我對OpenGradient的初步反應是懷疑。
「去中心化的AI」最近變成了一個幾乎被附加到所有東西上的詞彙，大多數時候感覺更像是定位而不是實質。
但我越深入了解，越發現自己專注於另一個問題。
隨著AI從僅僅提供答案演變為能夠代表我們採取行動的東西，信任開始成為一個更大的問題。不僅僅是輸出是否有用，而是你是否能實際驗證產出是什麼、在哪裡運行，以及這個過程是否可以獨立檢查。
今天，大多數AI系統運行在不透明的端點後面。你收到一個答案，並被期望相信一切都如所聲稱的那樣發生。
讓我對OpenGradient感興趣的是，它似乎是針對那個信任層，而不是直接作為另一個AI產品競爭。可驗證的推理、加密證明和TEE支持的執行都指向圍繞問責制設計的基礎設施。
報告的規模也很值得注意，已經處理了數百萬個可驗證的推理。這是一個不同於用戶增長或應用採用的里程碑。它暗示著首先專注於建立基礎設施。
模型中心是我仍然在思考的另一個領域。大量可用模型聽起來令人印象深刻，但長期價值取決於開發者和代理人是否實際以有意義的方式使用它們。
不過，我不斷回到的還是驗證和性能之間的平衡。歷史上，強保證往往會引入摩擦。如果OpenGradient能在不犧牲速度的情況下保持可驗證性，那可能是真正的創新所在。
我仍在努力理解大規模採用會是什麼樣子，但這個基本問題感覺越來越相關。而解決真正的問題通常是一個比追逐敘事更好的起點。
@OpenGradient #OPG $OPG
$LAB $SLX
「去中心化的AI」最近變成了一個幾乎被附加到所有東西上的詞彙，大多數時候感覺更像是定位而不是實質。
但我越深入了解，越發現自己專注於另一個問題。
隨著AI從僅僅提供答案演變為能夠代表我們採取行動的東西，信任開始成為一個更大的問題。不僅僅是輸出是否有用，而是你是否能實際驗證產出是什麼、在哪裡運行，以及這個過程是否可以獨立檢查。
今天，大多數AI系統運行在不透明的端點後面。你收到一個答案，並被期望相信一切都如所聲稱的那樣發生。
讓我對OpenGradient感興趣的是，它似乎是針對那個信任層，而不是直接作為另一個AI產品競爭。可驗證的推理、加密證明和TEE支持的執行都指向圍繞問責制設計的基礎設施。
報告的規模也很值得注意，已經處理了數百萬個可驗證的推理。這是一個不同於用戶增長或應用採用的里程碑。它暗示著首先專注於建立基礎設施。
模型中心是我仍然在思考的另一個領域。大量可用模型聽起來令人印象深刻，但長期價值取決於開發者和代理人是否實際以有意義的方式使用它們。
不過，我不斷回到的還是驗證和性能之間的平衡。歷史上，強保證往往會引入摩擦。如果OpenGradient能在不犧牲速度的情況下保持可驗證性，那可能是真正的創新所在。
我仍在努力理解大規模採用會是什麼樣子，但這個基本問題感覺越來越相關。而解決真正的問題通常是一個比追逐敘事更好的起點。
@OpenGradient #OPG $OPG
$LAB $SLX