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".

Ontem à 1h, eu troquei 0,7 ETH por meio de 3 Wallets, paguei uma Taxa de Gas de 18,4 USD, comi 2,7% de Slippage e ainda cliquei no Approval errado mais uma vez...

Ficando ali, assistindo a Route girar pela Bridge e pelo Aggregator, parecia meio engraçado.

Às vezes, o cripto não perde por causa do mercado.

Perde porque a stack que usamos é complicada demais!

Honestamente, eu costumava achar que toda nova chain, nova VM, nova arquitetura era bom.

Soava premium.

Soava como o futuro.

Mas quando você realmente constrói, percebe que a coisa mais cara não é a Taxa de Gas, nem a Taxa de Funding e nem mesmo uma ordem de PnL a -46,8 USD.

A coisa mais cara é forçar os usuários a mudarem os hábitos.

Um dApp que faz as pessoas moverem liquidez, reaprenderem o fluxo da Wallet, entenderem Bridge de novo, esperarem a Finality de novo... como isso é diferente de fazer clientes trocarem de cafeteria só porque o copo parece mais bonito?

O mercado não se importa com coisas que são “tecnicamente corretas”, mas comportamentalmente erradas.

É por isso que comecei a prestar atenção em @OpenGradient não porque a palavra AI pareça brilhante.

Mas porque a forma como ela enquadra o problema é um pouco diferente: manter compatibilidade EVM, Solidity, Liquidez em tempo real e então inserir inference de AI como uma camada nativa de EVM via Precompile.

Parece pouco.

Position Data — Cross-chain Price Spread — Market Sentiment → Saída de AI verificável com prova TEE, para que o Smart Contract consiga processar Conditional Logic sozinho.

Não precisa derrubar a casa e reconstruí-la.

Não precisa arrastar os usuários numa peregrinação para uma nova chain.

A Base tem Liquidez, a Arbitrum tem Assets, a Optimism tem Comportamento do Usuário; se chamadas de AI multi-chain puderem reunir essas peças no mesmo fluxo de decisão, então o roteamento de DeFi com AI finalmente tem base real para rodar.

Eu não acredito mais na frase “boa tecnologia vai vencer sozinha”.

Boa tecnologia que faz o mercado pagar fricção demais ainda é só um slide bonito!

Então qual caminho vocês escolhem: reconstruir tudo do zero e limpo, ou fazer com que o que já existe fique mais inteligente?
#OPG $OPG @OpenGradient $VELVET $LAB

Achei algo bastante interessante:
Toda vez que um token é listado em uma grande bolsa.
Toda vez que um airdrop ou incentivo começa, muita gente passa a prestar atenção.
Mas depois que os eventos terminam, eles quase desaparecem do mercado.
Então o que faz um token de infraestrutura de IA existir para que eles continuem por perto, sem desaparecer?

A maior parte dos tokens de infraestrutura de IA hoje foca em atrair usuários.

@OpenGradient construiu o Model Hub, onde todas as solicitações de IA são pagas com OPG. Na minha opinião, é aí que o token deixa de ser um ativo meramente especulativo e se torna parte de cada uso de IA.

Para fazer isso, #OPG integrou a camada de pagamento x402 diretamente em todas as solicitações de IA.

Separar incentive de adoption. Um lado vem do benefício econômico; o outro vem da necessidade real de uso.

Se o incentivo é uma chuva, então adoption é o lugar onde a água fica armazenada.
Incentive traz os usuários.
Adoption mantém eles por perto.

O valor econômico do token $OPG é sustentável porque se baseia em uso real.
Não em atenção.

Se o AI protocol quiser criar valor econômico sustentável, ele precisa provar sua capacidade de transformar atração em retenção.

Talvez isso seja tanto um ponto forte quanto um ponto fraco do OPG.
Se houver sugestões, acho que #OPG não deveria apenas provar que x402 funciona. A OPG precisa provar que cada vez mais solicitações de IA são insubstituíveis sem aquela camada de pagamento. Só quando o uso cresce de forma natural, o token consegue passar de valor esperado para valor gerado a partir da demanda real.

Se qualquer AI protocol consegue atrair atenção, então o que se torna uma verdadeira vantagem competitiva para manter os usuários por perto?

Nosso painel mostra que a latência diminuiu. Mas o número de tentativas de reenvio (retry) aumentou.

O estranho é que o sistema parece mais rápido, mas a experiência real está menos estável.

Uma das investigações me levou a um node @OpenGradient , que o sistema escolheu por ser o mais próximo em termos geográficos — então enviar um lote de inferências para ele era uma escolha bastante natural.

As três primeiras requests ultrapassaram o limite de retry quase imediatamente.

Primeiro eu culpei o timeout. Depois, a fila. Cheguei até a suspeitar de um novo lançamento de modelo. Mas um node mais distante ainda processava a mesma carga de trabalho sem nenhum problema.

Foi então que percebi que eu estava otimizando o métrico errado.

A distância indica apenas onde a request começa. Ela não reflete todo o percurso que a request precisa completar.

O tráfego de rede passa por uma rota movimentada antes de chegar ao node. A inferência ainda começa rápido, mas as confirmações de verificação (verification) voltam de forma irregular. A aplicação enxerga que a inferência foi concluída, enquanto o sinal de confiança ainda chega atrasado — e então faz um retry automático de um trabalho que, na verdade, não tinha falhado.

O problema não está em o node ser perto ou longe.

Está no fato de que o métrico que eu usei para otimizar só mede parte do request.

Todo sistema, no fim, se torna aquilo que o seu métrico está otimizando.

Voltando no tempo, eu não escolhi o node errado.
Eu escolhi o ponto errado para encerrar a medição.
Eu considero a request concluída quando a inferência termina, enquanto, para #OPG , a experiência só é realmente concluída depois da verification.

Se a request só termina após a verification, então o métrico também deve ser encerrado ali.

Se a inferência termina antes de a confiança estar concluída, então o que devemos otimizar de fato?
$OPG $CAP

Quando transfiro alguns milhões de đồng, eu só preciso confirmar com o rosto.

Mas quando assino um contrato para comprar um apartamento, eu estou disposto a dedicar mais tempo para verificar cada cláusula.

O interessante é que eu nunca escolhi a forma mais rigorosa de verificação para tudo.

Porque cada nível de confiança tem um custo.

Tempo.

Conveniência.

Custo.

Isso me fez pensar em IA.

Se a IA vai atender a milhões de tarefas diferentes, será que todas as tarefas realmente precisam do mesmo nível de confiança?

@OpenGradient encara o problema por outro ângulo.

Em vez de existir apenas um modo de verificação, #OPG criou vários níveis de verificação diferentes.

Verificação básica (Vanilla) para casos que exigem velocidade.

Ambiente de Execução Confiável (TEE) para aplicações que precisam equilibrar desempenho e confiabilidade.

ZKML para casos em que se requer o mais alto nível de garantia criptográfica.

Em vez de aplicar o mesmo padrão a todas as situações, cada aplicação pode escolher o nível de verificação adequado às suas necessidades.

Talvez o futuro da IA não seja criar mais confiança.

Mas sim criar o nível certo de confiança necessário.
$OPG $DEXE $LAB

Um relatório com dados errados.
Um e-mail foi enviado com o conteúdo errado.
O chefe não pergunta:
“Onde está o erro?”
Mas pergunta:
“Quem fez?”
Isso me fez pensar em um problema ainda maior.
A IA está se desenvolvendo cada vez mais, e a IA se tornou uma necessidade indispensável na vida humana.
Então, você já se perguntou:
Se a IA errar, quem será responsabilizado?

E, dentro de @OpenGradient , essa pergunta é vista por um ângulo bem interessante.

Em vez de apenas se concentrar em gerar resultados.

#OPG está construindo uma Trust Layer, em que cada decisão pode ser rastreada, em vez de simplesmente deixar um resultado sem ninguém saber como ele foi criado.

Quando uma decisão pode ser rastreada, a responsabilidade também pode ser rastreada.

Uma IA não se torna confiável porque comete menos erros.

Ela se torna confiável quando a responsabilidade é projetada desde o início, em vez de ter que buscá-la depois de cada falha.

Talvez o futuro da IA não seja uma IA mais inteligente.

Mas uma IA mais confiável.
$OPG $DEXE $SLX

10% para indivíduos.
15% para interações.
A lista detalhada e os planos, experiências e lições acumuladas ao longo dos anos. Eu compartilho tudo com a IA.

No começo, eram apenas conversas.

Mas, com o tempo, a IA começou a memorizar.

O que a IA lembra não é dado aleatório.
É a forma como eu trabalho.
Como eu tomo decisões.
As coisas que aprendi ao longo dos anos.

O interessante é que se amanhã eu mudar para um modelo diferente, o que eu não quero perder não é o modelo.
Mas tudo o que foi memorizado.

E em @OpenGradient isso fica muito claro.

MemSync não foi apenas construído para ajudar a IA a lembrar.

Foi construído sobre uma suposição maior:

A memória pode existir como uma camada separada.

E quando a memória se torna uma infraestrutura, a pergunta importante pode não ser mais:

"A IA consegue lembrar de quanto?"
Mas sim:
"Quem possui a memória da IA?"

Talvez o que for mais valioso na IA do futuro não seja a capacidade de lembrar.

Mas o direito de propriedade sobre o que foi memorizado.
#OPG $OPG $DEXE $LAB

POR QUE QUANDO ALGUÉM ABRE UM FORMULÁRIO DE INSCRIÇÃO, ELE NÃO PREENCHER IMEDIATAMENTE?
Eles vão direto para o final.
Procuram uma linha muito pequena:
"Aprovado em até 24–48 horas"
ou
"Nós iremos revisar sua aplicação"
E só de ver isso.
Eles param.
Não fazem mais perguntas.
Não tentam começar.
Não é porque não querem participar.
Mas porque naquele momento, a ação de "participar" não é mais entendida como um primeiro passo.
Ela é transformada em algo que precisa ser aceito antes de ser considerado existente.

Uma pessoa não está realmente livre para participar se precisar esperar que alguém a permita começar.

E é aí que @OpenGradient se diferencia.
A maioria das IA hoje em dia, o direito de participação é decidido por um grupo de pessoas com poder de aprovação.

#OPG está construindo um futuro onde a inovação não é limitada pela autorização prévia.

Um futuro onde a Contribuição Aberta se torna o padrão.
E a Participação não precisa ser aprovada antes.

Onde o direito de participar não é decidido pela aprovação prévia.
Começa com a escolha de uma pessoa em participar.

Talvez a pergunta mais importante não seja:
"Quantas pessoas querem construir isso?"
Mas sim:
"Quantas pessoas têm permissão para construir isso?"

O futuro da IA pode não ser decidido pelos ecossistemas com mais interesse.
Mas sim pelos ecossistemas com mais pessoas que podem participar. $OPG $DEXE

Duas pessoas podem ter a mesma cozinha.

Com os mesmos ingredientes.

Com as mesmas ferramentas.

Mas uma pessoa está sempre criando novos pratos.

Enquanto a outra apenas repete os pratos familiares.

Por que um conjunto idêntico de recursos, mas combinações diferentes, resulta em resultados diferentes?

Quando se busca uma grande evolução, a maioria das pessoas começa procurando algo novo.

Uma nova ferramenta.

Uma nova ideia.

Um novo recurso.

Isso é uma forma de Cegueira à Recombinação.

Estamos tão focados em encontrar novos componentes que perdemos de vista os novos valores que estão nos componentes já existentes.

Inovações frequentemente não surgem de um novo componente.

Mas sim de como os componentes antigos são reconfigurados.

A IA enfrenta um desafio semelhante.
Talvez isso explique @OpenGradient .

Enquanto a maioria dos sistemas de IA foca em adicionar mais capacidades,
#OPG está construindo uma infraestrutura para que as capacidades existentes possam gerar valor além de si mesmas.

Um futuro assim requer:

✓ Interoperabilidade

✓ Componentes Especializados

✓ Infraestrutura Modular

✓ Coordenação Aberta

Um sistema não se torna mais valioso apenas porque tem mais capacidades.

Mas porque pode gerar algo novo a partir das capacidades que já possui.

O futuro da IA pode não pertencer aos modelos maiores.

Mas às ecossistemas que conseguem recombinar mais rapidamente.

Talvez a pergunta mais importante não seja:

“Quais capacidades ainda nos faltam?”

Mas sim:

“Já aproveitamos ao máximo as capacidades que temos?” #OPG $OPG @OpenGradient

Outro dia eu pedi comida pelo app.

O prato que recebi era bem diferente da foto.

O que mais me incomodou não foi a comida.

Mas sim o fato de eu achar que não tinha como reclamar.

Alguns minutos depois, percebi que ainda tinha um botão de feedback.

De repente, a sensação de desconforto diminuiu bastante.

Embora naquele momento tudo ainda não estivesse resolvido.

Pensando bem, é algo bem curioso.

O que faz uma decisão ser mais facilmente aceita?

As pessoas aceitam menos decisões que não podem ser questionadas.

Quanto mais uma decisão impacta as pessoas, mais ela precisa ser questionada.

Mas as decisões que mais impactam geralmente são as mais difíceis de serem questionadas.

Eu chamo isso de Escudo de Desafio.

Uma barreira invisível que faz com que as decisões mais necessárias de serem questionadas se tornem as mais difíceis de serem contestadas.

Um sistema é mais confiável quando suas decisões podem ser desafiadas.

Mas se não sabemos se uma decisão realmente pode ser desafiada ou não.

Então, também não sabemos se esse sistema é realmente mais confiável.

É aí que vejo que @OpenGradient está indo em uma direção bem interessante.

Permite que as decisões sejam revisadas, debatidas e reavaliadas.

E se isso for verdade.

O futuro da IA pode não ser definido pelos sistemas mais confiáveis.

Mas sim pelos sistemas que permitem que suas decisões sejam mais desafiadas.
#OPG $OPG

Recentemente, eu percebi uma coisa bem estranha.

As coisas que têm mais sucesso geralmente são as que são mais difíceis de mudar.
Quanto melhor um sistema funciona.
Menos pessoas querem mudá-lo.

No início, isso parece fazer sentido.

Mas o que acontece quando o mundo continua mudando enquanto o sistema não?

Muitos sistemas não desaparecem por falhas.
Eles desaparecem porque tiveram sucesso por tempo demais.
Eu chamo isso de "Evolution Trap".
Uma armadilha que surge quando o sucesso atual corrói a capacidade de evolução no futuro.

Talvez porque os sistemas que existem há mais tempo não sejam os sistemas mais perfeitos.

Mas sim aqueles que podem evoluir.

Mas o que faz um sistema ser capaz de evoluir?

Um sistema é difícil de adaptar se cada nova mudança exige que ele seja reconstruído do zero.
Cada mudança se torna uma reestruturação.

E com o tempo.
Manter tudo igual se torna mais fácil que mudar.

Esse também é o problema @OpenGradient que está sendo resolvido.
Ao invés de forçar o ecossistema de IA a ser reestruturado sempre que uma nova habilidade aparece.

#OPG permite que o ecossistema de IA melhore continuamente sem precisar reconstruir tudo.

Novos componentes podem surgir sem fazer com que os componentes existentes deixem de cooperar entre si.

Quando mudar não significa mais reestruturar.
Evoluir não é mais um sacrifício.
Isso se torna um processo contínuo.

E se isso for verdade.
O futuro da IA pode não ser definido pelos modelos mais poderosos.

Mas pelos ecossistemas que têm a capacidade de evoluir mais rapidamente. #OPG $OPG

Ultimamente, tenho uma vibe meio preguiçosa.

Sempre que preciso encontrar algo, raramente fico rolando para baixo para ver toda a lista. Geralmente, só olho as primeiras sugestões e já decido na hora. Parece que estou escolhendo. Mas, pensando bem, a maior parte do trabalho já foi feito antes. Alguém já decidiu o que aparece na minha frente.

Nesse momento, me lembrei de @OpenGradient que está fazendo algo bem interessante: transformar a IA de algo que precisa ser confiável em algo que pode ser verificado.

Parece que isso é uma questão sobre IA. Mas vejo um ângulo mais intrigante.

Se um dia tivermos milhares ou milhões de IAs coexistindo, o maior problema pode não ser qual IA é a melhor.

E sim, qual IA é a que está sendo usada.

Nesse caso, os usuários não vão avaliar cada IA individualmente. Eles vão depender de uma camada de sistema para decidir qual IA aparece na sua frente, qual IA é chamada e qual IA é deixada de lado.

Aqui é onde vejo a questão de Acesso se tornando interessante.

A verificação nos ajuda a saber se uma IA está agindo corretamente. Mas quem verifica o sistema que está escolhendo as IAs por nós?

Se essa camada de acesso não puder ser verificada, estamos apenas mudando a confiança de uma IA para um novo gatekeeper.

Talvez, quando a IA se tornar algo comum, a IA mais poderosa não seja a que tem mais poder.

A coisa mais poderosa pode ser o sistema que decide qual IA tem permissão para aparecer.

Então, se eu tivesse uma sugestão para @OpenGradient , eu diria: não se limite a verificar a IA.

Procure uma maneira de verificar quem escolhe a IA.

Porque se a IA precisa ser verificada, então quem escolhe a IA provavelmente precisa ser verificado ainda mais. #OPG $OPG

Hoje de manhã, tomei um café com um brother que tem um restaurante.

Ele reclamou que quando abriu o restaurante, fazia tudo sozinho e ainda conseguia se virar. Ia ao mercado, cozinhava, atendia os clientes, fazia a conta.

Mas quando o movimento aumentou, não deu mais.

No começo, ele achou que precisava ser mais rápido.

Agora, ele pensa diferente.

Para o restaurante crescer ainda mais, precisa dividir as tarefas.

Aí, de repente, eu pensei na OpenGradient.

Tem uma coisa meio estranha.

Um restaurante cresce dividindo o trabalho.

Mas a IA hoje está crescendo juntando mais trabalho em um único sistema.

Então, se a IA realmente se tornar uma infraestrutura, ela vai se parecer mais com um restaurante ou com o que estamos construindo hoje?

À medida que o sistema avança, as funções começam a se separar em papéis distintos.

@OpenGradient está olhando nessa direção.

O Compute gera resultados.

A Verification confirma se esses resultados são confiáveis ou não.

Quando esses dois papéis são agrupados em um só lugar, o sistema só tem um jeito de criar confiança: confiar em si mesmo.

Quando eles são separados, a geração de resultados e a verificação dos resultados se tornam duas camadas independentes.

Isso geralmente é um sinal de que uma infraestrutura está se formando.

Talvez a Infraestrutura de IA também seja assim.

Ela aparece quando Compute e Verification estão separados.

Mas o que mais me intriga está por trás disso.

Se essa regra estiver certa, Compute e Verification podem ser apenas o primeiro passo.

Talvez em alguns anos não vejamos a IA como um modelo.

Mas como um ecossistema de papéis diferentes.

Cada papel existe porque faz bem uma única coisa.

Ou talvez não.

Mas se eu tivesse que fazer uma aposta, apostaria em sistemas onde a confiança não precisa mais se validar sozinha.#OPG $OPG

Acabei de enviar o relatório para o chefe.
Parece que fiz mais rápido do que das outras vezes, então estou meio feliz.
Um tempo depois, o chefe me chamou, pensei que ia receber um elogio.
Mas, na verdade, fui chamado de atenção porque os dados estavam todos errados.
Depois que desliguei, percebi: aquele relatório eu fiz com o ChatGPT e não revisei nada.

O que me parou não foi o relatório estar errado.
Mas sim o fato de eu ter confiado tanto em uma resposta que pulei a etapa de verificação.

Quando o ChatGPT foi lançado, isso era bem raro.
Eu checava quase tudo porque ele errava bastante.
Mas agora a IA está muito melhor.

E talvez essa seja a mudança mais surpreendente.

Não é que a IA esteja mais inteligente.
É que a IA se tornou mais familiar.
Ninguém verifica coisas em que eles já confiam.

É aí que comecei a ver outro problema.
O que acontece quando a IA é boa o suficiente para que as pessoas comecem a confiar nela?

Talvez essa seja uma pergunta muito mais interessante do que o quanto a IA vai ficar mais inteligente.
E é também onde @OpenGradient começa a se tornar relevante.

Uma IA que acerta 99% das vezes faz com que o 1% restante seja mais importante do que nunca.
A capacidade de gerar respostas.
A verificação decide quando devemos confiar nessa resposta.

O paradoxo é:
Quanto mais poderosa a IA.
Menos as pessoas verificam.
Quando menos se verifica, a verificação se torna ainda mais necessária.

Se o futuro da IA é ser utilizada em todos os lugares, a próxima corrida pode não ser mais sobre criar mais inteligência.

Mas sim sobre ajudar os usuários a saber quando confiar nessa inteligência.

Talvez essa seja a razão pela qual as camadas de verificação estão se tornando mais importantes.

E é aí que a OpenGradient está focando desde cedo.
Quanto mais poderosa a IA.
A pergunta "está certo?" se tornará mais importante do que nunca. #OPG $OPG

Na tecnologia, o erro mais caro geralmente não é resolver o problema errado.

Mas sim resolver muito bem um problema que não é mais o gargalo.

A IA pode estar caindo nessa armadilha.

A maior parte da corrida atualmente gira em torno de uma suposição: quanto mais inteligente o modelo, maior o valor gerado. Portanto, a indústria continua despejando mais compute, dados e capital em inteligência.

Mas o que acontece se a inteligência não for mais o maior gargalo?

Muitos problemas importantes da IA surgem depois que a resposta já foi gerada:

Como saber qual modelo foi executado?

Como garantir que o resultado não foi alterado?

Como verificar em vez de apenas confiar?

Isso não é mais um problema de inteligência.

É um problema de confiança.

A OpenGradient foi construída com base nessa distinção. A HACA vê execução e verificação como duas camadas diferentes.

Se essas duas camadas forem realmente independentes, um modelo mais robusto não criará automaticamente maior confiança.

É uma troca notável.

Otimizar a inteligência ajuda a IA a gerar respostas melhores.

Mas não resolve o problema de saber se essas respostas podem ser verificadas ou não.

Uma indústria pode continuar investindo onde antes era o maior gargalo.

Mas quando o gargalo muda, os custos aumentarão mais rápido do que o valor gerado.

A IA pode não faltar em modelos mais inteligentes.

Ela pode estar faltando em sistemas que nos ajudem a saber quando devemos confiar neles.
@OpenGradient #OPG $OPG