Yoshi Invest

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".

Malam tadi pukul 1 pagi, aku menukar 0,7 ETH lewat 3 Wallet, membayar Biaya Gas 18,4 USD, makan Slippage 2,7%, dan bahkan mengklik Approval yang salah satu kali lagi...

Duduk di sana sambil menonton Route berputar melewati Bridge dan Aggregator terasa agak lucu.

Krisis kripto kadang bukan karena pasar.

Tapi karena stack yang kita pakai terlalu rumit!

Jujur, dulu aku mengira setiap rantai baru, VM baru, arsitektur baru itu bagus.

Kedengarannya premium.
Kedengarannya masa depan.

Tapi saat kamu benar-benar membangun, kamu sadar hal paling mahal bukan Biaya Gas, bukan Biaya Funding, dan bahkan bukan order PnL pada -46,8 USD.

Yang paling mahal adalah memaksa pengguna mengubah kebiasaan mereka.

Sebuah dApp yang membuat orang memindahkan likuiditas, mempelajari ulang alur Wallet, memahami Bridge lagi, menunggu Finality lagi... apa bedanya dengan membuat pelanggan pindah warung kopi hanya karena cangkirnya terlihat lebih bagus?

Pasar tidak peduli hal-hal yang “secara teknis benar” tapi secara perilaku salah.

Itulah mengapa aku mulai memperhatikan @OpenGradient bukan karena kata AI terdengar mengilap.

Tapi karena cara ia membingkai masalahnya sedikit berbeda: pertahankan Kompatibilitas EVM, Solidity, living Liquidity, lalu sisipkan inferensi AI sebagai Layer asli EVM melalui Precompile.

Kedengarannya kecil.

Position Data — Cross-chain Price Spread — Market Sentiment → Verifiable AI Output dengan Bukti TEE, sehingga Smart Contract bisa memproses Conditional Logic itu sendiri.

Tidak perlu merobohkan rumah lalu membangun ulang.
Tidak perlu menyeret pengguna dalam ziarah ke rantai baru.

Base punya Liquidity, Arbitrum punya Assets, Optimism punya User Behavior; jika panggilan Multi-chain AI bisa mengumpulkan potongan-potongan itu menjadi satu alur keputusan yang sama, maka routing AI DeFi akhirnya punya pijakan yang benar-benar kuat untuk dijalankan.

Aku tidak lagi percaya pada kalimat “teknologi yang bagus akan menang dengan sendirinya.”

Teknologi yang bagus yang membuat pasar membayar terlalu banyak gesekan masih tetap hanya slide yang indah!

Jadi jalur mana yang kalian pilih: membangun semuanya bersih dari nol, atau membuat yang sudah ada menjadi lebih pintar?
#OPG $OPG @OpenGradient $VELVET $LAB

Saya melihat sesuatu yang cukup menarik:
Setiap kali sebuah token dicatat di bursa besar.
Setiap putaran airdrop atau incentive, semuanya mulai menarik perhatian dari banyak sekali pengguna.
Namun setelah acara-acara itu selesai, mereka hampir menghilang dari pasar.
Lalu apa yang membuat sebuah token infrastruktur AI tetap ada sehingga mereka bisa terus bertahan tanpa menghilang?

Kebanyakan token infrastruktur AI saat ini berfokus pada menarik pengguna.

@OpenGradient membangun Model Hub, tempat setiap permintaan AI dibayar dengan OPG. Menurut saya, inilah saat token tidak lagi sekadar aset spekulatif, melainkan menjadi bagian dari setiap kali penggunaan AI.

Untuk mewujudkannya, #OPG mengintegrasikan lapisan pembayaran x402 langsung ke dalam setiap permintaan AI.

Pisahkan antara incentive dan adoption. Satu sisi datang dari manfaat ekonomi, satu sisi datang dari kebutuhan untuk benar-benar menggunakan.

Jika nilai incentive adalah hujan, maka adoption adalah tempat airnya ditampung.
Incentive mendatangkan pengguna.
Adoption membuat mereka bertahan.

Nilai ekonomi token $OPG yang berkelanjutan didasarkan pada kebutuhan penggunaan yang nyata.
Bukan berdasarkan perhatian.

Jika protokol AI ingin menciptakan nilai ekonomi yang berkelanjutan, ia perlu membuktikan kemampuan untuk mengubah dari sekadar menarik perhatian menjadi mempertahankan.

Mungkin ini sekaligus menjadi kekuatan dan kelemahan OPG.
Kalau ada masukan, saya pikir #OPG seharusnya tidak hanya membuktikan bahwa x402 bekerja. OPG perlu membuktikan bahwa semakin banyak permintaan AI yang tidak bisa berjalan tanpa lapisan pembayaran tersebut. Hanya ketika penggunaan tumbuh secara alami, token bisa berpindah dari nilai yang diharapkan menjadi nilai yang benar-benar dihasilkan dari kebutuhan nyata.

Jika setiap protokol AI bisa menarik perhatian, maka apa yang akan menjadi keunggulan kompetitif yang sesungguhnya untuk membuat pengguna tetap tinggal?

Dasbor kami menunjukkan latensi telah berkurang. Tetapi jumlah percobaan ulang (retry) justru meningkat.

Hal yang aneh adalah sistem terlihat lebih cepat, namun pengalaman nyata justru kurang stabil.

Salah satu penyelidikan yang saya lakukan membawa saya ke sebuah node @OpenGradient yang dipilih sistem karena paling dekat secara geografis, sehingga mengirim batch inferensi ke sana adalah pilihan yang cukup alami.

Tiga request pertama melewati ambang retry hampir seketika.

Awalnya saya menyalahkan timeout. Lalu antrian (queue). Bahkan saya sempat menaruh curiga pada sebuah rilis model baru. Namun sebuah node yang lebih jauh tetap memproses beban kerja yang sama tanpa masalah.

Saat itu saya sadar bahwa saya sedang mengoptimalkan metrik yang salah.

Jarak hanya menunjukkan dari mana request dimulai. Itu tidak mencerminkan seluruh perjalanan yang harus dilalui request hingga selesai.

Arus jaringan kami melewati jalur dengan kepadatan tinggi sebelum mencapai node. Inferensi tetap mulai cepat, tetapi proses verifikasi (verification) yang kembali tidak merata. Aplikasi melihat bahwa inferensi telah selesai, sementara sinyal kepercayaan (trust) masih terlambat sampai, lalu aplikasi melakukan retry pada sebuah pekerjaan yang sebenarnya belum pernah benar-benar gagal.

Masalahnya bukan pada apakah node itu dekat atau jauh.

Masalahnya terletak pada metrik yang saya gunakan untuk mengoptimalkan hanya mengukur sebagian dari request.

Pada akhirnya, semua sistem akan menjadi apa yang metriknya optimalkan.

Melihat ke belakang, saya tidak memilih node yang salah.
Saya memilih titik yang salah untuk mengakhiri pengukuran.
Saya menganggap request selesai saat inferensi berakhir, sementara pada #OPG , pengalaman baru benar-benar selesai setelah verification.

Jika request hanya selesai setelah verification, maka metrik juga harus berakhir di sana.

Jika inferensi selesai lebih dulu sebelum trust selesai, lalu apa sebenarnya yang seharusnya kita optimalkan?
$OPG $CAP

Saat memindahkan beberapa juta dong, saya hanya perlu mengonfirmasi dengan wajah.

Namun ketika menandatangani kontrak pembelian rumah, saya bersedia meluangkan lebih banyak waktu untuk memeriksa setiap klausul.

Yang menarik adalah saya belum pernah memilih cara verifikasi paling kuat untuk semua hal.

Karena setiap tingkat kepercayaan punya harganya.

Waktu.

Kenyamanan.

Biaya.

Itu membuat saya berpikir tentang AI.

Jika AI akan melayani jutaan pekerjaan yang berbeda, apakah semua pekerjaan benar-benar perlu tingkat kepercayaan yang sama?

@OpenGradient memandang masalah dari sudut yang berbeda.

Alih-alih hanya ada satu cara verifikasi, #OPG membangun berbagai tingkatan verifikasi.

Verifikasi dasar (Vanilla) untuk kasus yang membutuhkan kecepatan.

Lingkungan Eksekusi Tepercaya (TEE) untuk aplikasi yang memerlukan keseimbangan antara performa dan kepercayaan.

ZKML untuk kasus yang membutuhkan tingkat jaminan kriptografis paling tinggi.

Daripada menerapkan standar yang sama untuk setiap situasi, setiap aplikasi dapat memilih tingkat verifikasi yang sesuai dengan kebutuhannya.

Mungkin masa depan AI bukanlah soal menciptakan lebih banyak kepercayaan.

Melainkan menciptakan tingkat kepercayaan yang tepat.
$OPG $DEXE $LAB

Một báo cáo sai số liệu.
Một email được gửi đi sai nội dung.
Sếp không hỏi:
"Sai ở đâu?"
Mà hỏi:
"Ai làm?"
Điều đó làm tôi nghĩ đến vấn đề xa hơn.
AI ngày càng phát triển và AI trở thành nhu cầu không thể thiếu trong đời sống con người.
Vậy bạn có bao giờ hỏi rằng:
Nếu AI làm sai thì ai chịu trách nhiệm?

Và trong @OpenGradient , câu hỏi này được nhìn theo một hướng khá thú vị.

Thay vì chỉ tập trung tạo ra kết quả.

#OPG đang xây dựng một Trust Layer, nơi mỗi quyết định đều có thể được truy ngược, thay vì chỉ để lại một kết quả mà không ai biết nó được tạo ra như thế nào.

Khi một quyết định có thể được truy ngược, trách nhiệm cũng có thể được quy ngược.

Một AI không trở nên đáng tin vì nó ít mắc lỗi hơn.

Nó trở nên đáng tin khi trách nhiệm được thiết kế ngay từ đầu, thay vì phải đi tìm sau mỗi sai sót.

Có lẽ tương lai của AI sẽ không còn là AI thông minh hơn.

Mà là AI đáng tin hơn.
$OPG $DEXE $SLX

10% untuk individu.
15% untuk komunikasi.
Daftar rinci dan rencana, pengalaman serta pelajaran yang telah terakumulasi selama bertahun-tahun. Saya akan membagikannya semua untuk AI.

Awalnya itu hanyalah percakapan.

Namun seiring waktu, AI mulai mengingatnya.

Apa yang diingat AI bukanlah data acak.
Itu adalah cara saya bekerja.
Cara saya mengambil keputusan.
Hal-hal yang saya pelajari setelah bertahun-tahun.

Menariknya, jika besok saya beralih ke model lain, hal yang tidak ingin saya hilangkan bukanlah modelnya.
Namun, semua yang telah diingat.

Dan dalam @OpenGradient hal ini sangat jelas terlihat.

MemSync tidak hanya dibangun untuk membantu AI mengingat.

Ia dibangun di atas asumsi yang lebih besar:

Memori adalah sesuatu yang bisa eksis sebagai lapisan terpisah.

Dan ketika memori menjadi infrastruktur, pertanyaan penting mungkin tidak lagi:

"AI bisa mengingat berapa banyak?"
Melainkan:
"Siapa yang memiliki memori AI?"

Mungkin hal yang paling berharga dalam AI masa depan bukanlah kemampuan untuk mengingat.

Melainkan hak kepemilikan atas apa yang diingat.
#OPG $OPG $DEXE $LAB

KENAPA KETIKA SESEORANG MEMBUKA FORMULIR PENDAFTARAN, MEREKA TIDAK LANGSUNG MENGISI?
Mereka langsung scroll ke bawah.
Mencari satu baris yang sangat kecil:
"Disetujui dalam 24–48 jam"
o r
"Kami akan meninjau aplikasi Anda"
Dan hanya melihatnya.
Mereka berhenti.
Tidak bertanya lebih lanjut.
Tidak mencoba untuk mulai.
Bukan karena mereka tidak ingin berpartisipasi.
Tapi karena pada saat itu, tindakan "berpartisipasi" tidak lagi dipahami sebagai langkah awal.
Itu menjadi sesuatu yang harus diterima sebelum dianggap ada.

Seseorang tidak benar-benar bebas untuk berpartisipasi jika mereka harus menunggu seseorang untuk mengizinkan mereka mulai.

Dan itulah tempat @OpenGradient berbeda.
Sebagian besar AI saat ini, hak untuk berpartisipasi ditentukan oleh sekelompok orang yang memiliki otoritas untuk memberikan persetujuan.

#OPG sedang membangun masa depan di mana inovasi tidak dibatasi oleh izin sebelumnya.

Masa depan di mana Kontribusi Terbuka menjadi hal yang standar.
Dan Partisipasi tidak perlu mendapatkan izin terlebih dahulu.

Di mana hak untuk berpartisipasi tidak ditentukan oleh persetujuan sebelumnya.
Ini dimulai dari pilihan seseorang untuk berpartisipasi.

Mungkin pertanyaan paling penting bukanlah:
"Berapa banyak orang yang ingin membangunnya?"
Tapi:
"Berapa banyak orang yang diizinkan untuk membangunnya?"

Masa depan AI mungkin tidak akan ditentukan oleh ekosistem yang paling banyak diminati.
Tapi oleh ekosistem yang paling banyak bisa berpartisipasi. $OPG $DEXE

Hai orang bisa punya dapur yang sama.

Bahan baku yang sama.

Peralatan yang sama.

Tapi satu orang terus-menerus menciptakan hidangan baru.

Sementara yang lain hanya mengulang hidangan yang sudah dikenal.

Kenapa dengan kumpulan sumber daya yang sama tapi kombinasi yang berbeda bisa menghasilkan hasil yang berbeda?

Ketika ingin menciptakan terobosan, sebagian besar orang mulai dengan mencari sesuatu yang baru.

Sebuah alat baru.

Sebuah ide baru.

Sebuah sumber daya baru.

Itu adalah bentuk buta rekombinasi.

Kita terlalu fokus mencari elemen baru sampai melewatkan nilai-nilai baru yang ada dalam elemen yang sudah ada.

Terobosan sering kali tidak muncul dari elemen baru.

Tapi dari cara elemen lama dikombinasikan kembali.

AI menghadapi tantangan yang serupa.
Mungkin itu sebabnya @OpenGradient muncul.

Sementara sebagian besar sistem AI fokus menambah capability,
#OPG sedang membangun infrastruktur agar capability yang ada bisa menciptakan nilai lebih dari dirinya sendiri.

Masa depan seperti itu membutuhkan:

✓ Interoperabilitas

✓ Komponen Spesialis

✓ Infrastruktur Modular

✓ Koordinasi Terbuka

Sebuah sistem tidak menjadi lebih berharga hanya karena memiliki lebih banyak kemampuan.

Tapi karena bisa menciptakan sesuatu yang baru dari kemampuan yang dimilikinya.

Masa depan AI mungkin tidak akan dimiliki oleh model terbesar.

Tapi oleh ekosistem yang bisa melakukan rekombinasi tercepat.

Mungkin pertanyaan terpenting bukanlah:

"Apa kemampuan yang masih kurang?"

Tapi adalah:

"Apakah kita sudah memanfaatkan semua kemampuan yang ada?" #OPG $OPG @OpenGradient

Beberapa hari lalu gue order makanan di aplikasi.

Makanan yang diterima jauh berbeda dari gambar.

Yang bikin gue sebel bukan makanannya.

Tapi saat gue pikir gue gak punya cara buat ngeluh.

Beberapa menit kemudian, gue nyadar masih ada tombol feedback.

Tiba-tiba merasa lebih lega sedikit.

Walaupun saat itu semuanya belum terselesaikan.

Dibikir-bikir, itu agak aneh.

Apa yang bikin sebuah keputusan jadi lebih mudah diterima?

Orang-orang cenderung lebih skeptis terhadap keputusan yang gak bisa dipertanyakan.

Semakin besar pengaruhnya terhadap orang, semakin perlu keputusan itu untuk dipertanyakan.

Tapi keputusan yang paling berpengaruh sering kali adalah keputusan yang paling sulit untuk dipertanyakan.

Gue sebut itu "Challenge Shield".

Sebuah pelindung tak terlihat yang bikin keputusan yang paling perlu dipertanyakan jadi yang paling sulit untuk dipertanyakan.

Sebuah sistem jadi lebih terpercaya ketika keputusannya bisa ditantang.

Tapi jika kita gak tahu apakah sebuah keputusan benar-benar bisa ditantang atau enggak.

Maka kita juga gak tahu apakah sistem itu lebih terpercaya atau enggak.

Di sinilah gue lihat @OpenGradient jalan di arah yang cukup menarik.

Memungkinkan keputusan untuk diperiksa, dibantah, dan diuji ulang.

Dan jika ini benar.

Masa depan AI mungkin tidak akan didefinisikan oleh sistem yang paling dipercaya.

Tapi oleh sistem yang memungkinkan keputusan kita untuk ditantang paling banyak.
#OPG $OPG

Belakangan ini, saya melihat sesuatu yang cukup aneh.

Hal-hal yang paling sukses biasanya adalah yang paling sulit diubah.
Sistem yang semakin baik kinerjanya.
Semakin sedikit orang yang ingin mengubahnya.

Awalnya, itu terdengar masuk akal.

Tapi apa yang terjadi ketika dunia terus berubah sementara sistemnya tidak?

Banyak sistem tidak menghilang karena gagal.
Mereka menghilang karena sukses terlalu lama.
Saya menyebutnya "Evolution Trap".
Sebuah jebakan yang muncul ketika kesuksesan saat ini mengikis kemampuan untuk berevolusi di masa depan.

Mungkin karena sistem yang bertahan paling lama bukanlah sistem yang paling sempurna.

Melainkan sistem yang dapat berevolusi.

Tapi apa yang membuat sebuah sistem bisa berevolusi?

Sebuah sistem sulit beradaptasi jika setiap perubahan baru memaksanya untuk membangun ulang dari awal.
Setiap perubahan menjadi sebuah proyek rekonstruksi.

Dan seiring waktu.
Menjaga yang lama menjadi lebih mudah daripada berubah.

Itu juga merupakan masalah @OpenGradient yang sedang dipecahkan.
Alih-alih memaksa ekosistem AI untuk dibangun ulang setiap kali ada kemampuan baru yang muncul.

#OPG memungkinkan ekosistem AI untuk terus berkembang tanpa perlu membangun ulang seluruhnya.

Komponen baru dapat muncul tanpa menghentikan kolaborasi komponen yang ada.

Ketika perubahan tidak lagi identik dengan rekonstruksi.
Evolusi tidak lagi menjadi sebuah kompromi.
Itu menjadi proses yang berkelanjutan.

Dan jika itu benar.
Masa depan AI mungkin tidak akan ditentukan oleh model-model terkuat.

Melainkan oleh ekosistem yang mampu berevolusi paling cepat. #OPG $OPG

Akhir-akhir ini gue punya kebiasaan agak malas.

Setiap kali butuh cari sesuatu, gue jarang banget scroll ke bawah buat lihat semua daftar. Biasanya cuma ngeliat beberapa saran pertama terus langsung ambil keputusan. Rasanya kayak gue yang milih. Tapi dipikir-pikir, sebagian besar pekerjaan udah dilakukan sebelumnya. Ada yang udah nentuin apa yang muncul di depan mata gue.

Pas itu tiba-tiba gue inget @OpenGradient lagi ngelakuin sesuatu yang sangat menarik: mengubah AI dari sesuatu yang harus dipercaya jadi sesuatu yang bisa diverifikasi.

Dengar sih kayaknya ini masalah tentang AI. Tapi gue rasa ada sudut pandang lain yang lebih menarik.

Kalau suatu hari ada ribuan atau jutaan AI yang eksis, masalah terbesar mungkin bukan AI mana yang terbaik.

Tapi AI mana yang digunakan.

Saat itu, pengguna gak akan menilai setiap AI satu per satu. Mereka akan bergantung pada suatu lapisan sistem buat nentuin AI mana yang muncul di depan mereka, AI mana yang dipanggil dan AI mana yang diabaikan.

Di sinilah menurut gue masalah Akses mulai menarik.

Verifikasi membantu kita tahu apakah suatu AI berfungsi dengan benar atau tidak. Tapi siapa yang memverifikasi sistem yang memilih AI buat kita?

Kalau lapisan akses itu gak bisa diverifikasi, kita cuma lagi memindahkan kepercayaan dari AI ke gatekeeper baru.

Mungkin saat AI jadi berlebihan, AI terkuat bukanlah yang punya kekuasaan paling banyak.

Kekuatan terbesar mungkin adalah sistem yang menentukan AI mana yang boleh muncul.

Jadi, kalau ada saran buat @OpenGradient , gue rasa jangan cuma verifikasi AI.

Coba cari cara buat verifikasi apa yang milih AI.

Karena kalau AI perlu diverifikasi, maka yang milih AI mungkin bahkan lebih perlu diverifikasi. #OPG $OPG

Pagi ini ngopi bareng seorang kakak yang buka warung makan.

Dia ngeluh, waktu baru buka warung, semua dikerjain sendiri masih oke. Ke pasar, masak, layani, hitung duit.

Tapi begitu warungnya makin ramai, hal itu jadi nggak mungkin lagi.

Awalnya dia mikir harus kerja lebih cepat.

Sekarang dia mikir beda.

Mau warungnya berkembang lebih besar, harus bagi-bagi kerjaan.

Tiba-tiba gue kepikiran OpenGradient.

Ada satu hal yang cukup aneh.

Warung makan bisa gede dengan cara bagi-bagi kerjaan.

Tapi AI sekarang malah berkembang dengan cara nambahin banyak kerjaan dalam satu sistem.

Jadi kalau AI beneran jadi infrastruktur, apakah lebih mirip warung makan atau seperti yang kita bangun sekarang?

Ketika sistem berkembang, fungsi-fungsi mulai terpisah menjadi peran-peran yang berbeda.

@OpenGradient lagi ngeliat ke arah itu.

Compute menghasilkan hasil.

Verification memastikan hasil itu valid atau enggak.

Ketika dua peran ini digabungkan dalam satu tempat, sistem cuma punya satu cara untuk membangun kepercayaan: percaya pada dirinya sendiri.

Ketika mereka dipisahkan, proses menghasilkan hasil dan memverifikasi hasil jadi dua lapisan independen.

Itu biasanya jadi tanda sebuah infrastruktur yang sedang terbentuk.

Mungkin AI Infrastructure juga gitu.

Dia muncul ketika Compute dan Verification dipisah.

Tapi yang bikin gue lebih penasaran ada di belakangnya.

Kalau aturan ini bener, Compute dan Verification bisa jadi baru langkah awal.

Mungkin beberapa tahun ke depan kita nggak akan lihat AI sebagai model lagi.

Tapi sebagai ekosistem dengan berbagai peran yang berbeda.

Setiap peran ada karena mereka jago ngerjain satu hal aja.

Atau mungkin enggak.

Tapi kalau harus bertaruh, gue bakal bertaruh pada sistem di mana kepercayaan enggak perlu lagi mengonfirmasi dirinya sendiri.#OPG $OPG

Mình mới gửi báo cáo cho sếp xong.
Thấy làm nhanh hơn mọi lần nên cũng hơi khoái.
Một lúc sau sếp gọi, mình tưởng được khen.
Ai dè bị chửi vì số liệu sai tùm lum".
Cúp máy xong mới nhớ ra: báo cáo đó mình làm bằng ChatGPT và không kiểm tra lại dòng nào.

Điều làm mình khựng lại không phải vì báo cáo sai.
Mà vì mình vừa tin một câu trả lời đến mức bỏ qua bước kiểm tra.

Hồi ChatGPT mới ra, chuyện này rất khó xảy ra.
Mình kiểm tra gần như mọi thứ vì nó sai khá nhiều.
Nhưng bây giờ AI tốt hơn rất nhiều.

Và có lẽ đó mới là thay đổi bất ngờ nhất.

Không phải AI thông minh hơn.
Mà là AI trở nên quen thuộc hơn.
Không ai kiểm tra những thứ họ đã quen tin tưởng.

Đó là lúc mình bắt đầu nhìn thấy một vấn đề khác.
Điều gì xảy ra sau khi AI đủ tốt để mọi người bắt đầu tin vào nó?

Có lẽ đó là câu hỏi thú vị hơn nhiều so với việc AI sẽ thông minh thêm bao nhiêu nữa.
Và đó cũng là nơi @OpenGradient bắt đầu trở nên đáng chú ý.

Một AI đúng 99% thời gian khiến 1% còn lại trở nên quan trọng hơn bao giờ hết.
Capability tạo ra câu trả lời.
Verification quyết định khi nào nên tin vào câu trả lời đó.

Điều nghịch lý là:
AI càng mạnh.
Con người càng ít kiểm tra.
Khi ít kiểm tra thì Verification càng trở nên cần thiết.

Nếu tương lai của AI là được sử dụng ở khắp mọi nơi, cuộc đua tiếp theo có thể không còn xoay quanh việc tạo ra nhiều trí tuệ hơn.

Mà là giúp người dùng biết khi nào nên tin vào trí tuệ đó.

Có lẽ đó là lý do những lớp xác minh đang trở nên quan trọng hơn.

Và đó là nơi OpenGradient đang tập trung từ khá sớm.
AI càng mạnh.
Câu hỏi “nó có đúng không?” sẽ trở nên quan trọng hơn bao giờ hết. #OPG $OPG

Dalam teknologi, kesalahan paling mahal biasanya bukanlah salah dalam menyelesaikan masalah.

Melainkan menyelesaikan masalah dengan sangat baik yang bukan lagi bottleneck.

AI mungkin sedang mengalami hal itu.

Sebagian besar perlombaan saat ini berputar di sekitar satu asumsi: semakin cerdas modelnya, semakin besar nilai yang dihasilkan. Oleh karena itu, industri terus menggelontorkan compute, data, dan modal ke dalam intelligence.

Tapi apa yang terjadi jika intelligence bukan lagi bottleneck terbesar?

Banyak masalah penting dari AI muncul setelah jawaban sudah dihasilkan:

Bagaimana cara mengetahui model mana yang sudah dijalankan?

Bagaimana cara mengetahui hasilnya tidak berubah?

Bagaimana cara memverifikasi alih-alih hanya mempercayai?

Itu bukan lagi masalah intelligence.

Itu adalah masalah trust.

OpenGradient dibangun di atas pemisahan ini. HACA melihat eksekusi dan verifikasi sebagai dua lapisan yang berbeda.

Jika dua lapisan itu benar-benar independen, model yang lebih kuat tidak secara otomatis menghasilkan kepercayaan yang lebih tinggi.

Itu adalah trade-off yang signifikan.

Mengoptimalkan intelligence membantu AI menghasilkan jawaban yang lebih baik.

Namun tidak menyelesaikan masalah apakah jawaban tersebut dapat diverifikasi atau tidak.

Sebuah industri dapat terus berinvestasi di tempat yang dulunya merupakan bottleneck terbesar.

Namun ketika bottleneck berubah, biaya akan meningkat lebih cepat daripada nilai yang dihasilkan.

AI mungkin tidak kekurangan model yang lebih cerdas.

Ia mungkin kekurangan sistem yang membantu kita tahu kapan harus mempercayainya.
@OpenGradient #OPG $OPG