Почему OpenGradient изменил мой подход к доверию в ИИ
Одна вещь меня беспокоила во время исследования инфраструктурных проектов ИИ.
Все говорят о том, чтобы сделать ИИ более мощным, быстрым и дешевым. Очень немногие тратят достаточно времени на обсуждение гораздо более простого вопроса.
Как мы знаем, что модель действительно сделала то, что заявила?
Чем больше я углублялся в OpenGradient, тем больше я чувствовал, что это может быть настоящая проблема, которую они пытаются решить.
Что привлекло мое внимание, так это то, что OpenGradient не заставляет каждого участника сети запускать одну и ту же модель ИИ. Сначала мне показалось, что это менее децентрализованно. Затем я понял, что альтернатива будет невероятно неэффективной, особенно по мере роста моделей и увеличения расходов на их эксплуатацию.
Их архитектура разделяет вывод и верификацию. Специализированные узлы обрабатывают тяжелые вычисления, в то время как сеть сосредоточена на доказательстве того, что работа была выполнена правильно. Это больше похоже не на попытку разместить ИИ прямо на блокчейне, а на создание слоя доверия вокруг самого ИИ.
Это различие имеет значение.
Для строителей это может снизить затраты. Для пользователей это может создать прозрачность. Для учреждений это может предоставить способ верификации результатов вместо того, чтобы полагаться на слепое доверие.
Я все еще не уверен, как эти системы будут работать в масштабах. Стандарты верификации, стимулы для узлов и управление становятся важными вопросами со временем.
Но одно мне становится все более ясно.
Поскольку ИИ становится частью более критических решений, проекты, сосредоточенные на доказательстве результатов, могут оказаться столь же важными, как и проекты, создающие модели.
Заключительный вопрос для обсуждения
По мере роста принятия ИИ, что будет иметь большее значение в долгосрочной перспективе: создание более умных моделей или создание надежных способов верификации их выходов?
@OpenGradient #OPG $OPG
Одна вещь меня беспокоила во время исследования инфраструктурных проектов ИИ.
Все говорят о том, чтобы сделать ИИ более мощным, быстрым и дешевым. Очень немногие тратят достаточно времени на обсуждение гораздо более простого вопроса.
Как мы знаем, что модель действительно сделала то, что заявила?
Чем больше я углублялся в OpenGradient, тем больше я чувствовал, что это может быть настоящая проблема, которую они пытаются решить.
Что привлекло мое внимание, так это то, что OpenGradient не заставляет каждого участника сети запускать одну и ту же модель ИИ. Сначала мне показалось, что это менее децентрализованно. Затем я понял, что альтернатива будет невероятно неэффективной, особенно по мере роста моделей и увеличения расходов на их эксплуатацию.
Их архитектура разделяет вывод и верификацию. Специализированные узлы обрабатывают тяжелые вычисления, в то время как сеть сосредоточена на доказательстве того, что работа была выполнена правильно. Это больше похоже не на попытку разместить ИИ прямо на блокчейне, а на создание слоя доверия вокруг самого ИИ.
Это различие имеет значение.
Для строителей это может снизить затраты. Для пользователей это может создать прозрачность. Для учреждений это может предоставить способ верификации результатов вместо того, чтобы полагаться на слепое доверие.
Я все еще не уверен, как эти системы будут работать в масштабах. Стандарты верификации, стимулы для узлов и управление становятся важными вопросами со временем.
Но одно мне становится все более ясно.
Поскольку ИИ становится частью более критических решений, проекты, сосредоточенные на доказательстве результатов, могут оказаться столь же важными, как и проекты, создающие модели.
Заключительный вопрос для обсуждения
По мере роста принятия ИИ, что будет иметь большее значение в долгосрочной перспективе: создание более умных моделей или создание надежных способов верификации их выходов?
@OpenGradient #OPG $OPG