有時候我覺得AI的未來模型智力不如其他東西，更多地取決於系統在這些事物上花費的注意力。
不是每個模型都能放在快速存儲中。
也不是每個證明都可以永久保留在計算層附近。
OpenGradient的緩存設計讓我覺得很有趣。LRU和LFU不僅僅是存儲規則，它們還決定了網絡認爲哪些東西是相關的，哪些可以被移動。
最聰明的系統不是能夠記住所有東西的。
最聰明的系統是能夠記住正確事物的。
這還帶來了另一個問題。
構建者有想法，但信任和設置摩擦往往在採用之前就阻止了他們。無權限模型中心、Python SDK和可驗證推理的路徑減少了這種摩擦，使實驗不再依賴於批准。
信任無法擴展。
驗證可以。
隱私在我看來也是如此。政策可以改變，要求可以改變，但架構通常更穩定。在TEE enclave中執行的150,000多個私密推理、OHTTP路由和加密請求都是朝着這個方向的標誌。
然後像Twin.fun這樣的循環嘗試將注意力轉化爲效用，在這裏創作者、用戶和激勵在一個週期中互動。
測試網階段和採用挑戰仍然存在。
但我認爲$OPG 的最強角度不是讓AI變得更聰明，而是將AI的注意力、隱私和驗證對齊到一個系統中。
@OpenGradient
#OPG $OPG
不是每個模型都能放在快速存儲中。
也不是每個證明都可以永久保留在計算層附近。
OpenGradient的緩存設計讓我覺得很有趣。LRU和LFU不僅僅是存儲規則，它們還決定了網絡認爲哪些東西是相關的，哪些可以被移動。
最聰明的系統不是能夠記住所有東西的。
最聰明的系統是能夠記住正確事物的。
這還帶來了另一個問題。
構建者有想法，但信任和設置摩擦往往在採用之前就阻止了他們。無權限模型中心、Python SDK和可驗證推理的路徑減少了這種摩擦，使實驗不再依賴於批准。
信任無法擴展。
驗證可以。
隱私在我看來也是如此。政策可以改變，要求可以改變，但架構通常更穩定。在TEE enclave中執行的150,000多個私密推理、OHTTP路由和加密請求都是朝着這個方向的標誌。
然後像Twin.fun這樣的循環嘗試將注意力轉化爲效用，在這裏創作者、用戶和激勵在一個週期中互動。
測試網階段和採用挑戰仍然存在。
但我認爲$OPG 的最強角度不是讓AI變得更聰明，而是將AI的注意力、隱私和驗證對齊到一個系統中。
@OpenGradient
#OPG $OPG