溪月 Xīyuè

我曾經認爲人工智能的難點在於模型本身——堆疊參數，擠出幾個百分點的準確率。在看了多年這個領域和加密貨幣的週期後，我現在覺得這種狹隘的觀點真是愚蠢。真正的問題不是更大的模型，而是誰能夠運行、驗證和打包它們的輸出。當託管、推理和訪問都掌握在少數幾個提供者手中，智能就變成了一項你需要訂閱的服務，而不是公共資源。
這種集中化悄悄地重寫了所有權。如果少數雲端守門人控制着模型的存放位置和響應方式，我們能信任這些輸出嗎？如果你無法觀察執行過程，驗證就變得學術化。開放智能這個概念改變了問題的方向：我們如何保持模型行爲的可觀察性、可審計性和可擴展性？在這裏，基礎設施的重要性超越了原始模型的大小。
OpenGradient感覺像是對這種挫敗感的迴應。這不是一個頭條新聞；而是試圖將去中心化的託管、推理網絡和可驗證的執行結合起來，以便人工智能能夠被分配而不是被囤積。我對此持懷疑態度——去中心化有額外的負擔，激勵機制也很複雜——但我們應該爲可信的智能構建基礎設施的想法是值得共鳴的。
如果我們現在不構建這些層，誰會擁有公衆的思維？這個問題似乎值得我們認真對待，而不是草草了事。#opg $OPG @OpenGradient

去中心化始終是關於基礎設施，而不是代幣

在某個時刻，我意識到人工智能的辯論偏離了正確的問題。每個人都在問誰會構建最強大的模型。與此同時，幾乎沒有人問誰將控制這些模型運行的軌道。這種不對稱讓我每年都更加不安。

看看這一切是多麼悄無聲息地發生着。計算能力集中。託管服務集中。推理訪問變成了與服務條款掛鉤的訂閱，這些條款可能會在一夜之間改變。開源權重被大肆慶祝，而底層的基礎設施仍然牢牢集中。一個模型可以在技術上是開放的，但在功能上卻是被束縛的。我們以前見過這樣的協議，它們可以免費使用，但離開卻代價高昂。

更深層次的問題是驗證。目前，大多數使用人工智能推理的開發者沒有有效的方法來確認執行是否正確或透明。他們在信任一個由具有自身商業壓力的實體操作的黑箱。這對任何重要的事情來說都是一個脆弱的基礎。

OpenGradient ($OPG ) 是我見過的更嚴肅的嘗試之一，它在結構上而不是表面上解決這個問題。去中心化的基礎設施用於託管模型、大規模運行推理，並驗證執行確實按預期發生。驗證層尤其感覺被低估。沒有它，開放智能仍然更多是一種願望，而非現實。

我不會假裝執行風險不真實。構建可靠的大規模去中心化基礎設施確實很難。

但我一直在想同樣的事情。無法驗證的智能和無法公開信任的基礎設施，最終可能產生與完全沒有開放性相同的結果。
@OpenGradient #opg $OPG

誰擁有智能？
幾年前，有些事情讓我感到困擾。不是關於AI本身，而是關於它悄然安置的地方。模型不斷變得更聰明，基準不斷提升，每個人都在慶祝其能力。但是，在這一切之下，發生了一些乏味得多的事情。基礎設施正在快速整合。
我們花了十年時間擔心數據壟斷。現在我們正無意識地走向一種可以說更糟糕的情況：推理壟斷。少數幾家公司不僅控制着模型，還控制着它們運行的地方、輸出的生成方式，以及誰在什麼條件下獲得訪問權限。如今，大多數在AI之上構建的開發者實際上無法驗證他們的請求與收到的響應之間發生了什麼。他們只是信任它。這種信任越來越成爲強制性的，而不是自願的。
這就是OpenGradient ($OPG )引起我注意的地方。不是因爲炒作，而是因爲它所解決的問題確實被低估了。它正在構建去中心化的基礎設施，用於託管AI模型、運行推理，以及在規模上驗證執行。尤其是驗證這一部分。可驗證的AI執行聽起來很技術化，直到你意識到沒有它，“開放的AI”只是一句口號。
真正的問題是，沒有去中心化的基礎設施，智能是否能夠保持開放？我認爲不能。
也許更聰明的模型不再是瓶頸。也許信任纔是。
#opg $OPG @OpenGradient