Lữ Khách Web3

Ada sesuatu yang cukup aneh dalam gelombang AI baru-baru ini.
Kita banyak berbicara tentang model, tentang kekuatan penalaran, tentang kemampuan otomatisasi, tetapi sedikit berbicara tentang apa yang membuat sistem ini benar-benar berguna setelah digunakan dalam jangka waktu tertentu: memori.
Sistem AI saat ini tampaknya sangat pintar dalam setiap sesi kerja individu, tetapi kemudian semuanya mulai dari awal. Pengguna mengulangi konteks, agen mengulangi proses, data yang dihasilkan lalu dengan cepat menghilang.

Itu bukan masalah baru, hanya saja selama bertahun-tahun kita terbiasa melihat memori sebagai fitur alih-alih lapisan infrastruktur.
Akibatnya, sistem semakin kompleks tetapi masih beroperasi seperti entitas yang mengalami kehilangan ingatan jangka pendek. Terlalu banyak sumber daya digunakan untuk mereproduksi apa yang pernah ada.
Yang menarik adalah OpenGradient tampaknya tidak fokus pada membuat AI lebih pintar. Sepertinya mereka sedang mencoba arah lain: mengubah memori menjadi aset yang dapat disimpan, diambil, dan dibagikan di antara agen dalam sistem.
Bukan masalah model.
Tetapi masalah berkelanjutan dari konteks.
Tentu saja, ide apa pun terdengar masuk akal di atas kertas. Adopsi tetap lebih penting daripada arsitektur, penggunaan tetap lebih penting daripada narasi apa pun. Jika pengguna tidak menciptakan dan menggunakan memori sebagai bagian alami dari proses, lapisan infrastruktur itu akan menjadi penyimpanan yang mahal.
Hal yang membuat saya lebih penasaran adalah kemungkinan pasar sedang mengevaluasi rendah peran memori dalam AI. Jika itu benar, OpenGradient mungkin sedang menyentuh masalah struktural daripada tren jangka pendek.
Setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient

Ada sebuah paradoks yang cukup aneh dalam AI saat ini yaitu model-model semakin kuat namun pengalaman pengguna tidak selalu menjadi lebih personal. Terlalu banyak sistem yang berusaha melayani semua orang dengan cara yang sama.

Ini bukan masalah baru, hanya jarang disebutkan.
Selama bertahun-tahun, personalisasi terutama bergantung pada data yang dikumpulkan secara terpusat. Pengguna menghasilkan sinyal, platform memiliki sinyal tersebut, nilai terakumulasi di lapisan infrastruktur alih-alih kembali kepada pencipta data. Sistem tampaknya semakin memahami pengguna tetapi pengguna malah memiliki kontrol yang lebih sedikit atas profil digital mereka sendiri.

Menariknya, ini bukan hanya masalah privasi, tetapi juga masalah distribusi nilai.

Sepertinya OpenGradient mendekati personalisasi dari sudut pandang yang berbeda. Bukan dengan menambah lapisan aplikasi untuk memprediksi perilaku, tetapi dengan memfasilitasi agar data, model, dan konteks pribadi dapat berinteraksi dengan cara yang memberi pengguna lebih banyak kontrol atas aset data mereka.

Tentu saja, ide dan penggunaan praktis adalah dua hal yang berbeda. Adopsi lebih penting daripada narasi apapun tentang AI yang terdesentralisasi.
Yang membuat saya penasaran adalah apakah pengguna benar-benar ingin memiliki identitas data mereka atau tidak, itu bisa menjadi bagian yang lebih menarik untuk diamati ke depannya. Sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient

Ada asumsi yang cukup umum bahwa AI Agents ada untuk melayani pengguna, tetapi semakin lama saya mengamati, saya semakin melihat sebuah paradoks lain. Sepertinya banyak masalah terbesar AI tidak terletak pada pengalaman pengguna. Mereka terletak pada kemampuan operasional dari para agen itu sendiri.

Selama bertahun-tahun, data selalu menjadi titik bottleneck yang familiar. Bukan karena kurangnya data, tetapi karena kurangnya data yang dapat dipercaya. Sistem AI terus-menerus mengambil keputusan berdasarkan sumber yang tidak benar-benar dapat mereka verifikasi, dan pengguna jarang memperhatikan hal itu. Agen tidak memiliki pilihan.

Sistem saat ini beroperasi dengan cara yang cukup aneh. Manusia menerima kesalahan. Agen harus menangani kesalahan itu dalam skala yang jauh lebih besar. Terlalu banyak lapisan perantara, terlalu banyak data yang tidak jelas asal-usulnya, dan terlalu banyak biaya verifikasi yang dibebankan ke ujung sistem.

Mungkin itu sebabnya OpenGradient menjadi perhatian. Sepertinya mereka tidak berusaha membangun satu AI Agent lagi, mereka berusaha membangun mekanisme agar agen dapat mengakses dan memverifikasi data dengan cara yang dapat diverifikasi. Ini bukan soal antarmuka, tetapi soal infrastruktur kepercayaan.

Tentu saja, adopsi adalah bagian yang penting. Bukan narasi, bukan roadmap. Jika agen tidak benar-benar menggunakan sistem seperti itu, seluruh argumen akan kehilangan makna. Hal yang membuat saya lebih penasaran adalah apakah permintaan ini datang dari pengguna atau dari para agen itu sendiri. Setidaknya dari sudut pandang saya, ini mungkin bagian yang lebih menarik untuk diamati, saya akan terus memantau..!
#opg $OPG @OpenGradient

Ada satu hal yang cukup aneh dalam AI saat ini...
Semakin banyak model bermunculan, pengguna semakin sulit mengetahui mana yang nyata. Bukan nyata dalam arti informasi benar atau salah, tetapi nyata dalam arti dapat diverifikasi.

Ini adalah masalah yang sudah ada selama bertahun-tahun. Sistem AI semakin kuat dalam memberikan jawaban tetapi cukup lemah dalam membuktikan bagaimana mereka mencapai jawaban tersebut. Terlalu banyak yang dibangun di atas kepercayaan, terlalu sedikit yang dibangun di atas kemampuan untuk memverifikasi.

Menariknya, sebagian besar aliran modal tampaknya masih terfokus pada membuat AI lebih cepat, lebih murah, atau lebih cerdas, sementara pertanyaan tentang keaslian kurang mendapat perhatian. Sepertinya pasar sedang mengoptimalkan kemampuan untuk menciptakan kecerdasan ketimbang kemampuan untuk memverifikasi kecerdasan tersebut.

OpenGradient tampaknya sedang menuju arah yang berbeda. Bukan hanya membangun model AI tambahan, tetapi mencoba menempatkan lapisan verifikasi di atas proses penalaran dan eksekusi AI. Setidaknya dari cara saya melihatnya, ini adalah masalah desain sistem lebih dari sekadar masalah model.

Tentu saja, narasi selalu lebih mudah daripada adopsi; pengguna tidak peduli seberapa indah arsitektur jika mereka tidak mendapatkan nilai nyata. Itu adalah bagian yang perlu diverifikasi.
Yang membuat saya lebih penasaran adalah apakah dalam beberapa tahun ke depan "Verifiable Intelligence" akan menjadi persyaratan default daripada sekadar fitur tambahan.

Saya masih mengikuti bagian ini.
#opg $OPG @OpenGradient

Ada sesuatu yang cukup aneh dalam gelombang AI saat ini, yaitu banyak orang berbicara tentang kemampuan model, tetapi sedikit yang membahas apakah hasil yang dihasilkan AI benar-benar dapat dipercaya.

Ini bukan masalah baru, hanya saja semakin jelas saat AI mulai terlibat dalam aktivitas yang memiliki nilai ekonomi yang nyata. Sistem AI saat ini beroperasi berdasarkan semacam kepercayaan tersirat. Pengguna mengirim data, model memproses, dan hasilnya dikembalikan. Sebagian besar proses internal masih merupakan kotak hitam.

Menariknya, saat nilai yang dihasilkan meningkat, biaya untuk mempercayai secara buta juga meningkat. Penyimpangan, manipulasi, atau data yang tidak dapat diverifikasi bukan lagi sekadar kesalahan teknis; mereka menjadi masalah ekonomi.

Di sinilah OpenGradient muncul dengan arah yang cukup berbeda. Alih-alih fokus pada pembuatan AI yang lebih kuat, mereka tampaknya berusaha mengintegrasikan kriptografi ke dalam proses verifikasi cara AI beroperasi. Bukan AI terlebih dahulu, kriptografi kemudian, tetapi kemampuan verifikasi dibangun langsung ke dalam sistem.

Mungkin ini adalah poin yang patut dicatat. Jika AI menjadi infrastruktur, pertanyaannya bukan siapa yang memiliki model terbesar, tetapi siapa yang dapat menghasilkan hasil yang tidak perlu dipercayai secara mutlak oleh pihak lain.

Tentu saja, ide dan perilaku pengguna adalah dua cerita yang berbeda. Adopsi tetap lebih penting daripada arsitektur yang indah di atas kertas. Yang membuat saya lebih penasaran adalah apakah permintaan untuk 'AI yang dapat diverifikasi' benar-benar ada saat pasar matang atau tidak. Setidaknya dari cara saya melihatnya, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient

Ada sesuatu yang cukup aneh dalam narasi AI crypto saat ini.
Banyak proyek yang membahas tentang model, agen, tetapi semakin saya lihat, saya semakin menyadari bahwa sebagian besar nilai tidak terletak pada AI itu sendiri, melainkan pada data yang digunakan oleh AI.

Masalahnya adalah pasar telah membahas data selama bertahun-tahun, sistem pengumpulan data muncul dan kemudian menghilang, dan gudang data dibangun tetapi dengan cepat kehilangan likuiditas pengguna. Data dianggap sebagai aset penting tetapi jarang diperlakukan seperti aset dengan siklus ekonomi yang jelas.

Sistem saat ini tampaknya masih beroperasi dengan logika yang sudah biasa. Pengguna menyumbangkan data, platform mengumpulkan data, dan nilai akhirnya terpusat pada pemilik infrastruktur. Gesekan terletak pada ketidakharmonisan antara motivasi berbagai pihak.

Hal menarik adalah OpenGradient tampaknya tidak fokus pada menciptakan AI yang lebih baik. Yang membuat saya lebih penasaran adalah mereka tampaknya sedang berusaha membangun lapisan infrastruktur agar data dapat diverifikasi, diakses, dan digunakan dengan cara yang dapat diprogram. Ini bukan perlombaan model, tetapi perlombaan tentang ketersediaan data.

Tentu saja, itu baru sekadar pendekatan.
Teknologi mungkin mengesankan bagi builder, tetapi pengalaman yang baru saja dapat meyakinkan pengguna, dan pada akhirnya adopsi dan penggunaan selalu lebih penting daripada apa yang ada di roadmap.

Itu adalah bagian yang selalu saya kembalikan, bukan apakah OpenGradient akan berhasil atau tidak, tetapi apakah pasar AI crypto akhirnya akan menyadari bahwa data bisa menjadi faktor penghambat ekonomi yang lebih besar daripada model AI itu sendiri.
Setidaknya dari sudut pandang saya, ini adalah bagian yang paling menarik, sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient

Ada tren yang berulang di crypto, yaitu setiap kali muncul satu sektor baru, pasar akan cepat mencari "EigenLayer dari sektor itu". Ini terdengar masuk akal, tetapi kadang-kadang perbandingan tersebut justru mengaburkan masalah yang sebenarnya.

Dalam AI, masalah yang terus-menerus bukan hanya di modelnya. Terlalu banyak orang yang membangun model, terlalu banyak modal yang mengalir untuk pelatihan, sementara yang lebih langka adalah kemampuan untuk memanfaatkan sumber daya AI secara efektif dan terverifikasi.

Sistem saat ini tampaknya berjalan cukup terpisah. Komputasi berada di satu tempat, model berada di tempat lain, pengguna berada di tempat yang berbeda, aliran modal sering mengikuti narasi sementara kebutuhan sebenarnya berkisar pada siapa yang bisa menyediakan layanan yang dapat diandalkan dengan biaya yang wajar.

Saat itulah OpenGradient menjadi menarik. Bukan karena itu adalah "EigenLayer dari AI". Sepertinya pendekatan mereka bukan untuk menciptakan satu lapisan narasi tambahan untuk AI, tetapi untuk membangun lapisan koordinasi antara sumber daya, model, dan kebutuhan penggunaan.
Menariknya, adopsi adalah bagian yang penting, bukan TVL, bukan roadmap. Jika pengguna tidak benar-benar membutuhkan lapisan koordinasi ini, seluruh cerita akan menjadi tidak relevan.

Yang membuat saya lebih penasaran adalah apakah pasar AI akhirnya akan kekurangan model atau kekurangan infrastruktur untuk mengkoordinasikan antara model-model tersebut. Saya masih memantau bagian itu, setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient

Ada satu hal yang cukup aneh dalam gelombang token AI saat ini...
Semakin banyak proyek yang membahas AI, semakin sulit bagi saya untuk melihat di mana sebenarnya AI muncul dalam perilaku penggunaan sehari-hari. Sebagian besar cerita masih berputar di sekitar token, likuiditas, dan ekspektasi masa depan lebih dari nilai yang dikonsumsi saat ini.

Masalah ini bukan hal baru, crypto sudah terbiasa dengan memfasilitasi segala sesuatu sebelum membuktikan kebutuhan yang nyata, AI tampaknya juga mengikuti jalur yang sama. Terlalu banyak model yang dibangun, terlalu banyak infrastruktur yang dipromosikan tetapi pertanyaan siapa yang membayar untuk menggunakannya sering kali diabaikan.

Sistem saat ini menciptakan sebuah paradoks bahwa aliran modal ke AI sangat besar tetapi akses data, model, dan kapasitas komputasi masih terpusat, pengguna akhir jarang memiliki bagian dari nilai yang mereka kontribusikan.
Itulah yang membuat OpenGradient berbeda dari banyak token AI lainnya. Sepertinya pendekatan mereka bukanlah mengubah AI menjadi narasi baru untuk trading tetapi membangun lapisan infrastruktur di mana data, model, dan inferensi dapat dipadukan sebagai aset ekonomi.

Menariknya, adopsi adalah ujian yang sebenarnya, bukan TVL, bukan roadmap. Jika pengguna tidak muncul, semua desain hanyalah asumsi.
Saya masih memiliki keraguan tetapi setidaknya dari sudut pandang saya, OpenGradient sedang mempertanyakan struktur nilai dari AI alih-alih hanya menceritakan kisah pertumbuhannya. Itu bisa jadi bagian yang lebih menarik untuk diamati dalam beberapa kuartal ke depan.
#opg $OPG @OpenGradient

Ada satu hal yang cukup aneh dalam narasi AI x Blockchain beberapa tahun terakhir.
Semakin banyak proyek yang berbicara tentang membawa AI ke blockchain, semakin saya merasakan jarak antara kedua sistem ini belum benar-benar teratasi. Satu sisi mengoptimalkan untuk verifikasi, sisi lainnya beroperasi berdasarkan data, model, dan kemampuan inferensi yang terus berubah.

Masalahnya adalah ini bukan hal baru, AI butuh data yang dapat dipercaya, blockchain butuh aplikasi yang menciptakan permintaan nyata tetapi sebagian besar sistem saat ini masih bergantung pada lapisan perantara untuk menghubungkan kedua sisi.
Akibatnya, gesekan muncul di mana-mana, data sulit untuk diverifikasi asal-usulnya, model sulit untuk dibuktikan, pengguna akhir hampir tidak peduli dengan teknologi di belakangnya, mereka hanya ingin hasil yang stabil.
Itu adalah bagian yang membuat saya tertarik pada OpenGradient. Sepertinya pendekatan mereka bukan tentang menambahkan AI ke blockchain tetapi tentang membangun lapisan infrastruktur agar AI dapat berinteraksi dengan data dan status onchain dengan cara yang lebih dapat dipercaya.

Namun, narasi bukanlah sesuatu yang menentukan hasil, penggunaan adalah tes yang sebenarnya. Jika agen AI tidak menggunakan sistem seperti itu, setiap desain hanya akan berhenti pada teori.

Setidaknya dari sudut pandang saya, pertanyaan yang menarik bukanlah apakah AI perlu blockchain atau tidak, tetapi apakah blockchain dapat menjadi lapisan yang dapat diandalkan untuk AI atau tidak. Saya masih memantau bagian ini.
#opg $OPG @OpenGradient

Ada sebuah paradoks yang cukup aneh dalam gelombang AI saat ini. Semakin banyak model yang dipromosikan sebagai lebih cerdas, pengguna malah semakin sedikit tahu tentang bagaimana mereka mengambil keputusan.

Ini bukan masalah baru, sistem keuangan pernah mengalami hal ini, algoritma iklan juga pernah, dan sekarang giliran AI. Terlalu banyak keputusan penting yang diambil di dalam kotak yang tidak bisa diverifikasi oleh pengguna.

Menariknya, sebagian besar pasar tampaknya menerima ini sebagai harga yang harus dibayar untuk kinerja. Mereka ingin jawaban lebih cepat, mereka ingin model yang lebih kuat, tetapi mereka jarang bertanya data apa yang digunakan, bagaimana proses penalaran berjalan, atau bagaimana hasilnya dapat diverifikasi.

Di sinilah OpenGradient muncul dengan pendekatan yang tampaknya berbeda. Bukan untuk membangun model AI baru, tetapi berusaha menciptakan struktur agar penalaran dan data menjadi lebih transparan, lebih dapat diverifikasi. Setidaknya dari cara saya melihat, ini adalah masalah desain kepercayaan daripada desain model.

Tentu saja, narasi selalu lebih mudah daripada adopsi. Pengguna sering kali mengutamakan kenyamanan daripada kemampuan verifikasi, itulah sebabnya saya belum melihat ini sebagai jawaban yang lengkap.

Hal yang membuat saya lebih penasaran adalah apakah pasar benar-benar akan mulai menganggap transparansi sebagai infrastruktur yang diperlukan dari AI atau tidak. Sisanya akan dijawab oleh perilaku pengguna
#opg $OPG @OpenGradient

Gue rasa salah satu kesalahpahaman paling umum di siklus ini adalah orang-orang yang melihat staking BTC sebagai narasi baru. Gue udah liat cukup banyak narasi serupa muncul di crypto: ganti nama konsep lama, tambahin beberapa kata kunci menarik, terus pasar meyakinkan diri sendiri bahwa ini adalah sesuatu yang benar-benar berbeda, tapi yang bikin gue ragu adalah Bitcoin gak pernah bener-bener kekurangan likuiditas, yang kurang sepertinya adalah pasar modal yang cukup matang supaya aliran modal itu bisa dinilai, berputar, dan digunakan dengan lebih efisien.

Orang banyak ngomong tentang yield, orang banyak ngomong tentang staking, tapi kalau kita lihat lebih dalam, masalahnya sepertinya bukan tentang nambahin beberapa persen yield untuk BTC, masalahnya adalah ribuan triliun USD nilai yang terdiam sementara infrastruktur untuk menjadikan Bitcoin sebagai aset yang bisa terlibat lebih dalam dalam kegiatan finansial masih cukup primitif. Setidaknya dari sudut pandang gue, itu baru cerita yang lebih menarik.

Mungkin itu juga alasan kenapa Bedrock bikin gue tertarik dari sudut lain. Proyek ini sepertinya mencoba mendekati Bitcoin sebagai lapisan aset dalam Pasar Modal Bitcoin ketimbang hanya melihatnya sebagai cerita staking BTC belaka. Tentu saja, narasi apapun terdengar masuk akal di atas kertas, pada akhirnya semua kembali ke pertanyaan lama yang sangat klasik, yaitu apakah ada cukup demand sebenarnya untuk membuat aliran modal itu bergerak atau enggak. Di sini, gue rasa pasar butuh waktu lebih untuk menjawab.

#bedrock $BR @Bedrock

Ada sebuah paradoks yang cukup familiar di BTCFi, di mana semua orang berbicara tentang cara membuat Bitcoin lebih efisien, tetapi sebagian besar sistem akhirnya kembali ke masalah lama: mencetak token untuk menarik likuiditas dan kemudian mencari cara untuk mempertahankannya.

Sistem-sistem ini tampaknya selalu menghadapi masalah yang sama. Bitcoin adalah aset langka, tetapi hadiah untuk memicu perilaku sering kali tereduksi seiring berjalannya waktu. Aliran modal datang dengan cepat ketika insentif cukup besar, dan kemudian pergi ketika hadiah mulai menurun. TVL meningkat, tetapi keberlanjutan tidak selalu terjamin.

Inilah cara sebagian besar sistem beroperasi. Pengguna mengoptimalkan profit, protokol mengoptimalkan pertumbuhan, dan dua tujuan ini tidak selalu sejalan. Hasilnya, banyak tokenomics menjadi siklus redistribusi daripada menciptakan nilai ekonomi baru.

Menariknya, Bedrock tampaknya mencoba mendekati masalah ini dari sudut pandang yang berbeda. Bukan hanya menciptakan insentif tambahan untuk BTCFi, tetapi juga mencari cara untuk mengubah aliran yield, poin hadiah, dan kepemilikan dalam ekosistem menjadi struktur alokasi nilai yang lebih terintegrasi.

Tentu saja, desain sistem dan perilaku nyata selalu merupakan dua cerita yang berbeda. Adopsi lebih penting daripada model, penggunaan lebih penting daripada TVL.

Hal yang membuat saya lebih penasaran adalah apakah BTCFi akhirnya dapat menyelesaikan masalah tokenomics ini. Setidaknya, dari cara saya melihatnya, ini adalah bagian yang paling menarik.
#bedrock $BR @Bedrock

Ada sebuah paradoks yang cukup menarik dalam crypto...
BTC adalah aset jaminan terbesar di pasar, tetapi jika dilihat lebih dekat, pasar kredit yang berputar di sekitar BTC masih berkembang lebih lambat dibandingkan dengan skala modal yang dipegangnya.

Selama bertahun-tahun, industri ini terus-menerus berbicara tentang "mengaktifkan likuiditas Bitcoin". Berbagai sistem muncul dan menghilang, narasi terus berubah, tetapi sebagian besar BTC tetap diam atau dimasukkan ke dalam siklus penghasil yield yang sudah dikenal.

Itu membuat saya berpikir bahwa masalahnya mungkin tidak pernah terletak pada yield.
Masalahnya terletak pada kredit.
Sebuah sistem keuangan yang matang tidak hanya membutuhkan aset yang berharga tetapi juga kemampuan untuk mendistribusikan modal tersebut ke tempat yang paling membutuhkan secara efisien.
Protokol lending saat ini sering kali berdasarkan pada model over-collateralization. Ini membantu mengurangi risiko sistem tetapi juga membuat efisiensi penggunaan modal menjadi cukup terbatas. Terlalu banyak BTC terkurung hanya untuk melindungi protokol dari skenario buruk.

Sepertinya Lending Vault dari Bedrock sedang mencoba pendekatan dari arah yang berbeda. Tidak semata-mata menciptakan sumber APY baru tetapi mencari cara untuk mengubah BTC menjadi sumber modal yang dapat dialokasikan dalam struktur kredit yang lebih jelas.
Tentu saja, ide selalu lebih mudah daripada tindakan nyata. TVL bisa didorong oleh insentif tetapi permintaan pinjaman, perputaran modal yang nyata, dan kemampuan untuk bertahan saat imbalan berkurang adalah hal-hal yang perlu diamati.

Jika pasar kredit BTC benar-benar terbentuk, nilai yang mungkin dimilikinya terletak pada cara ia mengubah aliran modal Bitcoin. Setidaknya dari sudut pandang saya, ini adalah bagian yang lebih menarik ke depan.
#bedrock $BR @Bedrock

Ada sesuatu yang cukup aneh di pasar BTCFi.
Setiap siklus selalu muncul produk baru untuk Bitcoin tetapi likuiditas terus terfragmentasi. Pengguna berpindah antara protokol, aliran modal berpindah antar chain, sementara Bitcoin sendiri jarang sekali menjadi kelas aset yang benar-benar terhubung.
Itu adalah masalah yang telah ada selama bertahun-tahun.

Sistem-sistem sering kali fokus pada menciptakan lebih banyak hasil. Mereka bersaing dengan APY, mereka mengeluarkan lebih banyak insentif tetapi ketika hadiah berkurang, aliran modal juga ikut pergi.

Yang menarik adalah efek jaringan hampir tidak dibangun.
Setidaknya dari cara saya melihat, Bedrock sepertinya berjalan ke arah yang berbeda dengan uniBTC. Tidak semata-mata menjual lebih banyak hasil untuk Bitcoin, tetapi berusaha menjadikan uniBTC sebagai kelas likuiditas yang dapat muncul di banyak ekosistem secara bersamaan.

Yang membuat saya semakin penasaran adalah logika di baliknya. Efek jaringan dalam keuangan sering kali tidak berasal dari teknologi, tetapi dari semakin banyak pihak yang memiliki alasan untuk menggunakan aset yang sama.
Tentu saja, muncul di banyak tempat tidak berarti adopsi yang sebenarnya. TVL bisa didorong, tetapi perilaku penggunaan lebih sulit untuk diprediksi.
Itulah bagian yang selalu saya kembali, bukan seberapa besar uniBTC, tetapi apakah pengguna mulai melihatnya sebagai kelas likuiditas default atau tidak.
Saya masih terus memantau bagian ini.

#bedrock $BR @Bedrock

Semua orang lagi ngomongin APY.
Pasar udah terobsesi sama hasil staking.
Siapa yang bayar lebih tinggi bakal narik lebih banyak modal.
Tapi permainan itu udah mulai jenuh.
Masalah sebenarnya bukan lagi dapet beberapa persen tambahan dari hasil.
Tapi efisiensi penggunaan Bitcoin...
Kapasitas rotasi likuiditas...
Mengubah Bitcoin dari aset pasif jadi aset yang bisa dialokasikan secara fleksibel.
Pasar lihat Bedrock sebagai protokol restaking.
Tapi Bedrock sebenarnya bisa jadi lagi bangun lapisan koordinasi modal untuk Bitcoin.
Ini yang saya pikir layak dipikirkan.
Beberapa sinyal menarik:
uniBTC mengubah cara Bitcoin berpartisipasi di DeFi
Fokus kuat ke BTCFi alih-alih cuma restaking
Melebar ke berbagai ekosistem lainnya
Desain produk berpusat pada likuiditas
Membangun banyak lapisan utilitas di atas Bitcoin

Saya belum percaya Bedrock udah menang.
Tapi yang bikin saya terus ngikutin proyek ini adalah mereka sepertinya lagi bersiap untuk dunia di mana APY bukan lagi keunggulan kompetitif.
Saat itu, yang menang bisa jadi yang kontrol aliran modal.
Koneksi yang lebih luas, crypto lagi beralih dari balapan rilis token ke balapan optimalisasi efisiensi modal.
Aset nggak lagi dinilai dari kepemilikan..
tapi dari kemampuan untuk dipakai ulang berkali-kali.
Ini cuma hipotesis pribadi, tapi apa yang pasar beli hari ini mungkin bukan yang sebenarnya akan jadi Bedrock.
Nggak cuma sekadar protokol restaking.
Nggak hanya alat untuk menghasilkan hasil.
Mungkin jadi lapisan infrastruktur koordinasi modal untuk era BTCFi berikutnya.
#bedrock $BR @Bedrock