La logique de croissance de Kindred n'a rien à voir avec celle des applications traditionnelles qui dépendent de l'augmentation des DAU. Le modèle traditionnel consiste essentiellement à : attirer massivement de nouveaux utilisateurs, organiser des événements, améliorer la rétention, puis attirer une nouvelle vague d'utilisateurs. Dès que le rythme ralentit, les données utilisateurs chutent, ce qui dépend fortement des ressources externes et des dépenses publicitaires. Le chemin emprunté par Kindred ressemble davantage à celui des classiques IP de l'industrie du contenu, comme Disney, Nintendo, et le monde de l'animation, qui ont tous prouvé leur efficacité à maintes reprises. Maintenant, ils ont systématisé ce modèle sur la blockchain. En termes simples, il s'agit d'abord d'utiliser l'IP pour toucher les émotions des utilisateurs, ce qui les incite naturellement à passer plus de temps. Avec le temps, une véritable relation et un sentiment d'appartenance se construisent. Une fois la relation établie, la fidélité augmente, et avec une fidélité élevée, le paiement, l'interaction et la consommation deviennent une évidence. Ces revenus nourrissent ensuite l'IP, rendant le contenu plus riche et générant davantage de possibilités, formant ainsi un cycle vertueux. Ainsi, Kindred ne se concentre pas sur l'explosion des DAU à court terme, mais sur la profondeur de la relation entre les utilisateurs et l'IP. Le contenu est-il plus vivant ? Les gens souhaitent-ils vraiment rester à long terme ? Cette croissance basée sur les émotions et les relations peut sembler lente au départ, mais elle est solide, avec peu de fluctuations, et il est plus difficile pour les autres de la copier ou de l'interrompre. Ce n'est peut-être pas la croissance intelligente la plus rapide, mais c'est certainement plus durable et résilient.

L'année 2026 vient à peine de commencer, et Ferra se trouve déjà à un point clé. La mise en ligne du réseau principal n'a eu lieu que trois mois auparavant, et le volume total des transactions a déjà dépassé 1 milliard de dollars. Ce chiffre n'est pas simplement impressionnant, il représente des transactions réelles en argent, avec une liquidité réutilisée à plusieurs reprises, et non pas une montée soudaine suivie d'une chute. Il est également important de mentionner le rythme de croissance, qui ne s'est pas appuyé sur une seule activité incitative ou sur des émotions à court terme, mais a progressé avec la mise en œuvre progressive de fonctionnalités telles que DLMM, les terminaux de trading, LP Guild, Feeds, etc., maintenant ainsi les transactions, la fourniture de liquidité et la participation des utilisateurs de manière stable dans l'écosystème. Ainsi, ce milliard n'est ni trop lent ni trop gonflé. La position de Ferra a toujours été claire : établir une couche de liquidité sur Sui, tout en combinant profondément le trading et le social. Cette direction n'a jamais été déviée par la chaleur ou le froid du marché, ni par des récits à la mode. Un milliard de dollars n'est qu'un signe de validation temporaire, le véritable test est encore à venir. Lorsque le volume continue d'augmenter, ce mécanisme pourra-t-il rester stable et efficace ? #KaitoYap @KaitoAI #Yap @SuiNetwork @ferra_protocol

Dans les domaines de l'aviation, de la finance, de la santé et de la DeFi, une erreur de l'IA peut souvent avoir des conséquences trop élevées pour être supportées. La question n'est plus de savoir si le modèle est précis ou s'il fonctionne, mais plutôt de savoir si, en cas de problème, on peut expliquer clairement et enquêter efficacement. Les régulateurs et les responsables ne vont pas accepter l'argument selon lequel le modèle pensait cela à ce moment-là ; ils ont besoin d'un ensemble complet d'enregistrements clairs et traçables : • Qui a réellement calculé ce résultat ? • Quelle version du modèle a été utilisée ? • Quel était l'environnement d'exécution ? • Y a-t-il eu des possibilités de falsification ? DSperse et JSTprove, lancés par Inference Labs, visent précisément à résoudre ce problème. Grâce à l'inférence distribuée combinée à un mécanisme de preuve zkML efficace, chaque prédiction et décision de l'IA peut générer une preuve cryptographique vérifiable, tout en préservant la confidentialité des données et des poids du modèle. Ainsi, le système peut fonctionner normalement dans des scénarios réels et accepter des audits indépendants de tiers par la suite, garantissant à la fois la transparence et la responsabilité, tout en protégeant la vie privée et la propriété intellectuelle. Dans ces secteurs où la confiance est primordiale, la vérifiabilité n'est plus un atout, mais un seuil à franchir. Elle peut transformer la décision de l'IA, qui était initialement une boîte noire, en preuves vérifiables, réduisant fondamentalement les risques et les coûts liés aux erreurs. #KaitoYap @KaitoAI #Yap @inference_labs