#opg $OPG @OpenGradient 人們總是談論AI隱私，彷彿模型是用戶最應該擔心的事情。
我認爲這種假設掩蓋了一個更大的問題。
因爲模型並不是隱私故事開始的地方。
當一個提示到達模型時，很多事情已經發生了。

請求已經移動。

網絡已經看到了什麼。

系統已經處理了某些東西。

一條軌跡已經開始形成。

這就是爲什麼我總是回到同一個想法：

提示並不是唯一在AI系統中移動的東西。

身份也在移動。

這纔是事情變得有趣的地方。

大多數平臺專注於保護信息在進入系統後的安全。

公平。

信息應該得到保護。

但保護和分離並不是一回事。

一個系統可以保護一個連接。

一個系統也可以問這個連接是否需要攜帶這麼多身份。

這些目標截然不同。

隨着AI成爲日常工作流程的一部分，這種區分顯得越來越重要。

因爲隱私風險很少會一下子出現。

它們通過附加而增長。

一個問題附加到一個賬戶。

該賬戶附加到一個歷史。

歷史附加到行爲。

行爲附加到一個檔案。

最終，提示只是更大圖景中的一小部分。

這就是爲什麼身份分離在@OpenGradient 中對我來說尤爲突出。

目標不僅僅是確保請求的安全。

目標是在推斷開始之前減少不必要的附加。

說實話，這可能是更具挑戰性的事情。

保護信息很重要。

減少追隨這些信息的身份數量可能更爲重要。

因爲用戶希望他們的問題可以傳播。

他們不想讓他們整個數字影子隨之而來。

@OpenGradient #OPG $AGT
$MAGMA