Nylig, på YouTube-kanalen «The Rollup», hadde @TrustWallet administrerende direktør Eowyn Chen og Ram Kumar, en sentral bidragsyter til @OpenledgerHQ, en diskusjon om det dyptgående samarbeidet mellom de to partene. Her trekkes noen verdifulle perspektiver ut og deles: 1) Hell kaldt vann på "fettlommebok"-teorien I intervjuet nevnte Andy den populære "fat wallet"-teorien i bransjen - lommebøker med brukerinngangskanaler kan vertikalt integrere ulike tjenester? Men Eowyn Chens svar var interessant, hun sa rett ut at C-end-detaljhandelsbrukervirksomheten faktisk er veldig vanskelig, og involverer mye kundestøtte, høyere sikkerhetsansvar og hyppig produktruting. Mange tror at det er en god forretning å lage en lommebok når de ser Trust Wallets 200 millioner nedlastinger, men administrerende direktør selv understreker smerten ved å betjene detaljhandelsbrukere. Dette viser at "fettet" i lommeboken ikke er fett hvis du vil være feit, og selv om brukerforholdet er verdifullt, er ikke vedlikeholdskostnadene lave. Dette synet er ganske ekte, og det viser den virkelige situasjonen til mange lommeboktjenesteleverandører nå. Enda viktigere, hun nevnte at ikke all verdi er konsentrert i frontenden, og at alle deler av verdikjeden bør utvikle seg rettferdig. Dette synet heller kaldt vann på "fettlommebok"-teorien og forklarer hvorfor Trust Wallet er villig til å samarbeide med infrastrukturprosjekter som OpenLedger. 2) Har vendepunktet for spesialisert AI kommet? Ram Kumars vurdering av utviklingsveien til AI er verdt å ta hensyn til. Han mener at AI utvikler seg fra generalitet til spesialisering, på samme måte som Googles avledning av vertikale applikasjoner som LinkedIn og YouTube fra generelt søk. Generell AI som ChatGPT vil være som et operativsystem, og det vil være flere "spesialiserte modeller" dedikert til spesifikke brukstilfeller i fremtiden. Dette er også i samsvar med min tidligere analyse av utviklingen av web3AI-bransjetrender. Da Trust Wallet eksperimenterte med AI-funksjoner, fant den ut at generelle modeller ikke kunne løse spesifikke problemer i kryptoområdet, noe som bekrefter denne trenden. Og nettopp konstruksjonen av spesialiserte AI-modeller krever data av høy kvalitet i vertikale felt, som er akkurat det OpenLedger ønsker å løse. 3) Dilemmaet med "ubetalt arbeid" bidratt av data Ram Kumar sa rett ut at AI er en billion-dollar-industri bygget på ubetalt arbeidskraft, som er ganske skarp. AI-selskaper trener modeller ved å skrape Internett-data, men databidragsytere får ikke en del av kaken, noe som virkelig er et strukturelt problem. OpenLedgers løsning er å la databidragsytere motta en langsiktig inntektsandel av AI-modeller, i stedet for å selge data på en gang. Med lommebokens globale betalingsmuligheter er det teoretisk mulig å oppnå friksjonsfri verdifordeling på tvers av landegrensene. Men her er kjernespørsmålet: hvordan garanteres datakvalitet? Ram selv innrømmer at 90 % av åpen kildekode-bidragene fra plattformer som Hugging Face er ubrukelige. Hvis verdien av de bidratt dataene i seg selv er begrenset, uansett hvor god insentivmekanismen er, vil det være forgjeves. Over. Eowyn Chen bruker analogien «retten til å eie et våpen» til selvhosting, og understreker at AI-funksjoner er valgfrie, og brukere kan velge mellom bekvemmelighet og sikkerhet. Denne produktfilosofien er sann, men hvordan man "tydelig presenterer alternativer" er en stor test av produktdesignevne. Ram nevnte også en interessant vurdering: kryptolommebøker er den eneste måten for brukere å få betalt for sine databidrag globalt. Dette betyr at rollen til lommebøker kan utvikle seg fra rene kapitalforvaltningsverktøy til infrastruktur for digital identitet og verdifordeling. Merk: For mer informasjon kan du besøke The Rollups Youtube-kanalsystem for å sjekke ut dette intervjuet.