我最近在翻閱舊的加密儀表板時，發現了一些奇怪的事情。大多數項目在消失於關注之前，早已從存在中消失。市場通常會獎勵最新的東西，而悄悄地忘記那些仍在被使用的。這讓我對人工智能模型有了不同的看法。
當人們今天評估人工智能時，討論通常圍繞智能、基準或速度。這個假設似乎很明顯：更好的模型會取代舊的模型。但在實踐中，系統並不總是按這種方式行爲。有時，存活下來的並不是最強大的模型，而是那些擁有最深厚成功使用歷史的模型。
這就是OpenGradient開始變得有趣的地方。如果人工智能輸出能夠被驗證、記錄並反覆引用，那麼一個模型的歷史軌跡可能成爲其自身的資產。這並不是因爲有人聲稱它是可靠的，而是因爲有證據顯示它在哪裏被使用，以及它返回的頻率。這完全是不同的信號。
在這裏，披露與證明之間的區別很重要。一錘子買賣和持續依賴之間的差異也是如此。一個年復一年產生需求的模型，可能在經濟上比一個紙面表現更好的新模型更難被替代。
問題是，人工智能市場最終會獎勵智能本身，還是獎勵使智能難以被遺忘的累積歷史。
#Opg #OPG #opg $OPG @OpenGradient
當人們今天評估人工智能時，討論通常圍繞智能、基準或速度。這個假設似乎很明顯：更好的模型會取代舊的模型。但在實踐中，系統並不總是按這種方式行爲。有時，存活下來的並不是最強大的模型，而是那些擁有最深厚成功使用歷史的模型。
這就是OpenGradient開始變得有趣的地方。如果人工智能輸出能夠被驗證、記錄並反覆引用，那麼一個模型的歷史軌跡可能成爲其自身的資產。這並不是因爲有人聲稱它是可靠的，而是因爲有證據顯示它在哪裏被使用，以及它返回的頻率。這完全是不同的信號。
在這裏，披露與證明之間的區別很重要。一錘子買賣和持續依賴之間的差異也是如此。一個年復一年產生需求的模型，可能在經濟上比一個紙面表現更好的新模型更難被替代。
問題是，人工智能市場最終會獎勵智能本身，還是獎勵使智能難以被遺忘的累積歷史。
#Opg #OPG #opg $OPG @OpenGradient