Sijan18

Saat menelusuri bagaimana sebuah transaksi disetujui, saya menyadari sesuatu yang sebelumnya kurang saya perhatikan. Biasanya kami mengaudit smart contract, menjalankan test suite, dan mensimulasikan kasus tepi, tetapi aturan otorisasi itu sendiri sering kali mendapat pemeriksaan yang jauh lebih sedikit.
Itulah yang membuat Newton Protocol menarik bagi saya. Alih-alih menunggu hingga eksekusi untuk menemukan konflik kebijakan, pengembang dapat mengevaluasi otorisasi terhadap maksud transaksi terlebih dahulu. Ini memindahkan sebagian proses debugging ke tahap yang lebih awal, ketika kesalahan jauh lebih murah biayanya.
Tidak ada sistem yang bisa menjamin hasil yang sempurna, tetapi mengurangi ketidakpastian sebelum nilai berpindah adalah peningkatan yang praktis. Jika pendekatan ini terus berkembang, saya pikir $NEWT bisa menjadi dikenal karena membawa lebih banyak keyakinan pada aksi onchain berizin—bukan dengan menggantikan kode yang baik, melainkan dengan membuat aturan akses lebih mudah diverifikasi.
Menurut Anda, kebijakan otorisasi layak mendapat tingkat pengujian yang sama seperti smart contract?

@NewtonProtocol #Newt $SPELL $EVAA #bitcoin

#Newt $NEWT @NewtonProtocol
Saya mendapati diri saya melakukan sesuatu yang mungkin seharusnya tidak saya lakukan.
Saya sedang membandingkan Newton Mainnet Beta dengan proyek infrastruktur lain, fitur demi fitur.
Setelah beberapa saat, saya menyadari bahwa perbandingan itu tidak terlalu berguna.
Protokol bisa memiliki fitur yang mirip sambil menyelesaikan masalah yang sepenuhnya berbeda. Yang membuat mereka berbeda sering kali adalah keputusan desain yang tidak terlihat pada bacaan pertama.
Dengan Newton, bagian yang terus menarik saya kembali bukanlah satu kemampuan tunggal—melainkan upaya untuk membuat alur kerja on-chain yang kompleks menjadi lebih dapat diprediksi dengan mengandalkan logika protokol bersama, alih-alih membiarkan setiap aplikasi membangun pendekatannya sendiri dari nol.
Ada keuntungan yang jelas dari itu. Pengembang mungkin menghabiskan lebih sedikit waktu untuk membangun ulang infrastruktur yang sama. Tapi ada juga tantangannya: komponen bangunan bersama harus bisa bekerja di berbagai jenis kasus penggunaan, bukan hanya kasus yang awalnya dirancang untuknya.
Itulah mengapa saya memperlakukan Mainnet Beta sebagai kesempatan untuk mengamati bagaimana arsitekturnya berperilaku dalam pengembangan yang nyata, bukan hanya menilai dari dokumentasi.
Ada satu hal yang ingin saya tanyakan: Mana yang lebih sulit untuk dibangun—protokol dengan lebih banyak fitur, atau protokol dengan lebih sedikit fitur tetapi primitf yang dirancang dengan baik yang benar-benar terus digunakan oleh pengembang?

$BLUR $YFI #Binance #TradingCommunity #Market_Update

Saya tertangkap sedang melihat Newton Protocol dari sudut yang salah.

Awalnya, yang saya pikirkan hanya apakah sebuah kebijakan menyetujui atau menolak sebuah permintaan. Lalu saya menyadari bahwa mungkin bagian itu tidaklah yang paling menarik.

Setiap permintaan yang disaring sebelum dieksekusi adalah satu langkah lebih sedikit yang harus diproses lebih lanjut oleh jaringan. Itu membuat saya bertanya-tanya apakah kebijakan sedang mengerjakan dua tugas sekaligus. Ia membantu dengan keamanan, tetapi juga memutuskan pekerjaan mana yang sebenarnya tidak perlu pernah terjadi sejak awal.

Saya tidak yakin itu dibahas cukup sering.

Tapi membuat kebijakan menjadi lebih mumpuni juga membuatnya lebih sulit untuk dirancang dan ditinjau. Jika logikanya menjadi terlalu sederhana, kasus-kasus tepi yang penting bisa terlewat. Jika menjadi terlalu rinci, para pembangun mungkin kesulitan memahami dengan jelas bagaimana keputusan dibuat.

Itu salah satu hal yang akan saya pantau saat Newton Mainnet Beta terus berkembang. Bukan hanya apakah mesin kebijakan bekerja, tetapi juga apakah ia tetap dapat dipahami seiring lebih banyak skenario penggunaan ditambahkan.

Saya penasaran bagaimana pandangan para pembangun lainnya. Apakah mesin kebijakan harus berusaha menangkap setiap kemungkinan skenario, atau apakah ada nilai nyata dalam menjaga logika kebijakan tetap sengaja sederhana?

#Newt #Newt $NEWT @NewtonProtocol $TLM $LAB #VitalikOutlinesLeanEthereumRoadmap #BrazilCentralBankSaysStablecoinsElectronicMoney #BitcoinFallsOver50%FromOctoberHigh

Saya telah bertanya-tanya apakah kepastian kriptografis cukup untuk generasi berikutnya dari aplikasi on-chain.
Sebuah tanda tangan dapat membuktikan bahwa suatu tindakan telah disetujui, tetapi tidak bisa menjelaskan apakah keadaan di sekitarnya masih membenarkan persetujuan itu. Di sinilah Newton Protocol menarik bagi saya. Arsitektur berbasis kebijakannya menunjukkan bahwa otorisasi tidak hanya tentang memverifikasi identitas—tetapi tentang menilai konteks sebelum dieksekusi.
Itu mengubah cara saya memikirkan desain protokol. Alih-alih mengasumsikan bahwa setiap tanda tangan yang valid layak diperlakukan sama, pengembang dapat menentukan kondisi yang memengaruhi apakah suatu tindakan seharusnya dilanjutkan. Keputusan menjadi lebih kaya daripada sekadar pemeriksaan lulus atau gagal.
Tentu saja, menambahkan konteks juga memperkenalkan kompleksitas. Kebijakan harus tetap transparan, dapat diaudit, dan dapat diprediksi, atau risiko menjadi sulit bagi pengembang dan pengguna untuk memahami. Fleksibilitas itu berharga hanya jika tidak mengorbankan kejelasan.
Saat Newton Mainnet Beta berkembang, saya kurang tertarik pada berapa banyak tindakan yang dapat diotorisasi oleh jaringan, dibandingkan pada seberapa efektif ia menyeimbangkan kepastian kriptografis dengan penilaian kontekstual.

Pertanyaan yang masih saya telusuri adalah ini: saat sistem terdesentralisasi menjadi lebih cerdas, apakah otorisasi sebaiknya mengandalkan terutama pada pembuktian matematis, atau apakah konteks secara bertahap harus menjadi bagian yang setara dalam setiap keputusan perizinan?

#Newt #Newt $NEWT @NewtonProtocol $LAB $VANRY #Binance #TrendingTopic #TradingCommunity

Bayangkan dua operator independen meninjau permintaan yang persis sama dan sampai pada kesimpulan yang berbeda.

Secara teknis, transaksi tersebut mungkin tetap dapat dieksekusi di suatu tempat. Namun, keyakinan terhadap sistem akan mulai retak jauh sebelum apa pun gagal di-chain.

Itulah sebabnya saya mulai memandang Newton Protocol bukan semata sebagai lapisan otomasi, melainkan sebagai eksperimen dalam pengambilan keputusan yang dapat diulang. Jika bukti yang identik secara konsisten menghasilkan hasil otorisasi yang identik di seluruh jaringan, pengembang mendapatkan sesuatu yang sulit untuk dikuantifikasi namun penting untuk dibangun: prediktabilitas.

Ini tidak menghilangkan kompleksitas. Logika kebijakan tetap akan berkembang, kasus tepi masih ada, dan tata kelola terkait pembaruan kebijakan menjadi semakin penting seiring ekosistem bertumbuh. Konsistensi hanya berarti jika para peserta juga memahami bagaimana konsistensi itu dipertahankan dari waktu ke waktu.

Mungkin tolok ukur sebenarnya untuk otorisasi terdesentralisasi bukanlah berapa banyak permintaan yang disetujui, melainkan apakah setiap peserta dapat secara independen tiba pada jawaban yang sama untuk alasan yang sama.

Saat Newton Mainnet Beta berkembang, apa yang akan terbukti lebih bernilai dalam jangka panjang: keputusan kebijakan yang lebih cepat, atau keputusan kebijakan yang tetap dapat direproduksi oleh setiap peserta di jaringan?

#Newt #Newt $NEWT @NewtonProtocol $TLM $MAGMA #BitcoinFalls44%FromJanuaryPeak #SouthKoreanStocksRise5% #PhiladelphiaSemiconductorIndexFalls4%

Sebagian besar diskusi keamanan berfokus pada siapa yang diizinkan untuk bertindak.

Menurut saya, pertanyaan yang sama pentingnya adalah berapa lama izin tersebut harus tetap dipercaya.

Gagasan itu terus muncul ketika saya menjelajahi Newton Protocol.

Salah satu pilihan desain yang menurut saya sangat menarik adalah bahwa pengesahan (attestations) tidak dimaksudkan untuk tetap valid tanpa batas. Pengesahan memiliki masa berlaku yang ditentukan, sehingga otorisasi tidak diperlakukan sebagai sesuatu yang bisa dipercaya selamanya—otorisasi harus diperbarui saat kondisi berubah.

Semakin saya memikirkannya, semakin terasa bahwa ini adalah keputusan arsitektural yang halus, bukan sekadar perlindungan replay.

Izin yang sesuai kemarin mungkin sudah tidak lagi mencerminkan realitas saat ini. Dengan membatasi masa berlaku pengesahan, Newton mengurangi risiko asumsi yang sudah ketinggalan diam-diam menjadi permanen.

Namun, ada trade-off. Validasi ulang yang lebih sering berarti evaluasi kebijakan tambahan dan beban operasional yang lebih besar. Tantangannya adalah menemukan titik di mana keamanan yang lebih kuat tidak justru mempersulit pengalaman pengguna secara tidak perlu, terutama saat Mainnet Beta semakin matang.

Bagi saya, ini menunjukkan bahwa Newton sedang bereksperimen dengan otorisasi yang peka terhadap waktu, di mana kapan keputusan dibuat hampir sama pentingnya dengan siapa yang membuatnya.

Jika sistem terdesentralisasi terus menjadi semakin otonom, apakah setiap otorisasi pada akhirnya harus kedaluwarsa, atau adakah kasus di mana kepercayaan yang persisten justru merupakan desain yang lebih aman?

#Newt #Newt $NEWT @NewtonProtocol
$THE $MAGMA #BinanceSquareFamily #TrendingTopic #TradingCommunity

Pertanyaan yang terus kembali kepadaku bukanlah apakah sebuah protokol cepat—melainkan apakah protokol itu dapat diandalkan saat orang mengandalkannya setiap hari.

Saat Newton Mainnet Beta berkembang, setiap interaksi yang terverifikasi membantu mengungkap apakah protokol berperilaku konsisten dalam berbagai kondisi. Bagi pengembang, konsistensi sama pentingnya dengan kecepatan. Jika hasilnya transparan dan dapat direproduksi, para pembangun dapat merancang aplikasi dengan keyakinan yang lebih besar, bukan terus-menerus memperhitungkan ketidakpastian.

Bagi saya, di situlah nilai jangka panjang mulai muncul. Protokol yang memberikan otorisasi yang dapat diprediksi dan eksekusi yang dapat diverifikasi memberi ekosistem fondasi yang stabil untuk eksperimen dan inovasi.

Mainnet Beta tidak hanya tentang membuktikan fitur berfungsi—melainkan tentang membuktikan bahwa fitur tersebut bekerja secara konsisten dengan cukup agar orang lain dapat membangunnya dengan penuh keyakinan.

Saya penasaran untuk melihat bagaimana Newton terus memperkuat fondasi itu seiring ekosistem yang terus bertumbuh.

#Newt $NEWT @NewtonProtocol $POND $NFP #TradingCommunity #Market_Update

turut pendapat Anda tentang NEWT hari ini apa?

Kebanyakan orang menilai blockchain dari apa yang berjalan pada hari pertama. Menurut saya, pertanyaan yang lebih menarik adalah apa yang dipelajari blockchain pada hari pertama itu.

Itulah salah satu alasan saya memperhatikan Newton Mainnet Beta.
Jaringan beta bukan sekadar pratinjau dari produk final—ini adalah tempat para pengembang dan pengguna mengungkap kasus-kasus tepi, menguji asumsi, dan menunjukkan bagaimana perilaku di dunia nyata berbeda dari teori.

Setiap interaksi yang tak terduga, setiap alur kerja yang terasa tidak efisien,
dan setiap masukan dari komunitas dapat menjadi bagian dari protokol yang lebih kuat jika benar-benar diintegrasikan ke iterasi berikutnya.

Bagi saya, nilai sebuah beta tidak diukur dengan memiliki nol kekurangan.
Sebaliknya, diukur dari seberapa efektif kekurangan-kekurangan itu diidentifikasi, dipahami, dan diubah menjadi peningkatan sebelum adopsi yang lebih luas.

Karena itu, saya akan terus mengamati Newton Mainnet Beta dari waktu ke waktu—bukan hanya untuk fitur-fitur baru,
tetapi untuk bukti bahwa protokol ini berevolusi sebagai respons terhadap penggunaan nyata, bukan desain yang statis.

Menurut Anda, sinyal apa yang paling baik menunjukkan bahwa sebuah jaringan beta benar-benar bergerak menuju mainnet yang tangguh?

#Newt $NEWT @NewtonProtocol #newt
#Binance #BinanceSquareFamily #Market_Update $AIGENSYN $RIF

Ada detail teknis di SolidML yang kebanyakan orang yang membahas OpenGradient belum sebutkan.
Eksekusi atomik.
Ketika sebuah smart contract memanggil model AI melalui SolidML, inferensi dan transaksi terjadi bersamaan.
Tidak secara berurutan.
Bersama.
Baik-baik saja atau tidak sama sekali.
Ini terdengar seperti detail kecil.
Sebenarnya ini signifikan.
Dalam sistem berbasis oracle standar, smart contract meminta data dari sumber luar.
Menunggu respons.
Kemudian mengeksekusi berdasarkan apa yang kembali.
Celah antara permintaan dan respons adalah tempat di mana segala sesuatunya bisa salah.
Perubahan harga.
Perubahan status.
Data yang Anda gunakan sudah tidak valid lagi.
SolidML menghilangkan celah itu dengan menjadikan inferensi AI bagian dari transaksi itu sendiri.
Model dijalankan.
Bukti diverifikasi.
Kontrak dieksekusi.
Semua dalam satu langkah atomik.
Tidak ada menunggu. Tidak ada celah. Tidak ada masalah data basi.
Apa yang saya rasa layak dipikirkan adalah apa artinya ini untuk protokol DeFi yang membangun model risiko.
Sebuah protokol pinjaman bisa menjalankan penilaian risiko AI dan menyetujui atau menolak pinjaman dalam transaksi yang sama.
Tidak ada server luar. Tidak ada perantara yang tepercaya. Tidak ada celah.
Bagian yang masih saya baca dengan hati-hati adalah bagaimana SolidML menangani pembaruan model.
Jika model risiko dilatih ulang dan menghasilkan keluaran yang berbeda, smart contract yang menggunakannya perlu tahu.
Bagaimana eksekusi atomik menangani momen ketika versi model berubah di tengah penerapan?
Itu dokumentasi yang belum saya temukan jawaban yang jelas hingga saat ini.
@OpenGradient #OPG $OPG $SYN $FOLKS
Hari ini Pasar?

BitQuant menggunakan Router LLM untuk menentukan agen mana yang menangani pertanyaanmu.
Kamu mengajukan pertanyaan.
Router membacanya.
Menentukan apakah itu masuk ke Agen Analitik, Agen Investasi, atau yang lainnya.
Lalu diarahkan sesuai.
Itu adalah arsitektur yang bersih.
Tapi aku terhenti pada satu detail.
Router LLM membuat keputusan klasifikasi sebelum pertanyaanmu yang sebenarnya terjawab.
Siapa yang memverifikasi router?
Inferensi hilir — analisis DeFi yang sebenarnya — berjalan di infrastruktur terverifikasi OpenGradient.
Pernyataan TEE. Bukti zkML. Penyelesaian on-chain.
Kamu bisa memverifikasi apa yang dikembalikan oleh Agen Analitik.
Tapi keputusan routing yang mengirimmu ke sana sejak awal?
Itu terjadi sebelum lapisan verifikasi aktif.
Jika router salah mengklasifikasikan pertanyaanmu dan mengirimnya ke agen yang salah, kamu akan mendapatkan jawaban terverifikasi untuk masalah yang salah.
Lapisan verifikasi membuktikan bahwa komputasi berjalan dengan benar.
Itu tidak membuktikan bahwa komputasi yang tepat dijalankan.
Kesenjangan antara routing dan verifikasi adalah bagian yang belum aku lihat dibahas dalam dokumentasi.
Mungkin ini ditangani di tempat lain yang belum aku temukan.
Tapi dalam sistem di mana seluruh proposisi nilai adalah inferensi AI tanpa kepercayaan, langkah yang tidak terverifikasi di awal adalah yang layak ditanyakan.
@OpenGradient #OPG $OPG $UB $TNSR
#Binance #Market_Update #TrendingTopic #TradingCommunity
Bagaimana pendapatmu tentang OPG hari ini?

2,7 juta model sekarang terdaftar di HuggingFace.
Dari angka saja, AI terlihat sepenuhnya terbuka. Siapa pun bisa mengunduh hampir apa saja.
Tapi mengunduh model dan menjalankannya secara terverifikasi adalah dua hal yang sangat berbeda.
@OpenGradient baru-baru ini menyampaikan poin yang tidak bisa saya lupakan.
Model terbuka tidak membuat AI terbuka secara default. Jika inferensi tetap terpusat, eksekusi tetap tidak jelas. Anda mendapatkan modelnya tetapi Anda masih tidak bisa membuktikan apa yang terjadi saat dijalankan.
Celah antara bobot terbuka dan eksekusi terverifikasi adalah tempat OpenGradient membangun.
Jaringan ini memiliki empat jenis node. Full Nodes menangani konsensus dan verifikasi bukti. Inference Nodes menjalankan komputasi GPU yang sebenarnya. Storage Nodes mengelola file model. Data Nodes menangani konteks dan pra-pemrosesan.
Masing-masing memiliki satu pekerjaan. Tidak ada yang melakukan semuanya.
Yang saya rasa layak dipikirkan adalah Storage Node secara spesifik. Model dicache secara lokal di inference nodes atau diunduh sesuai kebutuhan. Itu berarti kecepatan jaringan sebagian tergantung pada tingkat cache hit dan latensi unduhan untuk model yang kurang populer.
2000+ model di hub. Tapi inference nodes tidak bisa mencache semuanya secara lokal.
Model yang paling populer mendapatkan respons cache yang cepat. Model yang kurang populer mendapatkan latensi unduhan setiap kali.
Dalam jaringan di mana kecepatan adalah bagian dari proposisi nilai, ekor panjang model mungkin jauh lebih lambat daripada yang disarankan oleh angka headline.
Apakah ada yang menerbitkan data latensi aktual yang dibagi berdasarkan popularitas model?
Angka itu akan memberi tahu saya lebih banyak tentang kinerja nyata daripada benchmark yang dijalankan pada model yang sering dicache.

@OpenGradient #OPG $OPG $BICO $BTW

#Binance #TrendingTopic #Market_Update #TradingCommunity

Apa posisi Anda di leaderboard hari ini?

Saya mengira menjalankan node di jaringan AI berarti memiliki perangkat keras GPU yang serius....
Asumsi itu ternyata salah dengan cara yang menarik.
OpenGradient memisahkan Full Nodes dari Inference Nodes sepenuhnya. Full Nodes menangani konsensus, manajemen buku besar, verifikasi bukti, dan penyelesaian pembayaran. Dokumentasi dengan jelas menyatakan bahwa mereka tidak pernah menyentuh GPU.
Inference Nodes adalah yang menjalankan model di perangkat keras GPU...
Dua peran yang sepenuhnya terpisah.
Dua persyaratan perangkat keras yang sepenuhnya terpisah.
Ini lebih penting daripada yang terdengar.
Blockchain tradisional mengasumsikan bahwa setiap validator memproses kembali setiap transaksi. Seluruh jaringan melakukan pekerjaan yang sama. Redundansi itulah cara membangun kepercayaan.
OpenGradient berpendapat bahwa model untuk AI tidak praktis dan sejujurnya tidak masuk akal. Tidak setiap node perlu menjalankan inferensi. Tidak setiap node perlu GPU. Konsensus dan komputasi adalah pekerjaan yang berbeda yang seharusnya ditangani oleh peserta yang berbeda.
Desain ini adalah pengakuan diam bahwa desentralisasi untuk AI harus berarti sesuatu yang berbeda daripada desentralisasi untuk keuangan.
Apa yang saya anggap layak dipikirkan adalah pemisahan insentif yang diciptakan ini....
Full Nodes mendapatkan imbalan dengan memverifikasi bukti dan menyelesaikan pembayaran dengan benar. Inference Nodes mendapatkan imbalan dengan menjalankan model dengan akurat dan cepat. Masing-masing memiliki definisi yang berbeda tentang melakukan pekerjaan dengan baik....
Ketika insentif tersebut selaras, jaringan berfungsi. Ketika tidak, kegagalan yang menarik terjadi di batas antara keduanya.
Apa yang dilakukan sistem ketika sebuah Inference Node menghasilkan output yang valid tetapi verifikasi Full Node menangkap sesuatu yang tidak konsisten dalam bukti?
Batas itu adalah tempat saya ingin membaca dokumentasi dengan lebih hati-hati sebelum memutuskan bahwa desain ini sebersih yang terlihat.
@OpenGradient #OPG $OPG $BICO $BTW

#IranOilFlowsSurgePostBlockade #VanceDelaysUSIranSwitzerlandTalks #ChinaUSTreasuryHoldings18YearLow #BOJGovernorUedaDischarged
apa peringkatmu di papan peringkat hari ini?