La settimana scorsa ho aiutato un amico che fa trading quantitativo, voleva verificare l'autenticità di un lotto di registrazioni di inferenze dei modelli. Ho passato due giorni a controllare i log, ma non sono riuscito a trovare nulla — le registrazioni delle chiamate possono essere modificate, le versioni dei modelli possono essere cambiate, puoi solo scegliere di fidarti o meno.
In quel momento ho realizzato che ciò che l'AI produce non è poi così importante; ciò che conta è su cosa basi la tua fiducia in essa.
OpenGradient fa esattamente questo: ribalta questa idea. La sua architettura HACA separa completamente esecuzione e verifica — i nodi di inferenza si occupano solo di eseguire i modelli e generare i risultati in millisecondi, mentre i nodi completi non ricalcolano, ma verificano solo se la prova crittografica è corretta. Non sembra niente di eccezionale, ma pochissimi sono in grado di farlo davvero sul mercato.
Fino al lancio della mainnet di aprile, la rete ha già ospitato oltre 2000 modelli, gestito oltre 2 milioni di inferenze verificabili e convalidato oltre 500.000 prove. Dietro ci sono 9,5 milioni di dollari di finanziamenti guidati da a16z crypto e Coinbase Ventures, con Binance e Upbit che sono entrati nel mercato. Questi numeri non sono esagerati, ma in un'infrastruttura decentralizzata di AI che è appena agli inizi, almeno dimostrano che non è un vuoto.
I metodi di verifica sono divisi in tre livelli: TEE si basa sulla fiducia nell'hardware SGX di Intel, sufficiente per l’uso quotidiano; ZKML utilizza prove matematiche, con un limite di sicurezza massimo ma anche il più alto ritardo; Vanilla si occupa delle situazioni a basso rischio autonomamente. Il white paper non ha promesso “assoluta sicurezza”, ma ha fornito un “menu di fiducia” — scegli se vuoi efficienza o sicurezza, la decisione è tua.
Ma i conti devono tornare. TEE dipende dalla fiducia nell'hardware di Intel, e SGX è stato colpito da attacchi tramite canali laterali diverse volte. Basare la sicurezza dell'AI verificabile su un firmware closed source di un produttore di chip è già di per sé un compromesso. ZKML è assolutamente sicuro ma lento — anche il team del progetto lo sa, forzare ZKML in scenari su larga scala rischia di bloccarlo.
La quantità totale di token è di 1 miliardo, dopo il TGE circolano circa 190 milioni di token. Il 21 giugno ci saranno circa 9,13 milioni di token della fondazione che si sbloccano, del valore di circa 1,62 milioni di dollari. L'offerta continua a crescere, mentre la domanda di inferenza a pagamento è ancora lontana dal raggiungere una scala significativa.
Credo nella direzione dell'AI verificabile. Ma la vera sfida in questo settore non è se la tecnologia può funzionare, ma se ci saranno persone disposte a pagare un premio per la parola “verificabile”. Quando inizierà a generare casi d'uso reali in scenari di audit dei contratti e gestione del rischio finanziario dove “senza verifica non ci si fida di usare”, solo allora si potrà fare un bilancio chiaro.
#opg $OPG @OpenGradient
In quel momento ho realizzato che ciò che l'AI produce non è poi così importante; ciò che conta è su cosa basi la tua fiducia in essa.
OpenGradient fa esattamente questo: ribalta questa idea. La sua architettura HACA separa completamente esecuzione e verifica — i nodi di inferenza si occupano solo di eseguire i modelli e generare i risultati in millisecondi, mentre i nodi completi non ricalcolano, ma verificano solo se la prova crittografica è corretta. Non sembra niente di eccezionale, ma pochissimi sono in grado di farlo davvero sul mercato.
Fino al lancio della mainnet di aprile, la rete ha già ospitato oltre 2000 modelli, gestito oltre 2 milioni di inferenze verificabili e convalidato oltre 500.000 prove. Dietro ci sono 9,5 milioni di dollari di finanziamenti guidati da a16z crypto e Coinbase Ventures, con Binance e Upbit che sono entrati nel mercato. Questi numeri non sono esagerati, ma in un'infrastruttura decentralizzata di AI che è appena agli inizi, almeno dimostrano che non è un vuoto.
I metodi di verifica sono divisi in tre livelli: TEE si basa sulla fiducia nell'hardware SGX di Intel, sufficiente per l’uso quotidiano; ZKML utilizza prove matematiche, con un limite di sicurezza massimo ma anche il più alto ritardo; Vanilla si occupa delle situazioni a basso rischio autonomamente. Il white paper non ha promesso “assoluta sicurezza”, ma ha fornito un “menu di fiducia” — scegli se vuoi efficienza o sicurezza, la decisione è tua.
Ma i conti devono tornare. TEE dipende dalla fiducia nell'hardware di Intel, e SGX è stato colpito da attacchi tramite canali laterali diverse volte. Basare la sicurezza dell'AI verificabile su un firmware closed source di un produttore di chip è già di per sé un compromesso. ZKML è assolutamente sicuro ma lento — anche il team del progetto lo sa, forzare ZKML in scenari su larga scala rischia di bloccarlo.
La quantità totale di token è di 1 miliardo, dopo il TGE circolano circa 190 milioni di token. Il 21 giugno ci saranno circa 9,13 milioni di token della fondazione che si sbloccano, del valore di circa 1,62 milioni di dollari. L'offerta continua a crescere, mentre la domanda di inferenza a pagamento è ancora lontana dal raggiungere una scala significativa.
Credo nella direzione dell'AI verificabile. Ma la vera sfida in questo settore non è se la tecnologia può funzionare, ma se ci saranno persone disposte a pagare un premio per la parola “verificabile”. Quando inizierà a generare casi d'uso reali in scenari di audit dei contratti e gestione del rischio finanziario dove “senza verifica non ci si fida di usare”, solo allora si potrà fare un bilancio chiaro.
#opg $OPG @OpenGradient