Sigma Mind

Récemment, tout le monde dans le secteur fait la promotion de Newton. Le discours est toujours le même : trading intelligent par IA, rééquilibrage automatisé, gestion de patrimoine on-chain entièrement automatisée. Honnêtement, ces gadgets ont l’air géniaux, mais après les avoir testés à maintes reprises dans mon trading réel et avoir disséqué la logique sous-jacente, je veux dire une vérité simple : tout le monde se focalise sur des choses superficielles, et personne ne voit la vraie valeur fondamentale.
@NewtonProtocol La raison pour laquelle cela peut s’appuyer sur le boom DeFi porté par l’IA, ce n’est pas parce que ça va vite ou qu’elle exécute un auto-trading agressif de pièces. Au contraire, cela résout le plus gros problème que l’industrie on-chain peine à gérer depuis des années : le trading automatisé n’a pas de freins. Une fois que le marché atteint des extrêmes, le principal ne peut tout simplement pas être protégé.

Frères, ce matin, je faisais défiler mon écran avec une tasse de thé à la main, quand un fil de discussion de @NewtonProtocol c a attiré mon attention. Ma première pensée a été que s’ils décrivent ça comme juste un « filtre de conformité », ce n’est probablement pas aussi simple que ça en a l’air. Alors au lieu de parler aujourd’hui d’appels à l’achat ou à la vente, j’ai décidé de passer la nuit à creuser dans la logique du code pour voir ce qui se passe réellement dans le moteur.
Frères, arrêtez les opérations que vous faites en ce moment. Aujourd’hui, pas d’appels à l’achat/à la vente en criant, et pas de fumée : allons voir ce qui se passe sous le capot du moteur de stratégie @NewtonProtocolstrategy. Beaucoup de gens pensent que ce truc n’est qu’un simple « filtre de conformité » : on le passe dans une liste noire et c’est tout ? Trop naïf. J’ai passé toute la nuit à analyser la logique du code, et j’ai découvert que le mécanisme d’évaluation sous-jacent du moteur est bien plus “musclé” que ce que laisse entendre le texte marketing—mais il est aussi plus “avide de données”. La logique d’évaluation de Newton n’est pas mono-thread. Il mâche en même temps trois morceaux de “viande” : d’abord, les identifiants que vous fournissez activement (pour prouver que vous êtes bien vous) ; ensuite, des flux de prix en temps réel et des informations provenant de sources de données externes (par exemple, des données d’oracles) ; et enfin, l’état on-chain historique (ce que vous avez fait dans le passé). Ce n’est qu’après avoir mélangé ces trois flux de données dans le moteur qu’il sort un résultat d’évaluation. Mais le problème, ce sont les “sources de données” : les pièges sont plus profonds que vous ne l’imaginez. D’abord, les identifiants des utilisateurs ne peuvent vérifier que des signatures ; ils ne peuvent pas vérifier l’intention. Si votre clé privée fuit, c’est fini. Deuxièmement, les sources de données externes semblent tentantes—mais si les API sont collectivement compromises ou touchées par une attaque Sybil, le moteur devient aveugle. Et le plus dangereux, c’est le troisième point : les données on-chain ont naturellement de la latence, ce qui crée une fenêtre pour des bots d’arbitrage MEV. Vous terminez l’évaluation de votre côté, et à ce moment-là le prix a déjà été vidé par l’“écart” (la squeeze). N’est-ce pas transformer le contrôle des risques en une action de “rétrospective” ? Même si l’officiel dit que le processus d’évaluation est totalement transparent et traçable—à créditer là où il faut—on doit quand même rester lucides : le plafond de l’évaluation est toujours limité par la qualité et la couverture des données d’entrée. Des déchets entrent, des déchets sortent—c’est la loi de fer. À mon avis, si Newton veut capter le marché du contrôle des risques de niveau institutionnel, la seule architecture actuelle ne suffit pas. Tâche urgente : élargir les types de données et combler ces angles morts d’information. Sinon, ce moteur apparemment précis restera une “vision myope” dans un environnement on-chain complexe. Et je le redis : tests avec de petites sommes, attente avec de grosses sommes. Parlons-en quand il pourra vraiment résoudre le paradoxe de la confiance lié aux sources de données. Pensez-vous que ce type de mécanisme d’évaluation multi-sources soit fiable ? À vous dans les commentaires.

essayons de comprendre l’histoire réelle iS
Ces dernières années, en lisant des rapports d’attaques et de défense en cybersécurité, j’ai lentement développé une habitude : je n’adhère pas vraiment à l’idée que « le matériel est absolument sécurisé ». J’ai vu trop de systèmes qui prétendent être incassables finir par échouer — et très souvent, la cause profonde n’est pas que les attaquants soient exceptionnellement brillants, mais plutôt que le modèle de confiance part du principe, dès le départ, que « le matériel ne vous trahira pas ». Tant que cette hypothèse ne tient pas ne serait-ce qu’une seule fois, l’ensemble de l’architecture de sécurité s’effondre avec elle.