Ich habe angefangen, über OpenGradient zu lesen, wegen der KI-Erzählung.
Eine Zeit später habe ich dann über HACA gelesen.
Hätte ich nicht kommen sehen.
Die meisten KI-Diskussionen enden irgendwann gleich. Bessere Modelle, schnellere Inferenz, größere Benchmarks.
HACA ging es dabei eigentlich nicht darum.
Was mich besonders angesprochen hat, war die Art und Weise, wie das Projekt mit der Rechenleistung umgeht.
KI braucht ernsthafte GPU-Leistung.
Blockchain ist gut in der Verifikation.
Es wirkt nicht realistisch, dass jedes Validator-Team jedes KI-Workload ausführen soll, sobald die Modelle groß werden.
OpenGradient geht einen anderen Weg. Die Inferenz passiert auf GPU-Knoten, während die Verifikation separat gehandhabt wird und die Beweise danach abschließend geklärt werden.
Diese Trennung fühlt sich praktisch an.
Beim Lesen habe ich mir außerdem ein paar aktuelle Updates aus dem Ökosystem angesehen.
Das Netzwerk hat bereits über 2 Millionen KI-Inferenzen verarbeitet, unterstützt über 2.000 KI-Modelle, hat mehr als 2 Millionen Nutzer erreicht und ist zu 100 % EVM-kompatibel.
Das Projekt hat außerdem rund 9,5 Millionen US-Dollar aufgebracht, unterstützt von Partnern aus dem Umfeld von a16z crypto, Coinbase Ventures, SV Angel, NEAR, Celestia und weiteren Investoren.
Die Zahlen erzählen nicht die ganze Geschichte.
Sie deuten jedoch darauf hin, dass die Infrastruktur nicht ungenutzt herumsteht.
Menschen nutzen sie tatsächlich.
Vielleicht vergleichen die anderen ja ständig weiter KI-Modelle.
Am Ende habe ich deutlich mehr Zeit damit verbracht, zu versuchen, die Architektur dahinter zu verstehen.
#opg $OPG @OpenGradient
Eine Zeit später habe ich dann über HACA gelesen.
Hätte ich nicht kommen sehen.
Die meisten KI-Diskussionen enden irgendwann gleich. Bessere Modelle, schnellere Inferenz, größere Benchmarks.
HACA ging es dabei eigentlich nicht darum.
Was mich besonders angesprochen hat, war die Art und Weise, wie das Projekt mit der Rechenleistung umgeht.
KI braucht ernsthafte GPU-Leistung.
Blockchain ist gut in der Verifikation.
Es wirkt nicht realistisch, dass jedes Validator-Team jedes KI-Workload ausführen soll, sobald die Modelle groß werden.
OpenGradient geht einen anderen Weg. Die Inferenz passiert auf GPU-Knoten, während die Verifikation separat gehandhabt wird und die Beweise danach abschließend geklärt werden.
Diese Trennung fühlt sich praktisch an.
Beim Lesen habe ich mir außerdem ein paar aktuelle Updates aus dem Ökosystem angesehen.
Das Netzwerk hat bereits über 2 Millionen KI-Inferenzen verarbeitet, unterstützt über 2.000 KI-Modelle, hat mehr als 2 Millionen Nutzer erreicht und ist zu 100 % EVM-kompatibel.
Das Projekt hat außerdem rund 9,5 Millionen US-Dollar aufgebracht, unterstützt von Partnern aus dem Umfeld von a16z crypto, Coinbase Ventures, SV Angel, NEAR, Celestia und weiteren Investoren.
Die Zahlen erzählen nicht die ganze Geschichte.
Sie deuten jedoch darauf hin, dass die Infrastruktur nicht ungenutzt herumsteht.
Menschen nutzen sie tatsächlich.
Vielleicht vergleichen die anderen ja ständig weiter KI-Modelle.
Am Ende habe ich deutlich mehr Zeit damit verbracht, zu versuchen, die Architektur dahinter zu verstehen.
#opg $OPG @OpenGradient