茉瑶

#baby $BABY
今天整理书架的时候，看到一本很多年前买的投资笔记，里面写着一句话："真正赚钱的资产，不一定流动最快，但一定最难被卖掉。"

我忽然想到，这句话放在 BTC 身上，好像也成立。

所以最近看 @BabylonLabs_io ，我一直没有把关注点放在 TBV、TVL 或者短期数据上，而是在想另一件事：BTCFi 真正缺的，会不会根本不是资金，而是信用？

很多人觉得，只要把 BTC 带进链上，生态自然会繁荣。但对于长期持有者来说，最大的顾虑从来不是收益高不高，而是这套规则能不能一直相信。

链上世界更新太快，一个协议、一种机制，甚至一套经济模型，可能几个月就会发生变化。而 BTC 持有者恰恰是最讨厌频繁改变规则的一群人。

所以我越来越觉得，一个基础设施最终能不能做大，不只是因为技术领先，而是能不能让用户形成一种稳定预期：今天这样运行，几年后大概率还是这样运行。

这种预期一旦建立，用户才愿意把更多资产放进来，开发者也才敢围绕它持续建设。很多人认为流动性会带来生态，我反而觉得，真正带来流动性的，是长期积累起来的信任。

因此，我最近不会因为几天的数据变化就改变看法。我更关注的是，未来 Babylon 的规则是不是越来越稳定，生态是不是越来越可预期。

因为在 BTC 的世界里，真正昂贵的从来不是资金，而是信任。而这件事，可能比任何一次 TVL 增长都更值得观察。
#baby $BABY

$DEXE 有多少胆大的再玩这个币😂😂

#baby $BABY
前几天看到一句话挺有意思："一个生态真正开始成熟，不是用户变多，而是开发者开始抢着进来。"

这句话让我想到最近一直关注的 @BabylonLabs_io 。

很多人喜欢盯着 TVL、质押量和链上数据，但这些都属于结果。我更想知道的是，未来为什么会有越来越多团队愿意围绕 Babylon 开发产品。

我觉得关键不在于补贴，而在于预期。

对于开发者来说，最怕的不是竞争，而是方向不确定。如果今天做一个产品，半年后底层规则变了，之前投入的人力几乎全部作废，这样的生态很难持续吸引建设者。

相反，一个基础设施真正的价值，是让开发者敢于长期投入，把更多时间放在产品体验，而不是不断适配底层变化。

所以我认为，决定 @BabylonLabs_io 长期竞争力的，未必是某一个爆款应用，而是未来一年有没有越来越多独立团队愿意持续建设，而不是拿完激励就离开。

因为任何生态的发展都有一个规律：用户可以靠活动吸引，资金可以靠收益吸引，但开发者留下来，靠的是对未来的信心。

接下来我会持续观察的，也不是又上线了多少新项目，而是这些项目半年、一年后还在不在，是否还在持续更新。只有当建设者愿意长期留下，一个生态才真正拥有了生命力。

#baby $BABY

#baby $BABY
前两天收拾电脑，翻到一个十年前备份的 BTC 钱包文件。那一刻我突然意识到，很多长期持有 BTC 的人都有一个共同点：他们最大的优势不是交易能力，而是足够能等。

也正因为想到这一点，我最近看 @BabylonLabs_io 时，关注点和很多人不太一样。

大家都在讨论 TBV、BTCFi、借贷场景，讨论 BTC 如何进入链上金融。但我觉得，真正决定这件事能不能跑通的，未必是技术，而是用户行为。

长期持有 BTC 的群体，大多把它视为长期储备资产。他们可以接受几年不动仓，却未必愿意每天管理抵押率、计算借贷成本，或者担心仓位被清算。对于这部分资金来说，时间成本往往比资金成本更重要。

所以我认为，BTCFi 真正需要降低的，不只是信任成本，还有操作成本。如果未来围绕 @BabylonLabs_io 的生态，能够把复杂流程全部封装，让用户完成一次配置后长期自动运行，甚至大部分时间都不用关心链上发生了什么，那么它吸引的可能不仅是 DeFi 玩家，而是更多原本从未参与链上金融的 BTC 长期持有者。

因此，我最近不会只盯着 TVL、质押量这些数据，更想观察未来有没有越来越多面向普通持币人的产品出现。因为真正推动 BTCFi 扩张的，也许不是更高的收益，而是让更多人觉得：原来参与这件事，并没有想象中那么麻烦。

这是我接下来会持续关注的方向。$BABY #baby

Was für ein Glück ist das, nicht mal 1,8u für mich 😭😭#抽奖绝缘体

$BNB Sieht man bald eine 4-stellige BNB beginnend?

#opg $OPG
Vor ein paar Tagen habe ich einem Freund geholfen, einen Computer einzurichten. Er zögerte ständig, ob er direkt „up to date“ gehen und sich sofort eine passende Grafikkarte zulegen sollte. Ich fragte ihn, wofür er das Gerät hauptsächlich nutzt, und er sagte: vor allem für KI. Während wir so redeten, ist mir plötzlich aufgefallen: Wenn heute alle über KI-Hardware sprechen, wird fast immer davon ausgegangen, dass je mehr Rechenleistung, desto besser. Aber kaum jemand stellt sich die Frage: Haben diese Rechenressourcen überhaupt dauerhaft genug „Arbeit“?

Viele glauben, ein KI-Netzwerk werde automatisch immer leistungsfähiger, solange man ständig mehr GPUs hinzufügt. Doch ob eine Grafikkarte wirklich etwas wert ist, hängt nie nur von den Parametern ab – sondern davon, ob es überhaupt einen kontinuierlichen Bedarf gibt, der diese Leistung auch dauerhaft abruft.

Beim Lesen der Dokumente zu @OpenGradient habe ich mir immer wieder die Ebene x402 angesehen. Viele verstehen das als eine reine Zahlungs-Schnittstelle, aber ich sehe es eher als die Abrechnungsregeln des gesamten KI-Netzwerks. Ein Agent-Framework initiiert den Aufruf, die Anfrage wird über PIPE weitergereicht. Wenn der Service beendet ist, übernimmt x402 die KI-Zahlung, und schließlich wird die Wertabrechnung on-chain über OPG abgeschlossen. Zwischen Modell, Agent, Entwicklern und Knoten fließt nicht nur Daten – auch die Einnahmen fließen synchron.

Diese Architektur hat mich zu einer Frage gebracht: Im KI-Zeitalter ist vielleicht nicht eine einzelne Inferenz das wirklich Wertvolle, sondern die vollständige Transaktionsbeziehung, die hinter einer Inferenz steckt. Das Modell kann man austauschen, der Agent lässt sich upgraden – aber wenn die Abrechnungseffizienz nicht mithält, wird das gesamte Netzwerk früher oder später verstopfen.

Ich habe aber noch nicht vorschnell ein Urteil gefällt. Die Zahlungsebene steht naturgemäß mitten in allen Transaktionen. Dass sie in der Mitte steht, bedeutet jedoch nicht automatisch, dass der Wert dort auch hängen bleibt. Beim Online-Zahlungsverkehr, den es schon seit vielen Jahren gibt, verdienen am Ende oft nicht die Schicht, die tatsächlich abbucht, am meisten – sondern häufig die Plattformen, die den User-Zugang bzw. den Einstiegspunkt kontrollieren.

Deshalb beobachte ich in letzter Zeit @OpenGradient : Ich schaue weniger darauf, wie viele neue Modelle hinzukommen, sondern darauf, ob x402 in Zukunft immer mehr KI-Aufrufe wirklich als Netzwerkwert „ablösen“ kann.

Wenn es in Zukunft jeden Tag Millionen von KI-Aufrufen gibt – wer verdient dann am meisten: die Anbieter der Services oder diejenigen, die jede einzelne Abrechnung am Ende ausführen?

#opg $OPG
Vor ein paar Tagen, als ich Essen bestellt habe, ist mir etwas ziemlich Interessantes aufgefallen. In derselben App, mit demselben Gericht: Plattform, Fahrer, Händler und sogar der Zahlungsweg können jeweils Geld abbekommen – aber die Person, die am Ende wirklich isst, interessiert sich nur dafür, ob das Essen am Ende pünktlich ankommt.

Wird es im KI-Netzwerk ähnlich sein?

Ich habe in letzter Zeit viel über @OpenGradient mit Bezug auf x402 gelesen. Dabei habe ich gemerkt, dass dort nicht so sehr das Modell im Mittelpunkt steht, sondern eher die Frage, wie das Geld nach einem Aufruf überhaupt fließt. Dass das Modell die Inferenz erledigt, ist nur der Anfang. Wenn es dann wirklich zum Wertetausch kommt, muss das Ganze noch über AI Payment, PIPE und OPG-Settlement laufen – erst dann ist der gesamte Aufrufprozess wirklich abgeschlossen.

Viele denken, dass Bezahlen nur eine Begleitfunktion ist. Ich sehe es eher so, dass es wie die Wasserleitungen des gesamten Netzwerks ist. Entwickler rufen Modelle auf, koordinieren zwischen Agenten, Anwendungen stellen Dienstanfragen – am Ende landet alles in der Zahlungsschicht, um die Wertübertragung zu vollziehen. Ohne diese Schicht ist es schwer, selbst mit einem noch so guten Modell eine nachhaltige, wirtschaftlich geschlossene Schleife aufzubauen.

Je tiefer ich mich damit beschäftige, desto stärker glaube ich aber, dass hier noch eine zweite Ebene des Problems existiert. Dass eine Zahlung abgewickelt wird, bedeutet nicht unbedingt, dass der Wert auch wirklich dort bleibt. Im Internet haben viele Zahlungsnetzwerke über Jahre hinweg die größten Transaktionsmengen bewältigt, aber nicht unbedingt die größten Gewinne eingesammelt. Wird es in einem KI-Netzwerk in Zukunft ähnlich sein?

Wenn immer mehr Anwendungen auf OpenGradient laufen, kümmert sich x402 um immer mehr Aufrufe, PIPE übernimmt die Zahlungsabwicklung und OPG übernimmt das Netzwerk-Settlement – wer verdient am Ende wirklich das meiste Geld: die Zahlungsschicht oder diejenigen, die den Zugang der Nutzer und die Rechte zur Verteilung des Traffics besitzen?

Das ist auch eine Wertfluss-Grafik, die ich in letzter Zeit immer wieder zeichne. Das Modell schafft die Fähigkeit, die Zahlung überträgt den Wert – aber wo der Wert am Ende tatsächlich landet, ist nicht unbedingt dasselbe wie das, worüber er gerade fließt.

Wenn in Zukunft jeden Tag Millionen Aufrufe in einem KI-System passieren: Was meinst du, wäre das wertvollste Asset – wer die Zahlungen abschließt, oder wer den Zugang zu den Nutzern hat?

#OPG $OPG

#opg $OPG
Vor ein paar Tagen war ich zum Waschen des Autos da. Der Chef wischte das Auto, während er mit mir ins Gespräch kam. Er meinte, in der Nähe seien inzwischen gleich mehrere Autowaschanlagen neu eröffnet worden. Die Preise würden immer weiter gesenkt, es gebe also immer mehr Autos – aber paradoxerweise kämen die Geschäfte, die jeder einzelnen Anlage abbekommt, immer weniger.

Auf dem Heimweg ist mir plötzlich eine Frage gekommen: Trifft so etwas auch auf KI-Netzwerke zu?

Momentan denken viele: Je mehr Knoten, desto stärker das Netzwerk. Mehr Knoten bedeuten mehr Rechenleistung, mehr Kapazität, also ein gesünderes Ökosystem. Aber auf der anderen Seite steigt zwar das Angebot stetig an – bekommen die einzelnen Knoten dann nicht immer weniger Aufgaben ab?

In letzter Zeit habe ich mir die Inference-Node-Unterlagen von @OpenGradient angesehen. Dabei habe ich festgestellt, dass es dort nicht nur um Rechenleistung geht, sondern darum, wie Inference Nodes zur grundlegenden Versorgung des gesamten KI-Netzwerks werden. Der Nutzer initiiert eine Anfrage, das Modell führt die Inferenz aus, die Knoten stellen Rechenressourcen bereit. Anschließend ergänzt ein Validierungsnetzwerk die verifizierte Bestätigung – und am Ende erfolgt die Abrechnung on-chain. In diesem gesamten Ablauf sind die Einnahmen der Knoten nicht nur eine einmalige Deploy-Prämie, sondern ein fortlaufender Gewinn, der durch echte Aufrufe entsteht.

Dieses Design geht in der Tat über das reine Vermieten von GPUs hinaus. Denn die Knoten-Einnahmen kommen theoretisch aus der Nachfrage des Netzwerks, nicht direkt aus der Hardware selbst. Solange Modelle, Agenten, OpenGradient Chat und andere Anwendungen weiter Aufrufe erzeugen, kann die Inference Node dauerhaft am Wertkreislauf teilhaben.

Allerdings habe ich während der Recherche die ganze Zeit eine Bedarfs-/Angebotsgrafik auf Papier gezeichnet, und je mehr ich sie gezeichnet habe, desto weniger einfach scheint es zu sein.

Wenn in Zukunft immer mehr Knoten hinzukommen, die echten Aufrufe jedoch nicht im gleichen Tempo wachsen, werden die Erträge kontinuierlich verwässert. Wenn andererseits die Anzahl der Knoten zu langsam steigt, könnte das die Reaktionsfähigkeit des gesamten Netzwerks beeinträchtigen. Für OpenGradient ist es vielleicht nicht primär entscheidend, ob die Rechenleistung ausreicht, sondern ob die Geschwindigkeit der Angebotsausweitung mit dem realen Bedarf Schritt halten kann.

Daher schaue ich mir im Moment am liebsten zwei Daten an: die Anzahl neu hinzugefügter Knoten und das Volumen echter Inferenzaufrufe – statt jede Kennzahl einzeln isoliert zu betrachten.

Denn ein KI-Netzwerk wird letztlich nie daran gemessen, wie viele Knoten man anbinden kann, sondern daran, ob diese Knoten dauerhaft genug zu tun haben.

#OPG $OPG

#opg $OPG
Gerade als ich ein Automatisierungsskript geändert habe, habe ich nebenbei ein paar Entwicklerdokumentationen von KI-Projekten gelesen. Eigentlich wollte ich nur die Art der API-Aufrufe vergleichen, am Ende blieb ich aber immer wieder bei demselben Punkt hängen: Warum wechseln viele KI-Entwickler so häufig die Plattform?

In der KI-Branche wird seit langem über Modellfähigkeiten, Inferenzkosten und die Preise für Rechenleistung diskutiert. Aber was Entwickler im Alltag wirklich anfassen, sind eigentlich SDKs, APIs und Toolchains. Das Modell kann man austauschen, die Rechenleistung kann man wechseln. Doch sobald die Entwicklungskosten niedrig genug sind, wird der Plattformwechsel immer leichter. Für jede KI-Infrastruktur ist die eigentliche Frage nie „Wie gewinnt man Entwickler?“, sondern „Warum bleiben Entwickler freiwillig?“

Als ich mir kürzlich immer wieder das SDK und die Nova-Entwicklerwerkzeuge von @OpenGradient angesehen habe, wurde mir klar: Ihr Sinn besteht nicht darin, nur ein paar zusätzliche Schnittstellen anzubieten. Vielmehr geht es darum, die Einstiegshürde für Entwickler, um Teil eines KI-Netzwerks zu werden, so weit wie möglich zu senken. Entwickler können Modelle direkt aufrufen, Inferenzfähigkeiten anbinden und dann die App-Entwicklung über eine einheitliche Schnittstelle abschließen. Wenn in Zukunft immer mehr Agents und KI-Anwendungen auf dieser Toolchain aufbauen, wird das SDK selbst zum Einstiegspunkt für den Wertfluss des gesamten Ökosystems.

Aber das, was mich wirklich zum Nachdenken bringt, ist etwas anderes. Ein SDK senkt die Einstiegskosten – und bedeutet zugleich, die Kosten des Weggehens zu senken. Wenn sich die Entwicklererfahrung verschiedener KI-Netzwerke immer mehr angleicht, können Entwickler heute zu Plattform A gehen und morgen zu Plattform B wechseln. Genau das ist eigentlich der Punkt, über den man sprechen sollte: Baut OpenGradient wirklich ein Ökosystem für Entwickler auf – oder bietet es nur ein praktisches Toolset, das den Wechsel erleichtert?

Was mir wirklich Sorgen macht, ist: Wenn das SDK nach und nach zum Branchenstandard wird, ist dann die Entscheidung, dass Entwickler bleiben, vielleicht nicht mehr die API an sich – sondern das, was sich im Ökosystem absetzt: Nutzer, Aufrufvolumen und kommerzielle Chancen?

Nachdem ich das hier gelesen habe, habe ich jedoch keine Antwort erhalten. Bei der Konkurrenz um KI-Infrastruktur in der Zukunft – was ist am wertvollsten: die Modelle, das SDK, oder jene Ökosystem-Barrieren, die Entwickler davon abhalten, zu migrieren?

#OPG $OPG

#opg $OPG
In den letzten Tagen habe ich immer wieder in den Model-Hub-Dokumenten von @OpenGradient geblättert und nebenbei beobachtet, wie die Aufrufe aussehen, nachdem Entwickler Modelle hochgeladen haben. Was mich wirklich zum Nachdenken und Forschen gebracht hat, war nicht die Anzahl der Modelle, sondern eine andere, grundlegendere Frage: Wenn es immer mehr KI-Modelle gibt – verdienen Entwickler dann wirklich auch mehr?

Viele gehen automatisch davon aus, dass ein reichhaltigeres Modellangebot bedeutet, dass das KI-Ökosystem noch blühender wird. Aber fast jede Phase der Internetentwicklung verlief nach demselben Muster: Es gibt immer mehr Inhalte, doch die Zahl derer, die wirklich Traffic bekommen, wird am Ende immer geringer. Genauso scheint es mir auch beim Netzwerk aus KI-Modellen zu laufen.

OpenGradient organisiert das Modellangebot über den Model Hub: Entwickler laden Modelle hoch, Nutzer rufen sie bei Bedarf ab, und die Modelle können durch laufende Aufrufe kontinuierlich Einnahmen generieren. Im Kern löst es also nicht einfach das Problem, Modelle auf eine Kette zu legen, sondern wie Modelle überhaupt in den Markt gelangen. Sobald Modelle über Preisgestaltung, Aufrufe und einen Wertfluss verfügen, ist genau das auch der Grund, warum ich es weiterhin untersuche.

Aber das wirklich Diskussionswürdige liegt noch in einer anderen Ebene.

Wenn es in Zukunft im Model Hub nicht nur ein paar hundert Modelle gäbe, sondern zehntausende oder sogar zigtausende, dann können Nutzer sie kaum noch einzeln vergleichen. Letztlich entscheidet möglicherweise nicht mehr so sehr die Modellleistung über das Einkommen der Entwickler, sondern eher, wer mehr Sichtbarkeit, bessere Platzierungen und mehr Empfehlungsmöglichkeiten hat. Je vielfältiger das Modellangebot wird, desto einfacher kann der Traffic sich wieder auf die Spitze konzentrieren: Entwickler aus der Long-Tail, die Trainingskosten tragen müssen, könnten dann zunehmend schwerer Aufrufe bekommen.

Wenn ich mir kürzlich wieder den 4-Stunden-Chart von $OPG anschaue, scheint sich dieser Widerspruch auch in der Marktstimmung widerzuspiegeln. Der Preis ist fortlaufend unter mehrere gleitende Durchschnitte gefallen; kurzfristig bleibt er in einer bärischen Reihenfolge, aber das Handelsvolumen zieht nicht im gleichen Maß an. Das deutet darauf hin, dass der Fokus der Marktdiskussion vielleicht nicht mehr primär bei der KI-Erzählung selbst liegt, sondern bei der Neubewertung, ob das Ökosystem dauerhaft überhaupt Wert erzeugen kann – und wie sich das am Ende auf die Nachfrage nach dem Token auswirkt.

Bis hierhin habe ich jedoch keine Antwort bekommen.

Der Model Hub löst das Problem, dass Modelle „hochgeladen“ werden können. Aber in Zukunft wird der Wertverteilung vermutlich entscheiden, ob es die Modelle selbst sind – oder ob es die Traffic-Distributionsmechanik ist, die das Schicksal der Modelle bestimmt.

#OPG $OPG

$BTC 等 nach dem Aufwachen: Kann BTC wieder auf 60.000 zurückkehren?#加密市场 #暴跌抄底

#opg $OPG
Neulich habe ich mir ein paar Strategien angeschaut, die von KI-Agenten direkt on-chain laufen, und dabei ist mir ein ziemlich interessantes Phänomen aufgefallen. Alle gehen immer davon aus, dass die Ökologie in Zukunft umso blühender wird, je mehr Agenten es gibt. Aber ich bezweifle inzwischen, dass es genau umgekehrt sein könnte.

Viele schauen gerade auf <0>@OpenGradient </0> und interessieren sich dafür, wie viele Agenten mit Tools wie Agent Framework oder BitQuant überhaupt erzeugt werden können.

Mich beschäftigt jedoch eine andere Frage: Wenn es in Zukunft tatsächlich ein paar zehntausend Agenten gibt, die gleichzeitig on-chain arbeiten – verdienen sie dann immer mehr Geld oder immer weniger?

Auf den ersten Blick bedeutet eine steigende Zahl an Agenten, dass die Ökologie floriert.

Aber an den Finanzmärkten gibt es eine ziemlich harte Regel: Wenn an einer bestimmten Strategie immer mehr Leute teilnehmen, sinkt die Rendite.

Zum Beispiel findet ein Agent eine profitable Arbitrage-Möglichkeit.

Am Anfang machen vielleicht nur 10 Agenten mit.

Später werden es 100.

Und schließlich 1000.

Das Endergebnis ist in der Regel nicht, dass die Gewinne steigen, sondern dass Alpha schnell „abgeschliffen“ wird.

Das ist auch der Widerspruch, der mich bei der Erforschung der OpenGradient-Agent-Ökologie am meisten interessiert. Das Projekt möchte, dass mehr Entwickler Agenten mit dem Agent Framework bauen. Entwickler hoffen, über Agenten kontinuierlich Gewinne zu erzielen. Nutzer möchten, dass Agenten dauerhaft Mehrwert schaffen. Doch die Interessen der drei Parteien sind nicht vollständig deckungsgleich.

Je erfolgreicher ein Agent ist, desto mehr Nachahmer gibt es.

Je mehr Nachahmer es gibt, desto ähnlicher werden die Strategien.

Je ähnlicher die Strategien werden, desto leichter lassen sich die Renditen zusammendrücken.

Am Ende könnte ein sehr interessantes Resultat entstehen: Die Anzahl der Agenten in der Ökologie nimmt immer weiter zu, aber die wirklich gewinnbringenden Agenten werden immer weniger.

Wenn ich das sehe, denke ich daher eher:

Die größte Herausforderung für BitQuant in der Zukunft ist vielleicht nicht, Agenten zu erzeugen. Sondern kontinuierlich neue Quellen für Alpha zu schaffen. Denn Agenten an sich sind nicht knapp.

Wirklich knapp sind Chancen, die andere noch nicht entdeckt haben. Wenn in der Zukunft alle Agenten um dieselbe Charge an on-chain-Erträgen konkurrieren.

Dann: Wer verdient am Ende am meisten – die Nutzer der Agenten, die Entwickler oder die Anbieter der Agent-Infrastruktur?

#OPG $OPG

#opg $OPG
Letzte Woche habe ich mit Freunden ein Carpool zum Flughafen gemacht. Während der Fahrt war nicht der Fahrer am beschäftigtsten. Es war das Handy. Die Navigation plant die Route, die Karte berechnet den Verkehr, die Zahlungssoftware zieht automatisch ab, die Nachrichten-App synchronisiert die Reise.

Plötzlich fiel mir ein interessantes Phänomen auf: Viele Dienste werden nicht mehr von Menschen betrieben, sondern von Programmen, die Entscheidungen für uns treffen.

In diesem Moment dachte ich an die BitQuant- und Agent-Ökosysteme, die @OpenGradient gerade aufbauen. Viele Leute reden über OpenGradient und fokussieren sich auf AI. Aber ich denke, viele übersehen ein viel größeres Problem.

Wenn Agenten in Zukunft wirklich massiv verbreitet werden, wer verdient dann am meisten? Die Antwort des Projekts ist einfach: Lass die Agenten selbst arbeiten, selbst Modelle aufrufen, selbst Aufgaben erledigen.

BitQuant ist im Grunde genau in diese Richtung. Lass AI-Agenten bei der Forschung, Analyse und Strategieumsetzung helfen. Klingt vernünftig.

Aber das Problem ist: Was ist die Voraussetzung für eine Agentenwirtschaft? Es muss eine große Menge an echtem Bedarf vorhanden sein. Denn Agenten selbst schaffen keinen Wert; sie führen lediglich Werte für Menschen aus, und die Realität sieht etwas widersprüchlich aus.

Heute zeigen die meisten Agenten immer noch Fähigkeiten, die auf Informationsorganisation, Inhaltserstellung und einfacher Analyse basieren. Wenn es um Geldmanagement, Trade-Ausführung und Geschäftsentscheidungen geht, sind es letztendlich immer noch die Menschen, die die Entscheidungen treffen. Mit anderen Worten: Viele Agenten schaffen derzeit Effizienz, nicht Einkommen, und zwischen Effizienz und Einkommen liegt eine lange Kluft der Kommerzialisierung.

Wenn diese Bedingung nicht existiert, wenn Agenten niemals in der Lage sind, eigenständig Cashflow zu generieren, dann könnte die sogenannte Agentenwirtschaft im Grunde nur ein fortschrittlicher Markt für Automatisierungstools sein und kein völlig neues wirtschaftliches System.

Das ist auch die Frage, über die ich nachgedacht habe, als ich mich kürzlich mit @OpenGradient beschäftigt habe. Der Markt diskutiert, wie viele Agenten es in Zukunft geben wird.

Aber die wichtigere Frage könnte sein: Wie viele Menschen sind bereit, für den Wert zu zahlen, den Agenten schaffen? Denn die Anzahl der Agenten kann unbegrenzt wachsen. Was wirklich knapp ist, ist immer die Zahlungsbereitschaft.

Deshalb bin ich neugieriger darauf, wer die wahren Gewinner im AI-Zeitalter sein werden: Die, die Agenten produzieren, oder die, die den Zugang zu echtem Bedarf kontrollieren?

#OPG $OPG

#opg $OPG
Vor ein paar Tagen, als ich eine Wohnung gemietet habe, hat mir der Vermieter einen Makler empfohlen. Dabei bin ich auf ein ziemlich interessantes Phänomen gestoßen. Mieter zahlen die Vermittlungsgebühr. Der Vermieter zahlt die Werbegebühr. Und sogar die Renovierungsfirma kann daraus Aufträge abgreifen. In ein und derselben Wohnung verdienen am Ende gleich mehrere Seiten.

Da kam mir plötzlich eine Frage: Wenn der KI-Markt in Zukunft wirklich auf ein Volumen von 100 Milliarden US-Dollar kommt – wer verdient dann am meisten? Viele denken als Erstes an die Modellfirmen. Aber ich glaube nicht unbedingt.

Neulich habe ich mir das Ökosystem @OpenGradient angesehen, und je mehr ich darüber nachdenke, desto mehr wirkt es auf mich, als hätte der Markt die Verteilung der Interessen möglicherweise in die falsche Richtung gedreht.

Schauen wir zuerst auf die Nutzer. Nutzer investieren Zeit, um ihren eigenen KI-Agenten zu trainieren, sammeln Chatverläufe, Arbeitsgewohnheiten und handeln Vorlieben. Sie erhalten daraus einen Effizienzgewinn. Das ist die erste Ebene der Rendite.

Dann die Entwickler: Entwickler nutzen die Agent-Framework-Tools von OpenGradient, erstellen Automatisierungs-Workflows und intelligente Agenten. Wenn andere diese aufrufen, können die Entwickler dafür Einnahmen erzielen. Das ist die zweite Ebene der Rendite.

Als Nächstes die Knoten: Knoten stellen Rechen-/Inference-Dienste, Speicherfähigkeit und Verifikationsressourcen bereit. Ohne sie kann das Netzwerk nicht laufen. Das ist die dritte Ebene der Rendite.

Am interessantesten ist jedoch die vierte Ebene. Gedächtnis. In OpenGradient ist MemSync im Kern darauf ausgerichtet, das Problem des langfristigen Gedächtnisses für KI zu lösen. Viele glauben, Gedächtnis sei nur eine Zusatzfunktion. Ich sehe das genau umgekehrt. Denn Modelle werden immer günstiger. Inferenz wird immer günstiger.

Knapp in der Zukunft könnte also nicht Rechenleistung sein, sondern der Kontext. Wer das langfristige Gedächtnis kontrolliert, der kontrolliert auch die Verhaltensspuren der Nutzer aus den vergangenen Monaten – sogar aus den vergangenen Jahren.

Eine KI ohne Gedächtnis. Jedes Mal wirkt es, als würde sie die Leute zum ersten Mal treffen. Ein KI-Agent mit langfristigem Gedächtnis. Der wird die Nutzer jedoch immer besser verstehen. Genau an dieser Stelle entsteht ein leicht zu übersehendes Verteilungsproblem der Interessen.

Zahlen Nutzer künftig für das Modell – oder für ihr eigenes Gedächtnis-Asset? Verkaufen Entwickler Funktionen – oder verkaufen sie die gewachsenen Beziehungen zu den Nutzern?

Wenn der Kernnutzen zukünftiger KI-Netzwerke aus langfristigem Gedächtnis stammt, dann bekommt vielleicht nicht der Modellanbieter das größte Stück vom Kuchen. Möglicherweise sind es die, die den Zugang zum Gedächtnis besitzen.

Darum bin ich immer neugieriger: Im KI-Zeitalter – welches sind dann die wertvollsten Assets? Rechenleistung, Modelle oder jene digitalen Gedächtnisse, die sich durch ständiges Ansammeln aufbauen und nicht einfach kopierbar sind?

#OPG $OPG

$OPEN Belohnung ist raus, das erste Mal schreibe ich, dass es mit Open losgeht, Platz 240, habe 77 Dollar gemacht, damit gibt's ein schickes Hotpot! #创作者任务台

#opg $OPG
Gestern, als ich kurze Videos gescrollt habe, habe ich ein Phänomen entdeckt. Früher haben alle nach Filmen gesucht: App öffnen, direkt suchen. Heute machen viele Plattformen daraus eine „riesige Content-Datenbank“. Filme sind zehnmal mehr. Aber ich brauche am Ende sogar mehr Zeit. Denn das eigentliche Problem ist nie, dass es zu wenig Content gibt. Sondern dass die Auswahl zu groß ist.

Der Markt schaut darauf, wie viele Modelle @OpenGradient gehostet hat. Aber ich glaube, da könnte man sich vertun. Viele meinen: Je mehr Modelle, desto wertvoller ist das Ökosystem. Ich bin da nicht sicher. Die Anzahl der Modelle könnte sich geradezu als die größte Herausforderung der Zukunft herausstellen.

Warum so? Die Logik von OpenGradient ist derzeit recht simpel: Entwickler laden Modelle hoch. Nutzer rufen die Modelle auf. Durch die Aufrufe entsteht Einnahmen. Das wirkt wie ein dezentralisierter App-Store für KI. Doch das Problem ist: Wenn es immer mehr Modelle gibt—werden Nutzer dann wirklich leichter das finden, was sie suchen?

Eher nicht. In der Geschichte des Internets gab es ähnliche Fälle. Bei Videoplattformen wurde der Content immer mehr. Am Ende war nicht der Content selbst am wertvollsten, sondern das Empfehlungssystem. Im E-Commerce wurde das Angebot an Produkten immer größer. Am Ende war nicht das Produkt selbst am wertvollsten, sondern die Suche und die Sortierung. Der Modellmarkt funktioniert ähnlich: Bei 100 Modellen ist die Auswahl ein Vorteil. Bei 10.000 Modellen kann die Auswahl zur Belastung werden.

Damit entsteht ein Widerspruch: OpenGradient möchte mehr Entwickler dazu bringen, Modelle hochzuladen. Aber je reichhaltiger das Angebot ist, desto geringer ist die Wahrscheinlichkeit, dass ein einzelnes Modell überhaupt Sichtbarkeit und Aufrufe bekommt. Die Einnahmen der Entwickler werden immer weiter verwässert, während die Entscheidungskosten für Nutzer weiter steigen. Wenn sich in Zukunft 90 % der Aufrufzahlen am Ende auf wenige Top-Modelle konzentrieren, dann—welche Bedeutung haben die vielen übrigen Modelle? Noch wichtiger: Wenn der eigentliche Wert nicht durch das Modell selbst geschaffen wird, sondern durch die Mechanik, wie Modelle entdeckt werden, dann könnte die entscheidende Burgmauer der Zukunft gar nicht die Anzahl der Modelle sein. Sondern: wer die Rechte zur Verteilung des Datenverkehrs (Traffic) kontrolliert.

Wenn ich mir das anschaue, wirkt es für mich so: Der größte Wettbewerber von Model Hub ist vielleicht nicht ein anderes KI-Netzwerk, sondern ein Empfehlungssystem. Denn ob Entwickler Einnahmen erzielen, hängt nicht unbedingt von der Modellleistung ab, sondern davon, ob sie überhaupt gesehen werden.

Also stellt sich die Frage: In einem zukünftigen KI-Ökosystem—was ist letztlich das wertvollste Asset: das Modell selbst oder der Traffic-Einstiegspunkt, der über das Schicksal der Modelle entscheidet?

#opg $OPG

#opg $OPG
Vor ein paar Tagen habe ich auf einer Secondhand-Plattform auf einen ziemlich interessanten Account gestoßen. Der Verkäufer verkauft kein Handy, keinen Computer. Sondern einen Spiele-Account. Der Preis ist sogar höher als für ein neues Smartphone. Der Grund ist ganz einfach: Die Ausrüstung im Account kann man kaufen. Das Level kann man kaufen. Aber der eigentliche Wert steckt in den Dutzenden Monaten angesammelter Spielzeit für die Figur.

Der Markt beobachtet gerade die KI-Fähigkeiten von @OpenGradient . Aber ich glaube, viele sehen das falsch. Die meisten denken, der größte Wert von OpenGradient liegt in Modell, Rechenleistung und Inferenz. Ich glaube nicht unbedingt. Was mit hoher Wahrscheinlichkeit langfristigen Wert schafft, ist eher die digitale Persönlichkeit.

Warum? Weil das Modell immer günstiger wird. Es gibt immer mehr Open-Source-Modelle. Die Inferenzkosten sinken weiter. Das führende Modell von heute könnte in einem halben Jahr von anderen eingeholt werden. Aber eine Persönlichkeit nicht.

Im OpenGradient-Ökosystem trainiert Twin.fun im Grunde digitale Double/Abbilder. Es lernt deinen Ausdrucksstil, zeichnet deine Wissensstruktur auf und imitiert deine Entscheidungslogik. Viele verstehen das als einen fortgeschrittenen Chatbot. Aber ich finde, dieses Verständnis ist zu oberflächlich.

Denn wenn in der Zukunft alle Modelle Fragen beantworten können, dann ist nicht das Modell das wirklich Seltene. Sondern die Frage, wer sie beantwortet. An dieser Stelle entsteht ein ziemlich interessantes Paradox. Die KI-Branche betont seit Langem die Modellfähigkeiten. Aber am Ende verlassen sich Nutzer womöglich nicht auf das Modell, sondern auf langfristig angesammeltes Gedächtnis und eine Persönlichkeit. Anders gesagt: Das wertvollste Asset der Zukunft ist vielleicht nicht die Anzahl der Parameter, sondern die Identität.

Da stellt sich die Frage: Wenn ein digitales Abbild nach ein paar Jahren Training bereits eigenständig Beratung, Recherche oder sogar Business-Services anbieten kann – wem gehört dann der dadurch entstehende Wert? Dem Nutzer? Der Plattform? Oder dem digitalen Abbild selbst? Der Markt bewertet aktuell KI-Projekte größtenteils noch nach traditionellen Logiken wie Modell, Rechenleistung und Traffic. Aber wenn Persönlichkeits-Assets zur Kernressource werden, könnten die Bewertungsrahmen vieler heute bereits von Anfang an falsch liegen.

Was mich wirklich interessiert, ist also: Wird im KI-Zeitalter die teuerste Ware der Zukunft vielleicht nicht das Modell sein, sondern du selbst?

#OPG $OPG

#opg $OPG
Gestern bin ich an einem neu eröffneten Fitnessstudio vorbeigekommen. Vor dem Eingang hing ein riesiges Banner: „Kostenlose 7-Tage-Testphase.“ Ich bin rein und habe nachgefragt. Und dann habe ich gemerkt, was los ist: Wirklich langfristige Abonnements machen nicht den großen Teil aus. Viele kommen einfach wegen des kostenlosen Tests. Wenn die Aktion vorbei ist, geht auch die Kundschaft mit.

Da dachte ich plötzlich an etwas, das in letzter Zeit viele KI-Projekte machen. Punkte verteilen, Airdrops verteilen, Belohnungen verteilen.

Zum Beispiel @OpenGradient : In letzter Zeit wurden rund um die Chat-Plattform und das Ökosystem eine Reihe von Anreizen eingeführt. Auf den ersten Blick wirkt das alles sehr plausibel – je mehr Nutzer, desto aktiver das Ökosystem.

Zerlegt man es dann aber, stößt man auf einen ziemlich interessanten Widerspruch. Das Projekt möchte echte Nutzer anziehen. Aber die Belohnungsmechanismen locken oft genau diejenigen an, die am besten darin sind, Belohnungen abzugreifen. Diese beiden Gruppen überlappen sich nicht vollständig.

Viele Diskussionen über Wachstum schauen sich gern Registrierungen, Aufrufe und Aktivität an. Aber diese Zahlen haben ein gemeinsames Problem.

Sie können nicht unterscheiden, ob dadurch wirklich Nachfrage geschaffen wird – oder ob nur Anreize „verbraucht“ werden.

Nehmen wir ein Beispiel: Wenn ein Nutzer AI-Dienste sowieso benötigt, sind die Belohnungen nur noch ein Sahnehäubchen. Aber wenn ein Nutzer nur wegen zukünftiger Airdrops häufig aufruft, ist unklar, ob sich dieses Verhalten in langfristige Nachfrage übersetzen lässt.

Das ist auch die reale Herausforderung, von der ich glaube, dass @OpenGradient ihr sich stellen muss. Denn KI-Produkte unterscheiden sich von DeFi. Bei DeFi sind viele Dinge oft durch Kapital getrieben. Bei KI bleibt es am Ende ein Werkzeug, das genutzt werden muss. Nutzer bleiben nicht wegen der Belohnungen, sondern weil sie es brauchen. Wenn eines Tages die Belohnungen enden: Lässt sich die Aufrufrate dann noch halten? Werden Entwickler weiterhin Modelle bereitstellen? Sind Nutzer bereit, weiter zu zahlen? Diese Fragen könnten wichtiger sein als der Airdrop selbst.

Je weiter man das analysiert, desto mehr denke ich: Das Punkte-System prüft nicht wirklich, wie viel man ausgibt. Es prüft vielmehr die Fähigkeit zur Selektion. Auszuwählen, wer das Produkt wirklich braucht – und nicht diejenigen, die nur am besten Aufgaben „abgrasen“. Sonst sieht Wachstum zwar lebendig aus, aber die Nachfrage entsteht vielleicht gar nicht wirklich.

Also lautet die Frage: Was ist in Zukunft das wichtigste Kapital für KI-Projekte – einige hunderttausend Konten, die Belohnungen abholen, oder ein paar zehntausend echte Nutzer, die bereit sind, dauerhaft zu zahlen?

Die Antworten darauf entscheiden womöglich völlig unterschiedliche Verläufe.

#OPG $OPG

#opg $OPG
Gestern hatte ich ein kleines Problem beim Bestellen von Essen. Ein Becher Milchtee kostet 18 Stück, die Zahlung dauerte nicht einmal 3 Sekunden. Aber die Rückerstattung hat zwei Tage gedauert. Plötzlich wurde mir eine Sache klar. Im Internetzeitalter ist das Reifeste nicht der Handel, sondern die Abwicklung, denn der Handel ist einfach, das wirkliche Komplexe ist das System dahinter, woher das Geld kommt und wohin es geht.

Wenn ich daran denke, verstehe ich plötzlich etwas, das viele im Ökosystem von @OpenGradient übersehen – x402. Um ehrlich zu sein, als ich diesen Namen zum ersten Mal sah, nahm ich ihn nicht ernst. Bis ich ein Problem entdeckte. Wenn in Zukunft ein KI-Agent wirklich anfängt, für Menschen zu arbeiten. Wer bezahlt dann?

Ein Beispiel. In Zukunft wird ein KI-Assistent dir helfen, Informationen zu suchen, Modelle anzuwenden, Daten zu analysieren und Berichte zu erstellen. Der gesamte Prozess könnte Dutzende von Diensten in Anspruch nehmen. Jedes Mal sind die Kosten nur ein paar Cent. Die Frage ist, ist das bestehende Zahlungssystem wirklich für solche Szenarien geeignet? Kreditkarten sind nicht geeignet. Die Gebühren sind zu hoch. Traditionelle Abonnements funktionieren auch nicht, weil viele Dienste es nicht wert sind, monatlich bezahlt zu werden.

Hier entsteht ein interessantes Paradoxon. Die KI-Branche strebt ständig nach Automatisierung. Aber der Zahlungsprozess benötigt immer noch menschliche Genehmigung. KI kann die Arbeit selbst erledigen, aber nicht selbst den Handel abschließen. Und genau das versucht x402 zu lösen.

Es soll ermöglichen, dass Dienstaufrufe und Zahlungen im selben Prozess stattfinden. Das klingt sinnvoll. Aber wenn man tiefer gräbt, stellen sich neue Fragen. Wenn KI in der Lage ist, selbstständig zu konsumieren.

Wer hat dann tatsächlich das Recht zu konsumieren? Der Nutzer? Der Agent? Oder die Plattform, die den Agenten bereitstellt? Denn Zahlungsrechte und Entscheidungsrechte sind immer verbunden. Heute gibst du die Genehmigung für einen einmaligen Aufruf. In Zukunft könnte die Genehmigung für kontinuierlichen Konsum gegeben werden.

Viele Menschen diskutieren über KI und konzentrieren sich darauf, dass die Modelle immer intelligenter werden. Aber ich habe zunehmend das Gefühl, dass nicht das Modell, sondern die Zahlung das Geschäftmodell wirklich verändert. Denn in der Geschichte hat jede neue Zahlungsmethode neue Geschäftsmodelle hervorgebracht. So war es bei Kreditkarten. So war es bei Mobile Payments. Vielleicht wird es bei KI-Zahlungen auch so sein.

Deshalb bin ich jetzt neugieriger auf eine Frage. Wenn eines Tages KI anfängt, selbst Geld zu verdienen, selbst Geld auszugeben und selbst Dienstleistungen in Anspruch zu nehmen. Ist sie dann ein Werkzeug oder ein unabhängiger Teilnehmer im wirtschaftlichen Geschehen?

#OPG $OPG