How Newton Could Let Crypto Enforce Rules Without Exposing Private Data
When I look at Newton’s long-term FHE direction, I do not see it as just another technical feature being added to a crypto protocol. I see it as a response to a problem that keeps showing up again and again in this space: how do we prove that rules are being followed without exposing everything behind those rules? I think this matters because crypto has always leaned heavily on visibility. That is part of what made it powerful in the first place. Anyone can check what happened. Anyone can trace a transaction. Anyone can verify the state of a contract. I still think that openness is one of crypto’s strongest ideas. But I also think it creates a real problem once more serious financial activity starts moving onchain. I keep coming back to simple examples. A vault manager may need to prove that they are not taking too much risk. A stablecoin transfer may need to pass certain checks before it settles. A tokenized real-world asset may only be allowed to move between eligible users. An AI agent may need strict limits so it does not move funds outside its intended role. In all of these cases, I can understand why a rule needs to exist. That part is easy. What is harder is figuring out how to check the rule without exposing private information that should never be public in the first place. That is where Newton becomes interesting to me. The way I understand it, Newton is trying to put policy checks in front of transactions before they execute. So instead of waiting for a risky action to happen and then reviewing it later, the system checks the action first. If it fits the policy, it can continue. If it does not, it gets stopped before settlement. I like that idea because it feels more practical than simple monitoring. Monitoring can tell you what went wrong after the damage is already done. A policy layer tries to stop the wrong action before it happens. That difference may sound small, but in financial systems, it matters a lot. I see the clearest example in vault management. A vault curator can promise depositors that they will follow a certain strategy, avoid certain markets, respect exposure limits, or keep fees inside a defined range. But promises are still promises. They depend on trust, reputation, and sometimes manual review. Newton’s VaultKit points toward something stricter. It suggests that those promises can become transaction-level rules. If the curator tries to do something outside the allowed boundaries, the action can be blocked before it reaches the vault. I think that is important because Newton does not need to replace the vault itself. It can sit between the curator and the vault, which makes the idea feel less disruptive and more usable. Builders usually do not want to throw away what already works. They want better controls without rebuilding everything from scratch. But once I think about that policy layer for more than a minute, the privacy issue becomes impossible to ignore. A policy engine needs information. It might need price data, wallet information, risk ratings, exposure levels, eligibility status, or other sensitive inputs. If every policy check exposes those inputs, then the system creates a new problem while trying to solve the original one. That is why I find Newton’s long-term FHE path worth paying attention to. Fully Homomorphic Encryption sounds complicated, but the basic idea is simple enough. It allows computation to happen on encrypted data. In other words, the system can check something without opening the private information first. The data stays encrypted, the rule still runs, and only the final result is revealed. For Newton, I do not think the final result needs to be dramatic. Most of the time, the system only needs to answer one question. Is this action allowed or not? That is it. And honestly, that small answer may be the whole point. A vault does not need to reveal every detail behind its risk model. It only needs to prove that a proposed move stays inside the allowed limits. A user does not need to reveal every identity detail to a smart contract. The contract may only need to know whether the user passed the required check. A compliance system does not need to publish sensitive information onchain. It only needs to produce a decision that the transaction can rely on. I think this is where crypto needs to mature. For years, the default answer has been to make everything visible. That works for some things. It works for balances, transfers, and contract states. But it does not work for every type of financial data. Some information needs to stay private, even when the result needs to be verified. So the better model, at least in my view, is not total secrecy and not total exposure. It is selective proof. Reveal the decision. Keep the unnecessary details closed. Newton’s privacy path seems to move in that direction step by step. Basic encryption protects data from being openly visible. Threshold decryption reduces the risk of one party controlling the full key. Multi-party computation can let several operators work with private inputs without any single one seeing the full picture. FHE is the more ambitious version, where the policy can be checked while the data stays encrypted from beginning to end. I do not want to make FHE sound easier than it is. It is not a simple switch. It is still heavy, slow compared with normal computation, and difficult to use at scale. I think anyone looking at Newton should be honest about that. FHE should be seen as a long-term path, not something that instantly changes everything overnight. Still, I think Newton’s use case makes sense for it because policy checks are usually narrow. The system may only need to compare numbers, check thresholds, confirm permissions, or return a yes-or-no answer. That feels more realistic than trying to run huge private workloads on encrypted data. That is also why Newton’s recent direction feels important to me. Its mainnet beta, VaultKit rollout, and data partnerships suggest that the protocol is trying to build useful authorization infrastructure first. Price feeds, risk ratings, and external data can all become part of policy decisions. Once that policy layer has real usage, stronger privacy becomes much more meaningful. I do not think the real question is whether Newton can talk about FHE. Many projects can talk about advanced cryptography. The real question is whether Newton can build a policy system that people actually use before full FHE becomes practical. That is what I would watch. I would watch whether developers find the policies easy to write. I would watch whether vault managers can enforce rules without making their operations painful. I would watch whether institutions see value in private policy checks. I would watch whether users can interact with the system without feeling like they are dealing with something overly complex. From an investor’s point of view, I would not treat FHE as a short-term price trigger. I think that would be the wrong way to read the story. The stronger signal is adoption. Are real applications using Newton? Are vaults relying on it for actual controls? Are data providers improving the quality of policy decisions? Are operators reliable? Are authorization receipts becoming useful? If those things grow, then FHE becomes more than a future idea. It becomes a privacy upgrade for a network that already has a reason to exist. The bigger point, at least for me, is that crypto does not need to choose between exposing everything and trusting blindly. That choice feels too limited. The more interesting future is one where a system can prove that a rule was followed without showing every private detail used to reach that decision. That is why I think Newton’s FHE path is worth watching, even if it is still early and technically difficult. It points toward private verification. And I think private verification is one of the missing pieces if crypto wants to support vaults, RWAs, stablecoins, lending markets, institutional wallets, and AI agents in a more serious way. The most useful financial systems may not be the ones that reveal the most information. They may be the ones that reveal only what is necessary. That is how I see Newton’s long-term FHE vision. A transaction does not always need to tell the whole story. Sometimes it only needs to prove that it was allowed. #Newt @NewtonProtocol $NEWT
Tôi cứ nghĩ mãi về Newton Protocol — thật lạ là các quy tắc của DeFi vẫn còn như thế.
Không phải các quy tắc về mã.
Mà là những quy tắc khác.
Những yêu cầu bắt buộc, giới hạn rủi ro, ghi chú về chính sách, lời hứa của người giám tuyển, và những tài liệu được viết cẩn thận, nằm bao quanh hệ thống như các biển cảnh báo cạnh một cánh cửa đang mở.
Kết luận dễ dàng nhất là DeFi chỉ cần minh bạch hơn.
Nhưng tôi không chắc rằng như vậy là đủ.
Minh bạch cho bạn biết chuyện gì đã xảy ra. Đôi khi nó còn cho bạn biết vì sao. Nhưng nó không phải lúc nào cũng đứng ngay trước giao dịch và nói: “Không, cái này vi phạm quy tắc.”
Đó là lúc Newton Protocol trở nên thú vị.
Nó không cố làm cho sổ tay quy tắc trông gọn gàng hơn. Nó đang cố đưa sổ tay quy tắc lại gần với khâu thực thi — nơi một giao dịch có thể được kiểm tra trước khi nó được “chốt”.
Nghe có vẻ hữu ích.
Nhưng cũng nghe có vẻ không thoải mái.
Bởi vì một khi các quy tắc có thể ngăn cản hành động, DeFi sẽ phải tự hỏi: loại quy tắc nào xứng đáng có quyền lực đó, ai là người định nghĩa chúng, và mức độ kiểm soát có thể được thêm vào bao nhiêu trước khi “permissionless” bắt đầu giống một khẩu hiệu kèm chữ nhỏ.
Bản beta mạng chính của Newton trên Base và Ethereum, cùng với VaultKit, nhắm thẳng vào sự giằng co đó.
Các curator của Vault có thể đặt các lớp kiểm tra xung quanh phân bổ, thị trường, phí, giới hạn rủi ro và các bên đối tác. Về lý thuyết, điều đó khiến vốn khó bị sử dụng sai hơn. Nhưng trên thực tế, nó cũng khiến thiết kế chính sách trở nên quan trọng hơn hầu hết mọi người muốn thừa nhận.
Tôi hiểu vì sao mọi người lại chú ý.
Vấn đề là có thật.
DeFi luôn giỏi trong việc di chuyển tiền. Nhưng ít thuyết phục hơn trong việc khiến tiền tôn trọng ý định khi mọi thứ trở nên phức tạp.
Có lẽ Newton giúp khắc phục điều đó.
Hoặc có lẽ nó đơn giản là chỉ ra mức độ lộn xộn của những quy tắc có thể thực thi sẽ trở thành thế nào khi chúng rời khỏi tài liệu và bước vào đường đi của giao dịch.
Dù thế nào đi nữa, thay đổi thực sự không phải là DeFi có thêm nhiều quy tắc hơn.
Mà là: các quy tắc cuối cùng có thể ngừng mang tính trang trí.
Newton Protocol keeps pulling my attention back for a reason I cannot ignore.
Most people seem to be watching it from the surface. They see AI, they see price movement, they see another protocol trying to fit into the current market story. That is the easy read.
But the deeper part feels a lot heavier.
Newton Protocol is touching something most people are not really talking about yet: automated trading, developer tools, and systems that can act without waiting for a human to check every move.
That sounds useful.
It also sounds risky.
Because once machines start handling decisions at market speed, the real question is not only how fast they can move. It is how much control we still have when something goes wrong.
Everyone wants efficiency until the cost of efficiency shows up.
That is why Newton Protocol feels different to me. It is not just about another AI angle. It sits right in the middle of a much bigger problem.
We are building tools that can move faster than our judgment.
And if the rules are not strong enough before that happens, the market may not get a second chance to learn from the mistake.
Newton Protocol Có Thể Đang Giải Quyết Vấn Đề Tẻ Nhạt Nhưng Nguy Hiểm Nhất Của Crypto
Tôi không thấy Newton Protocol chỉ là một dự án crypto AI “khác đi cho vui”. Cách mô tả đó nghe có vẻ quá dễ dàng, gần như quá trơn tru. Khi tôi nhìn vào những gì Newton đang cố gắng xây dựng, phần gây ấn tượng với tôi không phải là ý tưởng về giao dịch AI đơn thuần. Điểm nổi bật nằm ở nỗ lực ngăn dòng tiền được tự động hóa làm những việc mà nó chưa bao giờ được thiết kế để làm. Điều đó giống như vấn đề cốt lõi thực sự. Trong crypto đã có sẵn bot. Đã có cả quản lý vault, chiến lược tự động và các hệ thống giao dịch có thể hoạt động nhanh hơn bất kỳ con người nào. Tôi không còn thấy phần đó quá bất ngờ nữa. Điều tôi cho là quan trọng hơn là chuyện gì xảy ra khi sự tự động hóa đó mắc sai lầm. Trên onchain, một bước đi sai không giống như việc bấm “hoàn tác” trên một tài liệu. Một phê duyệt sai, một quy tắc vault lỏng lẻo, hoặc một giao dịch bất cẩn có thể trở thành vĩnh viễn trước khi ai đó kịp phản ứng.
Nỗi sợ đang quay trở lại với những cái tên này. Trong khi hoảng loạn thúc đẩy đợt bán tháo, tiền thông minh đã sẵn sàng theo dõi để chờ đợi đợt đảo chiều tiếp theo. 👀🔥
Tôi cứ quay lại OpenGradient với một ý nghĩ không mấy thoải mái.
Hầu hết các sản phẩm AI đều đưa cho bạn một câu trả lời, rồi lặng lẽ biến mất.
Có thể như vậy ổn cho các trường hợp sử dụng đơn giản, nhưng giờ nó không còn đủ nữa.
Tôi muốn biết điều gì đã diễn ra đằng sau câu trả lời.
Mô hình đúng đã được chạy chưa?
Phiên bản đó có đúng không?
Dữ liệu có được bảo vệ trong lúc yêu cầu đi qua hệ thống không?
Những câu hỏi này rất dễ bị bỏ qua vì phần “bóng bẩy” chính là đầu ra.
Nhưng nếu AI sẽ đảm nhận những công việc nghiêm túc hơn, thì quy trình nằm phía sau đầu ra đó phải có ý nghĩa.
Đó là điều đã kéo tôi đến OpenGradient.
Ban đầu, nó giống như một trung tâm mô hình.
Nhưng càng tìm hiểu, tôi càng cảm thấy họ tập trung vào điều sâu hơn: cách các mô hình thực sự được sử dụng, được xác minh, và được chuyển qua một mạng lưới.
Hệ thống chia công việc thành các vai trò khác nhau.
Suy luận diễn ra ở một lớp.
Xác minh diễn ra ở lớp khác.
Dữ liệu có đường đi riêng.
Nó không phải điều dễ giải thích gọn gàng nhất, nhưng logic thì hợp lý.
AI cần phải có cảm giác nhanh.
Không ai muốn ngồi chờ trong lúc mọi bước ẩn phía sau lần lượt hoàn tất.
Vì vậy, OpenGradient cho phép câu trả lời đến trước, trong khi các kiểm tra tính toàn vẹn vẫn tiếp tục ở phía sau.
Đoạn đó đã gây ấn tượng mạnh với tôi.
Rồi còn x402.
Thay vì ép mọi thứ vào mô hình đăng ký thông thường, việc suy luận có thể được thanh toán theo từng yêu cầu.
Một câu hỏi.
Một luồng thanh toán.
Một phản hồi.
Nó khiến mối liên hệ giữa việc sử dụng và việc quyết toán trở nên trực tiếp hơn.
Phần liên quan đến quyền riêng tư còn thú vị hơn.
Đây không chỉ là chuyện một công ty nói: “hãy tin chúng tôi.”
TEE compute và secure enclaves là để chứng minh nơi mà mã thực sự đã chạy.
Điều đó thay đổi cuộc trò chuyện.
Đặc biệt là khi lời nhắc là riêng tư và đầu ra có thể mang giá trị thực.
OpenGradient Chat có vẻ là nơi mà tất cả những mảnh ghép này trở nên dễ nhìn thấy hơn.
Nó không cố làm ồn.
Nó sử dụng mã hóa cục bộ, định tuyến và thực thi an toàn để làm cho các phần “vô hình” khó bị làm giả hơn.
Tôi cứ nghĩ về OpenGradient — phần của AI mà chúng ta thường bỏ qua.
Bạn nhập một thứ gì đó.
Ở đâu đó, một hệ thống làm phần việc đó.
Câu trả lời xuất hiện như thể không có gì phức tạp đã xảy ra.
Phần lớn thời gian, chúng ta chấp nhận điều đó vì mức độ rủi ro còn nhỏ. Một bản tóm tắt, một bản nháp, một lời giải thích nhanh. Được thôi. Không ai đặt quá nhiều câu hỏi.
Nhưng điều đó bắt đầu trở nên không vững khi những hệ thống tương tự lại xử lý dữ liệu riêng tư, các hành động tài chính, các tác nhân (agents), hoặc những quyết định vượt ra ngoài màn hình.
Lúc đó, “chỉ cần tin vào đầu ra” nghe có vẻ quá yếu.
Đó là lý do OpenGradient thu hút sự chú ý của tôi.
Nó không chỉ hỏi làm thế nào để chạy AI tốt hơn. Nó hỏi làm thế nào để phần “ẩn” có thể tự chứng minh.
Lời nhắc (prompt) phải được bảo vệ.
Mô hình phải chạy ở nơi người vận hành không thể âm thầm can thiệp.
Kết quả cần quay lại kèm một số bằng chứng rằng công việc thực sự đã được thực hiện đúng như tuyên bố.
Nghe có vẻ kém “bắt mắt” hơn một lần ra mắt mô hình khác, nhưng có thể lại quan trọng hơn.
Vì những người xây dựng đang dần vấp phải một bài toán khó hơn.
Tốc độ quan trọng, nhưng chỉ tốc độ thôi thì không đủ để tạo niềm tin.
Một câu trả lời gọn gàng là hữu ích, nhưng một câu trả lời gọn gàng mà không có bằng chứng vẫn chỉ là một lời khẳng định.
Sự thay đổi sâu xa thì đơn giản:
Chúng ta đang chuyển từ việc tin vào công ty đứng sau hệ thống sang việc tin vào quy trình mà hệ thống có thể chứng minh.
Tôi cứ nghĩ về OpenGradient, về việc chúng ta dễ dàng chấp nhận các câu trả lời từ AI đến mức nào.
Một câu xuất hiện rất nhanh. Nó nghe thật gọn gàng. Nó tạo cảm giác chắc chắn, tự tin.
Vì vậy, ta cứ tiến tiếp.
Nhưng có lẽ phần kỳ lạ nhất nằm ở đó. Chúng ta hiếm khi dừng lại để hỏi điều gì đã xảy ra trước khi câu trả lời đến được với mình.
Mô hình nào thực sự đã chạy? Đầu ra có bị thay đổi trên đường đi không? Việc tính toán có thực sự diễn ra, hay chúng ta đang tin vào “hình dạng” của sự tự tin?
Tôi hiểu vì sao mọi người làm điều đó.
Phần lớn thời gian, mức độ rủi ro có vẻ thấp. Một câu trả lời nhanh, một bản tóm tắt, một chút hỗ trợ cho điều gì đó nhỏ. Trong những khoảnh khắc ấy, việc tin tưởng không giống như một quyết định lớn.
Nhưng logic đó bắt đầu sụp đổ khi AI tiến gần hơn đến giá trị thực.
Tiền. Hợp đồng. Dữ liệu riêng tư. Các tác nhân tự động đưa ra lựa chọn trước khi một con người có thể kiểm tra công việc.
Lúc đó, một câu trả lời được đánh bóng là chưa đủ.
Nó cần có thứ gì đó đứng sau.
Chính điều đó khiến OpenGradient trở nên thú vị với tôi. Không phải vì nó chỉ đơn giản là lưu trữ các mô hình hay đưa AI lên onchain, mà vì nó tập trung vào bằng chứng xoay quanh chính đầu ra.
Cách để biết quá trình tính toán thực sự đã diễn ra. Cách để chuyển từ “nghe có vẻ đúng” sang “có thể được xác minh.”
Tôi không nghĩ giai đoạn tiếp theo của AI chỉ xoay quanh việc ai xây dựng mô hình lớn nhất hoặc ồn ào nhất.
Có thể nó sẽ phụ thuộc vào điều gì đó yên lặng hơn.
Những hệ thống nào vẫn có thể được tin cậy khi không ai đang theo dõi máy móc vận hành.
Tôi liên tục quay lại với OpenGradient, phần yên tĩnh của AI.
Không phải là câu trả lời.
Không gian trước câu trả lời.
Khoảng trống kỳ lạ nơi mà một prompt biến mất, điều gì đó xảy ra phía sau bức màn, và một kết quả được tinh chỉnh xuất hiện trước mắt chúng ta như thể quá trình không bao giờ cần phải được đặt câu hỏi.
Nhưng tôi có đặt câu hỏi.
Liệu đó có phải là mô hình mà tôi mong đợi không? Dữ liệu có được xử lý đúng cách không? Kết quả có đến từ mô hình thực sự, hay từ một lớp ẩn nào đó xung quanh nó?
Càng nhìn vào cơ sở hạ tầng AI, tôi càng cảm thấy như chúng ta đã trở nên quá thoải mái với việc không biết.
Chúng ta yêu cầu tốc độ. Chúng ta yêu cầu kết quả tốt hơn. Chúng ta yêu cầu những tác nhân thông minh hơn.
Nhưng chúng ta hiếm khi yêu cầu bằng chứng.
Đó là lý do tại sao OpenGradient cảm thấy khác biệt với tôi.
Nó không chỉ cố gắng làm cho AI chạy ở một nơi mới. Nó đang cố gắng làm cho quá trình để lại dấu vết.
Với HACA, công việc được chia ra thay vì lặp đi lặp lại một cách mù quáng ở khắp mọi nơi.
Các nút suy diễn xử lý việc thực thi mô hình. Việc xác minh diễn ra riêng biệt. Mạng không chỉ chấp nhận câu trả lời một cách đơn giản; nó kiểm tra bằng chứng phía sau nó.
Ý tưởng đó thay đổi cách tôi nghĩ về lòng tin.
Tôi từng nghĩ lòng tin là điều mà những hệ thống này đơn giản phải kiếm được thông qua danh tiếng.
Giờ đây, nó cảm thấy như lòng tin phải được xây dựng trực tiếp vào kiến trúc.
Các nút TEE và zkML không phải là công cụ nhẹ, và chúng chắc chắn không cần thiết cho mọi yêu cầu AI không nghiêm túc.
Nhưng đối với bất cứ điều gì nghiêm túc — logic tài chính, tác nhân tự động, mô hình rủi ro, dữ liệu cá nhân, quyết định tự động — lòng tin mù quáng bắt đầu trông có vẻ lỗi thời.
Model Hub thêm một mảnh ghép nữa vào bức tranh đó.
Nó cung cấp cho các nhà phát triển một nơi để làm việc với các mô hình, khám phá chúng, phiên bản chúng, và sử dụng chúng thông qua cơ sở hạ tầng được thiết kế xung quanh việc xác minh thay vì giả định.
Đó là phần mà tôi nhớ mãi.
Cuộc đua AI không chỉ về việc ai có thể tạo ra mô hình nhanh hơn, lớn hơn, hoặc thuyết phục hơn.
Cuộc đua thực sự có thể là ai có thể chứng minh điều gì thật sự đã xảy ra.
Không phải vì "tính toán AI trên chuỗi" nghe hấp dẫn.
Thật lòng mà nói, cụm từ đó đã được lặp đi lặp lại nhiều đến nỗi giờ không còn gây ấn tượng nữa.
Điều khiến tôi dừng lại là một điều thầm lặng hơn.
Chúng ta sử dụng những mô hình này như thể chúng ta hiểu những gì đang diễn ra sau màn hình, nhưng hầu hết thời gian thì chúng ta không. Một prompt được đưa vào. Một câu trả lời được đưa ra. Và mọi người hành động như thể phần ở giữa không đáng để chất vấn.
Nhưng nó thì có.
Ai thực sự đã xác minh mô hình? Ai đã kiểm tra môi trường mà nó hoạt động? Ai đã chứng minh rằng đầu ra được tạo ra đúng cách?
Hầu hết mọi người không bao giờ hỏi. Họ chỉ lấy kết quả và tiếp tục.
Đó là phần khiến tôi khó chịu.
Bởi vì nếu AI sẽ chạm vào tài chính, dữ liệu cá nhân, đại lý, và quy trình tự động, thì việc tin tưởng vào một máy chủ ở giữa bắt đầu trở nên liều lĩnh.
Đó là lý do tại sao OpenGradient trở nên thú vị với tôi.
Không phải như một stack công nghệ sáng bóng khác. Không phải như một cuộc cách mạng qua đêm.
Mà giống như một nỗ lực ban đầu để mang lại bằng chứng vào một không gian vẫn hoạt động dựa trên niềm tin mù quáng.
Tôi không nói rằng mọi thứ sẽ thay đổi vào ngày mai.
Nhưng tôi nghĩ rằng câu hỏi này sẽ trở nên quan trọng hơn theo thời gian:
Khi AI bắt đầu đưa ra quyết định có hậu quả thực sự, liệu chúng ta có chấp nhận những câu trả lời mà chúng ta không thể xác minh không?
Tôi cứ suy nghĩ về OpenGradient, làm sao tôi lại dễ dàng tin vào những thứ mình không thể thấy.
AI đưa ra câu trả lời, và phản xạ đầu tiên của tôi là đánh giá bề mặt.
Nó có nghe rõ ràng không? Nó có cảm giác hữu ích không? Nó có đến đủ nhanh không?
Nhưng tôi cứ bắt gặp bản thân mình ở đó, vì đó là phần hiển nhiên.
Câu hỏi khó hơn là điều gì đã xảy ra trước khi câu trả lời đến với tôi.
Tôi không có ý nói điều đó theo cách kịch tính. Tôi muốn nói về phần tĩnh lặng mà không ai thực sự ngồi lại với nó. Mô hình nào đã xử lý nó? Kết quả có bị thay đổi ở đâu đó không? Có cách nào để kiểm tra con đường mà không chỉ đơn giản là tin vào hệ thống đã tạo ra nó không?
Đó là nơi OpenGradient mang đến cảm giác khác với tôi.
Không hoàn hảo. Không tự động là câu trả lời cuối cùng. Chỉ khác đủ để khiến tôi tạm dừng.
Tôi hiểu tại sao mọi người muốn AI di chuyển nhanh hơn. Tốc độ cảm giác như tiến bộ khi mọi thứ trực tuyến đều được xây dựng xung quanh sự thiếu kiên nhẫn.
Nhưng tôi cũng tự hỏi liệu tốc độ mà không có bằng chứng có trở thành một loại rủi ro riêng không.
Bởi vì một khi AI bắt đầu chạm vào các tác nhân, tiền bạc, danh tính và dữ liệu cá nhân, một câu trả lời tự tin không còn đủ nữa. Tôi không muốn chỉ nghe rằng điều gì đó đã hoạt động. Tôi muốn một cách nào đó để biết rằng nó đã thành công.
Đó là phần mà tôi cứ quay lại.
Có lẽ tương lai thực sự của AI không phải là làm cho máy móc nghe giống con người hơn.
Có lẽ nó là về việc làm cho công việc của họ khó bị ẩn giấu hơn.
Tôi cứ nghĩ về OpenGradient, một phần của crypto AI mà cảm giác quá dễ để bỏ qua.
Mô hình là phần hiển thị. Chúng là những gì mọi người có thể thử nghiệm, so sánh và tranh luận. Nhưng tôi cứ quay lại với một vấn đề yên tĩnh hơn nằm dưới tất cả điều đó.
Chuyện gì xảy ra sau khi mô hình đưa ra câu trả lời?
Tôi không nghĩ câu hỏi đó nhận được đủ sự chú ý.
Nếu một đầu ra AI chạm vào một hợp đồng, chuyển hướng vốn, điều khiển một tác nhân, hoặc ảnh hưởng đến một quyết định tài chính, tôi không thể chỉ chấp nhận "mô hình đã nói vậy" là đủ.
Cảm giác điều đó yếu ớt.
Có thể nó hoạt động cho một bản demo.
Có thể nó hoạt động khi rủi ro còn nhỏ.
Nhưng khi tài sản thật được đưa vào, tôi muốn biết câu trả lời đến từ đâu. Tôi muốn biết liệu mô hình đúng đã chạy, liệu đầu vào có sạch sẽ không, và liệu đầu ra có bị thay đổi trước khi ai đó nhìn thấy nó.
Đó là lúc OpenGradient bắt đầu có ý nghĩa hơn với tôi.
Ban đầu, tôi thấy nó như một dự án cơ sở hạ tầng AI phi tập trung khác. Sau đó, tôi nhìn kỹ hơn vào ý tưởng HACA, và sự tách biệt trở thành phần thú vị.
Nó không cố gắng ép buộc tính toán AI nặng nề trực tiếp trên chuỗi.
Tôi nghĩ điều đó quan trọng.
Cac blockchains không được xây dựng để hoạt động như các cụm GPU. Cố gắng làm cho mỗi validator chạy lại sự suy diễn phức tạp nghe có vẻ sạch trong lý thuyết, nhưng nó sẽ sụp đổ khi bạn nghĩ về chi phí, tốc độ, và quy mô.
Vì vậy, OpenGradient tách biệt công việc.
Suy diễn xảy ra ngoài chuỗi.
Xác minh xảy ra trên chuỗi.
Nghe có vẻ gần như quá đơn giản, nhưng tôi nghĩ sự đơn giản chính là điểm mấu chốt. Chuỗi không cần phải thực hiện tất cả công việc AI. Nó cần làm cho công việc AI trở nên có trách nhiệm.
Tôi cứ quay lại với sự phân biệt đó.
AI nhanh là hữu ích, nhưng AI nhanh mà không có xác minh vẫn phụ thuộc vào niềm tin ẩn. Bạn đang tin tưởng vào máy chủ, người vận hành, phiên bản mô hình, đường dẫn dữ liệu, và việc giao đầu ra.
Hầu hết niềm tin đó là vô hình.
OpenGradient có vẻ như đang xây dựng quanh ý tưởng rằng niềm tin vô hình trở thành vấn đề sau này. Không phải khi mọi người đang thử nghiệm các ứng dụng nhỏ, mà khi các tác nhân bắt đầu đưa ra quyết định mà người dùng không thể kiểm tra thủ công mỗi lần.
Tôi luôn quay lại với OpenGradient vì nó không giống như một thứ mà bạn hoàn toàn hiểu chỉ sau một lần đọc.
Ban đầu, nó trông giống như cơ sở hạ tầng.
Các đường thanh toán.
Trung tâm mô hình.
Các lớp thực thi.
Hệ thống chứng minh.
Loại thứ mà mọi người lướt qua và nhanh chóng xếp vào mục “cơ sở hạ tầng AI.”
Nhưng điều đó cảm thấy quá nông cạn.
Ý tưởng sâu sắc hơn là lòng tin.
Hầu hết AI ngày nay vẫn hoạt động như một chiếc hộp đen bóng loáng. Bạn hỏi, nó trả lời, và mọi người tiếp tục. Điều đó ổn khi đầu ra là thông thường, rủi ro thấp, hoặc có thể vứt bỏ.
Nhưng thế giới đó biến mất khi các tác nhân bắt đầu chạm vào tiền, hợp đồng, thị trường, danh tính và các quyết định thực sự ảnh hưởng đến con người.
Khi đó, tốc độ không còn là câu hỏi chính.
Nguồn gốc quan trọng.
Thực thi quan trọng.
Xác minh quan trọng.
Bởi vì một câu trả lời chỉ hữu ích nếu bạn có thể hiểu nó đến từ đâu và liệu nó có thể được tin tưởng sau đó hay không.
Đó chính là điều làm OpenGradient thú vị đối với tôi.
Điều này không phải về AI phi tập trung cố gắng vượt qua các ông lớn tập trung. Nó không phải về tiếng ồn. Nó liên quan đến sự chuyển mình trong những gì mọi người sẽ yêu cầu từ trí thông minh máy móc khi cược trở nên nghiêm túc.
Không ai muốn phụ thuộc vào “ma thuật” khi giá trị thực đang bị đe dọa.
Họ sẽ muốn bằng chứng.
Và có thể sức mạnh thực sự sẽ không nằm ở mô hình lớn nhất.
Có thể nó sẽ nằm ở bất kỳ ai kiểm soát lớp xác minh dưới trí thông minh.
Vì vậy, câu hỏi trở nên khó chịu:
Khi AI bắt đầu hình thành các quyết định, thị trường, và thực tại chính nó, ai sẽ chứng minh điều gì là đúng?