Cuando vi el @OpenGradient recientemente, estuve pensando en una cuestión: ¿por qué necesita gestionar tanto los modelos como los cálculos al mismo tiempo?
En los últimos años, la industria de la IA se ha dividido básicamente en dos rutas. Una sostiene que el modelo es lo más importante: quien tenga un modelo más potente tendrá el valor; la otra sostiene que la capacidad de cómputo es lo más importante: mientras haya GPU, se puede generar valor de forma continua. Por eso, muchos proyectos no hacen mercados de modelos, o hacen mercados de cómputo.
Pero OpenGradient no se posiciona en ninguno de los dos lados.
Necesita alojar modelos, organizar la inferencia y verificar los resultados. Si creyera que el modelo es el núcleo, podría convertirse en una red de distribución de modelos; si creyera que el cómputo es el núcleo, con un mercado de inferencia sería suficiente. Pero, en cambio, mete ambos en el mismo sistema.
Cuando llegué a esto, de pronto me di cuenta de que quizá lo que realmente le interesa no es el modelo, ni el cómputo, sino la relación entre ambos.
En el mundo tradicional de la IA, el modelo y el cómputo casi van de la mano. Quien tiene el modelo normalmente también tiene la capacidad para ejecutar ese modelo; donde esté el modelo, allí está el cómputo. Aunque esto es eficiente, el valor del sistema termina concentrándose en manos de pocos participantes.
La forma de OpenGradient es exactamente lo contrario. Divide el alojamiento de modelos, la ejecución de la inferencia y la validación de resultados en capas independientes, haciendo que por primera vez el modelo y el cómputo sean dos recursos independientes. El modelo no necesariamente pertenece a quien realiza el cómputo, y quien realiza el cómputo tampoco necesariamente posee el modelo.
En el fondo, este cambio responde a una pregunta más grande: ¿de dónde proviene realmente el valor de una red de IA?
Si el valor proviene solo del modelo, la red terminará convirtiéndose en monopolio de modelos; si el valor proviene solo del cómputo, la red acabará siendo un mercado de GPU. Pero la arquitectura de OpenGradient demuestra que no cree que el valor venga de un solo eslabón.
Porque lo que realmente genera valor no es el modelo en sí, ni el cómputo en sí, sino el proceso continuo de emparejar, llamar y verificar el modelo y el cómputo.
Así que cada vez me convenzo más de que OpenGradient no está construyendo realmente una red de modelos ni una red de cómputo, sino una capa de infraestructura que conecta modelos y cómputo. No intenta resolver quién tiene los recursos, sino cómo lograr que los recursos colaboren de manera continua.
#opg#opg $OPG
En los últimos años, la industria de la IA se ha dividido básicamente en dos rutas. Una sostiene que el modelo es lo más importante: quien tenga un modelo más potente tendrá el valor; la otra sostiene que la capacidad de cómputo es lo más importante: mientras haya GPU, se puede generar valor de forma continua. Por eso, muchos proyectos no hacen mercados de modelos, o hacen mercados de cómputo.
Pero OpenGradient no se posiciona en ninguno de los dos lados.
Necesita alojar modelos, organizar la inferencia y verificar los resultados. Si creyera que el modelo es el núcleo, podría convertirse en una red de distribución de modelos; si creyera que el cómputo es el núcleo, con un mercado de inferencia sería suficiente. Pero, en cambio, mete ambos en el mismo sistema.
Cuando llegué a esto, de pronto me di cuenta de que quizá lo que realmente le interesa no es el modelo, ni el cómputo, sino la relación entre ambos.
En el mundo tradicional de la IA, el modelo y el cómputo casi van de la mano. Quien tiene el modelo normalmente también tiene la capacidad para ejecutar ese modelo; donde esté el modelo, allí está el cómputo. Aunque esto es eficiente, el valor del sistema termina concentrándose en manos de pocos participantes.
La forma de OpenGradient es exactamente lo contrario. Divide el alojamiento de modelos, la ejecución de la inferencia y la validación de resultados en capas independientes, haciendo que por primera vez el modelo y el cómputo sean dos recursos independientes. El modelo no necesariamente pertenece a quien realiza el cómputo, y quien realiza el cómputo tampoco necesariamente posee el modelo.
En el fondo, este cambio responde a una pregunta más grande: ¿de dónde proviene realmente el valor de una red de IA?
Si el valor proviene solo del modelo, la red terminará convirtiéndose en monopolio de modelos; si el valor proviene solo del cómputo, la red acabará siendo un mercado de GPU. Pero la arquitectura de OpenGradient demuestra que no cree que el valor venga de un solo eslabón.
Porque lo que realmente genera valor no es el modelo en sí, ni el cómputo en sí, sino el proceso continuo de emparejar, llamar y verificar el modelo y el cómputo.
Así que cada vez me convenzo más de que OpenGradient no está construyendo realmente una red de modelos ni una red de cómputo, sino una capa de infraestructura que conecta modelos y cómputo. No intenta resolver quién tiene los recursos, sino cómo lograr que los recursos colaboren de manera continua.
#opg#opg $OPG