامة تحقق خضراء أو وسم "موثّق"، أفترض تلقائيًا أن كل ما وراءها قد تم التحقق منه بالفعل.
أعتقد أن معظمنا يفعل ذلك.
لكن قراءة معلومات عن OpenGradient جعلتني أشك في هذه العادة.
يمكن لنظام أن يعمل داخل بيئات التنفيذ الموثوقة (TEEs).
يمكنه إنشاء إثباتات تشفيرية.
يمكنه الحفاظ على سلسلة إثبات كاملة لكل استدلال.
لكن يكاد لا أحد ينظر إلى تلك الطبقات.
ننظر إلى الواجهة.
شارة.
ملصق حالة.
علامة تحقق خضراء.
وهذا ما جعلني أتساءل.
ماذا يحدث عندما تصبح الواجهة أكثر ثقة من الدليل الذي تمثّله؟
ما يزال الدليل موجودًا.
ولا تزال عملية التحقق مستمرة.
ومع ذلك، تنتهي ثقتنا في النهاية مرتبطة بالأسهل في الرؤية، لا بالأمر الذي يستحق ثقتنا فعليًا.
ربما تكون هذه إحدى التحديات التي يتم تجاهلها في الذكاء الاصطناعي.
إن بناء استدلال يمكن التحقق منه هو مشكلة هندسية.
ومساعدة الناس على وضع ثقتهم في الدليل بدلًا من الاختصار البصري هي مشكلة تصميم.
النظام الموثوق ليس ذاك الذي تحل فيه الواجهة محل الدليل.
بل هو الذي تعكس فيه الواجهة الدليل بدقة من خلفها.
إحدى أكثر الأفكار إثارة للاهتمام التي خرجت بها من قراءة @OpenGradient
#opg $OPG $VELVET $AGLD

إذا كان الدليل موجودًا لكن لا أحد يتحقق منه...
فما الذي يثق به الناس حقًا؟
The proof
67%
The interface
0%
The company
0%
Nothing
33%
3 الأصوات • تمّ إغلاق التصويت
في كل مرة أقرأ فيها وثيقة whitepaper لمشروع ذكاء اصطناعي، أرى دائمًا قائمة طويلة جدًا بالأشياء التي يريدون تحسينها. أسرع. أرخص. أذكى. أقل مركزية. الشيء الذي نادرًا ما أراه هو أن يقولوا بوضوح ما الذي هم مستعدون للتضحية به. الاطلاع على @OpenGradient k جعلني أفكر في شيء آخر. ربما ليست البنية التحتية الجيدة هي التي تحتوي على أقل قدر من التنازلات (trade-off). بل هي البنية التي تجعل المستخدمين يكادون لا يشعرون بهذه التنازلات. إذا أردت اللامركزية أكثر، فعادةً عليك أن تتنازل عن السرعة. إذا أردت زيادة قابلية التحقق، يجب أن تقبل تكلفة إضافية في الحوسبة. إذا أردت تجربة أبسط، فإن الأنظمة في الخلف ستصبح أكثر تعقيدًا. لا توجد معمارية واحدة تُحسن كل شيء في الوقت ذاته. ما يعجبني في OpenGradient هو أنهم لا يحاولون إنكار ذلك. لقد أدخلوا الاستضافة (hosting) والاستدلال (inference) والتحقق (verification) والحوافز (incentives) جميعها في معمارية واحدة، بحيث تُوازن التنازلات منذ مستوى البنية التحتية، بدل معالجة كل جزء على حدة. إذا تم الأمر على نحو جيد، فلن يفكر المستخدم في TEE. لن يفكر في التحقق. لن يفكر في العقد (node) أو في الإقرارات التشفيرية (cryptographic attestations). سيرى فقط أن يعمل الذكاء الاصطناعي كما هو متوقع. وربما يكون هذا هو الدليل على أن البنية التحتية جيدة. ليس عندما يدرك المستخدم مدى تعقيدها. بل عندما لم يعد يتعين عليه التفكير في هذا التعقيد بعد الآن. هذا هو الاتجاه الذي أرى OpenGradient يبنيه. #opg $OPG $ACT $VELVET
في كل مرة أقرأ فيها وثيقة whitepaper لمشروع ذكاء اصطناعي، أرى دائمًا قائمة طويلة جدًا بالأشياء التي يريدون تحسينها.
أسرع.
أرخص.
أذكى.
أقل مركزية.
الشيء الذي نادرًا ما أراه هو أن يقولوا بوضوح ما الذي هم مستعدون للتضحية به.
الاطلاع على @OpenGradient k جعلني أفكر في شيء آخر.
ربما ليست البنية التحتية الجيدة هي التي تحتوي على أقل قدر من التنازلات (trade-off).
بل هي البنية التي تجعل المستخدمين يكادون لا يشعرون بهذه التنازلات.
إذا أردت اللامركزية أكثر، فعادةً عليك أن تتنازل عن السرعة.
إذا أردت زيادة قابلية التحقق، يجب أن تقبل تكلفة إضافية في الحوسبة.
إذا أردت تجربة أبسط، فإن الأنظمة في الخلف ستصبح أكثر تعقيدًا.
لا توجد معمارية واحدة تُحسن كل شيء في الوقت ذاته.
ما يعجبني في OpenGradient هو أنهم لا يحاولون إنكار ذلك.
لقد أدخلوا الاستضافة (hosting) والاستدلال (inference) والتحقق (verification) والحوافز (incentives) جميعها في معمارية واحدة، بحيث تُوازن التنازلات منذ مستوى البنية التحتية، بدل معالجة كل جزء على حدة.
إذا تم الأمر على نحو جيد، فلن يفكر المستخدم في TEE.
لن يفكر في التحقق.
لن يفكر في العقد (node) أو في الإقرارات التشفيرية (cryptographic attestations).
سيرى فقط أن يعمل الذكاء الاصطناعي كما هو متوقع.
وربما يكون هذا هو الدليل على أن البنية التحتية جيدة.
ليس عندما يدرك المستخدم مدى تعقيدها.
بل عندما لم يعد يتعين عليه التفكير في هذا التعقيد بعد الآن.
هذا هو الاتجاه الذي أرى OpenGradient يبنيه.
#opg $OPG $ACT $VELVET
عرض الترجمة
Điều khó nhất của AI có thể không phải tạo ra câu trả lời. Mà là khiến mọi máy tính cùng đồng ý đâu mới là câu trả lời đó. Mình từng nghĩ việc xác minh AI chỉ cần trả lời ba câu hỏi. Đúng mô hình không. Đúng dữ liệu đầu vào không. Đúng kết quả không. Đọc về @OpenGradient xong, mình nhận ra vẫn còn thiếu một câu hỏi quan trọng hơn. Nếu hai máy tính hoàn toàn trung thực chạy cùng một mô hình AI nhưng cho ra kết quả hơi khác nhau, mạng lưới sẽ tin kết quả nào? Không có bên nào gian lận. Mô hình cũng không bị thay đổi. AI vốn là phép tính gần đúng. Khác biệt về phần cứng, cách thực thi hay độ chính xác số học đều có thể tạo ra những sai lệch rất nhỏ. Trong một cuộc trò chuyện, điều đó gần như không tạo khác biệt. Nhưng nếu kết quả được dùng để kích hoạt một AI agent, thực hiện một giao dịch hay ra quyết định on-chain, mạng lưới không thể chấp nhận hai phiên bản của cùng một phép tính. Đó là lúc mình hiểu OpenGradient không chỉ xây verifiable inference. Họ đang cố định nghĩa một canonical execution path thông qua Trusted Execution Environments (TEE) và cryptographic attestations, để mọi node đều có thể thống nhất về cùng một quá trình tính toán. Điều này khiến mình nhìn verification theo một cách khác. Verification không chỉ chứng minh AI đã chạy. Nó quyết định phiên bản nào của phép tính sẽ trở thành sự thật mà cả mạng lưới chấp nhận. Blockchain không yêu cầu mọi người đều đúng. Blockchain chỉ hoạt động khi mọi người cùng đồng ý điều gì là đúng. Có lẽ AI phi tập trung cũng sẽ phải như vậy. #opg $OPG $VELVET 🗳️ If two honest AI nodes produce different results, what should the network trust?
Điều khó nhất của AI có thể không phải tạo ra câu trả lời.
Mà là khiến mọi máy tính cùng đồng ý đâu mới là câu trả lời đó.
Mình từng nghĩ việc xác minh AI chỉ cần trả lời ba câu hỏi.
Đúng mô hình không.
Đúng dữ liệu đầu vào không.
Đúng kết quả không.
Đọc về @OpenGradient xong, mình nhận ra vẫn còn thiếu một câu hỏi quan trọng hơn.
Nếu hai máy tính hoàn toàn trung thực chạy cùng một mô hình AI nhưng cho ra kết quả hơi khác nhau, mạng lưới sẽ tin kết quả nào?
Không có bên nào gian lận.
Mô hình cũng không bị thay đổi.
AI vốn là phép tính gần đúng. Khác biệt về phần cứng, cách thực thi hay độ chính xác số học đều có thể tạo ra những sai lệch rất nhỏ.
Trong một cuộc trò chuyện, điều đó gần như không tạo khác biệt.
Nhưng nếu kết quả được dùng để kích hoạt một AI agent, thực hiện một giao dịch hay ra quyết định on-chain, mạng lưới không thể chấp nhận hai phiên bản của cùng một phép tính.
Đó là lúc mình hiểu OpenGradient không chỉ xây verifiable inference.
Họ đang cố định nghĩa một canonical execution path thông qua Trusted Execution Environments (TEE) và cryptographic attestations, để mọi node đều có thể thống nhất về cùng một quá trình tính toán.
Điều này khiến mình nhìn verification theo một cách khác.
Verification không chỉ chứng minh AI đã chạy.
Nó quyết định phiên bản nào của phép tính sẽ trở thành sự thật mà cả mạng lưới chấp nhận.
Blockchain không yêu cầu mọi người đều đúng.
Blockchain chỉ hoạt động khi mọi người cùng đồng ý điều gì là đúng.
Có lẽ AI phi tập trung cũng sẽ phải như vậy.
#opg $OPG $VELVET

🗳️ If two honest AI nodes produce different results, what should the network trust?
A. The majority
39%
B. The fastest
15%
C. The verified execution
15%
D. Neither
31%
13 الأصوات • تمّ إغلاق التصويت
هناك أمر أعتقد أن السوق ينظر إلى الذكاء الاصطناعي فيه على نحو يشبه الطريقة التي كان ينظر بها إلى الامتثال (compliance) سابقًا. فعند الحديث عن الامتثال، يفكر الناس عادةً في المزيد من التدقيق (audits)، والمزيد من الوثائق، والمزيد من الإجراءات لإثبات أن النظام قد عمل بشكل صحيح. لكن إذا أصبح الذكاء الاصطناعي فعلًا بنيةً تحتية (infrastructure)، فهل سيظل الامتثال يُدار بنفس الطريقة؟ عندها بدأت أدقق أكثر في OpenGradient. في البداية، كنت أظن أن أبرز ما يميز المشروع هو الخصوصية وذكاء اصطناعي لا مركزي. وكلما قرأت ورقة/مستندهم التعريفي (whitepaper)، أدركت أنهم يعالجون مشكلة أخرى. لا يلزم بالضرورة تنفيذ الامتثال بعد تشغيل النظام. يمكن دمجه مباشرةً داخل البنية التحتية. يستخدم OpenGradient بيئات التنفيذ الموثوقة (Trusted Execution Environments - TEE) مع إثباتات تشفيرية (cryptographic attestations) لإنشاء دليل على أن جلسة الاستدلال (inference) قد جرت فعلًا كما هو معلَن. يبدو ذلك كأنه تفصيلة تقنية. لكن ما وجدته مثيرًا للاهتمام هو أثره الاقتصادي. عندما يتم تضمين التحقق داخل البنية التحتية، تبدأ تكلفة توليد الثقة في الانخفاض. الامتثال لا يختفي. إنه فقط ينقل حدّ الثقة (trust boundary) من البشر والإجراءات إلى ضمانات تشفيرية. إذا صار هذا معيارًا، فقد لا تتمثل الميزة التنافسية للذكاء الاصطناعي فقط في المؤشرات (benchmarks) أو السرعة. ستكون لدى الشبكات التي تجعل الثقة صفةً من صفات البنية التحتية، بدلًا من أن تكون عملية يجب أن تثبتها لاحقًا. هذا هو الاتجاه الذي أرى أن @OpenGradient تعمل على بنائه. #opg $OPG $PUNDIX $SIREN
هناك أمر أعتقد أن السوق ينظر إلى الذكاء الاصطناعي فيه على نحو يشبه الطريقة التي كان ينظر بها إلى الامتثال (compliance) سابقًا.
فعند الحديث عن الامتثال، يفكر الناس عادةً في المزيد من التدقيق (audits)، والمزيد من الوثائق، والمزيد من الإجراءات لإثبات أن النظام قد عمل بشكل صحيح.
لكن إذا أصبح الذكاء الاصطناعي فعلًا بنيةً تحتية (infrastructure)، فهل سيظل الامتثال يُدار بنفس الطريقة؟
عندها بدأت أدقق أكثر في OpenGradient.
في البداية، كنت أظن أن أبرز ما يميز المشروع هو الخصوصية وذكاء اصطناعي لا مركزي.
وكلما قرأت ورقة/مستندهم التعريفي (whitepaper)، أدركت أنهم يعالجون مشكلة أخرى.
لا يلزم بالضرورة تنفيذ الامتثال بعد تشغيل النظام.
يمكن دمجه مباشرةً داخل البنية التحتية.
يستخدم OpenGradient بيئات التنفيذ الموثوقة (Trusted Execution Environments - TEE) مع إثباتات تشفيرية (cryptographic attestations) لإنشاء دليل على أن جلسة الاستدلال (inference) قد جرت فعلًا كما هو معلَن.
يبدو ذلك كأنه تفصيلة تقنية.
لكن ما وجدته مثيرًا للاهتمام هو أثره الاقتصادي.
عندما يتم تضمين التحقق داخل البنية التحتية، تبدأ تكلفة توليد الثقة في الانخفاض.
الامتثال لا يختفي.
إنه فقط ينقل حدّ الثقة (trust boundary) من البشر والإجراءات إلى ضمانات تشفيرية.
إذا صار هذا معيارًا، فقد لا تتمثل الميزة التنافسية للذكاء الاصطناعي فقط في المؤشرات (benchmarks) أو السرعة.
ستكون لدى الشبكات التي تجعل الثقة صفةً من صفات البنية التحتية، بدلًا من أن تكون عملية يجب أن تثبتها لاحقًا.
هذا هو الاتجاه الذي أرى أن @OpenGradient تعمل على بنائه.

#opg $OPG $PUNDIX $SIREN
غالبًا ما يسأل الناس كيف يقوم الذكاء الاصطناعي بتوليد ردوده. لكنني أرى سؤالًا آخر أكثر إثارة للاهتمام. إلى أين يذهب الرد بعد مغادرته للذكاء الاصطناعي؟ عند ظهوره على الشاشة، لا يكون سوى بضعة أسطر من النص. ولكن بعد دقائق، قد يكون موجودًا في بريد إلكتروني، أو مقطع من كود، أو تقرير، أو يصبح مدخلًا لنظام ذكاء اصطناعي آخر. وفي تلك اللحظة، يصبح عدد قليل جدًا من الناس ينظرون إليه كأنه مجرد رد. لقد تحوّل إلى جزء من عملية اتخاذ القرار. ما يجعلني أتوقف للتفكير هو أن أغلب الأخطاء لا تتوقف عند المحاولة الأولى. قد يتم نسخ نتيجة غير مُتحقق منها إلى نظام آخر. ثم يثق بها شخص آخر. ثم تصبح أساسًا للقرار التالي. الأخطاء لا تختفي. إنها فقط تغيّر مكان وجودها. لهذا السبب أرى أن @OpenGradient đang يحل مشكلة أكبر من مجرد صنع ذكاء اصطناعي أكثر ذكاءً. إذا كان كل استدلال يمكن التحقق منه وتتبع مساره في كل مرة، فإن الشيء الذي يتم حمايته ليس فقط النتيجة عند لحظة توليدها. بل هو المسار الكامل لهذه النتيجة بعد ذلك. أعتقد أنه عندما يبدأ الذكاء الاصطناعي في المشاركة في التمويل، أو الأتمتة، أو البنية التحتية الرقمية، فإن السؤال المهم لن يعود هو: "ماذا أجاب الذكاء الاصطناعي؟" بل سيكون: "من خلال أي مسارات مرت هذه الإجابة قبل أن تصل إلى يدي؟" هناك إجابات لا تستغرق سوى ثوانٍ لتوليدها. لكنها قد تستمر في التأثير على أنظمة عديدة جدًا لفترة طويلة بعد إغلاق نافذة الدردشة. #opg $OPG $SYN لذلك، يجب أن تكون إجابة الذكاء الاصطناعي...
غالبًا ما يسأل الناس كيف يقوم الذكاء الاصطناعي بتوليد ردوده.
لكنني أرى سؤالًا آخر أكثر إثارة للاهتمام.
إلى أين يذهب الرد بعد مغادرته للذكاء الاصطناعي؟
عند ظهوره على الشاشة، لا يكون سوى بضعة أسطر من النص.
ولكن بعد دقائق، قد يكون موجودًا في بريد إلكتروني، أو مقطع من كود، أو تقرير، أو يصبح مدخلًا لنظام ذكاء اصطناعي آخر.
وفي تلك اللحظة، يصبح عدد قليل جدًا من الناس ينظرون إليه كأنه مجرد رد.
لقد تحوّل إلى جزء من عملية اتخاذ القرار.
ما يجعلني أتوقف للتفكير هو أن أغلب الأخطاء لا تتوقف عند المحاولة الأولى.
قد يتم نسخ نتيجة غير مُتحقق منها إلى نظام آخر.
ثم يثق بها شخص آخر.
ثم تصبح أساسًا للقرار التالي.
الأخطاء لا تختفي.
إنها فقط تغيّر مكان وجودها.
لهذا السبب أرى أن @OpenGradient đang يحل مشكلة أكبر من مجرد صنع ذكاء اصطناعي أكثر ذكاءً.
إذا كان كل استدلال يمكن التحقق منه وتتبع مساره في كل مرة، فإن الشيء الذي يتم حمايته ليس فقط النتيجة عند لحظة توليدها.
بل هو المسار الكامل لهذه النتيجة بعد ذلك.
أعتقد أنه عندما يبدأ الذكاء الاصطناعي في المشاركة في التمويل، أو الأتمتة، أو البنية التحتية الرقمية، فإن السؤال المهم لن يعود هو:
"ماذا أجاب الذكاء الاصطناعي؟"
بل سيكون:
"من خلال أي مسارات مرت هذه الإجابة قبل أن تصل إلى يدي؟"
هناك إجابات لا تستغرق سوى ثوانٍ لتوليدها.
لكنها قد تستمر في التأثير على أنظمة عديدة جدًا لفترة طويلة بعد إغلاق نافذة الدردشة.
#opg $OPG $SYN

لذلك، يجب أن تكون إجابة الذكاء الاصطناعي...
A. Fast
38%
B. Accurate
19%
C. Verifiable
28%
D. Traceable
15%
79 الأصوات • تمّ إغلاق التصويت
عندي عادة غير تقليدية شوي لما أتابع مشروع جديد. بدل ما أقرأ خطة العمل، غالبًا أسحب لورا على الخط الزمني عشان أشوف هم عملوا إيش قبل ما يطلع التوكن، قبل ما يكون عندهم مجتمع، وقبل ما يكون عندهم أي سبب مالي يخلي الناس تنتبه. مو عشان الماضي يحدد المستقبل. بس عشان الماضي هو الشيء الوحيد اللي ما يمكن تعديل شكله ليكون أفضل. السوق الكريبتو خلال السنين الماضية أظهر لنا كثير من المشاريع اللي انبنت على السرد القصصي. كل دورة يكون فيها مجموعة جديدة من الكلمات المفتاحية. الذكاء الاصطناعي، بلوكتشين، وكيل، DePIN... ورقة بيضاء تطلع، خطة العمل تطلع، توكن تطلع. المنتج لسه موجود في مكان ما في المستقبل. عشان كذا أرجع أنظر لـ @OpenGradient بطريقة بسيطة. مو أبدأ من التوكن أو التقييم، لكن من الأشياء اللي كانت موجودة قبل كذا. BitQuant كان عندها أكثر من 50,000 مستخدم تجريبي قبل ما يطلع التوكن الرسمي. حزمة الوكلاء، نموذج الطلب، والموصلات كانت مفتوحة المصدر. الشبكة التجريبية عالجت ملايين الاستنتاجات القابلة للتحقق قبل ما يبدأ الشبكة الرئيسية. ما أظن هالأشياء تضمن النجاح. في الكريبتو ما فيه شيء مضمون. بس هالأشياء تبين لي شي أنا أقدره أكثر من الوعود: آثار التنفيذ. السوق غالبًا يقيّم الأشياء اللي يقول المشروع إنه راح يسويها. الخط الزمني يوضح الأشياء اللي هم فعلاً سواها. وأحيانًا الشيء الأكثر فائدة للقراءة عن مشروع ما يكون مو في الورقة البيضاء. يكون في الأشياء اللي انبنت لما ما كان أحد يدفع عشان يبنونها. #opg $OPG $BEAT
عندي عادة غير تقليدية شوي لما أتابع مشروع جديد. بدل ما أقرأ خطة العمل، غالبًا أسحب لورا على الخط الزمني عشان أشوف هم عملوا إيش قبل ما يطلع التوكن، قبل ما يكون عندهم مجتمع، وقبل ما يكون عندهم أي سبب مالي يخلي الناس تنتبه.
مو عشان الماضي يحدد المستقبل. بس عشان الماضي هو الشيء الوحيد اللي ما يمكن تعديل شكله ليكون أفضل.
السوق الكريبتو خلال السنين الماضية أظهر لنا كثير من المشاريع اللي انبنت على السرد القصصي. كل دورة يكون فيها مجموعة جديدة من الكلمات المفتاحية. الذكاء الاصطناعي، بلوكتشين، وكيل، DePIN... ورقة بيضاء تطلع، خطة العمل تطلع، توكن تطلع. المنتج لسه موجود في مكان ما في المستقبل.
عشان كذا أرجع أنظر لـ @OpenGradient بطريقة بسيطة. مو أبدأ من التوكن أو التقييم، لكن من الأشياء اللي كانت موجودة قبل كذا.
BitQuant كان عندها أكثر من 50,000 مستخدم تجريبي قبل ما يطلع التوكن الرسمي. حزمة الوكلاء، نموذج الطلب، والموصلات كانت مفتوحة المصدر. الشبكة التجريبية عالجت ملايين الاستنتاجات القابلة للتحقق قبل ما يبدأ الشبكة الرئيسية.
ما أظن هالأشياء تضمن النجاح. في الكريبتو ما فيه شيء مضمون. بس هالأشياء تبين لي شي أنا أقدره أكثر من الوعود: آثار التنفيذ.
السوق غالبًا يقيّم الأشياء اللي يقول المشروع إنه راح يسويها. الخط الزمني يوضح الأشياء اللي هم فعلاً سواها.
وأحيانًا الشيء الأكثر فائدة للقراءة عن مشروع ما يكون مو في الورقة البيضاء. يكون في الأشياء اللي انبنت لما ما كان أحد يدفع عشان يبنونها.
#opg $OPG $BEAT
قبل عدة أيام، استخدمت الذكاء الصناعي لوضع خطة لوظيفة مهمة جداً. قدم العديد من الخيارات. اخترت خياراً ناسبني، عدلت قليلاً ثم بدأت العمل. بعد حوالي ساعة، عدت لقراءة كل شيء من البداية وغيرت رأيي. لم يكن الجواب خاطئاً، كل شيء كان له منطق. ولكن كلما قرأت أكثر، شعرت أكثر أنه ليس الاتجاه الذي أحتاجه فعلاً. حذفت معظم الأشياء وبدأت من جديد. عندها أدركت شيئاً. معظم أنظمة الذكاء الصناعي الحالية تُبنى حول الإشارات الإيجابية: الأجوبة المختارة، المحتوى المحفوظ، التعليقات المُقدّرة. لكن الأشياء التي تجعل البشر يتغيرون غالباً ما تكون في مكان آخر. الشيء الذي أتذكره أكثر في ذلك اليوم ليس الخيار الذي احتفظت به، بل هو الخيار الذي تخليت عنه. قرار صحيح ينتج عنه نتيجة. قرار يجعلني أريد إعادة العمل غالباً ما يترك درساً أكبر. إذا كان هذا صحيحاً، تساءلت إذا كان الذكاء الصناعي يتجاهل واحدة من أكثر الإشارات قيمة. وهذا ما جعلني أفكر في @OpenGradient . عند الحديث عن الذكاء المملوك من قبل المستخدمين، يفكر معظم الناس في البيانات أو تاريخ المحادثات. لكن لحظات تغيير الرأي، والأخطاء، والقرارات التي تم عكسها هي أيضاً جزء من تلك الذكاء. إذا كانت هذه الإشارات ذات قيمة حقيقية لبناء ذكاء صناعي أفضل، فيجب أن تعود لمن عاشها. مستقبل الذكاء الصناعي قد لا يُشكل من خلال الأجوبة الأكثر اختياراً، بل من خلال الدروس التي يستخلصها البشر من الخيارات التي لن يختاروها مرة أخرى. #opg $OPG $BTW $SYN إذا كان بإمكان الذكاء الصناعي التعلم من إشارة واحدة فقط، أي إشارة ستحتفظ بها؟
قبل عدة أيام، استخدمت الذكاء الصناعي لوضع خطة لوظيفة مهمة جداً. قدم العديد من الخيارات. اخترت خياراً ناسبني، عدلت قليلاً ثم بدأت العمل. بعد حوالي ساعة، عدت لقراءة كل شيء من البداية وغيرت رأيي. لم يكن الجواب خاطئاً، كل شيء كان له منطق. ولكن كلما قرأت أكثر، شعرت أكثر أنه ليس الاتجاه الذي أحتاجه فعلاً. حذفت معظم الأشياء وبدأت من جديد. عندها أدركت شيئاً. معظم أنظمة الذكاء الصناعي الحالية تُبنى حول الإشارات الإيجابية: الأجوبة المختارة، المحتوى المحفوظ، التعليقات المُقدّرة. لكن الأشياء التي تجعل البشر يتغيرون غالباً ما تكون في مكان آخر. الشيء الذي أتذكره أكثر في ذلك اليوم ليس الخيار الذي احتفظت به، بل هو الخيار الذي تخليت عنه. قرار صحيح ينتج عنه نتيجة. قرار يجعلني أريد إعادة العمل غالباً ما يترك درساً أكبر. إذا كان هذا صحيحاً، تساءلت إذا كان الذكاء الصناعي يتجاهل واحدة من أكثر الإشارات قيمة. وهذا ما جعلني أفكر في @OpenGradient . عند الحديث عن الذكاء المملوك من قبل المستخدمين، يفكر معظم الناس في البيانات أو تاريخ المحادثات. لكن لحظات تغيير الرأي، والأخطاء، والقرارات التي تم عكسها هي أيضاً جزء من تلك الذكاء. إذا كانت هذه الإشارات ذات قيمة حقيقية لبناء ذكاء صناعي أفضل، فيجب أن تعود لمن عاشها. مستقبل الذكاء الصناعي قد لا يُشكل من خلال الأجوبة الأكثر اختياراً، بل من خلال الدروس التي يستخلصها البشر من الخيارات التي لن يختاروها مرة أخرى. #opg $OPG $BTW $SYN

إذا كان بإمكان الذكاء الصناعي التعلم من إشارة واحدة فقط، أي إشارة ستحتفظ بها؟
🔘 User approvals
80%
🔘 User regrets
20%
15 الأصوات • تمّ إغلاق التصويت
لاحظت شيئًا غريبًا في سباق الذكاء الاصطناعي الحالي عندما يظهر نموذج جديد، يقوم الجميع على الفور بمقارنة الأداء، القدرة على الاستدلال، أو سرعة الاستجابة. يكفي أن تكون النتائج أفضل ببضع نقاط مئوية لتوليد الآلاف من التحليلات. لكن كلما استخدمت الذكاء الاصطناعي أكثر، بدأ يظهر لي سؤال آخر يستحق الاهتمام أكثر: ماذا يحدث عندما يصبح الذكاء الاصطناعي هو المكان الذي نعبر فيه عن أفكارنا؟ في البداية، ساعدني الذكاء الاصطناعي في العثور على المعلومات. وبعد ذلك كتابة المحتوى، تحليل الأفكار، وتخطيط الأعمال. ثم أدركت أن المحادثات مع الذكاء الاصطناعي بدأت تحتوي على تفاصيل شخصية أكثر من أي تاريخ بحث سابق. المشاريع التي أعمل عليها، القرارات التي لا أزال مترددًا بشأنها،... الأشياء التي لم أكن مستعدًا لمشاركتها مع الآخرين. في تلك اللحظة، أدركت أن الخصوصية في الذكاء الاصطناعي غالبًا ما تُفهم بطريقة ضيقة جدًا. يرى الكثيرون أن الخصوصية هي طبقة لحماية البيانات. لكن الشيء الأكثر قيمة يكمن في مكان آخر. عندما أشعر أن المحادثة تعود لي حقًا، أطرح أسئلة بشكل مختلف، أفكر بطريقة مختلفة، وأستخدم الذكاء الاصطناعي بشكل مختلف تمامًا. يمكن أن يكون النظام ذكيًا جدًا، لكن إذا كان المستخدمون دائمًا مضطرين للتفكير في ما يجب قوله وما يجب الاحتفاظ به، فإن قيمة تلك الذكاء ستكون محدودة. بعد قراءة عن @OpenGradient ، الشيء الذي لفت انتباهي ليس عدد النماذج المدمجة أو الميزات على الواجهة، بل ما وجدته مثيرًا هو النهج المتمركز حول الخصوصية من مستوى البنية التحتية. إذا كان الذكاء الاصطناعي يصبح تدريجياً المكان الذي يعمل فيه الناس ويتعلمون ويفكرون كل يوم، فإن السؤال المهم ليس فقط ما هو النموذج الأكثر ذكاءً. بل هو أي الأماكن تجعل المستخدمين يشعرون بالثقة الكافية للتعبير عن ما يفكرون فيه حقًا. #opg $OPG $BLESS
لاحظت شيئًا غريبًا في سباق الذكاء الاصطناعي الحالي عندما يظهر نموذج جديد، يقوم الجميع على الفور بمقارنة الأداء، القدرة على الاستدلال، أو سرعة الاستجابة. يكفي أن تكون النتائج أفضل ببضع نقاط مئوية لتوليد الآلاف من التحليلات. لكن كلما استخدمت الذكاء الاصطناعي أكثر، بدأ يظهر لي سؤال آخر يستحق الاهتمام أكثر: ماذا يحدث عندما يصبح الذكاء الاصطناعي هو المكان الذي نعبر فيه عن أفكارنا؟ في البداية، ساعدني الذكاء الاصطناعي في العثور على المعلومات. وبعد ذلك كتابة المحتوى، تحليل الأفكار، وتخطيط الأعمال. ثم أدركت أن المحادثات مع الذكاء الاصطناعي بدأت تحتوي على تفاصيل شخصية أكثر من أي تاريخ بحث سابق. المشاريع التي أعمل عليها، القرارات التي لا أزال مترددًا بشأنها،... الأشياء التي لم أكن مستعدًا لمشاركتها مع الآخرين. في تلك اللحظة، أدركت أن الخصوصية في الذكاء الاصطناعي غالبًا ما تُفهم بطريقة ضيقة جدًا. يرى الكثيرون أن الخصوصية هي طبقة لحماية البيانات. لكن الشيء الأكثر قيمة يكمن في مكان آخر. عندما أشعر أن المحادثة تعود لي حقًا، أطرح أسئلة بشكل مختلف، أفكر بطريقة مختلفة، وأستخدم الذكاء الاصطناعي بشكل مختلف تمامًا. يمكن أن يكون النظام ذكيًا جدًا، لكن إذا كان المستخدمون دائمًا مضطرين للتفكير في ما يجب قوله وما يجب الاحتفاظ به، فإن قيمة تلك الذكاء ستكون محدودة. بعد قراءة عن @OpenGradient ، الشيء الذي لفت انتباهي ليس عدد النماذج المدمجة أو الميزات على الواجهة، بل ما وجدته مثيرًا هو النهج المتمركز حول الخصوصية من مستوى البنية التحتية. إذا كان الذكاء الاصطناعي يصبح تدريجياً المكان الذي يعمل فيه الناس ويتعلمون ويفكرون كل يوم، فإن السؤال المهم ليس فقط ما هو النموذج الأكثر ذكاءً. بل هو أي الأماكن تجعل المستخدمين يشعرون بالثقة الكافية للتعبير عن ما يفكرون فيه حقًا. #opg $OPG $BLESS
لقد فهمت OpenGradient بشكل خاطئ. في البداية، كنت أعتقد أنه مجرد مكان لتحويل بين نماذج الذكاء الاصطناعي ضمن واجهة واحدة. Claude. GPT. Grok. يبدو مريحًا، لكن لم يكن كافيًا لجذب انتباهي. ثم قرأت بشكل أعمق. OpenGradient Chat هو الجزء الذي يراه المستخدم فقط. الشيء @OpenGradient الذي يتم بناؤه فعليًا هو في الخلف. شبكة حيث يمكن تخزين نماذج الذكاء الاصطناعي، وتشغيل الاستدلال والتحقق. التفاصيل النهائية هي ما جعلني أتوقف. كل يوم، نتلقى ملايين الإجابات من الذكاء الاصطناعي. لكن نادرًا ما يسأل أحد سؤالًا أساسيًا جدًا: كيف نعرف بدقة النموذج الذي اخترناه قد أنتج تلك الإجابة؟ هل تم تغيير المدخلات في أي مكان؟ هل النتيجة النهائية هي حقًا المخرجات الأصلية من النموذج أم تم تعديلها لاحقًا؟ في الوقت الحالي، الجواب غالبًا ما يكون الإيمان. هذا مقبول عندما أسأل عن وصفة طهي أو أخطط لرحلة سفر. لكن عندما يبدأ الذكاء الاصطناعي في اتخاذ قرارات تتعلق بالأصول أو التداول أو الإجراءات on-chain، فإن الإيمان وحده لا يكفي. OpenGradient تتعامل مع هذه المشكلة بطريقة مختلفة. بدلاً من طلب إيمان المستخدم بالنظام، يبنون آلية تتيح للمستخدم التحقق أي نموذج تم تشغيله أين حدث الاستدلال كيف تم إنشاء النتائج كل مرة يحدث فيها استدلال تأتي مع دليل يمكن التحقق منه. في تلك اللحظة، أدركت أن OpenGradient لا تحاول إنشاء دردشة بوت أفضل. إنهم يحولون حسابات الذكاء الاصطناعي إلى أصل يمكن التحقق منه. في السنوات القليلة المقبلة، قد لا يكون السؤال المهم هو: "إلى أي مدى يعتبر هذا الذكاء الاصطناعي ذكيًا؟" بل سيكون: "هل يمكنك إثبات أنه فعل حقًا ما يقول إنه فعله؟" #opg $OPG $RE
لقد فهمت OpenGradient بشكل خاطئ.
في البداية، كنت أعتقد أنه مجرد مكان لتحويل بين نماذج الذكاء الاصطناعي ضمن واجهة واحدة.
Claude.
GPT.
Grok.
يبدو مريحًا، لكن لم يكن كافيًا لجذب انتباهي.
ثم قرأت بشكل أعمق.
OpenGradient Chat هو الجزء الذي يراه المستخدم فقط.
الشيء @OpenGradient الذي يتم بناؤه فعليًا هو في الخلف.
شبكة حيث يمكن تخزين نماذج الذكاء الاصطناعي، وتشغيل الاستدلال والتحقق.
التفاصيل النهائية هي ما جعلني أتوقف.
كل يوم، نتلقى ملايين الإجابات من الذكاء الاصطناعي.
لكن نادرًا ما يسأل أحد سؤالًا أساسيًا جدًا:
كيف نعرف بدقة النموذج الذي اخترناه قد أنتج تلك الإجابة؟
هل تم تغيير المدخلات في أي مكان؟
هل النتيجة النهائية هي حقًا المخرجات الأصلية من النموذج أم تم تعديلها لاحقًا؟
في الوقت الحالي، الجواب غالبًا ما يكون الإيمان.
هذا مقبول عندما أسأل عن وصفة طهي أو أخطط لرحلة سفر.
لكن عندما يبدأ الذكاء الاصطناعي في اتخاذ قرارات تتعلق بالأصول أو التداول أو الإجراءات on-chain، فإن الإيمان وحده لا يكفي.
OpenGradient تتعامل مع هذه المشكلة بطريقة مختلفة.
بدلاً من طلب إيمان المستخدم بالنظام، يبنون آلية تتيح للمستخدم التحقق
أي نموذج تم تشغيله
أين حدث الاستدلال
كيف تم إنشاء النتائج
كل مرة يحدث فيها استدلال تأتي مع دليل يمكن التحقق منه.
في تلك اللحظة، أدركت أن OpenGradient لا تحاول إنشاء دردشة بوت أفضل.
إنهم يحولون حسابات الذكاء الاصطناعي إلى أصل يمكن التحقق منه.
في السنوات القليلة المقبلة، قد لا يكون السؤال المهم هو:
"إلى أي مدى يعتبر هذا الذكاء الاصطناعي ذكيًا؟"
بل سيكون:
"هل يمكنك إثبات أنه فعل حقًا ما يقول إنه فعله؟"
#opg $OPG $RE
عرض الترجمة
Hôm qua mình đã thử một điều khá đơn giản với OpenGradient Chat. Mình đưa cho AI vài ghi chú ngắn về một dự án và yêu cầu đánh giá, cố tình bỏ đi ngày tháng, nguồn thông tin và lý do mình cần câu trả lời. Mình muốn xem AI sẽ phản ứng thế nào khi ngữ cảnh chưa đầy đủ. Nó trả lời rất nhanh. Câu chữ mạch lạc. Lập luận hợp lý. Đọc lướt qua, mình gần như tin ngay. Rồi mình nhìn lại phần dữ liệu đầu vào. Mọi thứ mình cung cấp chỉ là vài mảnh ghép rời rạc. Điều khiến mình dừng lại không nằm ở chất lượng câu trả lời. Mà là cảm giác nó chắc chắn hơn mức cần thiết. Càng dùng AI nhiều, mình càng thấy những khoảng trống trong câu hỏi quan trọng chẳng kém câu trả lời. Khi dữ liệu còn thiếu, mình muốn AI chỉ ra điều đó. Mình muốn biết phần nào dựa trên thông tin thực tế. Phần nào chỉ là suy luận. Và phần nào cần thêm dữ liệu trước khi đi đến kết luận. Đó là lý do mình quan tâm đến @OpenGradient OpenGradient Chat là nơi mình tương tác với AI. Phía sau là một hạ tầng Open Intelligence, nơi mô hình có thể được lưu trữ, chạy suy luận và xác minh ở quy mô lớn. Với những quyết định quan trọng, khả năng xác minh thay đổi hoàn toàn cách mình đọc một câu trả lời. Ngữ cảnh đã đủ chưa? Kết luận này dựa trên điều gì? Mức độ chắc chắn đến đâu? Một AI đáng tin cậy không chỉ đưa ra câu trả lời. Nó giúp người dùng nhận ra những gì còn thiếu trước khi biến câu trả lời đó thành quyết định. #opg $OPG $BTW
Hôm qua mình đã thử một điều khá đơn giản với OpenGradient Chat.
Mình đưa cho AI vài ghi chú ngắn về một dự án và yêu cầu đánh giá, cố tình bỏ đi ngày tháng, nguồn thông tin và lý do mình cần câu trả lời.
Mình muốn xem AI sẽ phản ứng thế nào khi ngữ cảnh chưa đầy đủ.
Nó trả lời rất nhanh.
Câu chữ mạch lạc.
Lập luận hợp lý.
Đọc lướt qua, mình gần như tin ngay.
Rồi mình nhìn lại phần dữ liệu đầu vào.
Mọi thứ mình cung cấp chỉ là vài mảnh ghép rời rạc.
Điều khiến mình dừng lại không nằm ở chất lượng câu trả lời.
Mà là cảm giác nó chắc chắn hơn mức cần thiết.
Càng dùng AI nhiều, mình càng thấy những khoảng trống trong câu hỏi quan trọng chẳng kém câu trả lời.
Khi dữ liệu còn thiếu, mình muốn AI chỉ ra điều đó.
Mình muốn biết phần nào dựa trên thông tin thực tế.
Phần nào chỉ là suy luận.
Và phần nào cần thêm dữ liệu trước khi đi đến kết luận.
Đó là lý do mình quan tâm đến @OpenGradient
OpenGradient Chat là nơi mình tương tác với AI.
Phía sau là một hạ tầng Open Intelligence, nơi mô hình có thể được lưu trữ, chạy suy luận và xác minh ở quy mô lớn.
Với những quyết định quan trọng, khả năng xác minh thay đổi hoàn toàn cách mình đọc một câu trả lời.
Ngữ cảnh đã đủ chưa?
Kết luận này dựa trên điều gì?
Mức độ chắc chắn đến đâu?

Một AI đáng tin cậy không chỉ đưa ra câu trả lời.
Nó giúp người dùng nhận ra những gì còn thiếu trước khi biến câu trả lời đó thành quyết định.
#opg $OPG $BTW
أقدر أن أنقل جهات اتصالي إلى هاتف جديد في دقائق. أستطيع إرسال الأموال بين البنوك في ثوانٍ. حتى قوائم التشغيل ومكتبات الصور يمكن نسخها احتياطيًا ونقلها إلى أي مكان. لكن هناك شيء واحد قضيت مئات الساعات في بنائه ولا أستطيع أخذه معي. سياق الذكاء الاصطناعي الخاص بي. كيف أعمل. المشاريع التي أعمل عليها. كيف أفضل تلقي التعليقات. كل ما تعلمه الذكاء الاصطناعي عني من خلال مئات المحادثات. كل ذلك يبقى محجوزًا داخل منصات فردية. التحول إلى نموذج مختلف يعني البدء من الصفر. نسمي هذا "ذكاء اصطناعي بلا ذاكرة." كلما فكرت في الأمر، زادت شعوري بأنه نوع من الاحتجاز للمستخدم. المستخدمون ينشئون السياق. السياق يخلق القيمة. القيمة تبقى مع المنصة. عندما تقرر شركة ما يتذكره الذكاء الاصطناعي، وما ينساه، وكيفية استخدام تلك البيانات، تتوقف الذاكرة عن كونها ميزة. تصبح مسألة ملكية. لهذا السبب كنت أتابع @OpenGradient إذا تم بناء بنية الذكاء الاصطناعي بطريقة لامركزية، يمكن أن توجد ذاكرة المستخدم الرقمية بشكل مستقل عن أي نموذج واحد. إلى أين تأخذها هو خيارك. ما تحتفظ به هو قرارك. ما تحذفه متروك لك. لقد اعتدنا على ملكية بياناتنا. ربما حان الوقت لامتلاك سياقنا أيضًا. $OPG #opg $RE $SYN
أقدر أن أنقل جهات اتصالي إلى هاتف جديد في دقائق.
أستطيع إرسال الأموال بين البنوك في ثوانٍ.
حتى قوائم التشغيل ومكتبات الصور يمكن نسخها احتياطيًا ونقلها إلى أي مكان.
لكن هناك شيء واحد قضيت مئات الساعات في بنائه ولا أستطيع أخذه معي.
سياق الذكاء الاصطناعي الخاص بي.
كيف أعمل.
المشاريع التي أعمل عليها.
كيف أفضل تلقي التعليقات.
كل ما تعلمه الذكاء الاصطناعي عني من خلال مئات المحادثات.
كل ذلك يبقى محجوزًا داخل منصات فردية.
التحول إلى نموذج مختلف يعني البدء من الصفر.
نسمي هذا "ذكاء اصطناعي بلا ذاكرة."
كلما فكرت في الأمر، زادت شعوري بأنه نوع من الاحتجاز للمستخدم.
المستخدمون ينشئون السياق.
السياق يخلق القيمة.
القيمة تبقى مع المنصة.
عندما تقرر شركة ما يتذكره الذكاء الاصطناعي، وما ينساه، وكيفية استخدام تلك البيانات، تتوقف الذاكرة عن كونها ميزة.
تصبح مسألة ملكية.
لهذا السبب كنت أتابع @OpenGradient
إذا تم بناء بنية الذكاء الاصطناعي بطريقة لامركزية، يمكن أن توجد ذاكرة المستخدم الرقمية بشكل مستقل عن أي نموذج واحد.
إلى أين تأخذها هو خيارك.
ما تحتفظ به هو قرارك.
ما تحذفه متروك لك.
لقد اعتدنا على ملكية بياناتنا.
ربما حان الوقت لامتلاك سياقنا أيضًا.
$OPG #opg $RE $SYN
يمكنك معرفة مدى ذكاء الذكاء الاصطناعي فقط بعد بضع دقائق من الاستخدام. كم من الوقت تحتاج لتثق بأن محادثتك خاصة حقًا؟ هذا ما يخطر ببالي عندما أرى OpenGradient Chat يقدم 1,000 رصيد مجاني للمستخدمين الجدد. للوهلة الأولى، يبدو أن هذه مجرد خطة جذب للمستخدمين العاديين. لكن مع منتج مبني حول الخصوصية، فإن 1,000 رصيد تحل مشكلة أخرى: فجوة الثقة. سرعة الاستجابة يمكن الشعور بها على الفور. جودة الإجابات يمكن التحقق منها فورًا. لكن الخصوصية لا. لا يمكنك رؤية كيفية عمل التشفير المحلي. لا يمكنك رؤية oblivious relay. كما لا يمكنك رؤية كيفية معالجة بوابة TEE للبيانات. معظم المستخدمين لن يقرأوا الوثائق التقنية. يقررون البقاء أو المغادرة بعد بضع دقائق من التجربة. ربما 1,000 رصيد موجودة لخلق تلك اللحظة. لحظة يدرك فيها المستخدمون أنهم بدأوا في طرح أسئلة مختلفة عندما يعلمون أنه لا أحد يمكنه قراءة محادثتهم. من الجدير بالذكر أن @OpenGradient لا تكافئ التسجيل فقط. الإيردروب في الموسم الثاني مخصص لأولئك الذين يشترون الرصيد ويستخدمون المنتج فعليًا. التسجيل هو الخطوة الأولى. الثقة لها قيمة فقط عندما يعود المستخدمون. chat.opengradient.ai 1,000 رصيد ليست لتجربة دردشة بوت. إنها تستخدم للإجابة على سؤال أصعب: إلى أي مدى سيتغير أسلوب المستخدمين في المحادثة مع الذكاء الاصطناعي عندما يثقون حقًا أنه لا أحد يستمع؟ #opg $OPG $RE $SYN
يمكنك معرفة مدى ذكاء الذكاء الاصطناعي فقط بعد بضع دقائق من الاستخدام.
كم من الوقت تحتاج لتثق بأن محادثتك خاصة حقًا؟
هذا ما يخطر ببالي عندما أرى OpenGradient Chat يقدم 1,000 رصيد مجاني للمستخدمين الجدد.
للوهلة الأولى، يبدو أن هذه مجرد خطة جذب للمستخدمين العاديين.
لكن مع منتج مبني حول الخصوصية، فإن 1,000 رصيد تحل مشكلة أخرى:
فجوة الثقة.
سرعة الاستجابة يمكن الشعور بها على الفور.
جودة الإجابات يمكن التحقق منها فورًا.
لكن الخصوصية لا.
لا يمكنك رؤية كيفية عمل التشفير المحلي.
لا يمكنك رؤية oblivious relay.
كما لا يمكنك رؤية كيفية معالجة بوابة TEE للبيانات.
معظم المستخدمين لن يقرأوا الوثائق التقنية.
يقررون البقاء أو المغادرة بعد بضع دقائق من التجربة.
ربما 1,000 رصيد موجودة لخلق تلك اللحظة.
لحظة يدرك فيها المستخدمون أنهم بدأوا في طرح أسئلة مختلفة عندما يعلمون أنه لا أحد يمكنه قراءة محادثتهم.
من الجدير بالذكر أن @OpenGradient لا تكافئ التسجيل فقط.
الإيردروب في الموسم الثاني مخصص لأولئك الذين يشترون الرصيد ويستخدمون المنتج فعليًا.
التسجيل هو الخطوة الأولى.
الثقة لها قيمة فقط عندما يعود المستخدمون.
chat.opengradient.ai
1,000 رصيد ليست لتجربة دردشة بوت.
إنها تستخدم للإجابة على سؤال أصعب:
إلى أي مدى سيتغير أسلوب المستخدمين في المحادثة مع الذكاء الاصطناعي عندما يثقون حقًا أنه لا أحد يستمع؟
#opg $OPG $RE $SYN
الأسبوع الماضي، فتحت إيميلي ووجدت إشعار تجديد لأداة AI أستخدمها. ما أذكره بالضبط هو متى سجلت. كل ما أعرفه هو أنني أفتحها كل يوم. للكتابة. للبحث عن أفكار. لحل المهام. أدفع في الوقت المحدد تقريبًا دون التفكير في الأمر. حتى بدأت أتساءل: ماذا لو تم إغلاق الحساب غدًا؟ ماذا لو تضاعف السعر؟ ماذا لو اختفت ميزة مألوفة؟ يبدو أن العديد منا يبني عمله وروتينه اليومي على أدوات لا نملكها حقًا. في السابق، كان شراء البرمجيات يعني تثبيتها على جهاز الكمبيوتر الخاص بك. الآن، ندفع المال للحفاظ على الوصول إلى الذكاء. قد يكون ذلك جيدًا في معظم الأوقات. لكن الأشياء المهمة غالبًا ما يتم الانتباه إليها فقط عندما لا تكون موجودة بعد الآن. في تلك اللحظة، بدأت أهتم بالمشاريع التي تطرح سؤالًا مختلفًا حول الذكاء الاصطناعي. ما هي الحقوق التي يجب أن يمتلكها المستخدمون عندما يصبح الذكاء بنية تحتية؟ وجهة النظر هذه جعلتني ألاحظ @OpenGradient بينما تركز العديد من المشاريع على بناء نماذج أقوى، تعمل OpenGradient على بناء Open Intelligence - بنية تحتية للذكاء الاصطناعي حيث تُعطى الخصوصية، وقابلية التحقق، وحقوق الملكية الأولوية. سيصبح الذكاء الاصطناعي الطبقة التحتية الجديدة للإنترنت. ولا ينبغي أن تكون البنية التحتية الأكثر أهمية في المستقبل شيئًا نستأجره فقط. #opg $OPG $H $BTW
الأسبوع الماضي، فتحت إيميلي ووجدت إشعار تجديد لأداة AI أستخدمها.
ما أذكره بالضبط هو متى سجلت.
كل ما أعرفه هو أنني أفتحها كل يوم.
للكتابة.
للبحث عن أفكار.
لحل المهام.
أدفع في الوقت المحدد تقريبًا دون التفكير في الأمر.
حتى بدأت أتساءل:
ماذا لو تم إغلاق الحساب غدًا؟
ماذا لو تضاعف السعر؟
ماذا لو اختفت ميزة مألوفة؟
يبدو أن العديد منا يبني عمله وروتينه اليومي على أدوات لا نملكها حقًا.
في السابق، كان شراء البرمجيات يعني تثبيتها على جهاز الكمبيوتر الخاص بك.
الآن، ندفع المال للحفاظ على الوصول إلى الذكاء.
قد يكون ذلك جيدًا في معظم الأوقات.
لكن الأشياء المهمة غالبًا ما يتم الانتباه إليها فقط عندما لا تكون موجودة بعد الآن.
في تلك اللحظة، بدأت أهتم بالمشاريع التي تطرح سؤالًا مختلفًا حول الذكاء الاصطناعي.
ما هي الحقوق التي يجب أن يمتلكها المستخدمون عندما يصبح الذكاء بنية تحتية؟
وجهة النظر هذه جعلتني ألاحظ @OpenGradient
بينما تركز العديد من المشاريع على بناء نماذج أقوى، تعمل OpenGradient على بناء Open Intelligence - بنية تحتية للذكاء الاصطناعي حيث تُعطى الخصوصية، وقابلية التحقق، وحقوق الملكية الأولوية.
سيصبح الذكاء الاصطناعي الطبقة التحتية الجديدة للإنترنت.
ولا ينبغي أن تكون البنية التحتية الأكثر أهمية في المستقبل شيئًا نستأجره فقط.
#opg $OPG $H $BTW
سجّل الدخول لاستكشاف المزيد من المُحتوى
انضم إلى مُستخدمي العملات الرقمية حول العالم على Binance Square
⚡️ احصل على أحدث المعلومات المفيدة عن العملات الرقمية.
💬 موثوقة من قبل أكبر منصّة لتداول العملات الرقمية في العالم.
👍 اكتشف الرؤى الحقيقية من صنّاع المُحتوى الموثوقين.
البريد الإلكتروني / رقم الهاتف
خريطة الموقع
تفضيلات ملفات تعريف الارتباط
شروط وأحكام المنصّة