NVIDIA только что показала выручку в $81.6 миллиардов. Акции упали. И это говорит вам всё о Mag 7 прямо сейчас.
Позвольте мне объяснить, что только что произошло, потому что это один из самых интересных моментов в истории Mag 7.
NVIDIA отчиталась за I квартал 2027 финансового года 20 мая. Выручка составила $81.6 миллиардов — рост на 85% по сравнению с прошлым годом. Только в центре обработки данных было $75.2 миллиарда. Прогноз на II квартал составил $91 миллиард. Они увеличили дивиденды на 2400%.
Они объявили о выкупе акций на сумму $80 миллиардов. По всем традиционным меркам, это один из величайших отчетов о прибыли в истории фондового рынка.
На следующий день акции упали на 1.75%.
Тем временем, Alphabet тихо становится самой интересной акцией в группе. Google Cloud вырос на 63% в I квартале. Выручка увеличилась на 22%. Операционная маржа составила 36.1%.
Они только что запустили Gemini 3.5 на Google I/O. Аналитики повысили целевую цену до $428, и акции выросли на 28% с начала года — лучший результат в целом Mag 7. Рынок вознаграждает за исполнение, а не просто за хайп.
Это то расхождение, о котором никто не говорит достаточно громко. NVIDIA настолько доминирует, что рынок больше не реагирует на рекордные цифры. Планка продолжает подниматься быстрее, чем компания может её преодолеть. Alphabet, с другой стороны, была акцией, которую все списали год назад, когда ИИ якобы собирался уничтожить Google Search. Это не случилось. Она адаптировалась. И теперь она в движении.
Мое мнение о Mag 7 прямо сейчас: NVIDIA — это долгосрочное удержание, но краткосрочная сделка на истощение. Alphabet — это настоящий сюрприз.
Microsoft, Amazon и Meta тратят в общей сложности $725 миллиардов на капитальные затраты в 2026 году — посмотрим, превратится ли это в прибыль в III и IV кварталах. Apple и Tesla все еще являются дикими картами, о которых никто не может договориться. Группа заработала $4.8 триллиона с апреля. Но эти семь больше не движутся вместе. Выбирайте осторожно.
OpenLedger и $OPEN изменили моё представление о том, что на самом деле значит "бездоверие"
Я долго думал, что бездоверие — это цель. Это слово стало основополагающим для того, как крипто-сообщество говорит о ценности. Убираем посредников. Убираем необходимость доверять контрагентам. Позволяем протоколу заниматься верификацией, чтобы людям не приходилось каждый раз это обсуждать. Вся архитектура блокчейна была построена вокруг этой амбиции. И для простых транзакций это работало. Ты отправляешь токены. Я их получаю. Никто не оспаривает то, что произошло, потому что математика проверяема. Затем в DeFi вошли ИИ-агенты, и что-то сломалось в этом предположении, которое я не заметил как хрупкое.
Я долгое время предполагал, что узким местом в ИИ является интеллект. Лучшие модели. Быстрая инференция. Более мощные системы.
Это предположение начало рушиться, когда я серьезно задумался о том, кто на самом деле внедряет ИИ в средах с высокими ставками. Не исследователи. Не разработчики, экспериментирующие с агентами. Организации, где выводы ИИ имеют реальные последствия. Финансовые системы. Страховые рабочие процессы. Процессы соблюдения нормативных требований. Проверка личностей.
В этих средах никто сначала не спрашивает, насколько умна модель.
Они спрашивают, может ли кто-то объяснить, что она сделала, когда что-то пошло не так. Этот вопрос не имеет четкого ответа в большинстве нынешней инфраструктуры ИИ. Модель выдала результат. Логика, стоящая за этим, растворилась в процессе, который никто не может восстановить снаружи.
Система атрибуции OpenLedger - это инфраструктура для этого восстановления. OctoClaw, работающий в блокчейне, не просто выполняет задачи. Он генерирует проверяемую запись того, какие данные повлияли на каждое решение, какие участники повлияли на вывод, и как цепочка от ввода к действию может быть отслежена позже.
Это не функция вознаграждений. Это инфраструктура ответственности. А ответственность в ИИ становится менее факультативной, чем ближе эти системы подходят к решениям, которые влияют на деньги, доступ и возможности людей.
$OPEN , находящийся внутри этой инфраструктуры, еще не оценивается как инфраструктура ответственности. Зависит ли он в конечном итоге от циклов принятия, которые медленнее, чем рынки токенов хотят, чтобы они были. Но направление кажется правильным. А направление обычно имеет большее значение, чем время в ранних инфраструктурных играх.
Тег кампании + Новый листинг + перепроданный RSI + монструозный объем = высокая степень риска, высокая награда. Одно закрытие выше EMA20 подтверждает разворот. До тех пор — это только снайперский вход. 🎯
Я думал, что блокчейн решил проблему доверия, пока агенты ИИ не заставили меня пересмотреть, что на самом деле означает доверие в системе, где решения принимают машины. Блокчейн фиксирует то, что произошло. Это работает для транзакций.
Но решения — это другое. У решений есть обоснование. И именно обоснование — это то, для чего традиционная инфраструктура блокчейна никогда не была создана.
OctoClaw, выполняя рабочий процесс на OpenLedger, не просто генерирует запись транзакции. Он генерирует что-то ближе к записи обоснования. Какие данные были доступны. Какая модель использовалась. Какие участники повлияли на результат и насколько.
Это другой вид записи в книге. И это закрывает пробел, который, я думаю, большинство людей еще не полностью осознали.
Традиционные финансы потратили десятилетия на создание требований к аудиторским следам вокруг алгоритмического принятия решений. Не для того, чтобы замедлить системы. Потому что важные решения, принимаемые на скорости машин, должны быть восстановимы людьми потом.
OpenLedger строит эту восстановимость на уровне инфраструктуры для ИИ.
Не как функцию соблюдения, прикрепленную позже. Как основополагающее, что делает цепочка.
$OPEN , находящийся внутри этой инфраструктуры, не просто газовый токен или механизм управления. Это экономический слой книги, созданный специально для мира, где обоснование машин должно быть столь же проверяемым, как и исполнение машин.
Этот мир еще не полностью здесь. Но расстояние сокращается быстрее, чем ожидали большинство людей.
OpenLedger и $OPEN заставили меня переосмыслить, чего на самом деле не хватало блокчейну.
Я долго верила, что блокчейн решил проблему доверия. Не наивно. Я понимала ограничения. Проблемы масштабируемости. Трение в пользовательском опыте. Регуляторная неопределенность. Но основное ценностное предложение казалось достаточно стабильным. Децентрализованные реестры убирают необходимость доверять посредникам. Транзакции можно проверить. Записи постоянные. Технология берет на себя доверие, чтобы людям не приходилось каждый раз это обсуждать вручную. Это казалось завершенным, пока агенты ИИ не вошли в картину. Потому что агенты ИИ сломали что-то в этом предположении, что я не замечала как хрупкое.
Meta сокращает 10% сотрудников — трещит ли мечта Mag 7?
Давайте будем честными.
Когда Meta объявляет о сокращении 10% своего персонала 20 мая, одновременно удваивая инвестиции в ИИ и робототехнику, это не признак силы — это компания, ставящая все на одну карту и сокращающая все остальное.
Это история Mag 7 2026 года в одном предложении. Эти семь компаний получили в общей сложности $4.8 триллиона с апреля.
Morgan Stanley прогнозирует 25% роста чистой прибыли для этой группы в этом году по сравнению с 11% для остального S&P 500.
На бумаге, невероятно. Но под этим скрываются массовые увольнения в Meta, Intuit обрушилась на 14% после сокращения 17% своего персонала, а ETF MAGS все еще скользит вниз сегодня.
Рынок вознаграждает переходы к ИИ и наказывает все остальное. Это работает, пока не сработает.
Когда каждая компания из Mag 7 тратит рекордные суммы на инфраструктуру ИИ и сокращает персонал, чтобы это финансировать, вы должны задаться вопросом — что произойдет, когда доходы от ИИ не будут расти так быстро, как расходы на ИИ?
Мой честный взгляд: NVIDIA и Microsoft по-прежнему выглядят как настоящие столпы здесь. NVIDIA владеет уровнем инфраструктуры, Microsoft монетизирует его через корпоративный сектор. Эти двое — это те, кому я доверяю. Tesla на данный момент — это чистая спекуляция.
Meta — это рискованная игра на социальном ИИ. Apple просто плывет по течению благодаря лояльности к аппаратному обеспечению.
Я помню, как думал, что система атрибуции OpenLedger в основном предназначена для справедливой оплаты участников.
Эта идея казалась достаточно полной, что я почти не углублялся дальше.
Затем я продолжал раздумывать о том, что на самом деле позволяет атрибуция, кроме компенсации.
Когда вы можете проследить, какие данные способствовали какому выходу модели, у вас есть не просто запись о платеже. У вас есть след аудита. А следы аудита — это то, что делает ИИ применимым в тех сферах, где крутятся настоящие деньги. Не в потребительских приложениях. В регулируемых отраслях. Финансы. Страхование. Юриспруденция. Здравоохранение.
Эти сферы не принимают ИИ, потому что он способен. Они принимают его, когда кто-то может объяснить, что он сделал и кто несет ответственность, если что-то пойдет не так.
Это другая узкая горловина, чем вычисления. Другая узкая горловина, чем качество модели. Другая узкая горловина, чем токеновые стимулы.
И это узкое место становится все дороже игнорировать, по мере того как системы ИИ берут на себя более значимые задачи.
Большинство $OPEN анализа задается вопросом, достаточно ли система атрибуции вознаграждает участников, чтобы привлечь хорошие данные.
Я думаю, что более интересный вопрос в том, делает ли она ИИ достаточно ответственным, чтобы привлечь отрасли, которые имеют больше всего денег на руках. Это разные рынки. И они оцениваются по-разному.
OpenLedger's $OPEN может оценивать что-то, что никто не замечает
Раньше я думала, что сложная часть внедрения ИИ — это интеллект. Лучшие модели. Быстрая обработка. Более дешевые вычисления. Вся дискуссия об прогрессе ИИ постоянно сводилась к способности как узкому месту. Если системы станут умнее, всё остальное последует. Эта логика казалась настолько чистой, что я приняла её, не задавая лишних вопросов. Потом я начала замечать что-то, что не вписывалось в картину. Организации, которые наиболее активно внедряют ИИ, не всегда имеют самые сложные модели. Они нашли что-то более тихое и менее эффектное. Они поняли, как объяснить, что делают их ИИ-системы, когда что-то идет не так.