Pesquiso novos projetos primeiro pelo histórico da equipe — e isso é bem interessante.
A maioria dos projetos de cripto de IA escreve whitepapers cheios de exageros. Quando você verifica a equipe, quase sempre são pessoas anônimas ou com currículos inchados. Mas ao olhar a equipe da OPG, quanto mais eu vejo, mais sinto que este projeto realmente é diferente dos outros.
O CEO, Matthew Wang, é da Two Sigma, onde trabalhou com estratégias quantitativas; antes disso, também fez estágios na NASA, Meta e Google. O CTO, Adam Balogh, veio da Palantir AI Platform como líder técnico. Não precisa nem dizer o que a Palantir faz — ela monta plataformas de dados para governos e forças armadas, com exigências para "computação confiável" bem acima de vários níveis em relação a cenários comerciais.
Com essas duas pessoas juntas, minha primeira reação foi: não foi um time montado aleatoriamente. As pessoas da Two Sigma têm uma sensibilidade natural para "verificabilidade" — em trading quantitativo, cada backtest precisa ser reproduzível, caso contrário ninguém tem coragem de operar com dinheiro real. Já quem vem da Palantir tem "auditoria" gravada na alma: todo o sistema que eles fazem exige rastreabilidade de cada etapa.
Por isso a OPG escolhe construir "IA verificável" em vez de mais um modelo genérico. Agora eu entendo o porquê. O mapa de capacidades dessa equipe aponta diretamente para esse caminho.
Como isso é implementado na prática? O ponto central é separar execução e verificação. O nó de inferência roda o modelo para gerar resultados e, ao mesmo tempo, cria provas criptográficas. O nó não precisa refazer o modelo; a prova de verificação já basta. Depois que a verificação passa, o resultado e a prova são registrados on-chain.
Há três formas de validação, escolhidas conforme o cenário. TEE equivale a filmar o processo de inferência com câmeras de monitoramento. ZKML garante matematicamente que o resultado não foi adulterado, sem exigir confiança em ninguém. Vanilla usa assinaturas para deixar registros rastreáveis.
O financiamento também confirma esse julgamento. O a16z Crypto Accelerator, e a a16z e a Coinbase Ventures investiram US$ 9,5 milhões. Balaji Srinivasan, fundador da NEAR, fundador da Polygon também investiram. Instituições que investem em infraestrutura valorizam mais a profundidade técnica do que as que apostam na camada de aplicação.
Agora a rede já rodou 2 milhões de vezes de inferência, verificou 500 mil provas e hospedou mais de 2.000 modelos.
Minha conclusão é: a OPG não é um cripto de IA; é um sistema de provas para que a IA possa ser confiada. Quando a IA começa a conceder empréstimos em nome das pessoas e fazer diagnósticos, não adianta dizer apenas que "o modelo é preciso" — você precisa conseguir provar que ele não trapaceou. @OpenGradient #opg $OPG
A maioria dos projetos de cripto de IA escreve whitepapers cheios de exageros. Quando você verifica a equipe, quase sempre são pessoas anônimas ou com currículos inchados. Mas ao olhar a equipe da OPG, quanto mais eu vejo, mais sinto que este projeto realmente é diferente dos outros.
O CEO, Matthew Wang, é da Two Sigma, onde trabalhou com estratégias quantitativas; antes disso, também fez estágios na NASA, Meta e Google. O CTO, Adam Balogh, veio da Palantir AI Platform como líder técnico. Não precisa nem dizer o que a Palantir faz — ela monta plataformas de dados para governos e forças armadas, com exigências para "computação confiável" bem acima de vários níveis em relação a cenários comerciais.
Com essas duas pessoas juntas, minha primeira reação foi: não foi um time montado aleatoriamente. As pessoas da Two Sigma têm uma sensibilidade natural para "verificabilidade" — em trading quantitativo, cada backtest precisa ser reproduzível, caso contrário ninguém tem coragem de operar com dinheiro real. Já quem vem da Palantir tem "auditoria" gravada na alma: todo o sistema que eles fazem exige rastreabilidade de cada etapa.
Por isso a OPG escolhe construir "IA verificável" em vez de mais um modelo genérico. Agora eu entendo o porquê. O mapa de capacidades dessa equipe aponta diretamente para esse caminho.
Como isso é implementado na prática? O ponto central é separar execução e verificação. O nó de inferência roda o modelo para gerar resultados e, ao mesmo tempo, cria provas criptográficas. O nó não precisa refazer o modelo; a prova de verificação já basta. Depois que a verificação passa, o resultado e a prova são registrados on-chain.
Há três formas de validação, escolhidas conforme o cenário. TEE equivale a filmar o processo de inferência com câmeras de monitoramento. ZKML garante matematicamente que o resultado não foi adulterado, sem exigir confiança em ninguém. Vanilla usa assinaturas para deixar registros rastreáveis.
O financiamento também confirma esse julgamento. O a16z Crypto Accelerator, e a a16z e a Coinbase Ventures investiram US$ 9,5 milhões. Balaji Srinivasan, fundador da NEAR, fundador da Polygon também investiram. Instituições que investem em infraestrutura valorizam mais a profundidade técnica do que as que apostam na camada de aplicação.
Agora a rede já rodou 2 milhões de vezes de inferência, verificou 500 mil provas e hospedou mais de 2.000 modelos.
Minha conclusão é: a OPG não é um cripto de IA; é um sistema de provas para que a IA possa ser confiada. Quando a IA começa a conceder empréstimos em nome das pessoas e fazer diagnósticos, não adianta dizer apenas que "o modelo é preciso" — você precisa conseguir provar que ele não trapaceou. @OpenGradient #opg $OPG