Deepak_XBT

Lapisan Izin yang Hilang dalam DeFi

Dulu saya mengira transaksi yang sukses berarti blockchain sudah menjalankan tugasnya.

Namun DeFi membuat saya mempertanyakannya.

Sebuah transaksi bisa valid di rantai (onchain), tetapi tetap salah menurut kebijakan.

Valid berarti rantai bisa menerimanya.

Diizinkan berarti tindakan tersebut sesuai dengan kebijakan yang seharusnya diikuti.

Perbedaan itu menjadi penting di dalam vault, strategi yang dikelola risiko, dan sistem DeFi otomatis.

Bayangkan sebuah vault dengan batas eksposur, aturan depeg, atau ambang risiko.

Jika aturan-aturan itu hanya diperiksa setelah penyelesaian (settlement), maka vault tidak terlindungi.

Mereka hanya menjelaskan apa yang salah.

Setelah settlement, kebijakan berubah menjadi laporan, bukan perlindungan.

Inilah celah yang coba diatasi oleh lapisan otorisasi Newton.

Alih-alih hanya meninggalkan aturan di level antarmuka, @NewtonProtocol mengarah pada pemeriksaan kebijakan sebelum settlement, dengan attestation lolos/gagal yang ditandatangani.

Tanda tangan dompet membuktikan pengguna setuju untuk mengirimkan transaksi.

Tapi, itu tidak otomatis membuktikan bahwa transaksi tersebut diizinkan sesuai kebijakan.

Lapisan yang hilang ini menjadi lebih penting ketika DeFi makin otomatis.

Otomatisasi tidak hanya butuh eksekusi.

Ia butuh eksekusi yang terkontrol.

Jika tindakannya benar, kecepatan bernilai.

Jika tindakannya salah, kecepatan hanya membuat kesalahan menjadi permanen lebih cepat.

DeFi sudah tahu cara mengonfirmasi transaksi.

Pertanyaan yang lebih sulit adalah apakah DeFi bisa memeriksa izin sebelum dieksekusi.

Transaksi yang valid membuktikan bahwa rantai menerimanya.

Transaksi yang diizinkan membuktikan bahwa kebijakan menerima transaksi tersebut.

Sumber : whitepaper Newtonprotocal, denouement, DYOR

#newt $NEWT

#opg $OPG

AI Bisa Bertindak Sebelum Bukti Siap

Dulu, saya melihat AI yang dapat diverifikasi secara sederhana.

Jika jawabannya bisa dibuktikan nanti, sistem menjadi lebih dapat dipercaya.

Tapi bagian “nanti” itulah tempat pertanyaan sebenarnya dimulai.

Hasil AI mungkin terlihat lengkap di layar, sementara verifikasi di baliknya masih tertinggal. Untuk penggunaan normal, itu mungkin tidak terasa berbahaya. Draf konten, ringkasan, atau penjelasan dasar bisa bertahan dari jeda singkat.

Namun agen mengubah arti dari “jeda”.

Ketika AI hanya memberi saran, verifikasi yang terlambat mungkin masih berguna.

Ketika AI sedang mengeksekusi, verifikasi yang terlambat bisa menjadi risiko.

Karena itulah @OpenGradient membuat saya berpikir melampaui bukti itu sendiri. Arsitekturnya memisahkan eksekusi model dari verifikasi bukti agar komputasi AI yang berat menjadi praktis. Desain itu masuk akal, tetapi juga memaksa aplikasi untuk mengajukan pertanyaan yang lebih sulit:

Apakah setiap output AI harus dianggap bisa digunakan segera?

Atau apakah beberapa output harus tetap dalam status tertunda sampai bukti dikonfirmasi?

Ini bukan hanya masalah teknis. Ini adalah masalah desain keselamatan.

Kepercayaan bukan hanya tentang membuktikan jawaban di kemudian hari.
Ini tentang mengetahui apakah bukti tiba sebelum sistem bertindak berdasarkan jawaban itu.
Sumber: laman resmi dan dokumen OpenGradient, bukan nasihat keuangan, DYOR
#Binance

#opg $OPG

Riwayat Terverifikasi Mungkin Akan Menjadi Aset AI yang Sebenarnya

Aku terus terjebak pada satu pemikiran tertentu.

Kita membicarakan model AI seolah setiap versi baru begitu saja menggantikan yang sebelumnya.

Namun semakin aku mempelajari @OpenGradient, semakin aku tidak yakin bahwa model semata adalah aset yang sesungguhnya. Rasanya seperti sejarah di sekeliling model itu diam-diam justru menjadi sesuatu yang bertahan.

Inferensi yang terverifikasi meninggalkan lebih dari sekadar keluaran sementara. Ia meninggalkan bukti tentang tempat ia dijalankan, lingkungan apa yang menghasilkannya, dan apakah hasil itu bisa ditelusuri nanti.

Awalnya, itu terlihat bagiku sebagai verifikasi yang sederhana.

Sekarang terlihat lebih dekat pada sejarah yang terakumulasi.

Bukan sejarah yang dibekukan, tapi sejarah yang terus-menerus diwariskan.

Yang membuatku tertarik adalah tempat evaluasi diam-diam berubah. Seorang pengembang memverifikasi satu eksekusi. Pengguna berikutnya tidak memulai dari nol. Aplikasi lain juga dapat membangun pada jejak bukti yang sama itu.

Seiring waktu, orang mungkin tidak hanya memilih sebuah model karena model itu baru atau populer.

Mereka mungkin memilihnya karena apa yang sudah dibuktikannya tentang dirinya sendiri.

Di sanalah OpenGradient menjadi menarik bagiku.

Ini bukan hanya tentang membantu AI menghasilkan jawaban. Ini tentang membantu agar jawaban-jawaban itu meninggalkan catatan yang bisa dipahami oleh pengguna, pengembang, dan aplikasi di masa depan.

Mungkin aset jangka panjangnya bukan sekadar model.

Mungkin itu adalah riwayat terverifikasi yang terus dibawa oleh model.

#Binance $VELVET

Titik Pemeriksaan Tak Terlihat Sebelum Gerakan Robot:

Dulu saya mengira robotika hanya membutuhkan AI yang lebih cerdas.

Tapi @OpenGradient membuat saya berhenti sejenak.

Mungkin robot memerlukan sesuatu yang lebih penting sebelum pergerakan dimulai: jalur keputusan yang dapat dibuktikan.

Berikan model AI sebuah perintah, dan robot bergerak. Dari luar, itu terdengar rapi.

Namun pertanyaan yang lebih sulit bukan hanya apakah keputusan AI itu benar. Pertanyaan sesungguhnya adalah apakah jalur antara keputusan dan tindakan bisa dipercaya.

Kesalahan chatbot bisa diedit atau diabaikan, tetapi robot bertindak di dunia nyata. Ia bisa bergerak, mengangkat, berputar, mendorong, atau bereaksi berdasarkan keluaran yang mungkin tidak pernah sepenuhnya dilihat pengguna.

Di sinilah penalaran yang dapat diverifikasi mulai menjadi penting.

Jika sebuah robot mengambil tindakan, kita harus bisa memverifikasi apakah model yang tepat benar-benar dieksekusi, apakah input tetap tidak berubah, dan apakah output berasal dari komputasi yang benar-benar autentik.

Bagi saya, ini bukan hanya soal mesin yang lebih pintar. Ini tentang bukti eksekusi model, integritas input, autentisitas output, dan jalur inferensi yang tepercaya sebelum tindakan dimulai.

Itulah mengapa layer proof dari @OpenGradient terasa penting untuk sistem otonom.

Pengamatan saya sederhana:

Robot membutuhkan lebih dari sekadar kecerdasan yang lebih baik. Mereka butuh jalur keputusan yang dapat dibuktikan sebelum pergerakan berubah menjadi tindakan.

#opg $OPG #Binance

Saya dulu mengira AI terutama merupakan peningkatan produktivitas bagi industri TI.
Pembuatan kode yang lebih cepat, pengujian yang lebih cepat, dukungan otomatis, dan alur kerja yang lebih lancar. Di permukaannya, itu terdengar seperti kemajuan.
Tapi semakin saya memikirkannya, tantangan terbesar bukanlah kecepatan. Tantangan besarnya adalah kepercayaan.
Kalau AI menulis kode yang salah, mengekspos data sensitif, atau memengaruhi keputusan produksi, siapa yang bertanggung jawab?
Sang pengembang?
Perusahaannya?
Penyedia AI?
Atau sistem yang memungkinkan AI bertindak tanpa verifikasi yang memadai?
Di sinilah TI mungkin menghadapi ujian sesungguhnya. AI tidak hanya akan mengubah cara perangkat lunak dibangun. AI akan memaksa industri untuk memikirkan ulang akuntabilitas, privasi, jejak audit, dan verifikasi.
Itulah mengapa @OpenGradient terasa relevan bagi saya. Masa depan infrastruktur AI mungkin akan lebih bergantung pada bukti, bukan janji.

#Binance #TradebStocks

Awalnya saya berpikir memasukkan AI ke dalam smart contract akan mudah.

Kontrak memanggil sebuah model, mendapatkan hasil, lalu menjalankan transaksi. Kedengarannya mirip dengan cara kerja aplikasi web biasa.

Namun, desain PIPE dari @OpenGradient menarik perhatian saya.

OpenGradient bukan sekadar mencoba menempelkan AI pada smart contracts. Mereka sedang menyelesaikan masalah penjadwalan yang muncul ketika inferensi AI masuk ke eksekusi on-chain.

Transaksi blockchain membutuhkan eksekusi yang dapat diprediksi dalam waktu blok. Inferensi AI tidak selalu berperilaku seperti itu. Model bisa berat, bergantung pada GPU, dan kecepatannya tidak merata. Satu permintaan mungkin selesai cepat, sementara permintaan lain bisa tertinggal.

Hal ini penting untuk kebutuhan nyata seperti risk scoring, dynamic fees, pemeriksaan likuidasi, sinyal volatilitas, atau keputusan agen.

Jika satu model menjadi lambat, apakah seluruh alur transaksi harus menunggunya?

PIPE menanganinya dengan cara berbeda. Mereka memindahkan inferensi ke jalur pra-eksekusi, menggunakan Inference Mempool, menjalankan permintaan model secara paralel, lalu membiarkan transaksi dieksekusi dengan hasil yang telah dihitung sebelumnya.

Itulah sebabnya OpenGradient terasa menarik bagi saya.

Bagi saya, ini bukan sekadar bertanya bagaimana AI bisa masuk ke smart contracts.
Ini bertanya bagaimana smart contracts dapat menggunakan AI tanpa membiarkan latensi model mengontrol eksekusi on-chain.
#Binance #opg $OPG

OpenGradient Roadmap sebagai Uji Pasar: Dari Private Prompts ke Pasar AI yang Dapat Diverifikasi

Kebanyakan roadmap memberi tahu Anda apa yang ingin dirilis proyek selanjutnya.

Namun setelah mempelajari @OpenGradient dan OpenGradient Chat, saya mulai membacanya dengan cara yang berbeda.

Menurut saya, ini bukan hanya jadwal pengiriman. Ini adalah uji apakah AI terdesentralisasi bisa menjadi pasar penggunaan yang nyata.

Kebanyakan aplikasi AI dinilai dari kecepatan, kualitas model, dan seberapa mulus antarmuka terasa. Tetapi masalah yang lebih dalam adalah apa yang terjadi sebelum dan sesudah jawaban.

Sebelum jawaban, pengguna harus percaya ke mana prompt itu pergi.

Setelah jawaban, pengguna harus percaya bagaimana output tersebut dihasilkan.

Di sinilah OpenGradient menjadi menarik.

OpenGradient Chat tidak hanya tentang mengobrol dengan AI. Ia mendorong gagasan yang lebih besar: penggunaan AI yang privat tidak seharusnya bergantung hanya pada kebijakan privasi. Jika orang meminta AI tentang ide bisnis, keputusan uang, riset, kekhawatiran kesehatan, atau strategi pribadi, maka privasi harus menjadi bagian dari arsitektur, bukan sekadar janji.

Logika yang sama berlaku untuk inferensi yang dapat diverifikasi.

Pasar AI yang serius tidak bisa dibangun hanya dengan menambahkan lebih banyak model. Ia membutuhkan sistem di mana penggunaan model, komputasi, pembayaran, dan verifikasi menjadi lebih mudah untuk dilacak. Para pembangun membutuhkan infrastruktur yang andal. Pengguna membutuhkan akses yang lebih aman. Jaringan perlu aktivitas berulang, bukan hanya perhatian awal.

Itulah mengapa saya melihat roadmap OpenGradient sebagai lebih dari sekadar kemajuan teknis.

Uji sesungguhnya adalah apakah pengguna terus kembali karena OpenGradient Chat terasa lebih aman, dan para pembangun terus memakai jaringan karena inferensi bisa diverifikasi dan dibayar dengan jelas.

AI terdesentralisasi tidak terbukti oleh sensasi.

AI terbukti ketika pertanyaan privat, komputasi yang terverifikasi, dan penggunaan nyata bertemu.

#Binance #opg $OPG

#opg $OPG

OpenGradient Mungkin Menciptakan Zona Perdagangan Bebas AI Berikutnya:

Dulu saya berpikir persaingan AI akan lebih banyak tentang model yang lebih baik.

Jawaban yang lebih cepat.
Output yang lebih bersih.
Benchmark yang lebih tinggi.

Tapi setelah mempelajari cakupan lebih luas dari @OpenGradient , saya mulai melihat pertanyaan yang berbeda.

Mungkin pergeseran nyata tidak hanya tentang bagaimana model AI berjalan, tetapi di mana penggunaan AI berkumpul.

Di sini, sejarah memberikan petunjuk yang berguna.
Singapura menjadi penting sebagai pusat perdagangan. Zona Perdagangan Bebas Jebel Ali di Dubai menjadi gerbang bisnis utama. Shenzhen menunjukkan bagaimana zona ekonomi khusus dapat menarik pembangun, modal, dan partisipasi jangka panjang.

Zona-zona ini menjadi berharga karena aktivitas terus terkonsentrasi dalam satu sistem.

Jadi, saya bertanya-tanya apakah AI bisa bergerak ke arah yang sama.
Sebuah model tunggal bisa berguna, tetapi ekonomi AI membutuhkan lebih dari sekadar model. Ini membutuhkan penerapan, akses, pembayaran, verifikasi, pengembang, pengguna, dan alasan bagi mereka semua untuk tetap terhubung.

Di sinilah OpenGradient terus menarik perhatian saya.

Sejujurnya, saya tidak melihatnya hanya sebagai jaringan infrastruktur AI lainnya. Saya melihat kemungkinan zona perdagangan bebas AI, tidak dalam arti hukum, tetapi sebagai lingkungan bersama di mana kecerdasan dapat diterapkan, dibayar, diverifikasi, dan digunakan dengan struktur yang lebih jelas.

Ini juga di mana $OPG mulai masuk akal bagi saya.

Bagi saya, jika layanan AI menjadi gerakan ekonomi, mereka membutuhkan koordinasi sekitar penggunaan, pembayaran, dan akuntabilitas.

Mungkin saya terlalu jauh melihat ke depan.

Tapi jika AI menciptakan zona perdagangannya sendiri, pertanyaan penting mungkin bukan siapa yang membangun model paling pintar.
Mungkin siapa yang membangun jaringan di mana keterlibatan AI yang terverifikasi terus berkumpul.

DOYR
#Binance

#opg $OPG

Bisakah AI Membaca Inflasi Sebelum Pasar Bereaksi?

@OpenGradient mengubah perspektif saya tentang inflasi di luar angka-angka biasa.

Inflasi biasanya baru terlihat setelah kerusakan sudah terjadi. Harga bergerak, minyak bereaksi, data pekerjaan keluar, dan kemudian semua orang mulai menjelaskan apa yang sudah terjadi.

Tapi bagaimana jika AI bisa membaca beberapa sinyal itu lebih awal?

Model makro lama seperti Kurva Phillips mencoba menghubungkan inflasi dengan pengangguran, upah, dan tekanan permintaan. Namun, di zaman modern ini, tekanan makro tidak lagi dikendalikan oleh satu sinyal saja.

Ini bisa datang dari harga minyak, stres rantai pasokan, kelemahan mata uang, pergeseran likuiditas, ketegangan perdagangan, dan sentimen pasar.

Jika AI mulai membaca sinyal-sinyal ini untuk trader, peneliti, protokol DeFi, atau bisnis, outputnya mulai bertindak seperti sinyal keputusan.

Itulah mengapa prediksi akhir tidak boleh menjadi satu-satunya hal yang kita percayai.

Sejujurnya, itulah mengapa desain HACA dari OpenGradient terasa penting bagi saya.
Node inferensi, node data, node penuh, penyimpanan, dan eksekusi yang dapat diverifikasi mengarah pada alur kerja AI di mana tekanan ekonomi bisa memiliki jalur yang lebih jelas di belakangnya.

OpenGradient tidak hanya menghasilkan pandangan inflasi. Ini bisa membuat jalur inferensi lebih dapat diverifikasi melalui node khusus dan eksekusi berbasis bukti.

Bagi saya, $OPG bukan hanya AI yang memprediksi.

Ini adalah infrastruktur AI yang bisa menunjukkan bagaimana sinyal itu terbentuk. Karena dalam keputusan makro, sinyal hanya berguna jika orang bisa mempercayai jalur di belakangnya.

#opg $OPG
Saat mempersiapkan presentasi klien dari whitepaper dan dokumen @OpenGradient , satu risiko yang terabaikan mencolok

Mengizinkan agen AI tidaklah cukup jika tindakan mereka tidak dapat dibatasi.

Saya mulai berpikir tentang ini setelah menggunakan AI untuk keputusan tugas kecil.

Sebuah chatbot dapat menyarankan ide, arah, atau rencana, tetapi tindakan akhir tetap ada di tangan saya.

Agen AI berbeda.

Ia tidak hanya dapat menyarankan. Ia juga dapat bertindak.

Sebuah chatbot seperti mengambil nasihat; agen AI seperti memberikan seseorang izin untuk bertindak.

Perbedaan kecil ini mengubah risiko sepenuhnya.
Jika jawaban AI lemah, saya bisa menghentikannya sebelum menggunakannya.
Tetapi jika seorang agen mulai memilih model, mengeksekusi tugas, menganalisis pasar, atau berinteraksi dengan sistem keuangan, satu langkah yang salah bisa melampaui layar.

Itulah yang dimaksud dengan radius ledakan bagi saya, seberapa jauh dampak dapat menyebar setelah satu tindakan AI yang salah.

Di sinilah OpenGradient terasa penting bagi saya. Fokusnya pada akses model, proses yang berfokus pada privasi, dan verifikasi komputasi mengarah pada eksekusi AI yang dapat bertindak, tetapi juga dapat diverifikasi dan diaudit.

Pengamatan saya adalah ini:

Sebelum agen AI dipercayakan dengan lebih banyak kekuatan, batasan mereka harus didefinisikan dengan jelas.

Karena masa depan AI tidak hanya akan tergantung pada apa yang dapat dilakukan agen.

Ini akan tergantung pada seberapa aman mereka dapat dihentikan.

Apakah agen AI harus memiliki batasan yang jelas sebelum mereka bertindak?

(A) Ya, batasi radius ledakan

(B) Tidak, lebih banyak otonomi lebih baik

#Binance #OpenGradient

#opg $OPG

Apa yang menarik bagi saya tentang @OpenGradient bukan hanya penggunaan beberapa model AI. Ini adalah masalah kepercayaan yang muncul ketika kita terus berpindah di antara mereka.

Saat menguji berbagai model AI untuk satu alur kerja, saya menyadari kebiasaan saya telah berubah.

Saya menggunakan model terpisah untuk riset, penulisan, arahan gambar, dan pengecekan logika.

Pada awalnya, ini terasa produktif. Tapi ketika ide yang sama bergerak melalui beberapa model, prosesnya menjadi lebih sulit untuk dilacak dan beberapa pertanyaan muncul di benak saya.

Model mana yang membentuk jawaban akhir?
Apakah input tetap pribadi?
Apakah niat awal berubah?
Bisakah eksekusi diverifikasi nanti?

Di sinilah OpenGradient Chat membuat masalah ini lebih mudah terlihat. Pengguna tidak hanya lagi bertanya pada AI. Mereka bergerak di antara model, prompt, output, dan keputusan.

Secara teknis, OpenGradient mendekati masalah pergantian model ini melalui infrastruktur inferensi khusus. Node inferensi menangani eksekusi model untuk kecepatan, sementara inferensi LLM yang diverifikasi TEE dan penyelesaian bukti membantu menciptakan proses yang dapat diverifikasi di balik output.

Bagi saya, $OPG penting karena OpenGradient membangun infrastruktur AI di mana hosting model, eksekusi, privasi, dan verifikasi bekerja sama.

Itu penting karena pergantian model akan menjadi normal dalam riset, penulisan, pembuatan gambar, ide trading, dan automasi.

Tapi normal tidak selalu berarti dapat dipercaya.
Infrastruktur AI yang serius berikutnya tidak hanya akan membiarkan pengguna berpindah antara model.
Ini akan membantu membuktikan apa yang terjadi ketika mereka melakukannya.

Jika alur kerja AI terus bergerak di antara banyak model, harusnya kepercayaan berasal dari output — atau dari bukti proses?

Selama bekerja di kantor, saya sedang menghasilkan gambar AI untuk ide bisnis ketika saya melihat sesuatu ..

Gambar akhir bukan satu-satunya bagian yang sensitif.
Itulah mengapa @OpenGradient Studio Gambar Chat menarik perhatian saya dengan alasan yang berbeda.

Kebanyakan orang hanya menilai generasi gambar AI dari seberapa bagus tampilan gambar akhir.

Tapi bagi saya, pertanyaan yang lebih dalam adalah apa yang kita ekspos sebelum gambar itu bahkan diciptakan..

Saya melihatnya sebagai lingkungan pribadi untuk pengambilan keputusan bisnis."

Orang biasanya fokus pada gambar setelah dihasilkan

Saya lebih fokus pada ide yang dimasukkan ke dalamnya, karena ide itu bisa mengungkapkan strategi sebelum apapun menjadi publik. tema peluncuran, audiens, arah harga, anggaran iklan, dan posisi produk.

Sebelum gambar apapun ada, niat finansial sudah ada di dalam prompt.

Itulah mengapa Studio Gambar OpenGradient Chat yang bersifat pribadi secara default itu penting. Pengguna dapat menghasilkan gambar di berbagai model Gemini, ByteDance, dan xAI, tetapi poin yang lebih besar bukan hanya pilihan model. Ini adalah upaya untuk menjaga niat kreatif terpisah dari identitas.

Di sinilah OpenGradient menjadi relevan dengan privasi, pilihan model, dan AI yang dapat diverifikasi dalam satu alur kerja.

Bagi saya, perlombaan gambar AI berikutnya mungkin bukan tentang siapa yang menciptakan gambar terbaik.

Ini mungkin tentang siapa yang melindungi ide sebelum gambar itu ada.

#Binance $OPG #OPG

Ini adalah satu pertanyaan untukmu
Sebelum sebuah gambar AI diciptakan, strategi bisnis sudah bisa terungkap.

Apa yang lebih penting?

(A) Kualitas gambar (B) Privasi ide

#opg $OPG

Pagi ini, saat menggunakan @OpenGradient Chat untuk menyelesaikan masalah, satu pertanyaan muncul di benak saya.
di mana detail masalah saya sebenarnya pergi?

Awalnya, saya fokus pada jawaban, bukan infrastruktur di baliknya. Tapi kemudian saya mulai memikirkan tentang privasi.

Apakah pertanyaan saya disimpan di suatu tempat?
bisakah itu menjadi bagian dari profil jangka panjang?
Apakah penggunaan AI suatu hari nanti bisa terhubung dengan pemeriksaan identitas, seperti dompet crypto yang terhubung dengan KYC?

Kemudian saya melihat sisi pembangun dan menemukan masalah tersembunyi lainnya: model AI itu sendiri tersebar di bucket cloud, repos GitHub, dan platform pribadi, masing-masing dengan aturan akses yang berbeda, metode versi, dan batasan.

Itu mengubah pengamatan saya.
Dalam crypto, aturan membuat jejak transaksi menjadi penting. Dalam AI, saya rasa jejak model mungkin menjadi sama pentingnya. Kepercayaan di masa depan tidak hanya akan bertanya siapa yang menggunakan AI, tetapi juga model mana yang dijalankan, versi mana yang digunakan, di mana ia disimpan, dan apakah ia siap untuk inferensi.

Itulah mengapa OpenGradient terasa penting bagi saya. Karena ia menghubungkan kedua sisi.

OpenGradient Chat mengarah pada AI yang mengutamakan privasi untuk pengguna, sementara Model Hub memberikan tempat terdesentralisasi bagi pembangun untuk model dengan penyimpanan Walrus, versi bawaan, kesiapan inferensi ONNX, ID Blob, dan komposabilitas kontrak pintar.

Tidak pasti bahwa risiko AI terlihat dalam hasil akhir. Terkadang risiko sebenarnya ada di jalur: ke mana data pengguna pergi, model mana yang dijalankan, dan apakah model itu bisa dilacak nanti.

Pengamatan akhir saya sederhana: AI tidak hanya membutuhkan model yang lebih cerdas. Ia membutuhkan pengguna yang privat, model yang dapat dilacak, dan infrastruktur yang bisa dipercaya.

Pertanyaan 👇
Kepercayaan AI di masa depan akan bergantung lebih pada apa?

(A) Privasi pengguna (B) Jejak model

#opg $OPG

Bagian yang paling menarik dari @OpenGradient bagi saya adalah
Output AI tidak boleh hilang setelah eksekusi
itu harus meninggalkan bukti di belakangnya

Bagaimana jika robot-robot masa depan membutuhkan bukti verifikasi AI sebelum mereka bergerak?

Saya telah memperhatikan sesuatu tentang AI. Kebanyakan orang menilainya berdasarkan kualitas jawabannya. Jika output terlihat cerdas, berguna, atau cepat, kita biasanya menerimanya.
Hari ini, AI sebagian besar berada di layar.
Jika AI memberikan jawaban yang salah di layar, kita masih bisa mencoba lagi atau memperbaikinya.
Tetapi begitu AI mulai memandu robot, lengan pabrik, mesin pengiriman, atau perangkat kesehatan, output yang salah bukan lagi sekadar respons yang buruk.

Jika AI memandu robot di dunia fisik, satu gerakan yang salah bisa berubah menjadi kerusakan nyata.
Itulah sebabnya hasil akhir tidak hanya harus menyelesaikan tugas.
Standar sebenarnya haruslah bukti bahwa eksekusi AI di balik tugas itu telah diverifikasi.

Pada titik itu, fokus OpenGradient pada komputasi yang dapat diverifikasi terasa penting bagi saya.

Inferensi yang terverifikasi, TEE, dan zkML bukan hanya istilah teknis. Mereka menunjuk pada sistem AI yang dapat meninggalkan bukti menunjukkan model mana yang dieksekusi,

Apakah inferensi bebas dari manipulasi, dan apakah proses komputasi yang diharapkan telah diikuti.

Bagi saya, ini adalah gambaran yang lebih besar dari OPG.
Bukan hanya AI yang menjawab.
AI yang dapat membuktikan bagaimana ia dieksekusi.
Dalam AI fisik, nilai sebenarnya mungkin bukan hanya keputusan, tetapi bukti di baliknya.

#BİNANCE #OpenGradient

Wakil Presiden JD Vance membela kesepakatan damai sementara Presiden Donald Trump pada hari Kamis, menegaskan bahwa Amerika Serikat tidak membayar Republik Islam dan bahwa manfaat ekonomi bagi Iran tergantung pada kepatuhan penuh terhadap kesepakatan.

"Amerika Serikat tidak menyerahkan satu sen pun kepada Iran," kata Vance.

Komentar Vance muncul saat Gedung Putih menghadapi backlash dari Partai Republik mengenai apakah Trump memberikan terlalu banyak kepada Iran dalam memorandum kesepahaman 14 poin yang mencakup pelonggaran sanksi, akses ke dana beku, dan rencana rekonstruksi senilai $300 miliar.

"Satu-satunya cara Iran mendapatkan sumber daya ini ... adalah jika mereka sepenuhnya mematuhi" ketentuan kesepakatan.