#opg $OPG Hace unos días, un amigo me comentó que dejó que una IA le ayudara a invertir en un minero de criptomonedas, y al final perdió casi diez mil dólares. Después de investigar, se dio cuenta de que el modelo había sido cambiado, y su entrada también fue alterada. Él se enfureció: “No tengo ni idea de cómo hace los cálculos, y aún así le confié mi dinero.
Esa conversación me ha dado vueltas en la cabeza durante varios días.
Mira, ahora las IA están ayudando a la gente a manejar sus tesorerías, hacer trading y aprobar préstamos. Pero no tienes ni idea: ¿qué modelo están usando? ¿Qué prompt escribieron? ¿La salida no fue manipulada? ¿Confirmas todo a ciegas?
¿No es absurdo?
Luego encontré un proyecto llamado opg, que se dedica a resolver este problema. En pocas palabras, se trata de una cosa: hacer que la IA pueda auditar, con la misma lógica que las transferencias en cadena, cada transacción puede ser verificada.
¿Cómo lo logran? Creo que la idea clave es separar a quienes trabajan y a quienes auditan.
El blockchain tradicional tiene un nudo muerto para ejecutar IA. Si ejecutas un modelo de 700 mil millones de parámetros, cada nodo tiene que procesarlo de nuevo, y si hay 100 nodos, eso es 100 veces el costo. Además, las salidas de IA son inherentemente diferentes; si aumentas la temperatura, cada resultado varía. ¿Con qué validan los nodos?
La arquitectura HACA de OpenGradient descompone esto en tres capas.
La primera capa es la que trabaja, llamada nodos de inferencia. Envías una solicitud, ellos utilizan GPUs para correr el modelo, y no solo te devuelven el resultado, sino que también te traen un “informe de auditoría” — autenticación de hardware en modo TEE y prueba de cero conocimiento en modo ZKML. No tienes que esperar la confirmación de consenso, la velocidad es similar a ChatGPT, recibes el resultado directamente.
La segunda capa es la que audita, llamada nodos completos. Este grupo no corre el modelo ni toca GPUs, se especializan en verificar ese informe de auditoría. ¿El certificado es verdadero? ¿La prueba es correcta? Todo se resuelve en milisegundos, es muy ligero. Las pruebas se almacenan en Walrus, y en la cadena solo se registra un índice, el libro mayor nunca se expande.
Y hay una tercera capa, los nodos de datos, que se encargan de obtener precios, noticias y esos datos, todo operando en un entorno seguro, sin intermediarios que puedan interceptar.
En resumidas cuentas, quienes trabajan no auditan, y quienes auditan no trabajan. Nadie se interfiere entre sí.
La verificación también se clasifica en tres niveles: para conversaciones diarias, el TEE es suficiente; para decisiones sobre activos, se necesita ZKML, que es la garantía de nivel diamante. Pero, sinceramente, si este proyecto tendrá éxito, hay una sola pregunta: ¿el mercado realmente se preocupa por la transparencia de la IA?
Yo apuesto a que sí. Cuando la IA comience a manejar grandes sumas de dinero, la transparencia será una necesidad urgente @OpenGradient .
Esa conversación me ha dado vueltas en la cabeza durante varios días.
Mira, ahora las IA están ayudando a la gente a manejar sus tesorerías, hacer trading y aprobar préstamos. Pero no tienes ni idea: ¿qué modelo están usando? ¿Qué prompt escribieron? ¿La salida no fue manipulada? ¿Confirmas todo a ciegas?
¿No es absurdo?
Luego encontré un proyecto llamado opg, que se dedica a resolver este problema. En pocas palabras, se trata de una cosa: hacer que la IA pueda auditar, con la misma lógica que las transferencias en cadena, cada transacción puede ser verificada.
¿Cómo lo logran? Creo que la idea clave es separar a quienes trabajan y a quienes auditan.
El blockchain tradicional tiene un nudo muerto para ejecutar IA. Si ejecutas un modelo de 700 mil millones de parámetros, cada nodo tiene que procesarlo de nuevo, y si hay 100 nodos, eso es 100 veces el costo. Además, las salidas de IA son inherentemente diferentes; si aumentas la temperatura, cada resultado varía. ¿Con qué validan los nodos?
La arquitectura HACA de OpenGradient descompone esto en tres capas.
La primera capa es la que trabaja, llamada nodos de inferencia. Envías una solicitud, ellos utilizan GPUs para correr el modelo, y no solo te devuelven el resultado, sino que también te traen un “informe de auditoría” — autenticación de hardware en modo TEE y prueba de cero conocimiento en modo ZKML. No tienes que esperar la confirmación de consenso, la velocidad es similar a ChatGPT, recibes el resultado directamente.
La segunda capa es la que audita, llamada nodos completos. Este grupo no corre el modelo ni toca GPUs, se especializan en verificar ese informe de auditoría. ¿El certificado es verdadero? ¿La prueba es correcta? Todo se resuelve en milisegundos, es muy ligero. Las pruebas se almacenan en Walrus, y en la cadena solo se registra un índice, el libro mayor nunca se expande.
Y hay una tercera capa, los nodos de datos, que se encargan de obtener precios, noticias y esos datos, todo operando en un entorno seguro, sin intermediarios que puedan interceptar.
En resumidas cuentas, quienes trabajan no auditan, y quienes auditan no trabajan. Nadie se interfiere entre sí.
La verificación también se clasifica en tres niveles: para conversaciones diarias, el TEE es suficiente; para decisiones sobre activos, se necesita ZKML, que es la garantía de nivel diamante. Pero, sinceramente, si este proyecto tendrá éxito, hay una sola pregunta: ¿el mercado realmente se preocupa por la transparencia de la IA?
Yo apuesto a que sí. Cuando la IA comience a manejar grandes sumas de dinero, la transparencia será una necesidad urgente @OpenGradient .