L’anno scorso ho messo in contatto qualcuno con un sistema di AI per il risk control: abbiamo eseguito il modello per due settimane, poi all’improvviso non è più andato bene. I log di verifica erano pulitissimi, non si vedeva alcuna anomalia. Il servizio clienti fece spallucce: “Il modello è interno, non puoi vederlo”. In quel momento capii che—non importa cosa produce l’AI; importa su quale base puoi fidarti.
OpenGradient nasce proprio per risolvere questo punto. Trasformare “ti fidi di me?” in “puoi verificarlo?”.
La sua architettura HACA separa esecuzione e validazione: i nodi di inferenza eseguono il modello fuori dalla chain, ottenendo risultati in tempi nell’ordine dei millisecondi; i nodi della chain non ricalcolano nulla, ma verificano solo che le prove crittografiche siano corrette. La validazione è su tre livelli: TEE si appoggia all’hardware Intel SGX come garanzia—per l’uso quotidiano va bene; ZKML usa prove matematiche—ha il massimo sul piano della sicurezza, ma il tempo per generare le prove potrebbe essere anche più lungo di quello necessario a far terminare il modello. Il whitepaper non vende “sicurezza assoluta”: fornisce invece un “menu della fiducia”—se vuoi efficienza o vuoi proteggere la parte più critica, scegli tu. Dopo l’upgrade x402, le richieste di inferenza vengono instradate direttamente verso l’enclave TEE: in mezzo non devi più fidarti di nessun intermediario.
Ma i conti vanno fatti bene.
Il TEE dipende dalla credibilità dell’hardware Intel: l’SGX è stato colpito più volte da attacchi via side-channel. Mettere come fondamento della sicurezza dell’AI verificabile il firmware closed-source di una singola azienda di chip è, di fatto, un compromesso. ZKML è assolutamente sicuro ma lento—anche il team ne è consapevole: imporre ZKML su scenari su larga scala finirebbe per bloccare tutto.
Poi c’è da guardare i token.
Totale 1 miliardo di monete, in circolazione solo 190 milioni: meno del venti percento. Lo sblocco dell’ecosistema è il 40% su 60 mesi in modo lineare; i premi di staking al 10% vengono spalmati ancora su 96 mesi. Il 21 giugno ci sono 9,13 milioni di quote della fondazione che vengono sbloccate: un valore di circa 1,62 milioni di dollari. Non è un segnale di dump, ma l’offerta aumenta davvero in modo continuo.
Anche il background del team è solido.
Il CEO Matthew Wang prima lavorava come ingegnere di ricerca in Two Sigma; il CTO Adam Balogh era il responsabile tecnico di piattaforme AI in precedenza presso Palantir. Ha guidato il round a 9,5 milioni di dollari con a16z crypto; dentro ci sono anche Coinbase Ventures e SV Angel. Il 21 aprile la mainnet è andata online sulla chain Base: attualmente gestisce oltre 4.400 modelli in hosting, tratta oltre 2 milioni di inferenze e valida più di 500 mila prove. Il 15 giugno anche Upbit ha seguito ed è stato messo online.
Io credo nella direzione del “verifiable AI”. Ma l’esame vero di questo settore non è se la tecnologia riesce a funzionare: è se qualcuno è disposto a pagare un premio in più per le tre parole “verificabile”.
#opg $OPG @OpenGradient
OpenGradient nasce proprio per risolvere questo punto. Trasformare “ti fidi di me?” in “puoi verificarlo?”.
La sua architettura HACA separa esecuzione e validazione: i nodi di inferenza eseguono il modello fuori dalla chain, ottenendo risultati in tempi nell’ordine dei millisecondi; i nodi della chain non ricalcolano nulla, ma verificano solo che le prove crittografiche siano corrette. La validazione è su tre livelli: TEE si appoggia all’hardware Intel SGX come garanzia—per l’uso quotidiano va bene; ZKML usa prove matematiche—ha il massimo sul piano della sicurezza, ma il tempo per generare le prove potrebbe essere anche più lungo di quello necessario a far terminare il modello. Il whitepaper non vende “sicurezza assoluta”: fornisce invece un “menu della fiducia”—se vuoi efficienza o vuoi proteggere la parte più critica, scegli tu. Dopo l’upgrade x402, le richieste di inferenza vengono instradate direttamente verso l’enclave TEE: in mezzo non devi più fidarti di nessun intermediario.
Ma i conti vanno fatti bene.
Il TEE dipende dalla credibilità dell’hardware Intel: l’SGX è stato colpito più volte da attacchi via side-channel. Mettere come fondamento della sicurezza dell’AI verificabile il firmware closed-source di una singola azienda di chip è, di fatto, un compromesso. ZKML è assolutamente sicuro ma lento—anche il team ne è consapevole: imporre ZKML su scenari su larga scala finirebbe per bloccare tutto.
Poi c’è da guardare i token.
Totale 1 miliardo di monete, in circolazione solo 190 milioni: meno del venti percento. Lo sblocco dell’ecosistema è il 40% su 60 mesi in modo lineare; i premi di staking al 10% vengono spalmati ancora su 96 mesi. Il 21 giugno ci sono 9,13 milioni di quote della fondazione che vengono sbloccate: un valore di circa 1,62 milioni di dollari. Non è un segnale di dump, ma l’offerta aumenta davvero in modo continuo.
Anche il background del team è solido.
Il CEO Matthew Wang prima lavorava come ingegnere di ricerca in Two Sigma; il CTO Adam Balogh era il responsabile tecnico di piattaforme AI in precedenza presso Palantir. Ha guidato il round a 9,5 milioni di dollari con a16z crypto; dentro ci sono anche Coinbase Ventures e SV Angel. Il 21 aprile la mainnet è andata online sulla chain Base: attualmente gestisce oltre 4.400 modelli in hosting, tratta oltre 2 milioni di inferenze e valida più di 500 mila prove. Il 15 giugno anche Upbit ha seguito ed è stato messo online.
Io credo nella direzione del “verifiable AI”. Ma l’esame vero di questo settore non è se la tecnologia riesce a funzionare: è se qualcuno è disposto a pagare un premio in più per le tre parole “verificabile”.
#opg $OPG @OpenGradient