Recientemente, me he estado metiendo de lleno en la intersección de Web3 y AI, y cuanto más investigo, más raro me parece. En el mercado, más de la mitad de los proyectos de "AI descentralizada" son, al desmenuzar el código, simplemente una "cáscara" que llama a una API de modelo comercial grande.
Aquí hay una zona ciega mortal: cuando le entregamos nuestros activos a un agente de AI para que los administre, no tenemos ni idea de lo que está pasando dentro de la caja negra. ¿La plataforma ha degradado en secreto la versión del modelo? ¿Se han interceptado y alterado tus prompts? Esta arquitectura de confianza en un solo punto no se sostiene en absoluto cuando se trata de activos reales.
Al revisar el whitepaper de @OpenGradient , me di cuenta de que no están aplicando parches en la capa de aplicación, sino que han creado una infraestructura vertical desde cero. ¿Por qué hacer algo tan pesado? Porque el cálculo de AI y las transferencias en la cadena no son ni de cerca la misma cosa. Si seguimos la lógica de "cálculo repetido en todos los nodos de la red" de las cadenas públicas tradicionales, la red simplemente colapsaría. El whitepaper menciona un dato muy realista: actualmente, si se intenta usar ZKML (pruebas de conocimiento cero) para validar un gran modelo de forma puramente criptográfica, el costo computacional es entre 1000 y 10000 veces mayor que el de la inferencia convencional, lo que en la práctica es insostenible. $OPG
Para romper este esquema, OpenGradient ha diseñado una arquitectura de cálculo AI híbrida (HACA), y la lógica central es simple: separar completamente "ejecución" y "verificación". #opg
En la práctica, las solicitudes de AI de los usuarios van directamente a nodos GPU especializados para la inferencia, evitando el paso de consenso y obteniendo resultados al instante; mientras que aquellas "pruebas de verificación" para prevenir alteraciones son trasladadas al backend, donde todos los nodos se encargan de liquidar de forma asíncrona y dejar un registro permanente. Este mecanismo de "respuesta instantánea en el frontend y registro en el backend" no solo mantiene la fluidez, sino que también deja pruebas irrefutables. Mañana, sigamos esta línea de pensamiento y profundicemos en la división de trabajo de la línea de nodos subyacente.
Aquí hay una zona ciega mortal: cuando le entregamos nuestros activos a un agente de AI para que los administre, no tenemos ni idea de lo que está pasando dentro de la caja negra. ¿La plataforma ha degradado en secreto la versión del modelo? ¿Se han interceptado y alterado tus prompts? Esta arquitectura de confianza en un solo punto no se sostiene en absoluto cuando se trata de activos reales.
Al revisar el whitepaper de @OpenGradient , me di cuenta de que no están aplicando parches en la capa de aplicación, sino que han creado una infraestructura vertical desde cero. ¿Por qué hacer algo tan pesado? Porque el cálculo de AI y las transferencias en la cadena no son ni de cerca la misma cosa. Si seguimos la lógica de "cálculo repetido en todos los nodos de la red" de las cadenas públicas tradicionales, la red simplemente colapsaría. El whitepaper menciona un dato muy realista: actualmente, si se intenta usar ZKML (pruebas de conocimiento cero) para validar un gran modelo de forma puramente criptográfica, el costo computacional es entre 1000 y 10000 veces mayor que el de la inferencia convencional, lo que en la práctica es insostenible. $OPG
Para romper este esquema, OpenGradient ha diseñado una arquitectura de cálculo AI híbrida (HACA), y la lógica central es simple: separar completamente "ejecución" y "verificación". #opg
En la práctica, las solicitudes de AI de los usuarios van directamente a nodos GPU especializados para la inferencia, evitando el paso de consenso y obteniendo resultados al instante; mientras que aquellas "pruebas de verificación" para prevenir alteraciones son trasladadas al backend, donde todos los nodos se encargan de liquidar de forma asíncrona y dejar un registro permanente. Este mecanismo de "respuesta instantánea en el frontend y registro en el backend" no solo mantiene la fluidez, sino que también deja pruebas irrefutables. Mañana, sigamos esta línea de pensamiento y profundicemos en la división de trabajo de la línea de nodos subyacente.