這周我在讀有關 AI 基礎設施的內容時，注意到了一些事情。
幾乎所有對話仍然圍繞着哪個模型更聰明。更好的基準。更大的上下文窗口。更快的響應。
一段時間裏，我以爲這就是唯一值得關注的競爭。
後來我發現了另一層，幾乎沒人討論。
構建智能是一項挑戰。構建能夠被驗證的智能，則是完全不同的事情。
如今大多數 AI 系統都在要求我們去相信結果。如果答案看起來合理，我們就接受。這樣很實用，對於很多使用場景來說也已經足夠。
但有些決策值得的並不只是“相信”。
想想線上銀行。你不會僅僅因爲應用程序顯示了一個數字，就相信你的賬戶餘額。你信任它，是因爲背後有一個可審計的系統，記錄着每一筆交易。
AI 正開始面對同樣的期待。
這也是讓我對 OpenGradient 的架構產生興趣的原因。它並沒有把每一次 AI 請求都當作區塊鏈交易來處理，而是將執行與驗證分離。模型在專門的推理節點上運行以追求速度，而證明會被獨立地完成結算。根據不同的使用場景，可信執行環境（TEE）能提供由硬件支撐的證據，證明代碼在安全環境中運行；而 ZKML 則能提供數學證明，證明某個特定模型產生了某個特定輸出。
這兩種方案都沒有絕對的“更好”。
基於信任的系統仍然更快、更簡單。驗證會引入額外複雜度，但它也能在僅憑信心不足以支撐的情況下，帶來透明性。
也許下一場 AI 競賽不會只由誰打造了最聰明的模型來決定。
它也可能由誰構建了人們能夠獨立驗證的智能來決定。
OpenAI 正在拓展智能的邊界。
OpenGradient 則提出了同樣重要的問題：智能應該如何贏得我們的信任？
@OpenGradient #OPG $OPG
幾乎所有對話仍然圍繞着哪個模型更聰明。更好的基準。更大的上下文窗口。更快的響應。
一段時間裏，我以爲這就是唯一值得關注的競爭。
後來我發現了另一層，幾乎沒人討論。
構建智能是一項挑戰。構建能夠被驗證的智能，則是完全不同的事情。
如今大多數 AI 系統都在要求我們去相信結果。如果答案看起來合理，我們就接受。這樣很實用，對於很多使用場景來說也已經足夠。
但有些決策值得的並不只是“相信”。
想想線上銀行。你不會僅僅因爲應用程序顯示了一個數字，就相信你的賬戶餘額。你信任它，是因爲背後有一個可審計的系統，記錄着每一筆交易。
AI 正開始面對同樣的期待。
這也是讓我對 OpenGradient 的架構產生興趣的原因。它並沒有把每一次 AI 請求都當作區塊鏈交易來處理，而是將執行與驗證分離。模型在專門的推理節點上運行以追求速度，而證明會被獨立地完成結算。根據不同的使用場景，可信執行環境（TEE）能提供由硬件支撐的證據，證明代碼在安全環境中運行；而 ZKML 則能提供數學證明，證明某個特定模型產生了某個特定輸出。
這兩種方案都沒有絕對的“更好”。
基於信任的系統仍然更快、更簡單。驗證會引入額外複雜度，但它也能在僅憑信心不足以支撐的情況下，帶來透明性。
也許下一場 AI 競賽不會只由誰打造了最聰明的模型來決定。
它也可能由誰構建了人們能夠獨立驗證的智能來決定。
OpenAI 正在拓展智能的邊界。
OpenGradient 則提出了同樣重要的問題：智能應該如何贏得我們的信任？
@OpenGradient #OPG $OPG