AI 的難點可能不再是構建模型。更大、更快、更智能的模型不再是主要瓶頸。
真正突出的是部署後的情況。OpenGradient 已經擁有超過 100 名開發者和 2000 多個已部署的模型。這種規模表明瞭一些重要的事情：模型創建變得便宜，而編排、發現和使用纔是真正的限制因素。
只有在有人實際使用時，模型纔會變得有價值。它需要被發現，整合到應用中，並轉化爲需求。構建不再等同於採用。
加密貨幣經歷過類似的階段。推出代幣變得容易，但關注度、流動性和真實用戶變得稀缺。大多數項目並不是在推出時失敗；而是在推出後當沒有人出現時失敗。
我也在重新思考去中心化的 AI。默認的思維模型假設每個驗證者像標準區塊鏈交易一樣重新運行推理。但推理並不是正常的交易。它需要 GPU、專業硬件和大量計算。OpenGradient 的文檔清楚地說明，要求每個驗證者獨立重新運行模型推理是不切實際的。這一句話打破了許多繼承的區塊鏈假設。
所以真正的轉變不僅僅是構建更好的模型。它是在構建可以被發現、訪問並在規模上實際使用的系統。智能變得豐富，而分發和需求則是稀缺資源。
$VELVET $LAB
#opg $OPG @OpenGradient
真正突出的是部署後的情況。OpenGradient 已經擁有超過 100 名開發者和 2000 多個已部署的模型。這種規模表明瞭一些重要的事情：模型創建變得便宜，而編排、發現和使用纔是真正的限制因素。
只有在有人實際使用時，模型纔會變得有價值。它需要被發現，整合到應用中，並轉化爲需求。構建不再等同於採用。
加密貨幣經歷過類似的階段。推出代幣變得容易，但關注度、流動性和真實用戶變得稀缺。大多數項目並不是在推出時失敗；而是在推出後當沒有人出現時失敗。
我也在重新思考去中心化的 AI。默認的思維模型假設每個驗證者像標準區塊鏈交易一樣重新運行推理。但推理並不是正常的交易。它需要 GPU、專業硬件和大量計算。OpenGradient 的文檔清楚地說明，要求每個驗證者獨立重新運行模型推理是不切實際的。這一句話打破了許多繼承的區塊鏈假設。
所以真正的轉變不僅僅是構建更好的模型。它是在構建可以被發現、訪問並在規模上實際使用的系統。智能變得豐富，而分發和需求則是稀缺資源。
$VELVET $LAB
#opg $OPG @OpenGradient