春早

#opg $OPG La semaine dernière, j’ai fait un petit test : j’ai donné la même consigne à ChatGPT, Claude et Gemini, puis je les ai laissés répondre. Résultat : les différences étaient énormes — l’un était plutôt rigoureux, un autre partait dans tous les sens, et le troisième écrivait vraiment très bien. La question est la suivante : qui, en temps normal, ferait ça avec trois comptes et paierait trois fois ?
@OpenGradient a directement résolu ce casse-tête. Dans OpenGradient Chat (chat.opengradient.ai), les modèles de pointe sont regroupés dans une seule fenêtre : vous pouvez changer de modèle en cours de discussion, et même faire répondre deux modèles côte à côte à la même question pour voir instantanément lequel correspond le mieux à vos attentes. Cette expérience de « comparaison horizontale » qu’on ne peut obtenir avec aucune des apps officielles, prise séparément.
Ce qui m’a aussi surpris, c’est que Image Studio est également disponible : les modèles d’images de Gemini, ByteDance et xAI sont réunis pour générer du contenu, et par défaut ils sont privés — personne ne peut voir l’affiche que vous dessinez, les visuels produit, ni vos idées sorties de votre tête.
Je pense depuis longtemps que le futur ne sera pas forcément un seul modèle qui gagne et qui domine tout, mais plutôt « utiliser le bon modèle pour faire le bon travail ». Celui qui sait regrouper plusieurs modèles facilement, tout en protégeant la confidentialité, se retrouvera forcément à la porte d’entrée. OpenGradient suit précisément cette voie, et $OPG est le carburant de règlement et de validation de cette couche d’infrastructure.
Au passage, une petite note : les utilisateurs qui utilisent souvent Chat et qui ont acheté des crédits pour exécuter des modèles ont une chance de recevoir un largage S2. L’outil, de toute façon, je compte m’en servir ; autant en profiter pour en obtenir un autre, si possible. Pourquoi pas.
#OPG

Honnêtement, plus j’utilise l’IA, plus je m’inquiète d’une chose : plus vos questions sont personnelles, plus elle les retient longtemps. Un symptôme de votre corps, une déclaration d’impôts, un litige contractuel… ce sont justement les sujets qu’on devrait confier à une IA. Et pourtant, ce sont aussi ceux dont on ne veut surtout pas être lié à un compte. La plupart des assistants ne vous demandent que de « croire » à leurs conditions de confidentialité : au fond, ce n’est qu’une promesse sur papier, et en cas de problème, vous ne pouvez pas la vérifier.
@OpenGradient a simplement remplacé les promesses par des preuves. Je suis allé tester sur OpenGradient Chat : la logique est plutôt solide. Les messages sont d’abord chiffrés localement dans votre navigateur, et la clé reste uniquement sur votre appareil ; ensuite, ils passent par un relais d’Oblivious HTTP. Les étapes où l’on peut voir votre IP ne voient pas le contenu, et celles qui voient le contenu ne récupèrent pas votre IP ; enfin, le déchiffrement et le traitement ont lieu dans un TEE avec authentification distante, de sorte que même l’opérateur ne peut ni lire ni consigner.
Ce qui me touche le plus, c’est que ces garanties vous permettent de les vérifier vous-même, au lieu d’en croire son « discours officiel ».
Et surtout, ce n’est pas du tout limité : ChatGPT, Claude, Gemini, Grok… ces modèles de pointe sont regroupés dans une même appli. Vous pouvez aussi changer de modèle au milieu d’une conversation, et en faire tourner deux côte à côte. L’inscription donne directement 1000 de crédit.
Mon point de vue est très simple : la confidentialité ne devrait pas être un argument marketing ; c’est une exigence minimale. $OPG a transformé le paiement et la vérification en infrastructure. À long terme, la confiance vérifiable vaut bien plus que des promesses dites à la bouche.
#OPG

Sur le marché, on entend beaucoup parler de « rendements réels, stratégies réelles », mais peu réussissent à les concrétiser 📊
ROO.FUND amène des stratégies matures sur la blockchain, permettant aux stablecoins de participer. C'est un produit tangible, pas un simple PPT. Je préfère d'abord jeter un œil sur @RoosterDAO , puis observer la réalisation des rapports mensuels. #RoosterDAO

#openledger $OPEN J'ai copié le tableau de libération des tokens OpenLedger jusqu'au 13ème mois, puis je me suis arrêté
Hier soir, j'ai passé en revue le tableau de libération des tokens OpenLedger et je me suis arrêté au 13ème mois.
Le 13ème mois, la libération commence.
La part de l'équipe OpenLedger et des investisseurs est de 12 mois de cliff et 36 mois de vesting — pas un centime n'est touché pendant les 12 premiers mois, à partir du 13ème mois, les tokens commencent à être libérés mensuellement jusqu'au 48ème mois. Ce design est considéré comme modéré dans les projets d'émission de tokens de 2025, mais modéré ne rime pas avec sécurité. Le 13ème mois est un véritable point de test : si d'ici là, les appels de la mainnet n'ont pas commencé à générer des revenus de frais, les contributeurs de données dépendent encore des tokens pour vivre, la libération des parts de l'équipe et des investisseurs deviendra une source évidente de pression à la vente.
Cette information n'est pas explicitement mentionnée dans le livre blanc, mais tout le monde ayant de l'expérience avec les cycles peut le voir.
Le mécanisme central d'OpenLedger est la Proof of Attribution — chaque donnée utilisée par le modèle enregistre sur la chaîne qui a contribué combien, et les récompenses sont distribuées proportionnellement dans le portefeuille des contributeurs. L'offre totale de tokens OPEN est de 1 milliard, 21,55 % en circulation lors du TGE, 51,7 % alloués à l'écosystème communautaire. Techniquement, cela fonctionne sur OP Stack et EigenDA. Tous ces chiffres semblent corrects, mais le véritable point de validation de tous ces chiffres sera le 13ème mois.
Je vais surveiller trois choses : la différence d'activité des contributeurs de données avant et après le cliff, la courbe de montant de règlement des frais d'inférence, et le flux de tokens sur la chaîne après le début de la libération.
Recherche sérieuse, la survie avant tout. Pour un projet, être modéré ou non, il faut attendre le 13ème mois pour tirer des conclusions.

@OpenLedger $OPEN #OpenLedger

#openledger $OPEN Le prix de l'API d'OpenAI est resté figé pendant un an, mais le prix de l'inférence sur OpenLedger change chaque minute
Le tarif de l'API GPT-4 d'OpenAI a été modifié plusieurs fois depuis sa publication, mais chaque changement est espacé de plusieurs mois. Pendant cette longue période, le prix est resté congelé.
Cela semble normal en apparence, mais c'est en réalité un phénomène contre-intuitif sur le marché.
À l'ère d'Internet, les prix des services sont généralement "en temps réel" - taxis, billets d'avion, espaces publicitaires, électricité, tout est tarifé dynamiquement selon l'offre et la demande. Mais l'API d'inférence AI, en tant que l'un des services de calcul les plus importants du 21e siècle, en est encore à un modèle de tarification de type "forfait mensuel d'opérateur".
Pourquoi ? Parce que le système de paiement des API traditionnelles ne peut pas gérer une tarification en temps réel. Abonnements, cartes de crédit liées, factures mensuelles, contrats d'entreprise - ce système est conçu pour un "budget stable", un changement de prix explose les coûts d'intégration.
Le prix de l'inférence sur OpenLedger est dynamique.
Le protocole x402 permet à chaque appel d'inférence d'être un micro-paiement indépendant, les informations de prix étant directement encodées dans l'en-tête HTTP. Cela signifie que le déployeur du modèle peut ajuster les prix en temps réel en fonction de la charge GPU actuelle, de l'intensité de la demande et des périodes de temps. L'architecture multi-modèles d'OpenLoRA partageant des GPU offre une grande flexibilité du côté de l'offre - si la demande pour un modèle explose, le système de répartition peut automatiquement lui allouer plus de ressources, ajustant ainsi le prix.
C'est la première fois que le prix de l'inférence AI est intégré à un "marché en temps réel".
La signification secondaire est plus grande qu'elle n'y paraît - l'inférence AI a enfin une forme embryonnaire de "marché au comptant". La prochaine étape est le marché à terme, les outils de couverture, les stratégies d'arbitrage. Notre imagination de la financiarisation des ressources de calcul, jusqu'à présent concentrée sur la puissance de calcul du Bitcoin, s'étendra bientôt à l'inférence AI.
Il faut parler des risques. Les prix dynamiques sont favorables à l'économie des agents (les machines ne se soucient pas des fluctuations de quelques centimes), mais posent des défis pour l'expérience utilisateur humaine (personne n'aime voir sa facture API varier chaque jour). Ce mécanisme est mieux adapté aux scénarios M2M.
Mais une fois que l'hypothèse de prix constants est brisée, il n'y a pas de retour en arrière.
@OpenLedger #OpenLedger $OPEN

#openledger $OPEN La période de Common Crawl touche à sa fin, OpenLedger parie sur un monde où les données seront "épuisées".
Au cours de la dernière décennie, l'entraînement des grands modèles s'est principalement basé sur Common Crawl — un ensemble de données qui couvre l'ensemble d'internet public.
Mais à partir de 2024, cette voie ne sera plus viable.
Les textes de haute qualité sur internet public sont presque épuisés, une grande partie des nouveaux contenus sont générés par l'IA (ce qui polluera les futurs entraînements), et les données professionnelles de grande valeur sont verrouillées dans des entreprises et des institutions, inaccessibles pour le scraping. Les éditeurs et médias traditionnels poursuivent collectivement les entreprises d'IA pour interdire l'entraînement sur leurs contenus.
L'idée que "les données peuvent être capturées gratuitement et en illimité" est en train de perdre de sa validité à une vitesse visible.
OpenLedger parie sur un monde où les données seront "épuisées" après cela.
Il ne cherchera pas à rivaliser en quantité avec les scrapers ordinaires. Ce qu'il fait, c'est une autre chose — un ensemble de données en or.
Les données sur le réseau ne sont pas simplement récupérées, elles sont le résultat d'une contribution proactive de la communauté, de sélections, de nettoyages et de versions qui façonnent un actif. Chaque donnée a une appartenance sur la chaîne, une influence traçable, et les contributeurs sont rémunérés en fonction de l'utilisation continue de leur expertise.
Ce mécanisme n'attire pas ceux qui sont "prêts à donner leur contenu gratuitement aux IA", mais plutôt ceux qui sont "prêts à traiter leur expertise comme un actif à exploiter continuellement".
Des médecins qui partagent des modèles de contribution, des avocats qui fournissent des contrats types, des ingénieurs qui partagent des modèles de code, des chercheurs qui contribuent des connaissances dans leurs domaines — ces données rares, qui étaient autrefois éparpillées dans le travail personnel de professionnels, et qui n'avaient jamais pu entrer dans les ensembles d'entraînement des grands modèles, trouvent enfin un canal.
C'est une nécessité :
L'ère du scraping ordinaire était "plus on en capture, mieux c'est". L'ère des ensembles de données en or est "plus la qualité est profonde, plus c'est précieux".
Il faut aussi parler des risques. La mise en place de ces six systèmes repose sur la capacité de suivi de l'appartenance PoA à fonctionner de manière stable sous des volumes de données massifs, sur la capacité de l'écosystème du réseau de données à attirer de véritables contributeurs professionnels rares, et sur la capacité d'incitation durable du jeton OPEN. Ces trois éléments en sont encore à leurs débuts.
Mais la direction est claire : la prochaine génération d'IA ne grandira plus en pillant l'ensemble d'internet.
Elle s'appuiera sur une partie des ensembles de données en or, correctement organisés, ayant des droits bien définis sur la chaîne, et qui seront continuellement rémunérés.
@OpenLedger #OpenLedger $OPEN

#openledger $OPEN Pendant cette période, le changement le plus évident que j'ai constaté, c'est qu'après le lancement d'OctoClaw, beaucoup de choses ne dépendent plus de "surveillance manuelle + clics manuels", mais sont devenues "je rédige des intentions, il exécute". Ce que j'ai le plus exploré, c'est la configuration cloud d'OctoClaw : auparavant, un script local tombait à l'eau dès que la connexion était coupée, maintenant en mettant les paramètres, les permissions et les seuils de gestion des risques dans le cloud, j'ai essentiellement solidifié un modèle d'exécution réutilisable ; je n'ai qu'à changer quelques lignes de conditions pour faire passer l'agent de trading d'une action à une autre selon les conditions du marché, par exemple, en cas de glissement anormal, il se retire automatiquement, ou en cas de réduction de la profondeur, il réduit la position pour tester. Plus important encore, ce n'est pas un robot isolé, l'intégration ERC-4626 me permet de connecter directement "comment stationner les fonds inactifs, comment réinvestir les gains" dans la chaîne d'exécution, l'agent n'est pas seulement capable d'acheter ou de vendre, il gère aussi l'efficacité des actifs derrière la position. Récemment, je m'amuse aussi avec le vibecoding avec OpenLedger, pour être honnête, cette approche "écrire et exécuter en même temps" est assez captivante : décomposer la logique de stratégie en petits modules, valider une partie et immédiatement vérifier les journaux, les erreurs sont rapidement mises en évidence, cela ressemble davantage à un réglage d'ingénierie. Enfin, le pont EVM est très utile pour moi qui transporte des actifs entre plusieurs chaînes, cela m'évite le coût mental de redéployer et de changer de portefeuille dans différents environnements. L'expérience globale est que cela ressemble davantage à rendre la couche d'exécution comme des blocs modulables, et non pas juste un autre outil qui crie des slogans. @OpenLedger $OPEN #OpenLedger

#openledger $OPEN Je n'ai pas trop surveillé le marché ces deux derniers jours, mais j'ai plutôt refait le chemin de @OpenLedger selon le "parcours utilisateur réel" : en partant de l'idée de faire travailler l'agent, jusqu'à voir comment il connecte exécution, fonds, inter-chaînes et expérience de développement. Mon premier ressenti avec le lancement d'OctoClaw n'était pas "encore un agent qui discute", mais plutôt que enfin, on a pu intégrer la recherche/génération/exécution/automatisation dans un même flux de travail, avec l'accent sur le fait de pousser l'exécution d'un simple clic manuel à un niveau orchestré et réutilisable.

Ce qui m'importe le plus, c'est la stabilité : l'agent ne faillit pas par manque d'intelligence, mais parce qu'une fois que tu te déconnectes, il perd le lien, la configuration dérive, et l'environnement s'effondre. La direction de la configuration cloud d'OctoClaw, pour moi, vise à réduire cette usure — ne laisse pas le fait de "faire tourner" devenir une science obscure. Ensuite, il y a l'agent de trading ; je suis naturellement prudent avec les "robots de trading", mais ici, OpenLedger semble davantage mettre en avant un "système d'exécution" plutôt qu'un "système de signaux" : cela réduit le chemin entre la stratégie et l'exécution sur la chaîne, te permettant de réutiliser une logique d'exécution au lieu de réécrire des adaptations tous les jours.

Concernant la couche de fonds, l'intégration de l'ERC-4626 est clé, car elle standardise les coffres de rendement/conteneurs de stratégies, facilitant l'intégration externe et rendant la gestion des fonds par l'agent plus aisée, sans avoir à coudre chaque protocole individuellement. De plus, avec le EVM Bridge, on réduit la résistance des transferts et des règlements inter-chaînes — c'est particulièrement réaliste pour un système d'agents qui doit exécuter et régler fréquemment. En regardant l'ensemble, OctoClaw orchestre les actions, le 4626 met les fonds dans un conteneur unifié, le Bridge résout les frontières entre chaînes, et la configuration cloud évite les déconnexions. Si cette chaîne fonctionne bien, $OPEN ressemble alors davantage à un cadre contraignant et incitatif pour une économie d'agents utilisables, plutôt qu'à un nom soutenu uniquement par le récit.

@OpenLedger $OPEN #OpenLedger

Avant, dans le P2E, j'avais peur de deux choses : d'abord, que les bots siphonnent les récompenses à outrance, et ensuite, que les développeurs embellissent les données des incitations, et dès qu'ils arrêtent, l'économie s'effondre. L'approche de Stacked ressemble plus à un "moteur LiveOps version récompenses" : considérer les récompenses comme un outil d'exploitation, plutôt que de simplement balancer des tokens. La valeur de la couche AI game economist, que je comprends du point de vue des joueurs, c'est qu'elle peut questionner les cohorts : pourquoi la chute est-elle si sévère de D3 à D7 ? Où fuit le budget des récompenses ? Quels tests valent la peine d'être lancés immédiatement ? L'important, c'est que les réponses ne sont pas écrites dans un rapport en attendant d'être lues, mais peuvent directement revenir dans le même système pour ajuster les dépenses, modifier les déclencheurs, et changer les seuils, réalisant ainsi insight→action, sans avoir besoin de réunions qui traînent trois semaines.

Un point plus solide est qu'il y a "des reçus" : il paraît que ce système alimenté par Stacked a déjà géré plus de 200M+ de récompenses dans Pixels, couvrant des millions de joueurs et contribuant à plus de 25M+ de revenus, ce n'est pas juste un rêve sur PPT. Ajoutez à cela des mesures anti-triche, anti-bots, des données comportementales et de l'expérience en conception de récompenses comme variables lentes, la barrière est assez réelle. Du point de vue commercial, je trouve même que c'est plus audacieux : les jeux traditionnels dépensent des millions chaque année pour acquérir des utilisateurs, et au final, ce sont les canaux qui en profitent ; le "redirect ad spend" de Stacked consiste à distribuer une partie du budget directement aux vrais joueurs, rendant le ROI vérifiable. Si ça peut réellement servir d'infrastructure B2B pour les studios, le profil de risque n'a rien à voir avec celui d'un "token de jeu unique" — et PIXEL semble également s'orienter vers l'expansion des récompenses inter-jeux / monnaie de fidélité / couche de récompense, la demande pourrait ouvrir un nouveau champ de bataille.

@Pixels $PIXEL #pixel

Les LiveOps de Pixels ne se limitent pas à "lancer des événements et distribuer des récompenses", mais constituent un véritable moteur opérationnel qui intègre mise à jour de contenu, orchestration des tâches, budget des récompenses et stratégies anti-triche. En surface, on voit des tâches quotidiennes, des événements temporaires, et un roulement de récompenses pour différentes mécaniques de jeu, mais au fond, il se passe deux choses : premièrement, les chemins de tâches orientent le comportement des joueurs vers un cycle économique contrôlable (production—consommation—livraison—réinvestissement), évitant ainsi que les récompenses ne soient exploitées à un seul point ; deuxièmement, un mécanisme de hiérarchisation transforme la distribution des récompenses de "tout le monde reçoit la même chose" à "différentes personnes, différents chemins", améliorant la rétention et l'efficacité des paiements, tout en comprimant la marge bénéficiaire des studios et des scripts.

La véritable difficulté des LiveOps réside dans l'équilibre entre "précision des récompenses" et "préservation de l'économie". Pixels a choisi d'étendre son système de récompenses à la couche Stacked, en utilisant des données comportementales plus fines pour ajuster l'intensité des tâches, la structure des récompenses et les conditions de déclenchement : réduire les retours sur les actions répétitives fréquentes, offrir des gains plus stables pour une participation diversifiée, et imposer des coûts de validation plus élevés pour les comportements anormaux. Le résultat de cela est que les événements ne sont plus seulement des moyens d'activer à court terme, mais dirigent constamment le budget vers de vrais joueurs susceptibles de rester, réduisant le gaspillage de "récompenses exploitées sans amélioration de la rétention".

Pour évaluer l'efficacité de ce LiveOps, il ne faut pas se fier aux slogans, mais observer trois signaux : les tâches deviennent-elles de plus en plus "orientées vers la consommation" plutôt que de simplement accumuler des productions ? Les récompenses passent-elles de "répéter la même action" à "participation à plusieurs mécaniques" ? La courbe des rendements anormaux est-elle continuellement aplatie (les scripts peinent à consommer de manière stable sur le long terme) ? Si ces trois points sont valables, alors les LiveOps de Pixels peuvent vraiment être considérés comme une mise à niveau de l'exploitation d'événements vers un moteur de croissance réutilisable.

@Pixels $PIXEL #pixel

Aujourd'hui, après avoir fini la planche de tâches de Pixels, j'ai jeté un œil à la logique de récompense dans Stacked. Ma première réaction n'était pas la joie, mais plutôt un frisson : avant, je pensais que les récompenses étaient juste des bonbons, mais ça ressemble de plus en plus à une expérience de 'LiveOps'. En gros, Stacked ressemble davantage à un moteur de LiveOps récompensé, pas une appli de récompenses banale — il cible un groupe de joueurs (cohorte) et observe les points de chute entre D3 et D7, puis il rétro-analyse où le budget de récompense fuit, quel task changer et quelles récompenses donner pour garder les joueurs.
Mon expérience personnelle est la suivante : quand je suis en ligne pendant 30 minutes, parfois les récompenses semblent être soutenues de manière précise, d'autres fois, le système détermine que 'tu ne vaux pas cher' et te downgrade direct. Est-ce que tu penses que c'est l'économiste de jeu AI qui fait du layer sur le dos ? Je ne peux pas être sûr à 100%, mais au moins ça correspond à ce cycle 'insight→action' : d'abord analyser la perte/le maintien/LTV, puis injecter l'expérience directement dans le même système pour qu'il roule, et les joueurs peuvent immédiatement ressentir le changement de rythme.
C'est justement parce que c'est quelque chose qui vient de 'l'environnement de production' que je le prends au sérieux — on dit que ce système a déjà traité plus de 200M+ de récompenses dans Pixels, touchant des millions de joueurs, et a contribué à plus de 25M+ de revenus, ce n'est pas qu'une histoire sur PPT. Du point de vue des joueurs, je suis plus préoccupé par le fait que lorsque 'rediriger les dépenses publicitaires vers les joueurs' se produit vraiment, l'argent sera-t-il plus enclin à être investi dans ceux qui jouent réellement, plutôt que dans des scripts et des fermes ? Ici, la lutte contre la fraude et les données comportementales sont la muraille protectrice : sans ça, les récompenses seront juste siphonnées.
Pour finir, je mentionne PIXEL : je sens qu'il ne s'agit plus seulement d'une monnaie pour un seul jeu, mais qu'elle est intégrée dans la position de carburant pour les récompenses et la loyauté entre plusieurs jeux — mais cela nécessite l'intégration de studios externes et des données de rétention réelles pour se réaliser, ce n'est pas quelque chose qu'on peut juste crier. Je vais maintenant surveiller un signal : quand l'événement est ajusté, quels joueurs sont 'boostés', quels sont 'downgradés', et si la courbe D3-D7 a vraiment été aplanie.
@Pixels $PIXEL #pixel

L'équipe de Pixels a créé Stacked, et pour faire simple, ce n'est pas l'histoire d'une "nouvelle app de récompenses". C'est plutôt comme si on prenait la couche la plus difficile à gérer dans les jeux, celle qui est souvent exploitée — distribution de récompenses + amélioration de la rétention + anti-triche — et qu'on en faisait un moteur de LiveOps récompensé, avec en prime un "économiste de jeu AI". C'est un point clé : ce n'est pas juste une pile de rapports à lire, mais un système capable de répondre à des questions comme "quel cohort est en chute, où fuit le budget des récompenses, quel type d'expérimentation lancer ensuite", et tu peux immédiatement mettre en place l'expérimentation dans le même système, insights en actions sans attendre.

Ce qui me convainc vraiment, c'est "avoir des reçus" : ce système n'est pas juste un dessin dans un PowerPoint, il a déjà fonctionné dans l'écosystème de Pixels, traitant plus de 200M+ de récompenses, touchant des millions de joueurs, et l'équipe a même mentionné une contribution tangible à plus de 25M+ de revenus. C'est plus juste de le considérer comme une "machine opérationnelle testée au combat".

D'un point de vue crypto, je pense que le rôle de PIXEL évolue : ce n'est pas juste un token de jeu unique, mais il est en train de devenir une monnaie de récompenses / de fidélité / une couche de carburant pour les récompenses inter-jeux — plus il y a de jeux, plus la portée des récompenses et la demande sont grandes (je ne vais pas le formuler comme une promesse, mais la chaîne logique est claire). Et concernant le sujet "rediriger les dépenses publicitaires" : l'argent que les studios gaspillent chaque année en acquisition, Stacked semble le réorienter vers de vrais joueurs, transformant le ROI en quelque chose de quantifiable et d'itératif. Ça ressemble davantage à une infrastructure de jeu, plutôt qu'à un nouveau jeu pariant sur un succès commercial.

@Pixels $PIXEL #pixel