前幾天，我發現自己做了兩次相同的決定。不是因爲答案改變了，而是因爲我無法驗證之前的決定是否值得信賴。那一點小摩擦讓我對OpenGradient有了不同的看法。
大多數AI系統將決策視爲一次性輸出。一個提示進來，一個答案出來，然後過程重新開始。但如果AI決策變成了可驗證的對象，並附有證明，那麼就會發生一些有趣的事情。決策本身開始看起來不像一次性的輸出，而更像是可以被引用、重用，甚至交換的資產。
吸引我注意的是圍繞經過驗證的決策而非原始計算形成二級市場的可能性。用戶可能不再一次又一次地爲相同的推理付費，而是爲訪問已經被他人驗證並接受的決策付費。從理論上講，這聽起來高效。但在實踐中，更困難的問題是重用是否反映了真正的需求，還是僅僅是推動活動朝向相同輸出的激勵。
證明在這裏很重要。披露表明一個決定發生了。驗證試圖展示爲什麼它可以被信任。這兩者並不相同。
更深層的緊張關係可能在於，一旦決策變得可交易，價值可能會從產生智能轉向擁有智能被重用的路徑。我不確定市場是否完全考慮了這會帶來什麼變化。
#OPG #OPG #opg $OPG @OpenGradient
大多數AI系統將決策視爲一次性輸出。一個提示進來，一個答案出來，然後過程重新開始。但如果AI決策變成了可驗證的對象，並附有證明，那麼就會發生一些有趣的事情。決策本身開始看起來不像一次性的輸出，而更像是可以被引用、重用，甚至交換的資產。
吸引我注意的是圍繞經過驗證的決策而非原始計算形成二級市場的可能性。用戶可能不再一次又一次地爲相同的推理付費，而是爲訪問已經被他人驗證並接受的決策付費。從理論上講，這聽起來高效。但在實踐中，更困難的問題是重用是否反映了真正的需求，還是僅僅是推動活動朝向相同輸出的激勵。
證明在這裏很重要。披露表明一個決定發生了。驗證試圖展示爲什麼它可以被信任。這兩者並不相同。
更深層的緊張關係可能在於，一旦決策變得可交易，價值可能會從產生智能轉向擁有智能被重用的路徑。我不確定市場是否完全考慮了這會帶來什麼變化。
#OPG #OPG #opg $OPG @OpenGradient