Szczerze mówiąc; obserwowałem, jak weryfikowalna inferencja AI jest rzeczywiście osadzana w systemach takich jak @OpenGradient , i szczerze mówiąc, nie wygląda to jak czysta architektura w rzeczywistości. To bardziej przypomina warstwowe obejście, które po prostu działa pod presją. Widzisz, że inferencja odbywa się poza łańcuchem, a następnie jakaś forma dowodu lub atestacji TEE lub ZKML jest przesyłana na łańcuch, więc wynik nie wydaje się już „ślepym zaufaniem”.

Wykonanie oparte na TEE to szybka droga, bez wątpienia. Działa płynnie, z niską latencją, i dobrze sprawdza się, gdy agenci AI zajmują się czasowo wrażliwymi zadaniami. Ale zawsze istnieje to ciche założenie, które leży pod zaufaniem do sprzętu. Nie łamie systemu, ale sprawia, że zatrzymujesz się na chwilę, jeśli myślisz długoterminowo. ZKML wydaje się być silniejszą odpowiedzią akademicką, bardziej solidną kryptograficznie, ale krzywa kosztów jest nadal wysoka, i widać to, gdy próbujesz skalować to poza kontrolowane środowiska.

#OpenGradient właściwie znajduje złoty środek, zamiast wybierać stronę, a ta część wydaje się realistyczna, a nie idealistyczna. Ale tarcie nie znika, przenosi się w kierunku złożoności integracji, obciążenia dowodowego i obciążenia programisty, gdy agenci zaczynają wchodzić w interakcje z logiką na łańcuchu.

Myślę, że może jeśli systemy dowodowe staną się tańsze, a TEE dojrzeją jeszcze bardziej, to mogłoby cicho stać się domyślną infrastrukturą dla agentów AI. $BAS Ale teraz nadal wydaje się to być czymś w trakcie przejścia, działającym, ale jeszcze nie w pełni ustabilizowanym, trochę jak infrastruktura w trakcie budowy.
$OPG $SYN @OpenGradient #OPG #opg
Teraz pytam cię: co myślisz 🤔. Co jest najważniejsze w weryfikowalnej inferencji AI: prędkość, zaufanie, czy równowaga? 🤔