Levi web3

Estaba revisando la referencia del SDK de Python de OpenGradient ($OPG , #OPG ), esperando que la verificación fuera la característica principal con la que el equipo del proyecto se presenta: @OpenGradient enmarca su red tal como está diseñada desde cero para la inferencia verificable mediante IA. La función de finalización del LLM toma un argumento inference_mode con dos opciones, VANILLA o TEE, y la predeterminada que aparece en la firma de la función es VANILLA. En la documentación se describe esa predeterminada de forma directa: una ejecución estándar que devuelve resultados en cadena, pero que no proporciona atestación de hardware. Sin enclave, sin prueba criptográfica de la ejecución: solo una respuesta y un hash de pago. Conseguir la garantía de que la visión en realidad está construida en torno a eso significa que un desarrollador tiene que pasar explícitamente TEE como argumento; de lo contrario, cada llamada se ejecuta en el modo que la propia documentación describe como omitiendo ese paso. Es una sola palabra clave en una llamada a una función: es fácil dejarla intacta al copiar un ejemplo de inicio rápido, y en silencio invierte el orden que yo esperaba: la verificación suena como la base, pero se entrega como algo que eliges después. Me sigo preguntando qué proporción del tráfico de inferencia en la red está realmente corriendo bajo la predeterminada sin atestación, y si ese número aparece en algún lugar que un usuario pueda comprobar.

OpenGradient Chat se lanzó a principios de este mes con una premisa que me hizo detenerme: @OpenGradient $OPG #OPG no apuesta por que un solo modelo de IA sea mejor que el resto; apuesta por que no deberías tener que elegir. La aplicación enruta a través de ChatGPT, Claude, Gemini, Grok y ByteDance Seed dentro de una sola interfaz, lo que permite a los usuarios cambiar a mitad de la conversación o ejecutar dos modelos en paralelo. Esa decisión de diseño es más extraña de lo que suena para un proyecto de infraestructura que ha pasado meses posicionándose alrededor de una ejecución de IA verificable. Cuando realmente usas el producto de Chat, la capa “verificable” no toca las salidas del modelo: se encarga de la canalización de anonimización. Incluye cifrado del lado del cliente, un relé OHTTP que elimina tu IP y una pasarela aislada en TEE que nunca registra el texto en claro. La atestación demuestra que tu solicitud se mantuvo privada. No dice nada sobre si Claude o Gemini respondieron correctamente, ni cómo. La arquitectura de elección de modelos hace que la app sea inmediatamente competitiva con cualquier envoltorio de varios modelos, pero también separa silenciosamente el producto de Chat de la narrativa central de la red. Si esa separación importa para los usuarios o para la economía de $OPG token es otra cuestión completamente distinta.

Estaba hoy profundizando en los documentos económicos de @OpenGradient — específicamente siguiendo cómo se supone que $OPG funciona como una vía de pago de inferencia en vivo. El planteamiento de Foundation es contundente: cada llamada verificada de IA se liquida en Base en OPG, sin claves de API, sin tarjetas de crédito, solo un monedero. Demanda directa ligada al cómputo. #OPG
Vale, pero esperen un momento. CoinGecko ahora mismo tiene a $OPG con una caída del 19,4% en los últimos siete días — peor que la caída del 5,3% del mercado en general — con un volumen en 24 horas de 32,8M$ frente a una capitalización de mercado de 23,97M$. Eso da una relación volumen-capitalización de 1,37 a 1 en un día normal de trading. Yahoo Finance muestra una oferta circulante de 197,6M, apenas 7,6M tokens añadidos desde el TGE del 21 de abril. Todo lo demás — equipo, inversores, asesores — bloqueado por un período de 12 meses.
Así que el free float sigue siendo escaso, los vendedores son un grupo reducido y, aun así, el token está comprimiéndose un 19% semana contra semana. Si la señal de demanda de inferencia se estuviera notando, esperarías que al menos pusiera un piso sobre parte de esa presión vendedora tan limitada. No lo ha hecho todavía.
Quizá el volumen de inferencia sea realmente pequeño en comparación con el flujo especulativo, y eso sea solo una realidad de etapa temprana. Quizá haya un retraso en la liquidación que no estoy considerando. Pero la brecha entre "precios de IA en compute real de OPG" y "OPG está -19% con 1,37x volumen-capitalización en una semana plana" todavía no se ha cerrado para mí.

Lo que se me quedó después de pasar tiempo en la documentación de @OpenGradient no es la arquitectura de verificación en sí: es lo que revela el valor predeterminado sobre la economía de la plataforma. La mayoría de los servicios de IA fijan precios por consumo: tokens que entran, tokens que salen. $OPG funciona de otra manera. Hay un requisito de tokens fijo antes de que ocurra cualquier cosa, y el valor predeterminado de liquidación — BATCH_HASHED en lugar de ZKML o PRIVATE — deja claro que la plataforma no está vendiendo granularidad de pruebas. Está vendiendo participación en infraestructura a un costo de entrada fijo. La implicación es silenciosa: en un mundo donde la inferencia se convierta en una mercancía, la capa defendible quizá ni siquiera sea la computación. Podría ser el mecanismo de coordinación alrededor de ella. La arquitectura de #OPG apuesta a que los valores predeterminados se vuelven estándares, y que quien define el entorno predeterminado de verificación captura valor no por inferencia, sino por la relación con el desarrollador. Si eso constituye un foso duradero o una caseta de peaje suave es algo que la documentación no responde.

Lo que me quedó de MemSync no fue la función: fue el lugar en el que vive dentro del stack. @OpenGradient construye $OPG alrededor de inferencias verificables: enclaves TEE, pruebas ZKML y modos de liquidación que te permiten elegir cuánta confianza necesitas antes de que se acepte un resultado. La propuesta de #OPG es computación auditable. Pero MemSync — la capa responsable de dar continuidad a los agentes de IA entre sesiones, de hacer que un modelo se comporte menos como una función sin estado y más como algo que recuerda — está fuera de ese perímetro de verificación. La inferencia se atestigua. La memoria que la alimenta no. Así que puedes verificar lo que concluyó el agente, pero no el contexto acumulado del que estaba razonando cuando llegó allí. Eso no es exactamente un fallo: persistir memoria con la misma sobrecarga de atestiguación que la inferencia sería arquitectónicamente brutal, y quizá esa brecha se cierre más adelante. Pero significa que el límite de confianza en este sistema se detiene en la capa de computación, no en todo el proceso de decisión. No puedo dejar de pensar en lo que significa "IA verificable" cuando lo que se verifica es solo el último paso.

Algo a lo que vuelvo una y otra vez mientras avanzo por la documentación de @OpenGradient : el proyecto se presenta como infraestructura para la economía de la IA, con $OPG posicionada como una capa de liquidación para una inferencia verificable y #OPG apareciendo en conversaciones de Web3 IA como si la capa de ejecución fuera independiente del modelo. Lo que la documentación dice más bajo es la restricción de formato: los modelos se ejecutan en la red como archivos ONNX. ONNX es una elección sólida para el ML clásico, para arquitecturas neuronales compactas y para canalizaciones de inferencia reproducibles, pero no es como funcionan la mayoría de despliegues de modelos grandes de lenguaje o modelos fundacionales hoy en día. Los grandes transformadores no se trasladan de forma limpia a ONNX a escala sin concesiones en precisión o trabajos de adaptación arquitectónica. Así que el “AI” en la infraestructura de IA está más cerca de la ejecución ONNX verificable que de la capa de inferencia que normalmente se quiere decir cuando se dice IA ahora mismo. Esto no es una limitación fatal: la inferencia ML verificable en cadena es una capacidad técnica específica y real, pero implica que el proyecto está construyendo infraestructura de confianza para una categoría más estrecha de modelos de la que el planteamiento sugiere. Aún no está decidido si la capa de ejecución se ampliará para abarcar los modelos que realmente impulsan la demanda actual, o si la restricción de ONNX define silenciosamente para qué está la red.

When I started reading OpenGradient's positioning around agent trust, I expected to find a verification system that wraps an agent's decision loop. What I found instead was narrower: @OpenGradient 's $OPG infrastructure verifies that a specific model call produced a specific output under attestation — TEE-based or ZKML-based — but the agent itself is not the unit of trust. The verified perimeter begins and ends at the inference call. What the agent does with that output — the downstream action, the tool invocation, the next prompt construction — happens outside the verification boundary. Memory, via MemSync, operates as a separate REST layer and doesn't enter the on-chain verification record. So when #OPG describes a "trust layer for AI agents," the precision is off by one abstraction level: it's a trust layer for individual inference steps that an agent might contain, not for agent behavior as a whole. That distinction probably matters less right now than it will once agents start executing consequential on-chain actions autonomously. What gets attested then — and what doesn't — will define what "trustworthy" actually means.

Algo sobre la frase "gemelo digital" seguía llamándome mientras leía la documentación de arquitectura de Twin.fun para OpenGradient $OPG #OPG @OpenGradient . La palabra implica una réplica personal — IA que refleja tu identidad, algo que te pertenece en un sentido significativo. Pero la documentación del creador describe "gemelo digital" como un 16-byte en la cadena, con metadatos almacenados fuera de la cadena en Walrus, y la propiedad que por defecto pertenece a la wallet que compra primero a suministro cero si no existe un pre-mapeo. El beneficio principal del creador listado primero no es el control del modelo o derechos de entrenamiento — es compartir ingresos en operaciones clave a través de una curva de vinculación al estilo de FriendTech. Lo que realmente posees es una posición de receptor de tarifas en un mercado de acceso especulativo. La IA en sí, la capa de inteligencia, no se describe como algo que entrenas, configuras o mantienes en ningún sentido custodial al que los documentos puedan referirse. Seguí preguntándome si lo "personal" en IA personal se refiere a algo arquitectónico que aún no está capturado en la capa del contrato, o si está haciendo algo completamente diferente.

Hay un cambio sutil entre el manifiesto de OpenGradient y su propio lenguaje de financiamiento que seguí releyendo. $OPG , #OPG , @OpenGradient construyó su identidad en la línea "inteligencia propiedad de sus usuarios" — bóvedas de memoria encriptadas, datos soberanos, una promesa de que si tus datos mejoran un modelo, compartes las ganancias como co-creador, no solo como usuario. Pero el anuncio de la recaudación de abril describe la misma red de manera diferente: infraestructura donde "los desarrolladores son dueños de la inteligencia de la que dependen sus productos." Dos propietarios diferentes, dos documentos diferentes, meses de diferencia. Así que verifiqué dónde vive realmente la reclamación a nivel de usuario en el sistema. La estructura documentada del Model Hub — repositorio, lanzamiento, archivos — lleva metadatos para nombre, descripción, licencia y etiquetas, todos establecidos a nivel de modelo por quien lo sube. No pude encontrar un campo, un contrato o un mecanismo que rastree quién contribuyó con los datos detrás de un modelo o qué se les debe por ello. Las herramientas de fork y auditoría son genuinamente sin permisos, pero son características de SDK y CLI diseñadas para desarrolladores que gestionan repositorios, no para la persona cuyo contexto entrenó la cosa en primer lugar. No sé si eso es una brecha en la etapa inicial o simplemente cómo se iba a asentar siempre la arquitectura.

Pasé una tarde explorando la parte de generación de imágenes de OpenGradient para una tarea de CreatorPad, esperando el flujo habitual de "elige un modelo, escribe un prompt". @OpenGradient ($OPG , #OPG ) promociona el Image Studio como libertad creativa a través de múltiples modelos, y técnicamente eso es cierto — puedes navegar por el Model Hub y ejecutar diferentes arquitecturas. Lo que me llamó la atención fue la capa subyacente: cada generación aún pasa por x402 como una llamada de inferencia pagada, asentada en Base, y tú eliges cuánto de eso se escribe en la cadena — privado, por lotes hash, o completamente auditable. La parte de "libertad" es real a nivel de interfaz; la fricción aparece un paso antes, donde necesitas una billetera que ya contenga $OPG antes de que cualquier modelo te responda. No es un mal diseño, la verificación tiene que pagarse de alguna manera, pero redefine lo que significa "acceso" aquí. Un usuario casual explorando estilos está tomando una decisión en cadena medida cada vez, incluso si la interfaz lo oculta bien. Aún no sé si eso se convierte en algo invisible con el hábito, o si filtra silenciosamente a quienes siguen generando más allá del primer intento gratis.

Pasé la última tarea rastreando cómo se supone que las piezas de OpenGradient deben conectarse — modelos, memoria, agentes — y terminé mirando una firma de función por más tiempo del que me gustaría admitir. $OPG , #OPG , @OpenGradient ... la documentación habla de los tres como un solo stack, el marco del ecosistema implica un solo sistema nervioso. Pero llm.chat() en el SDK de Python toma una lista de mensajes y nada más — sin user_id, sin gancho de memoria, sin parámetro de contexto. MemSync, la capa de memoria a largo plazo, vive como una API REST completamente separada, y su propia documentación está alojada bajo un dominio diferente (memchat.io) en lugar de opengradient.ai. Así que un agente que quiere tanto inferencia verificada como memoria persistente tiene que obtener manualmente hechos de un sistema e inyectarlos en el array de mensajes de otro, y luego escribir nuevos hechos de vuelta después. Nada obliga a que ese bucle ocurra, y nada en el SDK asume que lo hará. Seguí esperando encontrar el código de unión, la parte donde llamar al LLM automáticamente toca la memoria, y simplemente... aún no está ahí. Tal vez eso esté bien por ahora, tal vez sea el orden de operaciones obvio para una empresa de infraestructura que todavía está en testnet. Aún me pregunto si "ecosistema" aquí significa integrado o simplemente adyacente.

Algo sobre la arquitectura de verificación de OpenGradient que no registré completamente hasta que me senté con ello: $OPG #OPG @OpenGradient se posiciona alrededor de la inferencia de IA verificable — la idea de que puedes probar que un modelo se ejecutó correctamente sin confiar en el operador. Ese enfoque se basa en ZKML, que es real, pero también es computacionalmente prohibitivo para casi cualquier modelo que funcione a una escala práctica hoy en día. Lo que el protocolo realmente utiliza de forma predeterminada es la atestación TEE — entornos de ejecución confiables respaldados por hardware de Intel y AMD. Esos no son lo mismo. ZKML te da una prueba matemática; TEE te da una atestación del fabricante de hardware de que el entorno de ejecución no fue manipulado. Uno no requiere suposiciones de confianza más allá de las matemáticas, el otro reubica silenciosamente la confianza del operador a la cadena de suministro de silicio. No creo que esto invalide el proyecto — TEE es una mejora significativa sobre la inferencia sin verificación — pero hay una brecha entre "IA criptográficamente verificada" y "ejecución atestada en hardware confiable" que la narrativa tiende a comprimir. La pregunta interesante es si ZKML alguna vez se vuelve factible en términos de computación a gran escala, o si TEE simplemente se convierte silenciosamente en el predeterminado permanente.

Fui a investigar cómo @OpenGradient ($OPG , #OPG ) realmente maneja la privacidad en la práctica, no cómo lo enmarca la página de inicio, y la respuesta apareció en el SDK mismo. Las funciones de chat y de completado ambas configuran su modo de liquidación por defecto a BATCH_HASHED: cada llamada de inferencia, a menos que lo sobrescribas explícitamente, se agrupa en un árbol de Merkle con los hashes de entrada y salida escritos en la cadena. También existe un modo PRIVADO, completamente fuera de la cadena, nada publicado, pero es un parámetro que debes saber que existe antes de poder pedirlo, no es lo que se ejecuta cuando simplemente llamas a la función. La capa TEE realmente protege tu solicitud cruda del operador del nodo, así que la afirmación de privacidad no es falsa, solo es más silenciosa y limitada de lo que suena en la página de aterrizaje. Lo que se llama 'privado' aquí son en realidad dos garantías diferentes apiladas bajo una sola palabra, privacidad de ejecución y privacidad de liquidación, y solo la primera se envía activada. Me sigo sorprendiendo haciendo esto con otros protocolos también, leyendo un adjetivo como si cubriera todo lo que hace un producto en lugar de verificar qué capa específica estaba describiendo. Tengo curiosidad si OpenGradient alguna vez cambia ese valor por defecto, o si la eficiencia de costos sigue ganando ese argumento en silencio.
#OPG

Leyendo la arquitectura de chat de OpenGradient $OPG para una tarea de CreatorPad, un detalle me detuvo y no me soltó: el nodo de relé y la puerta de enlace de inferencia están diseñados para conocer solo la mitad de cualquier solicitud dada. El relé HTTP Oblivious de @OpenGradient ve tu dirección IP y nada más, solo bytes encriptados que pasan, mientras que la puerta de enlace aislada por TEE desencripta el prompt dentro de un enclave sellado pero nunca aprende quién lo envió. #OPG enmarca esto como un intercambio de una política de privacidad por prueba, ya que la atestación del enclave permite a cualquiera confirmar que el código en ejecución coincide con lo que se afirma en lugar de confiar en las intenciones de una empresa. Esa parte se sostiene. Lo que sigo volviendo es la distancia entre verificable y verificado — la garantía es estructuralmente real, ya sea que una sola persona alguna vez extraiga el registro de atestación y lo verifique, y casi nadie lo hará. Así que el sistema es honesto de una manera que una política no puede ser, pero esa honestidad es mayormente teórica para todos excepto para el puñado que realmente mira. ¿Cuenta una garantía como tal si nadie la está reclamando?
@OpenGradient
#OPG

Estaba a medio camino de la tarea cuando revisé el desglose real de la cadena para uniBTC en DeFiLlama — no es lo que dice @Bedrock _DeFi, solo donde se encuentra el TVL en este momento. Bedrock ($BR , #Bedrock ) comercializa uniBTC como participación en Bitcoin desbloqueada a través de más de 15 ecosistemas. El número es real. El spread no lo es.
$458.83M en total. Bitcoin nativo: $182M. Ethereum: $132M. Modo: $86M. Eso es 87% en tres cadenas. Base — que tuvo un anuncio dedicado — tiene $232. No $232M. $232. Berachain, después de la campaña Boyco que incorporó casi 1,000 BTC: $57,430.
Así que la capa de "nuevas posibilidades a través de ecosistemas" está técnicamente activa. Simplemente está operando a casi cero en la mayoría de esas cadenas. La arquitectura es real. La gravedad de la liquidez no la sigue.
El 20 de junio están a siete días — 40.63M BR desbloqueándose para el equipo fundador y los inversores iniciales. Los poseedores de veBR votan sobre dónde fluyen los incentivos de gauge. Los equipos y la ronda inicial que reciben esos tokens podrían bloquearse en la gobernanza y ejercer peso hacia las cadenas delgadas. O no lo hacen.
Lo que me hace preguntarme: ¿realmente uniBTC desbloquea la participación de Bitcoin a través de ecosistemas, o solo confirma dónde la liquidez de Bitcoin ya estaba cómoda yendo?
#Bedrock
@Bedrock

Terminé la tarea de Bedrock. Lo que realmente me mantenía atento no era la arquitectura del producto, sino el momento del desbloqueo.
$BR / #Bedrock / @Bedrock . 20 de junio. A ocho días. 40.63M de tokens se liberan — 25M para el equipo fundador, 15.63M para los inversores semilla. $4.21M en total, 4.1% del suministro, ahí mismo en el rastreador de desbloqueo en vivo. Ese es el hecho en la cadena que está silenciosamente debajo de la narrativa de la "capa de liquidez central".
La arquitectura no está mal. uniBTC, brBTC, Chainlink PoR, rutas multi-chain hacia Babylon, Pell y Kernel — alguien pensó seriamente en dónde necesita fluir BTC en un stack DeFi. Y el modelo veBR se supone que es el contrapeso a exactamente esta presión. Bloquea BR, gana veBR, aumenta los rendimientos y el peso de gobernanza. Teóricamente reduce la oferta circulante antes de las ventanas de desbloqueo.
Pero la relación de rotación es 0.192. Delgada. Y no pude encontrar una lectura clara de cuánto BR está realmente bloqueado en veBR en este momento versus cuánto está líquido. El modelo funciona si la adopción supera la oferta de desbloqueo. Eso es un verdadero si.
"Capa de liquidez" es una afirmación de estado futuro. Hoy está más cerca de una capa de intención de liquidez.
Aún lidiando con esa brecha…

Lo que me llamó la atención mientras revisaba Bedrock (@Bedrock_DeFi) no fue la expansión multi-chain en sí, sino cómo funciona esa expansión cuando el activo subyacente es Bitcoin. La posición uniBTC y brBTC del protocolo #Bedrock compite por Bitcoin líquido a través de Ethereum, BNB Chain y otras redes. Pero distribuirse entre cadenas no agrupa la liquidez; la divide. La misma base de colateral que podría crear una profundidad significativa en una cadena se extiende a varias, lo que significa que cada implementación individual termina siendo más delgada de lo que sugiere el número agregado de TVL. La cifra en los titulares parece a gran escala; la profundidad por cadena cuenta una historia más silenciosa. Esa tensión estructural importa más aquí que en la mayoría de las estrategias multi-chain, porque el modelo veBR depende de que $BR tenedores crean que el protocolo tiene una influencia real y utilizable sobre la liquidez en esas cadenas. Si la liquidez es real pero fragmentada, la influencia es real pero diluida. Si la fragmentación se resuelve a medida que Bedrock crece o se convierte en un techo permanente sobre cuánto puede consolidar realmente la liquidez de Bitcoin un solo protocolo a través de redes competidoras, aún no he llegado a una conclusión.
@Bedrock
$BR
#Bedrock

He estado en la tarea @Bedrock _DeFi más tiempo del que esperaba. La tesis de BTCFi se ve limpia desde lejos — $BR , veBR, votación de gauge, rendimiento BTC multi-chain. La clase de arquitectura que se ve bien en una presentación.
Pero lo que realmente se quedó conmigo: la IDO de la Binance Wallet de Bedrock tuvo una sobre suscripción del 9,653% en el TGE. Eso no es una señal de tecnología. Eso es una señal de distribución. uniBTC no ganó temprano porque superó a la competencia en ingeniería — ganó porque cayó dentro del alcance de Binance.
Y ahora el 20 de junio está a diez días. 40.63M de BR desbloqueándose — 25M para el equipo fundador, 15.63M para los inversores semilla, $4.21M en total al precio de hoy. Ha bajado aproximadamente un 12% en la última semana. El modelo veBR está diseñado para la gobernanza comunitaria. Pero las direcciones con más poder de bloqueo eventual son las mismas que recibieron asignación a través de acceso a rondas cerradas, no a través de la participación en el gauge abierto.
Espera — si el verdadero cuello de botella de BTCFi es la distribución, no la ingeniería, ¿importa en absoluto la elegancia del modelo de gauge? ¿O principalmente gobierna los beneficios de una decisión de distribución que ya se tomó en el TGE, antes de que la mayoría de los miembros de la comunidad estuvieran en la sala?
#Bedrock

Lo que me detuvo en medio del scroll fue una pregunta sencilla: si cada BTC depositado en @Bedrock se convierte en capital activo a través de uniBTC, ¿qué es exactamente lo que mantiene estable el valor? El marketing alrededor de $BR y la tesis más amplia de #Bedrock es clara: tu Bitcoin genera rendimiento sin salir de tus manos, pero al trabajar a través del mecanismo real, seguía llegando a la misma dependencia: el rendimiento de restaking es demanda a nivel inferior. Los AVS tienen que querer seguridad económica, pagar por ella de forma constante, y ese mercado todavía está en sus primeras etapas, todavía desigual. Los rendimientos de restaking en protocolos adyacentes a EigenLayer cayeron notablemente cuando la incorporación de AVS se desaceleró en los ciclos iniciales, y Bedrock hereda exactamente esa variación. El capital se convierte en activo—esa parte es real. Pero la estabilidad aquí no es algo que el protocolo pueda garantizar; reside en una capa inferior, una que aún está descubriendo cuánto realmente vale para las redes que dependen de ella. No creo que eso haga que el diseño sea deshonesto, pero la promesa de BTC generador de rendimiento es realmente un proxy para algo más estructural y menos asentado que lo que sugiere "capital activo".

Algo en la tesis #Bedrock ($BR ) me estuvo dando vueltas durante esta tarea. @Bedrock_DeFi's uniBTC y brBTC realmente hacen lo que la premisa central afirma: toman Bitcoin inactivo y lo dirigen hacia posiciones que generan rendimiento en la infraestructura DeFi. Esa parte es real y medible. Pero cuando empecé a rastrear dónde realmente aterriza el valor económico, la imagen se complicó. El token no hereda automáticamente la activación de Bitcoin. Hay una capa de veBR que se sitúa entre el rendimiento a nivel de protocolo y la economía de los tenedores de tokens — un bloqueo de gobernanza que significa que los tenedores casuales están posicionados al lado de la actividad en lugar de dentro de ella. Bitcoin se vuelve productivo a nivel de producto. Las tarifas se acumulan para el protocolo. Pero si esas tarifas eventualmente se traducen en el valor del token $BR pasa por un modelo de gobernanza con el que la mayoría de los participantes probablemente no interactúan activamente. La transformación de Bitcoin de almacenado a activo está sucediendo a nivel de infraestructura. La pregunta que no podía quitarme de la cabeza: ¿se está transformando para el ecosistema en general, o principalmente para los participantes ya dentro de la estructura de gobernanza?
@Bedrock
$BR
#Bedrock