2026Sui

#grvt @grvt_io
ذات مرة قال لي أحد الأشخاص في مكتب التداول إن أكثر أربع كلمات رعبًا في عالم العملات الرقمية هي: "تم اختراق البورصة". ليس انهيار السوق. ليس صفقة سيئة. بل... أموال ذهبت، لأن شخصًا آخر كان يحمل مفاتيحك.
هذه هي المشكلة التي يقوم GRVT بمضغها بهدوء.
معظم البورصات تجبرك على الاختيار بين أمرين. منصات CEX تبدو سلسة، لكنك تضع أموالك بين يدي "صندوق أسود". منصات DEX تمنحك السيطرة، لكن التجربة تكون متعثرة وبطيئة، وبسيولة ضعيفة. GRVT يحاول الجلوس في المنتصف — بورصة هجينة حيث تتم عملية المطابقة خارج السلسلة للسرعة، لكن تتم التسوية على السلسلة من أجل الإثبات.
تخيّله كمطبخ مطعم لا تراه، لكن كل إيصال مُختوم وعلني. ما زلت تملك محفظتك بنفسك. وما زلت تتحكم بمفاتيحك. البورصة لا تلمسها أبدًا.
تحت الغطاء، يعمل GRVT ضمن بنية validium الخاصة بـ ZKsync. تبقى بيانات التداول الحساسة خارج السلسلة، محمية من الهجمات الأمامية (front-running)، بينما تثبت براهين المعرفة الصفرية الحالة النهائية مرة أخرى على Ethereum. هذه هي الجزء الذي أعتبره ذكيًا فعلًا — الخصوصية وقابلية التحقق ليسا عادةً أصدقاء في هذا المجال.
خط المنتجات يتضمن بالفعل عقودًا دائمة (perpetuals)، مع توسيع نطاق التداول الفوري والخيارات، إضافةً إلى توجه لترخيص العمل عبر عدة ولايات قضائية — وهو أمر نادر لأي شيء يطلق على نفسه DEX.
هل هو نظام مثالي؟ لا أعرف بعد، ما زلت أبحث.
لكن "الحفظ الذاتي دون التضحية بالسرعة" هي بالضبط نوع مشكلة الهندسة غير المُبهرة التي غالبًا ما تصبح مهمة لاحقًا.
اقرأ عنه بنفسك قبل تكوين رأيك: grvt.io

#opg $OPG @OpenGradient
يتم تنزيله باستمرار. تستخدمه الشركات في الإنتاج. تحصل على رسالة شكر عابرة من حين لآخر ولا شيء غير ذلك، لأنه لم تكن هناك آلية لجهة ناشرة للنماذج لالتقاط القيمة في كل مرة يتم فيها استخدام عملها فعليًا. حل موقع Hugging Face مشكلة الاكتشاف والتوزيع بشكل رائع. لكنه لم يحل مسألة تحقيق الربح عند نقطة الاستخدام، وهي الفجوة نفسها التي أثرت على الموسيقيين قبل أن توجد إتاوات البث، وعلى الكتّاب قبل ظهور النشرات المدفوعة. ذكرت ذلك لها الأسبوع الماضي، ثم نظرت إلى كيفية تعامل OpenGradient's Model Hub فعليًا مع عملية النشر، فتوقفتني الفروق عن إكمال الجملة.
في OpenGradient's Model Hub، يقوم المُبدع بنشر نموذج وتحديد سعره. في كل مرة يستدعي فيها مطور أو وكيل مستقل ذلك النموذج، يتم تسديد الدفع في $OPG على Base في الوقت الفعلي، تلقائيًا، دون فاتورة وبدون مطالبة يدوية. هذا هو الجزء الذي يهم أكثر مما يبدو للوهلة الأولى عند قراءته: يعني أن استخدام النموذج لم يعد غير مرئي للشخص الذي بنى النموذج. الباحثة التي ذكرتها قضت عامين في توليد قيمة لم تكن قادرة على اقتناصها. بروتوكول تُبنى فيه عملية تحقيق الربح داخل الاستدعاء نفسه، بدلًا من أن يُلحق لاحقًا عبر مفاوضات الترخيص، يغيّر مَن الذي يستفيد بالفعل من أبحاث الذكاء الاصطناعي مفتوحة المصدر.
لطالما اعتمد الذكاء الاصطناعي مفتوح المصدر على نوع من العمل غير المأجور الذي لا يتحدث عنه أحد مباشرةً، حيث نادرًا ما يلتقط الأشخاص الذين يقومون بالعمل الأساسي قيمة ما يحدث في النهاية. إذا كانت المدفوعات حسب الاستخدام موجودة عندما نشرت أول عمل مفيد لك من أعمال الذكاء الاصطناعي مفتوحة المصدر، فهل كان ذلك سيغيّر مقدار ما كنت ستنشره علنًا؟

#opg $OPG @OpenGradient
لدي نمط مع عمليات توزيع أرباح (airdrops) للعملات المشفّرة لست فخورًا به. أتفاعل مع البروتوكول بما يكفي لأؤهل، وأتحقق من معايير الأهلية، وأقوم بأي مهمة مطلوبة، ثم إلى حد كبير أتوقف عن استخدام المنتج بمجرد حدوث التوزيع. هذا رد منطقي على كيفية تصميم معظم الـ airdrops: المكافأة تُمنح مقابل النشاط التاريخي، لذا بعد أن تحصل على هذا النشاط لا يبقى شيء يمكن تحسينه. بدأت باستخدام chat.opengradient.ai لتخصيص رصيد S2، ولاحظت بعد نحو أسبوعين أن هناك شيئًا تغيّر في سلوكي.
واصلت استخدام الدردشة بعد أسبوعي الأول ليس لأنني كنت أتابع تراكم الرصيد، بل لأن تركيبة تشفير على الجهاز (on-device encryption)، وتوجيه Oblivious HTTP، ونتائج الاستدلال عبر TEE قد غيّرت نوع الأسئلة التي كنت على استعداد لطرحها. كنت أحصل على قيمة من المنتج بمعزل عن الرمز المميّز. وهذا أمر غير معتاد قوله عن المشاركة في airdrop للعملات المشفّرة. تصميم S2 يفلتر هذا النوع من المستخدمين بطبيعته: تتراكم الأرصدة عبر الاستدلال (inference)، وليس عبر الجسور (bridging) أو الاحتفاظ أو المشاركة في الحوكمة. الأشخاص الذين يتراكم لديهم $OPG في الموسم الثاني قد مرّوا جميعًا بمنظومة الخصوصية، وجربوا النماذج، وقضوا وقتًا حقيقيًا داخل المنتج. وهذا يعني قاعدة “حاملي” مختلفة جوهريًا عما تنتجه معظم توزيعات الرموز، وستعكس هيئة التوزيع عند TGE ذلك.
تصمّم معظم المشاريع airdrop لديها لتعظيم عدد المحافظ والدليل الاجتماعي. تصميم S2 لدى OpenGradient يعظّم بدلًا من ذلك التعرض للمنتج. إذا كنت تستخدم الدردشة للحصول على الرصيد، فأنا مهتم بمعرفة هل واصلت استخدامها بعد أن توقفت عن التفكير في التخصيص.

#opg $OPG @OpenGradient
المطور الذي أعرفه أطلعني على أتمتة قام ببنائها الشهر الماضي. وكيلٌ منظِّم يقوم بتقسيم مهمة إلى مهام فرعية، ثم يمرّر كل واحدة منها إلى وكيل متخصص؛ تستدعي تلك الوكلاء أدوات ونماذج فرعية، ويتم تجميع النتائج وإعادتها. بنية نظيفة، ومخرجات مذهلة. سألته: ماذا لو أن واحدة من الاستدعاءات في تلك السلسلة استخدمت نموذجًا مختلفًا عن الذي توقّعته، أو إذا تم تعديل موجه أحد الوكلاء الوسطيين بهدوء—كيف ستعرف؟ فكّر للحظة وقال إنه لن يعرف، إلا إذا حدث خطأ في مكان ما لاحقًا.
هذه هي مشكلة الثقة التي لا يتحدث عنها أحد ممن يبنون أنظمة وكيلة بعد، لأن معظم المسارات ما تزال صغيرة بما يكفي بحيث إن عقدة واحدة مخترَقة تنتج نتيجة تبدو—بشكل طفيف—غير مطابقة بدل أن تكون معطوبة بشكل واضح. ومع ازدياد طول سلاسل الوكلاء واتساع استقلاليتها، تصبح القدرة على التحقق من كل حلقة على حدة ليست ميزة إضافية لطيفة، بل الطريقة الوحيدة لمعرفة ما إذا كان الناتج الذي تتصرف بناءً عليه هو فعلًا نتاج النماذج والمنطق اللذين سمحت لهما. تُعد «براهين الاستدلال» من OpenGradient قابلة للتركيب عبر استدعاءات الوكلاء، ما يعني أن سيرًا مبنيًا على بنية $OPG ينتج سلسلة براهين قابلة للتدقيق لسير العمل بالكامل، لا مجرد مخرجات نهائية دون أي نسب.
يتحرك مجال الذكاء الاصطناعي الوكيل بسرعة كبيرة باتجاه سلاسل أطول مع قرارات أكثر استقلالية ومراجعة بشرية أقل في كل خطوة. عند أي نقطة في هذا التطور تتوقف قابلية التحقق على مستوى الاستدلال عن كونها اختيارية لأي شخص يبني شيئًا ذا أهمية؟

#opg $OPG @OpenGradient
يقرأ معظم الناس "برنامج NVIDIA Inception" على موقع مشروع ثم يسجلونه بالطريقة نفسها التي يسجلون بها شعار شراكة جامعية: إشارة مصداقية، غالبًا لا بأس بها، ثم يمضون قدُمًا. كنت أفعل الشيء نفسه أيضًا حتى قضيت ثلاثة أسابيع في أواخر عام 2024 أحاول الحصول على وصول موثوق إلى H100 لأحمال استدلال (inference) واصطدمت بجدار لم يكن له علاقة بالميزانية. ببساطة، لم تكن الحوسبة متاحة في الجداول الزمنية التي احتجتها. كانت قوائم الانتظار تُقاس بالأسابيع. كانت الأسعار الفورية (Spot) غير مستقرة. إن القيد على استدلال الذكاء الاصطناعي على نطاق الإنتاج ليس برمجيًا، بل هو إتاحة وحدات معالجة الرسوميات (GPU) فعليًا، وليس الجميع يحصل على نفس المستوى من الوصول إليها.
عندما رأيت OpenGradient مدرجًا ضمن برنامج NVIDIA Inception إلى جانب دعم a16z وCoinbase، قرأته بطريقة مختلفة عن قبل عام. Inception ليس مجرد شعار تضيفه إلى بيان صحفي. إنه علاقة توفر حصة تفضيلية من الحوسبة، ودعمًا للتكامل التقني، ووصولًا إلى عتاد تتنافس عليه معظم الفرق بشكل نشط. وبالنسبة لشبكة تكون وعودها الأساسية هي استدلال ذكاء اصطناعي قابل للتحقق على نطاق واسع، فإن القدرة على تقديم هذا الاستدلال فعليًا عندما ينمو الاستخدام ليست اعتبارًا ثانويًا. إنها الرهان نفسه. شبكة استدلال قابلة للتحقق لا تستطيع تأمين إتاحة GPU عندما ترتفع الحاجة لديها بادعاء منتج ينهار تمامًا عندما يكون ذلك أهم ما يمكن. $OPG هي الشبكة الوحيدة للاستدلال القابل للتحقق التي اطلعت عليها حيث يكون سؤال الوصول إلى الحوسبة له حلٌ بنيوي، وليس مجرد حلّ ظرفي.
يركز معظم من يقيّمون مشاريع بنية تحتية للذكاء الاصطناعي على طبقة التشفير تقريبًا بالكامل ونادرًا ما ينظرون إلى ما إذا كان الفريق قادرًا فعليًا على توفير الحوسبة لتشغيل الاستدلال على نطاق الحجم الذي يدّعون أنه قادر عليه. ما مشاريع البنية التحتية التي رأيتَها وقد أخذت سؤال إتاحة GPU على محمل الجد في تصميمها؟

#opg $OPG @OpenGradient
A client asked me last month to map their AI tooling against what the EU AI Act actually requires for high-risk applications, which includes anything touching credit, hiring, health, or legal decisions. I went through Article 13 on transparency, Article 17 on quality management, and the logging obligations under Article 12. By the time I finished I had a list of technical requirements that most platforms simply cannot satisfy, not because they chose not to, but because their infrastructure was never designed to produce the kind of traceable, auditable inference record that the regulation assumes exists.
The list I produced for my client had four requirements that most closed AI platforms structurally cannot meet without building a separate compliance layer on top of their existing stack. Immutable logging of model version per inference. Third-party verifiable transparency about which system acted. Reproducible outputs tied to a fixed model state. On-chain queryable audit trail for post-deployment monitoring. OpenGradient satisfies all four by default because the infrastructure was built around verifiable inference from the start, not retrofitted to accommodate a regulatory framework that arrived afterward. When enterprise teams start asking which AI infrastructure their legal and compliance teams can actually sign off on, $OPG 's architecture answers a different question than every other platform in the market.
The EU AI Act enforcement timeline puts significant obligations on high-risk AI deployments by 2026. Most teams I talk to are still treating compliance as a legal problem rather than an infrastructure problem. Has your organization started mapping its AI stack against what the regulation actually requires technically, not just in policy terms?

#opg $OPG @OpenGradient
طلب مني أحد العملاء في الشهر الماضي أن أقارن أدواتهم الخاصة بالذكاء الاصطناعي بما تتطلبه فعلياً لائحة الاتحاد الأوروبي بشأن الذكاء الاصطناعي (EU AI Act) بالنسبة للتطبيقات عالية الخطورة، والتي تشمل أي شيء يمس قرارات تتعلق بالائتمان أو التوظيف أو الصحة أو الأمور القانونية. راجعت المادة 13 الخاصة بالشفافية، والمادة 17 الخاصة بإدارة الجودة، والتزامات التوثيق/السجل بموجب المادة 12. وعندما انتهيت كان لدي قائمة بالمتطلبات التقنية التي لا يمكن لمعظم المنصات ببساطة تلبيتها، ليس لأنهم اختاروا عدم القيام بذلك، بل لأن البنية التحتية لديهم لم تُصمم أصلاً لإنتاج نوع سجل استدلال يمكن تتبعه وقابلاً للتدقيق الذي تفترضه اللائحة.
تضمنت القائمة التي قدمتها للعميل أربعة متطلبات لا يمكن لمعظم منصات الذكاء الاصطناعي المغلقة تلبيتها بشكل بنيوي دون بناء طبقة امتثال منفصلة فوق مكدسها الحالي. توثيق غير قابل للتغيير لإصدار النموذج لكل استدلال. شفافية قابلة للتحقق من طرف ثالث حول النظام الذي قام بالفعل بالإجراء. مخرجات قابلة لإعادة الإنتاج مرتبطة بحالة نموذج ثابتة. سجل تدقيق يمكن الاستعلام عنه عبر السلسلة (On-chain) للمراقبة بعد النشر. يحقق OpenGradient الأربعة جميعاً افتراضياً، لأن البنية التحتية بُنيت منذ البداية حول استدلال قابل للتحقق، وليس عبر تعديل لاحق لاستيعاب إطار تنظيمي وصل في وقت لاحق. عندما تبدأ فرق المؤسسات في التساؤل عن البنية التحتية للذكاء الاصطناعي التي يمكن لفرق القانون والامتثال لديهم فعلياً الموافقة عليها، فإن معمارية $OPG تجيب سؤالاً مختلفاً عن كل منصة أخرى في السوق.
تُسند الجداول الزمنية لإنفاذ EU AI Act التزامات كبيرة على عمليات نشر الذكاء الاصطناعي عالية الخطورة بحلول عام 2026. أغلب الفرق التي أتحدث معها ما زالت تتعامل مع الامتثال باعتباره مشكلة قانونية وليس مشكلة بنية تحتية. هل بدأت منظمتك في مواءمة مكدس الذكاء الاصطناعي لديها مع ما تتطلبه اللائحة تقنياً، وليس فقط من منظور السياسات؟

#opg $OPG @OpenGradient
طلب مني عميل الشهر الماضي أن أضع خريطة لأدوات الذكاء الاصطناعي الخاصة بهم مقابل ما يتطلبه قانون الذكاء الاصطناعي في الاتحاد الأوروبي فعليًا للتطبيقات ذات المخاطر العالية، والتي تشمل أي شيء يتعلق بالائتمان، التوظيف، الصحة، أو القرارات القانونية. قمت بمراجعة المادة 13 حول الشفافية، المادة 17 حول إدارة الجودة، وواجبات التسجيل بموجب المادة 12. بحلول الوقت الذي انتهيت فيه، كان لدي قائمة من المتطلبات الفنية التي لا تستطيع معظم المنصات تلبيتها ببساطة، ليس لأنها اختارت عدم القيام بذلك، ولكن لأن بنيتها التحتية لم تكن مصممة أبدًا لإنتاج نوع السجل القابل للتتبع والمراجعة الذي يفترض أن التنظيم موجود.
القائمة التي أعددتها لعملي تحتوي على أربعة متطلبات لا يمكن لمعظم منصات الذكاء الاصطناعي المغلقة تلبيتها هيكليًا دون بناء طبقة امتثال منفصلة فوق هيكلها الحالي. تسجيل غير قابل للتغيير لنسخة النموذج لكل استدلال. شفافية قابلة للتحقق من طرف ثالث حول النظام الذي تم تنفيذه. مخرجات قابلة للتكرار مرتبطة بحالة نموذج ثابتة. مسار تدقيق قابل للاستعلام على السلسلة لمراقبة ما بعد النشر. OpenGradient تلبي جميع الأربعة افتراضيًا لأن البنية التحتية تم بناؤها حول استدلال قابل للتحقق منذ البداية، وليس مُعاد تشكيلها لتناسب إطار تنظيمي وصل لاحقًا. عندما تبدأ الفرق المؤسساتية في السؤال عن أي بنية تحتية للذكاء الاصطناعي يمكن لفِرَقها القانونية وفرق الامتثال الموافقة عليها فعليًا، فإن هندسة $OPG تجيب على سؤال مختلف عن كل منصة أخرى في السوق.
تضع الجدول الزمني لتنفيذ قانون الذكاء الاصطناعي في الاتحاد الأوروبي التزامات كبيرة على نشرات الذكاء الاصطناعي عالية المخاطر بحلول عام 2026. معظم الفرق التي أتناقش معها لا تزال تعالج الامتثال كمشكلة قانونية بدلاً من أن تكون مشكلة بنية تحتية. هل بدأت منظمتك في رسم خريطة هيكل الذكاء الاصطناعي الخاص بها مقابل ما يتطلبه التنظيم فعليًا من الناحية الفنية، وليس فقط من حيث السياسات؟

#opg $OPG @OpenGradient
لقد استخدمت مولد صور بالذكاء الاصطناعي لحملة عميل العام الماضي. سير العمل المعتاد، لا شيء غير عادي. بعد ثلاثة أشهر من تسليم المشروع، تلقى العميل إشعارًا قانونيًا يدعي أن الصورة تشبه ملكية فكرية مرئية محمية. تمحورت النزاع حول سؤال واحد لم يستطع أحد في السلسلة الإجابة عليه: أي نموذج أنشأ الصورة، على أي نسخة من بيانات تدريبه، في أي توقيت دقيق. المنصة التي استخدمتها سجلت الموجه لكن لم تسجل حالة النموذج. لم يكن هناك أصل. كانت الصورة موجودة بدون شهادة ميلاد، وذهبت المحادثة القانونية إلى لا شيء مفيد لعدة أشهر.
تشغل OpenGradient Image Studio التوليد عبر Gemini وByteDance Seedream وxAI Aurora، جميعها عبر نفس طبقة الاستدلال القابلة للتحقق التي تسجل تجزئة النموذج وتوقيت على السلسلة لكل مخرج. الصورة التي تحصل عليها تأتي مع إيصال يوثق بالضبط أي نموذج أنتجها، في أي حالة، في أي لحظة. هذا الإيصال ليس سياسة منصة أو ادعاء شروط الخدمة. إنه سجل تشفيري موجود بشكل مستقل عما إذا كانت المنصة تواصل العمل أو التعاون. بالنسبة لأي شخص يستخدم الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي في سياقات تجارية أو قانونية أو تحريرية، فإن الفرق بين صورة ذات أصل وأخرى بدون أصل يتزايد ليكون الفرق بين القابل للدفاع وغير القابل للدفاع. يجعل $OPG الأصل الافتراضي بدلاً من أن يكون فكرة لاحقة.
لا تزال الصناعات القانونية والإبداعية تعمل على تحديد ما يتطلبه أصل صورة الذكاء الاصطناعي في الممارسة العملية. إذا كنت تعمل مع المرئيات التي تم إنشاؤها بواسطة الذكاء الاصطناعي تجاريًا، هل بدأت في الاحتفاظ بسجلات عن أي نموذج أنتج ماذا، وهل يجعل أداتك الحالية ذلك ممكنًا على الإطلاق؟

#opg $OPG @OpenGradient
حدث هذا قبل حوالي ستة أسابيع. أداة تحليل الذكاء الاصطناعي التي كنت أستخدمها رصدت إعدادًا وجدته مقنعًا. قمت بحجم الصفقة، لكن الصفقة اتجهت ضدّي، وعندما حاولت أن أفهم ما الخطأ الذي حدث، واجهت جدارًا. لم أستطع أن أخبر إذا ما تم تحديث النموذج منذ آخر مرة تحققت فيها من نتائجه. لم أستطع التحقق مما إذا كانت بيانات التغذية التي استخدمها حية أو كانت بها تأخير لم أكن أعلم عنه. لم أستطع تأكيد أي نسخة من منطق التحليل كانت تعمل في اللحظة المحددة التي تصرفت بناءً عليها. كان هناك ثلاثة أشياء منفصلة يمكن أن تكون قد تعطلت، ولم يكن هناك طريقة لعزل أي منها. لم أتعلم شيئًا مفيدًا من الخسارة.
BitQuant هي إجابة OpenGradient لهذا الأمر بالتحديد. كل إشارة تنتجها تأتي مع إثبات استنتاج على السلسلة يسجل أي نسخة من النموذج تم تشغيلها، وما البيانات التي تمت معالجتها ومتى، وهاش قابل للتحقق من المنطق الذي أنتج النتيجة. عندما تسوء صفقة يمكنك سحب الإيصال وعزل بالضبط أي متغير فشل. إذا كان النموذج لم يتغير وكانت البيانات حية، كانت القراءة لك. إذا كانت البيانات بها تأخير لم تكن تعرف عنه، فقد تعلمت شيئًا عن الأداة. الفرق بين خسارة تعلّمك شيئًا وخسارة تكلفك مالًا هو ما إذا كنت تستطيع تحديد أي جزء تعطل. $OPG يجعل ذلك ممكنًا لأول مرة في الذكاء الاصطناعي المالي.
كنت أفكر في مدى كون ما يسميه الناس "تطوير الحدس" في التداول هو في الواقع تعلم التعويض عن الأدوات التي لا تخبرك عندما تفشل. إذا كانت كل إشارة تأتي مع مسار تدقيق قابل للتحقق، كيف ستستخدم تحليل الذكاء الاصطناعي بشكل مختلف في عمليتك؟

#opg $OPG @OpenGradient
كنت في اجتماع لمدة ساعتين عندما حدث ذلك. كان التوأم الذكي الخاص بي على منصة أخرى قد تعامل مع ثلاث رسائل واردة، واقتبس سعر مشروع لشخص كنت أتناقش معه، واتفق على جدول زمني تقريبي للتعاون. بحلول الوقت الذي تحققت فيه من إشعاراتي، كان الشخص الآخر قد رد بالفعل بعرض مضاد. لقد مثلني الذكاء الاصطناعي في مفاوضة لم أكن أعلم أنها تحدث، ولم يكن هناك أي سجل في أي مكان عن ما قاله بالضبط، أو أي نسخة من نموذجه كانت تعمل، أو ما التعليمات التي تم إعطاؤها له. كان علي أن أعيد بناء المحادثة من سجل الدردشة وآمل ألا يكون قد تم تعديل أي شيء.
الجزء الذي لا يتحدث عنه أحد عندما يناقشون وكلاء الذكاء الاصطناعي الذين يعملون نيابة عنك هو ما يحدث عندما يتم الطعن في أحد هذه الأفعال. التوأم الرقمي الذي يمكنه اقتباس الأسعار، جدولة الالتزامات، والتفاوض على الشروط هو في الأساس كيان قانوني يعمل باسمك. إذا قام بشيء لم تكن تنوي القيام به، أو شيء يفسره الطرف الآخر بشكل مختلف عنك، فإن مسألة ما قاله الذكاء الاصطناعي بالفعل وما كان مخولًا له قوله تصبح حقيقية جدًا بسرعة. يولد التوأم.fun الخاص بـ OpenGradient إثبات استدلال على السلسلة لكل إجراء يتخذه التوأم، مما يعني أن نسخة النموذج، المدخلات، والمخرجات كلها قابلة للتدقيق بعد ذلك. التوأم المدعوم بـ $OPG لا يعمل فقط من أجلك. بل يعمل مع إيصال.
معظم الأشخاص الذين يقومون بالبناء مع وكلاء الذكاء الاصطناعي الآن لا يفكرون في طبقة المساءلة على الإطلاق، بل في طبقة القدرة. عندما يتعهد الذكاء الاصطناعي الذي يعمل كبديل لك بشيء ما يحتفظ به شخص آخر، كيف يبدو مسار التدقيق الخاص بك؟

#opg $OPG @OpenGradient
حذفت حسابي على ChatGPT مرة واحدة لاختبار ما سيحدث. كل تفضيل تعلمه، كل سياق بنى حول كيفية تفكيري وما أعمل عليه، كل نمط التقطه من شهور من المحادثات، ذهب. لم يتم تصديره. لم يتم نقله. لم يكن لي أن آخذ أي شيء إلى أي مكان. فقط ذهب، لأن الذاكرة لم تكن ملكي. كانت ملكاً للمنصة. أعيد بناء السياق من الصفر على الأداة التالية التي جربتها وتلك التي بعدها، وهذا هو الوقت الذي بدأت أفكر فيه فيما يعنيه حقاً أن تمتلك ذاكرة ذكاء اصطناعي بالطريقة التي تمتلك بها ملفاً.
MemSync هو جواب OpenGradient لمشكلة لا يحددها أحد بشكل صحيح. إنه يخزن ذاكرتك الذكائية على السلسلة، مشفرة تحت مفتاحك، لذا هي ملك لك بنفس الطريقة التي يمتلك بها الملف. عندما تغير النماذج، يأتي السياق معك. عندما تغلق حساباً، لا شيء يختفي. عندما تريد أن تعرف ماذا يتذكر الذكاء الاصطناعي عنك، يمكنك فعلاً التحقق من ذلك بدلاً من الثقة في صفحة الإعدادات. لأول مرة، العلاقة التي لدي مع مساعد ذكاء اصطناعي ليست مشروطة بالبقاء على منصة واحدة. الذاكرة ملكي والنموذج قابل للتبديل، وهو بالضبط عكس كيفية تصميم كل منتج ذكاء اصطناعي رئيسي حالياً، عن عمد.
أعتقد أن معظم الناس لم يلاحظوا بوعي كم من السياق يعيدون شرحه في كل مرة يجربون أداة ذكاء اصطناعي جديدة، لأنهم قبلوا ذلك كتكلفة تحويل طبيعية. $OPG يتراهن على أنه بمجرد أن يجرب الناس الذاكرة المحمولة، لن يعودوا إلى الوراء. هل سبق لك أن قمت بتغيير أدوات الذكاء الاصطناعي وشعرت بفقدان السياق أكثر مما كنت تتوقع؟

#opg $OPG @OpenGradient
قضيت بعض الوقت أحاول أفهم ليه معظم مشاريع الذكاء الاصطناعي على البلوكشين كانت تحس كأنها تتظاهر. العرض كان دايمًا نفس الشيء — استنتاج لامركزي، حساب قابل للتحقق، ذكاء اصطناعي بدون ثقة. لكن لما نظرت كيف كانوا شغالين، تقريبًا كلهم كانوا يشغلوا كل عقدة تحقق من خلال نفس تنفيذ النموذج عشان يوصلوا للتوافق. وده يبدو صحيح لحد ما تفكر في اللي يتطلبه فعليًا. صفقة البلوكشين القياسية تأخذ ميلي ثانية على وحدة المعالجة المركزية. استنتاج واحد من LLM يأخذ ثواني على مجموعة GPU عالية الجودة تكلف آلاف الدولارات شهريًا. طلب من كل مُحقق يعيد تنفيذ كل استنتاج عشان يتحقق منه مو خيار تصميم. ده مستحيل حسابيًا على أي نطاق حقيقي.
جواب OpenGradient على ده هو بنية اسمها HACA، تفصل التنفيذ عن التحقق تمامًا. عقد الاستنتاج المتخصصة تشغل النموذج مرة واحدة، بسرعة، باستخدام عتاد GPU، وترجع دليل تشفيري عن اللي حصل. بعدين العقد الكاملة تتحقق من هذا الدليل بدون ما تلمس GPU أو تعيد تشغيل أي شيء. النموذج ينفذ بسرعة ويب 2. ضمان الثقة يتثبت على السلسلة. لأول مرة الحاجتين دول مو في توتر مع بعض، لأنهم مُعالجين من نوعين مختلفين تمامًا من العقد اللي عمرهم ما يحتاجوا يعملوا شغل بعض. لما فهمت ده، توقفت عن التفكير في $OPG كمنتج ذكاء اصطناعي مبني على البلوكشين وبدأت أفكر فيه كأول طبقة بنية تحتية حيث استنتاج الذكاء الاصطناعي القابل للتحقق فعليًا ممكن حسابيًا.
الشيء اللي أرجع له هو كم مشروع وكيل ذكاء اصطناعي يطلقوا على سلاسل مو مصممة لهذا الحمل نهائيًا. إذا كانت طبقة التحقق الأساسية مش مبنية لحسابات GPU، فادعاء "الذكاء الاصطناعي القابل للتحقق" غالبًا يكون تسويق. كم فريق يبني وكلاء ذكاء اصطناعي فعلاً تدققوا إذا كانت السلسلة اللي اختاروها تقدر تحقق استنتاج بحجم حقيقي؟

#opg $OPG @OpenGradient
أنا جربت استخدم تطبيق AI واحد لكل شيء لمدة أسبوع، من الأسئلة الحساسة، إنشاء الصور، إلى تغيير النموذج حسب الرغبة، لأرى في نهاية الأسبوع ماذا تبقى لي في النظام. هذا التطبيق هو OpenGradient Chat. النتائج جعلتني أعيد التفكير في مفهوم الخصوصية في الذكاء الاصطناعي.
في اليوم الأول، اختبرت الأساس. كل مساعدي الذكاء الاصطناعي الآخرين يطلبون منك أن تثق في سياسة خصوصية طويلة لا يقرأها أحد. OpenGradient استبدلت الوعد ببرهان رياضي، الرسائل مشفرة مباشرة على الجهاز، الهوية تُزال قبل أن تصل إلى النموذج.
في اليوم الثالث، جربت Image Studio، لإنشاء الصور عبر Gemini وByteDance وxAI في نفس الوقت. نفس طبقة الخصوصية تنطبق على الثلاثة، ولا نموذج واحد له أولوية في جمع البيانات أكثر من الآخر.
في اليوم الخامس، قمت بالتغيير من Claude Fable 5، النموذج الأكثر ضبطًا، إلى Nous Hermes، النموذج الذي ليس لديه حواجز محتوى. فلسفتان متعارضتان، لكنهما في نفس القائمة، مع نفس طبقة التشفير.
في نهاية الأسبوع، نظرت إلى سجل الاستخدام. كل رصيد تم شراؤه واستخدامه على OpenGradient Chat يُحسب ضمن الشروط المؤهلة للحصول على S2 OPG airdrop، لا تحتاج لعمل أي شيء إضافي سوى استخدام التطبيق كالمعتاد.
ما فاجأني أكثر هو أن الأربعة أشياء التي كانت تبدو منفصلة، إثبات الخصوصية، إنشاء الصور متعددة النماذج، دردشة الرقابة المزدوجة، والأهلية للـ airdrop، كلها مجرد تجليات لنفس طبقة البنية التحتية. تغيير النموذج لا يغير الخصوصية. تغيير الميزة لا يغير آلية الحماية.
السؤال الذي أتابعه هو عندما تضيف OpenGradient المزيد من النماذج والميزات، هل ستحتفظ تلك الطبقة الأساسية بالتناسق هذا؟

#opg $OPG @OpenGradient
عندي قائمة من الأشياء اللي ما راح أسأل أي مساعد ذكاء صناعي متصل بشركة تعرف اسمي، بريدي الإلكتروني، وعنواني الفاتورة. أعراض صحية تقلقني. بند في العقد ما أفهمه. موقف مالي أشعر بالخجل أسأل محاسب عنه. مو لأن الإجابات خطيرة، لكن لأني أعلم أن الطلب وهويتي مرتبطين في نفس قاعدة البيانات، مرتبطين إلى الأبد. لقد قبلت هذا كتكلفة لاستخدام الذكاء الصناعي. بعدين نظرت بتمعن على ما تفعله OpenGradient Chat فعليًا مع الطلب قبل ما يصل لأي نموذج.
الشيء اللي وقفني كان البنية. HTTP غير الواعي يعني أن الوسيط اللي يForward طلبك يمكنه رؤية عنوان IP الخاص بك لكنه ما يشوف اللي كتبته. منطقة TEE اللي تدير الاستدلال يمكنها رؤية طلبك لكنها ما تعرف أبدًا من أرسله. لا نقطة واحدة في السلسلة تحتفظ بكلتا القطعتين في نفس الوقت. هذه مو سياسة خصوصية تقول "ما راح نشوف." إنها نظام مصمم بحيث حتى لو كل طرف أراد ربط اسمك بسؤالك، هم هيكليًا ما يقدرون. رجعت لقائمة الأسئلة اللي ما أسألها للذكاء الصناعي وبدأت أسألها.
أغلب الناس اللي أعرفهم يراقبون نفسهم في الأسئلة اللي يطرحونها على الذكاء الصناعي لأنه يفترضون أنها مسجلة ضد حسابهم. لو تم إزالة هذا الافتراض بواسطة البنية بدلاً من السياسة، أنا فضولي كيف الناس راح يستخدمونها بشكل مختلف.
هل جربت $OPG 's chat.opengradient.ai لشيء ما كنت راح تكتبه في مكان ثاني؟

#opg $OPG @OpenGradient
حدث هذا عندما كنت أتحقق من قطعة من البحث الذي قمت به في أواخر 2025 باستخدام مساعد ذكاء اصطناعي كبير. قمت بتشغيل نفس الطلب مرة أخرى للتحقق من المنطق وجاءت الإجابة مختلفة بشكل ملحوظ. ليس في التفاصيل الواقعية، بل في هيكل التفكير. قضيت وقتًا أتساءل عما إذا كنت قد أخطأت في تذكر جلستي السابقة. ثم نظرت إلى متى تم تحديث النموذج آخر مرة وأدركت أن النموذج الذي استخدمته في ديسمبر لم يعد هو النموذج الذي كنت أتحدث إليه في مايو. لقد تم استبداله بصمت.
هذا شيء لا يتحدث عنه أحد تقريبًا عندما يناقشون ثقة الذكاء الاصطناعي. الجميع يركز على ما إذا كان النموذج يكذب. لا أحد يسأل ما إذا كان النموذج الذي يتحدثون إليه اليوم هو نفس النموذج الذي كانوا يتحدثون إليه في الشهر الماضي. مع نشرات واجهة برمجة التطبيقات القياسية، غالبًا ما تكون الإجابة لا، وليس هناك طريقة لمعرفة ذلك. OpenGradient يصلح هذا ليس من خلال سجل التغييرات أو ملاحظات الإصدار ولكن بشيء أقرب إلى تجزئة التزام Git للذكاء الاصطناعي - كل واحد من 4500+ نموذج على الشبكة لديه معرف على السلسلة مرتبط بأوزان ثابتة، وكل استدلال يولد إثباتًا يمكن التحقق منه. عندما تستدعي شبكة $OPG بتجزئة معينة، يضمن لك الحصول على نفس سلوك النموذج الذي حصلت عليه من قبل. هذه ضمانة قابلة للتكرار لا تقدمها أي منصة مغلقة.
الشيء الذي أواصل التفكير فيه هو مدى البحث والتحليل المالي الذي قام به الناس على مساعدي الذكاء الاصطناعي دون معرفة ما إذا كان النموذج الأساسي قد تغير بين الجلسات. إذا كنت قد استخدمت chat.opengradient.ai، هل كانت شفافية النموذج على السلسلة قد غيرت فعلاً كيف كنت تفكر في الثقة في المخرجات؟

#opg $OPG @OpenGradient
كنت أفكر في سبب معالجة الذكاء الاصطناعي غير الخاضع للرقابة والذكاء الاصطناعي الخاص كحديثين مختلفين، فئتين مختلفتين من المنتجات تستهدفان مستخدمين مختلفين بمخاوف مختلفة. وكلما نظرت أكثر إلى كيفية عمل البنية التحتية، بدأت أعتقد أن هذا الإطار غير صحيح. إنهم نفس المشكلة.
عندما يقوم منصة ذكاء اصطناعي قياسية بفرض رقابة على موضوع ما، فهذا يعني أن المشغل لديه طبقة تجلس بينك وبين النموذج، طبقة يمكنها قراءة ما تسأل، وتقرر أنها لا تحبه، وت intercept الاستجابة. تلك الطبقة نفسها هي ما يجعل المحادثة غير خاصة. الرقابة والمراقبة ليست ميزات منفصلة. إنها قدرتان من نفس المكون المعماري: قدرة المشغل على الجلوس في المنتصف.
ما أجد مختلفًا حقًا حول chat.opengradient.ai هو أن منطقة TEE لا تقوم فقط بتشفير محادثتك. إنها تزيل قدرة المشغل على الجلوس في المنتصف تمامًا. عندما يتم توجيه استدلال $OPG عبر منطقة معزولة عن الأجهزة، فإن نموذج Nous Hermes غير الخاضع للرقابة ليس غير خاضع للرقابة لأن شخصًا ما قرر السماح له. إنه غير خاضع للرقابة لأن البنية التقنية لا يمكنها فرض الرقابة عليه. هذه ضمانة من نوع مختلف.
معظم ميزات الخصوصية هي وعود. ما أفكر فيه هو ما إذا كان المستخدمون يفهمون فعلاً الفرق بين سياسة تقول "نحن لا ننظر" ومنطقة تجعل النظر مستحيلاً. هل جربت OpenGradient Chat بعد، وهل لاحظت أي شيء مختلف حول كيفية استخدامك له؟

#bedrock $BR @Bedrock
في عطلة نهاية الأسبوع الماضية، حاولت تتبع بالضبط ما يحدث لبيتكوين واحدة منذ لحظة دخولها إلى Bedrock حتى لحظة عملها عبر خزنة مؤسسية. كنت أتوقع قصة بسيطة عن التخزين. ما وجدته كان خط أنابيب يتكون من خمس مراحل، معظم الناس يرون فقط أجزاء منه.
تبدأ المشكلة التي لا يحددها أحد بشكل صحيح. بيتكوين كابيتال ليست صغيرة، بل مبعثرة. أكثر من 5000 بيتكوين موجودة عبر 15+ سلسلة، تقريبًا 382 مليون دولار في TVL، وليس منها ما يقوم بشيء منتج بمفرده. هذه هي المرحلة الأولى، وهي السبب وراء وجود كل شيء آخر.
uniBTC هو نقطة الدخول الموحدة، والجزء الذي لم أقدره حتى مؤخرًا هو أن كل عملية سك يتم التحقق منها ضد Chainlink Secure Mint قبل حدوثها، لذا فإن ضمان 1:1 ليس مجرد ادعاء، بل يتم تطبيقه على مستوى العقد. من هناك، brBTC تتولى الأمر كطبقة تجميع ديناميكية، تنشر التخصيص عبر Babylon وEigenLayer وKernel وPell وSymbiotic وMellow في وقت واحد بدلاً من الرهان على واحدة فقط.
الجزء الذي يربط كل هذا هو BRclaw. محلل ذكاء اصطناعي على السلسلة يجلس فوق كل هذا، يقرأ الظروف الحقيقية ويقرر أين يجب أن تذهب رأس المال فعليًا. هذا هو التحول من التجميع إلى التخصيص الذي تشير إليه Bedrock 2.0، وهو السبب في أن النتيجة النهائية ليست مجرد عائد، بل خزائن مؤسسية مصممة لرأس المال الذي يحتاج إلى أكثر من رقم APY واحد.
لا يزال معظم حاملي البيتكوين عالقين في المرحلة الأولى دون أن يدركوا أن المراحل من الثانية إلى الخامسة موجودة بالفعل.
أي مرحلة في هذا الخط الأنبوبي تعتقد أنها الأصعب بالنسبة لـ Bedrock لتحقيقها على المدى الطويل؟
تحليل شخصي فقط، وليس نصيحة مالية.

#bedrock $BR @Bedrock
قبل بضعة أسابيع، دخلت في دوامة أبحث عن إجابة لسؤال كان يزعجني أكثر مما ينبغي. عندما يعرض لي بروتوكول لوحة تحكم لإثبات الاحتياطي، ما الذي يمنعه فعليًا من سك المزيد من الرموز أكثر مما لديه من احتياطات، في الفجوة بين تحديث الأوركل ومعاملة السك؟
اتضح أن Bedrock كانت قد بدأت بالفعل بإغلاق تلك الفجوة بالضبط. تطور تكاملها مع Chainlink من التحقق الأساسي من الاحتياطات على السلسلة إلى شيء يسمى Secure Mint، وبمجرد أن فهمت الآلية، أعادت تشكيل كيف أفكر في كل أصل BTC مغلف أملكه.
إليك الجزء الذي يغفله معظم الناس. إثبات الاحتياطي وحده يخبرك بوجود الاحتياطات في مكان ما. Secure Mint يذهب أبعد من ذلك من خلال تضمين تحقق مباشرة في العقد الذكي لـ uniBTC، لذا قبل سك أي رمز جديد، يتحقق العقد من أن إجمالي المعروض بالإضافة إلى مقدار السك الجديد يبقى عند أو أقل من الاحتياطات الموثقة من بيتكوين المبلغ عنها على السلسلة. إذا كانت الاحتياطات غير كافية، تعود معاملة السك تلقائيًا. لا إشراف يدوي، لا افتراض ثقة، لا تأخير بين الحفظ والإنشاء.
شبكات الأوركل التابعة لـ Chainlink قد أمنت أكثر من 100 مليار دولار من قيمة DeFi في ذروتها، مما يعطي هذه الطبقة من التحقق وزنًا حقيقيًا بدلاً من مجرد ادعاء تسويقي.
هذا الأمر يصبح أكثر أهمية بالنظر إلى الاتجاه الذي تسير فيه Bedrock 2.0. إذا كانت BRclaw ستقوم بتوجيه Bitcoin Capital بشكل ذكي عبر خزائن مؤسسية، يجب أن تكون الضمانات الأساسية مدعومة بشكل موثوق عند نقطة الإصدار، وليس فقط عند لقطة زمنية معينة. بنية الأمان مثل هذه هي ما يجعل التوجيه الذكي موثوقًا بدلًا من كونه ذكيًا فقط.
مع توسع BTCFi عبر المزيد من السلاسل، يبدو أن معيار التحقق هذا أقل من كونه ميزة إضافية وأكثر من كونه الحد الأدنى الذي يجب أن يُحتفظ به كل رمز مدعوم بالأصل.
هل تتحقق من تغذيات إثبات الاحتياطي بنفسك قبل أن تمتلك أصل BTC مغلف، أم أنك تعتمد على كلمة البروتوكول لذلك؟

#bedrock $BR @Bedrock
كنت على وشك تخطي هذا الجزء من وثائق Bedrock لأنه بدا وكأنه نسخة أمنية قياسية. ثم قرأته مرة أخرى وأدركت أن هذه في الواقع واحدة من أكثر الآليات underrated في السرد 2.0 بالكامل.
تدعي معظم بروتوكولات BTCFi إثبات الاحتياطي وتوقف عند هذا الحد. لكن Bedrock ذهبت خطوة أبعد مع Chainlink Secure Mint، وهو فحص تحقق في المينت مدمج مباشرة في العقد الذكي. إليك ما يعنيه ذلك في الممارسة العملية. في كل مرة يتم فيها سك uniBTC، يتحقق العقد في الوقت الفعلي مما إذا كان إجمالي العرض بالإضافة إلى كمية السك الجديدة يبقى أقل من أو يساوي احتياطيات BTC الموثقة التي نشرتها شبكات الأوركل اللامركزية من Chainlink. إذا فشل فحص الاحتياطي، يتم إلغاء عملية السك تلقائياً. لا يوجد تدخل بشري، ولا افتراض ثقة خارج السلسلة.
هذا يغلق الفجوة بين إثبات الاحتياط وإثبات الإصدار، وهما شيئان يبدوان متشابهين ولكنهما ليسا نفس الشيء. يمكن لبروتوكول ما أن يكون لديه احتياطيات صحيحة على الورق بينما لا يزال يسك رموز غير مدعومة إذا لم يكن هناك تنفيذ على مستوى العقد.
بالإضافة إلى Chainlink CCIP لنقلات عبر السلاسل، هذا هو الأساس تحت كل uniBTC يتدفق إلى نظام التوجيه الذكي من Bedrock وخزائن Modular.
بالنسبة لحاملي BTC الذين يقيمون بروتوكولات BTCFi، ما هو الوزن الذي تعطيه شخصياً للتحقق في المينت مقابل APY العنوان عند تحديد مكان إيداع رأس المال؟
تحليل شخصي فقط، ليس نصيحة مالية.