Yoshi Invest

Số liệu không hề biết nói dối khi lần đầu tôi chú ý đến dữ liệu testnet của @BabylonLabs_io là ngày 18/6/2026: 439 vault được tạo, 111 đang hoạt động và 2.1 sBTC TVL. Những con số đó khiến tôi bắt đầu theo dõi nó.

Khoảng 20 ngày sau, tôi quay lại: 1.87K vault, 247 active và 4.4 sBTC TVL.

Thoạt nhìn, mọi thứ đều tăng. Nhưng có một chi tiết khiến tôi dừng lại: số vault được tạo tăng hơn 4 lần, trong khi active vault và TVL chỉ khoảng gấp đôi.

Nó khiến tôi nhận ra “đã thử” và “đang sử dụng” là hai tín hiệu rất khác nhau.

Với Trustless Bitcoin Vaults (TBV), Xangle Explorer cho phép nhìn sâu hơn con số transaction: vault nào còn active, bao nhiêu collateral đang nằm trong hệ thống, và testnet đã ghi nhận 0.52 sBTC liquidation.

Nhìn một hệ thống tài chính chỉ qua số lần tương tác có thể cho ta một bức tranh rất khác. Với tôi, tín hiệu đáng xem hơn nằm ở khoảng cách giữa bao nhiêu hoạt động đã được tạo ra, bao nhiêu vị thế còn thực sự active và bao nhiêu vốn vẫn được duy trì trong hệ thống.

$BABY #BABY #baby @BabylonLabs_io

Gần 4 giờ vọc testnet @BabylonLabs_io để vay 100 USDC bằng BTC giúp tôi nhận ra: thứ thú vị không nằm ở việc thế chấp BTC, mà ở kiến trúc tạo khoản vay.

Để dùng BTC trong DeFi, tôi thường phải wrap, bridge hay dựa vào bên thứ ba. Nhưng ở #baby , native BTC được khóa trên Bitcoin L1 qua Trustless Bitcoin Vaults (TBV), còn Babylon Core Spoke kết nối collateral đó với lending và thanh khoản của Aave v4.

Điểm tôi thấy đáng chú ý là cách kiến trúc này xử lý liquidation: liquidator có thể được settlement ngay qua một lớp thanh khoản riêng, thay vì phải chờ native BTC được xử lý trên L1 trước.

Babylon không cần xây lại thị trường lending, Aave không cần ép BTC rời trạng thái native. Hai hạ tầng gặp nhau mà Bitcoin vẫn giữ nguyên bản chất.

Một bước tiến đáng chú ý: không phải cố “lôi” Bitcoin vào DeFi, mà là khiến thị trường vốn có thể tiếp cận Bitcoin ngay nơi nó tồn tại.
$BABY #BABY #baby @BabylonLabs_io

Tốn 2 Alpha Point để làm booster wallet #GRVT ngày 10/7, task cuối cùng là Creatorpad nhận thêm phân bổ $GRVT trong ngày TGE 21/7. Mình đã vộc vạch 4 giờ ở tầng bảo mật (security) của @grvt_io để mổ xẻ và nhận ra:
Khi "vô hình" trở thành đỉnh cao của bảo mật.
Trong Web3, những vụ hack triệu đô làm sập cả hệ thống luôn khiến chúng ta dè chừng. Hệ thống dù mạnh đến đâu vẫn luôn có rủi ro tiềm ẩn. Vậy làm sao để khi rủi ro xảy ra, tài sản của tôi vẫn tự động tìm đường bay về ví cá nhân một cách chủ động?

Và khi quyền lực tối cao thuộc về Blockchain, không thuộc về sàn.
Khi nạp tiền vào #grvt , tài sản không nằm trong "túi" của sàn mà được khóa trong một smart contract minh bạch on-chain. Sàn chỉ có quyền khớp lệnh hộ dựa trên chữ ký của tôi, tuyệt đối không thể tự ý dịch chuyển hay đóng băng số tiền đó.
Khi rủi ro xảy ra, user chỉ cần tương tác trực tiếp với smart contract phía dưới để kích hoạt "Cổng thoát hiểm khẩn cấp" (Escape Hatch). Sau thời gian quy định chờ sàn phản hồi mà không có tín hiệu, smart contract tự động mở khóa và trả toàn bộ tiền về ví cá nhân của user, sàn không thể can thiệp.
Nó hoạt động hoàn toàn độc lập và tự động làm vũ khí bảo mật "vô hình".
@grvt_io không cố xây một bức tường thật dày để bảo vệ sàn, mà họ thiết kế một cơ chế để: Hệ thống có thể sụp đổ, nhưng tài sản của user thì không.
Nó cần bảo mật nhiều lớp, phòng thủ chuyên sâu.
Một hệ thống an toàn không được phép phụ thuộc vào một lớp bảo vệ duy nhất.

Hybrid Exchange tương lai: Hiệu năng + niềm tin + an toàn tài sản.
Cuộc đua hạ tầng giao dịch, rõ ràng, đã dần bước sang một trang hoàn toàn mới.
#GRVT

Sau cú sập đầy tranh cãi của thị trường vào tháng 10/2025, niềm tin vào các CEX lại bị đặt dấu hỏi.

Trong khi sự minh bạch tuyệt đối của DEX khiến các quỹ đầu tư lớn và cá voi phải đối mặt với một thực tế khác: lộ ví, lộ chiến lược, và đánh mất lợi thế đầu tư trước các bot săn mồi MEV.

Một nghịch lý trớ trêu xuất hiện: Muốn an toàn thì phải minh bạch, nhưng minh bạch quá thì lại là "tự sát" về chiến lược.

Điều này khiến mình nhớ đến câu nói kinh điển của Ronald Reagan: "Trust, but verify" (Tin tưởng, nhưng phải xác minh).

Vậy niềm tin nên được đặt ở đâu để hệ thống vừa có thể kiểm chứng, vừa bảo vệ được quyền riêng tư chiến lược?

Đó chính là điểm chạm mà @grvt_io xuất hiện.

Thay vì bắt người dùng phải đánh đổi giữa quyền riêng tư chiến lược và khả năng kiểm chứng, #grvt giữ order flow ở off-chain để giảm tối đa nguy cơ lộ chiến lược của các quỹ lớn và cá voi.

Đổi lại, mọi kết quả khớp lệnh đều phải đi kèm một bằng chứng mật mã học được đưa lên on-chain để mạng lưới xác minh rằng trạng thái cuối cùng là hợp lệ. Điều đó giúp thu hẹp tối đa “hộp đen” mà trước đây người dùng buộc phải đặt niềm tin vào nhà vận hành.

Điều ZK-Proof thay đổi không phải là niềm tin, mà là phần nào còn phải dựa vào niềm tin.

GRVT không loại bỏ niềm tin. GRVT thu hẹp phạm vi của niềm tin.

Có lẽ tương lai, cuộc đua giữa các sàn giao dịch sẽ không còn là câu hỏi “ai đáng tin hơn”, mà là “ai thiết kế được mô hình niềm tin tốt hơn”.

Nếu niềm tin không thể biến mất, vậy điều quan trọng hơn có phải là xác định đúng nơi nó nên tồn tại? @grvt_io #grvt

Liệu matching (khớp lệnh) có thực sự cần Blockchain?
Phần lớn chúng ta từng có một giai đoạn mặc định ở Web3 rằng: càng đưa nhiều thứ lên on-chain càng tốt, blockchain xử lý càng nhiều việc càng hay.

Thoạt nhìn điều đó hoàn toàn hợp lý. Nhưng hệ thống buộc phải hy sinh tốc độ khớp lệnh, thậm chí tạo áp lực lớn lên cả mạng lưới blockchain chỉ vì hàng triệu lệnh đặt và hủy mỗi giây của các trader.

Có lẽ vấn đề chưa bao giờ là đưa bao nhiêu thứ lên blockchain, mà là điều gì thực sự CẦN blockchain. Nếu matching và settlement vốn có hai trách nhiệm hoàn toàn khác nhau, tại sao chúng lại phải chạy trên cùng một kiến trúc?

Điều khiến mình chú ý ở @grvt_io là họ không cố xây một hệ thống “ôm đồm” tất cả. Họ tách matching ra xử lý off-chain vì nhiệm vụ của nó chỉ là khớp các lệnh nhanh nhất có thể, điều cần tối ưu là hiệu năng và độ trễ thấp. Trong khi đó, settlement được giữ lại on-chain để làm đúng vai trò chuyển giao tài sản và ghi nhận trạng thái cuối cùng một cách bất biến.

Mỗi thành phần chỉ tập trung vào đúng trách nhiệm cốt lõi của mình. Matching không cần blockchain, settlement mới cần.
Điều #grvt tách ra không phải sản phẩm, đó là trách nhiệm của hệ thống.

Hybrid Exchange vì thế không đơn thuần là một từ khóa marketing kết hợp giữa CEX và DEX. Nó định hình một loại hạ tầng giao dịch mới: Quyền sở hữu tài sản thuộc về Blockchain, còn hiệu năng vận hành thuộc về hệ thống tinh chỉnh off-chain.
$LAB $DEXE

Đổi 15 phút 1 giao dịch lấy "tự do tài chính": Liệu có đáng?

Trải nghiệm “all-in-one” của CEX khiến mình quên mất việc đang giao tài sản cho bên thứ ba. Chỉ đến khi chuyển sang ví cá nhân, sự khác biệt mới hiện rõ: Giao dịch vài cú click trên CEX giờ thành 15 phút loay hoay nghĩ bước tiếp theo.

Vậy mà cuối cùng, mình vẫn quay lại CEX.
Ai trong crypto cũng từng nghe câu: “Not your keys, not your coins.” Chúng ta đều biết self-custody an toàn hơn.
Nhưng nếu vậy, tại sao CEX vẫn là lựa chọn của phần lớn người dùng?

Người dùng không từ chối self-custody. Họ chỉ từ chối một trải nghiệm khiến họ phải liên tục nghĩ về nó.
Người dùng không muốn self-custody.
Họ muốn quên rằng custody tồn tại.

Đó cũng là điều khiến mình chú ý khi đọc docs của GRVT. Thay vì xem self-custody là bài toán cần người dùng phải học cách thích nghi, họ xem trải nghiệm của self-custody mới là bài toán cần được thiết kế lại.
Bằng cách ứng dụng Account Abstraction (AA) và mô hình Hybrid Exchange, GRVT cho phép bạn tạo ví bằng chính tài khoản Google hay Apple, giúp bạn bấm trade mượt mà như CEX mà không cần liên tục ký duyệt (approve) từng lệnh. Tài sản vẫn là của bạn, nhưng trải nghiệm thì y hệt Web2.
GRVT không bắt đầu từ bài toán custody.
GRVT bắt đầu từ bài toán UX của self-custody.

Có lẽ tương lai cuộc cạnh tranh tiếp theo của Web3 sẽ không nằm ở việc ai cung cấp self-custody tốt hơn, mà ở việc ai khiến self-custody trở thành một phần tự nhiên của trải nghiệm.

Liệu khi self-custody trở nên “vô hình”, người dùng còn lý do gì để tiếp tục chọn CEX?
@grvt_io #grvt $TAC $LAB

Có lần mình chỉ muốn xử lý một giao dịch khá đơn giản.

Rút tài sản từ CEX về ví, bridge, approve, swap rồi tiếp tục sang một giao thức khác.

Mọi thứ đều hoạt động đúng như thiết kế. Nhưng đến khi xong việc, mình mới nhận ra điều khiến mình mệt nhất không phải phí giao dịch, mà là việc phải liên tục chuyển đổi giữa quá nhiều hệ thống chỉ để hoàn thành một mục tiêu.

Điều đó khiến mình đặt ra một câu hỏi: liệu vấn đề của crypto nằm ở từng sản phẩm, hay nằm ở cách những sản phẩm đó đang được ghép lại với nhau?

Đó là lý do mình chú ý đến GRVT và dành gần hai giờ để đọc kỹ docs của dự án.

Ban đầu mình chỉ nghĩ đây là một Hybrid Exchange. Nhưng càng đọc, mình càng nhận ra docs của GRVT không chỉ xoay quanh một tính năng, mà còn đề cập đến nhiều khía cạnh như trải nghiệm người dùng, bảo mật, quyền kiểm soát tài sản và kiến trúc giao dịch.

Liệu những cách tiếp cận của GRVT có thực sự đứng vững khi đi vào thực tế, hay chỉ hợp lý trên giấy?
@grvt_io #grvt $TAC $LAB

TỐC ĐỘ VÀ SỰ THẬT CỦA AI ON-CHAIN?
Tôi từng tự tay xây dựng hệ thống quản lý danh mục DeFi tự động: AI phân tích off-chain rồi gửi lệnh về Smart Contract qua API Web2. Lúc đầu chạy rất nhanh, nhưng khi dòng tiền thực tế vận hành, tôi rơi vào bất an: Làm sao chắc chắn server trung gian chạy đúng mô hình? Liệu kết quả có bị sửa đổi trước khi lên chuỗi?
Để giải quyết, tôi thử ép hệ thống chạy ZKML để AI tự chứng minh tính đúng đắn bằng toán học. Kết quả là một thảm họa hiệu năng: tốc độ xử lý chậm đi 1000 lần. Lệnh giao dịch mili-giây biến thành một hàng đợi. Hệ thống on-chain an toàn nhưng "rùa bò".

Tôi tiếp tục với Kiến trúc AI Lai (HACA) của @OpenGradient để tách rời quá trình suy luận (inference) và xác thực (verification) trên hai tuyến thời gian.
Mọi yêu cầu được chuyển thẳng đến các Node GPU, trả kết quả lập tức với độ trễ thấp như Web2 mà không cần chờ thời gian tạo khối on-chain. Sau đó, Node mới tạo bằng chứng mật mã nộp lên chuỗi cho các Full Node kiểm toán.
Xử lý triệt để rủi ro từ khoảng trễ thời gian từ lúc nhận kết quả đến khi xác thực xong.
Cơ chế này triệt tiêu độ trễ tạo khối, giải phóng áp lực, tối ưu trải nghiệm.
Tuy nhiên, hệ thống lúc này vẫn phải phụ thuộc vào tính toàn vẹn phần cứng của GPU.

AI on-chain chinh phục người dùng bằng sự tức thì và minh bạch. Góp ý của tôi cho #OPG là: $OPG không nên chỉ chứng minh tốc độ dApp như Web2 và bảo mật như Web3, mà còn cần chứng minh thêm tính toàn vẹn phần cứng GPU.

Nếu AI tương lai dịch chuyển từ tin tưởng vào lời hứa sang xác minh bằng toán học, thì cuộc đua AI không còn là "tốc độ hay bảo mật", mà là "tốc độ đạt niềm tin".

Il était 1 h du matin la nuit dernière : j’ai échangé 0,7 ETH via 3 wallets, payé 18,4 $ de frais de gas, subi 2,7 % de slippage, et j’ai même cliqué sur l’Approval au mauvais endroit une fois de plus...

Assis là à regarder la route tourner en boucle à travers le Bridge et l’Aggregator, c’était presque comique.

La crypto ne perd parfois pas à cause du marché.

Elle perd parce que le système que nous utilisons est trop compliqué !

Honnêtement, je pensais avant que chaque nouvelle chaîne, chaque nouvelle VM, chaque nouvelle architecture, c’était forcément bien.

Ça faisait premium.

Ça sonnait comme le futur.

Mais quand tu construis vraiment, tu réalises que la chose la plus chère n’est pas le gas fee, ni les frais de financement, et pas même une commande PnL à -46,8 $.

Le plus cher, c’est d’obliger les utilisateurs à changer leurs habitudes.

Un dApp qui fait bouger la liquidité des gens, leur fait réapprendre le parcours dans le wallet, leur fait redécouvrir le Bridge, attendre encore la finalité… en quoi c’est différent du fait de forcer des clients à changer de coffee shop juste parce que la tasse est plus jolie ?

Le marché ne se soucie pas des choses qui sont « techniquement correctes » mais comportementalement fausses.

C’est pour ça que je me suis mis à faire attention à @OpenGradient — pas parce que le mot IA sonne brillant.

Mais parce que la façon dont ça reformule le problème est légèrement différente : conserver la compatibilité EVM, Solidity, une liquidité vivante, puis insérer l’inférence IA comme une couche EVM-native via un Precompile.

Ça a l’air léger.

Données de position — Écart de prix inter-chaînes — Sentiment de marché → Sortie IA vérifiable avec preuve TEE, afin que le smart contract puisse traiter la logique conditionnelle par lui-même.

Pas besoin de tout démolir et de reconstruire la maison.

Pas besoin de faire faire un pèlerinage aux utilisateurs vers une nouvelle chaîne.

Base a la liquidité, Arbitrum a les actifs, Optimism a le comportement des utilisateurs ; si des appels IA multi-chaînes peuvent rassembler ces morceaux dans le même flux de décision, alors le routage IA pour la DeFi aura enfin un terrain réel pour fonctionner.

Je ne crois plus à l’idée : « bonne technologie = victoire toute seule ».

Une bonne technologie qui force le marché à payer trop de friction, c’est encore juste une belle diapositive !

Alors quel chemin choisissez-vous : tout reconstruire proprement depuis zéro, ou rendre plus intelligent ce qui existe déjà ?
#OPG $OPG @OpenGradient $VELVET $LAB

Je trouve quelque chose d’assez intéressant :
Chaque fois qu’un token est listé sur une grande bourse.
À chaque vague d’« airdrop » ou d’incitation, l’attention de beaucoup d’utilisateurs est attirée.
Mais une fois les événements terminés, ils disparaissent presque du marché.
Alors, qu’est-ce qui fait qu’un token d’infrastructure IA existe pour qu’ils restent et ne disparaissent pas ?

La plupart des tokens d’infrastructure IA se concentrent aujourd’hui sur l’attraction des utilisateurs.

@OpenGradient construit Model Hub, où toutes les requêtes IA sont payées avec OPG. À mon avis, c’est à ce moment-là que le token cesse d’être un actif purement spéculatif, et devient une partie de chaque utilisation d’IA.

Pour y parvenir, #OPG intègre directement la couche de paiement x402 dans chaque requête IA.

Distinguer l’incitation et l’adoption. L’un vient des avantages économiques, l’autre vient d’un besoin réel d’utilisation.

Si l’incitation est une pluie, alors l’adoption est le réservoir.
L’incitation amène les utilisateurs.
L’adoption les fait rester.

La valeur économique du token $OPG est durable parce qu’elle repose sur une demande d’utilisation réelle.
Pas sur l’attention.

Si un protocole IA veut créer une valeur économique durable, il doit prouver sa capacité à transformer l’attraction en rétention.

Peut-être que c’est à la fois la force et la faiblesse d’OPG.
Si l’on peut formuler des retours, je pense que #OPG ne devrait pas seulement prouver que x402 fonctionne. OPG doit prouver que de plus en plus de requêtes IA ne peuvent pas se passer de cette couche de paiement. Ce n’est qu’avec une croissance d’usage naturelle que le token pourra passer d’une valeur fondée sur l’attente à une valeur créée à partir de besoins réels.

Si tous les protocoles IA peuvent attirer l’attention, alors quel sera l’avantage concurrentiel réel pour garder les utilisateurs ?

Notre tableau de bord montre que la latence a diminué. Mais le nombre de tentatives (retry) augmente.

Le plus étrange, c’est que le système semble plus rapide, alors que l’expérience réelle est plus instable.

L’une des enquêtes m’a conduit vers un nœud @OpenGradient que le système a choisi parce qu’il est le plus proche géographiquement. Envoyer ce lot de requêtes d’inférence vers ce nœud était donc un choix assez naturel.

Les trois premières requêtes ont franchi le seuil de retry presque immédiatement.

Au début, j’ai blâmé le timeout. Puis la file d’attente. J’ai même soupçonné une nouvelle version du modèle. Mais un nœud plus éloigné traitait toujours la même charge de travail sans rencontrer de problème.

À ce moment-là, j’ai compris que j’optimisais la mauvaise métrique.

La distance indique seulement où la requête commence. Elle ne reflète pas tout le parcours que la requête doit terminer.

Le trafic réseau de notre application passe par un segment de routage très chargé avant d’arriver au nœud. L’inférence démarre toujours rapidement, mais les confirmations de vérification reviennent de manière irrégulière. L’application voit l’inférence comme terminée, tandis que les signaux de confiance arrivent en retard, puis l’app se réessaie (retry) à une tâche qui n’a pourtant jamais échoué.

Le problème ne vient pas du fait que le nœud soit proche ou éloigné.

Il vient du fait que la métrique que j’utilise pour optimiser ne mesure qu’une partie de la requête.

Tous les systèmes finissent par devenir la chose que leur métrique optimise.

En y repensant, je n’ai pas choisi le mauvais nœud.

J’ai choisi le mauvais point de fin de mesure.

Je considère la requête comme terminée quand l’inférence se termine, alors qu’avec #OPG , l’expérience n’est réellement terminée qu’après la vérification.

Si la requête ne se termine qu’après la vérification, alors la métrique doit aussi s’y arrêter.

Si l’inférence se termine avant que la confiance ne soit établie, alors que devrait-on vraiment optimiser ?
$OPG $CAP

Quand je transfère quelques millions de dôngs, je n’ai besoin que de confirmer mon identité avec mon visage.

Mais quand je signe un contrat pour acheter une maison, je suis prêt à passer plus de temps pour vérifier chaque clause.

Le plus intéressant, c’est que je n’ai jamais choisi la méthode de vérification la plus forte pour tout.

Car chaque niveau de confiance a un prix.

Le temps.

La commodité.

Le coût.

Cela m’a fait penser à l’IA.

Si l’IA doit servir des millions de tâches différentes, est-ce que chaque tâche a vraiment besoin du même niveau de confiance ?

@OpenGradient aborde le problème sous un autre angle.

Au lieu d’avoir une seule façon de vérifier, #OPG construit plusieurs niveaux de vérification.

La vérification de base (Vanilla) pour les cas qui nécessitent de la vitesse.

L’Environnement d’Exécution Fiable (TEE) pour les applications qui doivent équilibrer performance et fiabilité.

ZKML pour les cas qui exigent le plus haut niveau de garantie cryptographique.

Plutôt que d’appliquer le même standard à toutes les situations, chaque application peut choisir le niveau de vérification qui correspond à ses besoins.

Peut-être que l’avenir de l’IA ne sera pas de générer davantage de confiance.

Mais de produire le bon niveau de confiance, au bon moment.
$OPG $DEXE $LAB

Un rapport avec des chiffres erronés.
Un e-mail a été envoyé avec un contenu incorrect.
Le patron ne demande pas :
« Où est l’erreur ? »
Mais demande :
« Qui l’a fait ? »
Cela m’a fait penser à un problème plus vaste.
L’IA progresse de plus en plus et l’IA devient un besoin indispensable dans la vie humaine.
Alors vous êtes-vous déjà demandé :
Si l’IA se trompe, qui en est responsable ?

Et dans @OpenGradient , cette question est envisagée sous un angle assez intéressant.

Au lieu de se concentrer uniquement sur la production du résultat.

#OPG construit une couche de confiance (Trust Layer), où chaque décision peut être retracée, plutôt que de laisser un simple résultat que personne ne sait comment il a été créé.

Quand une décision peut être retracée, la responsabilité peut aussi être retracée.

Une IA ne devient pas digne de confiance parce qu’elle commet moins d’erreurs.

Elle devient digne de confiance quand la responsabilité est conçue dès le départ, au lieu d’avoir à la rechercher après chaque faute.

Peut-être que le futur de l’IA n’est plus d’être une IA plus intelligente.

Mais une IA plus fiable.
$OPG $DEXE $SLX

10% pour les particuliers.
15% pour la communication.
Une liste détaillée et les plans, expériences et leçons accumulées au fil des ans. Je partage tout cela avec l'IA.

Au début, c'étaient juste des discussions.

Mais avec le temps, l'IA a commencé à s'en souvenir.

Ce que l'IA se rappelle n'est pas des données aléatoires.
C'est ma manière de travailler.
Ma façon de prendre des décisions.
Les choses que j'ai apprises au fil des ans.

Ce qui est intéressant, c'est que si demain je change de modèle, ce que je ne veux pas perdre n'est pas le modèle.
Mais tout ce qui a été mémorisé.

Et dans @OpenGradient , cela se manifeste très clairement.

MemSync n'est pas uniquement conçu pour aider l'IA à mémoriser.

Il est construit sur une hypothèse plus grande :

La mémoire est quelque chose qui peut exister comme une couche distincte.

Et quand la mémoire devient l'infrastructure, la question importante pourrait ne plus être :

"Combien l'IA peut-elle mémoriser ?"
Mais plutôt :
"Qui possède la mémoire de l'IA ?"

Peut-être que ce qui sera le plus précieux dans l'IA du futur ne sera pas la capacité de mémorisation.

Mais le droit de propriété sur ce qui est mémorisé.
#OPG $OPG $DEXE $LAB

POURQUOI QUAND QUELQU'UN OUVRE UN FORMULAIRE D'INSCRIPTION, NE REMPLIT-IL PAS IMMÉDIATEMENT ?
Ils font défiler jusqu'en bas.
Ils cherchent une petite ligne :
“Approuvé dans les 24 à 48 heures”
ou
“Nous examinerons votre demande”
Et juste le fait de le voir.
Ils s'arrêtent.
Pas de questions supplémentaires.
Pas d'essai pour commencer.
Ce n'est pas parce qu'ils ne veulent pas participer.
Mais parce qu'à ce moment-là, l'action “participer” n'est plus perçue comme un premier pas.
Cela devient quelque chose qui doit être accepté avant d'être compté comme existant.

Une personne n'est pas vraiment libre de participer si elle doit attendre que quelqu'un lui donne la permission de commencer.

Et c'est là que @OpenGradient se distingue.
La plupart des AI aujourd'hui, le droit de participer est décidé par un groupe de personnes ayant le pouvoir d'approbation.

#OPG construit un avenir où l'innovation n'est pas limitée par une permission préalable.

Un avenir où la Contribution Ouverte devient la norme.
Et la Participation ne nécessite pas d'approbation préalable.

Où le droit de participer n'est pas déterminé par une approbation préalable.
Cela commence par le choix d'une personne de participer.

Peut-être que la question la plus importante ne sera pas :
"Combien de personnes veulent le construire ?"
Mais plutôt :
"Combien de personnes sont autorisées à le construire ?"

L'avenir de l'AI ne sera peut-être pas décidé par les écosystèmes ayant le plus d'intérêt.
Mais par les écosystèmes ayant le plus de personnes pouvant participer. $OPG $DEXE

Deux personnes peuvent avoir la même cuisine.

Avec les mêmes ingrédients.

Avec les mêmes outils.

Mais une personne crée continuellement de nouveaux plats.

Tandis que l'autre ne fait que répéter des recettes familières.

Pourquoi le même ensemble de ressources mais des combinaisons différentes entraînent-elles des résultats différents ?

Lorsque l'on veut provoquer une rupture, la plupart des gens commencent par chercher quelque chose de nouveau.

Un nouvel outil.

Une nouvelle idée.

Une nouvelle ressource.

C'est une forme de cécité à la recombinaison.

Nous sommes tellement concentrés sur la recherche de nouveaux éléments que nous manquons les nouvelles valeurs qui résident dans les éléments déjà disponibles.

La rupture ne vient souvent pas d'un nouvel élément.

Mais de la façon dont les éléments anciens sont recombinés.

L'IA fait face à un défi similaire.

Peut-être que c'est la raison pour laquelle @OpenGradient apparaît.

Tandis que la plupart des systèmes d'IA se concentrent sur l'ajout de nouvelles capacités,
#OPG construit une infrastructure pour que les capacités existantes puissent créer une valeur qui dépasse leur propre existence.

Un tel avenir nécessite :

✓ Interopérabilité

✓ Composants spécialisés

✓ Infrastructure modulaire

✓ Coordination ouverte

Un système ne devient pas plus précieux parce qu'il a plus de capacités.

Mais parce qu'il peut créer du nouveau à partir des capacités qu'il possède.

L'avenir de l'IA n'appartiendra peut-être pas aux plus grands modèles.

Mais à des écosystèmes capables de recombiner le plus rapidement.

Peut-être que la question la plus importante ne sera pas :

"Quelles capacités nous manquent ?"

Mais plutôt :

"Avons-nous pleinement exploité les capacités que nous avons déjà ?" #OPG $OPG @OpenGradient

L'autre jour, j'ai commandé de la bouffe sur l'app.

Le plat que j'ai reçu était assez différent de la photo.

Ce qui m'a le plus dérangé, ce n'était pas le plat.

Mais c'était le fait que je pensais ne pas avoir moyen de faire une réclamation.

Quelques minutes plus tard, j'ai découvert qu'il y avait quand même un bouton de retour.

D'un coup, ça m'a un peu apaisé.

Bien que tout soit encore à résoudre.

En y réfléchissant, c'est assez étrange.

Qu'est-ce qui rend une décision plus acceptable ?

Les gens acceptent moins les décisions qui ne peuvent pas être contestées.

Plus une décision impacte les gens, plus elle a besoin d'être remise en question.

Mais les décisions qui ont le plus d'impact sont souvent celles qui sont les plus difficiles à contester.

J'appelle ça le Challenge Shield.

Une barrière invisible qui fait que les décisions qui nécessitent le plus de contestation deviennent les plus difficiles à remettre en question.

Un système est plus fiable lorsque ses décisions peuvent être challengées.

Mais si on ne sait pas si une décision peut vraiment être contestée.

Alors nous ne savons pas non plus si ce système est plus fiable.

C'est là que je vois que @OpenGradient prend une direction assez intéressante.

Permettre aux décisions d'être examinées, critiquées et vérifiées.

Et si c'est vrai.

L'avenir de l'IA pourrait ne pas être défini par les systèmes les plus fiables.

Mais par ceux qui permettent le plus de contestation de leurs décisions.
#OPG $OPG

Récemment, j'ai remarqué quelque chose d'assez étrange.

Les choses qui réussissent le mieux sont souvent celles qui sont les plus difficiles à changer.
Plus un système fonctionne bien.
Moins il y a de gens qui veulent le changer.

Au départ, cela semble logique.

Mais que se passe-t-il quand le monde continue de changer alors que le système ne le fait pas ?

Beaucoup de systèmes ne disparaissent pas à cause de l'échec.
Ils disparaissent parce qu'ils ont eu trop de succès trop longtemps.
J'appelle ça le "Evolution Trap".
Un piège qui se forme lorsque le succès actuel érode la capacité à évoluer à l'avenir.

Peut-être parce que les systèmes les plus pérennes ne sont pas forcément les plus parfaits.

Mais ce sont ceux qui peuvent évoluer.

Mais qu'est-ce qui permet à un système d'évoluer ?

Un système est difficile à adapter si chaque nouveau changement nécessite de le reconstruire depuis le début.
Chaque changement devient une reconstruction.

Et avec le temps.
Rester inchangé devient plus facile que de changer.

C'est aussi le problème que @OpenGradient essaie de résoudre.
Au lieu de forcer l'écosystème AI à être reconstruit chaque fois qu'une nouvelle capacité apparaît.

#OPG permet à l'écosystème AI de s'améliorer continuellement sans avoir à reconstruire complètement.

De nouveaux composants peuvent apparaître sans que les composants existants cessent de coopérer.

Quand le changement n'implique plus de reconstruction.
L'évolution n'est plus un compromis.
Cela devient un processus continu.

Et si cela est vrai.
L'avenir de l'AI pourrait ne pas être défini par les modèles les plus puissants.

Mais par les écosystèmes capables d'évoluer le plus rapidement. #OPG $OPG

Dernièrement, j'ai pris une mauvaise habitude.

Chaque fois que je cherche quelque chose, je fais rarement défiler toute la liste. Je regarde souvent juste les premières suggestions et je prends ma décision. J'ai l'impression que je fais un choix. Mais en y réfléchissant, la plupart du travail a déjà été fait auparavant. Quelqu'un a décidé ce qui apparaît devant moi.

À ce moment-là, je me suis souvenu de @OpenGradient qui fait quelque chose de vraiment intéressant : transformer l'IA d'un outil à faire confiance en un outil vérifiable.

Cela peut sembler être un problème d'IA. Mais je pense qu'il y a un autre angle à considérer.

Si un jour, il y a des milliers ou des millions d'IA coexistantes, le plus gros problème pourrait ne plus être de savoir quelle IA est la meilleure.

Mais quelle IA est utilisée.

À ce moment-là, les utilisateurs ne vont pas évaluer chaque IA. Ils s'appuieront sur un système de couches pour décider quelle IA apparaît devant eux, quelle IA est appelée et quelle IA est ignorée.

C'est à ce moment-là que je trouve que le problème d'Access devient intéressant.

La vérification nous aide à savoir si une IA fait bien son travail ou non. Mais qui vérifie le système qui choisit l'IA à notre place ?

Si cette couche d'accès ne peut pas être vérifiée, nous sommes simplement en train de transférer notre confiance de l'IA vers un nouveau gatekeeper.

Peut-être qu'une fois que l'IA devient omniprésente, l'IA la plus puissante ne sera pas celle qui a le plus de pouvoir.

Ce qui a le plus de pouvoir pourrait être le système qui décide quelle IA est autorisée à apparaître.

Donc, si je pouvais donner un conseil à @OpenGradient , je dirais de ne pas se contenter de vérifier l'IA.

Trouvez un moyen de vérifier ce qui choisit l'IA.

Parce que si l'IA doit être vérifiée, alors ce qui choisit l'IA doit probablement être vérifié encore plus. #OPG $OPG

Ce matin, j'ai pris un café avec un pote qui tient un resto.

Il se plaignait qu'au début, quand il a ouvert, il gérait tout tout seul, et ça allait. Faire les courses, cuisiner, servir, encaisser.

Mais quand le resto a commencé à avoir plus de monde, ça n'a plus été possible.

Au début, il pensait qu'il devait aller plus vite.

Maintenant, il pense différemment.

Pour faire grandir le resto, il faut déléguer les tâches.

Puis, tout à coup, j'ai pensé à OpenGradient.

Il y a un truc assez bizarre.

Le resto grandit en séparant les tâches.

Mais l'IA, en ce moment, grandit en ajoutant des tâches dans un même système.

Alors, si l'IA devient vraiment une infrastructure, ça ressemblera plus à un resto ou à ce qu'on construit aujourd'hui ?

Quand le système se développe, les fonctions commencent à se séparer en rôles distincts.

@OpenGradient regarde dans cette direction.

Le Compute génère des résultats.

La Vérification confirme si ces résultats sont fiables ou non.

Quand ces deux rôles sont fusionnés au même endroit, le système n'a qu'une seule façon de créer la confiance : croire en lui-même.

Quand ils sont séparés, la création de résultats et la vérification des résultats deviennent deux couches indépendantes.

C'est souvent un signe qu'une infrastructure est en train de se former.

Peut-être que l'Infrastructure IA est pareil.

Elle apparaît quand le Compute et la Vérification sont dissociés.

Mais ce qui me rend encore plus curieux, c'est ce qui se passe derrière.

Si cette règle est vraie, le Compute et la Vérification ne sont peut-être que la première étape.

Peut-être que dans quelques années, on ne verra plus l'IA comme un modèle.

Mais comme un écosystème de rôles différents.

Chaque rôle existe parce qu'il excelle dans une tâche unique.

Ou peut-être pas.

Mais si je devais parier, je parierais sur des systèmes où la confiance n'a plus besoin de se valider elle-même.#OPG $OPG