La última vez que leí el libro blanco @OpenGradient , me quedé atascado en un detalle: ¿por qué tiene que separar Model Hosting en una capa aparte?
Al principio pensé que solo se trataba de un problema de despliegue. Un modelo tiene que tener algún lugar donde almacenarse, tiene que haber nodos ejecutándolo; en apariencia no había nada especial. Pero luego me di cuenta de que si fuera solo para almacenar el modelo, no tendría sentido diseñar una Hosting Layer específicamente.
Porque en la IA tradicional, el modelo y la inferencia están ligados de por sí, pero OpenGradient, precisamente, separa eso. El modelo se asigna a la Hosting Layer, la inferencia la realiza la Inference Layer y, por último, una Verification Layer se encarga de confirmar los resultados.
Apuesto que su separación quizá no es tanto por funcionalidad como por monopolio.
Uno de los mayores problemas de la IA tradicional no es realmente la fortaleza del modelo, sino quién lo controla. Porque en cuanto el modelo y la inferencia están acoplados, el propietario del modelo tiene, de forma natural, el derecho a ejecutar y el derecho a emitir los resultados. No puedes verificar si el modelo fue modificado ni si se está ejecutando de la manera original. Así que OpenGradient separa el modelo del entorno de ejecución: de esa forma, quien aloja el modelo no necesariamente se encarga de la inferencia, y quien realiza la inferencia tampoco necesariamente posee el modelo. El modelo, la ejecución y la verificación se vuelven tres roles independientes.
En realidad, creo que este diseño cambia hacia dónde fluye el poder dentro de la red de IA. Antes, el propietario del modelo era el centro del sistema; pero OpenGradient va justo en sentido contrario: debilita de manera constante el control de cada participante individual, desarma el poder del modelo, el de ejecución y el de verificación, y hace que ningún rol pueda decidir por sí solo el resultado final.
Por eso, cada vez estoy más convencido de que OpenGradient no está construyendo realmente una red de inferencia, sino una estructura descentralizada de poder en la IA.
Mucha gente ve Hosting Layer.
Yo, en cambio, veo la suposición que hay detrás:
El mayor riesgo en el futuro quizá no sea que no haya modelos, sino que los modelos estén controlados por un puñado de personas.
Si ese juicio es correcto, entonces el sentido de Hosting Layer no es solo almacenar modelos, sino establecer la primera capa de aislamiento de poder para toda la red.
Porque desde el momento en que el modelo se separa del entorno de ejecución, el control de la IA deja de pertenecer naturalmente al propietario del modelo.
#opg
#opg $OPG
Al principio pensé que solo se trataba de un problema de despliegue. Un modelo tiene que tener algún lugar donde almacenarse, tiene que haber nodos ejecutándolo; en apariencia no había nada especial. Pero luego me di cuenta de que si fuera solo para almacenar el modelo, no tendría sentido diseñar una Hosting Layer específicamente.
Porque en la IA tradicional, el modelo y la inferencia están ligados de por sí, pero OpenGradient, precisamente, separa eso. El modelo se asigna a la Hosting Layer, la inferencia la realiza la Inference Layer y, por último, una Verification Layer se encarga de confirmar los resultados.
Apuesto que su separación quizá no es tanto por funcionalidad como por monopolio.
Uno de los mayores problemas de la IA tradicional no es realmente la fortaleza del modelo, sino quién lo controla. Porque en cuanto el modelo y la inferencia están acoplados, el propietario del modelo tiene, de forma natural, el derecho a ejecutar y el derecho a emitir los resultados. No puedes verificar si el modelo fue modificado ni si se está ejecutando de la manera original. Así que OpenGradient separa el modelo del entorno de ejecución: de esa forma, quien aloja el modelo no necesariamente se encarga de la inferencia, y quien realiza la inferencia tampoco necesariamente posee el modelo. El modelo, la ejecución y la verificación se vuelven tres roles independientes.
En realidad, creo que este diseño cambia hacia dónde fluye el poder dentro de la red de IA. Antes, el propietario del modelo era el centro del sistema; pero OpenGradient va justo en sentido contrario: debilita de manera constante el control de cada participante individual, desarma el poder del modelo, el de ejecución y el de verificación, y hace que ningún rol pueda decidir por sí solo el resultado final.
Por eso, cada vez estoy más convencido de que OpenGradient no está construyendo realmente una red de inferencia, sino una estructura descentralizada de poder en la IA.
Mucha gente ve Hosting Layer.
Yo, en cambio, veo la suposición que hay detrás:
El mayor riesgo en el futuro quizá no sea que no haya modelos, sino que los modelos estén controlados por un puñado de personas.
Si ese juicio es correcto, entonces el sentido de Hosting Layer no es solo almacenar modelos, sino establecer la primera capa de aislamiento de poder para toda la red.
Porque desde el momento en que el modelo se separa del entorno de ejecución, el control de la IA deja de pertenecer naturalmente al propietario del modelo.
#opg
#opg $OPG