Vor ein paar Tagen, als ich nachts auf meine ETH-Position schaute, öffnete ich zufällig das Whitepaper von @OpenGradient . Ich wollte nur die neuesten Projekte im AI-Sektor durchsehen, aber je mehr ich las, desto interessanter fand ich die Forschungsfragen.
Ich habe immer gedacht, dass das größte Problem großer Modelle nicht die Fähigkeiten sind, sondern das Vertrauen. On-Chain-Transaktionen können verifiziert werden, Smart Contracts können geprüft werden, aber ob die Ergebnisse der KI manipuliert wurden oder ob sie gemäß der vorgesehenen Logik ausgeführt wurden, können die meisten Nutzer in der Regel nicht bestätigen.
Als ich den Abschnitt zur HACA-Architektur sah, hielt ich absichtlich an und las ihn zweimal. Laut dem Whitepaper teilt OpenGradient das Inferenz- und das Verifizierungsverfahren in zwei Phasen auf; das Modell führt zuerst die Berechnungen durch, dann überprüft ein Verifizierungsnetzwerk die Ergebnisse. Als ich das las, dachte ich, dass dieses Design ziemlich clever ist, da es sowohl die Ausführungseffizienz bewahrt als auch die Glaubwürdigkeit erhöht. Aber als ich weiterlas, kam eine Frage auf: Wenn in Zukunft On-Chain-Anwendungen beginnen, Entscheidungen basierend auf AI-Ausgaben zu treffen, während die Verifizierung der Ergebnisse im Hintergrund läuft, wie kann man dann in dieser Zeitspanne die Zuverlässigkeit der Ergebnisse gewährleisten?
Ein weiteres Detail, das mir auffiel, ist die Kombination von TEE und ZKML. TEE schützt die Privatsphäre der Daten während des Berechnungsprozesses, während ZKML versucht, zu beweisen, dass das Modell tatsächlich die festgelegte Inferenz abgeschlossen hat. Dieser Ansatz geht tatsächlich über traditionelle Black-Box-APIs hinaus. Als ich jedoch recherchierte, fand ich heraus, dass die Hardware-Umgebung, von der TEE abhängt, in der Vergangenheit Sicherheitslücken aufwies, was bedeutet, dass Vertrauen nicht vollständig verschwunden ist, sondern nur verschoben wurde.
Im Whitepaper-Roadmap werden Module wie das Verifizierungsnetzwerk, die Zusammenarbeit von AI-Agenten und der Modellmarkt erwähnt. Wenn diese Pläne in Zukunft umgesetzt werden, gibt es tatsächlich die Möglichkeit, neue Anwendungsbereiche zu erschließen. Aber aus der aktuellen Perspektive sehe ich OpenGradient eher als eine Erkundung des Themas „vertrauenswürdiges AI-Computing“.
Nachdem ich diese Notizen geschrieben hatte, hatte ich das Gefühl, dass OpenGradient nicht so sehr das Modell selbst, sondern vielmehr der Versuch ist, eine grundlegende Frage zu beantworten: Was sollten wir glauben, wenn AI anfängt, an der On-Chain-Welt teilzunehmen? #opg $OPG
Ich habe immer gedacht, dass das größte Problem großer Modelle nicht die Fähigkeiten sind, sondern das Vertrauen. On-Chain-Transaktionen können verifiziert werden, Smart Contracts können geprüft werden, aber ob die Ergebnisse der KI manipuliert wurden oder ob sie gemäß der vorgesehenen Logik ausgeführt wurden, können die meisten Nutzer in der Regel nicht bestätigen.
Als ich den Abschnitt zur HACA-Architektur sah, hielt ich absichtlich an und las ihn zweimal. Laut dem Whitepaper teilt OpenGradient das Inferenz- und das Verifizierungsverfahren in zwei Phasen auf; das Modell führt zuerst die Berechnungen durch, dann überprüft ein Verifizierungsnetzwerk die Ergebnisse. Als ich das las, dachte ich, dass dieses Design ziemlich clever ist, da es sowohl die Ausführungseffizienz bewahrt als auch die Glaubwürdigkeit erhöht. Aber als ich weiterlas, kam eine Frage auf: Wenn in Zukunft On-Chain-Anwendungen beginnen, Entscheidungen basierend auf AI-Ausgaben zu treffen, während die Verifizierung der Ergebnisse im Hintergrund läuft, wie kann man dann in dieser Zeitspanne die Zuverlässigkeit der Ergebnisse gewährleisten?
Ein weiteres Detail, das mir auffiel, ist die Kombination von TEE und ZKML. TEE schützt die Privatsphäre der Daten während des Berechnungsprozesses, während ZKML versucht, zu beweisen, dass das Modell tatsächlich die festgelegte Inferenz abgeschlossen hat. Dieser Ansatz geht tatsächlich über traditionelle Black-Box-APIs hinaus. Als ich jedoch recherchierte, fand ich heraus, dass die Hardware-Umgebung, von der TEE abhängt, in der Vergangenheit Sicherheitslücken aufwies, was bedeutet, dass Vertrauen nicht vollständig verschwunden ist, sondern nur verschoben wurde.
Im Whitepaper-Roadmap werden Module wie das Verifizierungsnetzwerk, die Zusammenarbeit von AI-Agenten und der Modellmarkt erwähnt. Wenn diese Pläne in Zukunft umgesetzt werden, gibt es tatsächlich die Möglichkeit, neue Anwendungsbereiche zu erschließen. Aber aus der aktuellen Perspektive sehe ich OpenGradient eher als eine Erkundung des Themas „vertrauenswürdiges AI-Computing“.
Nachdem ich diese Notizen geschrieben hatte, hatte ich das Gefühl, dass OpenGradient nicht so sehr das Modell selbst, sondern vielmehr der Versuch ist, eine grundlegende Frage zu beantworten: Was sollten wir glauben, wenn AI anfängt, an der On-Chain-Welt teilzunehmen? #opg $OPG