有一件事讓我覺得AI很奇怪。
模型越來越聰明瞭。
但智能看起來仍然是碎片化的。
我們常常通過答案來判斷AI。
我有時想到連續性的問題。
知識在不同的地方。
上下文在不同的地方。
模型處於不同的環境中。
而用戶總是從零開始。
也許這就是爲什麼我覺得@OpenGradient 很有趣。
人們常常只討論模型的質量。
但白皮書的MemSync角度讓我覺得更實用。
如果AI生態系統在未來是互聯的，那麼僅僅計算是不夠的。
狀態和上下文的流動同樣重要。
否則，智能即使強大也會保持脫節。
數據訓練了AI。
創造者賦予它價值。
但價值的流動和上下文現在仍然是碎片化的。
這就是我覺得OpenGradient不僅僅是在託管模型。
他們正在努力組織AI棧的缺失環節。
執行的挑戰仍然是真實的。
但這就是爲什麼架構被設計得模塊化和可擴展，以免增長成爲瓶頸。
也許AI的下一個步驟不是更聰明。
也許更好的連續性更爲重要。
#OPG $OPG @OpenGradient
模型越來越聰明瞭。
但智能看起來仍然是碎片化的。
我們常常通過答案來判斷AI。
我有時想到連續性的問題。
知識在不同的地方。
上下文在不同的地方。
模型處於不同的環境中。
而用戶總是從零開始。
也許這就是爲什麼我覺得@OpenGradient 很有趣。
人們常常只討論模型的質量。
但白皮書的MemSync角度讓我覺得更實用。
如果AI生態系統在未來是互聯的，那麼僅僅計算是不夠的。
狀態和上下文的流動同樣重要。
否則，智能即使強大也會保持脫節。
數據訓練了AI。
創造者賦予它價值。
但價值的流動和上下文現在仍然是碎片化的。
這就是我覺得OpenGradient不僅僅是在託管模型。
他們正在努力組織AI棧的缺失環節。
執行的挑戰仍然是真實的。
但這就是爲什麼架構被設計得模塊化和可擴展，以免增長成爲瓶頸。
也許AI的下一個步驟不是更聰明。
也許更好的連續性更爲重要。
#OPG $OPG @OpenGradient