Naniniwala ako na ang $POD mula sa @dphnAI ay isa sa pinakamalikhaing decentralized AI runners ngayon: mga open-source na modelong walang censure, na pinapagana ng DePIN. Ipinakilala noong 2023 ni Eric Hartford at ang kanyang koponan, ang Dolphin ay nagsaluray na ng dozens ng mga uncensored model sa Hugging Face na may milyon-milyong monthly downloads. Ngayon, pagkatapos ng rebrand, ipinakilala na nila ang buong peer-to-pool tokenomics. Narito ang direct, 30-segundo breakdown. - ❶ Ano nga ba ang kanilang tinatarget? - Censored AI models - Mahal at centralized inference - Nawawalang idle GPU supply - Synthetic data bottleneck - Mga komplikasyon sa decentralized verification Ito ay natutupad sa pamamagitan ng dalawang solusyon. → Fine-tuning ang mga pinakamataas na open-source bases (Llama, Mistral, Qwen, atbp.) upang maging mataas na kalidad, totoong uncensored LLMs na nananatili o kahit na nagpapalakas ng intelligence, creativity, tool-use, at roleplay ability. → Pagbuo ng Dolphin Network – isang distributed GPU network kung saan sinumang maaaring mag-run ng nodes gamit ang idle hardware (gaming PCs, consumer cards, ano man) upang magbigay ng mura at malaking synthetic data generation. - ❷ Dolphin Network - Peer-to-Pool Design Hindi tulad ng karamihan sa 1:1 rental DePINs, ginagamit nila ang mga pool: - Ang mga node na nagpapatakbo ng parehong model ay ikinokolekta. - Ang mga request ay random na inaasign (walang direkta na buyer-seller link). - Ang mga node ay kikita batay lamang sa bilang ng tokens na naproseso (binabayaran mula sa protocol treasury). - Ang mga user ay bumibili ng credits diretso sa protocol (POD, ETH, BTC, USDC, kahit Monero/Zcash ay tinatanggap). Ang Dolphin Mistral 24b ay ngayon ang default na uncensored model para sa lahat ng @AskVenice user. Ang roadmap ay praktikal, ngunit ambisyoso: (Now) Distributed inference beta Susunod (Ayos): → Image / video / audio / transcription nodes → Synthetic data generation suite → Lighthouse auto-balancing → Sharded distributed inference → Distributed LoRA / SFT (supervised fine-tuning) → Distributed reinforcement learning → Distributed full-parameter SFT → Model creation & fine-tuning suite → Large-scale distributed pre-training - ❸ POD Utility at value accrual: - Staking (xPOD vault) → auto-compounding dividends mula sa buybacks + daily inference credits + perks. - Ang mga node operator ay nagbonds ng POD (slashable) para sa rewards. Ang curve-style boost multipliers ay tumataas habang mas marami kang inilalagay kumpara sa kita. - Ang mga validator na may mas malaking bonds ay tumutulong sa pagpapalakas ng network. ➠ Key Point: 100% ng kita ay awtomatikong bumibili ng POD sa open market → patuloy, totoong buy pressure na maaaring lalong mabilis kaysa sa emissions. - ❹ Bottom Line Usage = revenue = buybacks = value para sa stakers at bonded operators. Walang external equity kaya ang POD token ay nakakakuha ng lahat. Ito ay binuo tulad ng mix ng ETH (slashing), CURVE (boosts), at XSUSHI (auto-compound) pero pinasadya para sa usage-based AI inference + synthetic data.