John Smith ETH
185 貼文
John Smith ETH
實盤交易
中頻交易者
29 天
129 關注
667 粉絲
169 點讚數
貼文
投資組合
全部
引用
直播
這個星期我發現自己在查看 Newton Protocol 的時候，理由完全不同。讓我停下來的並不是那張圖表。相反，是看着人們爭論：AI 是否應該被允許在沒有每一步行動都能被證明的情況下去移動資產。這個問題在我關掉頁面之後仍然縈繞着我。
我關注過不少 AI 項目，而很多項目久了之後聽起來幾乎都一樣。更快的模型、更聰明的代理、更好的自動化。Newton Protocol 吸引我，是因爲它不斷回到表面上沒那麼“刺激”，但其實更重要的東西：問責。
我越深入瞭解，越意識到這個協議並不是要我去相信“一個 AI 做出了正確的決定”。它試圖讓每一個決定都可追溯，並且在 AI 行動之前就先定義好限制。這樣的理念，感覺和僅僅追逐更自主的代理是不同的。
我目前還搞不清楚的是：人們是否會爲這種差異付出足夠的重視。大多數用戶都喜歡便利，但很少有人會花時間思考當自動化策略出錯時會發生什麼。也許透明度會變成大家真正想要的功能。也許它會一直不被看見，直到有一天它真的變得至關重要。
目前來說，正是這一點讓我反覆想起。
不在於 AI 能否更快交易。
而在於，當興奮褪去之後，究竟有沒有人會關心這些交易究竟是如何被做出來的。
#Newt @NewtonProtocol $NEWT
我關注過不少 AI 項目，而很多項目久了之後聽起來幾乎都一樣。更快的模型、更聰明的代理、更好的自動化。Newton Protocol 吸引我，是因爲它不斷回到表面上沒那麼“刺激”，但其實更重要的東西：問責。
我越深入瞭解，越意識到這個協議並不是要我去相信“一個 AI 做出了正確的決定”。它試圖讓每一個決定都可追溯，並且在 AI 行動之前就先定義好限制。這樣的理念，感覺和僅僅追逐更自主的代理是不同的。
我目前還搞不清楚的是：人們是否會爲這種差異付出足夠的重視。大多數用戶都喜歡便利，但很少有人會花時間思考當自動化策略出錯時會發生什麼。也許透明度會變成大家真正想要的功能。也許它會一直不被看見，直到有一天它真的變得至關重要。
目前來說，正是這一點讓我反覆想起。
不在於 AI 能否更快交易。
而在於，當興奮褪去之後，究竟有沒有人會關心這些交易究竟是如何被做出來的。
#Newt @NewtonProtocol $NEWT
最近，我比預期更頻繁地在想 OpenGradient。
並不是因爲什麼標題。也不是因爲有人在 X 上讓我去關注。
我只是讀着他們到底在構建什麼，有一件事一直讓我揮之不去——但那種感覺是好的。所有人都在談讓 AI 變得更快或更聰明，但 OpenGradient 似乎更專注於回答另一個問題：
"你怎麼知道 AI 說的是真的？"
這句話比我想象中更擊中了我。
也許是因爲我已經習慣了信任 AI 的輸出，而不去追問它們來自哪裏。我從來沒有真正停下來想過：這些結果是否其實能夠被驗證。
我仍不確定這種做法是否會對大多數開發者產生影響。也許他們會堅持選擇最容易、最便宜的方案。也許是我在爲某件在多年後纔會變得重要的事情過度思考。
但我就是揮不掉那種感覺：我們所有人都花了大量時間在對比不同的 AI 模型……卻幾乎沒有在討論它們能否真正證明自己做了什麼。
我一直在想，我們可能會希望自己能更早開始討論的，正是這個話題。
@OpenGradient #OPG $OPG
並不是因爲什麼標題。也不是因爲有人在 X 上讓我去關注。
我只是讀着他們到底在構建什麼，有一件事一直讓我揮之不去——但那種感覺是好的。所有人都在談讓 AI 變得更快或更聰明，但 OpenGradient 似乎更專注於回答另一個問題：
"你怎麼知道 AI 說的是真的？"
這句話比我想象中更擊中了我。
也許是因爲我已經習慣了信任 AI 的輸出，而不去追問它們來自哪裏。我從來沒有真正停下來想過：這些結果是否其實能夠被驗證。
我仍不確定這種做法是否會對大多數開發者產生影響。也許他們會堅持選擇最容易、最便宜的方案。也許是我在爲某件在多年後纔會變得重要的事情過度思考。
但我就是揮不掉那種感覺：我們所有人都花了大量時間在對比不同的 AI 模型……卻幾乎沒有在討論它們能否真正證明自己做了什麼。
我一直在想，我們可能會希望自己能更早開始討論的，正是這個話題。
@OpenGradient #OPG $OPG
最近，OpenGradient 比我預想的更頻繁地出現在我腦海深處。我差點增加我的 OPG 持倉，但我停了下來。不是因爲我擔心價格，而是因爲我意識到：我還沒有回答那個真正對我重要的問題。
我怎麼知道我正在查看的 AI 輸出，確實是按照它所聲稱的方式生成的？
我想得越多，對那些“話術”和流行詞我越不在意。真正讓我反覆回來的，是這樣的觀念：驗證是在推理的同時發生的，而不是被當作事後補救。這樣的“信任”思維方式，感覺完全不同。
我仍然不會急着進場。
我只先從小倉位開始，因爲我想觀察當人們日復一日真正使用網絡時，會發生什麼。把東西做得在演示裏看起來很漂亮是一回事；當真實需求出現時，仍能保持驗證足夠快，又是另一回事。
也許我對這個問題的重視程度超出了它應有的份量。也許只要答案來得足夠快，用戶並不在乎它是如何生成的。
我不知道。
我只知道：在我買下另一個 OPG 之前，我始終停不下來的就是這個問題。
#OPG @OpenGradient $OPG
我怎麼知道我正在查看的 AI 輸出，確實是按照它所聲稱的方式生成的？
我想得越多，對那些“話術”和流行詞我越不在意。真正讓我反覆回來的，是這樣的觀念：驗證是在推理的同時發生的，而不是被當作事後補救。這樣的“信任”思維方式，感覺完全不同。
我仍然不會急着進場。
我只先從小倉位開始，因爲我想觀察當人們日復一日真正使用網絡時，會發生什麼。把東西做得在演示裏看起來很漂亮是一回事；當真實需求出現時，仍能保持驗證足夠快，又是另一回事。
也許我對這個問題的重視程度超出了它應有的份量。也許只要答案來得足夠快，用戶並不在乎它是如何生成的。
我不知道。
我只知道：在我買下另一個 OPG 之前，我始終停不下來的就是這個問題。
#OPG @OpenGradient $OPG
最近，OpenGradient 成了那種我在關掉標籤頁之後還會一直惦記的項目。
也許是因爲我在加密領域待的時間夠久了，導致大多數敘事不再像以前那樣能擊中我。DeFi。NFT。GameFi。AI。名字在變，但節奏幾乎不變。新的故事出現，人們一窩蜂涌入，預期一路衝高，接着現實登場，開始提出一些讓人不舒服的問題。
所以當我看 OpenGradient 的時候，我並不是在尋找一個值得去相信的東西。
我在找“漏洞”。
吸引我注意的並不是 AI 這個角度本身。真正讓我停下來的是：這個項目試圖解決的，是一個比大多數人承認的更棘手的問題。把計算去中心化，說起來很動聽。可要做到同時“快、可靠、可驗證”，並且還能在經濟上保持可持續性，這完全是另一種截然不同的挑戰。
就在這裏我卡住了。
因爲這個想法對我來說是說得通的。AI 正在悄悄變成基礎設施。越來越多的決策、輸出和工作流，被推入那些大多數人從未真正看見的系統中。到底是誰在控制這些計算，這個問題顯得很關鍵。
但“重要”並不等於“會被採用”。
我見過不少項目追逐正確的方向，卻依然失敗，因爲激勵從來沒有像他們以爲的那樣對齊。
這也是爲什麼我總會被 OpenGradient 拉回去。
不是因爲激動。
不是因爲炒作。
只是好奇。
如果它能成，大概會是因爲性能、信任與激勵某種方式得以彼此強化，而不是彼此爭奪注意力。即便不成，我也不太懷疑是願景錯了。更可能是：運營層面的現實比理論更沉重。
代幣這部分也讓整件事更難讀懂。
基礎設施需要協作。代幣或許能幫上忙。但它們也會在真正的使用還沒證明自己之前，就先把投機吸引過來。我不知道見過多少次，這種失衡會把項目扭曲得面目全非。
也許這裏就是這樣。
也許不是。
說實話，問題就在那一塊
The
#OPG @OpenGradient $OPG
也許是因爲我在加密領域待的時間夠久了，導致大多數敘事不再像以前那樣能擊中我。DeFi。NFT。GameFi。AI。名字在變，但節奏幾乎不變。新的故事出現，人們一窩蜂涌入，預期一路衝高，接着現實登場，開始提出一些讓人不舒服的問題。
所以當我看 OpenGradient 的時候，我並不是在尋找一個值得去相信的東西。
我在找“漏洞”。
吸引我注意的並不是 AI 這個角度本身。真正讓我停下來的是：這個項目試圖解決的，是一個比大多數人承認的更棘手的問題。把計算去中心化，說起來很動聽。可要做到同時“快、可靠、可驗證”，並且還能在經濟上保持可持續性，這完全是另一種截然不同的挑戰。
就在這裏我卡住了。
因爲這個想法對我來說是說得通的。AI 正在悄悄變成基礎設施。越來越多的決策、輸出和工作流，被推入那些大多數人從未真正看見的系統中。到底是誰在控制這些計算，這個問題顯得很關鍵。
但“重要”並不等於“會被採用”。
我見過不少項目追逐正確的方向，卻依然失敗，因爲激勵從來沒有像他們以爲的那樣對齊。
這也是爲什麼我總會被 OpenGradient 拉回去。
不是因爲激動。
不是因爲炒作。
只是好奇。
如果它能成，大概會是因爲性能、信任與激勵某種方式得以彼此強化，而不是彼此爭奪注意力。即便不成，我也不太懷疑是願景錯了。更可能是：運營層面的現實比理論更沉重。
代幣這部分也讓整件事更難讀懂。
基礎設施需要協作。代幣或許能幫上忙。但它們也會在真正的使用還沒證明自己之前，就先把投機吸引過來。我不知道見過多少次，這種失衡會把項目扭曲得面目全非。
也許這裏就是這樣。
也許不是。
說實話，問題就在那一塊
The
#OPG @OpenGradient $OPG
我最近晚上熬夜在研究OpenGradient，有一件事不斷縈繞在我的腦海中。
剛開始，我只是隨便瀏覽了一下。
老實說，我以爲我已經知道故事了。又一個項目。又一套聲明。沒有什麼我沒見過的。
但我花的時間越多，越發現到處都是相同的模式。
並不是模型數量的問題。也不是交易數量的問題。
而是對驗證的癡迷。
每次我跟蹤一個線索，最終都會回到同一個問題：你怎麼知道AI輸出的內容確實是它所聲稱的？
這讓我停下來思考。
大多數項目似乎專注於更快地產生答案。OpenGradient感覺更像是在花精力證明這些答案本身就值得信任。
也許這只是一個小的區別。
也許不是。
我只知道，我不斷從不同的角度發現相同的想法，而在盯着足夠的數據後，那些通常是值得再看一眼的細節。顯而易見的東西總是能立即引起注意。
而比較安靜的信號往往需要更長的時間。
#OPG @OpenGradient $OPG
剛開始，我只是隨便瀏覽了一下。
老實說，我以爲我已經知道故事了。又一個項目。又一套聲明。沒有什麼我沒見過的。
但我花的時間越多，越發現到處都是相同的模式。
並不是模型數量的問題。也不是交易數量的問題。
而是對驗證的癡迷。
每次我跟蹤一個線索，最終都會回到同一個問題：你怎麼知道AI輸出的內容確實是它所聲稱的？
這讓我停下來思考。
大多數項目似乎專注於更快地產生答案。OpenGradient感覺更像是在花精力證明這些答案本身就值得信任。
也許這只是一個小的區別。
也許不是。
我只知道，我不斷從不同的角度發現相同的想法，而在盯着足夠的數據後，那些通常是值得再看一眼的細節。顯而易見的東西總是能立即引起注意。
而比較安靜的信號往往需要更長的時間。
#OPG @OpenGradient $OPG
我進入OpenGradient的時候，以爲只會花幾分鐘看看它的AI部分。
幾分鐘變成了幾個小時。
讓我感到意外的不是模型，也不是性能數據，而是一個我之前沒有認真思考過的更簡單的問題：你如何真正知道一個AI模型生成了它所聲稱的結果？
我意識到自己一直在對此掉以輕心。
大多數時候，我看一項技術時，直覺上會關注它能做什麼。更快的響應。更好的輸出。更多的能力。這一次，我發現自己被信任這個概念所困擾。
不是那種市場營銷意義上的信任，而是實踐意義上的信任。
如果一個模型在我看不見的地方運行，而我無法驗證幕後發生了什麼，那麼我就只能依賴某個人的話。隨着我對這個想法的深入思考，它顯得愈發重要。
我記得關閉了幾個標籤頁，心想，“等一下，也許這是人們跳過的部分。”
那一刻改變了我對它的看法。
我停止關注模型本身，開始關注它周圍的系統。檢查。驗證。確認實際發生了什麼的能力，而不是單純假設它發生了。
也許這並不是最明顯的關注點。
不過，有些最重要的細節往往都不是。
我還不知道這會引向哪裏。我只知道我開始研究一件事，結果卻在思考一個完全不同的問題。
老實說，這通常是我最專注的時候。
#OPG @OpenGradient $OPG ,
幾分鐘變成了幾個小時。
讓我感到意外的不是模型，也不是性能數據，而是一個我之前沒有認真思考過的更簡單的問題：你如何真正知道一個AI模型生成了它所聲稱的結果？
我意識到自己一直在對此掉以輕心。
大多數時候，我看一項技術時，直覺上會關注它能做什麼。更快的響應。更好的輸出。更多的能力。這一次，我發現自己被信任這個概念所困擾。
不是那種市場營銷意義上的信任，而是實踐意義上的信任。
如果一個模型在我看不見的地方運行，而我無法驗證幕後發生了什麼，那麼我就只能依賴某個人的話。隨着我對這個想法的深入思考，它顯得愈發重要。
我記得關閉了幾個標籤頁，心想，“等一下，也許這是人們跳過的部分。”
那一刻改變了我對它的看法。
我停止關注模型本身，開始關注它周圍的系統。檢查。驗證。確認實際發生了什麼的能力，而不是單純假設它發生了。
也許這並不是最明顯的關注點。
不過，有些最重要的細節往往都不是。
我還不知道這會引向哪裏。我只知道我開始研究一件事，結果卻在思考一個完全不同的問題。
老實說，這通常是我最專注的時候。
#OPG @OpenGradient $OPG ,
嗨
Bit Beacon
·
--
我一直在回想 OpenGradient AlphaSense 工具在 [Insert Project Name Here] 裡的實際運作方式，當你跟隨完整的請求路徑，而不僅僅是每個人展示的乾淨架構圖。
一開始，這看起來很簡單。模型運行，CID 被選擇，根據是 Vanilla、TEE 還是 ZKML，你會獲得不同層級的證明，證明計算確實按照預期進行。在理論上，這看起來很緊湊。幾乎完整。
但這不是我印象深刻的地方。
讓我反覆思考的是那兩個小函數，坐落在邊緣。第一個將代理“意圖”的東西轉換為結構化模型輸入。另一個則將原始輸出轉換成代理實際可以閱讀和採取行動的東西。
而且這些步驟與其他所有步驟相比，感覺是如此隱形。
因為模型可以完美地執行它的工作。證明仍然可以是有效的。沒有任何東西會崩潰。然而，意義可能在推理開始之前就已經稍微偏離，只因為輸入映射修剪了某些東西，重新塑形了某些東西，對於什麼重要做出了微妙的決定。
然後它又從另一端出來，並再次被清理。有時簡化。有時壓縮。有時只是……柔化到足以讓你不太看到丟失了什麼。
沒有錯誤。沒有失敗。只是漂移。
這是我無法擺脫的部分。
系統中最強的保證關於執行。模型做了什麼。它是否正確運行。是否可以被驗證。
但不舒服的空隙是所有發生在那個點之前和之後的事情。意圖轉換成輸入的過程。以及輸出轉換成可讀內容的過程。
我一直在想這是否是真正信任所在，還是我高估了這些層級相對於證明本身的重要性。
我仍然不知道哪個更脆弱：每個人忙於驗證的計算，還是意義在到達那裡之前靜靜改變的過程。
#OPG @OpenGradient $OPG ,
一開始，這看起來很簡單。模型運行，CID 被選擇，根據是 Vanilla、TEE 還是 ZKML，你會獲得不同層級的證明，證明計算確實按照預期進行。在理論上，這看起來很緊湊。幾乎完整。
但這不是我印象深刻的地方。
讓我反覆思考的是那兩個小函數，坐落在邊緣。第一個將代理“意圖”的東西轉換為結構化模型輸入。另一個則將原始輸出轉換成代理實際可以閱讀和採取行動的東西。
而且這些步驟與其他所有步驟相比，感覺是如此隱形。
因為模型可以完美地執行它的工作。證明仍然可以是有效的。沒有任何東西會崩潰。然而，意義可能在推理開始之前就已經稍微偏離，只因為輸入映射修剪了某些東西，重新塑形了某些東西，對於什麼重要做出了微妙的決定。
然後它又從另一端出來，並再次被清理。有時簡化。有時壓縮。有時只是……柔化到足以讓你不太看到丟失了什麼。
沒有錯誤。沒有失敗。只是漂移。
這是我無法擺脫的部分。
系統中最強的保證關於執行。模型做了什麼。它是否正確運行。是否可以被驗證。
但不舒服的空隙是所有發生在那個點之前和之後的事情。意圖轉換成輸入的過程。以及輸出轉換成可讀內容的過程。
我一直在想這是否是真正信任所在，還是我高估了這些層級相對於證明本身的重要性。
我仍然不知道哪個更脆弱：每個人忙於驗證的計算，還是意義在到達那裡之前靜靜改變的過程。
#OPG @OpenGradient $OPG ,
好
Bit Beacon
·
--
我總是在深夜回到OpenGradient，因爲我無法擺脫這樣的感覺：他們試圖解決一個大多數人默默接受的加密問題。在這個領域，我接觸過的幾乎所有AI產品都歸結爲同一個問題：信任別人的服務器，並希望後臺沒有奇怪的事情發生。
這以前從未讓我困擾。
但是，越是思考AI在智能合約或自主代理內做決策，我就越感到不安。一條糟糕的輸出，一條被操控的迴應，這就是一切所需。突然間，你不僅僅是在處理有缺陷的代碼——你在信任一個你無法檢查的無形系統。
讓我更深入OpenGradient的原因是他們將執行與驗證分開。專門的節點處理繁重的AI工作，然後生成可以在鏈上實際檢查的證明。沒人需要自己重新運行巨大的計算，開發者也不必爲了獲得一定的信任而被迫設置複雜的基礎設施。
我喜歡這個想法。我真的很喜歡。
不過，我心裏總有一部分在想，我是否被架構的優雅所迷惑。系統在小規模時看起來很出色是很容易的。保持計算便宜，吸引足夠的節點運營商，以及看到真實應用選擇這種方式而非集中式API，感覺像是完全不同的挑戰。
也許我低估了這個領域的快速變化。
或者也許我們仍在嘗試強行將兩個不自然契合的世界結合在一起。
我還沒搞清楚哪個是真的。
@OpenGradient #OPG $OPG
這以前從未讓我困擾。
但是，越是思考AI在智能合約或自主代理內做決策，我就越感到不安。一條糟糕的輸出，一條被操控的迴應，這就是一切所需。突然間，你不僅僅是在處理有缺陷的代碼——你在信任一個你無法檢查的無形系統。
讓我更深入OpenGradient的原因是他們將執行與驗證分開。專門的節點處理繁重的AI工作，然後生成可以在鏈上實際檢查的證明。沒人需要自己重新運行巨大的計算，開發者也不必爲了獲得一定的信任而被迫設置複雜的基礎設施。
我喜歡這個想法。我真的很喜歡。
不過，我心裏總有一部分在想，我是否被架構的優雅所迷惑。系統在小規模時看起來很出色是很容易的。保持計算便宜，吸引足夠的節點運營商，以及看到真實應用選擇這種方式而非集中式API，感覺像是完全不同的挑戰。
也許我低估了這個領域的快速變化。
或者也許我們仍在嘗試強行將兩個不自然契合的世界結合在一起。
我還沒搞清楚哪個是真的。
@OpenGradient #OPG $OPG
我第一次接觸到OpenGradient時，差點就把它忽略了。
現在回想起來，這部分讓我忍不住笑。
那晚我一直在瀏覽一個又一個的專案，過了一會兒，所有東西都開始聽起來一樣。新的點子開始混在一起。我發現自己在略讀，而不是專心注意。
然後我犯了一個錯誤，放慢了速度。
我開始更深入地閱讀，主要是因為有一個細節讓我感到困惑。我一直在問自己，為什麼會有如此多的關注放在證明AI回應來自何處上。一開始，這感覺像是一個只有少數人會關心的技術問題。
然而，隨著我越想越多，這件事越讓我困擾。
我意識到自己一直在做一個假設。我把AI的輸出當作是同樣值得信賴的，似乎答案本身是唯一重要的東西。但在現實世界中，知道某樣東西的來源往往和它本身一樣重要。
就在那一刻，有些東西點亮了。
我不再通過AI模型的視角看待這個專案，而是開始從信任的角度看待。不是情感上的信任，而是實際上的信任。那種決定了當風險真的存在時，你是否能依賴結果的信任。
我記得我靠在椅子上，盯著我的筆記看了一會兒。這不是什麼戲劇性的啟示。這比那安靜得多。
更像是意識到我一直在問錯問題。
我不再想著一個系統能變得多強大，而是開始思考，任何人如何知道輸出是否真實。
這讓我繼續閱讀。
也許一年後我會回頭看，覺得自己想太多了。這總是有可能。但我學到，值得關注的想法往往是那些讓我停下來重新考慮我甚至沒有意識到的假設。
這就是這樣的時刻。
#OPG @OpenGradient $OPG ,
現在回想起來，這部分讓我忍不住笑。
那晚我一直在瀏覽一個又一個的專案，過了一會兒，所有東西都開始聽起來一樣。新的點子開始混在一起。我發現自己在略讀，而不是專心注意。
然後我犯了一個錯誤，放慢了速度。
我開始更深入地閱讀，主要是因為有一個細節讓我感到困惑。我一直在問自己，為什麼會有如此多的關注放在證明AI回應來自何處上。一開始，這感覺像是一個只有少數人會關心的技術問題。
然而，隨著我越想越多，這件事越讓我困擾。
我意識到自己一直在做一個假設。我把AI的輸出當作是同樣值得信賴的，似乎答案本身是唯一重要的東西。但在現實世界中，知道某樣東西的來源往往和它本身一樣重要。
就在那一刻，有些東西點亮了。
我不再通過AI模型的視角看待這個專案，而是開始從信任的角度看待。不是情感上的信任，而是實際上的信任。那種決定了當風險真的存在時，你是否能依賴結果的信任。
我記得我靠在椅子上，盯著我的筆記看了一會兒。這不是什麼戲劇性的啟示。這比那安靜得多。
更像是意識到我一直在問錯問題。
我不再想著一個系統能變得多強大，而是開始思考，任何人如何知道輸出是否真實。
這讓我繼續閱讀。
也許一年後我會回頭看，覺得自己想太多了。這總是有可能。但我學到，值得關注的想法往往是那些讓我停下來重新考慮我甚至沒有意識到的假設。
這就是這樣的時刻。
#OPG @OpenGradient $OPG ,
走
John Smith ETH
·
--
我打開了OpenGradient，想着花幾分鐘快速瀏覽一下，抓住主要思路，然後就可以繼續了。沒想到，我發現自己又回去重讀了已經看過的部分。一開始我沒有領會到什麼。
然後我明白了。
我看待它的方式就像我看待大多數AI項目一樣。我的注意力集中在模型、性能和那些顯而易見的東西上。我完全忽略了看似最重要的部分。
當我開始關注驗證而不僅僅是執行時，整個事情看起來就變了。
也許這就是它讓我印象深刻的原因。我之前犯過這個錯誤。我把注意力放在某個東西的功能上，忽視了你怎麼知道它真的在執行。被輸出所分散注意力是很容易的，因爲它們就在你面前。它們背後的過程通常埋藏在某個沒人願意去讀的地方。
我花了整個晚上追蹤這個線索。
我看得越多，越意識到我其實並不關心一個AI系統是否能產生答案。很多系統可以做到這一點。我一直回頭思考的是一個更簡單的問題：我怎麼知道我可以信任幕後的發生？
這就是我無法停止思考的部分。
也許我在過度分析一個結果實際上並不重要的細節。這種情況也時有發生。但時不時會有一個小的設計決定，揭示出一個團隊真正擔心的是什麼，而這些細節往往比頭條新聞更耐看。
我合上筆記本電腦，心中有更多的問題而非答案。
#OPG @OpenGradient $OPG
然後我明白了。
我看待它的方式就像我看待大多數AI項目一樣。我的注意力集中在模型、性能和那些顯而易見的東西上。我完全忽略了看似最重要的部分。
當我開始關注驗證而不僅僅是執行時，整個事情看起來就變了。
也許這就是它讓我印象深刻的原因。我之前犯過這個錯誤。我把注意力放在某個東西的功能上，忽視了你怎麼知道它真的在執行。被輸出所分散注意力是很容易的，因爲它們就在你面前。它們背後的過程通常埋藏在某個沒人願意去讀的地方。
我花了整個晚上追蹤這個線索。
我看得越多，越意識到我其實並不關心一個AI系統是否能產生答案。很多系統可以做到這一點。我一直回頭思考的是一個更簡單的問題：我怎麼知道我可以信任幕後的發生？
這就是我無法停止思考的部分。
也許我在過度分析一個結果實際上並不重要的細節。這種情況也時有發生。但時不時會有一個小的設計決定，揭示出一個團隊真正擔心的是什麼，而這些細節往往比頭條新聞更耐看。
我合上筆記本電腦，心中有更多的問題而非答案。
#OPG @OpenGradient $OPG
我打開了OpenGradient，想着花幾分鐘快速瀏覽一下，抓住主要思路，然後就可以繼續了。沒想到，我發現自己又回去重讀了已經看過的部分。一開始我沒有領會到什麼。
然後我明白了。
我看待它的方式就像我看待大多數AI項目一樣。我的注意力集中在模型、性能和那些顯而易見的東西上。我完全忽略了看似最重要的部分。
當我開始關注驗證而不僅僅是執行時，整個事情看起來就變了。
也許這就是它讓我印象深刻的原因。我之前犯過這個錯誤。我把注意力放在某個東西的功能上，忽視了你怎麼知道它真的在執行。被輸出所分散注意力是很容易的，因爲它們就在你面前。它們背後的過程通常埋藏在某個沒人願意去讀的地方。
我花了整個晚上追蹤這個線索。
我看得越多，越意識到我其實並不關心一個AI系統是否能產生答案。很多系統可以做到這一點。我一直回頭思考的是一個更簡單的問題：我怎麼知道我可以信任幕後的發生？
這就是我無法停止思考的部分。
也許我在過度分析一個結果實際上並不重要的細節。這種情況也時有發生。但時不時會有一個小的設計決定，揭示出一個團隊真正擔心的是什麼，而這些細節往往比頭條新聞更耐看。
我合上筆記本電腦，心中有更多的問題而非答案。
#OPG @OpenGradient $OPG
然後我明白了。
我看待它的方式就像我看待大多數AI項目一樣。我的注意力集中在模型、性能和那些顯而易見的東西上。我完全忽略了看似最重要的部分。
當我開始關注驗證而不僅僅是執行時，整個事情看起來就變了。
也許這就是它讓我印象深刻的原因。我之前犯過這個錯誤。我把注意力放在某個東西的功能上，忽視了你怎麼知道它真的在執行。被輸出所分散注意力是很容易的，因爲它們就在你面前。它們背後的過程通常埋藏在某個沒人願意去讀的地方。
我花了整個晚上追蹤這個線索。
我看得越多，越意識到我其實並不關心一個AI系統是否能產生答案。很多系統可以做到這一點。我一直回頭思考的是一個更簡單的問題：我怎麼知道我可以信任幕後的發生？
這就是我無法停止思考的部分。
也許我在過度分析一個結果實際上並不重要的細節。這種情況也時有發生。但時不時會有一個小的設計決定，揭示出一個團隊真正擔心的是什麼，而這些細節往往比頭條新聞更耐看。
我合上筆記本電腦，心中有更多的問題而非答案。
#OPG @OpenGradient $OPG
我昨晚在 OpenGradient 上鑽了個兔子洞，結果花了比我預期多的時間。
一開始，我只是關注那些顯而易見的東西。模型。性能。人們通常關注的東西。
然後我發現自己不斷重複閱讀同一段落。
這完全不是關於模型的。
吸引我注意的是一個我之前沒有真正思考過的簡單問題：我怎麼知道一個 AI 的回應實際上來自它聲稱來自的模型？
聽起來幾乎太基本了。但我越是思考，越覺得這個問題煩人。
我在加密和 AI 的世界裡待了夠久，知道大多數人，包括我，有時會被輸出分散注意力。更快的結果。更好的結果。更多的結果。停在那裡真的很容易。
我意識到信任悄悄地成為了所有事情下的假設。
而假設通常是問題產生的地方。
當我意識到這一點時，我開始以不同的方式看待 OpenGradient。我不再關注生成了什麼，而是開始關注怎麼去驗證它。
也許這不是最令人興奮的角度。
但我學到的事情是，最開始看似無聊的細節往往是值得花時間去研究的。它們通常隱藏著真正的故事。
我仍然在思考這個問題，這可能是我還沒有完全弄明白我在看什麼的跡象。通常這時候，事情才會變得有趣。
#OPG @OpenGradient $OPG ,
一開始，我只是關注那些顯而易見的東西。模型。性能。人們通常關注的東西。
然後我發現自己不斷重複閱讀同一段落。
這完全不是關於模型的。
吸引我注意的是一個我之前沒有真正思考過的簡單問題：我怎麼知道一個 AI 的回應實際上來自它聲稱來自的模型？
聽起來幾乎太基本了。但我越是思考，越覺得這個問題煩人。
我在加密和 AI 的世界裡待了夠久，知道大多數人，包括我，有時會被輸出分散注意力。更快的結果。更好的結果。更多的結果。停在那裡真的很容易。
我意識到信任悄悄地成為了所有事情下的假設。
而假設通常是問題產生的地方。
當我意識到這一點時，我開始以不同的方式看待 OpenGradient。我不再關注生成了什麼，而是開始關注怎麼去驗證它。
也許這不是最令人興奮的角度。
但我學到的事情是，最開始看似無聊的細節往往是值得花時間去研究的。它們通常隱藏著真正的故事。
我仍然在思考這個問題，這可能是我還沒有完全弄明白我在看什麼的跡象。通常這時候，事情才會變得有趣。
#OPG @OpenGradient $OPG ,
我第一次看OpenGradient時做了一個糟糕的假設。
我以爲我已經知道我會發現什麼。
在加密項目周圍待的時間足夠久，我傾向於瀏覽標題，掃一眼圖表，然後快速判斷。大多數時候，這足以理解某人想要構建的東西。
這一次卻不是。
我記得那天晚上坐在我的桌子前，翻閱材料，然後又回去重新閱讀其中的部分，因爲有些地方讓我感覺不對勁。不是壞的感覺。更像是我無法將其放入我爲此準備的心理盒子裏。
讓我意識到的那一刻是令人尷尬的簡單。
我意識到我在關注輸出的同時，忽視了任何人首先如何能夠信任這個輸出。
現在聽起來很明顯。那時對我來說並不明顯。
我一直在思考，多少注意力被傾注到創造結果上。更快的響應。更好的性能。更多的能力。與此同時，我很少停下來問問之後會發生什麼。人們如何驗證實際發生了什麼？他們怎麼能確信自己看到的是真實的？
我越是沉浸在這個問題中，我的視角就越是轉變。
我停止了對錶面的觀察，開始關注其下的內容。
讓我感到驚訝的不是有答案。讓我驚訝的是我之前花在提問上的時間是多麼的少。
也許這就是爲什麼這個項目在我合上筆記本電腦後仍然在我腦海中揮之不去。
並不是因爲我找到了確定性。而是因爲我注意到了自己思維中的盲點。
這樣的時刻是稀有的。
通常，研究結束後我會覺得我確認了我已經相信的某些東西。這次感覺不同。我離開時意識到我一直關注的是畫面中錯誤的部分。
老實說，這就是我最看重的那種領悟。不是當某樣東西告訴我該怎麼想，而是當它迫使我注意到我完全沒有想到的東西。
#OPG @OpenGradient $OPG
我以爲我已經知道我會發現什麼。
在加密項目周圍待的時間足夠久，我傾向於瀏覽標題，掃一眼圖表，然後快速判斷。大多數時候，這足以理解某人想要構建的東西。
這一次卻不是。
我記得那天晚上坐在我的桌子前，翻閱材料，然後又回去重新閱讀其中的部分，因爲有些地方讓我感覺不對勁。不是壞的感覺。更像是我無法將其放入我爲此準備的心理盒子裏。
讓我意識到的那一刻是令人尷尬的簡單。
我意識到我在關注輸出的同時，忽視了任何人首先如何能夠信任這個輸出。
現在聽起來很明顯。那時對我來說並不明顯。
我一直在思考，多少注意力被傾注到創造結果上。更快的響應。更好的性能。更多的能力。與此同時，我很少停下來問問之後會發生什麼。人們如何驗證實際發生了什麼？他們怎麼能確信自己看到的是真實的？
我越是沉浸在這個問題中，我的視角就越是轉變。
我停止了對錶面的觀察，開始關注其下的內容。
讓我感到驚訝的不是有答案。讓我驚訝的是我之前花在提問上的時間是多麼的少。
也許這就是爲什麼這個項目在我合上筆記本電腦後仍然在我腦海中揮之不去。
並不是因爲我找到了確定性。而是因爲我注意到了自己思維中的盲點。
這樣的時刻是稀有的。
通常，研究結束後我會覺得我確認了我已經相信的某些東西。這次感覺不同。我離開時意識到我一直關注的是畫面中錯誤的部分。
老實說，這就是我最看重的那種領悟。不是當某樣東西告訴我該怎麼想，而是當它迫使我注意到我完全沒有想到的東西。
#OPG @OpenGradient $OPG
我進入OpenGradient的時候，以爲很快就能搞定。
這通常是我處理這些事的方式。我閱讀幾頁，查看數據，做一些筆記，然後繼續。
這次我卻一直卡住。
不是因爲它複雜，而是因爲我意識到自己看錯了方向。
我花了大部分時間關注明顯的東西。活動、增長、採納。這些是大家最先關注的點。然後在某個時候，重新閱讀同樣的部分後，我發現自己對這些已經不感興趣了。
讓我一直思考的，是一個更簡單的問題。
你怎麼知道一個AI系統真的做了它所聲稱的事情？
這很有趣，因爲我一開始並沒有尋找這個問題的答案。我專注於常規指標。但我坐着越久，越意識到我可能對這種信任掉以輕心。
我們大多數人都是這樣。
我們得到一個結果，接受它，然後繼續前行。
引起我注意的是，很多思想被投入到證明幕後發生了什麼，而不僅僅是產生另一個輸出。這種區別起初對我來說似乎並不重要。然後它成了我唯一能想到的事情。
我記得有一段時間關上了我的筆記本電腦，去泡咖啡，後來又回到這件事上，因爲這個想法一直在困擾我。
不是以壞的方式。
更像是當你意識到自己一直在問錯問題時的感覺。
我還不知道這會引向何方。這可能是我寫下這些的原因。
但時不時我會遇到一些事情，它們讓我將注意力從發生的事情轉移到事情是如何發生的。
這就是其中一個時刻。我無法擺脫它。#OPG @OpenGradient $OPG
這通常是我處理這些事的方式。我閱讀幾頁，查看數據，做一些筆記，然後繼續。
這次我卻一直卡住。
不是因爲它複雜，而是因爲我意識到自己看錯了方向。
我花了大部分時間關注明顯的東西。活動、增長、採納。這些是大家最先關注的點。然後在某個時候，重新閱讀同樣的部分後，我發現自己對這些已經不感興趣了。
讓我一直思考的，是一個更簡單的問題。
你怎麼知道一個AI系統真的做了它所聲稱的事情？
這很有趣，因爲我一開始並沒有尋找這個問題的答案。我專注於常規指標。但我坐着越久，越意識到我可能對這種信任掉以輕心。
我們大多數人都是這樣。
我們得到一個結果，接受它，然後繼續前行。
引起我注意的是，很多思想被投入到證明幕後發生了什麼，而不僅僅是產生另一個輸出。這種區別起初對我來說似乎並不重要。然後它成了我唯一能想到的事情。
我記得有一段時間關上了我的筆記本電腦，去泡咖啡，後來又回到這件事上，因爲這個想法一直在困擾我。
不是以壞的方式。
更像是當你意識到自己一直在問錯問題時的感覺。
我還不知道這會引向何方。這可能是我寫下這些的原因。
但時不時我會遇到一些事情，它們讓我將注意力從發生的事情轉移到事情是如何發生的。
這就是其中一個時刻。我無法擺脫它。#OPG @OpenGradient $OPG
不錯的文章
Bit Beacon
·
--
看漲OpenGradient是開放智能的網絡——一個去中心化的基礎設施網絡，旨在大規模託管、運行推理和驗證AI模型。
我打開儀表板時期待看到網絡效應。
結果，我發現的是重力效應。
大家都在談論協議擴展的廣泛性，但資本似乎已經做出了它自己的決定，選擇了它想要生存的地方。
大多數流動性並沒有探索生態系統。它集中在少數幾個進行重負荷的部署中，而其餘大部分幾乎沒有顯著表現。
有趣的不是某些鏈比其他鏈大。這是正常的。
有趣的是，一旦你停止關注頭條數字，而開始關注分佈，差距會變得多麼極端。
一張有二十個點的地圖看起來可以像是採用。
一份資產負債表卻可以講述一個截然不同的故事。
這正是引起我注意的地方。
擴展是容易衡量的。需求則更難。
這引出了一個更有趣的問題：擴展是否創造了需求，還是需求僅僅揭示了哪些擴展最初是必要的？
在OpenGradient的案例中，這個答案可能比增長敘事本身更重要。
#OPG @OpenGradient_ $OPG
我打開儀表板時期待看到網絡效應。
結果，我發現的是重力效應。
大家都在談論協議擴展的廣泛性，但資本似乎已經做出了它自己的決定，選擇了它想要生存的地方。
大多數流動性並沒有探索生態系統。它集中在少數幾個進行重負荷的部署中，而其餘大部分幾乎沒有顯著表現。
有趣的不是某些鏈比其他鏈大。這是正常的。
有趣的是，一旦你停止關注頭條數字，而開始關注分佈，差距會變得多麼極端。
一張有二十個點的地圖看起來可以像是採用。
一份資產負債表卻可以講述一個截然不同的故事。
這正是引起我注意的地方。
擴展是容易衡量的。需求則更難。
這引出了一個更有趣的問題：擴展是否創造了需求，還是需求僅僅揭示了哪些擴展最初是必要的？
在OpenGradient的案例中，這個答案可能比增長敘事本身更重要。
#OPG @OpenGradient_ $OPG
我進入OpenGradient時以爲十分鐘就能搞明白。
我做過很多次這種事，通常知道自己在找什麼。打開幾頁，瀏覽文檔，檢查數據，然後繼續。大多數項目很快就能顯露出本質。
但這個項目沒有。
有趣的是，我的第一印象可能是錯誤的。我一直試圖將其歸入一個我腦海中能理解的類別，每當我覺得自己明白時，總有些不對勁。我發現自己在同晚重新翻看同樣的筆記，因爲我無法擺脫錯過什麼的感覺。
讓我印象深刻的不是某個功能或統計數據。
而是一個問題。
我怎麼知道一個AI系統真的做到了它所說的？
我意識到我花了多年關注輸出。答案好嗎？速度快嗎？有效嗎？
我並沒有花太多時間考慮其背後的過程。
正是在那個時刻，我的視角發生了變化。
我越是閱讀，對模型本身的興趣就越少。我開始關注驗證、問責，以及是否有辦法獨立檢查所發生的事情，而不僅僅是依賴信任。
也許這不是最令人興奮的關注點。
這絕對不是大多數人首先注意到的事情。
但我學到的，最初覺得無聊的細節往往是後來最重要的。
那晚我合上筆記本電腦時，心中充滿了問題，而不是答案，這種情況老實說現在並不常見。
而每當這種情況發生時，我通常會留意。
#OPG @OpenGradient $OPG
我做過很多次這種事，通常知道自己在找什麼。打開幾頁，瀏覽文檔，檢查數據，然後繼續。大多數項目很快就能顯露出本質。
但這個項目沒有。
有趣的是，我的第一印象可能是錯誤的。我一直試圖將其歸入一個我腦海中能理解的類別，每當我覺得自己明白時，總有些不對勁。我發現自己在同晚重新翻看同樣的筆記，因爲我無法擺脫錯過什麼的感覺。
讓我印象深刻的不是某個功能或統計數據。
而是一個問題。
我怎麼知道一個AI系統真的做到了它所說的？
我意識到我花了多年關注輸出。答案好嗎？速度快嗎？有效嗎？
我並沒有花太多時間考慮其背後的過程。
正是在那個時刻，我的視角發生了變化。
我越是閱讀，對模型本身的興趣就越少。我開始關注驗證、問責，以及是否有辦法獨立檢查所發生的事情，而不僅僅是依賴信任。
也許這不是最令人興奮的關注點。
這絕對不是大多數人首先注意到的事情。
但我學到的，最初覺得無聊的細節往往是後來最重要的。
那晚我合上筆記本電腦時，心中充滿了問題，而不是答案，這種情況老實說現在並不常見。
而每當這種情況發生時，我通常會留意。
#OPG @OpenGradient $OPG
登入以探索更多內容