Levi web3

Je parcourais la référence de l’API Python d’OpenGradient ($OPG , #OPG ), en m’attendant à ce que la fonctionnalité phare mise en avant par les responsables du projet — @OpenGradient — présente son réseau comme prévu, conçu de bout en bout pour une inférence d’IA vérifiable. La fonction de complétion du LLM prend un argument inference_mode avec deux options, VANILLA ou TEE, et la valeur par défaut indiquée dans la signature de la fonction est VANILLA. La documentation décrit ce par défaut de manière explicite : une exécution standard qui renvoie des résultats on-chain, mais ne fournit aucune attestation matérielle. Aucun enclave, aucune preuve cryptographique de l’exécution : seulement une réponse et un hachage de paiement. Obtenir la garantie que la vision sur laquelle tout repose est effectivement mise en œuvre signifie qu’un développeur doit explicitement passer TEE comme argument ; sinon, chaque appel s’exécute dans le mode que la documentation elle-même décrit comme en train de sauter cette étape. C’est un seul mot-clé dans un appel de fonction, facile à laisser inchangé lors d’une copie d’un exemple de quickstart, et il inverse discrètement l’ordre que j’attendais : la vérification ressemble à la base, mais elle est livrée comme quelque chose que vous choisissez après coup. Je me demande quelle part du trafic d’inférence sur le réseau fonctionne en réalité sous le défaut non attesté, et si ce chiffre apparaît quelque part où un utilisateur pourrait le vérifier.

OpenGradient a lancé plus tôt ce mois-ci une application avec une prémisse qui m’a fait faire une pause : @OpenGradient $OPG #OPG ne parie pas sur le fait qu’un seul modèle d’IA serait meilleur que les autres — il parie plutôt sur le fait que vous ne devriez pas avoir à choisir. L’app passe par ChatGPT, Claude, Gemini, Grok et ByteDance Seed au sein d’une interface unique, permettant aux utilisateurs de changer en cours de conversation ou d’exécuter deux modèles côte à côte. Ce choix de conception est plus étrange qu’il n’y paraît pour un projet d’infrastructure qui a passé des mois à se positionner autour d’une exécution d’IA vérifiable. En pratique, quand vous utilisez le produit Chat, la couche « vérifiable » ne touche pas aux sorties du modèle — elle gère le pipeline d’anonymisation : chiffrement côté client, relais OHTTP qui supprime votre adresse IP, passerelle isolée par TEE qui ne journalise jamais le texte en clair. L’attestation prouve que votre requête est restée privée. Elle ne dit rien sur le fait de savoir si Claude ou Gemini ont répondu correctement, ni comment. L’architecture basée sur le choix du modèle rend l’app immédiatement compétitive face à n’importe quel habillage multi-modèles, mais elle sépare aussi discrètement le produit Chat du récit central du réseau. Cette séparation importe-t-elle aux utilisateurs, ou à la question des $OPG token economics, c’est une autre affaire.

J’ai plongé dans les documents économiques de @OpenGradient aujourd’hui — en particulier pour tracer la façon dont $OPG est censé fonctionner comme un rail de paiement d’inférence en temps réel. Le pitch de Foundation est net : chaque appel d’IA vérifié se règle sur Base en OPG, pas de clés API, pas de cartes de crédit, juste un portefeuille. Une demande directe liée au calcul. #OPG
D’accord, mais attendez. CoinGecko affiche actuellement $OPG en baisse de 19,4% sur les sept derniers jours — pire que le repli de 5,3% du marché plus large — avec un volume sur 24 h de 32,8 M$ contre une capitalisation boursière de 23,97 M$. Cela fait un ratio volume/capitalisation de 1,37 pour 1 lors d’une journée de trading ordinaire. Yahoo Finance indique une offre en circulation de 197,6 M, à peine 7,6 M de tokens ajoutés depuis le TGE du 21 avril. Tout le reste — l’équipe, les investisseurs, les conseillers — est bloqué avec un cliff de 12 mois.
Donc la liquidité flottante reste mince, les vendeurs constituent une catégorie étroite, et pourtant le token compresse quand même de 19% semaine sur semaine. Si le signal de demande liée à l’inférence apparaissait, vous vous attendriez au moins à ce qu’il pose un plancher sous une partie de cette pression de vente diffuse. Ce n’est pas encore le cas.
Peut-être que le volume d’inférence est réellement faible par rapport aux flux spéculatifs, et que c’est simplement une réalité propre aux débuts. Peut-être qu’il y a un décalage de règlement que je ne prends pas en compte. Mais l’écart entre « des prix OPG pour du calcul d’IA réel » et « OPG est en baisse de 19% avec un ratio volume/capitalisation de 1,37x sur une semaine stable » ne s’est toujours pas comblé pour moi.

Ce qui m’est resté après avoir passé du temps dans la documentation de @OpenGradient n’est pas l’architecture de vérification elle-même — c’est ce que le réglage par défaut révèle sur l’économie de la plateforme. La plupart des services d’IA s’alignent sur une tarification à l’usage : des jetons en entrée, des jetons en sortie. $OPG fonctionne différemment. Il existe une exigence de jetons forfaitaire avant que quoi que ce soit ne s’exécute, et le réglage de règlement par défaut — BATCH_HASHED plutôt que ZKML ou PRIVATE — montre clairement que la plateforme ne vend pas de la granularité de preuve. Elle vend une participation à l’infrastructure, à coût d’entrée fixe. L’implication est discrète : dans un monde où l’inférence devient une commodité, la couche défendable pourrait ne pas être la computation. Elle pourrait plutôt être le mécanisme de coordination autour de celle-ci. L’architecture de #OPG parie sur le fait que les réglages par défaut deviennent des standards, et que celui qui définit l’enveloppe de vérification par défaut capte de la valeur non pas à chaque inférence, mais via la relation développeur. Le point de savoir si cela constitue un fossé durable ou un simple péage souple, la documentation ne répond pas.

La partie de MemSync qui est restée en moi n’était pas la fonctionnalité — c’était l’endroit où elle se situe dans la pile logicielle. @OpenGradient construit $OPG autour d’une inférence vérifiable : des enclaves TEE, des preuves ZKML, des modes de règlement qui vous permettent de choisir le niveau de confiance dont vous avez besoin avant qu’un résultat soit accepté. Le pitch de #OPG , c’est le calcul auditable. Mais MemSync — la couche responsable d’offrir de la continuité aux agents IA d’une session à l’autre, de faire en sorte qu’un modèle se comporte moins comme une fonction sans état et davantage comme quelque chose qui se souvient — se trouve en dehors de ce périmètre de vérification. L’inférence est attestée. La mémoire qui l’alimente, non. Ainsi, vous pouvez vérifier ce que l’agent a conclu, mais pas le contexte accumulé à partir duquel il raisonnait pour parvenir à ce point. Ce n’est pas exactement un bug — conserver la mémoire avec le même surcoût d’attestation que l’inférence serait brutal sur le plan architectural, et peut-être que l’écart se comble plus tard. Mais cela signifie que la frontière de confiance dans ce système s’arrête au niveau du calcul, pas à l’ensemble du processus décisionnel. Je repense sans cesse à ce que signifie « IA vérifiable » lorsque la chose qui est vérifiée n’est que la dernière étape.

Quelque chose qui me revient sans cesse quand je travaille sur la documentation du @OpenGradient : le projet se présente comme une infrastructure pour l’économie de l’IA, avec $OPG positionné comme une couche de règlement pour une inférence vérifiable et #OPG apparaissant dans les conversations sur la Web3 IA comme si la couche d’exécution était indépendante du modèle. Ce que la documentation dit plus discrètement, c’est la contrainte de format — les modèles s’exécutent sur le réseau sous forme de fichiers ONNX. L’ONNX est un choix judicieux pour le ML classique, les architectures neuronales compactes et des chaînes d’inférence reproductibles, mais ce n’est pas ainsi que fonctionnent aujourd’hui la plupart des déploiements de grands modèles de langage ou de modèles “foundation”. Les grands transformeurs ne passent pas proprement à l’ONNX à grande échelle sans compromis de précision ou sans contournements architecturaux. Ainsi, le “IA” de l’infrastructure IA ressemble davantage à une exécution ONNX vérifiable qu’à la couche d’inférence que les gens entendent généralement quand ils disent “IA” en ce moment. Ce n’est pas une limitation fatale — l’inférence ML vérifiable on-chain est une capacité technique spécifique et réelle — mais cela signifie que le projet construit une infrastructure de confiance pour une catégorie plus restreinte de modèles que ce que le cadrage laisse entendre. Le fait que la couche d’exécution s’étende pour couvrir les modèles qui alimentent réellement la demande actuelle, ou bien que la contrainte ONNX définisse en silence la finalité du réseau, n’est pas encore tranché.

Lorsque j'ai commencé à lire la position d'OpenGradient concernant la confiance envers les agents, je m'attendais à trouver un système de vérification encapsulant la boucle de décision d'un agent. Or, j'ai découvert un système plus restreint : l'infrastructure $OPG (@OpenGradient ) vérifie qu'un appel de modèle spécifique a produit une sortie spécifique sous attestation (basée sur un environnement d'exécution de confiance [TEE] ou sur ZKML), mais l'agent lui-même n'est pas l'unité de confiance. Le périmètre vérifié commence et se termine à l'appel d'inférence. Ce que l'agent fait avec cette sortie (l'action en aval, l'invocation de l'outil, la construction de l'invite suivante) se déroule en dehors du périmètre de vérification. La mémoire, via MemSync, fonctionne comme une couche REST distincte et n'est pas intégrée à l'enregistrement de vérification sur la blockchain. Ainsi, lorsque #OPG décrit une « couche de confiance pour les agents d'IA », la précision est erronée d'un niveau d'abstraction : il s'agit d'une couche de confiance pour les étapes d'inférence individuelles qu'un agent peut contenir, et non pour le comportement de l'agent dans son ensemble. Cette distinction importe probablement moins aujourd'hui qu'elle ne le fera lorsque les agents commenceront à exécuter de manière autonome des actions importantes sur la blockchain. Ce qui sera alors attesté — et ce qui ne le sera pas — définira ce que signifie réellement « digne de confiance ».

Quelque chose à propos de l'expression "jumeau numérique" me ramenait sans cesse en lisant la documentation d'architecture de Twin.fun pour OpenGradient $OPG #OPG @OpenGradient . Le mot implique une réplique personnelle — une IA qui reflète votre identité, quelque chose qui vous appartient de manière significative. Mais la documentation du créateur décrit "jumeau numérique" comme un élément de 16 octets sur la blockchain, avec des métadonnées stockées hors chaîne sur Walrus, et une propriété qui par défaut appartient à tout portefeuille qui achète en premier à une offre de zéro si aucune pré-cartographie n'existe. Le principal avantage pour le créateur mentionné en premier n'est pas le contrôle du modèle ou les droits de formation — c'est le partage des revenus sur des transactions clés via une courbe de liaison de style FriendTech. Ce que vous possédez réellement est une position de bénéficiaire de frais dans un marché d'accès spéculatif. L'IA elle-même, la couche d'intelligence, n'est pas décrite comme quelque chose que vous formez, configurez ou détenez dans un sens de garde auquel la documentation peut faire référence. Je me suis demandé si le "personnel" dans IA personnelle fait référence à quelque chose d'architectural qui n'est pas encore capturé dans la couche de contrat, ou si cela fait quelque chose de complètement différent.

Il y a un changement discret entre le manifeste d'OpenGradient et son propre langage de financement que j'ai relu plusieurs fois. $OPG , #OPG , @OpenGradient a construit son identité sur la phrase "intelligence possédée par ses utilisateurs" — coffres-forts de mémoire cryptée, données souveraines, une promesse que si vos données améliorent un modèle, vous partagez les bénéfices en tant que co-créateur, pas seulement en tant qu'utilisateur. Mais l'annonce de levée de fonds d'avril décrit le même réseau différemment : une infrastructure où "les développeurs possèdent l'intelligence dont leurs produits dépendent." Deux propriétaires différents, deux documents différents, à des mois d'intervalle. Alors j'ai vérifié où la revendication au niveau utilisateur se trouve réellement dans le système. La structure documentée du Model Hub — dépôt, version, fichiers — porte des métadonnées pour le nom, la description, la licence et les tags, tous définis au niveau du modèle par quiconque le télécharge. Je n'ai pas pu trouver de champ, de contrat ou de mécanisme traçant qui a contribué aux données derrière un modèle ou ce qui leur est dû. Les outils de fork et d'audit sont véritablement sans autorisation, mais ce sont des fonctionnalités SDK et CLI conçues pour les développeurs gérant des dépôts, pas pour la personne dont le contexte a entraîné la chose en premier lieu. Je ne sais pas si c'est un écart de stade précoce ou si c'est juste la façon dont l'architecture était toujours censée se stabiliser.

J'ai passé un après-midi à fouiller le côté génération d'images d'OpenGradient pour une tâche de CreatorPad, en m'attendant au classique "choisissez un modèle, tapez un prompt". @OpenGradient ($OPG , #OPG ) présente l'Image Studio comme une liberté créative à travers plusieurs modèles, et techniquement, c'est vrai — vous pouvez parcourir le Model Hub et exécuter différentes architectures. Ce qui m'a accroché, c'est la couche en dessous : chaque génération passe toujours par x402 comme un appel d'inférence payant, réglé sur Base, et vous choisissez combien de cela est écrit sur la blockchain — privé, haché par lots, ou totalement auditable. La partie "liberté" est réelle au niveau de l'interface ; la friction se manifeste une étape plus tôt, où vous devez déjà avoir un wallet contenant $OPG avant qu'un modèle ne vous réponde. Ce n'est pas un mauvais design, la vérification doit être payée d'une manière ou d'une autre, mais cela redéfinit ce que "l'accès" signifie ici. Un utilisateur occasionnel explorant des styles prend une décision mesurée sur la blockchain à chaque fois, même si l'UI le cache bien. Je ne sais pas encore si cela se stabilise en quelque chose d'invisible avec l'habitude, ou si cela filtre discrètement ceux qui continuent à générer après le premier essai gratuit.

J'ai passé la dernière tâche à tracer comment les pièces d'OpenGradient sont censées se connecter — modèles, mémoire, agents — et j'ai fini par fixer un certain temps la signature d'une fonction, plus longtemps que je ne voudrais l'admettre. $OPG , #OPG , @OpenGradient ... la documentation parle des trois comme d'une seule pile, le cadre de l'écosystème implique un système nerveux unique. Mais llm.chat() dans le SDK Python prend une liste de messages et rien d'autre — pas de user_id, pas de crochet de mémoire, pas de paramètre de contexte. MemSync, la couche de mémoire à long terme, fonctionne comme une API REST complètement séparée, et sa propre documentation est hébergée sous un domaine différent (memchat.io) plutôt que opengradient.ai. Donc, un agent qui veut à la fois des inférences vérifiées et une mémoire persistante doit manuellement récupérer des faits d'un système et les injecter dans le tableau de messages d'un autre, puis écrire de nouveaux faits par la suite. Rien n'oblige cette boucle à se produire, et rien dans le SDK ne suppose que cela arrivera. Je m'attendais à trouver le code de liaison, la partie où l'appel à l'LLM touche automatiquement la mémoire, et ça n'est tout simplement... pas encore là. Peut-être que c'est acceptable pour l'instant, peut-être que c'est l'ordre d'opérations évident pour une entreprise d'infrastructure encore en testnet. Je me demande toujours si "écosystème" ici signifie intégré ou juste adjacent.

Quelque chose à propos de l'architecture de vérification d'OpenGradient qui ne m'a pas totalement marqué jusqu'à ce que je m'y attarde : $OPG #OPG @OpenGradient se positionne autour de l'inférence AI vérifiable — l'idée que vous pouvez prouver qu'un modèle a fonctionné correctement sans faire confiance à l'opérateur. Ce cadre repose sur le ZKML, qui est réel, mais il est aussi prohibitivement coûteux en termes de calcul pour presque n'importe quel modèle fonctionnant à l'échelle pratique aujourd'hui. Ce à quoi le protocole se réfère par défaut, ce sont les attestations TEE — environnements d'exécution de confiance soutenus par le matériel d'Intel et d'AMD. Ce ne sont pas la même chose. Le ZKML vous donne une preuve mathématique ; le TEE vous fournit une attestation d'un fabricant de matériel que l'environnement d'exécution n'a pas été altéré. L'un n'exige aucune hypothèse de confiance au-delà des mathématiques, l'autre déplace discrètement la confiance de l'opérateur vers la chaîne d'approvisionnement en silicium. Je ne pense pas que cela invalide le projet — le TEE est une amélioration significative par rapport à l'inférence non vérifiée — mais il existe un fossé entre "AI cryptographiquement vérifiée" et "exécution attestée sur matériel de confiance" que le récit a tendance à comprimer. La question intéressante est de savoir si le ZKML devient un jour réalisable en termes de calcul à grande échelle, ou si le TEE devient simplement le défaut permanent.

Je suis allé voir comment @OpenGradient ($OPG , #OPG ) traite réellement la confidentialité en pratique, pas comment la page d'accueil le présente, et la réponse se trouve dans le SDK lui-même. Les fonctions de chat et de complétion définissent par défaut leur mode de règlement sur BATCH_HASHED : chaque appel d'inférence, sauf si vous le remplacez explicitement, est regroupé dans un arbre Merkle avec des hachages d'entrée et de sortie écrits sur la chaîne. Un mode PRIVÉ existe aussi, entièrement hors chaîne, rien n'est publié, mais c'est un paramètre que vous devez savoir qu'il existe avant de pouvoir le demander, pas ce qui fonctionne lorsque vous appelez simplement la fonction. La couche TEE protège réellement votre prompt brut de l'opérateur de nœud, donc l'affirmation de confidentialité n'est pas fausse, elle est juste plus discrète et plus étroite que ce qu'elle semble sur la page d'accueil. Ce qui est appelé 'privé' ici est en réalité deux garanties différentes empilées sous un seul mot, la confidentialité d'exécution et la confidentialité de règlement, et seule la première est activée par défaut. Je me surprends à faire cela avec d'autres protocoles aussi, lire un adjectif comme couvrant tout ce que fait un produit au lieu de vérifier quelle couche spécifique il décrit. Je me demande si OpenGradient inverse jamais ce paramètre par défaut, ou si l'efficacité des coûts continue de gagner cet argument discrètement.
#OPG

En parcourant l'architecture de chat d'OpenGradient à $OPG pour une tâche de CreatorPad, un détail m'a arrêté et ne m'a pas lâché : le nœud de relais et la passerelle d'inférence sont conçus pour ne connaître que la moitié de toute demande donnée. Le relais HTTP obfusqué d'@OpenGradient voit votre adresse IP et rien d'autre, juste des octets chiffrés qui passent, tandis que la passerelle isolée TEE déchiffre le prompt à l'intérieur d'une enclave scellée mais n'apprend jamais qui l'a envoyé. #OPG cadre cela comme un échange d'une politique de confidentialité contre une preuve, puisque l'attestation de l'enclave permet à quiconque de confirmer que le code en cours d'exécution correspond à ce qui est revendiqué au lieu de faire confiance aux intentions d'une entreprise. Cette partie tient. Ce à quoi je reviens sans cesse, c'est la distance entre vérifiable et vérifié — la garantie est structurellement réelle que quelqu'un récupère jamais l'enregistrement d'attestation ou non, et presque personne ne le fera. Donc, le système est honnête d'une manière qu'une politique ne peut pas l'être, mais cette honnêteté est surtout théorique pour tout le monde sauf pour la poignée qui regarde réellement. Une garantie compte-t-elle encore si personne ne la collecte ?
@OpenGradient
#OPG

J'étais en plein dans la tâche quand j'ai vérifié la répartition réelle de la chaîne pour uniBTC sur DeFiLlama — ce n'est pas ce que dit @Bedrock _DeFi, juste où se situe le TVL en ce moment. Bedrock ($BR , #Bedrock ) positionne uniBTC comme une participation Bitcoin débloquée à travers 15+ écosystèmes. Le chiffre est réel. Le spread ne l'est pas.
$458,83M au total. Bitcoin natif : $182M. Ethereum : $132M. Mode : $86M. C'est 87% à travers trois chaînes. Base — qui a eu toute une annonce dédiée — détient $232. Pas $232M. $232. Berachain, après la campagne Boyco qui a intégré près de 1 000 BTC : $57,430.
Donc, la couche des "nouvelles possibilités à travers les écosystèmes" est techniquement en ligne. Elle fonctionne juste à presque zéro sur la plupart de ces chaînes. L'architecture est réelle. La gravité de la liquidité ne la suit pas.
Le 20 juin, c'est dans sept jours — 40,63M de BR se débloquent pour l'équipe fondatrice et les investisseurs initiaux. Les détenteurs de veBR votent sur où les incitations de mesure se dirigent. Les équipes et le tour de seed recevant ces tokens pourraient se verrouiller dans la gouvernance et faire peser leur poids vers les chaînes minces. Ou pas.
Ce qui me fait me demander : est-ce que uniBTC débloque réellement la participation Bitcoin à travers les écosystèmes, ou cela confirme-t-il surtout où la liquidité Bitcoin était déjà à l'aise d'aller ?
#Bedrock
@Bedrock

J'ai terminé la tâche Bedrock. Ce qui attirait vraiment mon attention, ce n'était pas l'architecture du produit — c'était le timing de déblocage.
$BR / #Bedrock / @Bedrock . 20 juin. Huit jours avant. 40,63 millions de tokens à libérer — 25 millions pour l'équipe fondatrice, 15,63 millions pour les investisseurs initiaux. 4,21 millions de dollars au total, soit 4,1 % de l'offre, qui se trouve juste là dans le tracker de déblocage en direct. C'est le fait on-chain qui se cache tranquillement sous le narratif de "couche de liquidité centrale".
L'architecture n'est pas mauvaise. uniBTC, brBTC, Chainlink PoR, routes multi-chain vers Babylon, Pell et Kernel — quelqu'un a sérieusement réfléchi à l'endroit où BTC doit circuler dans une pile DeFi. Et le modèle veBR est censé être le contrepoids à cette pression. Verrouillez le BR, gagnez du veBR, boostez les rendements et le poids de gouvernance. Théoriquement, cela réduit l'offre en circulation avant les fenêtres de déblocage.
Mais le ratio de rotation est de 0,192. Fin. Et je n'ai pas pu trouver une lecture claire sur la quantité de BR qui est réellement verrouillée dans le veBR en ce moment par rapport à celle qui est liquide. Le modèle fonctionne si l'adoption dépasse l'offre de déblocage. C'est un vrai si.
"Couche de liquidité" est une affirmation de futur. Aujourd'hui, c'est plus proche d'une couche d'intention de liquidité.
Je reste toujours avec ce fossé…

Ce qui m'a frappé en examinant Bedrock (@Bedrock_DeFi), ce n'est pas l'expansion multi-chain en soi, mais comment cette expansion fonctionne réellement lorsque l'actif sous-jacent est le Bitcoin. Le protocole uniBTC et brBTC positionne #Bedrock pour rivaliser pour le Bitcoin liquide à travers Ethereum, BNB Chain, et d'autres réseaux. Mais se distribuer sur plusieurs chaînes ne regroupe pas la liquidité, ça la divise. La même base de collatéral qui pourrait créer une profondeur significative sur une chaîne se retrouve étirée sur plusieurs, ce qui signifie que chaque déploiement individuel finit par être plus mince que ce que le chiffre agrégé du TVL implique. Le chiffre en gros semble indiquer une échelle ; la profondeur par chaîne raconte une histoire plus silencieuse. Cette tension structurelle compte plus ici que dans la plupart des stratégies multi-chain, car le modèle veBR dépend des $BR détenteurs croyant que le protocole commande une véritable influence de liquidité utilisable à travers ces chaînes. Si la liquidité est réelle mais fragmentée, l'influence est réelle mais diluée. Que la fragmentation se résolve à mesure que Bedrock grandit ou devienne un plafond permanent sur combien un protocole unique peut raisonnablement consolider la liquidité Bitcoin à travers des réseaux concurrents — je n'ai pas encore tranché là-dessus.
@Bedrock
$BR
#Bedrock

Je suis dans la tâche @Bedrock _DeFi depuis plus longtemps que prévu. La thèse BTCFi a l'air propre de loin — $BR , veBR, vote de jauge, rendement multi-chaînes en BTC. Ce genre d'architecture qui se lit bien dans un deck.
Mais ce qui m'est vraiment resté : l'IDO du portefeuille Binance de Bedrock a attiré une sursouscription de 9,653% au TGE. Ce n'est pas un signal technologique. C'est un signal de distribution. uniBTC n'a pas gagné tôt parce qu'il a surclassé la concurrence — il a gagné parce qu'il est tombé dans le champ d'action de Binance.
Et maintenant, le 20 juin, c'est dans dix jours. 40,63M de BR à débloquer — 25M pour l'équipe fondatrice, 15,63M pour les investisseurs providentiels, 4,21M $ au prix d'aujourd'hui. En baisse d'environ 12% au cours de la semaine dernière. Le modèle veBR est conçu pour la gouvernance communautaire. Mais les adresses avec le plus de pouvoir de verrouillage éventuel sont les mêmes qui ont reçu une allocation par le biais d'un accès en tour fermé, et non par la participation ouverte à la jauge.
Attendez — si le véritable goulot d'étranglement de BTCFi est la distribution, et non l'ingénierie, l'élégance du modèle de jauge a-t-elle vraiment de l'importance ? Ou régule-t-elle principalement les dépouilles d'une décision de distribution qui a déjà été prise au TGE, avant que la plupart des membres de la communauté ne soient dans la salle ?
#Bedrock

Ce qui m'a arrêté en plein défilement, c'est une simple question : si chaque BTC déposé dans @Bedrock devient un capital actif grâce à uniBTC, qu'est-ce qui maintient exactement la valeur stable ? Le marketing autour de $BR et la thèse plus large de #Bedrock est clair : votre Bitcoin génère des rendements sans quitter vos mains - mais en travaillant à travers le mécanisme réel, je revenais toujours à la même dépendance : le yield de restaking est une demande en aval. Les AVS doivent vouloir une sécurité économique, payer pour cela de manière cohérente, et ce marché est encore tôt, encore inégal. Les rendements de restaking à travers les protocoles adjacents à EigenLayer ont chuté de manière notable lorsque l'intégration des AVS a ralenti dans les premiers cycles, et Bedrock hérite exactement de cette variance. Le capital devient actif - cette partie est réelle. Mais la stabilité ici n'est pas à garantir par le protocole ; elle réside dans une couche en dessous, qui est encore en train de trouver ce qu'elle vaut réellement pour les réseaux qui en dépendent. Je ne pense pas que cela rende le design malhonnête, mais la promesse de BTC générant des rendements est vraiment un proxy pour quelque chose de plus structurel, et moins établi, que ce que "capital actif" suggère.

Quelque chose dans la thèse #Bedrock ($BR ) me trottait dans la tête pendant cette tâche. Les uniBTC et brBTC de @Bedrock_DeFi font vraiment ce que le principe de base prétend — ils prennent des Bitcoin inactifs et les dirigent vers des positions génératrices de rendement à travers l'infrastructure DeFi. Cette partie est réelle et mesurable. Mais quand j'ai commencé à retracer où la valeur économique se situe réellement, le tableau est devenu plus compliqué. Le token n'hérite pas automatiquement de l'activation du Bitcoin. Il y a une couche veBR qui se trouve entre le rendement au niveau du protocole et l'économie des détenteurs de tokens — un verrouillage de gouvernance qui signifie que les détenteurs occasionnels sont positionnés à côté de l'activité plutôt qu'à l'intérieur. Le Bitcoin devient productif au niveau du produit. Les frais s'accumulent pour le protocole. Mais savoir si ces frais se traduisent finalement en valeur de token $BR passe par un modèle de gouvernance auquel la plupart des participants ne s'engagent probablement pas activement. La transformation du Bitcoin d'un stockage à un actif se produit au niveau de l'infrastructure. La question que je ne pouvais pas me sortir de la tête : est-ce qu'il est transformé pour l'écosystème dans son ensemble, ou surtout pour les participants déjà à l'intérieur de la structure de gouvernance.
@Bedrock
$BR
#Bedrock