我以前認爲信任來自於對一切的驗證。

隨着我對AI基礎設施的瞭解加深，我越來越覺得真正的挑戰是決定什麼實際上需要被驗證，什麼則不需要。

這就是@OpenGradient 引起我注意的原因之一。

我發現有趣的是，OpenGradient並不認爲每個AI工作負載都應該遵循相同的信任模型。它沒有強迫每個節點反覆執行昂貴的AI計算，而是將執行與驗證分開，並根據風險等級應用不同的驗證方法。

我越想越覺得這很實際。

某些應用需要更強的保障。其他的則需要速度、可擴展性和更低的成本。將每個交互視爲具有相同信任要求似乎不切實際。

讓我印象深刻的是，OpenGradient將驗證視爲一個光譜，而不是一個非此即彼的選擇。對我來說，這是一種更誠實的處理性能、信任和採用之間權衡的方法。

我不斷回想的一點是：

我認爲可擴展的AI不會通過對所有事物進行同等驗證來構建。我認爲它將通過在正確的地方驗證正確的事物來構建。

你認爲AI的未來依賴於更強的驗證，還是更智能的驗證？

@OpenGradient #opg $OPG $TNSR $LAB