A veces pienso que el futuro de la IA dependerá más de las decisiones que tome el sistema sobre en qué cosas gasta su atención, que de la inteligencia de los modelos.
No todos los modelos pueden ser almacenados en memoria rápida.
No todas las pruebas pueden mantenerse cerca de la capa de cómputo de forma permanente.
El diseño de caché de OpenGradient me parece interesante por esta razón. LRU y LFU no son solo reglas de almacenamiento, sino que también deciden qué considera la red como relevante y qué se queda atrás.
El sistema más inteligente no es el que recuerda todo.
El sistema más inteligente es el que recuerda lo correcto.
Pero hay otro problema.
Los builders tienen ideas, pero la desconfianza y la fricción del setup a menudo los detienen antes de la adopción. El Permissionless Model Hub, el SDK de Python y el camino hacia la inferencia verificable reducen esta fricción para que la experimentación no dependa de la aprobación.
La confianza no escala.
La verificación sí.
La privacidad también la veo desde esta perspectiva. Las políticas pueden cambiar, los requisitos pueden cambiar, pero la arquitectura tiende a ser más estable. Ejecutar más de 150,000 inferencias privadas en enclaves TEE, el enrutamiento OHTTP y las solicitudes encriptadas son señales en esta dirección.
Y luego bucles como Twin.fun intentan convertir la atención en utilidad, donde creadores, usuarios e incentivos interactúan en un mismo ciclo.
Todavía hay desafíos en la fase de testnet y en la adopción.
Pero creo que el ángulo más fuerte de $OPG no es hacer que la IA sea más inteligente, sino alinear la atención, la privacidad y la verificación de la IA en un solo sistema.
@OpenGradient
#OPG $OPG
No todos los modelos pueden ser almacenados en memoria rápida.
No todas las pruebas pueden mantenerse cerca de la capa de cómputo de forma permanente.
El diseño de caché de OpenGradient me parece interesante por esta razón. LRU y LFU no son solo reglas de almacenamiento, sino que también deciden qué considera la red como relevante y qué se queda atrás.
El sistema más inteligente no es el que recuerda todo.
El sistema más inteligente es el que recuerda lo correcto.
Pero hay otro problema.
Los builders tienen ideas, pero la desconfianza y la fricción del setup a menudo los detienen antes de la adopción. El Permissionless Model Hub, el SDK de Python y el camino hacia la inferencia verificable reducen esta fricción para que la experimentación no dependa de la aprobación.
La confianza no escala.
La verificación sí.
La privacidad también la veo desde esta perspectiva. Las políticas pueden cambiar, los requisitos pueden cambiar, pero la arquitectura tiende a ser más estable. Ejecutar más de 150,000 inferencias privadas en enclaves TEE, el enrutamiento OHTTP y las solicitudes encriptadas son señales en esta dirección.
Y luego bucles como Twin.fun intentan convertir la atención en utilidad, donde creadores, usuarios e incentivos interactúan en un mismo ciclo.
Todavía hay desafíos en la fase de testnet y en la adopción.
Pero creo que el ángulo más fuerte de $OPG no es hacer que la IA sea más inteligente, sino alinear la atención, la privacidad y la verificación de la IA en un solo sistema.
@OpenGradient
#OPG $OPG