Vor ein paar Tagen habe ich beim Durchforsten von AI-Projekten einige Agent-Protokolle unter die Lupe genommen und zufällig die technischen Unterlagen von @OpenGradient geöffnet. Ich dachte, es sei wieder ein Projekt, das sich als AI tarnt und die Infrastruktur thematisiert, aber nachdem ich die Unterlagen durchgelesen hatte, stellte ich fest, dass die Fragen, die es untersucht, interessanter sind als das Modell selbst.
Viele Leute vergleichen die Modelle bei AI und diskutieren, welches schlauer ist oder mehr Parameter hat. Aber OpenGradient fokussiert sich auf eine andere Frage: Wenn in Zukunft AI anfängt, den Nutzern beim Handeln, Ausführen von Aufgaben oder sogar beim Bearbeiten von Geschäftsprozessen zu helfen, warum sollten wir dann darauf vertrauen, dass es die Berechnungen tatsächlich wie gefordert durchführt?
Laut den öffentlichen technischen Unterlagen des Projekts versucht OpenGradient, den AI-Überprüfungsprozess in zwei Phasen zu unterteilen: Ausführung und Verifizierung. Das Modell läuft zuerst in einer TEE-Umgebung, bevor die relevanten Ausführungsbeweise an ein Verifizierungsnetzwerk zur Aufzeichnung eingereicht werden. Dieses Design zielt nicht darauf ab, die Modellleistung zu steigern, sondern darauf, AI von "Glauben an die Plattform" schrittweise zu "Verifizieren des Prozesses" zu bewegen.
Als ich bei dieser Forschung ankam, kam mir plötzlich eine Frage in den Sinn. In der Vergangenheit ging es bei Blockchain darum, das Vertrauen in das Ledger zu gewährleisten, während OpenGradient tatsächlich das Vertrauen in die Berechnung lösen möchte. Wenn diese Richtung Bestand hat, könnten die Nutzer in Zukunft nicht nur die Ergebnisse sehen, sondern auch überprüfen, wie diese Ergebnisse zustande gekommen sind, wenn AI-Agenten Aufgaben ausführen.
Allerdings habe ich auch einige Vorbehalte. Derzeit hängt TEE weiterhin von Hardware-Sicherheitsannahmen ab, was streng genommen nicht vollständig dezentralisiert ist; auf der anderen Seite ist AI-Überprüfung bereits sehr ressourcenintensiv, und ob die Kosten nach der Hinzufügung der Verifizierungsphase vom Markt akzeptiert werden, bleibt vorerst unklar.
Zusätzlich betrachtet, benötigen viele reguläre AI-Anwendungen möglicherweise keine On-Chain-Verifizierung. Die Szenarien, die OpenGradient entwirft, sind eher für den Finanzdienstleistungsbereich, automatisierte Ausführung und die Verarbeitung von hochsensiblen Daten geeignet. Wenn diese Szenarien nicht schnell zu einer skalierbaren Nachfrage führen, könnte der technische Vorteil sich nicht schnell in einen ökologischen Vorteil umwandeln.
Mein Eindruck nach dem Durchlesen der Materialien ist, dass das Interessanteste an OpenGradient nicht die AI selbst ist, sondern der Versuch, das Konzept der "Verifizierbarkeit" von Blockchain in die AI-Welt zu übertragen. Diese Richtung hat definitiv innovatives Potenzial, aber ob es letztendlich funktioniert, hängt davon ab, ob die realen Anwendungen bereit sind, für "vertrauenswürdige Berechnungen" zu bezahlen. #opg $OPG
Viele Leute vergleichen die Modelle bei AI und diskutieren, welches schlauer ist oder mehr Parameter hat. Aber OpenGradient fokussiert sich auf eine andere Frage: Wenn in Zukunft AI anfängt, den Nutzern beim Handeln, Ausführen von Aufgaben oder sogar beim Bearbeiten von Geschäftsprozessen zu helfen, warum sollten wir dann darauf vertrauen, dass es die Berechnungen tatsächlich wie gefordert durchführt?
Laut den öffentlichen technischen Unterlagen des Projekts versucht OpenGradient, den AI-Überprüfungsprozess in zwei Phasen zu unterteilen: Ausführung und Verifizierung. Das Modell läuft zuerst in einer TEE-Umgebung, bevor die relevanten Ausführungsbeweise an ein Verifizierungsnetzwerk zur Aufzeichnung eingereicht werden. Dieses Design zielt nicht darauf ab, die Modellleistung zu steigern, sondern darauf, AI von "Glauben an die Plattform" schrittweise zu "Verifizieren des Prozesses" zu bewegen.
Als ich bei dieser Forschung ankam, kam mir plötzlich eine Frage in den Sinn. In der Vergangenheit ging es bei Blockchain darum, das Vertrauen in das Ledger zu gewährleisten, während OpenGradient tatsächlich das Vertrauen in die Berechnung lösen möchte. Wenn diese Richtung Bestand hat, könnten die Nutzer in Zukunft nicht nur die Ergebnisse sehen, sondern auch überprüfen, wie diese Ergebnisse zustande gekommen sind, wenn AI-Agenten Aufgaben ausführen.
Allerdings habe ich auch einige Vorbehalte. Derzeit hängt TEE weiterhin von Hardware-Sicherheitsannahmen ab, was streng genommen nicht vollständig dezentralisiert ist; auf der anderen Seite ist AI-Überprüfung bereits sehr ressourcenintensiv, und ob die Kosten nach der Hinzufügung der Verifizierungsphase vom Markt akzeptiert werden, bleibt vorerst unklar.
Zusätzlich betrachtet, benötigen viele reguläre AI-Anwendungen möglicherweise keine On-Chain-Verifizierung. Die Szenarien, die OpenGradient entwirft, sind eher für den Finanzdienstleistungsbereich, automatisierte Ausführung und die Verarbeitung von hochsensiblen Daten geeignet. Wenn diese Szenarien nicht schnell zu einer skalierbaren Nachfrage führen, könnte der technische Vorteil sich nicht schnell in einen ökologischen Vorteil umwandeln.
Mein Eindruck nach dem Durchlesen der Materialien ist, dass das Interessanteste an OpenGradient nicht die AI selbst ist, sondern der Versuch, das Konzept der "Verifizierbarkeit" von Blockchain in die AI-Welt zu übertragen. Diese Richtung hat definitiv innovatives Potenzial, aber ob es letztendlich funktioniert, hängt davon ab, ob die realen Anwendungen bereit sind, für "vertrauenswürdige Berechnungen" zu bezahlen. #opg $OPG