Protokoły i zespoły powinny przestać płacić KOL-om za treści. Jedynym momentem, w którym zespoły powinny rozdawać tokeny, jest sytuacja, gdy KOL-e lub członkowie społeczności tworzą dużą wartość dla ich projektu i przynoszą wyniki. Twój produkt lub narracja powinny być na tyle interesujące, że osoby wpływowe powinny automatycznie chcieć je kupić i pisać o nich naturalnie. To są ci, którym powinieneś przydzielać tokeny, a nie robić 3 płatne wątki dla ambasadorów, którzy sztucznie zwiększają swoje obserwacje. „Co jeśli nie mogę zainteresować nikogo moim produktem, aby tweetował?” W takim razie kontynuuj budowanie, wyraźnie nie znalazłeś odpowiedniej niszy ani nie nawiązałeś wystarczająco kontaktów, jeśli nie możesz zbudować kilku kluczowych zwolenników. Moja wiadomość do budowniczych: zbuduj coś na tyle fajnego, że ludzie naturalnie będą chcieli to kupić i o tym pisać, daj tokeny największym zwolennikom, którzy są zgodni z twoją wizją. Ponieważ: 1. Będą znacznie bardziej skłonni pracować ponad normę i robić więcej, aby pomóc ci odnieść sukces, ponieważ wykazałeś silne moralne zachowanie (rzadkość w tej przestrzeni) 2. Ci, których płacisz za określoną liczbę postów, znikną, gdy ich umowa wygaśnie i zrzucą tokeny. Nie robię płatnych promocji żadnego rodzaju, ale oczywiście nie odrzucę darmowych tokenów za projekt, w który jestem niezwykle optymistyczny, bez żadnych zobowiązań. Najlepsi pisarze nie mogą być kupieni i zostaną odrzuceni, jeśli spróbujesz. Graj długoterminowo i nie szukaj skrótów, to odbije się w twoich działaniach w każdej dziedzinie biznesu, a mądrzy traderzy wyczują to z daleka. Kampanie KOL są martwe, 99,9% agencji marketingowych to strata pieniędzy i będą -ev dla twojego biznesu. Jedynym sposobem na penetrację tego rynku jest posiadanie członków zespołu z doświadczeniem w kryptowalutach, którzy są gotowi wziąć sprawy w swoje ręce.

OpenAI właśnie potwierdziło moją tezę o gwieździe północnej dla AI, wydając dzisiaj swojego agenta operatora. Nie tylko była to moja przewodnia teza dla $CODEC, ale także dla każdej innej inwestycji w AI, którą poczyniłem, w tym tych z początku roku podczas szaleństwa AI. Było wiele dyskusji z Codec w odniesieniu do robotyki, podczas gdy ten sektor wkrótce będzie miał swoją własną narrację, podstawowym powodem, dla którego od samego początku byłem tak optymistyczny wobec Codec, jest to, jak jego architektura napędza agentów operatorów. Ludzie wciąż niedoceniają, jak wiele udziału w rynku jest na szali, budując oprogramowanie, które działa autonomicznie, przewyższając ludzkich pracowników bez potrzeby ciągłych wskazówek czy nadzoru. Widziałem wiele porównań do $NUIT. Po pierwsze, chcę powiedzieć, że jestem wielkim fanem tego, co buduje Nuit i życzę im tylko sukcesów. Jeśli wpiszesz „nuit” w moim telegramie, zobaczysz, że w kwietniu powiedziałem, że gdybym miał trzymać jedną monetę przez kilka miesięcy, byłaby to Nuit z powodu mojej tezy o operatorach. Nuit był najbardziej obiecującym projektem operatora na papierze, ale po dokładnych badaniach odkryłem, że ich architektura nie miała głębokości potrzebnej do uzasadnienia dużej inwestycji lub postawienia za nią mojej reputacji. Mając to na uwadze, byłem już świadomy luk architektonicznych w istniejących zespołach agentów operatorów i aktywnie szukałem projektu, który by je adresował. Niedługo po tym pojawił się Codec (dzięki @0xdetweiler, który nalegał, żebym przyjrzał się im bliżej) i to jest różnica między tymi dwoma: $CODEC vs $NUIT Architektura Codec jest zbudowana na trzech warstwach: Maszyna, System i Inteligencja, które oddzielają infrastrukturę, interfejs środowiska i logikę AI. Każdy agent operatora w Codec działa w swoim własnym izolowanym VM lub kontenerze, co pozwala na niemal natywną wydajność i izolację błędów. Ten warstwowy projekt oznacza, że komponenty mogą skalować się lub ewoluować niezależnie, nie łamiąc systemu. Architektura Nuit podąża inną drogą, będąc bardziej monolityczna. Ich stos opiera się na wyspecjalizowanym agencie przeglądarki internetowej, który łączy analizę, rozumowanie AI i działanie. Oznacza to, że głęboko analizują strony internetowe na strukturalne dane, które AI może konsumować, i polegają na przetwarzaniu w chmurze dla ciężkich zadań AI. Podejście Codec do osadzania lekkiego modelu Vision-Language-Action (VLA) w każdym agencie oznacza, że może działać całkowicie lokalnie. Co nie wymaga ciągłego pingowania do chmury po instrukcje, eliminując opóźnienia i unikając zależności od dostępności i przepustowości. Agent Nuit przetwarza zadania, najpierw przekształcając strony internetowe w semantyczny format, a następnie używając mózgu LLM, aby ustalić, co zrobić, co poprawia się z czasem dzięki uczeniu przez wzmocnienie. Chociaż skuteczne w automatyzacji sieci, ten proces zależy od ciężkiego przetwarzania AI po stronie chmury i zdefiniowanych struktur stron. Inteligencja lokalnego urządzenia Codec oznacza, że decyzje podejmowane są bliżej danych, co zmniejsza obciążenie i sprawia, że system jest bardziej stabilny na nieoczekiwane zmiany (brak kruchych skryptów lub założeń DOM). Operatorzy Codec podążają za ciągłym cyklem postrzegania–myślenia–działania. Warstwa maszyny przesyła środowisko (np. na żywo aplikację lub feed robota) do warstwy inteligencji za pośrednictwem zoptymalizowanych kanałów warstwy systemu, dając AI „oczy” na aktualny stan. Model VLA agenta następnie interpretuje wizualizacje i instrukcje razem, aby zdecydować o działaniu, które warstwa systemu wykonuje za pomocą zdarzeń klawiatury/myszy lub kontroli robota. Ta zintegrowana pętla oznacza, że dostosowuje się do wydarzeń na żywo, nawet jeśli UI się zmienia, nie przerwie to przepływu. Aby to wszystko uprościć, pomyśl o operatorach Codec jak o samowystarczalnym pracowniku, który dostosowuje się do niespodzianek w pracy. Agent Nuit jest jak pracownik, który musi się zatrzymać, opisać sytuację przełożonemu przez telefon i czekać na instrukcje. Nie chcąc zbytnio zagłębiać się w techniczne szczegóły, to powinno dać ci ogólny pomysł, dlaczego wybrałem Codec jako moją główną stawkę na operatorów. Tak, Nuit ma wsparcie od YC, zespół z doświadczeniem i S tier github. Chociaż architektura Codec została zbudowana z myślą o poziomej skali, co oznacza, że możesz wdrożyć tysiące agentów równolegle bez dzielenia pamięci lub kontekstu wykonania między agentami. Zespół Codec również nie jest przeciętnymi programistami. Ich architektura VLA otwiera wiele przypadków użycia, które nie były możliwe z wcześniejszymi modelami agentów z powodu widzenia przez piksele, a nie zrzuty ekranu. Mógłbym kontynuować, ale to zostawię na przyszłe posty.

Chodzi o to, że jeśli naprawdę chcesz odnieść sukces w tej branży, wszyscy wokół ciebie pomyślą, że coś jest z tobą nie tak. Aby naprawdę być w 0,001%, życie poza okopami prawie nie istnieje. Brak dziewczyn, brak hobby, brak spotkań towarzyskich, brak Netflixa czy czegokolwiek, co odciąga cię od pracy. To rodzaj mentalności, która jest niezwykle trudna do zrozumienia nawet dla profesjonalnych sportowców, ponieważ nie ma powodu, dla którego nie mógłbyś być online 24/7. Jesteśmy uwięzieni w naszym własnym paradoksie wolności. Wszyscy pragną magicznej zdolności klikania przycisków dla pieniędzy, aż przychodzi czas, aby powiedzieć „nie” 95% przyjemności. Przyjaciele i rodzina będą ciągle rzucać aluzje sugerujące, że masz jakąś formę choroby psychicznej i nigdy naprawdę nie zobaczą wizji. Zazdrość rośnie, gdy kawałki sukcesu zaczynają się pojawiać; jeśli uważnie obserwujesz ludzi, zawsze ujawniają swoje prawdziwe intencje, nawet jeśli nie chcieli. Najmniejsze wskazówki zdradzą ich, zazwyczaj z powodu spontanicznych reakcji emocjonalnych w danym momencie, gdzie wystarczy usłyszeć kilka słów, które przypadkowo wypłyną, najczęściej to wszystko, co potrzeba. W miarę jak stajesz się coraz bardziej udany, ucz się milczeć. Nie ma potrzeby wspominać o swoim postępie, tak wspaniale byłoby dzielić się tym z wszystkimi i cieszyć się owocami swojej pracy, to tylko przyciągnie chciwość innych. Większość nie udaje się w tym, ponieważ czynią bycie „krypto gościem” lub „inwestorem” swoją całą osobowością. Nawet jeśli jesteś online 16 godzin dziennie, nadal musisz mieć zainteresowania i ambicje poza tą branżą. Przyjaciele powinni chcieć spędzać z tobą czas ze względu na jakość twojej obecności i różnicę nastroju, jaką wnosisz, a nie ile pieniędzy zarobiłeś na ekranie. Życie w prywatności, w odosobnieniu z małym kręgiem wartościowych osób to największy hack życiowy dla spokoju umysłu. Jeśli twoja obecność nie sprawia, że ludzie czują coś bez mówienia o pieniądzach, już przegrałeś.

Ludzie na tej aplikacji zobaczyli, jak największa aplikacja generująca przychody w naszej branży zebrała 1 miliard dolarów w 12 minut przy kapitalizacji rynkowej 1,5 miliarda dolarów i powiedzieli: „pozwól mi to sprzedać krótko”

Handel na wykresach, jak mała grupa osób na CT, zidentyfikowała jedyny projekt budujący infrastrukturę dla jednej z najsilniejszych narracji na następne pięć lat.

Czym jest $CODEC Robotyka, operatorzy, gry? Wszystko powyższe i więcej. Wizja-język-działanie (VLA) Codec to model niezależny od frameworków, który umożliwia dziesiątki zastosowań dzięki swojej unikalnej zdolności do wizualizacji błędów w porównaniu do LLM. W ciągu ostatnich 12 miesięcy zauważyliśmy, że LLM działają głównie jako mechanizmy pętlowe, napędzane z góry określonymi danymi i wzorcami odpowiedzi. Ponieważ są zbudowane na podstawie mowy i tekstu, LLM mają ograniczoną zdolność do ewolucji poza okno kontekstu językowego, na którym są trenowane. Nie potrafią interpretować bodźców sensorycznych, takich jak mimika twarzy czy emocjonalne sygnały w czasie rzeczywistym, ponieważ ich rozumowanie jest związane z językiem, a nie percepcją. Większość agentów dzisiaj łączy oparte na transformatorach LLM z wizualnymi enkoderami. „Widzą” interfejs poprzez zrzuty ekranu, interpretują to, co jest na ekranie, i generują sekwencje działań, kliknięć, naciśnięć klawiszy, przewijania, aby wykonać instrukcje i zrealizować zadania. Dlatego AI jeszcze nie zastąpiło dużych kategorii zawodów: LLM widzą zrzuty ekranu, a nie piksele. Nie rozumieją dynamicznej wizualnej semantyki otoczenia, tylko to, co jest czytelne przez statyczne ramki. Ich typowy przepływ pracy jest powtarzalny: uchwycenie zrzutu ekranu, rozumowanie na temat następnego działania, jego wykonanie, a następnie uchwycenie kolejnej ramki i powtórzenie. Ta pętla percepcji-myślenia trwa, aż zadanie zostanie zakończone lub agent zawiedzie. Aby naprawdę uogólnić, AI musi postrzegać swoje otoczenie, rozumować o swoim stanie i działać odpowiednio, aby osiągnąć cele, a nie tylko interpretować migawki. Mamy już makra, boty RPA i skrypty automatyzacji, ale są one słabe i niestabilne. Niewielka zmiana piksela lub układu przerywa przepływ i wymaga ręcznego łatania. Nie potrafią dostosować się, gdy coś zmienia się w przepływie pracy. To jest wąskie gardło. Wizja-Język-Działanie (VLA) Agenci VLA Codec działają na intuicyjnej, ale potężnej pętli: postrzegaj, myśl, działaj. Zamiast po prostu wypuszczać tekst jak większość LLM, ci agenci widzą swoje otoczenie, decydują, co zrobić, a następnie wykonują. Wszystko to jest zapakowane w jeden zintegrowany proces, który można wizualizować w trzech podstawowych warstwach: Wizja Agent najpierw postrzega swoje otoczenie poprzez wizję. Dla agenta Operatora na komputerze oznacza to uchwycenie zrzutu ekranu lub wizualnego wejścia aktualnego stanu (np. okno aplikacji lub pole tekstowe). Wizualny komponent modelu VLA interpretuje te dane, odczytując tekst na ekranie i rozpoznając elementy interfejsu lub obiekty. To są oczy agenta. Język Następnie przychodzi myślenie. Biorąc pod uwagę kontekst wizualny (i wszelkie instrukcje lub cele), model analizuje, jakie działanie jest wymagane. Zasadniczo AI „myśli” o odpowiedniej reakcji, tak jak zrobiłby to człowiek. Architektura VLA łączy wizję i język wewnętrznie, więc agent może na przykład zrozumieć, że okno dialogowe pyta o odpowiedź tak/nie. Następnie zdecyduje o właściwym działaniu (np. kliknięcie „OK”) w oparciu o cel lub podpowiedź. Działa jako mózg agenta, mapując postrzegane dane wejściowe na działanie. Działanie Na koniec agent działa, wydając polecenie kontrolne do otoczenia. Zamiast tekstu, model VLA generuje działanie (takie jak kliknięcie myszą, naciśnięcie klawisza lub wywołanie API), które bezpośrednio oddziałuje z systemem. W przykładzie dialogowym agent wykona kliknięcie na przycisku „OK”. To zamyka pętlę: po działaniu agent może wizualnie sprawdzić wynik i kontynuować cykl postrzegania-myślenia-działania. Działania są kluczowym rozdzielnikiem, który przekształca je z okien czatu w rzeczywistych operatorów. Przykłady zastosowań Jak wspomniałem, dzięki architekturze Codec jest agnostyczny narracyjnie. Tak jak LLM nie są ograniczone tym, jakie tekstowe wyjścia mogą produkować, tak VLA nie są ograniczone tym, jakie zadania mogą wykonać. Robotyka Zamiast polegać na starych skryptach lub niedoskonałej automatyzacji, agenci VLA przyjmują wizualne dane wejściowe (strumień z kamery lub czujniki), przekazują je przez model językowy do planowania, a następnie generują rzeczywiste polecenia kontrolne do poruszania się lub interakcji ze światem. W zasadzie robot widzi, co ma przed sobą, przetwarza instrukcje takie jak „przesuń puszkę Pepsi obok pomarańczy”, ustala, gdzie wszystko jest, jak się poruszać, nie przewracając niczego, i robi to bez potrzeby twardego kodowania. To jest ta sama klasa systemu, co RT-2 Google’a lub PaLM-E. Duże modele, które łączą wizję i język, aby tworzyć działania w rzeczywistym świecie. Praca VLA CogAct to dobry przykład, robot skanuje zagraconą stół, otrzymuje naturalną podpowiedź i wykonuje pełną pętlę: identyfikacja obiektu, planowanie trasy, wykonanie ruchu. Operatorzy W środowisku desktopowym i internetowym agenci VLA zasadniczo działają jak cyfrowi pracownicy. „Widzą” ekran poprzez zrzut ekranu lub strumień na żywo, przetwarzają to przez warstwę rozumowania opartą na modelu językowym, aby zrozumieć zarówno interfejs użytkownika, jak i podpowiedź zadania, a następnie wykonują działania z rzeczywistą kontrolą myszki i klawiatury, jak człowiek. Ta pełna pętla, postrzegaj, myśl, działaj, działa nieprzerwanie. Więc agent nie tylko reaguje raz, aktywnie nawigując po interfejsie, obsługując wieloetapowe przepływy bez potrzeby jakichkolwiek twardo zakodowanych skryptów. Architektura to mieszanka wizji w stylu OCR do odczytu tekstu/przycisków/ikon, rozumowania semantycznego do podjęcia decyzji, co zrobić, oraz warstwy kontrolnej, która może klikać, przewijać, pisać itd. Gdzie to staje się naprawdę interesujące, to w obsłudze błędów. Ci agenci mogą reflektować po działaniach i ponownie planować, jeśli coś nie idzie zgodnie z oczekiwaniami. W przeciwieństwie do skryptów RPA, które łamią się, jeśli interfejs użytkownika zmienia się nieznacznie, na przykład przycisk zmienia położenie lub etykieta zostaje zmieniona, agent VLA może dostosować się do nowego układu, korzystając z wizualnych wskazówek i zrozumienia języka. Czyni to znacznie bardziej odpornym na automatyzację w rzeczywistym świecie, gdzie interfejsy ciągle się zmieniają. Coś, z czym osobiście miałem trudności, gdy kodowałem własne boty badawcze za pomocą narzędzi takich jak playwright. Gry Gry to jeden z najjaśniejszych przypadków użycia, w których agenci VLA mogą błyszczeć, myśl o nich mniej jak o botach, a bardziej jak o immersyjnych graczach AI. Cały przepływ jest taki sam, agent widzi ekran gry (klatki, menu, podpowiedzi tekstowe), rozumuje, co powinien zrobić, a następnie gra, używając wejść z myszki, klawiatury lub kontrolera. Nie koncentruje się na brutalnej sile, to AI uczy się grać jak człowiek. Percepcja + myślenie + kontrola, wszystko połączone. Projekt SIMA DeepMind odblokował to, łącząc model wizji-języka z warstwą predykcyjną i wprowadzając go do gier takich jak No Man’s Sky i Minecraft. Obserwując ekran i wykonując instrukcje, agent mógł zrealizować abstrakcyjne zadania, takie jak „zbuduj ognisko”, łącząc odpowiednie kroki, zbierając drewno, znajdując zapałki i korzystając z ekwipunku. I nie był ograniczony tylko do jednej gry. Przenosił tę wiedzę między różnymi środowiskami. Agenci gier VLA nie są zamknięci w jednym zestawie reguł. Ten sam agent może dostosować się do zupełnie różnych mechanik, tylko na podstawie wizji i językowego ugruntowania. A ponieważ jest zbudowany na infrastrukturze LLM, może wyjaśnić, co robi, podążać za instrukcjami w naturalnym języku w trakcie gry lub współpracować z graczami w czasie rzeczywistym. Nie jesteśmy daleko od posiadania AI towarzyszy, którzy dostosowują się do twojego stylu gry i personalizacji, wszystko dzięki Codec.

2023: „DeFi nigdy nie rozwinie się pod regulacjami, które traktują jego tokeny jako papiery wartościowe.” 2025: „ICM nigdy nie rozwinie się, jeśli tokeny nie będą mogły legalnie reprezentować rzeczywistego kapitału.”

Sukces ICM nie zależy od Launchcoin ani żadnej pojedynczej platformy. To zmiana reżimu w sposobie, w jaki postrzegamy projekty użytecznościowe na łańcuchu. Przeszliśmy od wielomiliardowych uruchomień do pumpfun z powodu szalonych rozbieżności w cenie i fundamentach. Teraz przechodzimy od vaporware do projektów z prawdziwymi użytkownikami, wolumenem i przychodami. Większość zrezygnuje tuż przed tym, jak przejdziemy do prawdziwej adopcji.

Niezgodność w cenie i fundamentach. $KNET ($8 mln) vs $ALCH ($120 mln) @Kingnet_AI Zajmuje się wszystkim, od modelowania 2D/3D po pełne rigowanie postaci, animacje, a nawet generowanie kodu, bezpośrednio z naturalnych poleceń językowych. Interfejs bez kodu oznacza, że każdy może przejść od pomysłu do gry demonstracyjnej Web3 bez dotykania linii kodu. Przyspiesza budowy, obniża koszty i znacznie zmniejsza bariery. Jest skierowany do deweloperów gier Web3, niezależnych twórców i małych studiów. Duży nacisk na generowanie zasobów + prototypowanie od początku do końca. W zasadzie przekształca tworzenie gier w wizualny proces AI, mający na celu szybsze wydawanie większej ilości treści, nawet jeśli nie masz technicznych umiejętności. KNET napędza wszystko, płatności, zapytania AI, a w końcu rynek dla generowanych zasobów. Ma również mechanizmy zarządzania. Powiązany z KingNet (duża publiczna firma gamingowa) i już podłączony do Solany, BNB, TON. Widać wczesne zainteresowanie + wygrane hackathony. Kingnet AI jest wspierany przez Kingnet Network Co. Ltd, publicznie notowanego chińskiego giganta gier założonego w 2008 roku. Z doświadczeniem w hitowych tytułach takich jak Happy Tower, Shushan Legend, MU Miracle i World of Warships Blitz, firma jest jednym z najbardziej renomowanych inkubatorów w mobilnym gamingu. Kingnet AI jest tworzony przez SmileCobra Studio (Singapur) w ekskluzywnej współpracy z oddziałem Kingnet w Hongkongu. Firma macierzysta jest wyceniana na ponad 5 miliardów dolarów, z 1 miliardem dolarów na swoim bilansie. @alchemistAIapp Szersza platforma bez kodu, która przekształca polecenia użytkowników w w pełni funkcjonalne aplikacje lub gry. Używa silnika AI z wieloma agentami (wieloma wyspecjalizowanymi modelami) do analizowania poleceń użytkowników, generowania kodu, tworzenia wizualizacji i składania pełnych aplikacji w czasie rzeczywistym. Celuje w szeroką bazę użytkowników, od hobbystów po twórców Web3, którzy chcą szybko prototypować narzędzia, gry lub strony internetowe. UX jest bardzo uproszczony, na przykład wpisujesz „gra w węża z brązowym drewnianym tłem”, a interfejs Sacred Laboratory Alchemista organizuje agentów AI, aby wygenerować kod front-end, logikę gry, a nawet niestandardową grafikę. ALCH jest używany na rynku Arcane Forge i do uzyskiwania dostępu do usług AI Alchemista. Użytkownicy mogą zarabiać ALCH, sprzedając użyteczne aplikacje lub gry, rynek ma funkcje napiwków i odkrywania, aby nagradzać popularne aplikacje. Alchemist został założony w 2024 roku przez zespół w Wietnamie, kierowany przez Thien Phung Van (założyciel/CFO), Trong Pham Van (współzałożyciel) i Duc Loc „Louis” Nguyen (CTO). Z doświadczeniem w oprogramowaniu i przedsiębiorczości (Thien był wcześniej CEO/CFO w Vistia), mały zespół uruchomił Alchemista jako startup bez finansowania. TLDR; Kingnet AI jest wyspecjalizowany, z naciskiem na automatyzację tworzenia gier od początku do końca dla Web3, wspierany przez sprawdzoną infrastrukturę gier. Alchemist AI ma szerszy zakres, oferując szybki interfejs LLM do budowania unikalnych narzędzi i gier z atrakcyjnością detaliczną. Kingnet jest głęboko związany z grami, podczas gdy Alchemist ma szeroki zasięg w różnych zastosowaniach. Na podstawie tego, jest dość jasne, że Kingnet jest poważnie niedowartościowany w porównaniu. Kingnet jest znacznie wcześniej w swoim cyklu życia produktu i nie w pełni rozwinął swoje UX i interfejsy, chociaż jakość zespołu, doświadczenie i wsparcie znacznie przewyższają platformę Alchemista, przy jednoczesnym 15-krotnym niższym mcap.

Ludzie ciągle gratulują mi $CODEC, za co? Jak dotąd nie widzieliśmy nawet: - Użyteczności tokena - Zachęt - Mapy drogowej - Demos - Nowej strony internetowej - Rynku - Przyszłych partnerstw - Przykładów użycia + więcej Widzieliśmy tylko kilka partnerstw i wydanie ich agregatora zasobów (Fabric). Nie pisałem wielu wątków, wielu postów na telegramie, nie rozmawiałem z zespołem niemal codziennie, nie doradzałem w kwestiach marketingu, brandingu, pozycjonowania, aby świętować 6 milionów mcap. Wrapper chatgpt z dziewczyną anime o różowych włosach wystarczył, aby osiągnąć 6 milionów mcap w czasach AI. Projekty wysyłały się do 9 cyfr z dnia na dzień za wygranie hackathonu lub za zaistnienie w świetle reflektorów od dużych KOL-ów/badaczy. Wszyscy zapomnieli, co się dzieje, gdy światła się zapalają i ludzie znów wierzą. Powód, dla którego w ostatnim tygodniu stałem się tak byczy w kwestii onchain, to fakt, że wiara jest na najniższych poziomach w historii. Ostatni miesiąc to jeden z największych postępów, jakie osiągnęliśmy w tej branży, w połączeniu z pozytywnym makro tłem. Pamiętasz to uczucie, gdy pieniądze spadają z nieba? Może nie minie zbyt długo, zanim znów to doświadczymy.