Semakin saya belajar tentang AI yang dapat diverifikasi, semakin saya menyadari bahwa kepercayaan bukanlah satu teknologi tunggal.
Ini adalah tujuan.
Dan berbagai proyek bisa mengambil jalur yang sangat berbeda untuk mencapainya.
Dua pendekatan yang sering muncul dalam diskusi ini adalah Trusted Execution Environments (TEEs) dan Zero Knowledge Machine Learning (zkML).
Secara garis besar, keduanya bertujuan untuk membuat sistem AI lebih dapat dipercaya tetapi menyelesaikan masalah dengan cara yang berbeda.
TEEs lebih fokus pada menciptakan lingkungan terlindungi di mana komputasi dapat berjalan dengan aman dan dapat dibuktikan.
zkML berfokus pada membuktikan bahwa sebuah komputasi dilakukan dengan benar tanpa mengungkapkan data yang mendasarinya.
Yang menarik tentang OpenGradient adalah proyek ini tampaknya tidak terjebak dalam satu narasi tunggal mengenai kepercayaan. Sebaliknya, proyek ini tampak fokus pada membangun infrastruktur praktis yang dapat mendukung AI yang dapat diverifikasi seiring dengan perkembangan teknologi.
Itu penting karena tantangannya bukan hanya membuktikan bahwa AI berfungsi.
Tantangannya adalah melakukannya dalam skala besar dengan biaya yang wajar, kecepatan yang dapat diterima, dan pengalaman pengguna yang benar-benar bersedia untuk diadopsi.
Masa depan AI yang dapat dipercaya mungkin tidak ditentukan oleh satu terobosan saja.
Ini mungkin datang dari menggabungkan beberapa pendekatan yang seimbang antara keamanan, privasi, kinerja, dan kegunaan.
Itulah mengapa saya pikir diskusi seputar TEEs dan zkML lebih besar dari sekadar debat teknis.
Ini sebenarnya percakapan tentang bagaimana kepercayaan dibangun ke dalam generasi berikutnya dari sistem AI.
Penasaran bagaimana orang lain melihatnya.
Apakah Anda berpikir adopsi praktis akan datang dari solusi tercepat, solusi paling aman, atau yang seimbang antara keduanya?
@OpenGradient #opg $OPG $TNSR $SYN
Ketika berbicara tentang AI yang dapat diverifikasi, apa yang paling penting?
Penasaran untuk melihat bagaimana komunitas memikirkan ini.
Ini adalah tujuan.
Dan berbagai proyek bisa mengambil jalur yang sangat berbeda untuk mencapainya.
Dua pendekatan yang sering muncul dalam diskusi ini adalah Trusted Execution Environments (TEEs) dan Zero Knowledge Machine Learning (zkML).
Secara garis besar, keduanya bertujuan untuk membuat sistem AI lebih dapat dipercaya tetapi menyelesaikan masalah dengan cara yang berbeda.
TEEs lebih fokus pada menciptakan lingkungan terlindungi di mana komputasi dapat berjalan dengan aman dan dapat dibuktikan.
zkML berfokus pada membuktikan bahwa sebuah komputasi dilakukan dengan benar tanpa mengungkapkan data yang mendasarinya.
Yang menarik tentang OpenGradient adalah proyek ini tampaknya tidak terjebak dalam satu narasi tunggal mengenai kepercayaan. Sebaliknya, proyek ini tampak fokus pada membangun infrastruktur praktis yang dapat mendukung AI yang dapat diverifikasi seiring dengan perkembangan teknologi.
Itu penting karena tantangannya bukan hanya membuktikan bahwa AI berfungsi.
Tantangannya adalah melakukannya dalam skala besar dengan biaya yang wajar, kecepatan yang dapat diterima, dan pengalaman pengguna yang benar-benar bersedia untuk diadopsi.
Masa depan AI yang dapat dipercaya mungkin tidak ditentukan oleh satu terobosan saja.
Ini mungkin datang dari menggabungkan beberapa pendekatan yang seimbang antara keamanan, privasi, kinerja, dan kegunaan.
Itulah mengapa saya pikir diskusi seputar TEEs dan zkML lebih besar dari sekadar debat teknis.
Ini sebenarnya percakapan tentang bagaimana kepercayaan dibangun ke dalam generasi berikutnya dari sistem AI.
Penasaran bagaimana orang lain melihatnya.
Apakah Anda berpikir adopsi praktis akan datang dari solusi tercepat, solusi paling aman, atau yang seimbang antara keduanya?
@OpenGradient #opg $OPG $TNSR $SYN
Ketika berbicara tentang AI yang dapat diverifikasi, apa yang paling penting?
Penasaran untuk melihat bagaimana komunitas memikirkan ini.
Security & Trust
100%
Privacy Protection
0%
Speed & Performance
0%
A balance of everything
0%
3 Voting • Voting ditutup