@OpenGradient 在上週的測試會議中發生了一件小事。
一個模型產生的輸出看起來是正確的。另一個模型產生的結果則稍有不同。兩者的結果都並不明顯錯誤。問題在於當有人問了一個簡單的問題時開始出現了：

「我們能證明哪一個遵循了批准的流程嗎？」
沉默。

輸出是存在的，但推理的過程卻不在。
當我看到 OpenGradient 籌集 950 萬美元時，那一刻又浮現在腦海中。
這筆資金本身並不是有趣的部分。每個月都有很多 AI 公司在籌集資金。不同的是，投資者似乎現在願意資助的問題類型有所改變。

我聽到的對話正在改變。
六個月前，人們比較模型的質量。
今天，他們在比較責任。

誰接觸過數據？

運行之間發生了什麼變化？

外部方能否驗證工作流程？

我最近處理了一個管道，處理了大約 12,000 條記錄，經過多個階段。運行模型只需幾分鐘，但之後追蹤每一步卻花了幾個小時。
這種不平衡不斷出現。

行業花了多年時間優化生成速度。現在一些團隊發現，當 AI 開始觸及重要決策時，驗證成為瓶頸。

也許這就是為什麼像這樣的基礎設施輪得到關注的原因。
並不是因為更好的模型不再重要。

而是更多組織意識到，沒有可靠記錄的結果會帶來不同類型的風險。
而這個問題在模型變得更智能時並不會消失……

在接下來的兩年裡，什麼會成為更大的 AI 基礎設施優先事項？

#OPG $OPG