Zdecentralizowana AI rozpada się, jeśli zmusisz każdy węzeł do uruchamiania ciężkich modeli uczenia maszynowego tylko po to, aby osiągnąć konsensus. Kluczowym przełomem w układzie sieci @OpenGradient jest specjalizacja, która dzieli zadania, aby system pozostał szybki i bez zaufania.
W rdzeniu, Pełne Węzły zarządzają księgą i sprawdzają dowody kryptograficzne przy użyciu podstawowego, codziennego sprzętu. Obsługują zasady i rozliczenia, nie zaglądając nigdy do prywatnych danych użytkowników ani nie marnując energii na masowe obliczenia.
Ciężka praca jest całkowicie przeniesiona do bezstanowych Węzłów Wnioskowania. Są one podzielone na dwie grupy: Węzły Proxy LLM, które korzystają z bezpiecznych kluczy sprzętowych, aby prywatnie i anonimowo zapytywać głównych dostawców oraz Lokalne Węzły Wnioskowania, które uruchamiają modele open-source natywnie na dedykowanych GPU. To podział pozwala użytkownikom uzyskać dostęp do wysokowydajnej AI, zachowując jednocześnie rygorystyczne granice prywatności.
Aby zakończyć pipeline, nadchodzące zewnętrzne dane są zabezpieczane przez Węzły Danych wspierane przez TEE, podczas gdy ogromne pliki, takie jak modele open-source i duże dowody kryptograficzne, są przenoszone do Walrus Decentralized Storage. Poprzez zakotwiczenie tylko kompaktowych referencji na łańcuchu, sieć zapobiega nadmiernemu rozrostowi pamięci. To wysoce wydajny plan działania dla uruchamiania weryfikowalnej inteligencji bez tradycyjnych kar prędkości. $OPG #opg