CSSZS

Aave 實現自動清算。Newton 在風險累積之前實現權限控制。
當我看 Aave 時，我始終很敬重一點：它的市場邏輯有多麼乾淨。如果抵押品跌幅過大，就會觸發清算。不帶情緒、不靠委員會、也沒有“也許再等等”。規則已經寫進了協議之中。
但這讓我從另一個角度思考了 @NewtonProtocol 。
Aave 的強大發生在資本已經進入借貸市場之後。
而 Newton 更有意思的地方在於：資本甚至還沒產生那種風險之前。
因爲清算並不是第一個風險事件。它通常是最後一次被看見的風險。
在清算之前，總有人做出了對市場的選擇。有人批准了該資產。有人允許了槓桿。有人決定這個金庫或錢包可以承擔這種敞口。
而在許多情況下，先前那些決策仍然由文檔、儀表盤、內部流程，或對某位經理的信任來控制。
這正是 Newton 想要改變的部分。
Newton 的核心要點很簡單，但很重要：其他工具可能會報告已經發生了什麼，而 Newton 會在結算之前檢查交易，並返回帶簽名的通過/失敗證明（attestation）。因此，如果某個金庫想要借得過多、在預言機健康狀況不佳的市場中操作、觸碰了被標記的對手方，或者打破了自身的敞口上限，該行動就可以在資金移動之前被阻止。
這不是一種直接的“ Aave vs Newton”。
AAVE 讓借貸變成可編程的。
NEWT 試圖讓圍繞借貸的權限控制也同樣可編程。
這對“精選的金庫（curated vaults）”尤爲關鍵。一個金庫可以說“我們只使用安全的借貸路徑”，但用戶仍需要相信經理確實遵守這條規則。Newton 可以把這個承諾落實爲跨合規、身份、安全和風險檢查的策略。
Aave 問：
這個倉位是否健康到足以繼續保持開放？
Newton 更早地問：
這個倉位一開始是否就應該被允許開啓？
這就是我的洞察。
當風險變得可見時，DeFi 已經具備自動反應。
下一層則是在風險被創造出來之前實現自動權限控制。
@NewtonProtocol $NEWT $AAVE #Newt

當我第一次看見 $ENA 時，我想到的是資產本身。
USDe，合成美元，加密原生貨幣——它如何在 DeFi 中存在，而不必看起來就像 USDC 或 USDT。
但在思考 @NewtonProtocol 之後，我意識到我問錯了問題。
我一直在追問：
這美元是被什麼支撐的？
但對機構而言，還有一個問題可能同樣重要：
這美元被允許去哪裏移動？
因爲一旦加密美元實現規模化，它就不會只停留在一個地方。它會穿梭於金庫、借貸市場、RWA 產品、支付、金庫錢包，或許未來還會經過 AI 代理。每一次跳轉都會創造新的風險面。
老實說，這部分人們談得還不夠。
一個美元代幣不只是一個餘額。
它會變成一條路徑。
誰觸碰了它？哪個金庫接收了它？哪項策略批准了這次移動？地址是否乾淨？交易是否觸發了某個限制？檢查是在結算前完成，還是隻有在有人注意到之後才完成？
在這裏，NEWT 給人的感覺和 ENA 是完全不同的一層。
Ethena 正在試圖創造一種加密原生的美元資產。
Newton 則在努力讓價值的流動是被授權的、可檢查的，並且在結算之前是可被證明的。
所以我認爲這並不是“誰更好的穩定幣方案”。Newton 並不打算成爲美元。Ethena 也不打算成爲授權網絡。
更好的框架是：
ENA 在問：加密如何創造它自己的美元。
NEWT 在問：當那美元在 DeFi 中移動時，它如何獲得信任。
而當真正的機構進入時，這一點就更重要。
他們不只是需要知道某個資產存在。
他們需要憑據。
不是事後的一張儀表盤。也不是“我們監控了它”。而是證明某一筆特定交易在資金移動之前通過了某一項特定規則。
這也是我最初錯過的洞見。
鏈上美元的未來可能不只是關乎發行。
也可能關乎“記憶”。
每一次移動都需要理由。
而 Newton 正在嘗試把這個理由變得可執行。
@NewtonProtocol $NEWT $ENA #Newt

當我測試一個用於預測市場的代理想法時，我過於專注於一件事：這個代理能找到一筆好交易嗎？更好的提示、更嚴格的成交量篩選、更快的掃描、更清晰的信號。但在某個時刻，我開始回頭看整個流程，感覺有點不對。假如一個代理讀新聞，另一個查看成交量，另一個決定入場，還有另一個負責執行……那麼如果這筆交易失敗了，我又該如何在事後解釋？當真實資金已經損失時，說“代理覺得這是好的”聽起來會很糟。
這就是爲什麼FET和NEWT在我看來非常不同。
Fetch.ai 正在朝着一個世界努力：讓許多代理能夠彼此發現、溝通、協同，並一起完成工作。而這很重要，因爲未來大概率不會是一個超級代理包攬所有事情。可能會是許多更小的代理分工協作：一個拉取數據，一個進行分析，一個路由資金，一個執行。
但代理之間協作得越多，問題就越難。
這不只是：
哪個代理更聰明？
而是：
最終的決定由誰負責？
如果5個代理共同觸及一筆交易，我不只是想知道這筆交易確實發生了。我想知道它通過了什麼規則、是誰驗證的、當時啓用了什麼策略，以及爲什麼它被允許完成結算。
這就是 <a>@NewtonProtocol </a> 帶來不同視角的地方。
Newton 並不是試圖讓代理之間溝通得更好。它是在結算之前加入授權層：先接收一個交易意圖，然後檢查策略，接着網絡返回一個帶簽名的通過/失敗證明。這樣，最終行動就有清晰的憑據：規則已檢查、授權已通過、資金已流轉。
對我來說，這不再只是關於“邊界”了。邊界只能阻止代理去做愚蠢的事。問責則能解釋：爲什麼某個代理最初被允許做那件事。
Fetch.ai 幫助代理經濟運轉。
Newton 幫助代理經濟變得可驗證。
如果未來AI代理管理金庫、支付、RWA或穩定幣，機構不會只問“代理賺了錢嗎？”
那這筆交易爲什麼被允許？
@NewtonProtocol $NEWT $FET #Newt

AI 代理需要邊界，而不只是更好的模型
當我在爲預測市場構建自己的 AI 代理時，我的第一直覺很簡單。
讓它更聰明。
更好的提示，更好的數據源，更好的過濾器，更好的市場掃描，更好的推理。
那時我只關心代理能否找到好機會。
但後來有一個問題開始困擾我：
如果代理對機會是對的，卻在規模上錯了？
或者它找到了一個不錯的交易，但同時開了太多倉位？
又或者它對嘈雜信號反應得太快？
甚至它觸及了一個我從未想讓它接觸的市場？
就在那時我意識到：金融領域的 AI 代理的真正問題不只是“智能”。
而是“許可”。
更好的模型可能減少錯誤，但它並不能規定一次錯誤允許造成的損害有多大。
如果代理控制着一個錢包，鏈條並不關心行動背後的故事。
交易要麼被確認，要麼沒有完成。
這就是 @NewtonProtocol 讓我理解的地方。
牛頓並不是想成爲 AI 代理的大腦。
它想做的是把它包圍起來的邊界。
在代理的交易被結算之前，可以將其意圖與生效的策略進行覈查。每日最高支出。僅批准的協議。沒有被制裁的地址。沒有高風險合約。槓桿不超過上限。不得超出授權的金庫分配。
如果行動違反規則，就不存在有效授權，因此在資金移動之前，交易就可以被拒絕。
這是一種理解“代理式金融”的不同方式。
我們總在問：
我們怎樣讓代理更聰明？
但也許更重要的問題是：
這個代理被允許執行的最糟糕行動是什麼？
Newton 主網 Beta 從金庫開始，但同樣的邏輯也可以擴展到 AI 代理。
金庫管理者需要風險限制。
AI 代理需要執行限制。
因爲沒有邊界的自主性並不等於智能。
它只是用更快的速度，用真實資本犯更大的錯。
@NewtonProtocol $NEWT #Newt

當我把 LINK 和 NEWT 放在一起對比時，我意識到我仍然用同一種無聊的方式看待它們。
基礎設施、集成、數據、安全、合規。
都是真的，但也太泛了。
然後有一件事突然對我起了作用。
也許最有價值的部分不只是網絡本身或預言機。
也許是“策略/政策”本身。
Chainlink ACE 的感覺像是一套完整的合規堆棧，機構可以直接接入：身份、監控、跨鏈工作流、策略工具——全部連接在一起。老實說，這也說得通，因爲 Chainlink 已經在多條鏈上擁有分發、合作伙伴和基礎設施。
但 @NewtonProtocol seems to be making a slightly different bet.
不是僅僅“使用我們的合規系統”。
更像是：
先構建一次策略，然後讓許多應用都能複用它。
比如：某個金庫（vault）有規則——任何市場持倉都不能超過資本的 20%。槓桿必須低於 2.5x。預言機健康度必須正常。風險地址會被阻止。
通常這些規則都被鎖在某一個產品、某一個團隊裏，甚至只能在某個私有看板（dashboard）裏看到。
Newton 正在把這些東西變成可複用的策略模塊，並且可以在結算之前進行檢查。
同樣的邏輯既可以從某個金庫開始，之後再被另一個金庫、一個穩定幣（stablecoin）、某個 RWA 產品，甚至 AI 代理錢包使用。
這時，“策略的互聯網（Internet of Policies）”這個想法對我終於變得有意義。
Newton 從金庫（vault）切入，因爲問題在那裏一目瞭然。管理者已經有風險限制（risk limits），但這些限制往往在鏈下（offchain），碎片化，或者直到出事之後纔會被看見。
Newton 試圖把規則挪到交易路徑（transaction path）本身。
在我看來，這會產生一種不同類型的網絡效應。
Chainlink 可能會因爲更多系統依賴它的數據和合規通道（compliance rails）而增長。
Newton 可能會因爲更多應用複用同一套策略邏輯而增長。
一個網絡連接的是信息。
另一個試圖讓規則變得可移植。
也許這就是人們在看 $NEWT 時正在忽略的那一部分。
這項押注不只是更多的交易。
押注的是：策略本身成爲鏈上基礎設施。
@NewtonProtocol $NEWT $LINK #Newt

政策中最難的部分不是制定規則，而是就“現實”達成一致
在閱讀牛頓的白皮書時，我以爲最難的是把政策本身寫出來。
“當 APY 低於 5% 時阻止該交易”聽起來很直觀。
但我發現了一個更深層的問題：如果有五名操作員在同一時刻查看同一個市場，並看到五個略有不同的 APY，會怎樣？
有人看到 5.12%。
另一個看到 5.04%。
還有一個看到 4.98%。
現在，政策不再是最難的部分了。現實才是。
這很關鍵，因爲在創建 BLS 聚合簽名之前，牛頓的操作員需要在同一個結果上完成簽署。如果每名操作員評估到的都是不同的數據值，那麼他們可能會都正確地遵循政策，卻仍然無法達成一致。
牛頓的答案是一種兩階段的共識流程。
首先，在 Prepare（準備）階段，操作員會通過隔離沙盒的 WASM 提供方，獨立獲取外部數據。這些可能是預言機價格、制裁情報源、風險評分或市場數據。隨後，Gateway 會基於這些輸入計算出一個規範化的數據集，並對數值字段使用基於中位數的共識。
其次，在 Evaluate（評估）階段，每名操作員都會在同一份規範化數據上運行完全相同的 Rego 政策、簽署結果，並且當達到所需的按質押加權的法定人數（quorum）後，聚合器（Aggregator）就會退出。
這種設計改變了我對策略系統的思考方式。
一條規則即使寫得再完美，也可能在網絡無法就輸入達成一致時，產生毫無用處的結果。
對於 DeFi 資金金庫（vaults）而言，這一點至關重要。槓桿上限、APY 閾值，或預言機健康度規則，只有在資本發生流動之前，操作員對市場共享一致的視圖時，才具備可執行性。
真正的創新並不只是“把策略寫成代碼”。
而是把混亂、且對時間高度敏感的外部數據，轉化爲一份可以被智能合約信任的、可驗證的單一決策。
政策中最難的部分不是決定規則。
而是就此刻什麼是真實達成一致。
@NewtonProtocol $NEWT #Newt

在研究 Newton 主網 Beta 時，我打開了幾 個 DeFi 金庫頁面，發現我總是在重複同一套流程。
查看 APY。查看 TVL。查看策展人（curator）。看看資金是如何被部署的。
然後我意識到我從來沒有問過最重要的問題：
從技術上來說，什麼能阻止管理者在之後破壞該策略？
一個金庫可以自稱“低風險”，並承諾有限槓桿、已批准的市場以及分散的敞口。但如果這些限制只存在於文檔或內部儀表盤中，那麼用戶仍然是在信任策展人會遵守。
想象一個 1 億美元（$100M）的金庫：它的策略寫着任何市場都不能拿到超過其資金的 20%。
突然出現了一個新的資金池，提供更高的 APY，而管理者試圖把 3000 萬美元（$30M）分配進去。
這筆交易在鏈上可能完全是合法的。
簽名是正確的。合約運行正常。結算也成功。
但金庫自己的任務（mandate）已經被破壞。
這就是 @NewtonProtocol Mainnet Beta 背後的用例。
在交易完成結算之前，Newton 可以將意圖與正在生效的合規、身份、安全和風險政策進行覈驗。如果分配超出了金庫的限額，運營網絡會返回失敗的證明（failed attestation），並且智能合約會拒絕該操作。
這改變了我對金庫風險的看法。
一個策略解釋管理者打算做什麼。
一部“憲法”規定管理者被允許做什麼。
Newton Vault SDK 能把諸如市場白名單（allowlists）、槓桿上限、交易對手方敞口（counterparty exposure）、預言機健康度（oracle health）、制裁檢查（sanctions checks）以及 APY 閾值等規則，轉換成可被強制執行的條件，而不是口頭承諾。
Newton 並不決定對每個金庫來說什麼纔算“安全”。每個應用都會選擇自己的規則。Newton 提供的是授權層：在資金移動之前對這些規則進行驗證。
Mainnet Beta 從金庫開始，但這個理念可以進一步擴展到穩定幣（stablecoins）、真實世界資產（RWAs）以及 AI 代理（AI agents）。
因爲一旦涉及真實資本，僅有一個好的策略還不夠。
這些規則需要被執行。
@NewtonProtocol $NEWT #Newt

幾年前，我以為 AI 的競賽很簡單：誰做出最好的應用程式，誰就贏。
但現在我不那麼確定了。
每隔幾個月，就會有一個新的模型成為主角。GPT。Claude。Gemini。Seedream。然後又有下一個冒出來，所有人又得跟著移動一次。應用層的感覺很令人興奮，但也不知為何顯得特別脆弱。
真正能撐久的是底層的基礎設施。
這也是為什麼 OpenGradient 讓我覺得有趣。它不像是在押注某個模型會永遠贏。比較像是押注使用者會持續跨越不同模型前進，但每次都仍然需要相同的東西：隱私、可存取性、可驗證性，以及信任。
也許這才是此刻真正正在成形的 AI 堆疊。
模型創造智慧。
應用程式把智慧包裝起來。
基礎設施則決定智慧能否被安全地使用。
老實說，我覺得大家往往低估了最後那一段。
因為如果 AI 成為我們撰寫、建構、設計、研究，以及做決策方式的一部分，那個問題就不只是「哪個應用程式的模型最好？」
而會變成：
「在所有模型之間，我能信任哪種基礎設施？」
這正是 OpenGradient 的做法開始變得有意義的地方。GPT、Claude、Gemini、Seedream，或是之後出現的任何東西……它們都可能改變。但對私密、可驗證的 AI 存取需求不會消失。
應用是暫時的。
基礎設施是永久的。
@OpenGradient $OPG #OPG

有個朋友問了我一個聽起來完全合情合理的問題。
“如果隱私是你的首要考慮，那爲什麼不直接用 Venice 呢？”
說實話，我一時沒想出一個好的回答。
很長一段時間以來，我都覺得所謂“私密 AI”基本上意味着接受更弱的模型。如果你想要 GPT 或 Claude，你就得在某些隱私方面做讓步。如果你想要最大的隱私，你就會選擇開源模型。
這感覺像是一種不可避免的權衡。
後來我花了一段時間，去研究 Venice 和 OpenGradient 是如何用不同方式解決同一個問題的。
Venice 從模型開始。所有東西都放在本地。使用開源模型。隱私來自於儘可能減少對任何其他人的信任。
OpenGradient 則從別的地方入手。假設人們仍然想要前沿模型，比如 GPT、Claude、Gemini，甚至 Seedream 4.0。與其改變模型，不如圍繞它們去改變基礎設施。對請求加密，分離身份，並使用硬件級支持的執行方式，讓隱私不只是一個口頭政策。
目的地相同。
但前提假設完全不同。
這正是我覺得有意思的地方。
一種理念認爲，最安全的 AI 是那種離你最近的。
另一種則認爲，也許你根本不應該一開始就被迫在更好的模型和更好的隱私之間二選一。
我不知道哪種架構會成爲標準。
但感覺這場討論已經轉向了。
我們不再只是在問哪個 AI 更聰明。
我們開始追問：最聰明的 AI 能不能也同樣是那個我們願意信任的。
@OpenGradient $OPG #OPG $VVV

幾天前我在 Pinterest 上看到一張公寓的平面圖，就在想：“不可能吧，AI 能把它變成那種我真的會拿去給客戶看的東西。”
坦白說，我錯了。
我把這張平面圖輸入 Seedream 4.0，補充了幾條關於材質和燈光的提示詞，幾分鐘之內它看起來竟然和真實的室內概念非常接近。讓我印象最深的並不是畫面質量。
而是它的佈局居然能保持一致。
就在那時我意識到，Seedream 4.0 不僅僅是另一個圖像模型。
大多數圖像模型從提示詞開始，然後只能“祈禱效果最好”。而 Seedream 4.0 能原生理解結構信號，比如草圖、平面圖、深度圖、蒙版以及邊緣——不需要依賴像 ControlNet 這類獨立的流水線。
它的感覺更像是在“指揮”AI，而不是讓 AI 去憑空想象。
這就帶來了完全不同的使用場景。
建築師可以在渲染之前先把空間可視化；
室內設計師可以基於粗略的平面圖進行反覆迭代；
UI 設計師也能先草擬一個界面，再逐步演化它，而不是每次都從頭開始。
對我來說，更有意思的是我通過 OpenGradient Image Studio 進行了嘗試。
模型很強，但圍繞它的基礎設施同樣出色。
與其把創作交給另一個平臺，然後希望對方能“負責任地處理”，OpenGradient 更關注在提供對 Seedream 4.0 這類前沿模型訪問能力的同時，保護提示詞和用戶身份。
也許 AI 生成圖像的方向就在這裏。
不是提示詞更大。
而是控制更好。
而且不只是更好的模型。
還包括我們已經在使用的這些模型周邊更完善的基礎設施。
@OpenGradient $OPG #OPG

最好的圖像模型看起來開始出奇地相似了
幾天前我在 GPT Image、Gemini 和 Seedream 4.0 上生成了同一個提示詞。說實話，我原以爲會有一個模型徹底佔據優勢。但沒有。
GPT 很好地遵循了指令。Gemini 對編輯的處理很自然。Seedream 4.0 則讓我意外——它在生成和編輯時的前後一致性非常強。 這不是巧合。字節跳動爲 Seedream 4.0 設計了統一架構，使同一個模型既能創建也能編輯圖像，而不必在不同系統之間切換。
這讓我想到：也許我們正走到這樣一個階段——選擇某個圖像模型不再是最難的決定了。圍繞它選擇基礎設施纔可能更關鍵。
這也是讓我對 OpenGradient Image Studio 感興趣的地方。它並不把用戶鎖死在某一個單一模型上；你可以從同一個地方使用不同的前沿圖像模型，包括 Seedream 4.0，同時通過加密請求並在其到達模型之前分離身份來更重視隱私。
同一個模型。
不同的體驗。
也許下一輪競爭的重點就會轉移。不是誰能做出最好的模型，而是誰能把每個模型用得最好。因爲模型還會持續變化。基礎設施的生命週期要更長。
@OpenGradient $OPG #OPG

幾周前我訂了一家 Airbnb，看起來和附近另一家幾乎一模一樣。 同一座城市。 同樣的面積。 照片也很相似。 區別在於？ 其中一家大約貴了 30%。
說實話，我還是訂了那家更貴的。
不是因爲公寓更好。 而是因爲它有數百條評價、經過驗證的照片，以及多年的預訂歷史。 我多付的錢不是給公寓本身的。 而是給那份確定性。
當我在看 RENDER 和 OpenGradient 時，這個念頭又回來了。
從宏觀層面看，這兩者都連接到同一類資源：GPU 算力。RENDER 在加密領域打造了最大規模之一的去中心化 GPU 市場。 這個思路很直接：把閒置算力連接到有需求的人。模型之所以有效，是因爲對渲染和 AI 的需求持續增長。
但 OpenGradient 似乎在提出一個略有不同的問題。
如果算力不夠呢？ 如果用戶還需要確保計算確實完全按照宣稱的方式發生過呢？
這時，證明層（proof layer）就變得有意思了。TEE 隔離環境（enclaves）保障執行安全。可驗證推理與 zkML 證明會形成證據，證明輸出並不只是被“生成”出來的，而是能夠被驗證。
某種程度上，RENDER 就像是“給 GPU 的 Airbnb”。OpenGradient 則像是“給 GPU 的 Airbnb”，外加一套能夠證明房間裏發生了什麼的系統。
同樣的底層資源。 不同的產品。
也許這就是市場如何演進的方式。 起初，價值來自於“可訪問”。後來，價值來自於“可信”。人們不會爲“已經存在的東西”付溢價。人們爲“可以被驗證的東西”付溢價。
我不確定 AI 基礎設施最終會走到哪裏。但如果智能變得充裕，下一個稀缺資源也許就不再是算力。
可能是確定性。
@OpenGradient $OPG #OPG $RENDER

幾天前，我在關注兩個AI項目時發現了一件有趣的事。這兩個項目最終都與同一件事有關：GPU。但它們所構建的業務卻截然不同。
在大多數加密貨幣的AI週期中，假設似乎是顯而易見的。更多的AI需求意味着對計算的需求增加。更多的計算意味着更多的GPU。更多的GPU意味着更多的收入。這基本上就是Aethir背後的賭注。聚合GPU資源，將其租給企業，並將計算轉變爲市場。
公平地說，這個邏輯是有道理的。AI需要基礎設施。基礎設施需要計算。數字反映了這一現實。
但隨着我深入AI的兔子洞，我開始懷疑計算是否仍然是稀缺資源。
幾個月前，我會花幾天時間構建一個原型。現在，幾條提示就能讓我走得意外之遠。模型變得更便宜了。推理變得更快了。對智能的訪問不斷擴大。
所以，反覆出現的問題不是“我能否獲得AI？”
而是“我能否信任AI給我的結果？”
這就是OpenGradient開始感覺根本不同的地方。Aethir將計算貨幣化。OpenGradient則將驗證貨幣化。一個是在出售生成智能的能力。另一個是在構建驗證智能的基礎設施。
說實話，我並不認爲這真的是關於GPU的辯論。這是一場關於隨着AI成熟價值如何積累的辯論。
在早期階段，計算是稀缺的。後來，當智能變得豐富時，信任可能成爲稀缺資源。一方在押注AI需求會繼續流向硬件。另一方則在押注AI需求最終會流向可驗證性。
我不知道哪個賭注會贏。但歷史有一個有趣的習慣，就是將價值從創造某物的地方轉移到使該物可信的地方。
@OpenGradient $OPG $ATH #OPG