În prezent, narațiunea cea mai fierbinte din domeniul AI este, în esență, aceeași: se compară capacitățile modelelor. Cine răspunde mai „inteligenți”, cine raționează mai rapid, cine are abilități multimodale mai puternice.
Dar eu cred că aici există o problemă mai profundă, pe care mulți o ignoră: cu cât AI devine mai puternic, cu atât are mai multă nevoie să fie dovedit.
În trecut, AI era doar pentru redactare de texte și rezumare; dacă greșea, se putea relua. Însă de îndată ce AI începe să participe la decizii privind fonduri, la verificări de managementul riscurilor, la voturi de guvernanță și la rapoarte de conformitate, lucrurile se schimbă complet. Nu poți să păcălești utilizatorul cu o singură frază: „modelul judecă așa”.
Acesta este și punctul de intrare cel mai important pentru OpenGradient.
Nu este doar o simplă „înfășurare” peste un API de AI și nici încă un agregator de modele. Ci, mai degrabă, stabilește ca obiectiv de infrastructură ideea că „raționamentul AI este implicit verificabil”. La fiecare apel de model, nu se întoarce doar un răspuns; se încearcă să rămână, cât mai mult posibil, dovezi privind modelul, intrările, mediul de execuție și rezultatul.
Valoarea aici este una foarte practică.
Dacă un agent AI ia, în numele utilizatorului, o decizie de tranzacționare, în exterior ar trebui cel puțin să poată fi urmărit ce model a apelat, dacă procesul de execuție a fost modificat și dacă rezultatul a fost returnat exact așa cum a fost obținut. Altfel, așa-numitul „agent inteligent” rămâne, în esență, automatizare de tip black-box.
Prin tehnologii precum TEE, ZKML și verificări prin semnătură, OpenGradient permite ca sarcinile AI cu niveluri diferite de risc să aleagă intensități diferite de verificare. Sarcinile obișnuite pot fi verificate ușor, iar modelele pentru sarcini cu risc ridicat pot alege metode de probă mai puternice.
Eu cred că acesta este pasul-cheie prin care AI intră în Web3. Nu faptul că răspunsurile AI sunt „mutate” pe lanț este cel care face AI „on-chain”, ci faptul că însăși calculul AI începe să aibă o bază de auditabilitate, trasabilitate și verificabilitate.
Desigur, „verificabil” nu înseamnă că AI este întotdeauna corect. Modelul poate interpreta greșit, iar sursele de date pot fi, la rândul lor, eronate. Însă măcar OpenGradient rezolvă mai întâi o problemă de bază: dacă această AI a executat sau nu conform regulilor.
În viitor, AI nu va concura doar pe „pot sau nu să răspundă”, ci și pe „pot, oare, să demonstrez ce stă în spatele răspunsului”. Aceasta ar putea fi cea mai mare diferență dintre OpenGradient și aplicațiile obișnuite de AI.
$OPG @OpenGradient #OPG
Dar eu cred că aici există o problemă mai profundă, pe care mulți o ignoră: cu cât AI devine mai puternic, cu atât are mai multă nevoie să fie dovedit.
În trecut, AI era doar pentru redactare de texte și rezumare; dacă greșea, se putea relua. Însă de îndată ce AI începe să participe la decizii privind fonduri, la verificări de managementul riscurilor, la voturi de guvernanță și la rapoarte de conformitate, lucrurile se schimbă complet. Nu poți să păcălești utilizatorul cu o singură frază: „modelul judecă așa”.
Acesta este și punctul de intrare cel mai important pentru OpenGradient.
Nu este doar o simplă „înfășurare” peste un API de AI și nici încă un agregator de modele. Ci, mai degrabă, stabilește ca obiectiv de infrastructură ideea că „raționamentul AI este implicit verificabil”. La fiecare apel de model, nu se întoarce doar un răspuns; se încearcă să rămână, cât mai mult posibil, dovezi privind modelul, intrările, mediul de execuție și rezultatul.
Valoarea aici este una foarte practică.
Dacă un agent AI ia, în numele utilizatorului, o decizie de tranzacționare, în exterior ar trebui cel puțin să poată fi urmărit ce model a apelat, dacă procesul de execuție a fost modificat și dacă rezultatul a fost returnat exact așa cum a fost obținut. Altfel, așa-numitul „agent inteligent” rămâne, în esență, automatizare de tip black-box.
Prin tehnologii precum TEE, ZKML și verificări prin semnătură, OpenGradient permite ca sarcinile AI cu niveluri diferite de risc să aleagă intensități diferite de verificare. Sarcinile obișnuite pot fi verificate ușor, iar modelele pentru sarcini cu risc ridicat pot alege metode de probă mai puternice.
Eu cred că acesta este pasul-cheie prin care AI intră în Web3. Nu faptul că răspunsurile AI sunt „mutate” pe lanț este cel care face AI „on-chain”, ci faptul că însăși calculul AI începe să aibă o bază de auditabilitate, trasabilitate și verificabilitate.
Desigur, „verificabil” nu înseamnă că AI este întotdeauna corect. Modelul poate interpreta greșit, iar sursele de date pot fi, la rândul lor, eronate. Însă măcar OpenGradient rezolvă mai întâi o problemă de bază: dacă această AI a executat sau nu conform regulilor.
În viitor, AI nu va concura doar pe „pot sau nu să răspundă”, ci și pe „pot, oare, să demonstrez ce stă în spatele răspunsului”. Aceasta ar putea fi cea mai mare diferență dintre OpenGradient și aplicațiile obișnuite de AI.
$OPG @OpenGradient #OPG