Letzte Nacht habe ich eine Transaktion mithilfe von OpenGradient Chat bei der Risikoprüfung verarbeitet. Ich habe ungefähr vier Sekunden gewartet, bis das Ergebnis da war – deutlich langsamer als bei den meisten anderen KI-Setups, die ich sonst nutze. Ich habe instinktiv gefragt: „Kann man das verifizieren?“ Daraufhin erschien im Interface „Proof Pending“ – und dann war es einfach weg. Wie lange bleibt „pending“? Das sagt dir niemand.
Es ist nicht das Tempo. Es ist, dass du überhaupt nicht weißt, ob du diesem Ergebnis glauben solltest.
Ich habe in den offiziellen Dokumenten nachgeschaut: @OpenGradient . In den „Design Principles“ gibt es eine zentrale Aussage: Ausführung und Verifikation sind zwei unabhängige Dinge, die auf unterschiedlichen Zeitachsen stattfinden. Was heißt das? Ergebnis erst nutzen, Verifikation später ergänzen. Nachdem ein Inferenzknoten sein Ergebnis generiert hat, erstellt er einen Beweis, den er dann dem gesamten Netzwerk zur On-Chain-Verifikation übergibt. Das Ergebnis kommt zuerst zurück, der Beweis folgt danach, die Verifikation ist noch weiter hinten dran.
Dieses Design ist im Grunde ziemlich clever. Im Dokument steht auch ein sehr greifbarer Satz: Einhundert Knoten lassen jeweils das große Modell für sich selbst erneut laufen – das ist reines Vergeuden von Rechenleistung. Wenn man die KI-Ausführung aus dem Konsens herauslöst und stattdessen nur einen kryptografischen Beweis verifiziert, reichen Millisekunden für die Prüfung. Daran ist nichts auszusetzen.
Aber „wann die Verifikation wirklich abgeschlossen ist“ ist für Nutzer komplett Blackbox. Das Dokument sagt nur „asynchron“, ohne irgendeine zeitliche Zusage. Ob das von dir bezahlte Inferenzergebnis vertrauenswürdig ist, hängt von einem unsichtbaren Verifikationsprozess ab. Worin unterscheidet sich das von zentralisierter KI? Dort vertraust du dem Serviceanbieter; hier vertraust du einer Aussage: „Wird in Zukunft verifiziert werden.“
OpenGradient bietet Entwicklern drei Verifikationspfade zur Auswahl: ZKML mit einem mathematischen Beweis, TEE mit Hardware-Isolation und Vanilla ohne Verifikation. ZKML ist am saubersten, aber GPT ZK jetzt noch auf dem Level der Größenordnung – es ist aktuell noch ein Quantenthema. TEE verlagert das Vertrauen auf den Hardwarehersteller. Vanilla hat keinen Zusatzaufwand, aber ich würde es niemals für eine Risikoprüfung verwenden. Das Problem ist jedoch: Der Endnutzer weiß am Ende überhaupt nicht, welchen Pfad er gewählt hat. Bei meiner Beurteilung wusste ich weder den Pfad, noch den Fortschritt, noch ob die Verifikation schon fertig ist – aber das Ergebnis habe ich bereits genutzt.
Was mich nicht zufriedenstellt, ist nicht die Reihenfolge „erst Ergebnis, dann Verifikation“, sondern dass ich beim Nutzen des Ergebnisses über den Verifikationsstatus im Grunde im Dunkeln tappe. $OPG muss den Wert dieser Lösung abstützen – an beiden Enden muss jemand drauf schauen: bei den Verifizierungskosten und bei der Transparenz für Nutzer. Die Richtung finde ich gut, aber bis zu echtem Vertrauen ist es noch weit. #opg
Es ist nicht das Tempo. Es ist, dass du überhaupt nicht weißt, ob du diesem Ergebnis glauben solltest.
Ich habe in den offiziellen Dokumenten nachgeschaut: @OpenGradient . In den „Design Principles“ gibt es eine zentrale Aussage: Ausführung und Verifikation sind zwei unabhängige Dinge, die auf unterschiedlichen Zeitachsen stattfinden. Was heißt das? Ergebnis erst nutzen, Verifikation später ergänzen. Nachdem ein Inferenzknoten sein Ergebnis generiert hat, erstellt er einen Beweis, den er dann dem gesamten Netzwerk zur On-Chain-Verifikation übergibt. Das Ergebnis kommt zuerst zurück, der Beweis folgt danach, die Verifikation ist noch weiter hinten dran.
Dieses Design ist im Grunde ziemlich clever. Im Dokument steht auch ein sehr greifbarer Satz: Einhundert Knoten lassen jeweils das große Modell für sich selbst erneut laufen – das ist reines Vergeuden von Rechenleistung. Wenn man die KI-Ausführung aus dem Konsens herauslöst und stattdessen nur einen kryptografischen Beweis verifiziert, reichen Millisekunden für die Prüfung. Daran ist nichts auszusetzen.
Aber „wann die Verifikation wirklich abgeschlossen ist“ ist für Nutzer komplett Blackbox. Das Dokument sagt nur „asynchron“, ohne irgendeine zeitliche Zusage. Ob das von dir bezahlte Inferenzergebnis vertrauenswürdig ist, hängt von einem unsichtbaren Verifikationsprozess ab. Worin unterscheidet sich das von zentralisierter KI? Dort vertraust du dem Serviceanbieter; hier vertraust du einer Aussage: „Wird in Zukunft verifiziert werden.“
OpenGradient bietet Entwicklern drei Verifikationspfade zur Auswahl: ZKML mit einem mathematischen Beweis, TEE mit Hardware-Isolation und Vanilla ohne Verifikation. ZKML ist am saubersten, aber GPT ZK jetzt noch auf dem Level der Größenordnung – es ist aktuell noch ein Quantenthema. TEE verlagert das Vertrauen auf den Hardwarehersteller. Vanilla hat keinen Zusatzaufwand, aber ich würde es niemals für eine Risikoprüfung verwenden. Das Problem ist jedoch: Der Endnutzer weiß am Ende überhaupt nicht, welchen Pfad er gewählt hat. Bei meiner Beurteilung wusste ich weder den Pfad, noch den Fortschritt, noch ob die Verifikation schon fertig ist – aber das Ergebnis habe ich bereits genutzt.
Was mich nicht zufriedenstellt, ist nicht die Reihenfolge „erst Ergebnis, dann Verifikation“, sondern dass ich beim Nutzen des Ergebnisses über den Verifikationsstatus im Grunde im Dunkeln tappe. $OPG muss den Wert dieser Lösung abstützen – an beiden Enden muss jemand drauf schauen: bei den Verifizierungskosten und bei der Transparenz für Nutzer. Die Richtung finde ich gut, aber bis zu echtem Vertrauen ist es noch weit. #opg