W Shakespeare
1.5k Publicações
W Shakespeare
🇻🇳 Đời là một vở kịch mà ai cũng nghĩ mình là nhân vật chính?
165 A seguir
628 Seguidores
2.1K+ Gostaram
Publicações
Tudo
Cotações
Ver tradução
Hôm trước, mình đang coi phần Writing Data Oracles của Newton Protocol thì gặp một điều khá hay: nếu một HTTP Fetch thất bại, Data Oracle không được bỏ qua lỗi hay trả về dữ liệu mặc định. Thay vào đó, Oracle trả về một namespaced error để Rego Policy có thể deny ngay Decision.
Có vẻ Newton Protocol đang thay đổi vị trí của failure trong quá trình tạo Decision. Một lỗi không còn chỉ là thông tin để Developer đọc sau khi hệ thống chạy xong. Ngay khi Data Oracle trả về namespaced error, trạng thái thất bại đó đã trở thành một phần của dữ liệu mà Rego Policy phải đánh giá. Decision không bị dừng vì hệ thống xảy ra lỗi. Nó bị dừng vì hệ thống vừa nhận thêm một tín hiệu mới.
Mình bỗng nhận ra Newton Protocol đang lựa chọn một Fail-Closed Architecture. Architecture này không cố che đi những gì chưa biết để tiếp tục thực thi. Mà nó mở rộng khái niệm Evidence. Không chỉ dữ liệu được thu thập thành công mới có giá trị. Việc Data Oracle không thể xác nhận một thông tin cũng trở thành một loại Evidence mà Rego Policy phải đánh giá.
Khi failure đã được xem là Evidence, Decision cũng không còn quyền bỏ qua nó. Một Decision không thể tiếp tục chỉ vì phần dữ liệu còn lại trông có vẻ hợp lý. Nó phải phản ánh toàn bộ Evidence mà hệ thống đang có, kể cả những gì không thể được xác nhận. Nếu Evidence chưa đủ để chống đỡ một kết luận, Decision không được phép tự hoàn thiện phần còn thiếu bằng giả định.
Nhìn theo góc đó, Fail-Closed Architecture của Newton Protocol không còn chỉ là một cơ chế xử lý failure. Nó buộc mọi Decision phải trung thực với Evidence mà mình thực sự có, thay vì với Evidence mà hệ thống mong muốn có. #Newt $LAB $TRIA $NEWT @NewtonProtocol
Có vẻ Newton Protocol đang thay đổi vị trí của failure trong quá trình tạo Decision. Một lỗi không còn chỉ là thông tin để Developer đọc sau khi hệ thống chạy xong. Ngay khi Data Oracle trả về namespaced error, trạng thái thất bại đó đã trở thành một phần của dữ liệu mà Rego Policy phải đánh giá. Decision không bị dừng vì hệ thống xảy ra lỗi. Nó bị dừng vì hệ thống vừa nhận thêm một tín hiệu mới.
Mình bỗng nhận ra Newton Protocol đang lựa chọn một Fail-Closed Architecture. Architecture này không cố che đi những gì chưa biết để tiếp tục thực thi. Mà nó mở rộng khái niệm Evidence. Không chỉ dữ liệu được thu thập thành công mới có giá trị. Việc Data Oracle không thể xác nhận một thông tin cũng trở thành một loại Evidence mà Rego Policy phải đánh giá.
Khi failure đã được xem là Evidence, Decision cũng không còn quyền bỏ qua nó. Một Decision không thể tiếp tục chỉ vì phần dữ liệu còn lại trông có vẻ hợp lý. Nó phải phản ánh toàn bộ Evidence mà hệ thống đang có, kể cả những gì không thể được xác nhận. Nếu Evidence chưa đủ để chống đỡ một kết luận, Decision không được phép tự hoàn thiện phần còn thiếu bằng giả định.
Nhìn theo góc đó, Fail-Closed Architecture của Newton Protocol không còn chỉ là một cơ chế xử lý failure. Nó buộc mọi Decision phải trung thực với Evidence mà mình thực sự có, thay vì với Evidence mà hệ thống mong muốn có. #Newt $LAB $TRIA $NEWT @NewtonProtocol
Verificado
O Newton Protocol foi desenvolvido pela Magic Labs, a equipe por trás de vários produtos que atendem a padrões corporativos como SOC 2 Type II e ISO 27001.
Esses padrões corporativos exigem que uma organização tenha um processo de desenvolvimento suficientemente rigoroso para gerenciar mudanças, avaliar riscos e garantir que todas as decisões possam ser rastreadas ao longo de todo o ciclo de desenvolvimento.
Mais importante ainda, esse processo de desenvolvimento não deve servir apenas a um único release. Ele precisa ser consistente o bastante para continuar sendo usado por muitos releases, independentemente de o produto estar mudando continuamente.
Na minha visão, quando a equipe da Magic Labs trabalha por muitos anos sob um mesmo processo de desenvolvimento, esse processo deixa de ser apenas um workflow interno. Ele se torna a abordagem padrão para a equipe enfrentar problemas e tomar decisões. É por isso que acredito que, ao desenvolver o Newton Protocol, o que a Magic Labs trouxe consigo não foram os padrões corporativos, e sim uma mentalidade orientada a processos (Process-First Mindset).
Com essa mentalidade, cada release do Newton Protocol ainda pode ser bem diferente, pois precisa resolver novos desafios. Mas todas as mudanças partem do mesmo framework de decisões, da mesma forma de avaliar riscos e do mesmo processo de engenharia.
Essa consistência não está em cada release individual, e sim na maneira como o Newton Protocol é engineered. Quando <t-2/> @NewtonProtocol continua se expandindo, os novos recursos não se tornarão peças montadas a partir de filosofias de engenharia diferentes. Eles continuam sendo construídos sobre a mesma base de pensamento que moldou o protocolo desde o início.
Talvez o mais valioso que a equipe da Magic Labs trouxe ao desenvolver o Newton Protocol seja a mentalidade orientada a processos (Process-First Mindset). Ela ajuda o Newton Protocol a continuar evoluindo e se expandindo, mantendo ainda assim a consistência de como é engineered.#Newt $LAB $NEWT
Esses padrões corporativos exigem que uma organização tenha um processo de desenvolvimento suficientemente rigoroso para gerenciar mudanças, avaliar riscos e garantir que todas as decisões possam ser rastreadas ao longo de todo o ciclo de desenvolvimento.
Mais importante ainda, esse processo de desenvolvimento não deve servir apenas a um único release. Ele precisa ser consistente o bastante para continuar sendo usado por muitos releases, independentemente de o produto estar mudando continuamente.
Na minha visão, quando a equipe da Magic Labs trabalha por muitos anos sob um mesmo processo de desenvolvimento, esse processo deixa de ser apenas um workflow interno. Ele se torna a abordagem padrão para a equipe enfrentar problemas e tomar decisões. É por isso que acredito que, ao desenvolver o Newton Protocol, o que a Magic Labs trouxe consigo não foram os padrões corporativos, e sim uma mentalidade orientada a processos (Process-First Mindset).
Com essa mentalidade, cada release do Newton Protocol ainda pode ser bem diferente, pois precisa resolver novos desafios. Mas todas as mudanças partem do mesmo framework de decisões, da mesma forma de avaliar riscos e do mesmo processo de engenharia.
Essa consistência não está em cada release individual, e sim na maneira como o Newton Protocol é engineered. Quando <t-2/> @NewtonProtocol continua se expandindo, os novos recursos não se tornarão peças montadas a partir de filosofias de engenharia diferentes. Eles continuam sendo construídos sobre a mesma base de pensamento que moldou o protocolo desde o início.
Talvez o mais valioso que a equipe da Magic Labs trouxe ao desenvolver o Newton Protocol seja a mentalidade orientada a processos (Process-First Mindset). Ela ajuda o Newton Protocol a continuar evoluindo e se expandindo, mantendo ainda assim a consistência de como é engineered.#Newt $LAB $NEWT
Verificado
Leia o Integration Guide do Newton Protocol e há um detalhe que achei bem estranho: o Data Oracle pode ser escrito em JavaScript, Rust ou Python. No começo, pensei que @NewtonProtocol estivesse apenas tentando ampliar as opções para builders.
Mas o ponto importante não está na linguagem de programação. E sim que, independentemente de ser escrita em qual linguagem for, no fim todas compilam para a mesma interface WIT.
Foi aí que percebi que JavaScript, Rust ou Python são apenas manifestações externas. O que muda mais rapidamente em cada ecossistema nunca foi a linguagem de programação, e sim a inovação. O Python continua surgindo com novos pacotes de IA. O Rust tem otimizações de performance e segurança. O JavaScript evolui muito rápido na camada de aplicação e nas ferramentas. Cada ecossistema tem seu próprio ritmo de evolução, e ninguém sabe de onde virá o próximo breakthrough.
Se um protocolo estiver fortemente ligado a um ecossistema de linguagem de programação, ele acaba apostando que as inovações mais importantes continuarão surgindo ali. O que nasce fora precisa ser portado de volta ou simplesmente nunca entra no sistema.
O Newton Protocol parece ter escolhido ficar de fora da corrida e adotar a posição de Innovation Neutrality. O Newton Protocol não padroniza onde a inovação é criada. A única coisa padronizada é a forma como a inovação chega ao protocolo por meio de uma interface comum.
Nesse caso, a evolução do Data Oracle não depende de uma linguagem de programação nem de uma única comunidade de desenvolvedores. Um breakthrough que surja em Python, Rust ou JavaScript pode se tornar parte do Newton Protocol. Esse também é o benefício da posição de Innovation Neutrality. O Newton Protocol não precisa apostar o futuro em nenhum ecossistema de linguagem de programação. #Newt $LAB $HMSTR $NEWT
Mas o ponto importante não está na linguagem de programação. E sim que, independentemente de ser escrita em qual linguagem for, no fim todas compilam para a mesma interface WIT.
Foi aí que percebi que JavaScript, Rust ou Python são apenas manifestações externas. O que muda mais rapidamente em cada ecossistema nunca foi a linguagem de programação, e sim a inovação. O Python continua surgindo com novos pacotes de IA. O Rust tem otimizações de performance e segurança. O JavaScript evolui muito rápido na camada de aplicação e nas ferramentas. Cada ecossistema tem seu próprio ritmo de evolução, e ninguém sabe de onde virá o próximo breakthrough.
Se um protocolo estiver fortemente ligado a um ecossistema de linguagem de programação, ele acaba apostando que as inovações mais importantes continuarão surgindo ali. O que nasce fora precisa ser portado de volta ou simplesmente nunca entra no sistema.
O Newton Protocol parece ter escolhido ficar de fora da corrida e adotar a posição de Innovation Neutrality. O Newton Protocol não padroniza onde a inovação é criada. A única coisa padronizada é a forma como a inovação chega ao protocolo por meio de uma interface comum.
Nesse caso, a evolução do Data Oracle não depende de uma linguagem de programação nem de uma única comunidade de desenvolvedores. Um breakthrough que surja em Python, Rust ou JavaScript pode se tornar parte do Newton Protocol. Esse também é o benefício da posição de Innovation Neutrality. O Newton Protocol não precisa apostar o futuro em nenhum ecossistema de linguagem de programação. #Newt $LAB $HMSTR $NEWT
Parcialmente verdadeiro
Lendo a parte de Credenciais Verificáveis nos docs do Newton Protocol, eu acabei parando em um detalhe bem pequeno.
Entre uma série de métodos de SDK para Identity, Verification e Credential Management, @NewtonProtocol ainda deixa um método dedicado exclusivamente para unlinkApp().
À primeira vista, isso parece apenas uma API para revogar o vínculo entre o usuário e uma Application.
Mas quanto mais eu penso, mais acho que a existência dele talvez seja mais digna de nota do que a própria funcionalidade.
Um sistema só realmente precisa de unlinkApp() quando, desde o início, a equipe aceita que o usuário sempre tem Exit Rights.
Se essa suposição estiver correta, o Newton Protocol pode estar perseguindo uma estratégia do tipo Voluntary Lock-in.
Isso soa contraditório.
Normalmente, o Lock-in é criado aumentando gradualmente os Switching Costs, o que torna cada vez mais difícil para o usuário sair do sistema. Mas, no Voluntary Lock-in, a possibilidade de partir sempre existe. O único fator que mantém o usuário é a decisão dele próprio.
Isso também significa que o Newton Protocol praticamente abre mão de um dos Competitive Moats mais comuns das Web3 Platforms.
Quando o Exit está sempre preservado, o Newton Protocol não pode contar com Switching Costs para reter Users.
Na minha opinião, este é justamente o ponto para reflexão.
Se o Voluntary Lock-in realmente for uma escolha no Product Design, então cada Active User deixa de ser apenas uma métrica de crescimento.
Eles se tornam uma evidência de que, mesmo quando há sempre direitos de Exit, eles ainda continuam escolhendo Stay.
Dito de outra forma, unlinkApp() talvez não seja apenas um método de SDK.
Pode ser um pequeno sinal de que o Newton Protocol não vê Lock-in como resultado de barreiras, e sim como resultado de decisões voluntárias repetidas ao longo do tempo.
#Newt $MAGMA $LAB $NEWT
Entre uma série de métodos de SDK para Identity, Verification e Credential Management, @NewtonProtocol ainda deixa um método dedicado exclusivamente para unlinkApp().
À primeira vista, isso parece apenas uma API para revogar o vínculo entre o usuário e uma Application.
Mas quanto mais eu penso, mais acho que a existência dele talvez seja mais digna de nota do que a própria funcionalidade.
Um sistema só realmente precisa de unlinkApp() quando, desde o início, a equipe aceita que o usuário sempre tem Exit Rights.
Se essa suposição estiver correta, o Newton Protocol pode estar perseguindo uma estratégia do tipo Voluntary Lock-in.
Isso soa contraditório.
Normalmente, o Lock-in é criado aumentando gradualmente os Switching Costs, o que torna cada vez mais difícil para o usuário sair do sistema. Mas, no Voluntary Lock-in, a possibilidade de partir sempre existe. O único fator que mantém o usuário é a decisão dele próprio.
Isso também significa que o Newton Protocol praticamente abre mão de um dos Competitive Moats mais comuns das Web3 Platforms.
Quando o Exit está sempre preservado, o Newton Protocol não pode contar com Switching Costs para reter Users.
Na minha opinião, este é justamente o ponto para reflexão.
Se o Voluntary Lock-in realmente for uma escolha no Product Design, então cada Active User deixa de ser apenas uma métrica de crescimento.
Eles se tornam uma evidência de que, mesmo quando há sempre direitos de Exit, eles ainda continuam escolhendo Stay.
Dito de outra forma, unlinkApp() talvez não seja apenas um método de SDK.
Pode ser um pequeno sinal de que o Newton Protocol não vê Lock-in como resultado de barreiras, e sim como resultado de decisões voluntárias repetidas ao longo do tempo.
#Newt $MAGMA $LAB $NEWT
Verificado
"O mercado só existe de verdade quando as duas partes começam a se encontrar."
Esta frase surgiu quando fiquei sabendo que o Newton Protocol está construindo um Policy Marketplace.
No começo eu achava que era apenas um lugar onde builders poderiam encontrar e integrar policies.
Mas, olhando com mais atenção sob a ótica da Platform Economics, percebo que isso se parece mais com um Two-Sided Market do que com um marketplace comum.
Um lado é o Supply. Eles empacotam expertise em segurança, conformidade e aspectos legais em Policy-as-Code reutilizáveis por várias vezes.
O outro lado é o Demand. Eles não compram policies apenas por gostar. O que eles precisam é confiança e conformidade — sem ter que construir tudo do zero cada vez que desenvolverem um Vault, um protocolo de RWA, uma Stablecoin ou um AI Agent.
Em um Market como esse, o valor não está em ter muito Supply ou muito Demand.
Ele está na Matching Efficiency.
Se uma policy de qualidade não chega ao builder que realmente precisa dela, essa expertise quase não gera valor econômico. Por outro lado, se o builder não encontra a policy certa, ele acaba construindo tudo por conta própria, fazendo com que o Demand nunca se converta em transações.
Quando a Matching Efficiency aumenta, o comportamento de ambos os lados muda. O Supply ganha incentivo para criar mais Policy-as-Code, porque a probabilidade de uso é maior e a receita tende a ser mais alta. O Demand também tende a procurar o marketplace antes de desenvolver internamente, já que os custos de busca e integração continuam diminuindo.
Talvez seja isso o que eu acho mais interessante no Policy Marketplace do Newton Protocol. @NewtonProtocol não só conecta Supply e Demand. Também tenta otimizar a Matching Efficiency, para que a própria capacidade de conexão entre as duas partes se torne uma fonte de liquidez e impulsione todo o Two-Sided Market a operar de forma mais eficiente.
#Newt $LAB $NEWT
Esta frase surgiu quando fiquei sabendo que o Newton Protocol está construindo um Policy Marketplace.
No começo eu achava que era apenas um lugar onde builders poderiam encontrar e integrar policies.
Mas, olhando com mais atenção sob a ótica da Platform Economics, percebo que isso se parece mais com um Two-Sided Market do que com um marketplace comum.
Um lado é o Supply. Eles empacotam expertise em segurança, conformidade e aspectos legais em Policy-as-Code reutilizáveis por várias vezes.
O outro lado é o Demand. Eles não compram policies apenas por gostar. O que eles precisam é confiança e conformidade — sem ter que construir tudo do zero cada vez que desenvolverem um Vault, um protocolo de RWA, uma Stablecoin ou um AI Agent.
Em um Market como esse, o valor não está em ter muito Supply ou muito Demand.
Ele está na Matching Efficiency.
Se uma policy de qualidade não chega ao builder que realmente precisa dela, essa expertise quase não gera valor econômico. Por outro lado, se o builder não encontra a policy certa, ele acaba construindo tudo por conta própria, fazendo com que o Demand nunca se converta em transações.
Quando a Matching Efficiency aumenta, o comportamento de ambos os lados muda. O Supply ganha incentivo para criar mais Policy-as-Code, porque a probabilidade de uso é maior e a receita tende a ser mais alta. O Demand também tende a procurar o marketplace antes de desenvolver internamente, já que os custos de busca e integração continuam diminuindo.
Talvez seja isso o que eu acho mais interessante no Policy Marketplace do Newton Protocol. @NewtonProtocol não só conecta Supply e Demand. Também tenta otimizar a Matching Efficiency, para que a própria capacidade de conexão entre as duas partes se torne uma fonte de liquidez e impulsione todo o Two-Sided Market a operar de forma mais eficiente.
#Newt $LAB $NEWT
Verificado
Ban đầu, quando soube que o Newton Protocol usa TypeScript para construir o Newton Vault SDK.
Eu tive que exclamar: "Ué, por que não usar Python e escolheram TypeScript?"
Como se o objetivo fosse servir a AI Agents, o Python quase sempre é a escolha mais comum. Ele tem um ecossistema enorme para machine learning, quantitative finance... Do ponto de vista de capacidade, esta parece ser a escolha mais intuitiva.
Mas talvez o Newton Protocol não esteja competindo em capacidade.
O que eles estão mirando é o Technology Half-life.
O ecossistema de IA tem um ciclo de vida extremamente curto. Hoje todo mundo fala sobre um novo modelo; alguns meses depois, surge um novo framework, um novo agent framework ou uma nova library. O Python sempre fica no centro dessas mudanças.
Enquanto isso, a Execution Stack tem um Technology Half-life muito maior.
Wallet, browser, signing e smart contracts continuam sendo atualizados, mas raramente são substituídos.
É justamente aí que o TypeScript domina.
Isso me fez ver o Newton Vault SDK de outra forma.
Se o Newton Protocol escolhesse Python, eles teriam que viver no mesmo ritmo de mudanças do ecossistema de IA. Toda vez que o mercado se move, o SDK também sofreria pressão para se adaptar.
Mas ao colocar o Vault SDK em TypeScript, o Newton Protocol se prende a uma camada de infraestrutura com um Technology Half-life muito mais longo. A IA pode trocar o “cérebro” continuamente, mas quando a authority é concedida e a transaction é assinada, o workflow ainda retorna ao mesmo ambiente de execução.
Talvez o mais notável no Newton Protocol seja que eles não tentam ficar na camada de tecnologia de inovação mais rápida. Em vez disso, o Vault SDK é apoiado por uma Execution Stack com um Technology Half-life maior.
Quando o ecossistema de IA muda continuamente, @NewtonProtocol não precisa vencer em cada ciclo de IA. Eles só precisam sobreviver a esses ciclos de IA. #Newt $TAIKO $NEWT
Eu tive que exclamar: "Ué, por que não usar Python e escolheram TypeScript?"
Como se o objetivo fosse servir a AI Agents, o Python quase sempre é a escolha mais comum. Ele tem um ecossistema enorme para machine learning, quantitative finance... Do ponto de vista de capacidade, esta parece ser a escolha mais intuitiva.
Mas talvez o Newton Protocol não esteja competindo em capacidade.
O que eles estão mirando é o Technology Half-life.
O ecossistema de IA tem um ciclo de vida extremamente curto. Hoje todo mundo fala sobre um novo modelo; alguns meses depois, surge um novo framework, um novo agent framework ou uma nova library. O Python sempre fica no centro dessas mudanças.
Enquanto isso, a Execution Stack tem um Technology Half-life muito maior.
Wallet, browser, signing e smart contracts continuam sendo atualizados, mas raramente são substituídos.
É justamente aí que o TypeScript domina.
Isso me fez ver o Newton Vault SDK de outra forma.
Se o Newton Protocol escolhesse Python, eles teriam que viver no mesmo ritmo de mudanças do ecossistema de IA. Toda vez que o mercado se move, o SDK também sofreria pressão para se adaptar.
Mas ao colocar o Vault SDK em TypeScript, o Newton Protocol se prende a uma camada de infraestrutura com um Technology Half-life muito mais longo. A IA pode trocar o “cérebro” continuamente, mas quando a authority é concedida e a transaction é assinada, o workflow ainda retorna ao mesmo ambiente de execução.
Talvez o mais notável no Newton Protocol seja que eles não tentam ficar na camada de tecnologia de inovação mais rápida. Em vez disso, o Vault SDK é apoiado por uma Execution Stack com um Technology Half-life maior.
Quando o ecossistema de IA muda continuamente, @NewtonProtocol não precisa vencer em cada ciclo de IA. Eles só precisam sobreviver a esses ciclos de IA. #Newt $TAIKO $NEWT
No começo eu achava que o VaultKit da Newton Protocol era um SDK para os builders criarem vaults mais rápido.
Mas, com o mesmo VaultKit, a Newton Protocol fala de Institutional DeFi, AI Agents e até DeFi Whales. Esses três grupos de usuários quase não têm nada em comum.
Aí eu entendi que o que a Newton Protocol distribui nunca foi “vault”.
São, na verdade, “Constraint Boxes”.
Uma institution precisa de uma Compliance Box. O fluxo de capital ainda roda, mas não pode tocar em endereços sancionados, não pode ultrapassar o approval workflow e também não pode sair do investment mandate.
Um AI Agent precisa de uma Behavior Box. Ele ainda pode negociar, mas todas as ações são limitadas por spending limits, protocolo whitelist e regras predefinidas.
Enquanto isso, um DeFi Whale que deposita em um vault só precisa de uma Trust Box, onde o curator não pode, em silêncio, alterar a strategy ou mover ativos para lugares que não foram previamente comprometidos.
O interessante é que essas três Boxes são completamente diferentes, mas todas resolvem o mesmo problema: limitar a authority sem perder a automação.
Foi aí que eu passei a enxergar o VaultKit de outro jeito.
Em vez de vender uma camada genérica de segurança para todo mundo, a Newton Protocol está empacotando diferentes Constraint Boxes para cada tipo de capital e para cada modelo de delegação. Cada fluxo de capital pode exigir uma strategy diferente, mas no fim tudo precisa funcionar dentro de uma Box desenhada para o nível de authority que o proprietário está disposto a conceder.
Talvez seja isso que torna a Newton Protocol realmente notável. O projeto não tenta criar uma Box que sirva para todo mundo. Em vez disso, <@NewtonProtocol > está construindo uma infraestrutura onde cada tipo de capital pode definir sua própria Constraint Box antes de entrar na economia onchain.
<#Newt $SYN >$NEWT
Mas, com o mesmo VaultKit, a Newton Protocol fala de Institutional DeFi, AI Agents e até DeFi Whales. Esses três grupos de usuários quase não têm nada em comum.
Aí eu entendi que o que a Newton Protocol distribui nunca foi “vault”.
São, na verdade, “Constraint Boxes”.
Uma institution precisa de uma Compliance Box. O fluxo de capital ainda roda, mas não pode tocar em endereços sancionados, não pode ultrapassar o approval workflow e também não pode sair do investment mandate.
Um AI Agent precisa de uma Behavior Box. Ele ainda pode negociar, mas todas as ações são limitadas por spending limits, protocolo whitelist e regras predefinidas.
Enquanto isso, um DeFi Whale que deposita em um vault só precisa de uma Trust Box, onde o curator não pode, em silêncio, alterar a strategy ou mover ativos para lugares que não foram previamente comprometidos.
O interessante é que essas três Boxes são completamente diferentes, mas todas resolvem o mesmo problema: limitar a authority sem perder a automação.
Foi aí que eu passei a enxergar o VaultKit de outro jeito.
Em vez de vender uma camada genérica de segurança para todo mundo, a Newton Protocol está empacotando diferentes Constraint Boxes para cada tipo de capital e para cada modelo de delegação. Cada fluxo de capital pode exigir uma strategy diferente, mas no fim tudo precisa funcionar dentro de uma Box desenhada para o nível de authority que o proprietário está disposto a conceder.
Talvez seja isso que torna a Newton Protocol realmente notável. O projeto não tenta criar uma Box que sirva para todo mundo. Em vez disso, <@NewtonProtocol > está construindo uma infraestrutura onde cada tipo de capital pode definir sua própria Constraint Box antes de entrar na economia onchain.
<#Newt $SYN >$NEWT
No começo, eu pensei que o VaultKit do Newton Protocol tinha sido criado para instituições.
Políticas, controle de risco ou governança são uma linguagem dos fundos, não do varejo.
Depois me perguntei:
"Então, o que o varejo ganha?"
O varejo não escreve política.
Também não administra vaults por conta própria.
Mas quanto mais eu olho para o mecanismo do VaultKit, mais percebo que estou fazendo a pergunta errada.
O ponto que me chamou atenção não está na política.
Está em que toda ação de um curator ou de um AI Agent precisa passar pela política antes de ser executada.
Ou seja, poder de decisão já não é sinônimo de poder fazer qualquer coisa.
Isso cria uma mudança bem interessante.
Antes, quando o varejo depositava dinheiro em um vault, na prática estava confiando no julgamento do curator.
Se o responsável tomasse uma decisão ruim, quase não havia nenhuma camada para impedir isso.
O VaultKit muda o foco da confiança.
"Espere aí..."
"Será que eu não preciso mais confiar em quão bom é o curator?"
Eu só preciso confiar que eles não conseguem ultrapassar os limites definidos previamente.
Esse mecanismo faz a confiança migrar gradualmente de pessoas para restrições.
É exatamente assim que instituições gerenciam capital.
Ninguém recebe poder total.
O poder sempre vem acompanhado de restrições.
A Newton apenas leva essa disciplina para o onchain.
O interessante é que o varejo não precisa se tornar instituição para se beneficiar disso.
Eles ainda depositam dinheiro nos vaults como antes.
A única diferença é que a governança da instituição não fica mais no processo interno dos fundos.
Ela passa a fazer parte do próprio VaultKit.
Esse é, para mim, o mais interessante no VaultKit.
Ele está trazendo Disciplina Institucional ao varejo.
Talvez, o varejo seja justamente o grupo de usuários que o Newton Protocol escolheu para expandir a confiança em vaults onchain. $TAC $NEWT #Newt @NewtonProtocol
Políticas, controle de risco ou governança são uma linguagem dos fundos, não do varejo.
Depois me perguntei:
"Então, o que o varejo ganha?"
O varejo não escreve política.
Também não administra vaults por conta própria.
Mas quanto mais eu olho para o mecanismo do VaultKit, mais percebo que estou fazendo a pergunta errada.
O ponto que me chamou atenção não está na política.
Está em que toda ação de um curator ou de um AI Agent precisa passar pela política antes de ser executada.
Ou seja, poder de decisão já não é sinônimo de poder fazer qualquer coisa.
Isso cria uma mudança bem interessante.
Antes, quando o varejo depositava dinheiro em um vault, na prática estava confiando no julgamento do curator.
Se o responsável tomasse uma decisão ruim, quase não havia nenhuma camada para impedir isso.
O VaultKit muda o foco da confiança.
"Espere aí..."
"Será que eu não preciso mais confiar em quão bom é o curator?"
Eu só preciso confiar que eles não conseguem ultrapassar os limites definidos previamente.
Esse mecanismo faz a confiança migrar gradualmente de pessoas para restrições.
É exatamente assim que instituições gerenciam capital.
Ninguém recebe poder total.
O poder sempre vem acompanhado de restrições.
A Newton apenas leva essa disciplina para o onchain.
O interessante é que o varejo não precisa se tornar instituição para se beneficiar disso.
Eles ainda depositam dinheiro nos vaults como antes.
A única diferença é que a governança da instituição não fica mais no processo interno dos fundos.
Ela passa a fazer parte do próprio VaultKit.
Esse é, para mim, o mais interessante no VaultKit.
Ele está trazendo Disciplina Institucional ao varejo.
Talvez, o varejo seja justamente o grupo de usuários que o Newton Protocol escolheu para expandir a confiança em vaults onchain. $TAC $NEWT #Newt @NewtonProtocol
Quando vejo que o OpenGradient Chat permite comprar Credit usando Cartão de Crédito/Débito, pensei que fosse apenas uma forma de tornar o pagamento mais conveniente para quem não usa cripto.
Mas quanto mais penso, mais vejo que o OpenGradient está abrindo mão de uma vantagem que muitos produtos Web3 ainda possuem.
Imunidade Web3.
Quando o pagamento é feito com cripto, a transação é quase irreversível.
Depois que o dinheiro é enviado, a maior parte da responsabilidade também se encerra na transação.
Cartão de Crédito/Débito funciona com outra lógica.
Ao entrar nesse sistema, o OpenGradient também precisa seguir as regras da infraestrutura de pagamentos tradicional, onde a responsabilidade do comerciante não termina quando o pagamento é concluído.
É nesse momento que percebo que uma transação bem-sucedida não significa mais que um serviço foi realmente concluído.
Credit precisa ser concedido.
A inferência precisa funcionar.
O usuário precisa realmente receber o serviço correto pelo qual pagou.
Esse é o Compromisso em Nível de Serviço do OpenGradient.
O compromisso não termina mais em apenas processar o pagamento.
Ele continua até que o valor seja de fato entregue ao usuário.
E eu acho que esse Compromisso em Nível de Serviço tem um significado bem grande:
Quando @OpenGradient precisa assumir responsabilidade pelo que acontece depois do pagamento, o que eles vendem não é mais apenas capacidade de IA.
Eles também estão vendendo a entrega.
Por mais forte que seja o modelo, isso já não importa tanto se o Credit não for concedido corretamente, se a inferência não rodar de forma estável ou se a experiência do OpenGradient Chat for interrompida.
Naquele momento, a Entrega se torna o Produto.
O botão para pagar com Cartão de Crédito/Débito não só adiciona mais um método de pagamento.
Também mostra que o OpenGradient está se colocando dentro de um padrão em que o valor do OpenGradient Chat não é determinado apenas pelo modelo, mas também pela capacidade real de entregar o que foi prometido.
$TAC #OPG $OPG
Mas quanto mais penso, mais vejo que o OpenGradient está abrindo mão de uma vantagem que muitos produtos Web3 ainda possuem.
Imunidade Web3.
Quando o pagamento é feito com cripto, a transação é quase irreversível.
Depois que o dinheiro é enviado, a maior parte da responsabilidade também se encerra na transação.
Cartão de Crédito/Débito funciona com outra lógica.
Ao entrar nesse sistema, o OpenGradient também precisa seguir as regras da infraestrutura de pagamentos tradicional, onde a responsabilidade do comerciante não termina quando o pagamento é concluído.
É nesse momento que percebo que uma transação bem-sucedida não significa mais que um serviço foi realmente concluído.
Credit precisa ser concedido.
A inferência precisa funcionar.
O usuário precisa realmente receber o serviço correto pelo qual pagou.
Esse é o Compromisso em Nível de Serviço do OpenGradient.
O compromisso não termina mais em apenas processar o pagamento.
Ele continua até que o valor seja de fato entregue ao usuário.
E eu acho que esse Compromisso em Nível de Serviço tem um significado bem grande:
Quando @OpenGradient precisa assumir responsabilidade pelo que acontece depois do pagamento, o que eles vendem não é mais apenas capacidade de IA.
Eles também estão vendendo a entrega.
Por mais forte que seja o modelo, isso já não importa tanto se o Credit não for concedido corretamente, se a inferência não rodar de forma estável ou se a experiência do OpenGradient Chat for interrompida.
Naquele momento, a Entrega se torna o Produto.
O botão para pagar com Cartão de Crédito/Débito não só adiciona mais um método de pagamento.
Também mostra que o OpenGradient está se colocando dentro de um padrão em que o valor do OpenGradient Chat não é determinado apenas pelo modelo, mas também pela capacidade real de entregar o que foi prometido.
$TAC #OPG $OPG
Na semana passada eu jantei com Trinh — uma amiga que trabalha com Web3.
Ela contou que uma equipe acabou de lançar um token e, a primeira coisa que fizeram foi procurar onde inserir o token no app: comprar cotas de uso, habilitar um recurso e receber promoções.
Eu perguntei: “O usuário precisa ter o token ali?”
Ela disse: “Não precisa saber; se o token gerar mais demanda, já está ótimo.”
Essa frase me fez pensar no OpenGradient Chat.
Se observar bem, existe um lugar que poderia facilmente virar uma demanda para o token, mas que não está sendo usado dessa forma.
Isso é o Credit.
O usuário compra Credit com USDC e depois usa Credit no OpenGradient Chat. O fluxo de pagamento é bem direto: stablecoin vira Credit, e Credit vira uso (usage).
Se quiser criar uma nova demanda para o token OPG, o projeto poderia permitir comprar Credit usando token OPG. Assim, o token estaria conectado exatamente onde o usuário realmente toca o produto.
Mas o OpenGradient não escolheu esse caminho.
E, do ponto de vista do usuário, essa decisão é muito mais razoável.
Um usuário de longo prazo do OpenGradient Chat precisa de um custo fixo de entrada. Ele precisa saber quanto vai pagar, quanta quantidade de Credit vai receber e então usar isso no workflow — sem ter de calcular o preço do token.
Se o token OPG estiver na etapa de compra de Credit, o usuário ganha uma tarefa extra: decidir quando comprar e se o preço do token está alto ou baixo...
Ou seja, o projeto até pode criar mais demanda para o token, mas o “custo” disso recai na experiência do usuário.
Isso é User-First Token Discipline.
O OpenGradient não empurra volatilidade, risco de timing e fricção mental para o usuário apenas para expandir a demanda do token.
Eles querem construir a longo prazo, querem que o custo para o OpenGradient Chat seja fácil o bastante de medir, e que isso faça o usuário voltar e usar como um hábito de trabalho.
O ponto que vale observar é: quando <c-1/>$OPG <c-2/> precisar de mais demanda, o OpenGradient ainda vai priorizar a experiência do usuário e manter a User-First Token Discipline? Essa é uma pergunta que eu ainda não tenho resposta.
$VELVET #OPG @OpenGradient
chat.opengradient.ai
Ela contou que uma equipe acabou de lançar um token e, a primeira coisa que fizeram foi procurar onde inserir o token no app: comprar cotas de uso, habilitar um recurso e receber promoções.
Eu perguntei: “O usuário precisa ter o token ali?”
Ela disse: “Não precisa saber; se o token gerar mais demanda, já está ótimo.”
Essa frase me fez pensar no OpenGradient Chat.
Se observar bem, existe um lugar que poderia facilmente virar uma demanda para o token, mas que não está sendo usado dessa forma.
Isso é o Credit.
O usuário compra Credit com USDC e depois usa Credit no OpenGradient Chat. O fluxo de pagamento é bem direto: stablecoin vira Credit, e Credit vira uso (usage).
Se quiser criar uma nova demanda para o token OPG, o projeto poderia permitir comprar Credit usando token OPG. Assim, o token estaria conectado exatamente onde o usuário realmente toca o produto.
Mas o OpenGradient não escolheu esse caminho.
E, do ponto de vista do usuário, essa decisão é muito mais razoável.
Um usuário de longo prazo do OpenGradient Chat precisa de um custo fixo de entrada. Ele precisa saber quanto vai pagar, quanta quantidade de Credit vai receber e então usar isso no workflow — sem ter de calcular o preço do token.
Se o token OPG estiver na etapa de compra de Credit, o usuário ganha uma tarefa extra: decidir quando comprar e se o preço do token está alto ou baixo...
Ou seja, o projeto até pode criar mais demanda para o token, mas o “custo” disso recai na experiência do usuário.
Isso é User-First Token Discipline.
O OpenGradient não empurra volatilidade, risco de timing e fricção mental para o usuário apenas para expandir a demanda do token.
Eles querem construir a longo prazo, querem que o custo para o OpenGradient Chat seja fácil o bastante de medir, e que isso faça o usuário voltar e usar como um hábito de trabalho.
O ponto que vale observar é: quando <c-1/>$OPG <c-2/> precisar de mais demanda, o OpenGradient ainda vai priorizar a experiência do usuário e manter a User-First Token Discipline? Essa é uma pergunta que eu ainda não tenho resposta.
$VELVET #OPG @OpenGradient
chat.opengradient.ai
Na primeira vez que abri o Playground da OpenGradient, fui procurar a função Temperature.
Depois, o Top-P.
Depois, os parâmetros de tuning que já conhecemos.
Mas procurei, procurei… e não encontrei.
Minha primeira reação foi bem simples:
“Faltou mesmo.”
No mundo da IA, já estamos acostumados a que o poder geralmente vem acompanhado de mais controles.
Mais parâmetros.
Mais coisas para ajustar.
Mas pensando melhor, vejo que aquilo que o Playground removeu é bem consistente.
São ferramentas para usuários que querem se aprofundar em como a IA funciona e otimizar a saída de acordo com a própria intenção.
E isso me fez perguntar:
Se o Playground não foi construído para esse grupo de usuários, então ele foi construído para quem?
Talvez a resposta sejam os Web3 Developers.
Uma pessoa que cria um DApp pode ser muito boa com smart contracts, mas nem necessariamente quer aprender sampling, temperature ou tuning strategy só para integrar IA ao produto.
Vendo por esse ângulo, o que está faltando no Playground começa a fazer mais sentido.
A OpenGradient parece estar tentando reduzir a quantidade de conhecimento de IA que o desenvolvedor precisa carregar antes de conseguir usar o modelo.
Escolher o modelo.
Preencher o input.
Receber a saída.
Quanto menos coisas você precisa aprender para começar, mais fácil é levar IA para dentro do produto.
Acho que isso é uma forma de Cognitive Offloading.
A OpenGradient está transferindo parte da carga cognitiva do desenvolvedor para a plataforma.
O interessante é que essa estratégia também abre mão de um grupo de usuários bem importante: os Power Users.
São usuários que querem controlar todos os parâmetros e otimizar cada detalhe.
Mas talvez esse seja o trade-off que @OpenGradient aceita.
Porque se o objetivo é colocar IA em mais DApps, então o Cognitive Offloading pode ser mais importante do que transformar todo Web3 Developer em um AI Engineer.
$VELVET $OPG #opg
chat.opengradient.ai
Depois, o Top-P.
Depois, os parâmetros de tuning que já conhecemos.
Mas procurei, procurei… e não encontrei.
Minha primeira reação foi bem simples:
“Faltou mesmo.”
No mundo da IA, já estamos acostumados a que o poder geralmente vem acompanhado de mais controles.
Mais parâmetros.
Mais coisas para ajustar.
Mas pensando melhor, vejo que aquilo que o Playground removeu é bem consistente.
São ferramentas para usuários que querem se aprofundar em como a IA funciona e otimizar a saída de acordo com a própria intenção.
E isso me fez perguntar:
Se o Playground não foi construído para esse grupo de usuários, então ele foi construído para quem?
Talvez a resposta sejam os Web3 Developers.
Uma pessoa que cria um DApp pode ser muito boa com smart contracts, mas nem necessariamente quer aprender sampling, temperature ou tuning strategy só para integrar IA ao produto.
Vendo por esse ângulo, o que está faltando no Playground começa a fazer mais sentido.
A OpenGradient parece estar tentando reduzir a quantidade de conhecimento de IA que o desenvolvedor precisa carregar antes de conseguir usar o modelo.
Escolher o modelo.
Preencher o input.
Receber a saída.
Quanto menos coisas você precisa aprender para começar, mais fácil é levar IA para dentro do produto.
Acho que isso é uma forma de Cognitive Offloading.
A OpenGradient está transferindo parte da carga cognitiva do desenvolvedor para a plataforma.
O interessante é que essa estratégia também abre mão de um grupo de usuários bem importante: os Power Users.
São usuários que querem controlar todos os parâmetros e otimizar cada detalhe.
Mas talvez esse seja o trade-off que @OpenGradient aceita.
Porque se o objetivo é colocar IA em mais DApps, então o Cognitive Offloading pode ser mais importante do que transformar todo Web3 Developer em um AI Engineer.
$VELVET $OPG #opg
chat.opengradient.ai
Na primeira vez que eu naveguei pelo Model Hub da OpenGradient, eu achei que escolher um modelo seria bem simples.
Bastava encontrar um modelo que atendesse ao caso de uso.
Mas quanto mais eu olhava, mais eu percebia que aquele critério só ajudava a eliminar os modelos que não se encaixavam.
A parte difícil estava nos modelos que sobravam.
Parece que cada modelo ganha em uma variável diferente.
Este é mais forte em capacidade.
Aquele tem uma latência menor.
Outro ainda entrega saídas mais estáveis.
Nenhum modelo vence em tudo.
É quando começam os trade-offs.
Quer mais capacidade?
Talvez você tenha que aceitar uma latência maior.
Quer mais estabilidade na saída?
Talvez tenha que abrir mão de flexibilidade.
Quer respostas mais rápidas?
Talvez tenha que aceitar um modelo menos potente.
No começo eu achava que estava escolhendo entre modelos.
Mas quanto mais eu olhava, mais eu percebia que eu estava tentando equilibrar várias variáveis ao mesmo tempo.
E essa é, na verdade, a parte mais difícil.
Porque, na prática, é muito raro um fluxo de trabalho que precisa otimizar apenas uma coisa.
Capacidade é importante.
Latência também importa.
Estabilidade também.
O problema não é escolher uma variável e deixar as outras de lado.
O problema é encontrar o ponto de equilíbrio adequado entre elas.
Foi então que eu percebi que o que precisa ser entendido antes não é o modelo.
É a própria minha necessidade.
Este workflow realmente precisa de quê?
Quais são os limites que eu consigo aceitar?
Quais são os trade-offs que não dá para aceitar?
Por isso, o valor real do Model Hub não está na quantidade de modelos.
Mas em fazer com que o usuário encare e analise melhor as próprias necessidades.
Porque, quando existem milhares de opções, a pergunta deixa de ser:
“Qual é o melhor modelo?”
E passa a ser:
“Como encontrar um ponto de equilíbrio que combine com este workflow?”
$LAB $OPG #opg @OpenGradient
Bastava encontrar um modelo que atendesse ao caso de uso.
Mas quanto mais eu olhava, mais eu percebia que aquele critério só ajudava a eliminar os modelos que não se encaixavam.
A parte difícil estava nos modelos que sobravam.
Parece que cada modelo ganha em uma variável diferente.
Este é mais forte em capacidade.
Aquele tem uma latência menor.
Outro ainda entrega saídas mais estáveis.
Nenhum modelo vence em tudo.
É quando começam os trade-offs.
Quer mais capacidade?
Talvez você tenha que aceitar uma latência maior.
Quer mais estabilidade na saída?
Talvez tenha que abrir mão de flexibilidade.
Quer respostas mais rápidas?
Talvez tenha que aceitar um modelo menos potente.
No começo eu achava que estava escolhendo entre modelos.
Mas quanto mais eu olhava, mais eu percebia que eu estava tentando equilibrar várias variáveis ao mesmo tempo.
E essa é, na verdade, a parte mais difícil.
Porque, na prática, é muito raro um fluxo de trabalho que precisa otimizar apenas uma coisa.
Capacidade é importante.
Latência também importa.
Estabilidade também.
O problema não é escolher uma variável e deixar as outras de lado.
O problema é encontrar o ponto de equilíbrio adequado entre elas.
Foi então que eu percebi que o que precisa ser entendido antes não é o modelo.
É a própria minha necessidade.
Este workflow realmente precisa de quê?
Quais são os limites que eu consigo aceitar?
Quais são os trade-offs que não dá para aceitar?
Por isso, o valor real do Model Hub não está na quantidade de modelos.
Mas em fazer com que o usuário encare e analise melhor as próprias necessidades.
Porque, quando existem milhares de opções, a pergunta deixa de ser:
“Qual é o melhor modelo?”
E passa a ser:
“Como encontrar um ponto de equilíbrio que combine com este workflow?”
$LAB $OPG #opg @OpenGradient
Inicia sessão para explorar mais conteúdos