He estado sentado con @OpenGradient durante unos días, y la parte que sigue atrayendo mi atención no es la narrativa de la IA; es la decisión de arquitectura detrás del diseño del core de OPG.
OpenGradient separa la ejecución de la verificación por completo. Los nodos de inferencia ejecutan el modelo y devuelven un resultado rápido. Los nodos completos verifican la prueba por separado, de forma asíncrona. Esas dos cosas no se esperan entre sí.
Lo que lo hizo concreto para mí fue revisar el comportamiento on-chain esta semana. Incluso cuando $OPG cayó aproximadamente un 19% durante los últimos siete días, el volumen de 24 horas subió alrededor de un 18% el 26 de junio. Precio a la baja, interacción al alza.
Es una divergencia menor, pero en Base, donde los pagos de inferencia se liquidan en tiempo real mediante Permit2, sugiere que alguna parte de ese volumen no son solo solicitudes especulativas: en realidad está llegando a la red.
El diseño de "verificar después" es lo que lo desbloquea. Si cada inferencia tuviera que esperar a una prueba de zkML o a una atestación de TEE antes de devolver un resultado, la latencia acabaría matando cualquier caso de uso real. Al desacoplar ambas fases, OpenGradient permite que el usuario obtenga una respuesta ahora y que la red la pruebe como honesta después.
No es una idea nueva: OpenGradient ofrece un espectro de verificación, incluyendo pruebas de zkML y atestaciones de TEE, lo que permite a los desarrolladores elegir su propio equilibrio de costo, velocidad y seguridad. Pero aplicar ese marco de compensaciones a la inferencia de IA específicamente es donde se pone interesante.
Todavía no estoy seguro de cómo se comporta el backlog de pruebas bajo una carga real. ¿La verificación se mantiene al ritmo de la ejecución a gran escala, o esa brecha se va ampliando silenciosamente? Esa es la parte que querría someter a pruebas antes de sacar conclusiones.
#OPG
OpenGradient separa la ejecución de la verificación por completo. Los nodos de inferencia ejecutan el modelo y devuelven un resultado rápido. Los nodos completos verifican la prueba por separado, de forma asíncrona. Esas dos cosas no se esperan entre sí.
Lo que lo hizo concreto para mí fue revisar el comportamiento on-chain esta semana. Incluso cuando $OPG cayó aproximadamente un 19% durante los últimos siete días, el volumen de 24 horas subió alrededor de un 18% el 26 de junio. Precio a la baja, interacción al alza.
Es una divergencia menor, pero en Base, donde los pagos de inferencia se liquidan en tiempo real mediante Permit2, sugiere que alguna parte de ese volumen no son solo solicitudes especulativas: en realidad está llegando a la red.
El diseño de "verificar después" es lo que lo desbloquea. Si cada inferencia tuviera que esperar a una prueba de zkML o a una atestación de TEE antes de devolver un resultado, la latencia acabaría matando cualquier caso de uso real. Al desacoplar ambas fases, OpenGradient permite que el usuario obtenga una respuesta ahora y que la red la pruebe como honesta después.
No es una idea nueva: OpenGradient ofrece un espectro de verificación, incluyendo pruebas de zkML y atestaciones de TEE, lo que permite a los desarrolladores elegir su propio equilibrio de costo, velocidad y seguridad. Pero aplicar ese marco de compensaciones a la inferencia de IA específicamente es donde se pone interesante.
Todavía no estoy seguro de cómo se comporta el backlog de pruebas bajo una carga real. ¿La verificación se mantiene al ritmo de la ejecución a gran escala, o esa brecha se va ampliando silenciosamente? Esa es la parte que querría someter a pruebas antes de sacar conclusiones.
#OPG