我最近在研究@OpenGradient 如何處理不同推理類型的驗證，起初有些地方讓我覺得不太對勁。
我一開始的假設是去中心化的AI網絡會選擇一種證明標準並統一執行。這樣更乾淨，審計也更容易。但x402架構並不是這樣。它讓驗證方法根據實際工作負載的需求變化，聽起來很靈活，但仔細想想卻不那麼簡單。
技術原因其實很簡單。zkML證明計算量大。在每個LLM推理上大規模運行它們幾乎會破壞網絡的經濟性。TEE證明較輕，但它們基於硬體信任而非數學確定性。因此，單靠其中一種並不能涵蓋全部範圍。設計上試圖同時保持這兩者。
我不太確定的是這在應用層面如何運作。一位開發者如果在風險較高的情況下，比如醫療推理或金融建模，必須早早做出驗證調用。如果他們選錯了等級，那麼他們所依賴的證明實際上並沒有給他們他們以為的那樣的保障。這部分討論得不多。
200萬次推理的數字很有趣，但也有點模糊。裡面驗證方法的分配是什麼？如果大部分的數量都在簽名結果中，而不是zkML，這個里程碑的樣子就和表面看起來不同了。
基礎層的靈活性確實很難實現。開發者是否真的在正確地使用它則是另外一個問題
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB
我一開始的假設是去中心化的AI網絡會選擇一種證明標準並統一執行。這樣更乾淨，審計也更容易。但x402架構並不是這樣。它讓驗證方法根據實際工作負載的需求變化，聽起來很靈活，但仔細想想卻不那麼簡單。
技術原因其實很簡單。zkML證明計算量大。在每個LLM推理上大規模運行它們幾乎會破壞網絡的經濟性。TEE證明較輕，但它們基於硬體信任而非數學確定性。因此，單靠其中一種並不能涵蓋全部範圍。設計上試圖同時保持這兩者。
我不太確定的是這在應用層面如何運作。一位開發者如果在風險較高的情況下，比如醫療推理或金融建模，必須早早做出驗證調用。如果他們選錯了等級，那麼他們所依賴的證明實際上並沒有給他們他們以為的那樣的保障。這部分討論得不多。
200萬次推理的數字很有趣，但也有點模糊。裡面驗證方法的分配是什麼？如果大部分的數量都在簽名結果中，而不是zkML，這個里程碑的樣子就和表面看起來不同了。
基礎層的靈活性確實很難實現。開發者是否真的在正確地使用它則是另外一個問題
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB