Lữ Khách Web3
168 Posting
Lữ Khách Web3
Lữ Khách Onchain - Web3
Perdagangan Terbuka
Pedagang Rutin
28 Hari
29 Mengikuti
88 Pengikut
197 Disukai
Posting
Portofolio
Lihat terjemahan
Điều khiến tôi luôn thấy lạ là thị trường thường nói rất nhiều về bảo mật nhưng lại ít nói về chi phí để duy trì nó. Phần lớn giao thức đều muốn có một lớp bảo mật đủ mạnh nhưng rất ít đội ngũ sẵn sàng xây dựng lại toàn bộ mạng lưới validator từ đầu. Đó là một bài toán cũ, tốn vốn và khó tạo khác biệt.
Các hệ thống dường như đang lặp lại cùng một vòng tròn. Mỗi giao thức khóa thêm tài sản, duy trì thêm incentive và phân tán thêm thanh khoản chỉ để giải quyết một vấn đề tương tự. Điều thú vị là chi phí này thường bị che khuất sau các con số TVL.
Có vẻ Newton Protocol nhìn vấn đề theo hướng khác khi chọn EigenLayer. Không phải để sở hữu một mạng bảo mật riêng mà để tái sử dụng lớp niềm tin đã tồn tại. Ít nhất từ cách tôi nhìn đây là quyết định về hiệu quả phân bổ vốn hơn là một lựa chọn công nghệ. Họ dường như muốn dành nguồn lực cho logic của giao thức thay vì tái tạo hạ tầng.
Dĩ nhiên, việc dựa vào EigenLayer cũng đồng nghĩa chấp nhận các ràng buộc của hệ sinh thái đó. Adoption vẫn quan trọng hơn thiết kế đẹp, usage vẫn đáng quan sát hơn mọi roadmap. Tôi vẫn đang theo dõi xem liệu lợi thế về cấu trúc này có thật sự chuyển hóa thành hành vi người dùng hay không. Đó có thể là phần đáng quan sát hơn trong vài quý tới.
#newt $NEWT @NewtonProtocol
Các hệ thống dường như đang lặp lại cùng một vòng tròn. Mỗi giao thức khóa thêm tài sản, duy trì thêm incentive và phân tán thêm thanh khoản chỉ để giải quyết một vấn đề tương tự. Điều thú vị là chi phí này thường bị che khuất sau các con số TVL.
Có vẻ Newton Protocol nhìn vấn đề theo hướng khác khi chọn EigenLayer. Không phải để sở hữu một mạng bảo mật riêng mà để tái sử dụng lớp niềm tin đã tồn tại. Ít nhất từ cách tôi nhìn đây là quyết định về hiệu quả phân bổ vốn hơn là một lựa chọn công nghệ. Họ dường như muốn dành nguồn lực cho logic của giao thức thay vì tái tạo hạ tầng.
Dĩ nhiên, việc dựa vào EigenLayer cũng đồng nghĩa chấp nhận các ràng buộc của hệ sinh thái đó. Adoption vẫn quan trọng hơn thiết kế đẹp, usage vẫn đáng quan sát hơn mọi roadmap. Tôi vẫn đang theo dõi xem liệu lợi thế về cấu trúc này có thật sự chuyển hóa thành hành vi người dùng hay không. Đó có thể là phần đáng quan sát hơn trong vài quý tới.
#newt $NEWT @NewtonProtocol
Ada satu hal yang selalu terasa aneh bagi saya di kripto: narasi yang semakin mudah dipahami biasanya semakin cepat mencapai kesepakatan, dan juga sering semakin cepat tergantikan. Sebaliknya, cerita yang sulit diekspresikan—namun justru menyentuh isu yang lebih bersifat struktural—cenderung lebih bertahan sebagai tren.
Selama bertahun-tahun, pasar terus membicarakan otomatisasi, tetapi sebagian besar masih berhenti pada membuat lebih banyak alat. Friction tidak terletak pada kurangnya aplikasi; letaknya pada fakta bahwa pengguna tetap harus menjadi pihak yang bertanggung jawab untuk menghubungkan, memverifikasi, dan mengeksekusi. Sistem yang tampak makin kompleks sementara beban operasionalnya tetap berada pada manusia.
Sepertinya narasi Newton Protocol sulit dipahami karena fokusnya bukan AI atau automation. Yang tampaknya sedang mereka coba bangun adalah lapisan orkestrasi—sebuah tempat di mana tindakan dapat diverifikasi sebelum dieksekusi. Bukan menambah fitur, melainkan mengubah cara kepercayaan didistribusikan dalam sistem.
Itu belum menyentuh soal keberhasilan. Adopsi tetap lebih penting daripada cara bercerita; usage masih lebih layak diamati dibanding TVL. Yang membuat saya makin penasaran adalah apakah pengguna benar-benar bersedia mendelegasikan sebagian keputusan kepada sistem seperti itu. Setidaknya dari cara pandang saya, bagian itulah yang paling menarik.
#newt $NEWT @NewtonProtocol
Selama bertahun-tahun, pasar terus membicarakan otomatisasi, tetapi sebagian besar masih berhenti pada membuat lebih banyak alat. Friction tidak terletak pada kurangnya aplikasi; letaknya pada fakta bahwa pengguna tetap harus menjadi pihak yang bertanggung jawab untuk menghubungkan, memverifikasi, dan mengeksekusi. Sistem yang tampak makin kompleks sementara beban operasionalnya tetap berada pada manusia.
Sepertinya narasi Newton Protocol sulit dipahami karena fokusnya bukan AI atau automation. Yang tampaknya sedang mereka coba bangun adalah lapisan orkestrasi—sebuah tempat di mana tindakan dapat diverifikasi sebelum dieksekusi. Bukan menambah fitur, melainkan mengubah cara kepercayaan didistribusikan dalam sistem.
Itu belum menyentuh soal keberhasilan. Adopsi tetap lebih penting daripada cara bercerita; usage masih lebih layak diamati dibanding TVL. Yang membuat saya makin penasaran adalah apakah pengguna benar-benar bersedia mendelegasikan sebagian keputusan kepada sistem seperti itu. Setidaknya dari cara pandang saya, bagian itulah yang paling menarik.
#newt $NEWT @NewtonProtocol
Lihat terjemahan
Tôi đã thấy khá nhiều narrative được dựng lên quanh AI và agent. Mỗi chu kỳ lại xuất hiện một lớp hạ tầng mới được gọi là "xương sống" cho tương lai số. Người ta nói về tự động hóa, người ta nói về nền kinh tế nơi agent thay con người xử lý mọi tác vụ nhưng rồi phần lớn vẫn dừng ở những demo đẹp mắt và vài dashboard nhiều số liệu.
Điều ngành này thường bỏ qua lại khá nhàm chán đó là: agent không chỉ cần thông minh, nó cần đáng tin. Một agent có thể giao dịch, thanh toán hay phối hợp với agent khác thì phải có cách chứng minh danh tính, quyền hạn và lịch sử hành động của nó. Đó là thứ tôi luôn lấn cấn. AI đang phát triển rất nhanh nhưng lớp hạ tầng để các agent tương tác với nhau một cách có trách nhiệm dường như vẫn chưa thật sự rõ ràng.
Newton Protocol có vẻ đang cố giải quyết chuyện đó, không phải bằng việc tạo thêm một chatbot hay một framework AI mới mà bằng cách xây dựng lớp xác thực và điều phối cho các tác nhân tự động. Ít nhất là từ góc nhìn của tôi đây là một hướng đi thực tế hơn việc chỉ kể câu chuyện về Agent Economy.
Tất nhiên, narrative nào cũng nghe hợp lý trên giấy. Cuối cùng thì agent có thật sự dùng nó để vận hành hay không mới là câu hỏi quan trọng. Tôi vẫn đang theo dõi, chỗ này cần thời gian trả lời.
#newt $NEWT @NewtonProtocol
Điều ngành này thường bỏ qua lại khá nhàm chán đó là: agent không chỉ cần thông minh, nó cần đáng tin. Một agent có thể giao dịch, thanh toán hay phối hợp với agent khác thì phải có cách chứng minh danh tính, quyền hạn và lịch sử hành động của nó. Đó là thứ tôi luôn lấn cấn. AI đang phát triển rất nhanh nhưng lớp hạ tầng để các agent tương tác với nhau một cách có trách nhiệm dường như vẫn chưa thật sự rõ ràng.
Newton Protocol có vẻ đang cố giải quyết chuyện đó, không phải bằng việc tạo thêm một chatbot hay một framework AI mới mà bằng cách xây dựng lớp xác thực và điều phối cho các tác nhân tự động. Ít nhất là từ góc nhìn của tôi đây là một hướng đi thực tế hơn việc chỉ kể câu chuyện về Agent Economy.
Tất nhiên, narrative nào cũng nghe hợp lý trên giấy. Cuối cùng thì agent có thật sự dùng nó để vận hành hay không mới là câu hỏi quan trọng. Tôi vẫn đang theo dõi, chỗ này cần thời gian trả lời.
#newt $NEWT @NewtonProtocol
Sebelum membahas proyek apa pun, saya selalu meragukan kisah-kisah tentang network effect dalam kripto. Terlalu banyak sistem menarik pengguna dengan imbalan, lalu kehilangan mereka begitu imbalannya lenyap. Pola ini terulang cukup sering sampai menjadi kondisi bawaan.
Masalah yang kurang sering disebut adalah flywheel yang biasanya hanya ada di slide. Modal berjalan lebih dulu daripada kebutuhan, tetapi di dunia nyata jumlahnya tidak cukup untuk memelihara dirinya sendiri. Semua pihak ikut terlibat, namun motif mereka jarang benar-benar sejalan.
Yang menarik, sistem yang ada saat ini sering kali memberi penghargaan lebih pada kemunculan daripada kontribusi. Pengguna berburu insentif, pengembang berburu likuiditas, sementara modal terus berpindah dari satu narasi ke narasi lain, alih-alih mengakumulasi nilai dalam satu jaringan.
Tampaknya OpenGradient sedang mencoba arah yang berbeda. Bukan membangun flywheel dari token terlebih dahulu, melainkan dari keterkaitan antara pengembang AI, data, model, dan kebutuhan penggunaan. Jika komponen-komponen ini benar-benar saling menambah nilai setiap kali ada transaksi baru, maka putaran baru mulai terbentuk.
Namun itu baru hipotesis. Adopsi lebih penting daripada TVL, dan perilaku di dunia nyata lebih penting daripada setiap roadmap. Setidaknya dari cara saya memandang, kualitas flywheel yang benar-benar dipakai adalah hal yang paling patut diperhatikan dalam waktu dekat.
#opg $OPG @OpenGradient
Masalah yang kurang sering disebut adalah flywheel yang biasanya hanya ada di slide. Modal berjalan lebih dulu daripada kebutuhan, tetapi di dunia nyata jumlahnya tidak cukup untuk memelihara dirinya sendiri. Semua pihak ikut terlibat, namun motif mereka jarang benar-benar sejalan.
Yang menarik, sistem yang ada saat ini sering kali memberi penghargaan lebih pada kemunculan daripada kontribusi. Pengguna berburu insentif, pengembang berburu likuiditas, sementara modal terus berpindah dari satu narasi ke narasi lain, alih-alih mengakumulasi nilai dalam satu jaringan.
Tampaknya OpenGradient sedang mencoba arah yang berbeda. Bukan membangun flywheel dari token terlebih dahulu, melainkan dari keterkaitan antara pengembang AI, data, model, dan kebutuhan penggunaan. Jika komponen-komponen ini benar-benar saling menambah nilai setiap kali ada transaksi baru, maka putaran baru mulai terbentuk.
Namun itu baru hipotesis. Adopsi lebih penting daripada TVL, dan perilaku di dunia nyata lebih penting daripada setiap roadmap. Setidaknya dari cara saya memandang, kualitas flywheel yang benar-benar dipakai adalah hal yang paling patut diperhatikan dalam waktu dekat.
#opg $OPG @OpenGradient
Terverifikasi
Ada satu hal yang selalu terasa aneh bagi saya tentang DeFi: kami sudah mengotomatiskan hampir semua tindakan transaksi, tetapi proses pengambilan keputusan masih bergantung pada manusia. Mereka tetap harus memantau data, menilai risiko, lalu memindahkan modal sendiri—sepertinya itu tidak banyak berubah dari satu siklus ke siklus berikutnya.
Ini adalah masalah yang jarang dibahas. Protokol semakin banyak memiliki fitur, sementara pengguna malah harus mengolah lebih banyak informasi. Terlalu banyak optimasi terjadi di lapisan eksekusi, sementara lapisan pengambilan keputusan tetap menjadi hambatan.
Sistem saat ini bekerja cukup efektif ketika menerima instruksi yang jelas, tetapi jarang sekali membantu pengguna membuat keputusan yang benar-benar andal sejak awal.
Sepertinya OpenGradient sedang mengambil pendekatan dari arah yang berbeda. Mereka tidak membangun protokol DeFi tambahan, melainkan mengembangkan infrastruktur agar model AI dan agen AI dapat melakukan inferensi dengan cara yang dapat diverifikasi dan berinteraksi dengan aplikasi onchain. Jika model ini dipakai oleh banyak protokol, ia bisa membuka jalan bagi semacam Autonomous Finance—di mana fokusnya bukan pada otomatisasi transaksi, melainkan pada peningkatan tingkat kepercayaan terhadap keputusan yang didukung oleh AI.
Belum lagi apakah ini sudah sukses; adoption tetap lebih penting daripada narasi apa pun. Yang ingin saya amati adalah apakah para pengembang benar-benar membangun aplikasi yang membuat pengguna bersedia bergantung pada keputusan yang berasal dari AI, bukan sekadar menganggap AI sebagai lapisan tambahan.
Setidaknya dari cara saya melihatnya, bagian yang paling menarik justru ada di situ.
#opg $OPG @OpenGradient
Ini adalah masalah yang jarang dibahas. Protokol semakin banyak memiliki fitur, sementara pengguna malah harus mengolah lebih banyak informasi. Terlalu banyak optimasi terjadi di lapisan eksekusi, sementara lapisan pengambilan keputusan tetap menjadi hambatan.
Sistem saat ini bekerja cukup efektif ketika menerima instruksi yang jelas, tetapi jarang sekali membantu pengguna membuat keputusan yang benar-benar andal sejak awal.
Sepertinya OpenGradient sedang mengambil pendekatan dari arah yang berbeda. Mereka tidak membangun protokol DeFi tambahan, melainkan mengembangkan infrastruktur agar model AI dan agen AI dapat melakukan inferensi dengan cara yang dapat diverifikasi dan berinteraksi dengan aplikasi onchain. Jika model ini dipakai oleh banyak protokol, ia bisa membuka jalan bagi semacam Autonomous Finance—di mana fokusnya bukan pada otomatisasi transaksi, melainkan pada peningkatan tingkat kepercayaan terhadap keputusan yang didukung oleh AI.
Belum lagi apakah ini sudah sukses; adoption tetap lebih penting daripada narasi apa pun. Yang ingin saya amati adalah apakah para pengembang benar-benar membangun aplikasi yang membuat pengguna bersedia bergantung pada keputusan yang berasal dari AI, bukan sekadar menganggap AI sebagai lapisan tambahan.
Setidaknya dari cara saya melihatnya, bagian yang paling menarik justru ada di situ.
#opg $OPG @OpenGradient
Ada satu hal yang selalu saya lihat berulang di dunia crypto. Orang-orang banyak membicarakan network effect, tetapi sebagian besar masih menghitung jumlah pengguna atau TVL. Sepertinya itu melewatkan bagian yang lebih sulit: mengapa sebuah jaringan membuat jaringan lain jadi lebih sulit untuk ditinggalkan.
Masalahnya, banyak protokol menarik arus modal terlebih dahulu, baru kemudian mencari cara untuk menciptakan kebutuhan penggunaan. Pengguna datang karena insentif; ketika insentif hilang, jaringan menjadi sunyi. Sistem-sistem tetap berjalan, tetapi perilakunya tidak lagi saling mengakumulasi nilai, itu adalah bentuk network effect yang sangat tipis.
Sepertinya OpenGradient tidak menitikberatkan pada perluasan jumlah partisipan, melainkan pada membuat data, model, dan agen AI saling bergantung dalam satu struktur operasional. Bukan persaingan untuk memiliki lebih banyak aset, melainkan membuat setiap interaksi baru menambah nilai bagi interaksi-interaksi lama. Jika itu yang mereka kejar, maka network effect akan berada pada biaya untuk keluar dari ekosistem, bukan pada kecepatan pertumbuhan.
Meski begitu, hal yang masih saya pantau adalah apakah tautan-tautan itu terbentuk dari kebutuhan yang benar-benar ada, atau hanya dipertahankan oleh insentif. Usage selalu lebih layak diperhatikan daripada semua metrik lainnya. Setidaknya dari cara saya memandangnya, itulah bagian yang paling menonjol.
#opg $OPG @OpenGradient
Masalahnya, banyak protokol menarik arus modal terlebih dahulu, baru kemudian mencari cara untuk menciptakan kebutuhan penggunaan. Pengguna datang karena insentif; ketika insentif hilang, jaringan menjadi sunyi. Sistem-sistem tetap berjalan, tetapi perilakunya tidak lagi saling mengakumulasi nilai, itu adalah bentuk network effect yang sangat tipis.
Sepertinya OpenGradient tidak menitikberatkan pada perluasan jumlah partisipan, melainkan pada membuat data, model, dan agen AI saling bergantung dalam satu struktur operasional. Bukan persaingan untuk memiliki lebih banyak aset, melainkan membuat setiap interaksi baru menambah nilai bagi interaksi-interaksi lama. Jika itu yang mereka kejar, maka network effect akan berada pada biaya untuk keluar dari ekosistem, bukan pada kecepatan pertumbuhan.
Meski begitu, hal yang masih saya pantau adalah apakah tautan-tautan itu terbentuk dari kebutuhan yang benar-benar ada, atau hanya dipertahankan oleh insentif. Usage selalu lebih layak diperhatikan daripada semua metrik lainnya. Setidaknya dari cara saya memandangnya, itulah bagian yang paling menonjol.
#opg $OPG @OpenGradient
Satu hal yang selalu saya lihat berulang adalah setiap siklus blockchain akan digandengkan dengan teknologi baru, tetapi sebagian besar hanya berhenti pada narasi; yang tersisa setelah perhatian berlalu biasanya sangat sedikit.
Masalah lama tetap ada: machine learning membutuhkan data, sumber daya komputasi, dan kemampuan untuk melakukan verifikasi. Blockchain lebih unggul dalam mencatat status daripada menangani proses pembelajaran mesin. Dua sistem ini sama-sama berkembang, tetapi jarang beroperasi sebagai satu sistem yang benar-benar terpadu.
Yang menarik, arus modal sering kali lebih menghargai cerita tentang integrasi daripada biaya untuk melakukan koordinasi. Terlalu banyak desain yang mencoba membawa AI ke blockchain, alih-alih bertanya pada level mana blockchain seharusnya ikut terlibat dalam proses machine learning.
Setidaknya dari cara saya memandang, OpenGradient tampaknya tidak berusaha mengubah blockchain menjadi tempat untuk melatih model; mereka tampaknya lebih peduli untuk mengubah status machine learning menjadi bagian yang dapat diverifikasi dan dikoordinasikan antar banyak agen. Bukan menggantikan AI, melainkan mengubah cara AI diorganisasi.
Namun itu belum bicara soal kesuksesan. Adoption tetap lebih penting daripada roadmap, dan perilaku penggunaan lebih penting daripada arsitektur apa pun.
Saya masih memantau apakah para pengembang benar-benar memilih cara ini ketika biaya dan kompleksitas mulai muncul. Itu bisa jadi bagian yang lebih menarik untuk diperhatikan di waktu mendatang.!
#opg $OPG @OpenGradient
Masalah lama tetap ada: machine learning membutuhkan data, sumber daya komputasi, dan kemampuan untuk melakukan verifikasi. Blockchain lebih unggul dalam mencatat status daripada menangani proses pembelajaran mesin. Dua sistem ini sama-sama berkembang, tetapi jarang beroperasi sebagai satu sistem yang benar-benar terpadu.
Yang menarik, arus modal sering kali lebih menghargai cerita tentang integrasi daripada biaya untuk melakukan koordinasi. Terlalu banyak desain yang mencoba membawa AI ke blockchain, alih-alih bertanya pada level mana blockchain seharusnya ikut terlibat dalam proses machine learning.
Setidaknya dari cara saya memandang, OpenGradient tampaknya tidak berusaha mengubah blockchain menjadi tempat untuk melatih model; mereka tampaknya lebih peduli untuk mengubah status machine learning menjadi bagian yang dapat diverifikasi dan dikoordinasikan antar banyak agen. Bukan menggantikan AI, melainkan mengubah cara AI diorganisasi.
Namun itu belum bicara soal kesuksesan. Adoption tetap lebih penting daripada roadmap, dan perilaku penggunaan lebih penting daripada arsitektur apa pun.
Saya masih memantau apakah para pengembang benar-benar memilih cara ini ketika biaya dan kompleksitas mulai muncul. Itu bisa jadi bagian yang lebih menarik untuk diperhatikan di waktu mendatang.!
#opg $OPG @OpenGradient
Ada paradoks berulang dalam AI: model makin kuat, tetapi kepercayaan pada hasilnya tidak meningkat secara sepadan. Terlalu banyak perbincangan berpusat pada kapabilitas, sementara bagian yang lebih sulit—yakni membuktikan bahwa kapabilitas tersebut benar-benar dimanfaatkan—seolah terabaikan.
Sistem AI saat ini beroperasi dengan cara yang cukup familiar. Pengguna mengirim data, model mengembalikan hasil, lalu semuanya berhenti pada tingkat kepercayaan. Ini menciptakan semacam kekosongan yang tenang: seharusnya nilai bisa dialirkan ke AI, tetapi sulit dinilai ketika keluaran hampir tidak bisa diverifikasi. Dan justru bagian inilah yang selalu saya kembali lagi.
OpenGradient tampaknya tidak berusaha menciptakan model AI tambahan. Yang mereka tuju adalah lapisan infrastruktur tempat proses inferensi dapat diverifikasi. Bukan bersaing lewat kecerdasan, melainkan lewat kemampuan menghasilkan bukti. Perbedaan ini terletak pada desain sistem, bukan fitur.
Tentu saja, itu saja belum cukup. Adopsi lebih penting daripada setiap narasi; penggunaan lebih penting daripada daftar roadmap yang panjang. Jika pengguna tidak merasakan nilai dari verifikasi, struktur ini tetap hanya akan menjadi ide yang indah.
Setidaknya dari cara saya memandangnya, pertanyaan yang layak diikuti bukan seberapa kuat AI itu, melainkan apakah ekonomi AI akan mulai memberi harga pada kebenaran, bukan sekadar memberi harga pada janji—sisanya akan ditentukan oleh perilaku pengguna.
#opg $OPG @OpenGradient
Sistem AI saat ini beroperasi dengan cara yang cukup familiar. Pengguna mengirim data, model mengembalikan hasil, lalu semuanya berhenti pada tingkat kepercayaan. Ini menciptakan semacam kekosongan yang tenang: seharusnya nilai bisa dialirkan ke AI, tetapi sulit dinilai ketika keluaran hampir tidak bisa diverifikasi. Dan justru bagian inilah yang selalu saya kembali lagi.
OpenGradient tampaknya tidak berusaha menciptakan model AI tambahan. Yang mereka tuju adalah lapisan infrastruktur tempat proses inferensi dapat diverifikasi. Bukan bersaing lewat kecerdasan, melainkan lewat kemampuan menghasilkan bukti. Perbedaan ini terletak pada desain sistem, bukan fitur.
Tentu saja, itu saja belum cukup. Adopsi lebih penting daripada setiap narasi; penggunaan lebih penting daripada daftar roadmap yang panjang. Jika pengguna tidak merasakan nilai dari verifikasi, struktur ini tetap hanya akan menjadi ide yang indah.
Setidaknya dari cara saya memandangnya, pertanyaan yang layak diikuti bukan seberapa kuat AI itu, melainkan apakah ekonomi AI akan mulai memberi harga pada kebenaran, bukan sekadar memberi harga pada janji—sisanya akan ditentukan oleh perilaku pengguna.
#opg $OPG @OpenGradient
Ada hal yang cukup aneh dalam gelombang AI saat ini.
Pasar banyak membicarakan kemampuan model, tetapi sedikit yang membahas tanggung jawab ketika model membuat keputusan yang salah.
Ini bukan masalah baru, hanya saja sering kali tertutupi oleh kecepatan pertumbuhan.
Selama bertahun-tahun, sistem AI dibangun di sekitar akurasi, tetapi ketika AI mulai terlibat dalam proses keuangan, kesehatan, atau operasional bisnis, muncul pertanyaan lain: siapa yang bertanggung jawab atas hasil yang dihasilkan?
Sistem saat ini tampaknya menangani masalah ini dengan canggung. Pengguna menerima output tetapi sulit untuk memverifikasi sumbernya, pengembang menyediakan model tetapi tidak mengontrol seluruh data, semua pihak yang terlibat diuntungkan dari skala tetapi tanggung jawab menjadi terdistribusi.
Sepertinya OpenGradient mencoba mendekati dari sudut pandang itu, OpenGradient tampaknya tidak fokus pada penciptaan model yang lebih besar, pendekatan mereka sepertinya terletak pada membangun infrastruktur untuk melacak asal usul data, proses penalaran, dan kepemilikan kontribusi dalam ekosistem AI.
Bukan perlombaan kecerdasan, tetapi perlombaan untuk kemampuan menelusuri tanggung jawab.
Tentu saja, desain sistem dan adopsi adalah dua cerita yang berbeda. Pengguna akhir biasanya lebih peduli pada hasil daripada arsitektur di belakangnya, itulah bagian yang perlu diverifikasi.
AI bisa menjadi infrastruktur umum, tetapi infrastruktur tanpa mekanisme tanggung jawab yang jelas biasanya hanya berfungsi dengan baik sampai insiden pertama muncul. OpenGradient menarik perhatian saya bukan karena AI, tetapi karena pertanyaan itu.
Saya masih memantau bagian ini.
#opg $OPG @OpenGradient
Pasar banyak membicarakan kemampuan model, tetapi sedikit yang membahas tanggung jawab ketika model membuat keputusan yang salah.
Ini bukan masalah baru, hanya saja sering kali tertutupi oleh kecepatan pertumbuhan.
Selama bertahun-tahun, sistem AI dibangun di sekitar akurasi, tetapi ketika AI mulai terlibat dalam proses keuangan, kesehatan, atau operasional bisnis, muncul pertanyaan lain: siapa yang bertanggung jawab atas hasil yang dihasilkan?
Sistem saat ini tampaknya menangani masalah ini dengan canggung. Pengguna menerima output tetapi sulit untuk memverifikasi sumbernya, pengembang menyediakan model tetapi tidak mengontrol seluruh data, semua pihak yang terlibat diuntungkan dari skala tetapi tanggung jawab menjadi terdistribusi.
Sepertinya OpenGradient mencoba mendekati dari sudut pandang itu, OpenGradient tampaknya tidak fokus pada penciptaan model yang lebih besar, pendekatan mereka sepertinya terletak pada membangun infrastruktur untuk melacak asal usul data, proses penalaran, dan kepemilikan kontribusi dalam ekosistem AI.
Bukan perlombaan kecerdasan, tetapi perlombaan untuk kemampuan menelusuri tanggung jawab.
Tentu saja, desain sistem dan adopsi adalah dua cerita yang berbeda. Pengguna akhir biasanya lebih peduli pada hasil daripada arsitektur di belakangnya, itulah bagian yang perlu diverifikasi.
AI bisa menjadi infrastruktur umum, tetapi infrastruktur tanpa mekanisme tanggung jawab yang jelas biasanya hanya berfungsi dengan baik sampai insiden pertama muncul. OpenGradient menarik perhatian saya bukan karena AI, tetapi karena pertanyaan itu.
Saya masih memantau bagian ini.
#opg $OPG @OpenGradient
Ada sesuatu yang cukup aneh dalam gelombang AI baru-baru ini.
Kita banyak berbicara tentang model, tentang kekuatan penalaran, tentang kemampuan otomatisasi, tetapi sedikit berbicara tentang apa yang membuat sistem ini benar-benar berguna setelah digunakan dalam jangka waktu tertentu: memori.
Sistem AI saat ini tampaknya sangat pintar dalam setiap sesi kerja individu, tetapi kemudian semuanya mulai dari awal. Pengguna mengulangi konteks, agen mengulangi proses, data yang dihasilkan lalu dengan cepat menghilang.
Itu bukan masalah baru, hanya saja selama bertahun-tahun kita terbiasa melihat memori sebagai fitur alih-alih lapisan infrastruktur.
Akibatnya, sistem semakin kompleks tetapi masih beroperasi seperti entitas yang mengalami kehilangan ingatan jangka pendek. Terlalu banyak sumber daya digunakan untuk mereproduksi apa yang pernah ada.
Yang menarik adalah OpenGradient tampaknya tidak fokus pada membuat AI lebih pintar. Sepertinya mereka sedang mencoba arah lain: mengubah memori menjadi aset yang dapat disimpan, diambil, dan dibagikan di antara agen dalam sistem.
Bukan masalah model.
Tetapi masalah berkelanjutan dari konteks.
Tentu saja, ide apa pun terdengar masuk akal di atas kertas. Adopsi tetap lebih penting daripada arsitektur, penggunaan tetap lebih penting daripada narasi apa pun. Jika pengguna tidak menciptakan dan menggunakan memori sebagai bagian alami dari proses, lapisan infrastruktur itu akan menjadi penyimpanan yang mahal.
Hal yang membuat saya lebih penasaran adalah kemungkinan pasar sedang mengevaluasi rendah peran memori dalam AI. Jika itu benar, OpenGradient mungkin sedang menyentuh masalah struktural daripada tren jangka pendek.
Setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Kita banyak berbicara tentang model, tentang kekuatan penalaran, tentang kemampuan otomatisasi, tetapi sedikit berbicara tentang apa yang membuat sistem ini benar-benar berguna setelah digunakan dalam jangka waktu tertentu: memori.
Sistem AI saat ini tampaknya sangat pintar dalam setiap sesi kerja individu, tetapi kemudian semuanya mulai dari awal. Pengguna mengulangi konteks, agen mengulangi proses, data yang dihasilkan lalu dengan cepat menghilang.
Itu bukan masalah baru, hanya saja selama bertahun-tahun kita terbiasa melihat memori sebagai fitur alih-alih lapisan infrastruktur.
Akibatnya, sistem semakin kompleks tetapi masih beroperasi seperti entitas yang mengalami kehilangan ingatan jangka pendek. Terlalu banyak sumber daya digunakan untuk mereproduksi apa yang pernah ada.
Yang menarik adalah OpenGradient tampaknya tidak fokus pada membuat AI lebih pintar. Sepertinya mereka sedang mencoba arah lain: mengubah memori menjadi aset yang dapat disimpan, diambil, dan dibagikan di antara agen dalam sistem.
Bukan masalah model.
Tetapi masalah berkelanjutan dari konteks.
Tentu saja, ide apa pun terdengar masuk akal di atas kertas. Adopsi tetap lebih penting daripada arsitektur, penggunaan tetap lebih penting daripada narasi apa pun. Jika pengguna tidak menciptakan dan menggunakan memori sebagai bagian alami dari proses, lapisan infrastruktur itu akan menjadi penyimpanan yang mahal.
Hal yang membuat saya lebih penasaran adalah kemungkinan pasar sedang mengevaluasi rendah peran memori dalam AI. Jika itu benar, OpenGradient mungkin sedang menyentuh masalah struktural daripada tren jangka pendek.
Setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Ada sebuah paradoks yang cukup aneh dalam AI saat ini yaitu model-model semakin kuat namun pengalaman pengguna tidak selalu menjadi lebih personal. Terlalu banyak sistem yang berusaha melayani semua orang dengan cara yang sama.
Ini bukan masalah baru, hanya jarang disebutkan.
Selama bertahun-tahun, personalisasi terutama bergantung pada data yang dikumpulkan secara terpusat. Pengguna menghasilkan sinyal, platform memiliki sinyal tersebut, nilai terakumulasi di lapisan infrastruktur alih-alih kembali kepada pencipta data. Sistem tampaknya semakin memahami pengguna tetapi pengguna malah memiliki kontrol yang lebih sedikit atas profil digital mereka sendiri.
Menariknya, ini bukan hanya masalah privasi, tetapi juga masalah distribusi nilai.
Sepertinya OpenGradient mendekati personalisasi dari sudut pandang yang berbeda. Bukan dengan menambah lapisan aplikasi untuk memprediksi perilaku, tetapi dengan memfasilitasi agar data, model, dan konteks pribadi dapat berinteraksi dengan cara yang memberi pengguna lebih banyak kontrol atas aset data mereka.
Tentu saja, ide dan penggunaan praktis adalah dua hal yang berbeda. Adopsi lebih penting daripada narasi apapun tentang AI yang terdesentralisasi.
Yang membuat saya penasaran adalah apakah pengguna benar-benar ingin memiliki identitas data mereka atau tidak, itu bisa menjadi bagian yang lebih menarik untuk diamati ke depannya. Sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient
Ini bukan masalah baru, hanya jarang disebutkan.
Selama bertahun-tahun, personalisasi terutama bergantung pada data yang dikumpulkan secara terpusat. Pengguna menghasilkan sinyal, platform memiliki sinyal tersebut, nilai terakumulasi di lapisan infrastruktur alih-alih kembali kepada pencipta data. Sistem tampaknya semakin memahami pengguna tetapi pengguna malah memiliki kontrol yang lebih sedikit atas profil digital mereka sendiri.
Menariknya, ini bukan hanya masalah privasi, tetapi juga masalah distribusi nilai.
Sepertinya OpenGradient mendekati personalisasi dari sudut pandang yang berbeda. Bukan dengan menambah lapisan aplikasi untuk memprediksi perilaku, tetapi dengan memfasilitasi agar data, model, dan konteks pribadi dapat berinteraksi dengan cara yang memberi pengguna lebih banyak kontrol atas aset data mereka.
Tentu saja, ide dan penggunaan praktis adalah dua hal yang berbeda. Adopsi lebih penting daripada narasi apapun tentang AI yang terdesentralisasi.
Yang membuat saya penasaran adalah apakah pengguna benar-benar ingin memiliki identitas data mereka atau tidak, itu bisa menjadi bagian yang lebih menarik untuk diamati ke depannya. Sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient
Ada asumsi yang cukup umum bahwa AI Agents ada untuk melayani pengguna, tetapi semakin lama saya mengamati, saya semakin melihat sebuah paradoks lain. Sepertinya banyak masalah terbesar AI tidak terletak pada pengalaman pengguna. Mereka terletak pada kemampuan operasional dari para agen itu sendiri.
Selama bertahun-tahun, data selalu menjadi titik bottleneck yang familiar. Bukan karena kurangnya data, tetapi karena kurangnya data yang dapat dipercaya. Sistem AI terus-menerus mengambil keputusan berdasarkan sumber yang tidak benar-benar dapat mereka verifikasi, dan pengguna jarang memperhatikan hal itu. Agen tidak memiliki pilihan.
Sistem saat ini beroperasi dengan cara yang cukup aneh. Manusia menerima kesalahan. Agen harus menangani kesalahan itu dalam skala yang jauh lebih besar. Terlalu banyak lapisan perantara, terlalu banyak data yang tidak jelas asal-usulnya, dan terlalu banyak biaya verifikasi yang dibebankan ke ujung sistem.
Mungkin itu sebabnya OpenGradient menjadi perhatian. Sepertinya mereka tidak berusaha membangun satu AI Agent lagi, mereka berusaha membangun mekanisme agar agen dapat mengakses dan memverifikasi data dengan cara yang dapat diverifikasi. Ini bukan soal antarmuka, tetapi soal infrastruktur kepercayaan.
Tentu saja, adopsi adalah bagian yang penting. Bukan narasi, bukan roadmap. Jika agen tidak benar-benar menggunakan sistem seperti itu, seluruh argumen akan kehilangan makna. Hal yang membuat saya lebih penasaran adalah apakah permintaan ini datang dari pengguna atau dari para agen itu sendiri. Setidaknya dari sudut pandang saya, ini mungkin bagian yang lebih menarik untuk diamati, saya akan terus memantau..!
#opg $OPG @OpenGradient
Selama bertahun-tahun, data selalu menjadi titik bottleneck yang familiar. Bukan karena kurangnya data, tetapi karena kurangnya data yang dapat dipercaya. Sistem AI terus-menerus mengambil keputusan berdasarkan sumber yang tidak benar-benar dapat mereka verifikasi, dan pengguna jarang memperhatikan hal itu. Agen tidak memiliki pilihan.
Sistem saat ini beroperasi dengan cara yang cukup aneh. Manusia menerima kesalahan. Agen harus menangani kesalahan itu dalam skala yang jauh lebih besar. Terlalu banyak lapisan perantara, terlalu banyak data yang tidak jelas asal-usulnya, dan terlalu banyak biaya verifikasi yang dibebankan ke ujung sistem.
Mungkin itu sebabnya OpenGradient menjadi perhatian. Sepertinya mereka tidak berusaha membangun satu AI Agent lagi, mereka berusaha membangun mekanisme agar agen dapat mengakses dan memverifikasi data dengan cara yang dapat diverifikasi. Ini bukan soal antarmuka, tetapi soal infrastruktur kepercayaan.
Tentu saja, adopsi adalah bagian yang penting. Bukan narasi, bukan roadmap. Jika agen tidak benar-benar menggunakan sistem seperti itu, seluruh argumen akan kehilangan makna. Hal yang membuat saya lebih penasaran adalah apakah permintaan ini datang dari pengguna atau dari para agen itu sendiri. Setidaknya dari sudut pandang saya, ini mungkin bagian yang lebih menarik untuk diamati, saya akan terus memantau..!
#opg $OPG @OpenGradient
Ada satu hal yang cukup aneh dalam AI saat ini...
Semakin banyak model bermunculan, pengguna semakin sulit mengetahui mana yang nyata. Bukan nyata dalam arti informasi benar atau salah, tetapi nyata dalam arti dapat diverifikasi.
Ini adalah masalah yang sudah ada selama bertahun-tahun. Sistem AI semakin kuat dalam memberikan jawaban tetapi cukup lemah dalam membuktikan bagaimana mereka mencapai jawaban tersebut. Terlalu banyak yang dibangun di atas kepercayaan, terlalu sedikit yang dibangun di atas kemampuan untuk memverifikasi.
Menariknya, sebagian besar aliran modal tampaknya masih terfokus pada membuat AI lebih cepat, lebih murah, atau lebih cerdas, sementara pertanyaan tentang keaslian kurang mendapat perhatian. Sepertinya pasar sedang mengoptimalkan kemampuan untuk menciptakan kecerdasan ketimbang kemampuan untuk memverifikasi kecerdasan tersebut.
OpenGradient tampaknya sedang menuju arah yang berbeda. Bukan hanya membangun model AI tambahan, tetapi mencoba menempatkan lapisan verifikasi di atas proses penalaran dan eksekusi AI. Setidaknya dari cara saya melihatnya, ini adalah masalah desain sistem lebih dari sekadar masalah model.
Tentu saja, narasi selalu lebih mudah daripada adopsi; pengguna tidak peduli seberapa indah arsitektur jika mereka tidak mendapatkan nilai nyata. Itu adalah bagian yang perlu diverifikasi.
Yang membuat saya lebih penasaran adalah apakah dalam beberapa tahun ke depan "Verifiable Intelligence" akan menjadi persyaratan default daripada sekadar fitur tambahan.
Saya masih mengikuti bagian ini.
#opg $OPG @OpenGradient
Semakin banyak model bermunculan, pengguna semakin sulit mengetahui mana yang nyata. Bukan nyata dalam arti informasi benar atau salah, tetapi nyata dalam arti dapat diverifikasi.
Ini adalah masalah yang sudah ada selama bertahun-tahun. Sistem AI semakin kuat dalam memberikan jawaban tetapi cukup lemah dalam membuktikan bagaimana mereka mencapai jawaban tersebut. Terlalu banyak yang dibangun di atas kepercayaan, terlalu sedikit yang dibangun di atas kemampuan untuk memverifikasi.
Menariknya, sebagian besar aliran modal tampaknya masih terfokus pada membuat AI lebih cepat, lebih murah, atau lebih cerdas, sementara pertanyaan tentang keaslian kurang mendapat perhatian. Sepertinya pasar sedang mengoptimalkan kemampuan untuk menciptakan kecerdasan ketimbang kemampuan untuk memverifikasi kecerdasan tersebut.
OpenGradient tampaknya sedang menuju arah yang berbeda. Bukan hanya membangun model AI tambahan, tetapi mencoba menempatkan lapisan verifikasi di atas proses penalaran dan eksekusi AI. Setidaknya dari cara saya melihatnya, ini adalah masalah desain sistem lebih dari sekadar masalah model.
Tentu saja, narasi selalu lebih mudah daripada adopsi; pengguna tidak peduli seberapa indah arsitektur jika mereka tidak mendapatkan nilai nyata. Itu adalah bagian yang perlu diverifikasi.
Yang membuat saya lebih penasaran adalah apakah dalam beberapa tahun ke depan "Verifiable Intelligence" akan menjadi persyaratan default daripada sekadar fitur tambahan.
Saya masih mengikuti bagian ini.
#opg $OPG @OpenGradient
Ada sesuatu yang cukup aneh dalam gelombang AI saat ini, yaitu banyak orang berbicara tentang kemampuan model, tetapi sedikit yang membahas apakah hasil yang dihasilkan AI benar-benar dapat dipercaya.
Ini bukan masalah baru, hanya saja semakin jelas saat AI mulai terlibat dalam aktivitas yang memiliki nilai ekonomi yang nyata. Sistem AI saat ini beroperasi berdasarkan semacam kepercayaan tersirat. Pengguna mengirim data, model memproses, dan hasilnya dikembalikan. Sebagian besar proses internal masih merupakan kotak hitam.
Menariknya, saat nilai yang dihasilkan meningkat, biaya untuk mempercayai secara buta juga meningkat. Penyimpangan, manipulasi, atau data yang tidak dapat diverifikasi bukan lagi sekadar kesalahan teknis; mereka menjadi masalah ekonomi.
Di sinilah OpenGradient muncul dengan arah yang cukup berbeda. Alih-alih fokus pada pembuatan AI yang lebih kuat, mereka tampaknya berusaha mengintegrasikan kriptografi ke dalam proses verifikasi cara AI beroperasi. Bukan AI terlebih dahulu, kriptografi kemudian, tetapi kemampuan verifikasi dibangun langsung ke dalam sistem.
Mungkin ini adalah poin yang patut dicatat. Jika AI menjadi infrastruktur, pertanyaannya bukan siapa yang memiliki model terbesar, tetapi siapa yang dapat menghasilkan hasil yang tidak perlu dipercayai secara mutlak oleh pihak lain.
Tentu saja, ide dan perilaku pengguna adalah dua cerita yang berbeda. Adopsi tetap lebih penting daripada arsitektur yang indah di atas kertas. Yang membuat saya lebih penasaran adalah apakah permintaan untuk 'AI yang dapat diverifikasi' benar-benar ada saat pasar matang atau tidak. Setidaknya dari cara saya melihatnya, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Ini bukan masalah baru, hanya saja semakin jelas saat AI mulai terlibat dalam aktivitas yang memiliki nilai ekonomi yang nyata. Sistem AI saat ini beroperasi berdasarkan semacam kepercayaan tersirat. Pengguna mengirim data, model memproses, dan hasilnya dikembalikan. Sebagian besar proses internal masih merupakan kotak hitam.
Menariknya, saat nilai yang dihasilkan meningkat, biaya untuk mempercayai secara buta juga meningkat. Penyimpangan, manipulasi, atau data yang tidak dapat diverifikasi bukan lagi sekadar kesalahan teknis; mereka menjadi masalah ekonomi.
Di sinilah OpenGradient muncul dengan arah yang cukup berbeda. Alih-alih fokus pada pembuatan AI yang lebih kuat, mereka tampaknya berusaha mengintegrasikan kriptografi ke dalam proses verifikasi cara AI beroperasi. Bukan AI terlebih dahulu, kriptografi kemudian, tetapi kemampuan verifikasi dibangun langsung ke dalam sistem.
Mungkin ini adalah poin yang patut dicatat. Jika AI menjadi infrastruktur, pertanyaannya bukan siapa yang memiliki model terbesar, tetapi siapa yang dapat menghasilkan hasil yang tidak perlu dipercayai secara mutlak oleh pihak lain.
Tentu saja, ide dan perilaku pengguna adalah dua cerita yang berbeda. Adopsi tetap lebih penting daripada arsitektur yang indah di atas kertas. Yang membuat saya lebih penasaran adalah apakah permintaan untuk 'AI yang dapat diverifikasi' benar-benar ada saat pasar matang atau tidak. Setidaknya dari cara saya melihatnya, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Terverifikasi
Ada sesuatu yang cukup aneh dalam narasi AI crypto saat ini.
Banyak proyek yang membahas tentang model, agen, tetapi semakin saya lihat, saya semakin menyadari bahwa sebagian besar nilai tidak terletak pada AI itu sendiri, melainkan pada data yang digunakan oleh AI.
Masalahnya adalah pasar telah membahas data selama bertahun-tahun, sistem pengumpulan data muncul dan kemudian menghilang, dan gudang data dibangun tetapi dengan cepat kehilangan likuiditas pengguna. Data dianggap sebagai aset penting tetapi jarang diperlakukan seperti aset dengan siklus ekonomi yang jelas.
Sistem saat ini tampaknya masih beroperasi dengan logika yang sudah biasa. Pengguna menyumbangkan data, platform mengumpulkan data, dan nilai akhirnya terpusat pada pemilik infrastruktur. Gesekan terletak pada ketidakharmonisan antara motivasi berbagai pihak.
Hal menarik adalah OpenGradient tampaknya tidak fokus pada menciptakan AI yang lebih baik. Yang membuat saya lebih penasaran adalah mereka tampaknya sedang berusaha membangun lapisan infrastruktur agar data dapat diverifikasi, diakses, dan digunakan dengan cara yang dapat diprogram. Ini bukan perlombaan model, tetapi perlombaan tentang ketersediaan data.
Tentu saja, itu baru sekadar pendekatan.
Teknologi mungkin mengesankan bagi builder, tetapi pengalaman yang baru saja dapat meyakinkan pengguna, dan pada akhirnya adopsi dan penggunaan selalu lebih penting daripada apa yang ada di roadmap.
Itu adalah bagian yang selalu saya kembalikan, bukan apakah OpenGradient akan berhasil atau tidak, tetapi apakah pasar AI crypto akhirnya akan menyadari bahwa data bisa menjadi faktor penghambat ekonomi yang lebih besar daripada model AI itu sendiri.
Setidaknya dari sudut pandang saya, ini adalah bagian yang paling menarik, sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient
Banyak proyek yang membahas tentang model, agen, tetapi semakin saya lihat, saya semakin menyadari bahwa sebagian besar nilai tidak terletak pada AI itu sendiri, melainkan pada data yang digunakan oleh AI.
Masalahnya adalah pasar telah membahas data selama bertahun-tahun, sistem pengumpulan data muncul dan kemudian menghilang, dan gudang data dibangun tetapi dengan cepat kehilangan likuiditas pengguna. Data dianggap sebagai aset penting tetapi jarang diperlakukan seperti aset dengan siklus ekonomi yang jelas.
Sistem saat ini tampaknya masih beroperasi dengan logika yang sudah biasa. Pengguna menyumbangkan data, platform mengumpulkan data, dan nilai akhirnya terpusat pada pemilik infrastruktur. Gesekan terletak pada ketidakharmonisan antara motivasi berbagai pihak.
Hal menarik adalah OpenGradient tampaknya tidak fokus pada menciptakan AI yang lebih baik. Yang membuat saya lebih penasaran adalah mereka tampaknya sedang berusaha membangun lapisan infrastruktur agar data dapat diverifikasi, diakses, dan digunakan dengan cara yang dapat diprogram. Ini bukan perlombaan model, tetapi perlombaan tentang ketersediaan data.
Tentu saja, itu baru sekadar pendekatan.
Teknologi mungkin mengesankan bagi builder, tetapi pengalaman yang baru saja dapat meyakinkan pengguna, dan pada akhirnya adopsi dan penggunaan selalu lebih penting daripada apa yang ada di roadmap.
Itu adalah bagian yang selalu saya kembalikan, bukan apakah OpenGradient akan berhasil atau tidak, tetapi apakah pasar AI crypto akhirnya akan menyadari bahwa data bisa menjadi faktor penghambat ekonomi yang lebih besar daripada model AI itu sendiri.
Setidaknya dari sudut pandang saya, ini adalah bagian yang paling menarik, sisanya akan dijawab oleh perilaku pengguna.
#opg $OPG @OpenGradient
Terverifikasi
Ada tren yang berulang di crypto, yaitu setiap kali muncul satu sektor baru, pasar akan cepat mencari "EigenLayer dari sektor itu". Ini terdengar masuk akal, tetapi kadang-kadang perbandingan tersebut justru mengaburkan masalah yang sebenarnya.
Dalam AI, masalah yang terus-menerus bukan hanya di modelnya. Terlalu banyak orang yang membangun model, terlalu banyak modal yang mengalir untuk pelatihan, sementara yang lebih langka adalah kemampuan untuk memanfaatkan sumber daya AI secara efektif dan terverifikasi.
Sistem saat ini tampaknya berjalan cukup terpisah. Komputasi berada di satu tempat, model berada di tempat lain, pengguna berada di tempat yang berbeda, aliran modal sering mengikuti narasi sementara kebutuhan sebenarnya berkisar pada siapa yang bisa menyediakan layanan yang dapat diandalkan dengan biaya yang wajar.
Saat itulah OpenGradient menjadi menarik. Bukan karena itu adalah "EigenLayer dari AI". Sepertinya pendekatan mereka bukan untuk menciptakan satu lapisan narasi tambahan untuk AI, tetapi untuk membangun lapisan koordinasi antara sumber daya, model, dan kebutuhan penggunaan.
Menariknya, adopsi adalah bagian yang penting, bukan TVL, bukan roadmap. Jika pengguna tidak benar-benar membutuhkan lapisan koordinasi ini, seluruh cerita akan menjadi tidak relevan.
Yang membuat saya lebih penasaran adalah apakah pasar AI akhirnya akan kekurangan model atau kekurangan infrastruktur untuk mengkoordinasikan antara model-model tersebut. Saya masih memantau bagian itu, setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Dalam AI, masalah yang terus-menerus bukan hanya di modelnya. Terlalu banyak orang yang membangun model, terlalu banyak modal yang mengalir untuk pelatihan, sementara yang lebih langka adalah kemampuan untuk memanfaatkan sumber daya AI secara efektif dan terverifikasi.
Sistem saat ini tampaknya berjalan cukup terpisah. Komputasi berada di satu tempat, model berada di tempat lain, pengguna berada di tempat yang berbeda, aliran modal sering mengikuti narasi sementara kebutuhan sebenarnya berkisar pada siapa yang bisa menyediakan layanan yang dapat diandalkan dengan biaya yang wajar.
Saat itulah OpenGradient menjadi menarik. Bukan karena itu adalah "EigenLayer dari AI". Sepertinya pendekatan mereka bukan untuk menciptakan satu lapisan narasi tambahan untuk AI, tetapi untuk membangun lapisan koordinasi antara sumber daya, model, dan kebutuhan penggunaan.
Menariknya, adopsi adalah bagian yang penting, bukan TVL, bukan roadmap. Jika pengguna tidak benar-benar membutuhkan lapisan koordinasi ini, seluruh cerita akan menjadi tidak relevan.
Yang membuat saya lebih penasaran adalah apakah pasar AI akhirnya akan kekurangan model atau kekurangan infrastruktur untuk mengkoordinasikan antara model-model tersebut. Saya masih memantau bagian itu, setidaknya dari cara saya melihat, ini adalah bagian yang paling menarik.
#opg $OPG @OpenGradient
Terverifikasi
Ada satu hal yang cukup aneh dalam gelombang token AI saat ini...
Semakin banyak proyek yang membahas AI, semakin sulit bagi saya untuk melihat di mana sebenarnya AI muncul dalam perilaku penggunaan sehari-hari. Sebagian besar cerita masih berputar di sekitar token, likuiditas, dan ekspektasi masa depan lebih dari nilai yang dikonsumsi saat ini.
Masalah ini bukan hal baru, crypto sudah terbiasa dengan memfasilitasi segala sesuatu sebelum membuktikan kebutuhan yang nyata, AI tampaknya juga mengikuti jalur yang sama. Terlalu banyak model yang dibangun, terlalu banyak infrastruktur yang dipromosikan tetapi pertanyaan siapa yang membayar untuk menggunakannya sering kali diabaikan.
Sistem saat ini menciptakan sebuah paradoks bahwa aliran modal ke AI sangat besar tetapi akses data, model, dan kapasitas komputasi masih terpusat, pengguna akhir jarang memiliki bagian dari nilai yang mereka kontribusikan.
Itulah yang membuat OpenGradient berbeda dari banyak token AI lainnya. Sepertinya pendekatan mereka bukanlah mengubah AI menjadi narasi baru untuk trading tetapi membangun lapisan infrastruktur di mana data, model, dan inferensi dapat dipadukan sebagai aset ekonomi.
Menariknya, adopsi adalah ujian yang sebenarnya, bukan TVL, bukan roadmap. Jika pengguna tidak muncul, semua desain hanyalah asumsi.
Saya masih memiliki keraguan tetapi setidaknya dari sudut pandang saya, OpenGradient sedang mempertanyakan struktur nilai dari AI alih-alih hanya menceritakan kisah pertumbuhannya. Itu bisa jadi bagian yang lebih menarik untuk diamati dalam beberapa kuartal ke depan.
#opg $OPG @OpenGradient
Semakin banyak proyek yang membahas AI, semakin sulit bagi saya untuk melihat di mana sebenarnya AI muncul dalam perilaku penggunaan sehari-hari. Sebagian besar cerita masih berputar di sekitar token, likuiditas, dan ekspektasi masa depan lebih dari nilai yang dikonsumsi saat ini.
Masalah ini bukan hal baru, crypto sudah terbiasa dengan memfasilitasi segala sesuatu sebelum membuktikan kebutuhan yang nyata, AI tampaknya juga mengikuti jalur yang sama. Terlalu banyak model yang dibangun, terlalu banyak infrastruktur yang dipromosikan tetapi pertanyaan siapa yang membayar untuk menggunakannya sering kali diabaikan.
Sistem saat ini menciptakan sebuah paradoks bahwa aliran modal ke AI sangat besar tetapi akses data, model, dan kapasitas komputasi masih terpusat, pengguna akhir jarang memiliki bagian dari nilai yang mereka kontribusikan.
Itulah yang membuat OpenGradient berbeda dari banyak token AI lainnya. Sepertinya pendekatan mereka bukanlah mengubah AI menjadi narasi baru untuk trading tetapi membangun lapisan infrastruktur di mana data, model, dan inferensi dapat dipadukan sebagai aset ekonomi.
Menariknya, adopsi adalah ujian yang sebenarnya, bukan TVL, bukan roadmap. Jika pengguna tidak muncul, semua desain hanyalah asumsi.
Saya masih memiliki keraguan tetapi setidaknya dari sudut pandang saya, OpenGradient sedang mempertanyakan struktur nilai dari AI alih-alih hanya menceritakan kisah pertumbuhannya. Itu bisa jadi bagian yang lebih menarik untuk diamati dalam beberapa kuartal ke depan.
#opg $OPG @OpenGradient
Ada satu hal yang cukup aneh dalam narasi AI x Blockchain beberapa tahun terakhir.
Semakin banyak proyek yang berbicara tentang membawa AI ke blockchain, semakin saya merasakan jarak antara kedua sistem ini belum benar-benar teratasi. Satu sisi mengoptimalkan untuk verifikasi, sisi lainnya beroperasi berdasarkan data, model, dan kemampuan inferensi yang terus berubah.
Masalahnya adalah ini bukan hal baru, AI butuh data yang dapat dipercaya, blockchain butuh aplikasi yang menciptakan permintaan nyata tetapi sebagian besar sistem saat ini masih bergantung pada lapisan perantara untuk menghubungkan kedua sisi.
Akibatnya, gesekan muncul di mana-mana, data sulit untuk diverifikasi asal-usulnya, model sulit untuk dibuktikan, pengguna akhir hampir tidak peduli dengan teknologi di belakangnya, mereka hanya ingin hasil yang stabil.
Itu adalah bagian yang membuat saya tertarik pada OpenGradient. Sepertinya pendekatan mereka bukan tentang menambahkan AI ke blockchain tetapi tentang membangun lapisan infrastruktur agar AI dapat berinteraksi dengan data dan status onchain dengan cara yang lebih dapat dipercaya.
Namun, narasi bukanlah sesuatu yang menentukan hasil, penggunaan adalah tes yang sebenarnya. Jika agen AI tidak menggunakan sistem seperti itu, setiap desain hanya akan berhenti pada teori.
Setidaknya dari sudut pandang saya, pertanyaan yang menarik bukanlah apakah AI perlu blockchain atau tidak, tetapi apakah blockchain dapat menjadi lapisan yang dapat diandalkan untuk AI atau tidak. Saya masih memantau bagian ini.
#opg $OPG @OpenGradient
Semakin banyak proyek yang berbicara tentang membawa AI ke blockchain, semakin saya merasakan jarak antara kedua sistem ini belum benar-benar teratasi. Satu sisi mengoptimalkan untuk verifikasi, sisi lainnya beroperasi berdasarkan data, model, dan kemampuan inferensi yang terus berubah.
Masalahnya adalah ini bukan hal baru, AI butuh data yang dapat dipercaya, blockchain butuh aplikasi yang menciptakan permintaan nyata tetapi sebagian besar sistem saat ini masih bergantung pada lapisan perantara untuk menghubungkan kedua sisi.
Akibatnya, gesekan muncul di mana-mana, data sulit untuk diverifikasi asal-usulnya, model sulit untuk dibuktikan, pengguna akhir hampir tidak peduli dengan teknologi di belakangnya, mereka hanya ingin hasil yang stabil.
Itu adalah bagian yang membuat saya tertarik pada OpenGradient. Sepertinya pendekatan mereka bukan tentang menambahkan AI ke blockchain tetapi tentang membangun lapisan infrastruktur agar AI dapat berinteraksi dengan data dan status onchain dengan cara yang lebih dapat dipercaya.
Namun, narasi bukanlah sesuatu yang menentukan hasil, penggunaan adalah tes yang sebenarnya. Jika agen AI tidak menggunakan sistem seperti itu, setiap desain hanya akan berhenti pada teori.
Setidaknya dari sudut pandang saya, pertanyaan yang menarik bukanlah apakah AI perlu blockchain atau tidak, tetapi apakah blockchain dapat menjadi lapisan yang dapat diandalkan untuk AI atau tidak. Saya masih memantau bagian ini.
#opg $OPG @OpenGradient
Masuk untuk menjelajahi konten lainnya