Matt Henry 56

I’ve been looking into $DUSK , and what caught my attention is the gap between the story being built around the network and the activity we can actually see today.

DUSK is doing roughly $3.8M in 24h spot volume across the market while a Binance spot snapshot showed about 249K DUSK traded on DUSK/USDT.

That’s not huge retail activity. And it makes the institutional RWA narrative more interesting, not less.

Dusk is working with NPEX and Chainlink around regulated securities cross-chain settlement and on-chain market data. NPEX is a regulated Dutch venue, while Chainlink CCIP is being used as the interoperability layer.

Then there’s the staking side. Direct staking currently requires 1,000 DUSK. New stake becomes active after the next epoch boundary, normally around 6–12 hours, with the protocol describing a 4,320-block maturity period. Hyperstaking adds smart-contract-based staking and pools.

What I find curious is the contrast: relatively small visible retail trading activity versus Dusk reporting €300M+ in confirmed issuance with institutions.

To me, this suggests the institutional infrastructure may still be under construction.

The real question isn’t who is trading DUSK today.

It’s who gets onboarded tomorrow—and whether stakers or institutions become the first major users of Dusk’s settlement layer.

@Dusk #dusk $DUSK

One thing about @Dusk that I hadn't thought about before is how much financial data actually needs to be revealed.

A blockchain transaction doesn't always need to expose every detail to prove that something happened correctly.

For a business, you might need to prove ownership, eligibility compliance or that certain conditions were met without putting the underlying financial information in front of everyone.

That makes me think there’s an important difference between making a blockchain completely private and making disclosure controllable.

Who can see the data?
What exactly can they see?
And when should they be allowed to see it?

A financial application might need to prove that an investor is eligible without revealing their entire financial profile. A company might need to demonstrate compliance without publishing sensitive records. The goal isn't necessarily to hide everything it's to reveal only what is necessary to the right party, at the right time.

That kind of verifiable selective disclosure feels much more practical for real-world financial applications than simply putting everything behind a wall of privacy.

The more I look into Dusk, the more I think this distinction could matter for actual blockchain adoption in finance. That's one part of $DUSK I'm quietly interested in following.

@Dusk #dusk $DUSK

$HEMI re's a thrilling post in exactly 20 words based on the chart:

OPENAIUSDT breaks support as sellers dominate. Bears stay aggressive, volatility rises, traders brace for decisive moves. Risk management remains essential today.
SKHynixSaysFundsEyeUpTo$7BInADR

#OilFalls #LuxshareToPriceHKListingAtTop #IMFWarnsTokenizationShiftsRiskToCode

インフラの問題は、こちらが想定している場所ではなかなか表面化しないことに気づきました。

パフォーマンスが落ち始めると、最初の本能的な反応としては、たいてい計算（コンピュート）のせいにします。GPUを増やす、電力を増やす、より大きなハードウェアにする。でも、真の原因がもっと単純なこともあります。

多くのメモリが、実際には作業をしていない会話に占有されてしまうことがあります。エージェントが一時停止してツールを待つ、あるいはユーザーの応答を待ってアイドル状態になっていても、そのコンテキストは貴重なメモリ領域を保持したままです。

だからこそ、より良いKVキャッシュ管理が重要になります。

目的は推論を魔法のように安くすることではありません。既存のハードウェアをより効率よく使うことです。メモリを小さな単位で割り当てたり解放できるようになれば、GPUは、スペースを無駄にすることを減らしながら、より同時のリクエストを処理できるようになります。

つまり、長い会話にも対応しやすくなり、バッチ処理もより安定し、同じハードウェアでより多くの仕事をこなせるようになります。

もちろんトレードオフもあります。メモリを移動させるにはオーバーヘッドが発生し、スケジューリングはより複雑になります。

ただし、真の指標はシンプルです。コンテキストが長くなっても、システムはそれを使う人が遅く感じることなく、より多くの有用な作業を完了できるかどうかです。

@OpenGradient #OPG $OPG
$VELVET
$AR

暗号は新しいプロジェクトの見方を変える。

同じハイプ・サイクルが何度も繰り返されるのを見ていると、いちばん騒いでいる誰かに注意を向けるのをやめてしまう。大きな約束、磨き込まれた物語、終わりのない興奮──そのほとんどは、人々が次のトレンドに移った瞬間に消えてしまう。

だからこそ、opengradientが私の目に留まった。

会話を支配しようとしているからではなく、現実味のある課題に焦点を当てているからだ。AIは至る所に現れているのに、ほとんどの人は舞台裏で何が起きているのか分かっていない。実際に誰がモデルを動かしたのか？どこで動かしたのか？出力は検証できるのか、それともそれを出している誰かをただ信じるだけなのか？

AIが、本当に重要なことに使われ始めると、こうした疑問は重要になってくる。

私の見方ではopengradientは、シンプルな発想を探っているように見える。AIシステムをブラックボックスのようにしないこと。結果を盲目的に信じるのではなく、ユーザーが何が起きたのかを見て、確かめられるようにすることだ。モデルのホスティング、推論の実行、プロセスの証明──それらはワクワクする話ではないかもしれないが、信頼できるインフラがそう簡単に“映える”ことはめったにない。

とはいえ、まだ不明な点は多い。統合が難しければ、開発者はそれを採用するのだろうか？すべての動作を遅らせることなく、検証は可能なのか？そして、多くの暗号プロジェクトと同様に、憶測が主役にならずに技術そのものが注目を保ち続けられるのだろうか？

たぶん、それはインフラが大変だから苦戦しているのかもしれない。そして注目は移り変わるのが速い。

あるいは、静かに育っているだけなのかもしれない。長い目で見ると、最終的に残るのは、裏で重要な仕事をしているシステムだからだ。

@OpenGradient #OPG $OPG
$MAGMA
$HEI

暗号資産（クリプト）が教えてくれたのは、熱狂の向こう側を見ることだ。

どのサイクルも、だいたい同じパターンに従っているように見える。新しい物語が登場し、人々が殺到する。インフルエンサーが話し始めると、突然みんなが「次の大物」を見つけたと確信する。うまくいくこともある。だが、多くの場合うまくいかない。

だから私は、うるさいマーケティングではなく、現実の問題に取り組むプロジェクトにより注意を向けるようになった。

それが、私にとってオープングラデント（opengradient）が面白いと感じた理由の一部だ。

AIは日常生活のより大きな一部になりつつあるが、その背後にあるインフラの多くはまだよく分からない感じがする。AIシステムが答えを返すとき、ほとんどのユーザーには、誰がそのモデルを動かしたのか、どこで実行されたのか、さらにその結果が本当に検証できるのかを知る方法がない。

カジュアルな利用なら、これは大した問題ではないかもしれない。しかしAIが、より重要なアプリケーションを動かし始めると、信頼がはるかに重要になる。

私の理解では、opengradientは、AIインフラをより透明で検証可能にする方法を探っている。発想はシンプルだ。人々にシステムを盲目的に信じさせるのではなく、「何が起きたのか」を確認できる手段を提供する。

これがクリプトの中で最もワクワクする話かというと、そうではない。だからこそ目立つのかもしれない。

とはいえ、これから先にも課題はたくさんある。普及は簡単ではない。開発者は、体験がシンプルで、検証がパフォーマンスを犠牲にすることがない場合にのみ使うだろう。そのうえで、どのクリプト・プロジェクトも、単なる憶測の中に迷い込まないようにする必要がある。

もしかすると、主流の普及には決して到達しないかもしれない。

あるいは、多くのインフラと同じように、最終的に人々が「自分たちに必要だった」と気づく問題を解決することで、ひそかに価値ある存在になっていくのかもしれない。

@OpenGradient #OPG $OPG

AIについて考える時間が長くなるほど、信頼性は単に正しい答えを得ること以上の意味を持つように感じる。

ほとんどの会話は依然として精度に焦点を当てている。モデルはどれだけ正確だったか？ベンチマークを上回ったか？前のバージョンよりもパフォーマンスが良かったか？

これらのことは重要だ。しかし、現実の世界では完璧なシステムは存在しない。

モデルは間違いを犯す。データは変化する。予期しない状況が現れる。失敗はすべての複雑なシステムの一部だ。

私がより興味を持っているのは、何かがうまくいかなくなった後に何が起こるかだ。

システムが失敗した理由を突き止めることができるか？結果につながった過程を振り返って理解できるか？何が起こったのかを調査するのに十分な情報があるのか、それとも推測するしかないのか？

これがOpenGradientが私の関心の対象になっている理由の一つだ。

最初は、検証可能な推論は主に計算が行われたことを証明することだと思っていた。今は違った見方をしている。その真の価値は、信頼が疑われる時にAIシステムを理解しやすく、監査しやすくすることかもしれない。

同じ間違いを犯す二つのAIシステムを想像してみてほしい。

一方は、どのように判断に至ったのかを示す明確な記録を残す。

もう一方は、説明なしで出力のみを提供する。

どちらも失敗したが、学び、改善し、信頼を再構築する機会を与えてくれるのは一方だけだ。

AIが金融、運用、その他の重要な決定に関与するようになるにつれて、その違いは非常に重要になるかもしれない。

精度はシステムが正しかったかどうかを教えてくれる。

なぜそれが間違っていたのかを理解することも同じくらい重要かもしれない。

@OpenGradient #OPG $OPG

AIに関する議論のほとんどは、モデルそのものに焦点を当てています。大きなモデルはより良いパフォーマンスと高いベンチマークを提供します。しかし、学べば学ぶほど、モデルが構築された後に本当の課題が始まると思うようになります。

モデル単体では不十分です。稼働させるためのインフラ、システムを維持する手段、そしてユーザーが生成された出力を信頼できる方法が必要です。AIが日常のアプリケーションにより統合されるにつれて、これらの疑問はさらに重要になってきます。

これがOpenGradientが私の注意を引いた理由の一つです。モデルだけに目を向けるのではなく、AIサービスが分散型ネットワーク上でどのようにホストされ、運営されるかを探求しています。このアプローチは興味深い課題をもたらします：計算が多くの参加者間で行われるとき、ユーザーはすべてが正しく実行されたことをどうやって確認できるのでしょうか。

私にとって特に興味深いのは、それが非常に馴染み深いと感じることです。暗号通貨は価値とデータのために分散型コーディネーションを何年も実験してきました。今、似たようなアイデアがAIインフラを形作り始めています。これら二つの分野間のつながりは、数年前よりもはるかに明確に感じられます。

まだ多くの未解決の問題があります。オープンインテリジェンスネットワークは、技術的な制約、経済的インセンティブ、信頼の問題を克服する必要があります。しかし、私は同じ考えに立ち返ります：長期的には、AIの成功はモデルの品質だけでなく、それを支えるインフラの強さと信頼性にも依存するかもしれません。

@OpenGradient #OPG $OPG

プライバシーシステムを勉強すればするほど、メッセージを秘密にすることが課題の一部に過ぎないことに気づく。もっと難しいのは、そのメッセージを取り巻く手がかりを隠すことだ。

OpenGradientのアプローチが気に入っているのは、信頼が一箇所に集中していないことだ。OHTTPとHPKEを使えば、リレーはその中身を見ずにリクエストを渡すことができ、エンクレーブは誰が送ったのか知らずにリクエストを処理できる。

これはプライバシーにとって大きな前進だ。

しかし、これには別の疑問も浮かぶ。誰もプロンプトを読むことができなくても、その周りのすべてから何を学べるのか？

すべてのインタラクションは痕跡を残す：リクエストが送信されるとき、どれくらいの頻度で発生するか、どのモデルが使われるか、さらには支払いアクティビティまで。単一のデータポイントはあまり明らかにしないかもしれないが、時間をかけて構築されたパターンは多くを語ることができる。

プライバシーの未来は、コンテンツを暗号化することを超えていると思う。本当の目標は、その周囲の信号を非常に一般的で普通のものにして、何も有用な情報を明らかにしないようにすることだ。

@OpenGradient #OPG $OPG

AIシステムのスケーリングは、主にコンピュートを追加することだと思っていた。

実際のワークロードを見ている時間が長くなるほど、それは真実ではないと感じる。

多くの場合、問題はGPUがオーバーロードしているわけではない。メモリが、実際に何かを生成していないリクエストによって占有されているのだ。会話が中断され、エージェントがツールを待っているか、ユーザーが応答するまで時間をかけているが、システムはそのコンテキストのためにメモリを予約し続けている。

時間が経つにつれて、その小さな非効率が蓄積される。

だからこそ、効率的なKVキャッシュ管理が非常に重要になってきた。メモリを小さな再利用可能なチャンクに分割することで、システムはすでに持っているハードウェアをより良く活用できる。

その利点は簡単だ：同じGPUでより多くのリクエストが実行でき、長い会話のサポートが安価になり、リソースが未使用のまま残ることはない。

完璧な解決策ではない。こうした方法でメモリを管理すると、追加のスケジューリング作業が発生し、注意深く行わないとオーバーヘッドが発生する可能性がある。

それでも、最も重要な指標は明確だ。コンテキストウィンドウが拡大し続ける中で、ユーザーに遅延を感じさせることなく、同じハードウェアでより多くの実際のワークロードを処理できるだろうか

@OpenGradient #OPG $OPG

私は以前、プライベートAIモデルは分散型ネットワークの外に自然に留まると思っていました。

その理由は簡単そうでした。分散化は、多くの異なるオペレーターが同じモデルを実行できるときに最も効果的に機能し、ネットワークをよりオープンでレジリエントにするからです。プライベートモデルは、そのイメージに簡単には合いません。

私がOpenGradientに注目したのは、プライベート推論ノードの計画です。

モデルオーナーは、パブリックモデルハブにモデルを公開する代わりに、自分の推論ノードを通じてネットワークに接続しながら、モデルをプライベートに保つことができます。ネットワークはどのノードがモデルを担当しているかを知っていますが、モデル自体はオーナーの管理下にあります。

これはプライバシーと参加の間の実用的なバランスのように感じます。

同時に、モデルをプライベートに保つことは、そのモデルを提供できるノードの数を減少させる可能性があります。パブリックモデルは多くのオペレーターによって実行される可能性がありますが、プライベートモデルは承認された少数の参加者のノードに依存するかもしれません。

OpenGradientは、実行と検証、決済を分離しているため、分散化は完全には失われていません。しかし、いくつかの興味深い質問を提起します。

プライベートモデルへのリクエストはどのようにルーティングされるのか？追加のオペレーターは簡単に追加できるのか？承認されたノードがオフラインになるとどうなるのか？

私が注目したのは、プライバシーは単にモデルを隠すことではないということです。

それは、最終的にそのモデルがどれだけ利用可能で分散化されるかに影響を与える可能性もあります。

プライベート推論ノードは、より保護されたAIシステムが分散型ネットワークに参加することを許可するかもしれません。課題は、機密性とレジリエンスのバランスを取ることです。

プライベート推論ノードは分散型AIを正しい方向に進めるのでしょうか

@OpenGradient #OPG $OPG

AIに関して気づいたことの一つは、時々説得力のある答えを出すけれど、その答えがどのように導き出されたかは明確でないことが多いということです。ほとんどの人は、AIの回答を読んで「それは正しいように聞こえるけど、どうやって確信すればいいのか」と思った瞬間があるでしょう。

だからこそ、OpenGradientに興味を持ちました。私にとって目立つのは、単に分散型インフラでAIを稼働させるというアイデアだけでなく、結果を検証しやすくすることに焦点を当てている点です。AIが日常生活の大きな一部になっていくにつれ、信頼性はパフォーマンスと同じくらい重要になるかもしれません。

暗号通貨も数年前に似たような課題に直面しました。人々に単にシステムを信頼するよう求める代わりに、ブロックチェーンは何が起こったかを検証する方法を作り出しました。その考え方をAIに適用するのは、論理的な次のステップのように感じます。AIが重要な決定を助けるのであれば、人々は最終的には答え以上のもの、つまり証拠を求めるようになるでしょう。

まだたくさんの疑問があります。分散型AIは大規模な中央集権プラットフォームの速度と効率に匹敵するのでしょうか？ほとんどのユーザーは、使っているツールを変えるほど検証に関心を持つのでしょうか？答えはまだ明確ではありません。

今のところ、OpenGradientは大きなトレンドの一部だと見ています。AIに関する会話は、モデルが何をできるかから、その出力にどれだけの信頼を置けるかへと徐々にシフトしています。そのシフトは、技術自体と同じくらい重要になるかもしれません。

@OpenGradient #OPG $OPG

AIについて話すとき、会話は通常モデルに集中します。

どれだけ賢いか。

どれだけ速いか。

何ができるか。

でも、裏で何が起こっているのかという大きな疑問を考え始めました。

AIはどこで実行されているのか。

誰がそれをコントロールしているのか。

そして、誰がその結果が本物であるかを確認できるのか。

それが、OpenGradientが私の注目を集めた理由の一つです。

単なる別のAIモデルを構築しようとしているのではなく、AIを実行し、ネットワーク全体に分散させ、実際に作業が行われたことを検証するためのインフラに焦点を当てています。

新しいモデルのリリースよりも魅力に欠けるかもしれませんが、無視できなくなりつつある問題を解決します。

AIがより多くの決定に関与するようになるにつれて、信頼がより重要になります。

AIが何を言うかだけでなく、その答えがどこから来たのかを人々が確認できるかどうかも重要です。

AIの未来は、知性と同じくらい透明性に依存するかもしれません。

@OpenGradient #OPG $OPG

人々がAI検証について話すとき、ほとんどの会話は最終結果に焦点を当てます。

モデルは本当に実行されましたか？

出力を証明できますか？

何が起こったかを誰かが検証できますか？

それらは重要な質問です。

しかし最近、私は別のことについて考えています。

答えが使用されるまでの時間と、その答えが検証されるまでの時間。

最初、そのギャップは私にとって大したことではないように思えました。

AIシステムが結果を出します。

その結果は使用されます。

証明がすぐにやってきます。

シンプルです。

しかし、考えれば考えるほど、そのギャップは興味深くなります。

AIエージェントが支払いを承認するか、注文を出すことを想像してみてください。

毎回証明を待つことは、物事を遅くするかもしれません。

だから当然、多くのアプリケーションはまず動いて、後で検証することを好むでしょう。

信頼を気にしないからではありません。

ただ、スピードが価値があるからです。

そして、スピードは行動を形作る傾向があります。

他のシステムでもこれを見たことがあります。

行動は即座に起こります。

確認は後から来ます。

ほとんどの場合、すべてが期待通りに機能するので、誰も気づきません。

質問は、検証が重要かどうかではありません。

人々がそれが到着する前に行動することに慣れてしまったとき、何が起こるかです。

おそらく証明が非常に迅速になり、この懸念が消えるかもしれません。

おそらく検証は需要に完璧にスケールします。

それは可能です。

それでも、私は同じ考えに戻ってきます。

検証可能なAIの未来は、証明が到着する前に何が起こるかと後に何が起こるかの両方に依存するかもしれません。

@OpenGradient #OPG $OPG

$COAI は大規模な拡張MOVEの後、堅調を維持しており、$0.3557で取引中で、日間で7.97%上昇しています。市場時価総額は$94.59M、流動性は$2.20M、ホルダー数は74,270名で、このプロジェクトは引き続き注目を集めています。最近の高値$0.719に急上昇した後、価格は安定しており、ボリュームは高水準を維持しています。これはトレーダーたちが次のモメンタム駆動のブレイクアウトを注視していることを示唆しています。
#UNISurges20% #VanceDeclaresUSGoalsInIranAchieved #WarshHiresConservativeAdvisersAmidFedOverhaul

$BLESS は新たな強さを見せており、$0.00754まで28.43%の上昇を記録し、市場キャップは$17.57M、FDVは$75.39Mです。最近の安値からの急反発の後、ボリュームが加速し、買い手が再び入ってきています。ホルダーは6,235人で、モメンタムが高まっており、トレーダーは以前の高値への潜在的な動きを注視しています。
#UNISurges20% #VanceDeclaresUSGoalsInIranAchieved #WarshHiresConservativeAdvisersAmidFedOverhaul

$TAC が目を覚まし、$0.0205で32.08%上昇し、時価総額は$95.44M、FDVは$210.33Mです。急激なボリュームスパイクが最近の安値から価格を押し上げ、バイヤーの関心が再燃したことを示しています。ホルダーは2,403人で、勢いが加速しているため、トレーダーは持続的なブレイクアウトを注意深く見守っています。
#UNISurges20% #VanceDeclaresUSGoalsInIranAchieved #WarshHiresConservativeAdvisersAmidFedOverhaul

$ESPORTS が再び騒がしくなってきた。$0.09915まで50.29%急騰し、時価総額は$57.79M、流動性は$2.02M、ホルダーは86,373人。安値から反発した後、モメンタムが形成され、ボリュームが戻りつつあり、トレーダーたちはボラティリティが高まる中でのブレイクアウトの可能性を注目している。
#UNISurges20% #VanceDeclaresUSGoalsInIranAchieved #WarshHiresConservativeAdvisersAmidFedOverhaul

$AGT が64.24%急上昇し、$0.02268に達しました。これにより時価総額は$62.19Mまで増加しました。ボリュームが急増しており、ホルダーは189,520人に達し、バイヤーが重要なレジスタンスを再獲得しました。モメンタムが戻り、ボラティリティが上昇しており、トレーダーたちは最近の高値に向けた継続を注視しています。
#UNISurges20% #SBFPlansCryptoTokenAfterPrison #VanceDeclaresUSGoalsInIranAchieved

数日前、異なるAIツールを行き来しているときに何かに気づいた。

あるツールは要約が得意だった。別のツールはメモを整理するのが得意だった。さらに別のツールはアイデアを探るのが得意だった。

それぞれは単体で問題なく機能していた。

しかし、切り替えるたびに何かが壊れた。

答えではない。フローだ。

またゼロから考え始めなければならないように感じた。

その時、もっと大きな考えが浮かんできた。

今のAIの本当の問題は知性そのものではなく、継続性ではないだろうか。

私たちはモデルを改善し続けている。より良い出力を得続けている。さらに多くの機能を追加し続けている。

しかし、ツール間や使用ケースで知性がどうつながるかは本当に解決されていない。

なぜなら、本当の思考は一つの反応ではなく、段階を踏んで構築されるプロセスだからだ。

現在のほとんどのAIシステムは、ステップ間の旅を自然な方法で本当に覚えていない。

だから、共有コンテキストや持続的なメモリーに関するアイデアが重要に感じられる。

OpenGradientのようなプロジェクトは、この問題を別の視点で見ようとしている。

単に賢いAIを構築するだけでなく、知性をつなげてシステム間で一貫性を保ちつつ移動できるようにしようとしている。

未来は、より良いモデルだけではないかもしれない。

コンテキストメモリーと知性が一緒に移動できるネットワークかもしれない。

もちろん、まだ初期段階で、ほとんどのユーザーは物事が単に機能していれば気にしないかもしれない。

しかし、知性が情報のように成長し続けるなら、それをスムーズに結びつける能力は、創造することと同じくらい重要かもしれない。

そして、それが私がいつも考え続けている問いだ。

知性がただ存在するのではなく、実際に接続を保つとき、何が起こるのか。

@OpenGradient $OPG #OPG