Mr_Kavin

Récemment, l’intérêt pour le secteur de la sécurité de l’automatisation on-chain a fortement augmenté, et de nombreuses personnes au sein de la communauté surveillent de près NEWT. Je mène des recherches sur les données on-chain depuis de nombreuses années. Au cours des derniers jours, j’ai continuellement testé le Newton Mainnet Beta, en exécutant des flux de bout en bout incluant la validation des autorisations et des challenges de nœuds. J’ai aussi lu, chapitre par chapitre, le chapitre 4 de la page consacrée à l’architecture de sécurité dans le livre blanc, en le recoupant avec les relevés de mise en jeu (staking) et de slashing/pénalités on-chain. La plupart des projets similaires sur le marché misent surtout sur la promotion de la technologie de connaissance zéro, et leurs règles de punition des nœuds sont vagues : il existe presque aucun canal permettant aux utilisateurs de demander réparation lorsqu’ils font face à une exécution erronée.
J’ai toujours gardé la même approche en trading : d’abord l’essayer en pratique, puis regarder les données on-chain. Je n’entre pas aveuglément dans une position uniquement parce que quelque chose est tendance ; je cartographie plutôt de manière objective l’état opérationnel réel aujourd’hui.
Après des tests concrets, je peux confirmer que l’ensemble du mécanisme de sécurité est déjà mis en œuvre et fonctionne — ce n’est pas simplement un plan sur le papier. J’ai ajusté à plusieurs reprises les limites et les horaires d’exécution des transactions automatisées ; toute opération dépassant les autorisations prédéfinies sera directement bloquée par zkPermissions. Les nœuds s’appuient sur une rotation aléatoire basée sur la VRF afin d’empêcher qu’un seul nœud ne contrôle pendant longtemps la puissance de calcul du réseau. Les opérateurs doivent synchroniser la mise en jeu à la fois en ETH et en NEWT pour fournir une double garantie (collatéral). Si une preuve/identifiant d’exécution erroné est généré, les deux types d’actifs seront slas hés/confisqués par le contrat. Le Mainnet Beta conserve un grand nombre de registres réels de pénalités. En utilisant le coût des tokens pour contraindre le comportement des nœuds, la mise en œuvre des mesures de sécurité dépasse largement celle de projets similaires.

@NewtonProtocol #Newt $NEWT

#newt $NEWT @NewtonProtocol
Je lis à propos du protocole Newton, et une idée ne cesse de me revenir.

Tout le monde parle de savoir si les agents d’IA peuvent exécuter des transactions en toute sécurité. Mais et si ce n’était pas la partie la plus difficile ?

Et si le véritable défi consistait à s’assurer que la politique dit bien ce que l’utilisateur veut réellement dire ? Une liste de règles peut-elle jamais capturer quelque chose d’aussi nuancé que le jugement humain ? Et si une IA suit exactement chaque règle telle qu’elle est écrite, tout en produisant toutefois un résultat auquel l’utilisateur ne s’attendait pas, l’IA a-t-elle échoué—ou bien la politique ?

Cela ressemble à une conversation bien plus importante pour l’avenir de la finance autonome.

#newt $NEWT @NewtonProtocol
Voici une version plus naturelle et plus conversationnelle, qui donne l’impression d’une pensée authentique de quelqu’un qui analyse le protocole, plutôt que d’un texte écrit pour capter l’attention.

Plus je pense au protocole Newton, plus une idée revient sans cesse.

Et si le vrai défi n’était pas de réussir à faire suivre des instructions à un agent IA ?

Et si c’était plutôt de s’assurer que ces instructions ont encore du sens au moment où elles sont exécutées ?

Les marchés peuvent changer très vite. Un agent pourrait faire exactement ce qu’on lui a dit, tout en passant à côté de ce que l’utilisateur voudrait réellement à cet instant.

Voilà un problème bien plus difficile à résoudre — et, pour moi, l’une des questions les plus passionnantes derrière la finance autonome.

#newt $NEWT @NewtonProtocol
Plus je lis sur le protocole Newton, plus je me surprends à penser au-delà de la technologie elle-même. Plus je lis sur le protocole Newton, plus je me surprends à penser au-delà de la technologie elle-même.

Si l’IA doit faire plus que de simples suggestions, qu’est-ce qui poussera réellement les gens à lui faire confiance ? Une sécurité solide suffira-t-elle, ou les gens s’attendront-ils à comprendre aussi comment ces systèmes se comportent ? Et à mesure que davantage d’agents autonomes entreront dans le domaine, qu’est-ce qui distinguera ceux sur lesquels les gens comptent de ceux qu’ils ignorent ?

On dirait que le prochain grand défi n’est pas seulement de construire une IA plus intelligente : c’est de mériter la confiance des gens.ogy elle-même.

Si l’IA doit faire plus que de simples suggestions, qu’est-ce qui poussera réellement les gens à lui faire confiance ? Une sécurité solide suffira-t-elle, ou les gens s’attendront-ils à comprendre aussi comment ces systèmes se comportent ? Et à mesure que davantage d’agents autonomes entreront dans le domaine, qu’est-ce qui distinguera ceux sur lesquels les gens comptent de ceux qu’ils ignorent ?

On dirait que le prochain grand défi n’est pas seulement de construire une IA plus intelligente, c’est de mériter la confiance des gens.

Plus j’en apprends sur l’IA, plus je réalise que les modèles puissants ne sont qu’une partie de l’histoire. Ce qui compte vraiment, c’est l’infrastructure qui les sous-tend — l’endroit où ils s’exécutent, qui les contrôle et la question de savoir si les utilisateurs peuvent réellement faire confiance aux résultats qu’ils reçoivent.

C’est notamment pour cela qu’OpenGradient a attiré mon attention. Au lieu de garder l’IA confinée dans quelques plateformes centralisées, le projet explore un réseau où des modèles peuvent être hébergés et utilisés sur une infrastructure décentralisée. C’est une autre manière de penser l’IA : non pas comme un service contrôlé par un petit nombre de fournisseurs, mais comme une ressource pouvant être plus ouverte et plus largement accessible.

Ce qui m’intéresse le plus, c’est l’accent mis sur la vérification. À mesure que l’IA s’intègre à des décisions de plus en plus importantes, la confiance devient un enjeu réel. Il est légitime de se demander si un modèle fonctionne comme annoncé et si ses sorties peuvent être validées de manière indépendante. Concevoir des systèmes qui répondent à ces questions me semble aller dans la bonne direction.

On parle souvent de rendre l’IA plus intelligente, plus rapide ou plus grande. Mais il existe une autre conversation qui mérite d’avoir lieu — comment la rendre plus transparente et plus fiable. Des projets comme OpenGradient explorent ce défi, et il sera intéressant de voir comment l’infrastructure décentralisée façonnera la prochaine phase du développement de l’IA.

#opg $OPG @OpenGradient

OpenGradient ressemble moins à un produit qu’à une tentative de transférer l’intelligence hors d’une seule pièce et de la faire vivre dans quelque chose de diffus et partagé. Pas seulement de l’IA hébergée sur les serveurs d’une entreprise, mais une IA qui s’exécute dans de nombreux endroits, reliée par une infrastructure que la plupart des gens ne voient jamais.

Ce qui ressort, c’est à quel point l’attention se déplace des modèles vers le sol sur lequel ils reposent. L’hébergement, l’inférence, la vérification—des éléments qui, d’ordinaire, restent invisibles en arrière-plan—deviennent la structure principale au lieu de n’être qu’un support. L’intelligence n’est plus simplement « là » : elle doit être portée par un réseau qui la reconstruit en continu, en temps réel.

Il y a dans tout cela quelque chose de discrètement instable et d’intéressant. Le système n’a pas vraiment de centre vers lequel pointer, et pourtant, quand on interagit avec lui, il fonctionne comme une seule entité. Cette tension entre le fait d’être distribué et de rester néanmoins perçu comme unifié, c’est là que se loge l’essentiel de la complexité.

La vérification cesse aussi de paraître simple dans ce contexte. Ce n’est plus seulement un contrôle final à la fin. Cela devient une activité répartie sur plusieurs points, où différentes parties du réseau s’accordent en permanence afin de maintenir la confiance. On a moins l’impression d’un tampon d’approbation que d’un processus continu qui ne se termine jamais vraiment.

Et en dessous de tout, on observe un lent changement dans la façon dont le contrôle se comporte. Il n’est pas supprimé : il est simplement réparti si finement qu’il commence à ressembler davantage à de la coordination qu’à de la possession.

#opg $OPG @OpenGradient

#opg $OPG @OpenGradient
J'ai passé assez d'années dans la crypto pour savoir à quelle fréquence la même histoire revient sous un nouveau nom. C'est pourquoi je continue de penser à quelque chose qui est généralement ignoré dans les discussions sur l'IA. On passe tellement de temps à se demander si une réponse est correcte, mais je commence à penser que la question plus honnête est de savoir quand cette réponse a été réellement formulée. Le timing change la signification de tout. Une prédiction n'a de sens que si tu peux prouver qu'elle existait avant le résultat. Une affirmation n'est solide que si son historique est visible, pas construite plus tard de mémoire. C'est ce qui m'a fait remarquer @OpenGradient et $OPG . Je ne me laisse pas facilement convaincre, et je ne fais pas confiance aux récits brillants, mais une IA vérifiable semble être l'une des rares idées ici qui pourrait vraiment avoir de l'importance.

Je n'arrête pas de penser à quel point "le consentement" est vraiment étrange en ligne. J'ai relu une politique de confidentialité que j'avais acceptée il y a deux ans, et elle avait déjà changé quatre fois. Personne ne m'a vraiment informé d'une manière qui compte. Juste une petite mise à jour enfouie quelque part dans les paramètres, le genre de chose que tu ne remarques que si tu cherches déjà des ennuis. Et pourtant, c'était suffisant pour que l'appli considère mon utilisation continue comme un consentement. Cette partie me dérange honnêtement plus que la plupart des violations. Pas parce que c'est bruyant, mais parce que c'est silencieux.

J'ai déjà vu ce genre de chose dans le crypto aussi. Souvent, les gens parlent de confiance comme si elle était remplacée par quelque chose de plus fort, mais ensuite le système trouve toujours un moyen de s'appuyer sur la confiance quand cela compte le plus. Le langage semble solide jusqu'à ce que tu regardes de plus près, et là, ça commence à paraître un peu trop flexible.

C'est pourquoi les garanties cryptographiques me semblent différentes. Une attestation TEE ne se réécrit pas silencieusement plus tard. Elle est fixée au moment où elle est créée. Si quelque chose a fonctionné sur une entrée spécifique dans un environnement vérifié, cette preuve est là. Elle ne change pas parce que quelqu'un a décidé de mettre à jour le libellé six mois plus tard.

Je ne dis pas que ça rend tout meilleur. Ça ne le fait pas. Mais après avoir observé suffisamment de cycles, j'ai appris à faire la différence entre quelque chose qui semble sécurisé et quelque chose qui laisse en fait moins de place pour des jeux.

#opg $OPG @OpenGradient

OpenGradient essaie de résoudre un problème qui devient de plus en plus difficile à ignorer : comment faire confiance aux systèmes d'IA contrôlés par seulement quelques fournisseurs centralisés ?

Au lieu de traiter l'IA comme une boîte noire hébergée à un seul endroit, elle répartit la charge de travail sur un réseau. Les modèles sont hébergés, exécutés et vérifiés par différents participants, donc aucun acteur unique ne contrôle entièrement ce qui se passe. Ce changement peut sembler technique, mais l'idée est en réalité assez simple : l'IA devient quelque chose de partagé plutôt que possédé.

Ce qui se distingue, c'est l'accent mis sur la vérification. Il ne s'agit pas seulement d'obtenir une réponse d'un modèle, mais d'être capable de vérifier comment cette réponse a été produite et si elle peut être fiable. Cela compte d'autant plus que l'IA se déplace vers des domaines comme la recherche, l'automatisation et les outils financiers, où de petites erreurs peuvent avoir de réelles conséquences.

Bien sûr, l'approche n'est pas sans défis. Coordonner de nombreux nœuds, maintenir une performance constante et éviter les retards sont tous des problèmes difficiles à résoudre en pratique. Mais c'est souvent comme ça que de nouvelles infrastructures commencent : désordonnées au départ, puis progressivement affinées à mesure que la demande réelle la façonne.

Si cela fonctionne, des systèmes comme OpenGradient pourraient changer la façon dont les développeurs envisagent le déploiement de l'IA : moins sur le fait de se connecter à une API unique, et plus sur la participation à un réseau partagé et vérifiable.

#opg $OPG @OpenGradient

Il y a des nuits où le marché bouge de 4,8 % en seulement 17,5 minutes, et d'une manière ou d'une autre, un AMM avec des frais fixes de 0,3 % continue de se comporter comme si rien d'inhabituel ne se produisait. Calme. Prévisible. Presque déconnecté de la réalité. Je remarque toujours cet aspect, car les marchés sont rarement aussi polis lorsque de l'argent réel commence à circuler.

Et le capital... le capital ne se soucie pas des modèles propres ou des hypothèses soignées. Un pool de 12,6 millions de dollars avec 38,4 millions de dollars de volume quotidien n'a besoin que d'un petit écart de 0,07 % avant que la conversation ne change complètement. À ce moment-là, il ne s'agit plus de « combien de frais ont été gagnés » mais de quelque chose de plus compliqué.

C'est probablement pourquoi je ne considère pas OpenGradient comme juste une autre couche d'IA lancée dans la crypto pour attirer l'attention. J'ai vu trop de projets emballer de vieilles idées dans un nouveau langage. La plupart d'entre eux s'effacent une fois que les conditions se durcissent. Mais quelque chose ici semble un peu différent, même si je ne suis pas encore complètement convaincu.

AlphaSense est ce qui me ramène sans cesse. Pas parce que cela sonne impressionnant, mais parce que cela semble plus proche du comportement réel des protocoles. Les signaux de volatilité affectant les frais. Les protocoles de prêt ajustant le LTV. L'utilisation des tokens évoluant avec l'activité du système.

Peut-être que c'est le vrai point. Pas de prédiction pour le plaisir de prédire. Juste prendre des décisions un peu moins aveugles. Dans la crypto, cela compte plus que les gens ne l'admettent. Surtout lorsque le système doit continuer à réfléchir longtemps après que l'utilisateur a cessé de cliquer.

#opg $OPG @OpenGradient

J'ai passé suffisamment de temps à observer la crypto pour savoir quand une histoire est juste remballée avec de meilleures formulations. Dernièrement, l'IA décentralisée a été l'un de ces sujets sur lesquels je reviens sans cesse—non pas parce que je fais confiance à l'engouement, mais parce que le vrai problème semble plus profond que ce que la plupart des gens veulent admettre. La conversation va toujours directement vers quel modèle est le plus intelligent, mais la partie qui compte vraiment, du moins pour moi, c'est la coordination. C'est là que les choses tombent généralement à l'eau.

Au fil des ans, j'ai vu l'informatique se répandre, devenir plus accessible, être partout—et pourtant, le système continue de se ramener vers quelques points centraux qui peuvent vraiment tout maintenir ensemble. Cette partie ne change jamais vraiment. Le matériel peut être là, la capacité peut exister, mais la partie difficile reste de faire en sorte que tout fonctionne harmonieusement. La rareté n'est plus dans les machines. Elle est dans la colle qui les relie.

C'est pourquoi la direction d'OpenGradient a attiré mon attention. Je ne dis pas que je lui fais encore totalement confiance, car j'ai vu trop de projets sembler importants avant de prouver quoi que ce soit. Mais quelque chose à propos de cela semble un peu différent. Cela ne semble pas chercher l'attention en criant à propos de l'intelligence. Cela semble plus intéressé par le bazar en dessous—le problème d'orchestration, la friction, le coût de faire en sorte qu'un millier de pièces séparées se comportent comme un seul système sans ralentir le tout.

Et honnêtement, c'est le genre de choses qui retient toujours mon attention. Dans la crypto, les idées bruyantes vont et viennent. Celles qui sont utiles commencent généralement par résoudre le problème ennuyeux que personne ne voulait toucher.

#opg $OPG @OpenGradient

J'ai passé suffisamment de temps dans la crypto pour savoir quand quelque chose n'est qu'une autre idée recyclée avec un meilleur emballage. La plupart des projets parlent beaucoup et se fondent dans le même bruit. Mais OpenGradient m'a vraiment fait réfléchir, car il semble s'intéresser à la partie que les gens ignorent généralement : pas à quel point l'IA est intelligente, mais si nous pouvons réellement faire confiance et vérifier ce qu'elle a fait.

Plus je regarde cet espace, plus je pense que c'est la vraie question. L'IA devient plus forte, oui, mais la force seule n'est pas le problème. Le problème est que nous n'avons généralement pas de réponse claire à des choses basiques : comment cette décision a-t-elle été prise, quel modèle a été utilisé, a-t-il vraiment fonctionné comme il se devait ?

Cet écart compte.

Ce qu'OpenGradient essaie de faire semble différent car il ne parle pas seulement de performance. Il parle de preuve. Avec TEE-Verify Inference, l'idée est de prouver cryptographiquement où et comment le modèle a été exécuté. Ce n'est donc pas juste une affirmation, c'est une preuve. Et avec zkML, ils veulent prouver que le modèle a fonctionné correctement sans exposer le modèle lui-même, y compris les poids ou d'autres détails privés. Si cet enregistrement de vérification reste sur la chaîne, alors cela devient quelque chose que les gens peuvent vérifier plus tard au lieu de simplement prendre la parole de quelqu'un pour argent comptant.

Je reste prudent. J'ai vu suffisamment de récits crypto s'effondrer une fois qu'ils rencontrent le frottement du monde réel. Mais quelque chose à propos de cela semble plus sérieux que le bruit habituel.

#opg $OPG @OpenGradient

OpenGradient essaie de résoudre une partie de l'IA à laquelle la plupart des gens ne pensent pas vraiment — ce qui se passe après qu'un modèle est construit. On parle souvent de la puissance croissante de l'IA, mais pas vraiment de l'endroit où elle fonctionne réellement, ni de la manière dont on peut faire confiance à ce qu'elle produit lorsqu'elle est utilisée à grande échelle.

En ce moment, la plupart des systèmes d'IA dépendent d'une infrastructure centralisée. Quelques gros fournisseurs gèrent l'hébergement et l'inférence, ce qui rend les choses rapides et simples, mais crée aussi une sorte de dépendance cachée. Si quelque chose tourne mal, ou s'il n'y a pas de transparence sur la manière dont les résultats sont générés, les utilisateurs n'ont vraiment pas de moyen de le vérifier. C'est le vide qu'OpenGradient essaie de combler.

L'idée est de distribuer l'inférence de l'IA à travers un réseau au lieu de se fier à un seul endroit, puis d'ajouter une couche de vérification pour que les résultats puissent être contrôlés, pas seulement acceptés. C'est une approche plus technique, moins flashy, mais qui se concentre sur quelque chose de très réel : la confiance et la cohérence dans les résultats de l'IA.

On a encore l'impression que c'est tôt, et beaucoup dépendra de la manière dont cela fonctionne réellement en pratique. Mais la direction a du sens. À mesure que l'IA devient une partie des systèmes quotidiens, l'infrastructure qui la soutient compte tout autant que les modèles eux-mêmes.

#opg $OPG @OpenGradient

J'étais sur le point d'ajouter plus à ma position OpenGradient cette semaine, puis je me suis arrêté et je suis retourné à quelque chose en quoi j'ai appris à faire confiance plus qu'à l'impulsion : une autre heure à regarder ce qui est réellement en train d'être construit.

Ce qui me tirait vers l'intérieur n'était pas l'angle IA. J'ai déjà vu suffisamment de ces histoires. La partie qui est restée avec moi était la couche en dessous — la façon dont l'écosystème semble penser aux utilisateurs, aux bâtisseurs et aux incitations après que la première vague d'attention s'est estompée.

C'est généralement là que le vrai test commence.

Beaucoup de projets crypto peuvent attirer les gens. Beaucoup moins peuvent les faire rester. Ils peuvent se lancer avec un récit propre, un site web percutant, quelques mots intelligents et un marché qui veut croire. Mais une fois que le bruit retombe, ce qui compte, c'est de savoir si quelqu'un a encore une raison de continuer à montrer.

J'ai déjà vu cela trop de fois. L'idée semble bonne tant qu'elle est encore nouvelle, tant que tout le monde cite les mêmes posts, tant que le graphique raconte encore une histoire. Puis l'attention se déplace, la foule devient plus silencieuse, et le projet doit survivre sur plus que l'élan. C'est là que la plupart d'entre eux commencent à avoir l'air plus fins qu'au début.

J'ai pris une petite position test il y a quelques semaines, et je ne suis toujours pas convaincu au point d'augmenter la taille. Pas parce que je pense que ce n'est rien. Plus parce que j'ai assez d'expérience pour savoir à quelle fréquence "intéressant" est confondu avec "durable".

Cependant, quelque chose à propos de cela semble un peu différent, même si je le dis prudemment. Je continue à remarquer l'accent sur la structure plutôt que sur le bruit, sur la partie qui vient après le gros titre, pas avant. Et dans la crypto, cela le place déjà dans une catégorie différente de la plupart de ce qui devient bruyant pendant une semaine et disparaît avant que le marché se souvienne de son nom.

#opg $OPG @OpenGradient

Bedrock se démarque pour une raison facile à manquer dans la crypto : il ne cherche pas à gagner en rendant tout plus bruyant. Il semble plus intéressé à faire circuler la valeur avec moins de gaspillage, et cela semble plus pratique que dramatique. Je pense constamment à combien de capital dans cet espace est piégé dans des endroits où il cesse d'être flexible, comme si l'utilité se terminait au moment où une récompense commence. C'est la partie qui mérite d'être observée. Pas parce que ça sonne révolutionnaire, mais parce que ça résout une vraie habitude que le marché ne remet jamais assez en question. Je reste toujours prudent, car les histoires d'efficacité peuvent cacher de véritables compromis. Mais si Bedrock lit correctement la salle, le changement plus important peut ne pas être du battage. Ça pourrait être un type de progrès plus silencieux : des actifs qui continuent à travailler au lieu de juste rester là.

#bedroc $BR @Bedrock

La plupart des gens décrivent encore BTCFi de la manière la plus simple possible : un meilleur endroit pour gagner sur Bitcoin.

Ce n'est pas faux, mais cela semble incomplet.

Ce qui change réellement, c'est la couche en dessous du produit. La partie intéressante n'est pas seulement d'où provient le rendement, mais où les décisions commencent à se concentrer. Une fois que le routage, l'allocation et l'accès commencent à se faire à travers les mêmes systèmes, le protocole ne se contente plus de connecter les utilisateurs aux opportunités. Il façonne discrètement quelles opportunités importent vraiment.

C'est cette partie qu'il faut surveiller. L'efficacité est facile à célébrer lorsque les marchés sont calmes. La question plus difficile est de savoir ce qui se passe lorsque les conditions changent et que tout le monde s'appuie sur la même infrastructure, les mêmes signaux, les mêmes hypothèses. Un système peut sembler diversifié en surface et se comporter de manière très similaire en dessous.

Donc, je ne vois pas BTCFi 2.0 comme juste une version plus propre de BTCFi 1.0. Je vois un changement d'une participation éparpillée vers un flux géré. Cela peut améliorer la liquidité et réduire les frictions. Cela peut aussi rendre l'architecture cachée plus importante que le produit visible.

Si ce chemin continue de se développer, la vraie valeur pourrait finir par se situer moins dans le token lui-même et plus dans la couche qui décide où le capital va ensuite.

C'est généralement là que commence l'histoire durable.

#bedroc $BR @Bedrock