Han pasado más o menos dos semanas desde que empecé a usar el Chat de OpenGradient, y hay algo que me ha estado rondando—entre tantos chatbots de IA en el mercado, ¿por qué iba a elegirlo yo?
La verdad, si no me hubiera puesto a montar el entorno y a correr nodos dos veces, probablemente ya lo habría clasificado como “otra capa más de IA”. Su arquitectura HACA separa la ejecución y la verificación en dos líneas de tiempo independientes: los nodos de inferencia ejecutan el modelo, y los nodos de todo el sistema solo verifican las pruebas. Suena bastante razonable, pero al principio mi interpretación fue al revés. Pensé que “verificable” significaba que el usuario podía comprobar el resultado en el momento, en realidad no es así. El usuario recibe primero el resultado y luego la prueba llega después.@OpenGradient
El problema está justo aquí. Hice funcionar algunas inferencias sencillas y sí: la respuesta sale rápido, con una latencia muchísimo más baja de lo que imaginaba. Pero cada vez que pienso en que el resultado y la verificación son asíncronos, hay una ventana de tiempo en medio: dentro de esa ventana, yo recibo el resultado antes de que haya sido verificado. Oficialmente le llaman “brecha temporal de confianza”. No sé cómo describirlo, pero siento que esa palabra está bastante sutil.#OPG
Ahora hablemos del método de verificación. OpenGradient ofrece tres: TEE, respaldado por hardware; para el uso diario, es suficiente. ZKML usa pruebas matemáticas, con un tope de seguridad muy alto. Y Vanilla simplemente firma y lo aprueba. La inferencia del LLM, por defecto, pasa por TEE, porque el overhead de ZKML es de miles de veces la inferencia en sí. Pero yo mismo revisé la implementación de TEE y vi que corre en AWS Nitro Enclaves. Si dices “no hace falta confiar”, en el fondo sigues confiando en el hardware de AWS. La confianza no desaparece, solo cambias de anfitrión.$OPG
También calculé las cuentas del token. Suministro total: 1.000 millones de monedas; en circulación: 190 millones; el 81% aún está en camino. El fondo de ecosistema es el 40% (lo más grande). El TGE desbloquea solo el 10% y el restante se libera gradualmente durante 60 meses. El 21 de junio se desbloquearon 9,13 millones de monedas, con un valor de alrededor de 1,62 millones de dólares. La capitalización en circulación ronda los 30 millones de dólares, pero el FDV es de más de 150 millones—la diferencia es de cinco veces.
No digo que no tenga valor. a16z y Coinbase Ventures invirtieron 9,5 millones; Binance y el exchange coreano también lo listaron en spot. El CEO, Matthew Wang, antes trabajó como ingeniero de investigación en Two Sigma; el CTO, Adam Balogh, era el ex líder técnico de la plataforma de IA de Palantir. En términos de “quién es quién”, el panorama es fuerte.
Pero las cuatro palabras “IA verificable”, en un contexto de TEE al menos deberían venir con un parche. El gancho de ZKML suena muy potente, pero lo que realmente corre es el hardware de AWS. Esa diferencia, en el copy de marketing no está escrita.
La verdad, si no me hubiera puesto a montar el entorno y a correr nodos dos veces, probablemente ya lo habría clasificado como “otra capa más de IA”. Su arquitectura HACA separa la ejecución y la verificación en dos líneas de tiempo independientes: los nodos de inferencia ejecutan el modelo, y los nodos de todo el sistema solo verifican las pruebas. Suena bastante razonable, pero al principio mi interpretación fue al revés. Pensé que “verificable” significaba que el usuario podía comprobar el resultado en el momento, en realidad no es así. El usuario recibe primero el resultado y luego la prueba llega después.@OpenGradient
El problema está justo aquí. Hice funcionar algunas inferencias sencillas y sí: la respuesta sale rápido, con una latencia muchísimo más baja de lo que imaginaba. Pero cada vez que pienso en que el resultado y la verificación son asíncronos, hay una ventana de tiempo en medio: dentro de esa ventana, yo recibo el resultado antes de que haya sido verificado. Oficialmente le llaman “brecha temporal de confianza”. No sé cómo describirlo, pero siento que esa palabra está bastante sutil.#OPG
Ahora hablemos del método de verificación. OpenGradient ofrece tres: TEE, respaldado por hardware; para el uso diario, es suficiente. ZKML usa pruebas matemáticas, con un tope de seguridad muy alto. Y Vanilla simplemente firma y lo aprueba. La inferencia del LLM, por defecto, pasa por TEE, porque el overhead de ZKML es de miles de veces la inferencia en sí. Pero yo mismo revisé la implementación de TEE y vi que corre en AWS Nitro Enclaves. Si dices “no hace falta confiar”, en el fondo sigues confiando en el hardware de AWS. La confianza no desaparece, solo cambias de anfitrión.$OPG
También calculé las cuentas del token. Suministro total: 1.000 millones de monedas; en circulación: 190 millones; el 81% aún está en camino. El fondo de ecosistema es el 40% (lo más grande). El TGE desbloquea solo el 10% y el restante se libera gradualmente durante 60 meses. El 21 de junio se desbloquearon 9,13 millones de monedas, con un valor de alrededor de 1,62 millones de dólares. La capitalización en circulación ronda los 30 millones de dólares, pero el FDV es de más de 150 millones—la diferencia es de cinco veces.
No digo que no tenga valor. a16z y Coinbase Ventures invirtieron 9,5 millones; Binance y el exchange coreano también lo listaron en spot. El CEO, Matthew Wang, antes trabajó como ingeniero de investigación en Two Sigma; el CTO, Adam Balogh, era el ex líder técnico de la plataforma de IA de Palantir. En términos de “quién es quién”, el panorama es fuerte.
Pero las cuatro palabras “IA verificable”, en un contexto de TEE al menos deberían venir con un parche. El gancho de ZKML suena muy potente, pero lo que realmente corre es el hardware de AWS. Esa diferencia, en el copy de marketing no está escrita.