Mew_Web3
Full-time Web3 I share market thoughts, narratives and macro views about crypto. Not financial advice.
999Følger
1,1kfølgere
Feed
Feed
En lønnsom rekke kan se imponerende ut, men den forteller deg ikke om en trader faktisk har en repeterbar fordel.
Derfor fanget poengmodellen bak @agenticscredit oppmerksomheten min.
ACS ser på seks signaler: lønnsomhet, nedgang, konsistens, levetid, vinnerprosent og Sharpe.
Den detaljen jeg synes er viktigst, er nedgangen som den tyngste negative faktoren. Å jage en stor avkastning samtidig som man tar for stor risiko behandles ikke på samme måte som å produsere avkastning samtidig som man beskytter kapital.
Konsistens og lang levetid legger til et ekstra lag. En heldig gjennomspilling betyr mindre når systemet kan se på hvordan noen presterer over lengre historikk.
Det føles mye nærmere hvordan handelsevne bør vurderes: ikke bare hvor mye du tjente, men hvordan du kom dit.
God morgen ☀️
Romlige data blir mye mer interessante når de ikke behandles som noe statisk.
@vangrid_io Enterprise API inkluderer strømming, som lar klienter motta observasjoner for spesifikke geografiske områder.
Jeg kan se hvorfor denne retningen er viktig for robotikk og autonome systemer. Den fysiske verden endrer seg stadig, så infrastrukturen som beskriver den må til slutt også fortsette å bevege seg.
Det jeg synes er interessant med @agenticscredit er at en score ikke bare er et tall som ligger på en profil. Den bestemmer faktisk hva som skjer videre.
Koble til en lommebok eller agent, og ACS vurderer aktivitet gjennom seks signaler, og gir en score fra 300 til 850.
Derfra blir 580 en viktig terskel.
Score 580 eller høyere → kvalifisere for den begrensede kapitalveien.
Under 580 → papirhandel først, bygg opp en merittliste, og jobb mot kvalifikasjon.
Det som gjør modellen mer interessant er tilbakemeldingssløyfen. Papirhandler og ekte handler fortsetter å oppdatere samme ACS over tid.
Så kvalifikasjon er ikke nødvendigvis en engangsvurdering. Dine handlinger bidrar stadig til det omdømmet du bygger opp.
En detalj i @vangrid_io API-dokumentasjonen skilte seg ut for meg: proveniens kan verifiseres uavhengig.
En virksomhet kan ta en observasjon og dens hash og verifisere dens ekthet, i stedet for kun å stole på et annet svar som sier at dataene er gyldige.
For systemer som opererer i den fysiske verden, mener jeg at dette skillet er viktig. Tilliten er sterkere når den kan kontrolleres.
Ikke alle virkelige opptak bør automatisk bli nyttige AI-data.
Før @vangrid_io aksepterer data, kan de sjekke ting som videokvalitet, varighet, konsistens mellom kamera- og posisjonsinformasjon, samt potensielle duplikater.
Det høres kanskje mindre spennende ut enn å snakke om roboter, men jeg tror det tar opp en av de vanskeligere delene av fysisk AI.
Mer data er ikke automatisk bedre data.
Hvis autonome systemer skal lære av den fysiske verden, kan filtrering og verifisering av deres grunnleggende sannhet være like viktig som å samle den i utgangspunktet.
Jeg tror kreditt vil bli en av de manglende brikkene i den agentiske økonomien.
Hvis AI-agenter skal handle autonomt i stor skala, er det ikke nok bare å vite identiteten deres. Det må også finnes en måte å forstå deres merittliste, lønnsomhet og om de faktisk kan stoles på med kreditt.
Det var det som fanget oppmerksomheten min med @agenticscredit og dens Agentic Credit Score.
Å gi meglere et økonomisk rykte basert på reell ytelse føles mye mer praktisk for meg enn å behandle alle agenter likt.
Etter hvert som agentene blir mer økonomisk uavhengige, tror jeg kredittscoren deres kan bli nesten like viktig som deres evner.
En detalj i @vangrid_io-dokumentene som jeg setter pris på, er den tydelige separasjonen mellom bidragspoeng og $VAN.
Poeng er laget for å måle deltakelse og rangere bidragsytere. De er ikke $VAN og presenteres ikke som noe som konverteres til tokenet.
I mellomtiden beskrives $VAN selv rundt fremtidige protokollfunksjoner som sikkerhet og oppgjør, og den er ennå ikke aktiv.
Klare skiller som dette betyr noe. Jeg vil heller se et prosjekt forklare hva som eksisterer i dag og hva som fortsatt designes, enn å viske ut de to for en bedre fortelling.
Fysisk AI blir en av fortellingene jeg følger mer med på.
Det som gjør @vangrid_io interessant for meg, er fokuset på et problem som AI ikke kan løse ved bare å skrape mer data fra internett: å forstå den fysiske verden slik den faktisk eksisterer.
Vangrid gjør smarttelefoner om til et distribuert nettverk for å samle inn virkelige romlige data på forespørsel, med proveniens forankret på chain.
Jeg mener dette skjæringspunktet mellom smarttelefoner, romlige data og fysisk AI er verdt å følge nøye med. Infrastrukturen bak roboter kan ende opp med å bli like viktig som robotene selv.
Ett arkitekturvalg fra @termix_ai som fanget min oppmerksomhet:
Backend kan forberede og ABI-kode et kontraktsanrop, men det kringkaster ikke transaksjonen for deg.
Flyten er:
Backend forbereder → Wallet signerer → Wallet sender ut → Indexer oppdaterer status.
Jeg liker denne avstanden.
Den beholder transaksjonsautorisasjon med lommeboken i stedet for å behandle backend som den endelige autoriteten over brukerens midler.
For en agentøkonomi reiser dette et interessant spørsmål.
Etter hvert som lommebøker blir stadig mer agentiske, hvordan ser «brukerautorisasjon» ut når programvaren selv tar økonomiske beslutninger?
I dag tenker vi på lommebøker som verktøy mennesker klikker på.
I morgen kan en lommebok være en del av en agents driftsmiljø.
Infrastrukturen som bygges nå kan til slutt avgjøre hvor mye økonomisk autonomi disse agentene trygt kan ha.
