鏈上AI面臨的最大挑戰可能不是智能，而是架構。
我一直在使用AI工具，並嘗試將其與鏈上系統連接。每次我都遇到相同的摩擦。許多項目似乎專注於同時成爲一切，期望網絡能夠同時處理AI執行、共識和可擴展性。
從我觀察到的情況來看，這種方法可能會導致困難的權衡。運行大型模型成本高昂，輸出並不總是確定的，並且延遲很快就成爲實際應用的障礙。
讓我注意到@OpenGradient 的是，它似乎採取了不同的路線。網絡並不要求每個參與者都運行AI模型，而是將執行與驗證分開。推斷由專用節點處理，而證明則在較輕的全節點上異步驗證。
對我來說，這感覺更像是構建一個專用的AI協處理器，而不是將區塊鏈轉變爲通用的GPU集羣，其他應用程序和代理可以依賴，而不是每個參與者都承擔相同的重負。
我並不認爲做更多的事情總是答案。有時候，持久的價值來自於將一件事情做得特別好，並使其對其他人有用。
你認爲對於AI基礎設施來說，專業化更重要還是嘗試做所有事情更重要？
@OpenGradient #OPG $OPG $OPG
我一直在使用AI工具，並嘗試將其與鏈上系統連接。每次我都遇到相同的摩擦。許多項目似乎專注於同時成爲一切，期望網絡能夠同時處理AI執行、共識和可擴展性。
從我觀察到的情況來看，這種方法可能會導致困難的權衡。運行大型模型成本高昂，輸出並不總是確定的，並且延遲很快就成爲實際應用的障礙。
讓我注意到@OpenGradient 的是，它似乎採取了不同的路線。網絡並不要求每個參與者都運行AI模型，而是將執行與驗證分開。推斷由專用節點處理，而證明則在較輕的全節點上異步驗證。
對我來說，這感覺更像是構建一個專用的AI協處理器，而不是將區塊鏈轉變爲通用的GPU集羣，其他應用程序和代理可以依賴，而不是每個參與者都承擔相同的重負。
我並不認爲做更多的事情總是答案。有時候，持久的價值來自於將一件事情做得特別好，並使其對其他人有用。
你認爲對於AI基礎設施來說，專業化更重要還是嘗試做所有事情更重要？
@OpenGradient #OPG $OPG $OPG