CSSZS

khi tôi so sánh LINK và NEWT, tôi nhận ra mình vẫn đang nhìn cả hai theo cùng một cách nhàm chán.
hạ tầng, tích hợp, dữ liệu, bảo mật, tuân thủ.
tất cả đều đúng, nhưng cũng quá chung chung.
rồi có một điều chợt bật lên với tôi.
có lẽ phần có giá trị nhất không chỉ là mạng lưới hay bên oracle.
có lẽ đúng hơn là chính bản thân chính sách.
Chainlink ACE giống như một bộ “ngăn xếp tuân thủ” đầy đủ để các tổ chức có thể cắm vào. nhận dạng, giám sát, luồng công việc liên chuỗi, công cụ chính sách—tất cả được kết nối với nhau. và thật lòng mà nói, điều đó hợp lý, vì Chainlink đã có sẵn hệ phân phối, đối tác và hạ tầng trên nhiều chuỗi.
nhưng @NewtonProtocol dường như đang đặt cược vào một hướng hơi khác.
không chỉ là “dùng hệ thống tuân thủ của chúng tôi.”
mà giống như:
hãy xây dựng một chính sách một lần, rồi để nhiều ứng dụng tái sử dụng nó.
hãy nói một vault có quy tắc rằng không thị trường nào được nắm giữ quá 20% số vốn. đòn bẩy phải luôn thấp hơn 2.5x. sức khỏe oracle phải ở trạng thái bình thường. các địa chỉ rủi ro bị chặn.
thông thường, những quy tắc đó nằm bên trong một sản phẩm, một nhóm, thậm chí chỉ là một dashboard riêng.
Newton đang cố biến chúng thành các module chính sách có thể tái sử dụng và có thể được kiểm tra trước khi thanh toán.
logic tương tự có thể bắt đầu từ một vault, rồi sau đó được dùng bởi một vault khác, một sản phẩm stablecoin, một sản phẩm RWA, hoặc thậm chí là ví tác nhân AI.
đây là lúc ý tưởng “Internet of Policies” bắt đầu trở nên có ý nghĩa với tôi.
Newton bắt đầu với các vault vì vấn đề ở đó rất rõ ràng. các nhà quản lý đã có giới hạn rủi ro, nhưng các giới hạn đó thường nằm ngoài chuỗi, bị phân mảnh, hoặc chỉ nhìn thấy sau khi có chuyện gì đó xảy ra sai.
Newton cố gắng chuyển quy tắc vào chính đường đi của giao dịch.
và theo tôi, điều đó tạo ra một loại hiệu ứng mạng khác.
Chainlink có thể tăng trưởng vì ngày càng nhiều hệ thống phụ thuộc vào dữ liệu và các “đường ray” tuân thủ của nó.
Newton có thể tăng trưởng vì ngày càng nhiều ứng dụng tái sử dụng cùng một logic chính sách.
một mạng kết nối thông tin.
mạng còn lại đang cố làm cho các quy tắc trở nên có thể mang đi.
có thể đây là phần mà mọi người đang bỏ sót với $NEWT .
đặt cược không chỉ là có thêm nhiều giao dịch.
đặt cược là các chính sách bản thân trở thành hạ tầng cơ sở trên onchain.
@NewtonProtocol $NEWT $LINK #Newt

AI Agents Cần Có Ranh Giới, Không Chỉ Là Những Mô Hình Tốt Hơn
khi tôi đang tự xây dựng một AI agent cho thị trường dự đoán, trực giác ban đầu của tôi khá đơn giản.
ra lệnh để nó thông minh hơn.
prompt tốt hơn, nguồn dữ liệu tốt hơn, bộ lọc tốt hơn, quét thị trường tốt hơn, suy luận tốt hơn.
ở thời điểm đó, tôi chỉ quan tâm liệu agent có thể tìm được cơ hội tốt hay không.
nhưng rồi một câu hỏi bắt đầu làm tôi băn khoăn:
điều gì sẽ xảy ra nếu agent đúng về cơ hội, nhưng lại sai về quy mô?
hoặc nếu nó tìm thấy một giao dịch tốt, nhưng lại vào quá nhiều vị thế?
hoặc làm theo một tín hiệu nhiễu quá nhanh?
hoặc tương tác với một thị trường mà tôi không hề muốn nó chạm tới?
đó là lúc tôi nhận ra vấn đề thực sự của các AI agent trong tài chính không chỉ nằm ở trí thông minh.
mà nằm ở “quyền hạn”.
một mô hình tốt hơn có thể giảm sai sót, nhưng nó không xác định được một sai lầm được phép gây ra mức thiệt hại bao lớn.
Và nếu một agent kiểm soát một ví, thì chuỗi không quan tâm câu chuyện đằng sau hành động.
giao dịch hoặc được hoàn tất, hoặc không.
đây là lúc @NewtonProtocol trở nên có ý nghĩa với tôi.
Newton không cố gắng trở thành “cái não” của AI agent.
Nó cố gắng trở thành “cái ranh giới” bao quanh nó.
trước khi giao dịch của một agent được chốt, ý định có thể được kiểm tra so với chính sách đang hoạt động. chi tiêu tối đa mỗi ngày. chỉ các giao thức đã được phê duyệt. không có địa chỉ bị cấm. không có hợp đồng rủi ro cao. không có đòn bẩy vượt quá giới hạn. không phân bổ vault ngoài phạm vi được cho phép.
Nếu hành động vi phạm quy tắc, sẽ không có ủy quyền hợp lệ, vì vậy giao dịch có thể bị từ chối trước khi tiền được chuyển đi.
đó là một cách nhìn khác về “agentic finance”.
chúng ta cứ hỏi:
làm sao để tạo ra các agent thông minh hơn?
nhưng có lẽ câu hỏi quan trọng hơn là:
hành động tệ nhất mà agent này được phép thực hiện là gì?
Newton Mainnet Beta bắt đầu với các vault, nhưng logic tương tự có thể mở rộng sang AI agents.
Quản lý vault cần giới hạn rủi ro.
AI agents cần giới hạn thực thi.
vì tự chủ mà không có ranh giới không phải là trí thông minh.
đó chỉ là cách nhanh hơn để tạo ra sai lầm với số vốn thật.
@NewtonProtocol $NEWT #Newt

Phần khó nhất của một chính sách là thống nhất về thực tế
Trong khi đọc whitepaper của Newton, tôi đã cho rằng phần khó là viết chính sách chính nó.
“Chặn giao dịch nếu APY giảm xuống dưới 5%” nghe có vẻ đơn giản.
Sau đó tôi nhận ra một vấn đề sâu hơn: điều gì xảy ra nếu năm nhà vận hành kiểm tra cùng một thị trường vào cùng một thời điểm và thấy năm APY hơi khác nhau?
Một người thấy 5,12%. Người khác thấy 5,04%. Một người thứ ba thấy 4,98%.
Khi đó, chính sách không còn là phần khó nữa. Thực tế là như vậy.
Điều này quan trọng vì các nhà vận hành của Newton cần ký cùng một kết quả trước khi có thể tạo ra chữ ký tổng hợp BLS. Nếu mỗi nhà vận hành đánh giá theo một giá trị dữ liệu khác nhau, họ có thể đều làm đúng theo chính sách nhưng vẫn không thể đồng thuận.
Câu trả lời của Newton là một quy trình đồng thuận hai giai đoạn.
Thứ nhất, ở giai đoạn Prepare, các nhà vận hành độc lập truy xuất dữ liệu bên ngoài thông qua các nhà cung cấp WASM được sandbox. Đó có thể là giá oracle, các feed lệnh trừng phạt, điểm rủi ro hoặc dữ liệu thị trường. Sau đó, Gateway sẽ tính toán một bộ dữ liệu chuẩn (canonical dataset), sử dụng cơ chế đồng thuận dựa trên trung vị cho các trường số.
Thứ hai, ở giai đoạn Evaluate, mỗi nhà vận hành chạy cùng một chính sách Rego trên đúng bộ dữ liệu chuẩn đó, ký vào kết quả, và Aggregator sẽ thoát khi đạt được ngưỡng đồng thuận cần thiết dựa trên stake.
Thiết kế đó đã thay đổi cách tôi nghĩ về các hệ thống chính sách.
Một quy tắc có thể được viết hoàn hảo và vẫn tạo ra kết quả vô dụng nếu mạng không thể đồng thuận về các đầu vào.
Với các vault DeFi, sự khác biệt này là then chốt. Giới hạn đòn bẩy, ngưỡng APY hoặc quy tắc về tình trạng oracle chỉ có thể được thực thi nếu các nhà vận hành có chung một cái nhìn nhất quán về thị trường trước khi vốn được chuyển đi.
Đổi mới thực sự không chỉ là “chính sách dưới dạng code”.
Mà là biến dữ liệu bên ngoài lộn xộn, phụ thuộc thời gian thành một quyết định có thể xác minh mà hợp đồng thông minh có thể tin cậy.
Phần khó nhất của một chính sách không phải là quyết định quy tắc.
Mà là thống nhất về điều gì là đúng ngay bây giờ.
@NewtonProtocol $NEWT #Newt

Trong khi nghiên cứu Newton Mainnet Beta, tôi đã mở vài trang vault DeFi và nhận ra mình cứ lặp lại cùng một quy trình.
Kiểm tra APY. Kiểm tra TVL. Kiểm tra curator. Xem vốn được triển khai vào đâu.
Rồi tôi nhận ra mình chưa từng hỏi câu hỏi quan trọng nhất về mặt kỹ thuật:
Điều gì ngăn người quản lý vi phạm chiến lược sau này?
Một vault có thể tự gọi mình là “rủi ro thấp” và hứa về đòn bẩy giới hạn, các thị trường đã được phê duyệt, và mức độ đa dạng hóa. Nhưng nếu những giới hạn đó chỉ tồn tại trong tài liệu hoặc một bảng điều khiển nội bộ, thì người dùng vẫn đang tin curator sẽ tuân thủ.
Hãy tưởng tượng một vault 100M USD có chiến lược ghi rằng không thị trường nào được nhận quá 20% vốn của nó. Bỗng một pool mới mang lại APY cao hơn nhiều, và người quản lý cố gắng phân bổ 30M USD vào đó.
Giao dịch có thể hoàn toàn hợp lệ trên chuỗi.
Chữ ký đúng. Hợp đồng hoạt động. Giao dịch được xác nhận thành công.
Nhưng nhiệm vụ/quy định riêng của vault đã bị phá vỡ.
Đó là tình huống sử dụng đứng sau @NewtonProtocol Mainnet Beta.
Trước khi giao dịch được xác nhận, Newton có thể đối chiếu ý định với các chính sách tuân thủ hoạt động, nhận dạng, bảo mật và rủi ro. Nếu việc phân bổ vượt quá giới hạn của vault, mạng vận hành sẽ trả về chứng thực (attestation) thất bại và hợp đồng thông minh sẽ từ chối hành động.
Điều đó đã thay đổi cách tôi nghĩ về rủi ro của vault.
Một chiến lược giải thích người quản lý dự định làm gì.
Một bản hiến chương xác định những gì người quản lý được phép làm.
Newton Vault SDK có thể chuyển các quy tắc như danh sách cho phép thị trường, giới hạn đòn bẩy, mức độ phơi nhiễm với đối tác, sức khỏe oracle, kiểm tra trừng phạt (sanctions), và ngưỡng APY thành các điều kiện có thể thực thi, thay vì chỉ là lời hứa.
Newton không quyết định “an toàn” nghĩa là gì đối với từng vault. Mỗi ứng dụng sẽ chọn các quy tắc của riêng mình. Newton cung cấp lớp ủy quyền để xác minh các quy tắc đó trước khi tiền được chuyển.
Mainnet Beta bắt đầu từ các vault, nhưng ý tưởng này có thể mở rộng xa hơn nữa sang stablecoins, RWA và các tác nhân AI.
Bởi vì một khi có vốn thực sự tham gia,
Một chiến lược tốt là chưa đủ.
Các quy tắc cần được thực thi.
@NewtonProtocol $NEWT #Newt

Vài năm trước, tôi nghĩ cuộc đua AI rất đơn giản: ai xây được ứng dụng tốt nhất sẽ thắng.
Giờ tôi không còn chắc nữa.
Cứ vài tháng lại có một mô hình mới trở thành nhân vật chính. GPT. Claude. Gemini. Seedream. Rồi lại có một mô hình khác ra mắt và mọi người lại chuyển hướng. Tầng ứng dụng thì có vẻ rất thú vị, nhưng cũng kỳ lạ là mong manh.
Thứ tồn tại lâu hơn là lớp hạ tầng nằm bên dưới.
Đó là điều khiến OpenGradient trở nên thú vị với tôi. Nó không giống như một cược rằng một mô hình sẽ thắng mãi mãi. Nó giống như một cược rằng người dùng sẽ tiếp tục chuyển động giữa các mô hình, nhưng vẫn luôn cần những thứ giống nhau mỗi lần: quyền riêng tư, khả năng truy cập, xác thực và niềm tin.
Có lẽ đó chính là AI stack thực sự đang dần hình thành ngay bây giờ.
Các mô hình tạo ra trí tuệ.
Các ứng dụng đóng gói trí tuệ.
Hạ tầng quyết định liệu trí tuệ có thể được sử dụng một cách an toàn hay không.
Thành thật mà nói, tôi nghĩ mọi người đánh giá thấp phần cuối đó.
Vì nếu AI trở thành một phần của cách chúng ta viết, xây dựng, thiết kế, nghiên cứu và đưa ra quyết định, thì câu hỏi sẽ không chỉ là "ứng dụng nào có mô hình tốt nhất?"
Mà sẽ là:
Tôi có thể tin cậy hạ tầng nào trên tất cả các mô hình?
Đó là nơi cách tiếp cận của OpenGradient bắt đầu có ý nghĩa. GPT, Claude, Gemini, Seedream, bất cứ thứ gì tiếp theo... tất cả đều có thể thay đổi. Nhưng nhu cầu về quyền truy cập AI riêng tư, có thể xác minh thì không biến mất.
Ứng dụng là tạm thời.
Hạ tầng là vĩnh cửu.
@OpenGradient $OPG #OPG

Bạn tôi hỏi một chuyện nghe hoàn toàn hợp lý.
"Nếu quyền riêng tư là ưu tiên của bạn, sao không cứ dùng Venice?"
Thật ra lúc đó tôi không có câu trả lời nào thỏa đáng ngay.
Trong một thời gian dài, tôi nghĩ AI riêng tư cơ bản là chấp nhận các mô hình yếu hơn. Nếu bạn muốn GPT hay Claude, bạn phải đánh đổi một phần quyền riêng tư. Nếu bạn muốn quyền riêng tư tối đa, bạn sẽ chuyển sang các mô hình mã nguồn mở.
Nó giống như một sự đánh đổi không thể tránh khỏi.
Sau đó tôi dành một chút thời gian để xem Venice và OpenGradient tiếp cận cùng một vấn đề như thế nào.
Venice bắt đầu từ mô hình. Mọi thứ chạy cục bộ. Dùng các mô hình mã nguồn mở. Quyền riêng tư đến từ việc giảm thiểu sự tin tưởng vào bất kỳ ai khác.
OpenGradient bắt đầu từ một nơi khác. Giả định rằng mọi người vẫn muốn các mô hình tầm biên giới như GPT, Claude, Gemini, hoặc thậm chí Seedream 4.0. Thay vì thay đổi các mô hình, hãy thay đổi cơ sở hạ tầng xung quanh chúng. Mã hóa yêu cầu, tách biệt danh tính và sử dụng thực thi dựa trên phần cứng để quyền riêng tư không chỉ là một chính sách.
Cùng một đích đến.
Nhưng giả định thì khác nhau rất nhiều.
Đó là điều khiến tôi thấy thú vị.
Một triết lý nói rằng AI an toàn nhất là AI bám sát bạn nhất.
Triết lý còn lại nói rằng có lẽ ngay từ đầu bạn không cần phải lựa chọn giữa mô hình tốt hơn và quyền riêng tư tốt hơn.
Tôi không biết kiến trúc nào sẽ trở thành tiêu chuẩn.
Nhưng có cảm giác cuộc trò chuyện đã chuyển hướng rồi.
Chúng ta không còn hỏi AI nào thông minh hơn.
Chúng ta bắt đầu hỏi liệu AI thông minh nhất có thể đồng thời là AI mà chúng ta tin tưởng hay không.
@OpenGradient $OPG #OPG $VVV

Vài đêm trước, tôi tìm thấy một bản vẽ mặt bằng căn hộ trên Pinterest và nghĩ, "không thể nào AI biến cái này thành thứ gì đó tôi thực sự sẽ trình cho một khách hàng được."
Thật ra tôi đã sai.
Tôi đưa bản vẽ mặt bằng vào Seedream 4.0, thêm vài gợi ý về vật liệu và ánh sáng, và chỉ trong vài phút, nó đã trông khá giống với một concept nội thất thật. Điều khiến tôi ấn tượng không phải là chất lượng hình ảnh. Mà là bố cục thực sự giữ được tính nhất quán.
Chính lúc đó tôi nhận ra Seedream 4.0 không chỉ là một mô hình tạo ảnh thông thường.
Hầu hết các mô hình ảnh đều bắt đầu bằng một prompt và hi vọng mọi thứ sẽ diễn ra tốt. Seedream 4.0 hiểu trực tiếp các tín hiệu cấu trúc như bản phác thảo, bản đồ mặt bằng, bản đồ độ sâu, mask và các đường viền, thay vì dựa vào các pipeline ControlNet riêng rẽ. Nó giống việc chỉ đạo hơn là chỉ “nhờ AI tưởng tượng” một thứ gì đó.
Điều đó mở ra một case sử dụng hoàn toàn khác. Kiến trúc sư có thể hình dung không gian trước khi render. Nhà thiết kế nội thất có thể lặp lại từ một bản mặt bằng thô. Nhà thiết kế UI có thể phác thảo giao diện và phát triển nó thay vì phải bắt đầu lại mỗi lần.
Điều làm tôi thấy thú vị hơn nữa là thử nghiệm thông qua OpenGradient Image Studio.
Mô hình thì ấn tượng, nhưng cơ sở hạ tầng xung quanh nó cũng vậy. Thay vì giao công việc sáng tạo cho một nền tảng khác và hi vọng mọi thứ được xử lý một cách có trách nhiệm, OpenGradient tập trung vào việc bảo vệ prompt và danh tính người dùng, đồng thời cung cấp quyền truy cập vào các mô hình tiên phong như Seedream 4.0.
Có lẽ đó là hướng đi mà việc tạo ảnh bằng AI sẽ tiến tới.
Không phải prompt lớn hơn.
Mà là kiểm soát tốt hơn.
Và không chỉ là mô hình tốt hơn.
Mà là hạ tầng tốt hơn xung quanh các mô hình mà chúng ta đã dùng.
@OpenGradient $OPG #OPG

Các mô hình tạo ảnh tốt nhất đang bắt đầu trông surprisingly giống nhau
Vài đêm trước, tôi đã tạo cùng một prompt trên GPT Image, Gemini và Seedream 4.0. Thành thật mà nói, tôi kỳ vọng một mô hình sẽ hoàn toàn vượt trội. Nhưng không phải vậy.
GPT tuân thủ chỉ dẫn rất tốt. Gemini xử lý các chỉnh sửa một cách tự nhiên. Seedream 4.0 khiến tôi bất ngờ vì độ nhất quán mà nó duy trì xuyên suốt quá trình tạo và chỉnh sửa. Điều đó không phải ngẫu nhiên—ByteDance đã thiết kế Seedream 4.0 với một kiến trúc thống nhất, để cùng một mô hình có thể vừa tạo vừa chỉnh sửa ảnh thay vì phải chuyển đổi giữa các hệ thống tách rời.
Điều đó khiến tôi suy nghĩ. Có lẽ chúng ta đang đi đến thời điểm mà việc chọn một mô hình ảnh không còn là quyết định khó nhất nữa. Việc chọn hạ tầng xung quanh nó mới có thể là như vậy.
Đó là điều tôi thấy thú vị về OpenGradient Image Studio. Thay vì khóa người dùng vào một mô hình duy nhất, nó cho phép bạn sử dụng nhiều mô hình ảnh “tuyến đầu” khác nhau, bao gồm Seedream 4.0, từ cùng một nơi, đồng thời chú trọng quyền riêng tư bằng cách mã hóa yêu cầu và tách danh tính trước khi chúng đến được mô hình.
Cùng một mô hình.
Trải nghiệm khác nhau.
Có lẽ đó là nơi lớp cạnh tranh tiếp theo sẽ chuyển dịch. Không phải ai xây dựng được mô hình tốt nhất, mà là ai tạo ra cách sử dụng tốt nhất cho mọi mô hình. Bởi vì các mô hình sẽ tiếp tục thay đổi. Còn hạ tầng thì tồn tại lâu hơn.
@OpenGradient $OPG #OPG

Vài tuần trước, tôi đã đặt một Airbnb trông gần như giống hệt một căn khác ở gần đó. Cùng thành phố. Cùng kích thước. Ảnh tương tự. Điểm khác biệt? Một căn đắt hơn khoảng 30%.
Thành thật mà nói, tôi vẫn đặt căn đắt.
Không phải vì căn hộ tốt hơn. Mà vì nó có hàng trăm đánh giá, ảnh đã được xác minh và nhiều năm lịch sử đặt phòng. Căn hộ không phải thứ khiến tôi phải trả thêm. Sự chắc chắn mới là thứ đó.
Ý nghĩ đó quay lại với tôi khi xem RENDER và OpenGradient.
Ở mức tổng quan, cả hai đều gắn với cùng một tài nguyên: điện toán GPU. RENDER đã xây dựng một trong những thị trường GPU phi tập trung lớn nhất trong lĩnh vực crypto. Ý tưởng khá đơn giản. Kết nối tài nguyên tính toán nhàn rỗi với những người cần nó. Mô hình này hoạt động vì nhu cầu render và AI tiếp tục tăng.
Nhưng OpenGradient có vẻ như đang đặt ra một câu hỏi hơi khác.
Nếu chỉ điện toán là chưa đủ thì sao? Nếu người dùng cũng cần niềm tin rằng việc tính toán đã xảy ra đúng như đã công bố thì sao?
Đó là lúc lớp proof (bằng chứng) trở nên thú vị. Các enclave TEE bảo mật quá trình thực thi. Inference có thể xác minh và các bằng chứng zkML tạo ra bằng chứng rằng đầu ra không chỉ được tạo ra một cách tùy ý, mà có thể được kiểm chứng.
Theo một cách nào đó, RENDER giống như Airbnb dành cho GPU. OpenGradient giống như Airbnb dành cho GPU, cộng thêm một hệ thống chứng minh những gì đã diễn ra bên trong căn phòng.
Cùng một tài nguyên cốt lõi. Sản phẩm khác.
Và có lẽ đó cũng là cách thị trường phát triển. Ban đầu giá trị đến từ khả năng truy cập. Về sau giá trị đến từ niềm tin. Người ta không trả thêm cho những gì “có sẵn”. Họ trả thêm cho những gì “có thể được xác minh”.
Tôi không biết liệu đó có phải nơi mà hạ tầng AI sẽ đi tới không. Nhưng nếu trí tuệ trở nên dồi dào, thì tài nguyên khan hiếm tiếp theo có thể không phải là điện toán.
Mà có thể là sự chắc chắn.
@OpenGradient $OPG #OPG $RENDER

Vài ngày trước, tôi đang xem xét hai dự án AI và nhận ra một điều thú vị. Cả hai đều cuối cùng liên quan đến cùng một thứ: GPU. Tuy nhiên, các doanh nghiệp mà họ xây dựng không thể khác nhau hơn.
Trong hầu hết chu kỳ AI của crypto, giả định có vẻ hiển nhiên. Nhu cầu AI cao hơn đồng nghĩa với nhu cầu tính toán cao hơn. Nhiều tính toán hơn có nghĩa là nhiều GPU hơn. Nhiều GPU hơn có nghĩa là doanh thu cao hơn. Đó cơ bản là cược đằng sau Aethir. Tập hợp tài nguyên GPU, cho thuê cho các doanh nghiệp, và biến tính toán thành một thị trường.
Và công bằng mà nói, logic này có lý. AI cần cơ sở hạ tầng. Cơ sở hạ tầng cần tính toán. Các con số phản ánh thực tế đó.
Nhưng càng đi sâu vào thế giới AI, tôi càng tự hỏi liệu tính toán có thực sự là tài nguyên khan hiếm nữa không.
Vài tháng trước, tôi sẽ dành cả ngày để xây dựng một nguyên mẫu. Giờ đây, chỉ cần một vài prompt là tôi có thể tiến xa một cách bất ngờ. Các mô hình đang trở nên rẻ hơn. Sự suy diễn đang trở nên nhanh hơn. Truy cập vào trí thông minh vẫn đang mở rộng.
Vì vậy, câu hỏi mà tôi liên tục quay lại không phải là "Tôi có thể nhận AI không?"
Mà là "Tôi có thể tin tưởng vào những gì AI cung cấp cho tôi không?"
Đó là nơi OpenGradient bắt đầu cảm thấy khác biệt một cách cơ bản. Aethir kiếm tiền từ tính toán. OpenGradient kiếm tiền từ việc xác minh. Một bên bán khả năng tạo ra trí thông minh. Bên còn lại xây dựng cơ sở hạ tầng để xác minh trí thông minh.
Thật lòng mà nói, tôi không nghĩ đây thực sự là một cuộc tranh luận về GPU. Đây là một cuộc tranh luận về nơi giá trị tích lũy khi AI trưởng thành.
Trong giai đoạn đầu, tính toán là khan hiếm. Sau này, khi trí thông minh trở nên phong phú, niềm tin có thể trở thành tài nguyên khan hiếm. Một bên cược rằng nhu cầu AI sẽ tiếp tục chảy về phần cứng. Bên còn lại cược rằng nhu cầu AI cuối cùng sẽ chảy về khả năng xác minh.
Tôi không biết cược nào thắng. Nhưng lịch sử có thói quen kỳ lạ là chuyển giá trị ra khỏi những gì tạo ra một cái gì đó và về phía những gì làm cho cái đó trở nên đáng tin cậy.
@OpenGradient $OPG $ATH #OPG

Vài đêm trước, tôi đã lướt qua những dự án AI cũ mà tôi đã đánh dấu từ nhiều năm trước và tìm thấy một điều buồn cười.
Một số ý tưởng trông thật sự rất sớm vào thời điểm đó. Oracle AI. AI có thể xác minh. Cơ sở hạ tầng AI. Khi đó, hầu hết mọi người vẫn đang tranh luận liệu crypto có cần AI hay không.
Thật lòng mà nói, nó làm tôi nhớ rằng chúng ta thường nhầm lẫn việc đến sớm với việc đúng.
Crypto luôn yêu thích những người tiên phong. Giả thuyết thì đơn giản: đến trước, xây dựng mạng lưới, giữ lợi thế.
Rồi tôi bắt đầu nhìn vào ORAI và OpenGradient.
Điều thú vị là cả hai đều đang cố gắng giải quyết một vấn đề bất ngờ tương tự. Làm thế nào để làm cho đầu ra AI có thể sử dụng trong các hệ thống mà không thể đơn giản tin tưởng vào chúng?
ORAI đã nói về oracle AI nhiều năm trước khi hầu hết mọi người quan tâm. Ở nhiều khía cạnh, nó đã giúp định nghĩa danh mục này.
OpenGradient dường như đang tiếp cận vấn đề từ một góc độ khác. Ít tập trung vào việc kết nối AI với blockchain và nhiều hơn vào việc làm cho AI có thể xác minh được.
Sự khác biệt đó nghe có vẻ tinh tế.
Tôi không chắc là nó có.
Bởi vì thị trường công nghệ hiếm khi thưởng cho ý tưởng đầu tiên. Họ thưởng cho ý tưởng đầu tiên đạt được sự chấp nhận có ý nghĩa.
Ngày nay, OpenGradient đã xử lý hàng triệu suy luận có thể xác minh và hàng trăm nghìn chứng minh zkML. Vào một thời điểm nào đó, cuộc trò chuyện không còn là ai đến trước mà bắt đầu trở thành ai thực sự đang cung cấp sự sử dụng.
Có thể đó là bài học.
Đến sớm chứng tỏ bạn đã nhìn thấy tương lai.
Sự chấp nhận chứng tỏ tương lai đã đến.
@OpenGradient $OPG #OPG

Không ai phàn nàn rằng thang máy chậm chạp.

Cho đến khi họ đã sử dụng một cái nhanh hơn.

Không ai nghĩ nhiều về việc thanh toán một cú nhấp chuột.

Cho đến khi họ phải gõ mọi thứ bằng tay lần nữa.

Sự tiện lợi có cách thú vị để thay đổi kỳ vọng.

Và thành thật mà nói, đó thường là cách công nghệ phát triển.

Không phải qua các đột phá.

Mà qua thói quen.

Trong nhiều năm, việc chờ đợi trong hàng dài cảm thấy bình thường.

Gõ mật khẩu cảm thấy bình thường.

Ngay cả việc tải nhạc cũng cảm thấy bình thường.

Cho đến khi không còn nữa.

AI cảm thấy hơi giống như vậy.

Giải thích bản thân.

Lặp lại sở thích.

Xây dựng lại bối cảnh.

Bắt đầu lại.

Hiện tại, nó cảm thấy bình thường.

Bởi vì ai cũng làm như vậy.

Điều nổi bật khi đọc qua OpenGradient không phải là một nỗ lực khác để nâng cao hiệu suất mô hình.

Mà là điều gì đó đơn giản hơn.

Có thể trí tuệ không phải là trải nghiệm.

Có thể kỳ vọng mới là.

Ký ức AI cảm thấy ít giống như việc thêm khả năng.

Và nhiều hơn như việc nâng cao tiêu chuẩn.

Con người hiếm khi quay ngược lại sau khi sự tiện lợi trở nên vô hình.

Một điều tôi tò mò là liệu bối cảnh tồn tại có trở thành thứ mà người dùng mong đợi thay vì đánh giá cao.

Bởi vì kỳ vọng có cách kỳ lạ để trở thành yêu cầu.

Có thể đó là cách công nghệ lớn lên một cách lặng lẽ.
@OpenGradient #OPG $OPG

Vài đêm trước, tôi đã tranh luận gần 40 phút với ba mô hình AI khác nhau.
Không phải vì chúng bị hỏng.
Mà vì tất cả đều nghe có vẻ đúng.
Tôi đã đưa cho chúng cùng một câu hỏi. Một mô hình gợi ý cách tiếp cận A. Một cái khác thì khăng khăng rằng cách tiếp cận B tốt hơn. Cái thứ ba thì bằng cách nào đó lại không đồng ý với cả hai, nhưng vẫn nghe tự tin như nhau.
Vào một thời điểm nào đó, tôi đã ngừng so sánh các câu trả lời và bắt đầu suy nghĩ về điều gì khác.
Mười năm trước, thách thức là tìm thông tin.
Bây giờ, thách thức là quyết định trí tuệ nào xứng đáng để bạn tin tưởng.
Cảm giác như đây là một sự thay đổi lớn hơn bất kỳ lần phát hành mô hình nào.
Bởi vì khi AI bắt đầu viết mã, xem xét ý tưởng, giúp ra quyết định, tạo nội dung, v.v., trí tuệ không còn là điểm nghẽn nữa.
Niềm tin trở thành điểm nghẽn.
Đó là lý do đã đưa tôi vào một cuộc khám phá quanh các dự án như Bittensor và OpenGradient.
Điều thú vị là cả hai đều đang cố gắng giải quyết cùng một vấn đề, nhưng từ những hướng hoàn toàn khác nhau.
TAO coi trí tuệ như một thị trường. Để các thợ mỏ cạnh tranh. Để các động lực quyết định. Để mạng lưới phát hiện ai thường xuyên tạo ra những đầu ra có giá trị nhất.
OPG dường như bắt đầu từ một giả định khác.
Điều gì sẽ xảy ra nếu trí tuệ không cần cạnh tranh để kiếm được niềm tin?
Điều gì sẽ xảy ra nếu nó có thể được xác minh?
Các khu vực TEE bảo mật việc thực thi. Các hệ thống chứng minh nhằm làm cho suy diễn có thể xác minh thay vì chỉ đơn thuần được tin tưởng.
Thực lòng mà nói, tôi không nghĩ đây thực sự là một cuộc tranh luận về các mô hình AI.
Nó giống như một cuộc tranh luận về cách con người quyết định điều gì xứng đáng được tin cậy.
Một bên đang đặt cược vào thị trường.
Bên kia đang đặt cược vào chứng minh.
Tôi không biết cách tiếp cận nào sẽ thắng.
Nhưng khi AI càng trở nên mạnh mẽ, tôi càng ít quan tâm đến việc mô hình có nghe thông minh hay không.
Tôi bắt đầu quan tâm đến việc liệu trí tuệ bản thân có thể được tin tưởng hay không.
@OpenGradient $OPG #OPG $TAO

Câu Lệnh Quý Giá Nhất Bạn Sẽ Không Bao Giờ Gõ
Có lẽ tôi đã có hàng trăm cuộc trò chuyện với AI tính đến giờ. Các câu hỏi về lập trình, ý tưởng nội dung, những cái hố nghiên cứu ngẫu nhiên. Nhưng câu lệnh quý giá nhất mà tôi có thể nghĩ đến thì chưa bao giờ được gõ.
Thật lòng mà nói, điều đó hơi kỳ quặc.
Vài giờ trước, tôi đang sử dụng AI để suy nghĩ về một ý tưởng dự án. Giữa chừng viết câu lệnh, tôi đã xóa cả một đoạn văn. Không phải vì nó bất hợp pháp. Không phải vì nó gây tranh cãi. Tôi chỉ không thoải mái khi gửi toàn bộ.
Điều buồn cười là AI không bao giờ biết điều gì đang thiếu. Nó vẫn đưa ra câu trả lời cho tôi. Nhưng tôi biết câu trả lời được xây dựng dựa trên thông tin không đầy đủ.
Và đó là lúc điều gì đó lóe lên trong đầu tôi.
Mọi người nói về AI như thể trí tuệ là tài nguyên khan hiếm. Tôi bắt đầu nghĩ rằng đó là ngữ cảnh.
Mô hình thông minh nhất thế giới chỉ có thể lý luận từ những gì nó nhận được. Nếu người dùng xóa 20% câu chuyện, mô hình sẽ không bao giờ có cơ hội suy nghĩ về 20% quan trọng nhất.
Điều này có nghĩa là dữ liệu quý giá nhất trong AI có thể không phải là dữ liệu được thu thập. Nó có thể là dữ liệu không bao giờ được gửi đi. Những ý tưởng vẫn ở chế độ nháp. Những câu hỏi mà mọi người viết lại ba lần trước khi gửi. Những chi tiết mà họ cố tình bỏ qua.
Những câu lệnh không bao giờ lọt vào hộp trò chuyện.
Đó là lý do tại sao OpenGradient thu hút sự chú ý của tôi. Hầu hết các nền tảng AI yêu cầu người dùng tin tưởng vào chính sách quyền riêng tư. OpenGradient có cách tiếp cận khác. Tin nhắn được mã hóa trước khi đến mô hình, danh tính được tách biệt khỏi yêu cầu, và quyền riêng tư được thực thi thông qua mật mã và phần cứng thay vì lời hứa.
Có thể chi phí lớn nhất của quyền riêng tư yếu không phải là dữ liệu bị rò rỉ.
Có thể đó là trí tuệ bị mất đi.
Bởi vì mỗi khi ai đó giữ lại ngữ cảnh, AI trở nên ít hữu ích hơn một chút so với những gì nó có thể đã có. Và câu lệnh quý giá nhất mà bạn sẽ không bao giờ gõ có thể cũng chính là câu trả lời quý giá nhất mà bạn sẽ không bao giờ nhận được.
@OpenGradient $OPG #OPG $RE

Vài giờ trước, tôi đã đăng ký một công cụ AI mới và nhấn "Tôi đồng ý" vào chính sách bảo mật mà không đọc một từ nào. Thật lòng mà nói, tôi không nghĩ mình đã từng gặp ai thực sự đọc những thứ đó.
Điều này nghe có vẻ buồn cười khi bạn nghĩ về nó.
Ở đâu đó trong tài liệu đó có một lời hứa về cách mà dữ liệu của tôi sẽ được xử lý, lưu trữ, bảo vệ, chia sẻ, giữ lại, v.v. Và đóng góp của tôi cho quá trình này chỉ đơn giản là một cú nhấp chuột.
Trong nhiều năm, điều đó cảm thấy bình thường. Rồi AI xuất hiện.
Giờ đây, mọi người không chỉ tải lên các tệp tin. Họ đang tải lên ý tưởng kinh doanh, nghiên cứu, suy nghĩ cá nhân, và những điều mà có lẽ họ thậm chí không nói với người khác. Đó là khi tôi bắt đầu nghĩ về điều gì đó kỳ lạ.
Tại sao quyền riêng tư trong AI vẫn được xây dựng quanh những lời hứa?
Hầu hết các nền tảng AI thực chất đang nói: hãy tin tưởng công ty của chúng tôi, tin vào chính sách của chúng tôi, tin rằng chúng tôi sẽ làm điều đúng đắn. Có thể họ sẽ làm. Có thể họ sẽ không. Nhưng đó vẫn là niềm tin.
Và crypto trở nên thú vị vì nó được xây dựng quanh việc giảm thiểu niềm tin. Không ai sử dụng Bitcoin chỉ vì một công ty hứa sẽ hành xử đúng mực. Mục đích chính là hệ thống hoạt động ngay cả khi không ai tin tưởng ai cả.
Đó là điều làm tôi thấy OpenGradient thú vị. Nó dường như bắt đầu từ một giả định hoàn toàn khác. Thay vì yêu cầu người dùng tin vào một chính sách bảo mật, nó cố gắng đưa quyền riêng tư vào trong kiến trúc chính nó. Các tin nhắn được mã hóa trước khi đến mô hình. Danh tính được tách biệt khỏi các yêu cầu. Quyền riêng tư trở thành điều bắt buộc nhờ vào mã hóa và phần cứng thay vì một đoạn văn viết bởi luật sư.
Có thể đó là sự thay đổi thực sự đang diễn ra trong AI. Không phải là các mô hình thông minh hơn. Không phải là các cửa sổ ngữ cảnh lớn hơn. Một sự chuyển dịch từ quyền riêng tư được hứa hẹn sang quyền riêng tư có thể chứng minh.
Bởi vì giá trị của các cuộc trò chuyện của chúng ta với AI càng trở nên quý giá, tôi càng cảm thấy không thoải mái khi dựa vào một ô chọn và một chính sách bảo mật.
@OpenGradient $OPG #OPG $RE

Nếu ai đó nói với tôi rằng một prompt đơn lẻ có thể đưa họ gần đến một sản phẩm hoạt động, có lẽ tôi đã gọi đó là sự thổi phồng của AI.
Giờ thì tôi không chắc nữa.
Chỉ cách đây 2 tiếng, tôi đang thử nghiệm một ý tưởng mà đã nằm trong ghi chú của tôi cả tháng trời. Không có gì to tát. Chỉ là một khái niệm đơn giản mà tôi chưa bao giờ cảm thấy đáng để dành cả cuối tuần để xây dựng. Một vài prompt sau đó, tôi đã có một landing page, một quy trình hoạt động, và cái gì đó đủ gần với một MVP để tôi có thể gửi cho một người bạn.
Thú thật, khoảnh khắc đó đã gắn bó với tôi hơn bất kỳ bản phát hành tiêu chuẩn nào.
Bởi vì lần đầu tiên, AI không cảm thấy như một công cụ.
Nó cảm giác như một đòn bẩy.
Và khi điều đó xảy ra, tôi thấy mình đang nghĩ về một vấn đề hoàn toàn khác.
Không phải trí thông minh.
Mà là sự tin tưởng.
Vài ngày sau, tôi đang đọc về Claude Fable 5. Điều khiến tôi chú ý không phải là mô hình đó. Mà là cách mà cuộc trò chuyện nhanh chóng chuyển từ "mô hình này tốt đến mức nào?" sang "ai sẽ có quyền truy cập vào mô hình?"
Điều đó cảm giác như một câu hỏi lớn hơn nhiều.
Trong nhiều năm, chúng ta đã coi AI như một vấn đề mô hình. Xây dựng một mô hình thông minh hơn. Có được kết quả tốt hơn.
Nhưng càng nhiều khả năng, những hệ thống này càng cảm thấy như những câu hỏi thực sự đang di chuyển đến đâu đó khác.
Quyền truy cập.
Xác minh.
Cơ sở hạ tầng.
Điều kỳ lạ là tôi thậm chí không đang tìm kiếm một dự án AI khác vào lúc đó. Tôi đang cố gắng hiểu ai sẽ giải quyết vấn đề tin tưởng khi AI trở nên đủ tốt để thực sự có ý nghĩa.
Đó là cách tôi đi vào hố thỏ OpenGradient.
Điều tôi thấy thú vị là OpenGradient không đặt cược vào một mô hình nhất định sẽ thắng. Claude, Gemini, GPT, bất kỳ cái gì tiếp theo... các mô hình sẽ tiếp tục thay đổi. OpenGradient dường như tập trung vào những gì xảy ra ở dưới. Các vùng TEE bảo mật môi trường thực thi. Hệ thống chứng minh nhằm mục đích làm cho suy diễn có thể xác minh được thay vì chỉ đơn giản là được tin tưởng.
Có thể đó là lý do tại sao dự án này gây được sự chú ý với tôi.
Không phải vì nó hứa hẹn trí thông minh thông minh hơn.
Mà vì nó bắt đầu với giả định rằng chỉ riêng trí thông minh là không đủ.
@OpenGradient $OPG #OPG