FOLL0W

$TAC Saya membaca banyak whitepaper infrastruktur, dan setelah beberapa saat, semuanya mulai terdengar hampir identik. Semua orang menjanjikan performa yang lebih baik, biaya yang lebih rendah, atau terobosan lain untuk skalabilitas.

Newton membuat saya berpikir tentang sesuatu yang sama sekali berbeda.

Daripada bertanya,
"Bagaimana cara kita memproses lebih banyak transaksi?"
itu bertanya,
"Haruskah setiap transaksi diizinkan terjadi sejak awal?"

Semakin saya memikirkannya, semakin masuk akal.

Saat ini, sebagian besar pemeriksaan terkait kripto terjadi di luar blockchain.
Anda menyelesaikan KYC saat mendaftar. Alat pemantau risiko memonitor wallet.
Tim kepatuhan meninjau aktivitas kemudian.
Namun ketika sebuah transaksi mengarah ke smart contract, sering kali tidak ada banyak penghalang di depannya.

Newton Protocol mengambil pendekatan yang berbeda. Ia menambahkan langkah otorisasi sebelum eksekusi. Aplikasi dapat menentukan kebijakan mereka sendiri, jaringan mengevaluasinya, lalu hasilnya dikembalikan sebagai sesuatu yang dapat diverifikasi oleh smart contract.
Itu terasa tidak seperti sekadar alat kepatuhan lain, melainkan seperti potongan infrastruktur yang hilang.

Yang paling menarik perhatian saya adalah arsitektur ini tidak bergantung pada satu fitur saja. Privasi, kebijakan yang dapat diprogram, operator yang terdesentralisasi, dan attestation kriptografis semuanya mendukung tujuan yang sama—bukan saling berebut perhatian. Rasanya seperti sistem di mana setiap bagian punya alasan untuk ada.

Tentu saja, desain yang bagus di atas kertas tidak menjamin keberhasilan. Uji nyata adalah apakah para pengembang memilih untuk membangunnya, dan apakah aplikasi-aplikasi nyata bergantung padanya setiap hari.

Saya lebih tertarik melihat cerita itu terungkap daripada mengamati pergerakan harga jangka pendek.
@NewtonProtocol #Newt $NEWT
$US

Sesuatu bergeser dalam diri saya saat membaca dokumentasi @NewtonProtocol minggu lalu, dan saya masih belum yakin benar apa yang harus saya lakukan dengan itu.
Saya sempat memikirkan lapisan otorisasi Newton sebagai mekanisme pembatasan. Sebuah mesin kebijakan yang berada di antara sebuah transaksi dan rantai, memutuskan apa yang lolos dan apa yang tidak. Semacam gerbang yang canggih.
Lalu saya mulai membaca langsung contoh penggunaan yang sebenarnya dengan lebih saksama.
Aset dunia nyata yang ditokenisasi. DeFi institusional. Penjaminan kredit onchain. Agen AI yang mengelola posisi treasury. Setiap satu dari semuanya tidak terhalang oleh apa yang tidak bisa dilakukan blockchain secara teknis. Mereka terhalang oleh tidak adanya infrastruktur yang membuktikan — secara terverifikasi, secara kriptografis — bahwa pemeriksaan yang tepat sudah terjadi sebelum eksekusi.
Kontrak pintar bisa menyelesaikan transfer obligasi yang ditokenisasi dengan baik. Yang tidak bisa dilakukannya sendiri adalah membuktikan kepada regulator bahwa pembeli adalah investor terakreditasi, tanpa menempelkan data identitas investor tersebut ke buku besar publik agar semua orang bisa memeriksanya secara permanen.
Itu bukan pembatasan yang ditambahkan Newton.
Itu fondasi yang membuat transaksi itu bisa terjadi sejak awal.
Saya masih berusaha mencari apakah cara pandang ulang ini benar-benar penting bagi cara Anda memikirkan arah (trajectory) Newton, atau apakah ini hanya cara yang lebih rapi untuk menggambarkan infrastruktur yang sama. Tapi ada sesuatu di situ.
Rel paling penting dalam setiap sistem keuangan biasanya tidak terlihat sampai saat rel itu jelas-jelas hilang.
Mungkin pertanyaan yang layak untuk direnungkan bukan apakah mesin kebijakan Protokol Newton terlalu ketat. Mungkin pertanyaannya adalah apakah hal-hal yang membutuhkan jenis infrastruktur ini akan tiba sebelum waktunya habis.
Itu pertanyaan yang jauh lebih sulit. Dan saya sungguh belum tahu jawabannya.
#Newt $NEWT #NEWT

@NewtonProtocol #Newt $NEWT Dulu saya mengira transaksi kripto otomatis “aman” hanya karena ada di blockchain.
Tapi semakin saya memperhatikannya, semakin terasa ada yang janggal.
Kebanyakan transaksi sebenarnya tidak memeriksa apa pun sebelum berjalan.
Kalau Anda menandatanganinya, itu langsung dieksekusi.
Itu saja yang benar-benar penting.
Tidak ada logika bawaan yang menanyakan apakah tindakannya masuk akal.
Tidak ada sistem yang memverifikasi niat.
Tidak ada batasan tentang apa yang diizinkan dilakukan oleh transaksi tersebut.
Dan itu mengarah pada beberapa realitas yang membuat tidak nyaman.
Dompet yang terkompromi tetap bisa mengirim transaksi yang sepenuhnya valid.
Agen AI bisa memindahkan dana dengan cara yang tidak Anda perkirakan.
Uang bisa bergerak ke seluruh dunia tanpa cara bawaan untuk membuktikan keabsahan.
Jadi meskipun semuanya secara teknis “tanpa kepercayaan,”
tetap saja tidak benar-benar dikendalikan.
Kita sudah mengoptimalkan kecepatan eksekusi.
Tapi kita belum mengoptimalkan pengambilan keputusan.
Itulah mengapa saya melihat Newton Protocol ($NEWT ) dengan cara yang berbeda.
Ini bukan berusaha membuat transaksi lebih cepat.
Ini justru mengajukan pertanyaan yang lebih penting.
Bagaimana jika setiap transaksi harus melewati aturan sebelum dieksekusi?
Bukan secara manual. Bukan di luar rantai.
Tapi tertanam di dalam sistem itu sendiri.
Saya mulai berpikir kripto mungkin kehilangan lapisan keputusan.
Saya penasaran, menurut Anda bagaimana? Apakah itu dibutuhkan… atau malah bertentangan dengan apa yang diusung kripto?

Pengungkapan: Kerja Sama Berbayar dengan @NewtonProtocol
Sebuah biaya lima tahun lalu. Saya mengira kepatuhan dalam kripto sebagian besar adalah masalah sisi depan (frontend). Jika sebuah wallet atau dApp memblokir sebuah alamat, saya beranggapan transaksi tersebut tidak bisa terjadi.
Lalu saya menyadari sesuatu yang penting: smart contract tidak tahu apa yang diketahui situs web.
Sebuah frontend bisa menyembunyikan tombol "Swap" atau menolak wallet Anda, tetapi jika seseorang berinteraksi langsung dengan kontraknya, pembatasan antarmuka tersebut hilang kecuali kontrak itu sendiri yang menegakkannya.
Ini masalah yang lebih besar daripada yang terdengar, terutama saat agen AI dan strategi otomatis menjadi semakin umum.
Di sinilah Newton Protocol menarik perhatian saya. Alih-alih bergantung pada situs web untuk menentukan siapa yang bisa melakukan apa, ia memperkenalkan lapisan otorisasi yang mengevaluasi kebijakan sebelum sebuah transaksi dieksekusi. Penegakan bergeser lebih dekat ke transaksi itu sendiri, bukan ke antarmukanya.
Bagi saya, ini perubahan kecil tapi berarti. Saat keuangan onchain menjadi makin otomatis, kepercayaan tidak seharusnya bergantung pada frontend yang digunakan seseorang—kepercayaan itu harus terbawa bersama transaksi.
Penasaran melihat bagaimana model ini berkembang saat Mainnet Beta #Newt bertumbuh.

$NEWT $NEWT

@OpenGradient Saya dulu melacak token AI seperti cara saya melacak perdagangan momentum—menyebutkan AI, market cap bergerak, saya lihat chartnya, lalu lanjut. Itu berhasil untuk sekitar beberapa tahun. Tapi sekarang tidak lagi, dan saya pikir alasannya karena saya mulai menyadari betapa banyak token tersebut sebenarnya tidak pernah menjawab pertanyaan "apa yang memungkinkan oleh token ini yang sebelumnya tidak mungkin."
Kesenjangan itulah yang mengganggu saya. AI dan kripto cepat sekali dijadikan satu paket, terutama lewat narasi—ada agen di sini, bungkus chatbot di sana, dan sebuah ticker yang bilang "AI" di namanya. Hampir semuanya tidak menyentuh masalah nyata yang dihadapi AI: Anda tidak bisa melihat ke dalam model, dan Anda tidak bisa membuktikan bahwa outputnya tidak dimanipulasi atau ditukar dengan sesuatu yang lebih murah setelahnya.
OpenGradient adalah proyek pertama di kategori ini yang membuat saya berhenti bertanya "ini hanya ikut-ikutan narasi" dengan cukup cepat. Premisnya hampir biasa saja di atas kertas—setiap panggilan inferensi mendapat bukti yang dilampirkan, baik bukti zkML atau attestation TEE, sebelum dipastikan. $OPG adalah yang membayar panggilan itu, yang menjadi penghasilan operator node karena menjalankannya, dan yang mengatur hardware serta parameter mana yang dipercaya oleh jaringan. Bukan sekadar paparan ke AI. Ini adalah meter yang berjalan di bawah komputasi AI yang terverifikasi. #OPG
Ini mengingatkan saya pada bagaimana komputasi cloud tidak langsung dipercaya oleh perusahaan sampai ada logging, audit, dan SLA—bagian tersulitnya bukan komputasinya, melainkan akuntabilitas. Inferensi AI onchain tampaknya menabrak dinding yang sama sekarang, hanya saja lebih cepat.
Saya masih belum yakin seberapa besar volume OpenGradient saat ini adalah penggunaan dibanding spekulasi yang mengejar listing. Mungkin sebagian besar yang kedua, di tahap awal seperti ini.
Mungkin pertanyaannya bukan token AI tren berikutnya. Mungkin pertanyaannya adalah token mana yang masih punya pekerjaan untuk diselesaikan setelah tren berpindah.

#OPG Saya sedang memikirkan ini 🤔 kemarin saat membandingkan hasil dari dua model AI berbeda pada prompt yang sama. Keduanya memberi saya jawaban yang berbeda.

Tidak satu pun menjelaskan bagaimana mereka sampai ke sana.

Itu celah yang "OpEngradient" sedang bangun — bukan model mana yang paling pintar, melainkan apakah Anda bisa membuktikan apa yang dijalankan dan bagaimana.

Yang menarik perhatian saya adalah mereka tidak hanya memilih satu metode verifikasi lalu menganggapnya selesai.

Ada spektrum, tergantung kebutuhan situasinya.

Untuk inferensi LLM sehari-hari yang kecepatan itu penting, eksekusi yang terisolasi secara hardware di dalam AWS Nitro Enclaves yang bekerja.

Enclave menghasilkan attestation yang membuktikan kode yang tepat dijalankan tanpa manipulasi.

Overhead-nya bisa dibilang tidak berarti.

Ini sudah berjalan pada skala saat ini.

Untuk output yang risikonya lebih tinggi—di mana kepastian matematis lebih penting daripada throughput—bukti zero-knowledge mengambil alih.

Bukti kriptografis bahwa model tertentu menghasilkan hasil tertentu dari input yang spesifik — tanpa perlu mempercayai perangkat keras, tanpa pihak ketiga yang harus Anda percaya.

Hanya saja biayanya nyata.

Di suatu tempat antara 1000 sampai 10000 kali lebih lambat daripada inferensi langsung, sehingga untuk saat ini tidak cocok untuk model besar.

Bagian yang paling melekat pada saya adalah bahwa kedua metode itu bisa dicampur dalam satu operasi.

Hardware attestation untuk satu lapisan.

Zero-knowledge proof untuk lapisan lainnya.

Disesuaikan dengan seberapa besar risiko yang ada pada langkah tertentu, bukan diterapkan secara seragam ke semuanya.

Kebanyakan proyek infrastruktur yang pernah saya lihat memaksa Anda menerima asumsi kepercayaan mereka.

OpenGradient memberi Anda pilihan seberapa banyak bukti yang benar-benar Anda butuhkan.

Apakah fleksibilitas itu akan tetap bertahan saat jaringan berkembang, jujur saja, masih belum pasti bagi saya.

@OpenGradient $OPG

Baru-baru ini, saya sedang memikirkan sesuatu yang diam-diam mengganggu saya selama berbulan-bulan.

Kebanyakan alat AI memaksa pengambilan keputusan model sejak awal. Pilih satu. Mulai. Begitu sebuah percakapan sudah cukup dalam untuk berarti, beralih berarti memulai lagi—konteks hilang,
penalaran lenyap,
kembali ke keadaan kosong.

Di situlah <@OpenGradient Chat> menarik perhatian saya dengan cara yang tidak saya duga.

Bagian yang menarik bukanlah akses ke enam model di satu tempat. Melainkan percakapan tidak direset saat Anda berpindah di antara model-model tersebut.

Ada beberapa hal yang tetap ada di benak saya saat menggunakan ini, yaitu bahwa
1. ChatGPT,
2. Claude,
3. Gemini,
4. Grok,
5. ByteDance Seed, dan
6. Nous Hermes,
semuanya berjalan di dalam thread yang sama. Ganti model di tengah sesi, dan penalaran apa pun yang sudah dibangun sebelumnya akan terus berlanjut. Yang berubah adalah modelnya. Yang tidak berubah adalah konteksnya.

dan juga, yang saya anggap penting untuk dicatat adalah bahwa keenam model ini berjalan melalui lapisan privasi yang sama—enkripsi tingkat perangkat sebelum apa pun keluar dari browser, relay HTTP yang tidak mengetahui apa-apa yang memisahkan identitas dari konten, serta gateway yang terisolasi TEE yang bahkan operatornya sendiri tidak bisa akses.

Menurut pandangan saya, <@OpenGradient is> sedang membangun sesuatu yang lebih spesifik daripada sekadar pengumpul model. Sebuah workspace di mana pilihan model menjadi keputusan yang Anda buat di tengah tugas, bukan komitmen yang Anda buat sebelum tugas dimulai.

Namun, komprominya nyata. Infrastruktur yang terverifikasi privasinya dan berjalan di enam penyedia frontier menambah beban koordinasi yang tidak pernah perlu ditanggung oleh satu panggilan API langsung. Apakah beban itu sepadan sepenuhnya bergantung pada seberapa besar Anda peduli dengan apa yang terjadi pada percakapan setelah Anda menutup tab.

chat.opengradient.ai

@OpenGradient $OPG #OPG

Saya rasa masalah tersulit bagi OpenGradient bukanlah arsitekturnya. Arsitekturnya benar-benar menarik. Masalah yang lebih sulit adalah bahwa saya membuka ChatGPT di tab lain saat membaca tentangnya.

Itu bukan kritik. Itu adalah hambatan adopsi yang nyata.

Kebanyakan orang di ranah ini menilai proyek AI kripto dari kualitas teknologinya. Apakah verifikasinya bekerja? Apakah lapisan privasinya nyata? Pertanyaan-pertanyaan itu penting. Tetapi pertanyaan-pertanyaan itu tidak menentukan apakah seseorang mengganti tab AI yang dibukanya di pagi hari. Kebiasaan adalah hambatan yang sepenuhnya berbeda dari kemampuan.

Saya sudah mencoba mengubah alat AI default saya tiga kali dalam setahun terakhir. Setiap kali saya akhirnya kembali lagi ke yang sudah saya rasa nyaman. Bukan karena pilihannya lebih buruk—kadang malah lebih baik—tapi karena biaya untuk mengganti dengan membangun ulang workflow dan pola prompting itu nyata, dan kebanyakan orang tidak melakukannya tanpa alasan yang benar-benar kuat untuk memulai.

Hal yang menurut saya benar-benar menarik tentang struktur airdrop S2 OPG adalah bahwa struktur itu menciptakan alasan tersebut. Kelayakan terikat langsung pada pembelian dan penggunaan kredit di OpenGradient Chat—bukan sekadar memegang wallet, bukan menjembatani likuiditas, bukan farming snapshot. Penggunaan yang benar-benar terjadi. Itu sinyal yang dapat diukur untuk melihat apakah perubahan kebiasaan memang sedang berlangsung.

Kebanyakan metrik adopsi di kripto bisa dimanipulasi. Konsumsi kredit pada sebuah produk yang harus Anda buka dan gunakan secara aktif jauh lebih sulit untuk dipalsukan.

Menurut pandangan saya, struktur airdrop S2 lebih tentang apakah OpenGradient bisa menunjukkan perubahan perilaku yang nyata dalam skala besar, bukan semata-mata tentang distribusi token OPG.

Itulah variabel yang saya pantau.
Bukan TVL.
Bukan jumlah wallet.

@OpenGradient $OPG #OPG
Menurutmu menurutmu apa yang benar-benar mengubah perilaku pengguna...?

Kebanyakan arsitektur blockchain yang pernah saya lihat memperlakukan kecepatan dan kepercayaan sebagai pengaturan yang Anda putar ke satu arah atau yang lain.
Mengejar finalitas yang lebih cepat berarti Anda mengorbankan sedikit desentralisasi.
Mengejar verifikasi yang lebih kuat, latensi meningkat.
Itulah ketegangan yang sudah dianggap wajar selama bertahun-tahun.
Saat saya mulai menggali pendekatan OpenGradient, saya menyadari HACA dibangun di atas asumsi yang sama sekali berbeda — bahwa kecepatan dan kepercayaan tidak harus hidup pada timeline yang sama.
Ya, cara pandang ulang itu mengubah semuanya secara struktural.
Alasan blockchain tradisional kesulitan dengan inferensi AI bukan masalah performa. Itu masalah arsitektur.
Menjalankan LLM berparameter 70 miliar sekali per validator — yang merupakan cara kerja konsensus re-eksekusi — biayanya 100x lebih besar tanpa nilai tambah apa pun.
Dan karena LLM dengan temperature di atas nol menghasilkan keluaran yang berbeda di berbagai perangkat keras, validator bahkan tidak bisa membandingkan hasil secara langsung.
Model ini pada dasarnya tidak cocok dengan cara konsensus standar beroperasi.
Satu hal yang tetap melekat pada saya saat melihat bagaimana HACA menyelesaikan ini adalah bahwa ia memisahkan eksekusi dan verifikasi ke timeline yang sepenuhnya independen.
Node inferensi GPU menangani eksekusi dan mengembalikan hasil ke pengguna dalam milidetik.
Lalu full node pada perangkat keras kelas komersial memverifikasi asinkron di latar belakang bukti TEE attestation atau proof ZKML.
Komputasi yang mahal tidak pernah menyentuh jalur konsensus yang kritis.
Dan yang berarti ini secara praktis adalah bahwa menambah jumlah node inferensi meningkatkan throughput secara linear tanpa menyentuh lapisan verifikasi.
Skalasi pada satu sumbu tidak mengorbankan yang lain.
Jadi menurut saya @OpenGradient sedang menyelesaikan masalah yang belum diakui oleh sebagian besar proyek AI terdesentralisasi — bahwa memasukkan inferensi ke dalam konsensus bukan sekadar tidak efisien, melainkan secara arsitektural rusak untuk model yang tidak deterministik.
Tukarannya adalah kompleksitas koordinasi.
Jenis node khusus memerlukan overhead pendaftaran, routing, dan sinkronisasi yang tidak pernah harus dikelola oleh himpunan validator yang homogen.
Sistem yang lebih sederhana akan selalu lebih mudah dioperasikan dibanding sistem ini.
@OpenGradient $OPG #OPG

Ketika pertama kali saya mulai berpikir tentang AI dalam kontrak pintar, saya menganggap pengaturannya selalu akan menjadi proses dua langkah. Model berjalan di suatu tempat eksternal. Hasilnya dipublikasikan di on-chain. Kontrak membacanya. Pola oracle standar.
Setelah melihat bagaimana @OpenGradient menangani ini dengan NeuroML, saya menyadari bahwa langkah oracle sebenarnya sekarang opsional.
Ya, itu bagian yang layak untuk dipikirkan.
Pola oracle memiliki masalah waktu yang paling pengembang terima dengan diam-diam. Prediksi AI dan transaksi yang bertindak atasnya adalah dua peristiwa terpisah. Di antara peristiwa-peristiwa itu, harga bergerak, kondisi berubah, dan kesenjangan antara saat kecerdasan dihasilkan dan saat modal bertindak atasnya diam-diam menghabiskan uang. Saya telah melihat ini terjadi dalam strategi saya sendiri lebih dari sekali.
Beberapa hal yang selalu terlintas dalam pikiran saya saat melihat ini adalah bahwa NeuroML memungkinkan inferensi model ML dipanggil secara native dari kontrak pintar Solidity melalui precompiles — tidak ada panggilan API eksternal, tidak ada perjalanan roundtrip off-chain. Mesin PIPE mengirimkan permintaan inferensi langsung dari mempool, menghitung hasil secara paralel, dan menyertakannya secara atomik dalam transaksi yang sama saat blok ditutup. $LUMIA
dan apa yang dihilangkan adalah asumsi arsitektural yang sebagian besar aplikasi AI on-chain masih dibangun di atasnya. Prediksi tidak datang sebelum transaksi. Itu adalah bagian dari transaksi.
Menurut pandangan saya, @OpenGradient berusaha untuk mengubah apa itu kontrak pintar — bukan sekadar seperangkat aturan statis yang membaca data eksternal, tetapi lingkungan eksekusi di mana kecerdasan dan tindakan terjadi dalam operasi atomik yang sama. $CARV
Pertukaran ini nyata. Inferensi ML di on-chain melalui PIPE menambah latensi pada produksi blok yang tidak pernah harus ditanggung oleh transaksi keuangan murni. Model yang kompleks masih memiliki biaya gas yang signifikan. Eksekusi terdesentralisasi dari ML secara native di dalam EVM benar-benar masih awal dan belum terbukti pada skala produksi.
$OPG #OPG