我最關注的@OpenGradient 部分並不是AI
大多數AI項目都在談論模型。
更大的模型。
更快的模型。
更強大的模型。
OpenGradient引起我關注的原因卻不同。
基礎設施。
網絡分離了職責，而不是期望每個節點都處理所有事務。
推理節點運行模型。
完整節點驗證證明。
數據節點提供外部信息。
存儲是單獨處理的。
這種做法對我來說很有意義，因爲AI工作負載是昂貴的。讓每個參與者重複相同的計算在規模上似乎不太實際。
更讓我感興趣的是對可驗證性的關注。
在加密領域，我們習慣於驗證交易。
而在AI中，用戶通常在不知道輸出是如何產生的情況下收到結果。
隨着AI在金融、自動化和鏈上應用中的參與度增加，我認爲這個問題變得越來越重要。
並不是每個項目都需要解決這個問題。
但那些試圖解決這個問題的項目值得關注。
當然，單靠架構並不能保證成功。
採用率很重要。
開發者很重要。
現實世界的使用情況也很重要。
我見過許多技術上令人印象深刻的項目因爲無法吸引持久的社區而掙扎。
這就是爲什麼我更關注使用情況而不是炒作。
技術很有趣。
真正的問題是，當興奮感消退後，人們是否會繼續使用它。
你認爲AI基礎設施最重要的是什麼？
🔹 更好的模型
🔹 可驗證的AI
🔹 開發者採用率
🔹 去中心化基礎設施
$OPG #opg
#OPG $MUB $TSLAB
大多數AI項目都在談論模型。
更大的模型。
更快的模型。
更強大的模型。
OpenGradient引起我關注的原因卻不同。
基礎設施。
網絡分離了職責，而不是期望每個節點都處理所有事務。
推理節點運行模型。
完整節點驗證證明。
數據節點提供外部信息。
存儲是單獨處理的。
這種做法對我來說很有意義，因爲AI工作負載是昂貴的。讓每個參與者重複相同的計算在規模上似乎不太實際。
更讓我感興趣的是對可驗證性的關注。
在加密領域，我們習慣於驗證交易。
而在AI中，用戶通常在不知道輸出是如何產生的情況下收到結果。
隨着AI在金融、自動化和鏈上應用中的參與度增加，我認爲這個問題變得越來越重要。
並不是每個項目都需要解決這個問題。
但那些試圖解決這個問題的項目值得關注。
當然，單靠架構並不能保證成功。
採用率很重要。
開發者很重要。
現實世界的使用情況也很重要。
我見過許多技術上令人印象深刻的項目因爲無法吸引持久的社區而掙扎。
這就是爲什麼我更關注使用情況而不是炒作。
技術很有趣。
真正的問題是，當興奮感消退後，人們是否會繼續使用它。
你認爲AI基礎設施最重要的是什麼？
🔹 更好的模型
🔹 可驗證的AI
🔹 開發者採用率
🔹 去中心化基礎設施
$OPG #opg
#OPG $MUB $TSLAB