ARI ZAIM
3.5k 貼文
ARI ZAIM
達人認證BINANCE KOL
17 關注
28.1K+ 粉絲
38.2K+ 點讚數
貼文
全部
引用
直播
我一直回到 OpenGradient，因爲它給人的感覺是“以另一種方式的早期”。
不是那種喧鬧的早期——所有人都在追逐同一張圖表。
而是更安靜的那種。
那種開發者會坐在那兒，打開文檔，先於房間裏的人開始有詞彙來描述它之前，就注意到其中的某些東西。
你可以在不向任何人徵求許可的情況下託管一個模型。
你可以運行推理並驗證實際發生了什麼。
你甚至可以讓 x402 在後臺處理支付，幾乎像是應用本身幾乎不用爲此費心。
這一點一直讓我記在心裏。
因爲 SDK 讓 AI 感覺不再像是從遙遠的服務器“租來”的東西，而更像是一個鏈上應用確實能夠自我承載的能力。
也許正因爲如此，這裏纔會顯得不一樣。
不是因爲圍繞它的噪音。
而是因爲它的底層是什麼。
智能正在離開那些封閉的房間。
當它成爲開放堆棧的一部分時，令人不適的問題就不再是“誰最先做出來”。
而是“最後會被誰拒之門外”。
#OPG @OpenGradient $OPG
不是那種喧鬧的早期——所有人都在追逐同一張圖表。
而是更安靜的那種。
那種開發者會坐在那兒，打開文檔，先於房間裏的人開始有詞彙來描述它之前，就注意到其中的某些東西。
你可以在不向任何人徵求許可的情況下託管一個模型。
你可以運行推理並驗證實際發生了什麼。
你甚至可以讓 x402 在後臺處理支付，幾乎像是應用本身幾乎不用爲此費心。
這一點一直讓我記在心裏。
因爲 SDK 讓 AI 感覺不再像是從遙遠的服務器“租來”的東西，而更像是一個鏈上應用確實能夠自我承載的能力。
也許正因爲如此，這裏纔會顯得不一樣。
不是因爲圍繞它的噪音。
而是因爲它的底層是什麼。
智能正在離開那些封閉的房間。
當它成爲開放堆棧的一部分時，令人不適的問題就不再是“誰最先做出來”。
而是“最後會被誰拒之門外”。
#OPG @OpenGradient $OPG
我一直盯着 OpenGradient 裏的同一個細節。
它並不要求鏈去思考。
一開始，我想把它歸到常見的那一類：再一次嘗試把智能模型帶得離 Web3 更近。那樣會更好讀，也會更省事。但那會錯過真正重要的部分。
我看得越多，就越覺得真正的故事並不在於讓模型“可用”。
而在於讓它們的工作變得沒那麼隱形。
這對我來說是不舒服的部分。一個模型可以給出答案，答案也可以顯得乾淨、好用，甚至讓人信服。但我仍然不知道它在哪裏運行。我不知道是什麼保護了輸入。我也不知道輸出是否來自它所聲稱的那個過程。
大多數時候，我只能接受這個空白。
OpenGradient 看起來就是圍繞這個空白而構建的。
它的設計把各個部分拆開，而不是強迫一切都擠到同一個地方。GPU 節點負責計算。全節點用來覈查發生了什麼。數據節點引入外部信息。當鏈不需要承擔這些負擔時，存儲會被遷移到鏈下。
聽起來很技術，但我讀出來的是更簡單的東西。
網絡正在試圖決定：什麼應該被信任，什麼應該被驗證，以及什麼從一開始就不該被暴露。
我不認爲存在一個完美的答案。
當速度和隱私很關鍵時，TEE 執行是有意義的。當結果需要更深層的證明時，zkML 會更強。在一些更輕量的場景裏，簽名就足夠了——因爲如果要達到確定性所付出的成本太高。
這其中存在張力。
驗證太多會讓系統變得沉重。驗證太少，又會讓整套機制回到“信任”的狀態，只是用更好的包裝來呈現。OpenGradient 之所以讓我覺得有趣，是因爲它似乎並不假裝每一種用例都值得同樣類型、同樣強度的證明。
這聽起來更接近現實。
我也一直在想最近的產品方向：聊天、私有推理、智能體、圖像生成、文件、工作流。這些不只是界面。它們正在把個人上下文、機器輸出與執行過程彼此觸碰到一起。
#OPG @OpenGradient $OPG
它並不要求鏈去思考。
一開始，我想把它歸到常見的那一類：再一次嘗試把智能模型帶得離 Web3 更近。那樣會更好讀，也會更省事。但那會錯過真正重要的部分。
我看得越多，就越覺得真正的故事並不在於讓模型“可用”。
而在於讓它們的工作變得沒那麼隱形。
這對我來說是不舒服的部分。一個模型可以給出答案，答案也可以顯得乾淨、好用，甚至讓人信服。但我仍然不知道它在哪裏運行。我不知道是什麼保護了輸入。我也不知道輸出是否來自它所聲稱的那個過程。
大多數時候，我只能接受這個空白。
OpenGradient 看起來就是圍繞這個空白而構建的。
它的設計把各個部分拆開，而不是強迫一切都擠到同一個地方。GPU 節點負責計算。全節點用來覈查發生了什麼。數據節點引入外部信息。當鏈不需要承擔這些負擔時，存儲會被遷移到鏈下。
聽起來很技術，但我讀出來的是更簡單的東西。
網絡正在試圖決定：什麼應該被信任，什麼應該被驗證，以及什麼從一開始就不該被暴露。
我不認爲存在一個完美的答案。
當速度和隱私很關鍵時，TEE 執行是有意義的。當結果需要更深層的證明時，zkML 會更強。在一些更輕量的場景裏，簽名就足夠了——因爲如果要達到確定性所付出的成本太高。
這其中存在張力。
驗證太多會讓系統變得沉重。驗證太少，又會讓整套機制回到“信任”的狀態，只是用更好的包裝來呈現。OpenGradient 之所以讓我覺得有趣，是因爲它似乎並不假裝每一種用例都值得同樣類型、同樣強度的證明。
這聽起來更接近現實。
我也一直在想最近的產品方向：聊天、私有推理、智能體、圖像生成、文件、工作流。這些不只是界面。它們正在把個人上下文、機器輸出與執行過程彼此觸碰到一起。
#OPG @OpenGradient $OPG
我一直在想 OpenGradient——我竟然如此輕易地信任那些我看不見的東西。
我輸入一些內容。
模型會給出答案。
我就繼續往前。
現在這感覺已經很正常了，甚至有點過分正常。顯而易見的結論是：這就是 AI 的工作方式。遙遠的某臺服務器在做事，而我接受結果，因爲我根本沒有實際辦法去核查整個過程。
但我不確定這件事應該一直保持“正常”。
我不斷回到 OpenGradient，因爲它正好落在那種令人不安的縫隙裏。不是以一種張揚的方式。也不是讓整件事立刻顯得被徹底解決的方式。更像是把一個安靜的問題擺在桌面上。
如果 AI 不僅僅是回答呢？
如果它還能證明發生了什麼呢？
我理解爲什麼集中式系統會成爲默認選擇。它們速度快。很方便。減少摩擦。大多數人每次使用模型都不想去考慮基礎設施，而說實話，我能理解。
我也明白這會讓人感覺脆弱。
因爲一旦 AI 開始觸及金錢、決策、身份、自動化，以及那些無法簡單撤銷的系統，我就開始對“只要信任服務器”這句話不那麼安心了。
這就是 OpenGradient 對我來說變得更有意思的地方。
根據它的官方材料，這個理念不僅僅是把 AI 模型運行到另一個地方。目標是讓推理過程變得可以被檢查，由驗證來支撐，並通過證明、證言（attestations），以及圍繞問責而非沉默信任構建的網絡來實現。
我不知道這個未來會多快到來。
我也不知道一開始大多數用戶是否會在意。
我心裏有一部分認爲：便利永遠會贏，直到某件事真的出問題。還有一部分認爲：當 AI 輸出開始帶來真正的後果時，證明就不再會被當作一個技術細節，而會變得像常識一樣。
圍繞 OpenGradient 的 GitHub 工作的近期動向——包括它的幽靈倉庫、SDK，以及 TEE 網關組件——讓整件事看起來不再像文檔裏的一種假設，更像是在一步步被拼裝起來。
#OPG @OpenGradient $OPG
我輸入一些內容。
模型會給出答案。
我就繼續往前。
現在這感覺已經很正常了，甚至有點過分正常。顯而易見的結論是：這就是 AI 的工作方式。遙遠的某臺服務器在做事，而我接受結果，因爲我根本沒有實際辦法去核查整個過程。
但我不確定這件事應該一直保持“正常”。
我不斷回到 OpenGradient，因爲它正好落在那種令人不安的縫隙裏。不是以一種張揚的方式。也不是讓整件事立刻顯得被徹底解決的方式。更像是把一個安靜的問題擺在桌面上。
如果 AI 不僅僅是回答呢？
如果它還能證明發生了什麼呢？
我理解爲什麼集中式系統會成爲默認選擇。它們速度快。很方便。減少摩擦。大多數人每次使用模型都不想去考慮基礎設施，而說實話，我能理解。
我也明白這會讓人感覺脆弱。
因爲一旦 AI 開始觸及金錢、決策、身份、自動化，以及那些無法簡單撤銷的系統，我就開始對“只要信任服務器”這句話不那麼安心了。
這就是 OpenGradient 對我來說變得更有意思的地方。
根據它的官方材料，這個理念不僅僅是把 AI 模型運行到另一個地方。目標是讓推理過程變得可以被檢查，由驗證來支撐，並通過證明、證言（attestations），以及圍繞問責而非沉默信任構建的網絡來實現。
我不知道這個未來會多快到來。
我也不知道一開始大多數用戶是否會在意。
我心裏有一部分認爲：便利永遠會贏，直到某件事真的出問題。還有一部分認爲：當 AI 輸出開始帶來真正的後果時，證明就不再會被當作一個技術細節，而會變得像常識一樣。
圍繞 OpenGradient 的 GitHub 工作的近期動向——包括它的幽靈倉庫、SDK，以及 TEE 網關組件——讓整件事看起來不再像文檔裏的一種假設，更像是在一步步被拼裝起來。
#OPG @OpenGradient $OPG
這張圖剛剛說出了大多數人不願承認的事實。
MSTR 失守了一個支撐位，該支撐位維持了 830 天。
比特幣如今正徘徊在同一歷史區域附近——那裏曾標記了每一次主要熊市的底部。
如果這些關鍵水平不能儘快收復，這可能就不只是又一次回調。
這可能會成爲整個市場改寫下一章的轉折點。
MSTR 失守了一個支撐位，該支撐位維持了 830 天。
比特幣如今正徘徊在同一歷史區域附近——那裏曾標記了每一次主要熊市的底部。
如果這些關鍵水平不能儘快收復，這可能就不只是又一次回調。
這可能會成爲整個市場改寫下一章的轉折點。
真實
我總是在想 OpenGradient。這個關於 AI 和區塊鏈的對話怎麼會變成這樣，真是有點奇怪。
每個人似乎都在關注：AI 能不能接入應用、智能體，以及智能合約。
我覺得這只是容易的部分。
更難的是：當答案出現之後會發生什麼。
我一直回到一個令人不安的問題。
誰來證明工作是真實發生的？
模型可以迴應得很快。
服務器可以聲稱它執行了正確的流程。
一個系統從外表看起來也可以很順暢。
但我不認爲“順暢”就等同於“可信”，尤其是當金錢、決策或用戶數據開始依賴機器輸出的時候。
這就是爲什麼 OpenGradient 的 HACA 架構引起了我的注意。
不是因爲它聽起來很戲劇化。
而是因爲它似乎圍繞着一個大多數人會跳過的問題來構建。
AI 推理並不像是把一個代幣從一個錢包轉到另一個錢包。它更沉重、更混亂，而且很難在整個網絡中重複執行而不拖慢一切。
我不認爲每個驗證者都應該必須充當機器學習服務器。
這聽起來也不太現實。
但我也不認爲去中心化應用應該盲目接受任何 AI 端點返回的內容。
這也太危險了。
OpenGradient 看起來正好坐落在這種不安的中間地帶。
據我理解，模型工作可以通過推理節點來完成，而全節點則專注於驗證證明，而不是自己把所有事情再重新跑一遍。
這種區分很關鍵。
它讓響應保持快速，同時又留下了比“聲稱已經完成”更強的東西。
一份憑證。
我喜歡這種表述，因爲它並不假裝這種權衡會消失。
速度很重要。
用戶不會永遠等待。
但確定性也同樣重要，尤其是當 AI 開始觸及 DeFi、智能體、自動化決策，或任何能夠轉移價值的事物時。
這就是我認爲 HACA 不只是一個技術設計的原因。
它看起來像是在試圖把便利性與盲目信任分離開。
#OPG @OpenGradient $OPG
每個人似乎都在關注：AI 能不能接入應用、智能體，以及智能合約。
我覺得這只是容易的部分。
更難的是：當答案出現之後會發生什麼。
我一直回到一個令人不安的問題。
誰來證明工作是真實發生的？
模型可以迴應得很快。
服務器可以聲稱它執行了正確的流程。
一個系統從外表看起來也可以很順暢。
但我不認爲“順暢”就等同於“可信”，尤其是當金錢、決策或用戶數據開始依賴機器輸出的時候。
這就是爲什麼 OpenGradient 的 HACA 架構引起了我的注意。
不是因爲它聽起來很戲劇化。
而是因爲它似乎圍繞着一個大多數人會跳過的問題來構建。
AI 推理並不像是把一個代幣從一個錢包轉到另一個錢包。它更沉重、更混亂，而且很難在整個網絡中重複執行而不拖慢一切。
我不認爲每個驗證者都應該必須充當機器學習服務器。
這聽起來也不太現實。
但我也不認爲去中心化應用應該盲目接受任何 AI 端點返回的內容。
這也太危險了。
OpenGradient 看起來正好坐落在這種不安的中間地帶。
據我理解，模型工作可以通過推理節點來完成，而全節點則專注於驗證證明，而不是自己把所有事情再重新跑一遍。
這種區分很關鍵。
它讓響應保持快速，同時又留下了比“聲稱已經完成”更強的東西。
一份憑證。
我喜歡這種表述，因爲它並不假裝這種權衡會消失。
速度很重要。
用戶不會永遠等待。
但確定性也同樣重要，尤其是當 AI 開始觸及 DeFi、智能體、自動化決策，或任何能夠轉移價值的事物時。
這就是我認爲 HACA 不只是一個技術設計的原因。
它看起來像是在試圖把便利性與盲目信任分離開。
#OPG @OpenGradient $OPG
我一直在思考OpenGradient，這是AI中幾乎沒有人談論的部分。
不是答案。
而是答案之前的空間。
我們問了一些問題，系統回應，而我們大多數人默默地假設其間的一切都是按應有的方式進行的。正確的模型運行了。輸出是乾淨的。沒有任何東西被交換、扭曲或在幕後靜悄悄地調整過。
當AI只是幫助處理小事情時，這感覺無害。
但當這些系統越來越接近金錢、身份、代理和實際影響人們的決策時，這種感覺開始變得不同。
也許更好的模型能解決部分問題。
也許它們不能。
因為更深層的問題不僅僅是答案看起來是否正確。而是是否有任何人能證明這個答案是如何產生的。
這就是OpenGradient讓我感興趣的原因。
它不是追逐AI的閃亮部分。它坐落在那個不太華麗的層次，在那裡模型被托管，推理發生，執行需要被檢查而不是盲目信任。
一個去中心化的模型中心使得模型層不再封閉。可驗證的推理為輸出提供了一個痕跡。答案不再只是結果，而是開始成為有證據支持的東西。
我不認為大多數人還在那裡尋找。
他們仍然在根據輸出的結果來評價AI。
但隨著風險的上升，更重要的問題可能是它在輸出之前發生了什麼。
#OPG @OpenGradient $OPG
不是答案。
而是答案之前的空間。
我們問了一些問題，系統回應，而我們大多數人默默地假設其間的一切都是按應有的方式進行的。正確的模型運行了。輸出是乾淨的。沒有任何東西被交換、扭曲或在幕後靜悄悄地調整過。
當AI只是幫助處理小事情時，這感覺無害。
但當這些系統越來越接近金錢、身份、代理和實際影響人們的決策時，這種感覺開始變得不同。
也許更好的模型能解決部分問題。
也許它們不能。
因為更深層的問題不僅僅是答案看起來是否正確。而是是否有任何人能證明這個答案是如何產生的。
這就是OpenGradient讓我感興趣的原因。
它不是追逐AI的閃亮部分。它坐落在那個不太華麗的層次，在那裡模型被托管，推理發生，執行需要被檢查而不是盲目信任。
一個去中心化的模型中心使得模型層不再封閉。可驗證的推理為輸出提供了一個痕跡。答案不再只是結果，而是開始成為有證據支持的東西。
我不認為大多數人還在那裡尋找。
他們仍然在根據輸出的結果來評價AI。
但隨著風險的上升，更重要的問題可能是它在輸出之前發生了什麼。
#OPG @OpenGradient $OPG
看漲崩盤。
油價剛剛核爆40%，跌破72美元，達到近4個月以來的最低點。
這是通脹的緩解。
這是對消費者的壓力減輕。
這是市場的氧氣。
但別太舒服…
好消息正是內部人士喜歡拋售、擺脫槓桿，並重新洗牌的時候。
看漲的宏觀環境。殘酷的市場遊戲。
油價剛剛核爆40%，跌破72美元，達到近4個月以來的最低點。
這是通脹的緩解。
這是對消費者的壓力減輕。
這是市場的氧氣。
但別太舒服…
好消息正是內部人士喜歡拋售、擺脫槓桿，並重新洗牌的時候。
看漲的宏觀環境。殘酷的市場遊戲。
CLUS-0.06%
我注意到我們現在多麼輕易地接受AI輸出。
一個盒子回答，大多數人就繼續前行。
我以前總是從速度的角度看待AI基礎設施。更快的模型，更便宜的運行，更好的訪問。這似乎是顯而易見的視角。
而現在我發現自己在關注一些更安靜的東西。
證明。
OpenGradient讓我停下腳步，因爲它涉及那個讓人不安的問題。
如果真正的問題不是AI能否回答，而是我們是否能知道在答案出現之前實際發生了什麼？
我認爲大多數人還沒有關注到這一點。
他們仍然談論計算，好像這就是全部故事。我理解爲什麼。計算更容易被看到。聽起來堅固、可測量、熟悉。
但我一直在思考那些隱藏的部分。
哪個模型在運行？
它在哪裏運行？
輸入是否被更改？
數據是否被曝光？
能否在之後驗證路徑？
這就是OpenGradient開始讓我感興趣的地方。
不是因爲它承諾某種清晰的未來。它並沒有消除艱難的權衡。實際上，它讓這些權衡變得更加明顯。
一方面，AI需要速度和可用性。
另一方面，嚴肅的AI需要信任，而這並不依賴於某人說“只要相信我們”。
我現在到處都看到這種緊張關係。
受信執行環境、去中心化模型部署、驗證層、開發者工具、模型中心——這些從外部聽起來可能很冷冰冰。但在它們下面是一個非常人性化的問題。
我們想要強大的系統。
我們也想知道它們沒有悄悄背叛我們。
OpenGradient仍處於早期階段，我不會假裝答案已經完成。這樣的網絡必須通過使用、可靠性和壓力來證明自己。
但我一直回到同樣的感覺。
AI的未來可能不是由誰給出最佳答案來決定的，而是由誰能展示答案是如何產生的來決定的。
#OPG @OpenGradient $OPG
一個盒子回答，大多數人就繼續前行。
我以前總是從速度的角度看待AI基礎設施。更快的模型，更便宜的運行，更好的訪問。這似乎是顯而易見的視角。
而現在我發現自己在關注一些更安靜的東西。
證明。
OpenGradient讓我停下腳步，因爲它涉及那個讓人不安的問題。
如果真正的問題不是AI能否回答，而是我們是否能知道在答案出現之前實際發生了什麼？
我認爲大多數人還沒有關注到這一點。
他們仍然談論計算，好像這就是全部故事。我理解爲什麼。計算更容易被看到。聽起來堅固、可測量、熟悉。
但我一直在思考那些隱藏的部分。
哪個模型在運行？
它在哪裏運行？
輸入是否被更改？
數據是否被曝光？
能否在之後驗證路徑？
這就是OpenGradient開始讓我感興趣的地方。
不是因爲它承諾某種清晰的未來。它並沒有消除艱難的權衡。實際上，它讓這些權衡變得更加明顯。
一方面，AI需要速度和可用性。
另一方面，嚴肅的AI需要信任，而這並不依賴於某人說“只要相信我們”。
我現在到處都看到這種緊張關係。
受信執行環境、去中心化模型部署、驗證層、開發者工具、模型中心——這些從外部聽起來可能很冷冰冰。但在它們下面是一個非常人性化的問題。
我們想要強大的系統。
我們也想知道它們沒有悄悄背叛我們。
OpenGradient仍處於早期階段，我不會假裝答案已經完成。這樣的網絡必須通過使用、可靠性和壓力來證明自己。
但我一直回到同樣的感覺。
AI的未來可能不是由誰給出最佳答案來決定的，而是由誰能展示答案是如何產生的來決定的。
#OPG @OpenGradient $OPG
我一直在想 OpenGradient，因爲它感覺異常安靜。
並不是被忽視。
只是比我預期的要安靜。
目前大多數人似乎都專注於 AI 的可見部分。圖表。演示。界面。那些在截圖中看起來令人印象深刻的東西。
我明白爲什麼會這樣。
人們可以看到的東西更容易理解。
但我越看 OpenGradient，就越覺得真正的問題並不在於屏幕上出現的內容。它感覺更像是與其下面發生的事情相連。
這就是我的思考不斷變化的地方。
如今，很多 AI 仍然建立在我們幾乎沒有審視的信任之上。
我們相信模型按照預期運行。我們相信數據保持私密。我們相信輸出沒有被更改。我們相信系統背後的公司不會改變規則。
也許對於簡單的使用來說，這沒問題。
當 AI 僅僅是在回答隨意問題或幫助人們更快完成基本任務時，這或許就足夠了。
但我很難看到當 AI 開始涉及金錢、身份、私人信息、市場或自主決策時，這種結構如何運作。
這就是明顯結論開始感覺不完整的地方。
市場不斷在問哪個 AI 系統更聰明。
我一直在想這是否仍然是正確的問題。
在某個時刻，僅有智能並不足夠。如果機器做出決定，必須有人知道發生了什麼，在哪裏發生，以及是否可以驗證。
我認爲每個部分還沒有解決。
我也不認爲每個 AI 問題都需要與加密貨幣綁定。
但我也不認爲經過驗證的 AI 基礎設施只是另一個短暫的敘述。它更像是對一個問題的迴應，隨着 AI 從對話走向執行，這個問題變得越來越難以忽視。
這就是我不斷回到的部分。
如果 AI 成爲互聯網做出決策的一部分，那麼後端不再僅僅是背景機器。
它成爲了信任建立或失去的地方。
#OPG @OpenGradient $OPG
並不是被忽視。
只是比我預期的要安靜。
目前大多數人似乎都專注於 AI 的可見部分。圖表。演示。界面。那些在截圖中看起來令人印象深刻的東西。
我明白爲什麼會這樣。
人們可以看到的東西更容易理解。
但我越看 OpenGradient，就越覺得真正的問題並不在於屏幕上出現的內容。它感覺更像是與其下面發生的事情相連。
這就是我的思考不斷變化的地方。
如今，很多 AI 仍然建立在我們幾乎沒有審視的信任之上。
我們相信模型按照預期運行。我們相信數據保持私密。我們相信輸出沒有被更改。我們相信系統背後的公司不會改變規則。
也許對於簡單的使用來說，這沒問題。
當 AI 僅僅是在回答隨意問題或幫助人們更快完成基本任務時，這或許就足夠了。
但我很難看到當 AI 開始涉及金錢、身份、私人信息、市場或自主決策時，這種結構如何運作。
這就是明顯結論開始感覺不完整的地方。
市場不斷在問哪個 AI 系統更聰明。
我一直在想這是否仍然是正確的問題。
在某個時刻，僅有智能並不足夠。如果機器做出決定，必須有人知道發生了什麼，在哪裏發生，以及是否可以驗證。
我認爲每個部分還沒有解決。
我也不認爲每個 AI 問題都需要與加密貨幣綁定。
但我也不認爲經過驗證的 AI 基礎設施只是另一個短暫的敘述。它更像是對一個問題的迴應，隨着 AI 從對話走向執行，這個問題變得越來越難以忽視。
這就是我不斷回到的部分。
如果 AI 成爲互聯網做出決策的一部分，那麼後端不再僅僅是背景機器。
它成爲了信任建立或失去的地方。
#OPG @OpenGradient $OPG
🚨 一頭鯨魚剛剛大量做空：
• $40.6M BTC 🩸
• $30.7M ETH 🩸
• $12.5M HYPE 🩸
這位交易者在過去一個月裏賺了將近 $6M 的利潤。
巧合嗎……還是他看到了市場看不到的東西？👀
當聰明的錢下注這麼大時，大家都在關注。🍿🐋
$BTC $ETH $HYPE
• $40.6M BTC 🩸
• $30.7M ETH 🩸
• $12.5M HYPE 🩸
這位交易者在過去一個月裏賺了將近 $6M 的利潤。
巧合嗎……還是他看到了市場看不到的東西？👀
當聰明的錢下注這麼大時，大家都在關注。🍿🐋
$BTC $ETH $HYPE
我一直注意到AI基礎設施中的同一個弱點。
每個人都在談論輸出，好像答案就是產品。更快的響應。更多的模型。更乾淨的界面。更好的路由。這些都很重要，但一旦AI開始接觸到資金、訪問、風險或合同，這些東西並不能解決讓人不安的部分。
我不斷回到來源的問題上。
如果一個模型的響應改變了重要的東西，它在執行後不應該消失在黑箱中。有人應該能夠詢問是什麼運行的，在哪裏運行的，以及結果是否可以在之後進行檢查。
這就是爲什麼OpenGradient在當前測試中值得研究。4500個模型和200萬+的推斷並不是全部故事。它們只有在系統能夠將推斷轉化爲可檢查的東西時纔有用，而不會使整個過程變得緩慢或不切實際。
這個設計選擇很有趣，但並不是魔法。專用節點處理執行，而證明和認證則單獨解決。這種分離可能使驗證變得可用，或許會暴露出這個問題在大規模下真的有多難。
我認爲市場還沒有完全給出這個問題的定價。
下一層AI基礎設施可能不是通過它聽起來多聰明來判斷，而是通過它的信任有多少能夠經得起檢查。
#OPG @OpenGradient $OPG
每個人都在談論輸出，好像答案就是產品。更快的響應。更多的模型。更乾淨的界面。更好的路由。這些都很重要，但一旦AI開始接觸到資金、訪問、風險或合同，這些東西並不能解決讓人不安的部分。
我不斷回到來源的問題上。
如果一個模型的響應改變了重要的東西，它在執行後不應該消失在黑箱中。有人應該能夠詢問是什麼運行的，在哪裏運行的，以及結果是否可以在之後進行檢查。
這就是爲什麼OpenGradient在當前測試中值得研究。4500個模型和200萬+的推斷並不是全部故事。它們只有在系統能夠將推斷轉化爲可檢查的東西時纔有用，而不會使整個過程變得緩慢或不切實際。
這個設計選擇很有趣，但並不是魔法。專用節點處理執行，而證明和認證則單獨解決。這種分離可能使驗證變得可用，或許會暴露出這個問題在大規模下真的有多難。
我認爲市場還沒有完全給出這個問題的定價。
下一層AI基礎設施可能不是通過它聽起來多聰明來判斷，而是通過它的信任有多少能夠經得起檢查。
#OPG @OpenGradient $OPG
我一直在琢磨OpenGradient，原因讓我意想不到。
起初，我以爲我理解了這個故事。
又一個AI基礎設施項目。
又一個人們突然關注的名字。
又一件我可能會略過的事情。
但越看越覺得並非如此。
我開始意識到，顯而易見的故事並不是真正的故事。
顯而易見的故事是關於模型、計算、網絡和速度的。這是大家都能指着說的部分。這個解釋簡單明瞭，重複起來容易，幾分鐘後就能忽略。
但我認爲這並不是核心。
真正的問題顯得安靜得多。
當一個AI系統給出答案時，我怎麼知道幕後的事情發生了什麼？
我不是指那種拋光過的解釋。
我說的是實際的路徑。
哪個模型在運行？
提示有改變嗎？
輸出是按產生的樣子返回的嗎？
在到達用戶之前，有沒有什麼被調整過？
這個問題似乎過於簡單。
但它開始困擾你。
因爲現在大多數AI在給出證據之前仍然要求信任。我使用結果，但並沒有真正看到過程。我接受答案，即使系統中間的部分對我隱藏。
OpenGradient似乎正好坐落在這個不舒服的縫隙中。
這不僅僅是通過去中心化模型託管來讓AI可用。這也是關於可驗證的AI和無信任的推理，工作可以被檢查，而不僅僅是相信。
我能明白這爲什麼重要。
我也能理解這爲什麼困難。
AI計算並不像一個簡單的交易。你不能指望每個人都重新運行復雜模型僅僅爲了達成一個答案。速度、成本、隱私和證據之間必須有一個平衡。
這是我不斷回來的困境。
摩擦太大，沒人使用它。
證據太少，系統就成了另一個黑箱。
OpenGradient很有趣，因爲它似乎在問這個平衡應該存在於哪裏。
#OPG @OpenGradient $OPG
起初，我以爲我理解了這個故事。
又一個AI基礎設施項目。
又一個人們突然關注的名字。
又一件我可能會略過的事情。
但越看越覺得並非如此。
我開始意識到，顯而易見的故事並不是真正的故事。
顯而易見的故事是關於模型、計算、網絡和速度的。這是大家都能指着說的部分。這個解釋簡單明瞭，重複起來容易，幾分鐘後就能忽略。
但我認爲這並不是核心。
真正的問題顯得安靜得多。
當一個AI系統給出答案時，我怎麼知道幕後的事情發生了什麼？
我不是指那種拋光過的解釋。
我說的是實際的路徑。
哪個模型在運行？
提示有改變嗎？
輸出是按產生的樣子返回的嗎？
在到達用戶之前，有沒有什麼被調整過？
這個問題似乎過於簡單。
但它開始困擾你。
因爲現在大多數AI在給出證據之前仍然要求信任。我使用結果，但並沒有真正看到過程。我接受答案，即使系統中間的部分對我隱藏。
OpenGradient似乎正好坐落在這個不舒服的縫隙中。
這不僅僅是通過去中心化模型託管來讓AI可用。這也是關於可驗證的AI和無信任的推理，工作可以被檢查，而不僅僅是相信。
我能明白這爲什麼重要。
我也能理解這爲什麼困難。
AI計算並不像一個簡單的交易。你不能指望每個人都重新運行復雜模型僅僅爲了達成一個答案。速度、成本、隱私和證據之間必須有一個平衡。
這是我不斷回來的困境。
摩擦太大，沒人使用它。
證據太少，系統就成了另一個黑箱。
OpenGradient很有趣，因爲它似乎在問這個平衡應該存在於哪裏。
#OPG @OpenGradient $OPG
登入以探索更多內容