Lishay_Era

كلما نظرت إلى OpenGradient أكثر، قلّ اعتقادي بأن وضع العقد هو مشكلة تغطية.
في البداية، يبدو الأمر بسيطًا: ضع العقد أقرب إلى المستخدمين فتقلّ زمنية الاستجابة.
لكن بنية تحتية للذكاء الاصطناعي لا تعمل بهذه البساطة.
قد تكون العقدة القريبة التي تستخدم نموذجًا باردًا أبطأ من عقدة بعيدة تكون النموذج فيها مُحمّلًا بالفعل وهي “دافئة”. يمكن لشبكة متنوعة جغرافيًا أن تعتمد رغم ذلك على نفس مزوّد السحابة. ويمكن لِمسار منخفض التأخير أن يُخفي تبعية عالية المخاطر.
وهذا ما يجعل وضع العقد أمرًا مثيرًا للاهتمام.
النظام لا يقرر فقط مكان حدوث الحوسبة. بل يقرر أيضًا أين يحدث التنفيذ والتحقق والتخزين والتنسيق—وتلك القرارات تشكّل كلاً من الأداء والمرونة.
التحدي هو أن أهداف التحسين غالبًا ما تسحب في اتجاهات مختلفة.
لا تكون العقدة الأسرع دائمًا هي الأكثر استقلالًا. ولا تكون العقدة الأرخص دائمًا الأكثر موثوقية. ولا تكون العقدة الأقرب دائمًا هي التي يكون لديها النموذج مُحمّلًا بالفعل.
ومع نمو OpenGradient، أظن أن إحدى أهم الإشارات لن تكون مجرد العدد الكلي للعقد.
بل ستكون ما إذا كانت كل عقدة جديدة فعلًا تُقلّل التبعيات المشتركة وتُحسّن ضمانات الثقة التي يختبرها المستخدمون.
قد يبدو الخريطة لامركزية.
والسؤال الأصعب هو ما إذا كان النظام يتصرف على هذا النحو عندما تشتد الحاجة.
@OpenGradient #OPG $OPG $BEAT

جديد: تم مسح 50,000,000,000 دولار من سوق الأسهم الهندي في يوم واحد.

التفاصيل:

1. رئيس الوزراء ناريندرا مودي دعا المواطنين لتوفير الوقود، وتقليل مشتريات الذهب، وتقييد السفر الخارجي في ظل الضغوط المتزايدة على الطاقة المرتبطة بالصراع الأمريكي الإيراني والاضطرابات بالقرب من مضيق هرمز.

2. مع استيراد الهند حوالي 90% من نفطها الخام، تتزايد المخاوف بشأن صدمات العرض، مما قد يدفع حتى إلى احتمال العودة إلى سياسات العمل من المنزل لتقليل استهلاك الوقود.

3. الأسواق تفاعلت بشكل حاد، مما يدل على المخاوف المتزايدة بشأن التأثير الاقتصادي لتفاقم ظروف الطاقة.

#هندي #سوق_الأسهم #oil $BTC

أستمر في العودة إلى سؤال حول @OpenGradient .
الجميع يتحدث عن دقة النموذج.
لكن ماذا لو كانت العقبة الحقيقية ليست الذكاء؟
ماذا لو كانت التنسيق؟
تخيل نموذجين من الذكاء الاصطناعي بقدرات متطابقة.
أحدهما ينتج إجابة.
والآخر ينتج إجابة، ويثبت أين تم تشغيلها، ويتحقق من كيفية توليدها، ويسجل العملية، ويسمح لأي شخص بتدقيقها لاحقًا.
سيقول معظم الناس إنهم كلاهما أنظمة ذكاء اصطناعي.
لست متأكدًا من أنهم كذلك.
أحدهما يقدم المعلومات.
والآخر يقدم المساءلة.
هذا التمييز يبدو صغيرًا اليوم لأن معظم تفاعلات الذكاء الاصطناعي ذات مخاطر منخفضة.
اطلب ملخصاً. أنشئ صورة. اكتب بعض الأكواد.
لا شيء كبير.
لكن مع بدء الذكاء الاصطناعي في التعامل مع القرارات المالية، والعملاء المستقلين، وعمليات البنية التحتية، يتغير السؤال.
التحدي لم يعد:
"هل يمكن للنموذج الإجابة؟"
بل:
"هل يمكن للشبكة إثبات أن الإجابة يجب الوثوق بها؟"
لهذا السبب يبرز تركيز OpenGradient على التنفيذ، والتحقق، والشهادات بالنسبة لي.
طبقة الذكاء تجذب الانتباه.
قد تكون طبقة الثقة هي الشيء الأكثر أهمية.
#OPG #OpenGradient #AI #DePIN #CryptoAI $OPG
لماذا تعمل هذه الزاوية:
تبدأ بفكرة غير تقليدية.
تخلق فضولًا في السطرين الأولين.
تستخدم فقرات قصيرة (للحفاظ على الانتباه بشكل أفضل).
ترتبط OpenGradient بسرد أكبر للذكاء الاصطناعي.
تشجع على الردود لأن الناس سيتناقشون حول ما إذا كان الذكاء أو التحقق هو الأكثر أهمية.
لا تشعر وكأنها نص تسويقي.
لأقصى مدى انتشار CreatorPad، ركز على:
المقايضات الخفية.
سلوك النظام المفاجئ.
أسئلة ليس لديها إجابات واضحة.
رؤى قوية يمكن للناس اقتباسها.
أمثلة:
"بدت الخريطة موزعة. لم يكن رسم الاعتماد كذلك."
"الإجابة الموثقة والإجابة الصحيحة ليستا نفس الشيء."
"قد يكون أصعب مشكلة في الذكاء الاصطناعي إثبات من تثق به، وليس بناء شيء أذكى."
"الفشل في اللامركزية يحدث بهدوء من خلال الاعتمادات المشتركة."
تلك تميل إلى توليد المزيد من النقاش مقارنة بملخصات بسيطة لتكنولوجيا OpenGradient.
#OPG $OPG

كلما استكشفت OpenGradient أكثر، كلما شعرت أنهم يحلون مشكلة لا ينتبه لها معظم الناس بعد.
الجميع يتحدث عن جعل الذكاء الاصطناعي أذكى.
لكن OpenGradient يبدو أنهم أكثر اهتمامًا بجعل الذكاء الاصطناعي قابلاً للتحقق.
وبصراحة، فإن هذا التمييز يبدو مهمًا.
اليوم، نتقبل عادةً مخرجات الذكاء الاصطناعي كما هي. نحصل على إجابة، ربما نتحقق منها مرتين، ثم نواصل.
لكن ماذا يحدث عندما يبدأ الذكاء الاصطناعي في التعامل مع القرارات المالية، أو الوكلاء المستقلين، أو سير العمل التجاري الحرج؟
في تلك اللحظة، "ثق بي" ربما لا تكفي.
ما يبرز لي عن OpenGradient هو تركيزهم على التحقق. من خلال أساليب مثل TEEs وZKML، يبنون بنية تحتية حيث يمكن التحقق من مخرجات الذكاء الاصطناعي بدلاً من مجرد تصديقها.
ربما يكون هذا هو الاتجاه الذي يتحرك فيه الذكاء الاصطناعي حتمًا.
لأنه مع زيادة قوة هذه الأنظمة، قد تصبح القدرة على إثبات كيفية حدوث شيء ما بنفس قيمة النتيجة نفسها.
لهذا السبب تواصل OpenGradient جذب انتباهي.
ليس لأنهم يحاولون بناء أكبر قصة للذكاء الاصطناعي.
لكن لأنهم يبنون حول أحد أصعب الأسئلة في الذكاء الاصطناعي:
كيف نثق فيما لا يمكننا رؤيته؟
@OpenGradient #OPG $OPG

قبل أيام قليلة، لقيت نفسي أعمل شيء يمكن أن أفعله أكثر مما أحب أن أعترف.
سألت ذكاءً اصطناعياً سؤالاً، حصلت على إجابة بدت مقنعة، أومأت برأسي، وانتقلت دون أن أقضي حتى ثانية في التفكير بكيفية وصوله لتلك الاستنتاجات.
كان هذا شعوراً طبيعياً.
ثم أدركت أن هذه هي الطريقة التي يتفاعل بها معظمنا مع الذكاء الاصطناعي الآن.
نحن نحكم على الإجابة. وليس على العملية.
إذا كانت الإجابة تبدو ذكية بما فيه الكفاية، نقبل بها ونستمر في التمرير.
لكن كلما فكرت أكثر في الاتجاه الذي يسير فيه الذكاء الاصطناعي، أصبح ذلك الشعور أغرب.
لأن الذكاء الاصطناعي اليوم يساعدنا بشكل أساسي في الكتابة، والبحث، والعصف الذهني، والتعلم. أشياء مفيدة. مخاطر منخفضة، نسبياً.
ماذا يحدث عندما يبدأ الذكاء الاصطناعي في التعامل مع قرارات لها قيمة فعلية؟
المال.
العقود.
البنية التحتية.
العملاء المستقلون الذين يعملون نيابة عنا.
فجأة "النموذج قال ذلك" لا يبدو مريحاً على الإطلاق.
هذا ما جذبني نحو OpenGradient.
ليس لأنهم يحاولون بناء نموذج أذكى. فهناك الكثير من الفرق التي تسعى لذلك.
ما جذب انتباهي هو تركيزهم على شيء نادراً ما يتحدث عنه الناس حتى تسوء الأمور: التحقق.
هل يمكنك التحقق من كيفية إنتاج نتيجة الذكاء الاصطناعي؟
هل يمكنك تدقيقها؟
هل يمكنك أن تثق بها أكثر من مجرد ثقة عمياء؟
الشيء الذي أجد أنه مثير للاهتمام هو أنهم لا يبدو أنهم يعاملون الثقة كخيار ثنائي. بعض التطبيقات قد تحتاج إلى ضمانات مدعومة بالأجهزة. وأخرى قد تتطلب تحققاً تشفيرياً أقوى. مواقف مختلفة، مستويات مختلفة من الضمان.
وبصراحة، يبدو أن هذا أقرب إلى كيفية عمل العالم الحقيقي.
ليست كل قرار يتطلب معيار إثبات بمستوى قاعة المحكمة.
لكن بالتأكيد بعض القرارات تحتاج لذلك.
كلما جلست مع هذا، كلما اعتقدت أن مستقبل الذكاء الاصطناعي لن يتحدد فقط من قبل من يبني أذكى النماذج.
قد يتشكل من قبل من يبني أنظمة يمكن للناس الوثوق بها فعلاً عندما تكون المخاطر عالية.
لأن الذكاء مثير للإعجاب.
قد يكون التحقق منه أكثر أهمية في النهاية.
@OpenGradient #OPG $OPG

أستمر في العودة إلى سؤال يبدو أنه مُهمل بشكل غريب في الذكاء الاصطناعي.
ليس ما إذا كان الذكاء الاصطناعي يصبح أكثر ذكاءً.
بل ما إذا كان يصبح مسؤولاً.
يبدو أن الفرق صغير في البداية. لكنه ليس كذلك.
معظم الذكاء الاصطناعي اليوم يشعر وكأنه صندوق مغلق. تكتب شيئًا، تنتظر بضع ثوانٍ، تحصل على رد، وتتابع يومك. إذا كانت الإجابة تبدو مقنعة، فإن معظم الناس لا يفكرون مرتين في ما حدث تحت السطح.
بصراحة، كنت أفعل الشيء نفسه.
لكن كلما تعمق الذكاء الاصطناعي في البحث واتخاذ القرار، كلما أصبح نموذج الصندوق الأسود أقل راحة.
في مرحلة ما تتوقف عن السؤال، "هل أعطاني إجابة؟"
تبدأ في السؤال، "هل يمكن لأي شخص التحقق من كيفية إنتاج تلك الإجابة؟"
هذا التحول هو ما جعلني أقضي المزيد من الوقت في النظر إلى OpenGradient.
ما جذب انتباهي لم يكن مجرد ادعاء آخر حول النماذج الأسرع أو مجموعات البيانات الأكبر. لقد سمعنا الكثير من ذلك بالفعل. الجزء المثير للاهتمام كان المحاولة لبناء التحقق مباشرة في البنية التحتية نفسها.
بنية الحوسبة الهجينة للذكاء الاصطناعي تفصل التنفيذ عن التحقق. ببساطة، جزء من الشبكة يتعامل مع عبء العمل الثقيل للذكاء الاصطناعي، بينما تركز طبقة أخرى على إثبات ما حدث.
وأعتقد أن هذه هي النقطة التي تصبح فيها الأمور مثيرة للاهتمام.
لأن الثقة ليست شيئًا واحدًا حقًا.
أحيانًا تحتاج إلى يقين تشفيري.
أحيانًا يكون الأجهزة الموثوقة كافية.
أحيانًا تهم السرعة أكثر من التحقق المثالي.
@OpenGradient لا يبدو أنه يفترض أن كل تطبيق يحتاج إلى نفس الإجابة. بدلاً من ذلك، ينشئ طيفًا من الثقة ويتيح للمستخدمين اختيار المكان الذي يرغبون في الجلوس فيه.
كلما فكرت في الأمر، كلما أصبح هذا يشعر وكأنه المحادثة الكبيرة القادمة في مجال الذكاء الاصطناعي.
على مدى السنوات القليلة الماضية، كان الجميع مهووسين بالقدرات. نماذج أكثر ذكاءً. مخرجات أفضل. معايير أكبر.
هذا عادل.
لكن القدرة بدون مسؤولية تبدأ في الشعور بعدم الاكتمال
ربما حتى تكون محفوفة بالمخاطر
شعوري هو أن الفائزين في الذكاء الاصطناعي في المستقبل لن يكونوا مجرد أنظمة تولد إجابات مثيرة للإعجاب
بل ستكون الأنظمة التي يمكن أن تظهر عملها
والآن، هذا الجزء من النقاش يشعر بأنه مُقلل من قيمته بشكل كبير.
#OPG $OPG

@OpenGradient ومشكلة الثقة التي لم تحلها الذكاء الاصطناعي بعد
أعود دائمًا إلى سؤال واحد عندما أفكر في الذكاء الاصطناعي:
نحن نتقن فعلاً في إنشاء الإجابات...
...لكن هل نتقن إثبات من أين جاءت تلك الإجابات؟
في معظم الأوقات، لا نفكر في ذلك. نكتب شيئًا، يستجيب الذكاء الاصطناعي، وإذا كانت النتيجة تبدو صحيحة، نتحرك للأمام.
بسيط.
لكن نهج "فقط ثق به" يصبح غير مريح عندما يبدأ الذكاء الاصطناعي في لمس أجزاء خطيرة من الحياة. المال. قرارات العمل. وكلاء يتخذون خيارات نيابةً عنا.
في مرحلة ما، لن يكون "قال النموذج ذلك" كافيًا.
هذا ما يجعل @OpenGradient مثيرًا للاهتمام بالنسبة لي.
إنهم لا يحاولون فقط وضع الذكاء الاصطناعي على السلسلة. إنهم يتعاملون مع الجزء الفوضوي تحت السطح: التحقق.
تفصل بنية الحوسبة الهجينة للذكاء الاصطناعي عبء العمل الثقيل عن عملية التحقق من أن العمل تم بشكل صحيح.
وأنا في الواقع أحب هذا النهج لأن الواقع ليس مقاسًا واحدًا يناسب الجميع.
بعض التطبيقات تحتاج إلى الخصوصية.
بعضها يحتاج إلى إثباتات أقوى.
بعضها يحتاج فقط إلى السرعة.
OpenGradient تنشئ مستويات مختلفة من الثقة من خلال TEEs، ZKML، وطرق التحقق الأخرى بدلاً من فرض الجميع في نفس النظام.
هذا يبدو أقرب إلى كيفية اتخاذ البشر للقرارات.
نحن لا نثق في كل شيء بشكل متساوٍ. نحن نعدل مستوى ثقتنا بناءً على الوضع.
من المحتمل أن يعمل الذكاء الاصطناعي بنفس الطريقة.
المستقبل ليس فقط حول نماذج أذكى.
إنه حول نماذج يمكننا تساؤلها، فحصها، والتحقق منها.
لأن الذكاء قوي...
لكن الثقة هي ما يسمح للناس فعلاً باستخدامه.
#OPG $OPG

كلما قضيت وقتًا أطول حول الذكاء الاصطناعي، قل إعجابي بالذكاء الخام فقط.
ربما يبدو هذا غريبًا.
يمكن أن يولد النموذج إجابة في ثوانٍ. رائع. لكن ماذا يحدث بعد ذلك؟ كيف نعرف أن الإجابة جاءت بالفعل من النموذج الذي يدعي استخدامه؟ كيف نتحقق من العملية بدلاً من مجرد الثقة في النتيجة؟
كنت أعود إلى هذا السؤال مؤخرًا، وبصراحة، بدأ يزعجني أكثر مما كنت أتوقع.
معظم الذكاء الاصطناعي اليوم يشعر وكأنه طلب طعام من مطعم بلا نافذة مطبخ. تصل الوجبة. قد تكون لذيذة للغاية. لكن ليس لديك فكرة عما حدث وراء الكواليس.
هذا جزء مما جذبني نحو OpenGradient.
ما يبنون ليس مجرد جعل الذكاء الاصطناعي متاحًا على السلسلة. إنهم يحاولون جعل الذكاء الاصطناعي مسؤولًا.
هيكلهم يفصل بين التنفيذ والتحقق. يقوم الذكاء الاصطناعي بالعمل، لكن النظام يمكنه أيضًا إثبات كيف حدث ذلك العمل. طرق تحقق مختلفة، من TEEs إلى إثباتات ZK، تخلق طيفًا من الثقة بدلاً من مطالبة المستخدمين ببساطة بأخذ كلمة شخص ما.
وكلما فكرت في الأمر، كلما ارتبط أكثر بموضوع كنت أستكشفه من خلال حملة Genius.
غالبًا ما يعامل الناس العبقرية كصفة فردية. مؤسس بارع. باحث بارع. نموذج بارع.
لست مقتنعًا.
العبقرية على نطاق واسع تبدو أكثر مثل التنسيق. تبدو مثل الأنظمة التي تسمح لملايين الغرباء بالتعاون والتحقق والبناء على أعمال بعضهم البعض دون الاعتماد المستمر على الثقة العمياء.
هنا تبدأ أهمية الذكاء الاصطناعي القابل للتحقق.
ليس لأن الذكاء الاصطناعي يحتاج إلى أن يصبح أكثر ذكاءً.
لأن الذكاء، مهما كان قويًا، في النهاية يصطدم بنفس الجدار:
"هل يمكن لأحد إثبات ذلك؟"
ربما تكون突破 القادمة ليست إجابات أفضل.
ربما هي خلق عالم يمكن أن تتحقق فيه الإجابات أخيرًا بنفسها.
هذه مشكلة أقل تألقًا بكثير.
وربما تكون أكثر أهمية.
@OpenGradient #OPG $OPG

الذكاء الاصطناعي صار قوي.
لكن في مشكلة ما حد يتحدث عنها كفاية.
احنا نبني أنظمة تقدر تكتب، وتفكر، وتحلل، وتاخذ قرارات... وفي نفس الوقت نطلب من المستخدمين إنهم يثقوا بالعملية بس.
أنت تكتب شيء.
الذكاء الاصطناعي يرد.
لكن شنو صار خلف الشاشة؟
أي نموذج شغل؟
هل كانت البيانات موثوقة؟
هل تم التلاعب بالنتيجة؟
هل في أحد يقدر يثبت النتيجة؟
حالياً، الكثير من الذكاء الاصطناعي يعمل مثل آلة مغلقة. أنت تشوف الجواب، لكن مو الرحلة.
هذا ممكن يكون مقبول للاستخدام العادي.
لكن المشكلة تصير جدية لما يبدأ الذكاء الاصطناعي يتعامل مع مهام العالم الحقيقي.
الفلوس.
قرارات الأعمال.
الوكلاء المستقلين.
سير العمل الحاسمة.
نظريتي بسيطة:
مستقبل الذكاء الاصطناعي مو بس راح ينفوز بالذكاء لوحده.
راح ينفوز بالذكاء القابل للتحقق.
هنا يجي دور نهج OpenGradient المثير للاهتمام.
بدلاً من السؤال فقط، "هل يمكن للذكاء الاصطناعي توليد إجابة؟"
يسأل:
"هل يمكن للذكاء الاصطناعي إثبات كيف تم إنتاج تلك الإجابة؟"
من خلال فصل التنفيذ عن التحقق، OpenGradient تخلق نظام حيث يمكن فحص مخرجات الذكاء الاصطناعي عبر طبقات مختلفة من الثقة، بما في ذلك TEEs، ZKML، وطرق التحقق الأخرى.
لأن الجيل التالي من الذكاء الاصطناعي مو بس يحتاج يكون ذكي.
يحتاج إيصالات.
عالم حيث الوكلاء يتصرفون باسمنا يحتاج أكثر من نماذج قوية. يحتاج شفافية، ومساءلة، وبنية تحتية نقدر نتحقق منها فعلاً.
المستقبل مو ثقة عمياء.
إنه ذكاء قابل للإثبات.
@OpenGradient #OPG $OPG

كان لدي هذا الإدراك الصغير أثناء استخدامي للذكاء الاصطناعي مؤخرًا.
الإجابات أصبحت أفضل. الأدوات أصبحت أسرع. كل شيء يبدو غير واقعي تقريبًا في بعض الأحيان.
لكنني وجدت نفسي أفكر...
"هل أعرف فعلاً ما الذي يحدث خلف الكواليس؟"
ليس حقًا.
معظم الذكاء الاصطناعي اليوم مثل آلة خلف ستارة. تضع طلبًا، شيء ما يعود، وتثق أن العملية كانت صحيحة.
للمهام البسيطة، ربما يكون ذلك كافيًا.
لكن إذا كان الذكاء الاصطناعي سيصبح جزءًا من أنظمة جدية - المالية، البحث، الأعمال، الوكلاء - سنحتاج إلى أكثر من مجرد إجابات جيدة.
سنحتاج إلى دليل.
هذا ما يجعل OpenGradient مثيرًا للاهتمام بالنسبة لي.
إنه يبني نحو ذكاء اصطناعي حيث يمكن التحقق من النتائج، وليس مجرد قبولها.
تغيير صغير في التفكير، لكنه فرق كبير.
قد لا تكون الحقبة القادمة من الذكاء الاصطناعي مجرد إنشاء نماذج أكثر ذكاءً.
قد تتعلق بإنشاء ذكاء اصطناعي يمكننا الوثوق به فعلاً.
@OpenGradient #OPG $OPG

كلما قضيت وقتًا في تعلم الذكاء الاصطناعي، أدركت شيئًا:
بناء نماذج أذكى هو نصف المعركة فقط.
السؤال الأصعب هو الثقة.
لقد رأينا جميعًا الذكاء الاصطناعي يعطي إجابات بثقة كاملة... ثم تكتشف أن الإجابة كانت خاطئة. (هذا محرج قليلاً، أليس كذلك؟)
هذا جعلني أفكر — إذا كان الذكاء الاصطناعي سيصبح جزءًا من قراراتنا اليومية، والمالية، والأعمال، والحياة الرقمية، نحتاج إلى أكثر من مجرد أنظمة قوية.
نحتاج إلى أنظمة يمكن التحقق منها.
هذا ما يجعل OpenGradient مثيرًا للاهتمام بالنسبة لي.
الهدف ليس فقط إنشاء ذكاء اصطناعي يعمل. بل إنشاء بيئة حيث يمكن التحقق من تنفيذ الذكاء الاصطناعي، حيث يمكن للمستخدمين فهم مستوى الثقة وراء نتيجة ما.
مع مفاهيم مثل TEE، ZKML، الوكلاء القابلين للتحقق، والبنية التحتية للذكاء الاصطناعي اللامركزي، تسعى OpenGradient نحو مستقبل يشعر فيه الذكاء الاصطناعي بأنه أقل غموضًا مثل صندوق أسود وأكثر مثل بنية تحتية موثوقة.
وهذا يتصل بفكرة أكبر أعود إليها دائمًا:
العبقرية لم تكن يومًا مجرد عقل واحد بارع.
أكبر الانفجارات تحدث عندما يمكن للذكاء التنسيق.
الناس. البيانات. الآلات. الأنظمة.
كلها تتحرك معًا.
ربما التطور التالي في الذكاء الاصطناعي ليس فقط جعله أذكى.
ربما هو جعله موثوقًا بما يكفي ليبني عليه الجميع.
@OpenGradient #OPG $OPG

تحديث الإيثيريوم:

$ETH كسر تحت خط الاتجاه الرئيسي الذي كان يعمل كدعم رئيسي على مدى السنوات الأربع الماضية.

في أغسطس 2025، شهدنا إعدادًا مشابهًا عندما كسر السعر فوق مقاومة لعدة سنوات، فقط ليصبح فخًا للثيران.

إذا استعادت الإيثريوم هذه القناة الاتجاهية الكبرى وأكدت حركة العودة داخلها، فقد يشير ذلك أيضًا إلى فخ للدببة.

الأسبوعين القادمين سيكونان مثيرين جدًا.

#الإيثيريوم #crypto $ETH

كنت أتجاهل "الذكاء الاصطناعي اللامركزي" كأنه مجرد تسمية أخرى يضعها الناس على بنية تحتية معقدة بما فيه الكفاية.
OpenGradient جعلني أتوقف قليلاً عن ذلك.
ليس لأنه يبدو فجأة منتهيًا أو أنيقًا - فهو ليس كذلك. ولكن لأن التصميم غير عادي ومتعمد. يقوم بتقسيم الذكاء الاصطناعي إلى جزئين متحركين. التنفيذ يحدث خارج السلسلة على عقد GPU. سريع، فوضوي قليلاً، جداً من جانب "العالم الحقيقي" للحساب. ثم هناك التحقق المتواجد فوق ذلك، باستخدام TEEs وطرق على طراز ZK، تحاول الإجابة على سؤال غير مريح قليلاً: هل هذه المخرجات جاءت بالفعل من ما تدعي أنها جاءت منه؟
وهذا هو الجزء الذي يلتصق.
لأن معظم أنظمة الذكاء الاصطناعي اليوم لا تجعلك تفكر في ذلك على الإطلاق. أنت تطلب، هو يستجيب، وتتابع. تفاعل نظيف. تقريباً نظيف جداً، إذا فكرت في الأمر.
OpenGradient يقطع تلك الراحة. ليس بصوت عالٍ. بل مثل شق صغير في السطح تلاحظه بمجرد وجوده.
لم تعد تحصل على إجابة فقط. تحصل على إجابة بالإضافة إلى نوع من "مسار التدقيق" - غير كامل، لكنه حقيقي بما يكفي ليكون مهمًا.
ونعم... لا يزال الأمر مبكراً. يمكنك أن تشعر بالحواف الخشنة. ولكن الاتجاه؟ من الصعب عدم رؤيته بمجرد أن تلاحظ ذلك.
ثقة أقل عمياء. هيكل أكثر قليلاً. مسؤولية أكثر قليلاً.
ليس ثورة بعد. مجرد نظام بدأ ينمو أسنانًا.
@OpenGradient #OPG $OPG

تدفقات صناديق المؤشرات المتداولة على الإيثريوم لا تزال تتزايد

لقد شهدت صناديق المؤشرات المتداولة على الإيثريوم في الولايات المتحدة خروج تدفقات في 21 من آخر 23 يوم تداول، مع يومين فقط من التدفقات الصافية منذ أوائل مايو.

هذه علامة تحذيرية واضحة بالنسبة لـ #ETH/#BTC والمخاطر البديلة حتى تستقر التدفقات.
$BTC $ETH

في اليوم الآخر كنت أتكلم مع قريب لي بدأ يولي اهتمامًا بالعملات الرقمية ببطء.
ما عنده خلفية تقنية إطلاقًا. بس فضولي.
استمع لفترة، ثم سأل سؤال بسيط جدًا:
"إذا الناس يحتفظون بالبيتكوين لسنوات... ليش بس يظل هناك؟"
هذا السؤال يبدو بسيط، لكن في الحقيقة يشير إلى تحول أكبر.
لفترة طويلة، كان امتلاك العملات الرقمية يعني الاحتفاظ السلبي. كنت تشتري أصل، وتأمنه، وتنتظر. كان هذا هو النموذج بالكامل.
لكن الحين التفكير في تغيّر.
البروتوكولات مثل Bedrock تستكشف اتجاه مختلف من خلال إعادة الاستكشاف السائلة. الفكرة هي أن الأصول مثل BTC و ETH ما تحتاج تكون خاملة بالكامل أثناء الاحتفاظ بها.
مع التمثيلات مثل uniBTC و uniETH، يمكن لهذه الأصول المشاركة في أنظمة مثل Babylon و EigenLayer بينما المستخدم لا يزال محتفظ بالتعرض.
الجزء المثير ليس فقط العائد.
إنه تحول العقلية.
من "امتلك وانتظر" إلى "امتلك وساهم."
وهذا بشكل تدريجي يغير كيف يعرف الناس القيمة في العملات الرقمية.
@Bedrock #Bedrock $BR

أعود دائمًا إلى إحباط بسيط في عالم الكريبتو.
الناس يحبون الحديث عن السيولة. مخططات TVL. الحوافز. "أسواق عميقة." كل ذلك.
رائع. بالتأكيد.
لكن عندما تحاول فعليًا التداول، تشعر أن هناك شيء... غير صحيح. ليس معطلاً بالضبط. فقط ميكانيكي قليلاً، كأن النظام يقوم بالرياضيات بدلاً من التصرف كسوق.
وهذه الفجوة تزعجني أكثر مما يجب.
GeniusFi تجلس مباشرة في تلك الفجوة.
ليس بشكل لامع. لا توجد أجواء "لحظة DeFi الثورية". أكثر مثل افتراض هادئ يتم تحديه:
ماذا لو لم يكن من المفترض أن تكون السيولة سلبية على الإطلاق؟
هذا هو الجزء غير المريح.
لأن معظم AMMs هي أساسًا آلات ضبط وترك. تضع رأس المال، وتأخذ صيغة الأمور، ويتظاهر الجميع أن هذا يعني "صناعة السوق." لكن أي شخص شهد الأسواق الحقيقية يعرف... أنها لا تعني ذلك.
صناع السوق الحقيقيون لا ينامون على المراكز. لا "يقدمون السيولة" ثم يبتعدون. هم يتكيفون باستمرار. يضيقون هنا. ويوسعون هناك. يسحبون المخاطر عندما تصبح الأمور غريبة. ثم يعودون عندما تهدأ الأوضاع.
إنه نشط. فوضوي. إنساني، حتى لو كان مؤتمتًا.
PropAMM تتجه نحو تلك الحقيقة.
نعم، سأكون صريحًا - أحب هذا الاتجاه. ليس لأنه يبدو ذكيًا، ولكن لأنه يشعر بأنه أقرب إلى كيفية تصرف الأسواق بالفعل خارج الكريبتو.
هناك تحول دقيق يحدث هنا قد يفوته الناس إذا كانوا ينظرون فقط إلى الأرقام.
كنا نسأل: كم رأس المال داخل النظام؟
الآن قد يكون السؤال الأفضل: كيف يعمل هذا الرأس المال بالفعل؟
وعندما ترى الأمور بهذه الطريقة، تبدأ السيولة السلبية في الشعور... بالنقص. مثل مسودة مبكرة لما يجب أن تكون عليه السوق.
ربما حتى مسودة مبكرة ضرورية. لكن لا يزال.
هناك شيء مفقود.
و GeniusFi تشير بشكل أساسي إلى تلك القطعة المفقودة دون القيام بخطاب كبير حولها.
والذي، بصراحة، أحترم ذلك.
@GeniusOfficial #genius $GENIUS

كنت أعتقد أن السيولة كانت بسيطة.
كلما زاد رأس المال في المجموعة = تجربة تداول أفضل.
كلما قضيت وقتًا أطول في مراقبة الأسواق، كلما أصبحت أقل اقتناعًا.
لأن السيولة ليست مجرد مقدار رأس المال الموجود. إنها تتعلق بمدى سرعة استجابة ذلك رأس المال عندما تتحرك الأسواق.
هذا ما يجعل أطروحة GeniusFi مثيرة للاهتمام بالنسبة لي.
بدلاً من اعتبار السيولة شيئًا ثابتًا، يركز نموذج PropAMM على تحديث الاقتباسات باستمرار من خلال صانعي السوق النشطين.
يبدو الأمر تقنيًا، لكن النتيجة بسيطة جدًا:
أسعار أفضل. انزلاق أقل. أسواق أكثر كفاءة.
ربما لن تأتي التطورات القادمة في DeFi من تجمعات سيولة أكبر.
ربما ستأتي من سيولة أكثر ذكاءً.
@GeniusOfficial #genius $GENIUS

أتذكر أول مرة حاولت فيها شرح عائد BTC لشخص خارج عالم الكريبتو. استغرقت حوالي 20 ثانية قبل أن يوقفني ويقول: "إذًا ... لا زلت أملكها، أليس كذلك؟ أو لا؟"
ذاك السؤال ظل عالقًا في ذهني أكثر من أي مخطط APY.
لأن هذه هي فعلاً التوترات في كل هذا.
Bedrock تدخل في تلك المنطقة الفوضوية بالضبط. ليست طبقة الضجة - الجزء غير المريح حيث يريد الناس العائد، لكنهم لا يريدون فقدان السيطرة. عادةً ما تجلس BTC و ETH هناك، تقريبًا غير قابلة للمس، مثل أصول خزينة رقمية لا تفعل شيئًا سوى الوجود بأمان. uniBTC و uniETH من Bedrock تغير هذا الوضع قليلاً. نفس الأصول، لكن الآن يمكنها أن تتحرك فعليًا - تشارك في أنظمة إعادة الرهانات مثل Babylon و EigenLayer - دون أن تتحول إلى شيء غير قابل للتعرف عليه.
نعم، وهذا يهم أكثر مما يبدو.
تصميم غير وصائي يبدو كأنه كلمة طنانة حتى تهتم حقًا بما يحدث عندما تسير الأمور بشكل خاطئ. هنا، الملكية لا تتblur لمجرد دخول العائد في الصورة. هذه الفجوة هي... بصراحة، غير مقدرة في سوق يحب أن يتداول الولاية بهدوء من أجل العوائد.
Bedrock 2.0 يبدو كأنه يدفع بهذه الفكرة إلى الأمام، لكن بطريقة أقل بريقًا مما يتوقعه الناس. ليس "عائد أكثر"، وليس "سرد جديد". أكثر مثل شد البراغي التي كانت بالفعل مرتخية. جعل سلوك سيولة BTC و ETH أقل تشتيتًا عبر البروتوكولات وأكثر شيئًا متماسكًا. أقل تجزئة، المزيد من التدفق. على الأقل من الناحية النظرية.
ما أعود إليه دائمًا هو هذا: الكريبتو ليس لديه حقًا مشكلة عائد. لديه مشكلة تنسيق.
و Bedrock 2.0 تحاول أساسًا جعل تلك الأجزاء المتحركة تتوقف عن محاربة بعضها البعض.
هل تحل كل شيء؟ ربما لا. لكنها واحدة من تلك التصاميم التي يمكنك أن تشعر فيها بالاتجاه - مثل أن النظام يتعلم ببطء كيفية التعامل مع رأس المال كشيء نشط، وليس مجرد موقف.
@Bedrock #Bedrock $BR

قبل عدة أشهر، قمت بصفقة بدت مثالية على الورق.
كان السوق يبدو سائلًا. كانت المجموعة عميقة. كل شيء يوحي بأن الصفقة يجب أن تتم بسلاسة.
ثم تمت المعاملة.
السعر الذي حصلت عليه كان مختلفًا بشكل ملحوظ عن السعر الذي توقعت.
لم يكن هناك شيء معطل.
كانت السيولة موجودة.
لكن تلك التجربة جعلتني أدرك شيئًا مهمًا:
السيولة والتنفيذ ليسا نفس الشيء.
منذ ذلك الحين، أصبحت مهتمًا بشكل متزايد بكيفية عمل أسواق الكريبتو تحت السطح.
هذا أحد الأسباب التي جعلت GeniusFi تثير انتباهي.
معظم المناقشات حول DeFi تركز على جذب المزيد من السيولة.
المزيد من TVL. المزيد من رأس المال. المزيد من المجمعات.
لكن GeniusFi تتناول المشكلة من زاوية مختلفة.
بدلاً من السؤال، "كيف نحصل على المزيد من السيولة؟" تسأل:
"كيف نجعل السيولة تستجيب بشكل أفضل؟"
الفكرة وراء نموذج PropAMM بسيطة بشكل مدهش.
AMMs التقليدية غالبًا ما تكون سلبية. السيولة تجلس في المجمعات في انتظار وصول الصفقات.
GeniusFi تقدم نموذجًا حيث يقوم صناع السوق المحترفون بتحديث الأسعار بشكل نشط بناءً على تغييرات ظروف السوق.
بعبارات بسيطة:
AMMs التقليدية تخزن السيولة.
PropAMMs تعدل السيولة.
قد يبدو هذا التمييز تقنيًا، لكن الآثار سهلة الفهم.
مجموعة عميقة لا تضمن تلقائيًا صفقة جيدة.
ما يهم هو ما إذا كانت الأسعار تظل دقيقة عندما تتحرك الأسواق.
هنا تصبح مفاهيم مثل تحديث الأسعار مهمة.
سعر كان دقيقًا منذ لحظات يمكن أن يكون قديمًا بالفعل أثناء التقلب.
إذا كانت السيولة يمكن أن تتكيف باستمرار، قد يختبر المتداولون فرق أسعار ضيق، وانزلاق أقل، وتنفيذ أفضل بشكل عام.
شخصيًا، أعتقد أن هذا يشير إلى تحول أكبر يحدث عبر DeFi.
لسنوات، كانت الصناعة تقيس النجاح بناءً على مقدار رأس المال المحتجز داخل البروتوكولات.
الآن بدأت أعتقد أن مقياسًا أفضل قد يكون مدى فعالية ذلك رأس المال في خدمة المستخدمين.
لأن المتداولين لا يتفاعلون مع TVL.
إنهم يتفاعلون مع التنفيذ.
@GeniusOfficial #genius $GENIUS