前幾天我注意到，當應用程序忘記我在做什麼時，我切換應用的速度有多快。一個對話重置了，上下文消失了，突然我又在重複幾分鐘前就已經存在的信息。這看似微不足道，直到它一次又一次發生。這也是我最近從另一個角度思考OpenGradient的部分原因。
關於AI記憶的大多數討論將其視爲產品特性。更多的上下文、更長的對話、更好的個性化。但在實踐中，特性是容易複製的。更難複製的是使記憶持久、可驗證並可以在重複交互中重用的基礎設施。
起初我認爲記憶只與提高模型質量有關。現在我不再確定。如果開發者、代理和應用程序開始依賴可以被檢索、驗證並在時間上重用的存儲上下文，其價值可能會從智能本身轉向其底層的連續性。重要的區別不在於記憶是否存在，而在於人們是否不斷返回到同一個記憶層，因爲在其他地方重建上下文變得昂貴。
這在使用和需求之間創造了有趣的差異。一個特性可能只用一次。基礎設施則會被反覆調用，因爲其他系統依賴於它。問題是OpenGradient是在構建一個便利層還是一個依賴層。這兩者在表面上聽起來相似，但一旦規模到來，它們在經濟上表現得非常不同。
#OPG #OPG #opg $OPG @OpenGradient
關於AI記憶的大多數討論將其視爲產品特性。更多的上下文、更長的對話、更好的個性化。但在實踐中，特性是容易複製的。更難複製的是使記憶持久、可驗證並可以在重複交互中重用的基礎設施。
起初我認爲記憶只與提高模型質量有關。現在我不再確定。如果開發者、代理和應用程序開始依賴可以被檢索、驗證並在時間上重用的存儲上下文，其價值可能會從智能本身轉向其底層的連續性。重要的區別不在於記憶是否存在，而在於人們是否不斷返回到同一個記憶層，因爲在其他地方重建上下文變得昂貴。
這在使用和需求之間創造了有趣的差異。一個特性可能只用一次。基礎設施則會被反覆調用，因爲其他系統依賴於它。問題是OpenGradient是在構建一個便利層還是一個依賴層。這兩者在表面上聽起來相似，但一旦規模到來，它們在經濟上表現得非常不同。
#OPG #OPG #opg $OPG @OpenGradient