Hvorfor kan ikke de fleste AI-prosjekter bli Kindred likevel? Hovedårsaken er at de fleste AI-prosjekter løser effektivitetsproblemer i jakten på raskere, mer nøyaktige og billigere løsninger. Men denne fordelen er kortvarig, og hver gang den store modellen oppgraderes, blir den ledende raskt ordinær, og alle står på samme startstrek Kindred valgte en langsommere og vanskeligere vei. I stedet for å skynde seg å lansere funksjonen «fantastisk så snart du skyter», bruker den mye tid på å bygge en distinkt karakterpersonlighet, samle langtidsminner og gradvis bygge en ekte emosjonell forbindelse med brukeren Effektivitetsverktøyet kan endres etter eget ønske, og brukerne bruker det bare uten følelsesmessige bekymringer. Så snart det finnes et billigere eller raskere alternativ, bytt jobb umiddelbart Når brukere begynner å utvikle vaner, minner eller til og med litt tilknytning til en bestemt AI, blir byttekostnaden svært høy, noe som ikke lenger lett kan måles med teknologi eller pris Dette er den mest essensielle forskjellen, de fleste prosjekter jobber med kraftigere verktøy, og Kindred samarbeider med langsiktige partnere #KaitoYap @KaitoAI @Kindred_AI #Yap @metamaxxmoon $KIN

Nylig stjal jeg noen tweets fra Inference Labs, som gir så mye mening at AI-modellen blir større og større, men verifiseringsgapet blir dypere og dypere. Hele resonnementsprosessen blir mer og mer ugjennomsiktig, og det finnes ingen måte å verifisere hvor resultatet kom fra og hvordan det ble presset ut steg for steg, og tilliten reduseres naturlig nok sterkt Løsningen deres er enkel og grei, men spesielt effektfull, og legger til et kryptografisk bevis til hvert AI-utgang, lik en transaksjonshash på blokkjeden, som ikke kan tukles med og kan verifiseres når som helst. På denne måten er det AI-genererte innholdet ikke lenger det du sier, men kan verifiseres direkte gjennom kryptografi Er ikke dette svakheten web3 mest må kompensere for? Desentralisering har flyttet tilliten fra institusjoner til kode- og kryptografiske mekanismer, og nå som AI skal implementeres i stor skala, hvis det fortsatt er en svart boks, hvem tør å trygt overlate midler, data og viktige beslutninger til den Med dette kryptografiske beviset kan identitetsautentisering, sikkerhet og ansvarlighetssporbarhet virkelig implementeres for å oppnå et reviderbart autonomt system. Uansett hvor kraftig AI er, må den forstås og verifiseres, ellers vil den bare være en mer raffinert løgngenerator uansett hvor stor modellen er. #KaitoYap @KaitoAI #Yap @inference_labs

DeFi-sirkelen er nå for volatil, og de som gir likviditet (LP) blir ofte kvalt av midlertidig tap og slippage. Ulike markedsskapende modeller har faktisk sin egen spillmekanikk og anvendelige scenarioer, og du kan enkelt snakke om hvordan du setter prisen, hvordan slippage og risikoen for LP for å se hvilken som er mest pålitelig i dette miljøet 1. Tradisjonell AMM (x·y=k) Prisen er kontinuerlig, og en handel kommer inn og skyver umiddelbart kurven bort. Fordelen er enkel, bare kast det inn og la det være, egnet for helt passive personer. Ulempen er også veldig enkel, pengene er jevnt fordelt i prisklassen, slippage er sterkt overdrevet, og kapitalutnyttelsesgraden er lavest. For svært volatile valutapar er LP-er i hovedsak objekter for høsting, og gebyrene som tjenes er ofte ikke nok til å fylle hullene 2. Konsentrert likviditet (CLMM, lik Uniswap V3) Du kan velge prisklassen selv, konsentrere pengene i det vanlige området, effektiviteten vil plutselig øke, og gebyret vil også gi mer. Intervallet er fortsatt en kontinuerlig kurve, og slippingen er mye bedre enn den tradisjonelle. Men når prisen går ut av intervallet du satte, vil likviditeten direkte gå tilbake til null og bli en ren ensidig posisjon. På dette tidspunktet må du raskt justere posisjonen manuelt, og når svingningene er kraftige, kan den justeres flere ganger om dagen, noe som er ganske slitsomt og passer for folk som har tid til å stirre på markedet 3. Dynamisk likviditet (DLMM, den typen Ferra spesialiserer) Kjernen i denne tingen er annerledes, den deler prisen i små bokser. Prisen i det samme nettet er død, så lenge det er nok likviditet i den, er det i praksis ingen slipp i transaksjonen. Du må spise opp et rutenett før du hopper til neste pris. Det legger også til dynamiske gebyrer, og renten øker automatisk når markedet er kaotisk, noe som også blokkerer arbitrasjeområdet. For LP-er er gjennomføringen mer forutsigbar, risiko kan sees tydeligere, likviditet kan frigjøres ensidig, og strategien er mye mer fleksibel. Singapore-mynter eller spesielt volatile pools er åpenbart mye mer komfortable å bruke Si direkte forskjellen • Tradisjonell AMM: Den kan veksles når som helst, men pengene brukes hardest og volatilitetsperioden er den mest tapende • CLMM: Effektiviteten er høy, men du må justere den nøye, og prisen er lett å bomme på målet • DLMM: Den er rettet mot høy volatilitet, med stabil utførelse og rimelig avkastning, ikke basert på de to første, men på direkte endring av prislogikken Nå er markedssvingningene mer alvorlige enn de andre, hvis volumen i poolen din er grei og prisen liker å hoppe rundt, vil det være mye mer stabilt å prøve DLMM først. Hvis gjennomføringen er god og risikoen er kontrollerbar, kan de opptjente gebyrene bedre dekke tapene. Akkurat som Ferra spesialiserer seg på dynamisk likviditet på Sui, er underliggende denne modellen, hvis du er interessert, kan du ta en titt, og du vil merke forskjellen når du faktisk bruker den #KaitoYap @KaitoAI #Yap @SuiNetwork @ferra_protocol