Waseem Ahmad mir
5.1k 貼文
Waseem Ahmad mir
達人認證+Binance square Content Creator | Binance KOL | Trader | BNB Holder | Web3 Marketer | Blockchain Enthusiast | Influencer | X-@Meerwaseem2311
Traders League Badge Expert
高頻交易者
1.8 年
207 關注
36.8K+ 粉絲
110.9K+ 點讚數
1 徽章
貼文
全部
引用
影片
直播
置頂
我沒想到，文檔裏的一句話竟然改變了我看待整個圖表的方式。
那句話是：關鍵路徑上不存在鏈下服務器。
我先讀到這一點，然後又回到工作流程裏，從頭再按一遍。
第二次的感覺不一樣。
我發現自己是從頭開始跟着工作流程走，而不是提前跳過。結果證明，這樣我理解得更多。
這是我喜歡技術文檔的地方。
有時候，一個小細節會讓你回去再讀同一頁，而第二次閱讀通常比第一次更有用。
這就是我在 Newton Protocol 上的經歷。
我並沒有在關閉頁面時想着某個功能。
我關閉頁面時想的是：爲什麼要把工作流程這樣安排。
對我來說，這通常意味着文檔在解釋設計的原因，而不只是對其進行描述。
@NewtonProtocol
$NEWT
#Newt
那句話是：關鍵路徑上不存在鏈下服務器。
我先讀到這一點，然後又回到工作流程裏，從頭再按一遍。
第二次的感覺不一樣。
我發現自己是從頭開始跟着工作流程走，而不是提前跳過。結果證明，這樣我理解得更多。
這是我喜歡技術文檔的地方。
有時候，一個小細節會讓你回去再讀同一頁，而第二次閱讀通常比第一次更有用。
這就是我在 Newton Protocol 上的經歷。
我並沒有在關閉頁面時想着某個功能。
我關閉頁面時想的是：爲什麼要把工作流程這樣安排。
對我來說，這通常意味着文檔在解釋設計的原因，而不只是對其進行描述。
@NewtonProtocol
$NEWT
#Newt
置頂
10K 強大的關注者！謝謝你，幣安家族！🎉
謝謝😊每一個支持❤️我的人。今天對我來說是非常快樂的一天💓
這真是一段旅程！在幣安達到10,000個關注者不僅是一個里程碑——它是我們對市場的信任、支持和熱情的證明。從我們的第一次交易到現在，每一個信號、策略和課程都是朝着這一成就邁出的一步。
交易不僅僅關乎數字——它關乎心態、策略和採取經過深思熟慮的風險。我們經歷了市場的波動、波動性和不確定性，但我們一起征服了每一個挑戰。這段旅程像過山車一樣，但每一次下跌只讓我們變得更強。#BTCvsETH @Binance Academy
謝謝😊每一個支持❤️我的人。今天對我來說是非常快樂的一天💓
這真是一段旅程！在幣安達到10,000個關注者不僅是一個里程碑——它是我們對市場的信任、支持和熱情的證明。從我們的第一次交易到現在，每一個信號、策略和課程都是朝着這一成就邁出的一步。
交易不僅僅關乎數字——它關乎心態、策略和採取經過深思熟慮的風險。我們經歷了市場的波動、波動性和不確定性，但我們一起征服了每一個挑戰。這段旅程像過山車一樣，但每一次下跌只讓我們變得更強。#BTCvsETH @Binance Academy
我每次閱讀技術文檔時都會做的一件事，就是去尋找系統作出決策的那一點。
在 Newton Protocol 中，當我讀到付款流程時，我找到了答案。
轉賬並不是起點。任何事情開始向前推進之前，都會先進行策略校驗，並且一次證明會成爲流程的一部分。我發現自己又回過頭去看那張圖，因爲我想弄明白：這些步驟爲什麼在付款之前發生，而不是在付款之後。
這讓我想到一個很簡單的問題。
付款並不總是僅僅爲了轉移資產。
有時候，更有意思的問題在於：在這筆轉賬發生之前，所需的條件是否已經被檢查過。
從 Newton 的架構來看，我得到的就是這種印象。這個工作流花時間展示通往付款的路徑，而不是隻關注付款本身。
我喜歡用這種方式來解釋系統的文檔。
第一次閱讀時，我不會理解所有細節。
第二次閱讀時，我通常會注意到自己第一次遺漏了什麼。
這裏正是如此。
@NewtonProtocol
$NEWT
#Newt
在 Newton Protocol 中，當我讀到付款流程時，我找到了答案。
轉賬並不是起點。任何事情開始向前推進之前，都會先進行策略校驗，並且一次證明會成爲流程的一部分。我發現自己又回過頭去看那張圖，因爲我想弄明白：這些步驟爲什麼在付款之前發生，而不是在付款之後。
這讓我想到一個很簡單的問題。
付款並不總是僅僅爲了轉移資產。
有時候，更有意思的問題在於：在這筆轉賬發生之前，所需的條件是否已經被檢查過。
從 Newton 的架構來看，我得到的就是這種印象。這個工作流花時間展示通往付款的路徑，而不是隻關注付款本身。
我喜歡用這種方式來解釋系統的文檔。
第一次閱讀時，我不會理解所有細節。
第二次閱讀時，我通常會注意到自己第一次遺漏了什麼。
這裏正是如此。
@NewtonProtocol
$NEWT
#Newt
我差點忽略了牛頓協議文檔的這一部分。
我本來在找別的東西，結果不小心打開了支付流程。
第一次看的時候，我並沒有從中理解到太多。
後來我又回去，按步驟一步一步地跟着走。那是個更好的主意。
轉賬並不是流程開始的地方。首先會有請求，然後會對策略進行評估，接着會返回一份證明（attestation），而只有在那之後，支付纔會繼續。
我也不知道爲什麼，但看到這種把順序寫出來的方式，讓它更容易在我腦海裏留下印象。
我還喜歡這張圖沒有試圖把所有內容都硬擠到同一個框裏。每個部分都有自己對應的位置，所以不用在段落之間來回跳着看，就更容易跟隨。
我大概花在看那些箭頭上的時間，比讀它們旁邊的文字還多。
這情況並不常見。
當文檔讓我放慢腳步、而不是更快地往下滑時，我通常會更好地理解它。
這次也是這樣。
@NewtonProtocol
$NEWT
#Newt
我本來在找別的東西，結果不小心打開了支付流程。
第一次看的時候，我並沒有從中理解到太多。
後來我又回去，按步驟一步一步地跟着走。那是個更好的主意。
轉賬並不是流程開始的地方。首先會有請求，然後會對策略進行評估，接着會返回一份證明（attestation），而只有在那之後，支付纔會繼續。
我也不知道爲什麼，但看到這種把順序寫出來的方式，讓它更容易在我腦海裏留下印象。
我還喜歡這張圖沒有試圖把所有內容都硬擠到同一個框裏。每個部分都有自己對應的位置，所以不用在段落之間來回跳着看，就更容易跟隨。
我大概花在看那些箭頭上的時間，比讀它們旁邊的文字還多。
這情況並不常見。
當文檔讓我放慢腳步、而不是更快地往下滑時，我通常會更好地理解它。
這次也是這樣。
@NewtonProtocol
$NEWT
#Newt
今天我又回到 Newton Protocol 的支付工作流裏，因爲我覺得上次我似乎漏掉了什麼。
事實證明，我確實漏掉了。
我有在關注轉賬本身，但更有意思的是轉賬發生之前的所有內容。
請求並不會立刻變成一次支付。那之前有一段流程。會先評估策略，返回一份證明（attestation），然後支付合約纔會決定這筆轉賬是否應該繼續。
我也說不清爲什麼，但這種順序讓我更容易理解整張圖。
同時我也意識到，這個工作流並不是真的在講如何把資金從一個地址轉移到另一個地址。它講的是：這個協議是如何走到那一步的。
我很喜歡用這種方式來解釋的文檔。
當我能用自己的眼睛一步步跟着走，我就會更少時間去揣摩那些技術術語，更多時間去理解爲什麼要這樣設計這個流程。
也許正因爲如此，我總是在架構頁面之間停留，而不是直接跳到功能列表。
功能告訴我一個協議能做什麼。
工作流通常告訴我它試圖如何去做到。
這就是爲什麼我在閱讀 Newton Protocol 的文檔時，會比我原本預期的更久。
@NewtonProtocol
$NEWT
#Newt
事實證明，我確實漏掉了。
我有在關注轉賬本身，但更有意思的是轉賬發生之前的所有內容。
請求並不會立刻變成一次支付。那之前有一段流程。會先評估策略，返回一份證明（attestation），然後支付合約纔會決定這筆轉賬是否應該繼續。
我也說不清爲什麼，但這種順序讓我更容易理解整張圖。
同時我也意識到，這個工作流並不是真的在講如何把資金從一個地址轉移到另一個地址。它講的是：這個協議是如何走到那一步的。
我很喜歡用這種方式來解釋的文檔。
當我能用自己的眼睛一步步跟着走，我就會更少時間去揣摩那些技術術語，更多時間去理解爲什麼要這樣設計這個流程。
也許正因爲如此，我總是在架構頁面之間停留，而不是直接跳到功能列表。
功能告訴我一個協議能做什麼。
工作流通常告訴我它試圖如何去做到。
這就是爲什麼我在閱讀 Newton Protocol 的文檔時，會比我原本預期的更久。
@NewtonProtocol
$NEWT
#Newt
我通常不太會花時間去看付款流程圖，但牛頓協議（Newton Protocol）這張讓我多看了幾分鐘。
我注意到的並不是交易本身。我發現付款完成之前有一個額外的驗證步驟，而我覺得這是一個很有趣的設計選擇。如果未滿足所需的政策（policy），交易就不會繼續。
我喜歡看到這些過程被具體畫出來，而不只是讀到一句話的描述。
這張圖也顯示，在付款流程中間沒有什麼離線伺服器（off-chain server）坐在那裡。所有重要的事情都圍繞著合約（contract）、政策評估（policy evaluation）以及最終產生的憑證（attestation）發生。
對我來說，像這樣的流程圖能讓技術概念更容易理解。你不必閱讀冗長的說明，而是可以看到每一步如何接續到下一步，以及為什麼這些步驟一開始就存在。
我認為，做得很好的地方是：@NewtonProtocol has 在它的文件中把這點呈現得不錯。它沒有只列出功能，而是花時間展示協議中不同部分是如何彼此互動的。
我仍在逐步閱讀這些內容，但這種技術導覽（walkthrough）通常就是我花最多時間的頁面。它們告訴我的關於一個協議是如何被設計出來的資訊，比任何行銷標題都要多。
$NEWT #NewtonProtocol #newt $NEWT
我注意到的並不是交易本身。我發現付款完成之前有一個額外的驗證步驟，而我覺得這是一個很有趣的設計選擇。如果未滿足所需的政策（policy），交易就不會繼續。
我喜歡看到這些過程被具體畫出來，而不只是讀到一句話的描述。
這張圖也顯示，在付款流程中間沒有什麼離線伺服器（off-chain server）坐在那裡。所有重要的事情都圍繞著合約（contract）、政策評估（policy evaluation）以及最終產生的憑證（attestation）發生。
對我來說，像這樣的流程圖能讓技術概念更容易理解。你不必閱讀冗長的說明，而是可以看到每一步如何接續到下一步，以及為什麼這些步驟一開始就存在。
我認為，做得很好的地方是：@NewtonProtocol has 在它的文件中把這點呈現得不錯。它沒有只列出功能，而是花時間展示協議中不同部分是如何彼此互動的。
我仍在逐步閱讀這些內容，但這種技術導覽（walkthrough）通常就是我花最多時間的頁面。它們告訴我的關於一個協議是如何被設計出來的資訊，比任何行銷標題都要多。
$NEWT #NewtonProtocol #newt $NEWT
我以前以為，AI 基礎設施主要就是多一些 GPU。
在閱讀 OpenGradient 的文件後，我才發現事情比那更複雜。
執行一個 AI 模型只是流程的一部分。
必須有人把這個模型提供給開發者。必須有人提供一種方式來支付推論費用。必須有人驗證計算是否如預期發生。而所有這些部分都需要協同運作，同時避免讓網路變得不必要地慢。
也許因此，我一直反覆回到架構本身，而不是那些標題。
白皮書並沒有把 @OpenGradient 描述成單一的 AI 應用程式。它描述的是一個網路，其中不同元件各自承擔不同的責任，從模型託管與推論，到驗證與結算。
我想，這個細節很容易被忽略。
我們大多只會接觸到 AI 模型的最終回覆，很少去思考：正是哪些系統，才讓那個回覆成為可能。
我讀到像 OpenGradient 這樣的專案越多，就越能理解——使用者在第一次輸入提示詞之前，那些工程層面的決策。
這些決策不像新的模型發佈那樣顯眼。
但它們正是原因：讓開發者能夠在網路之上放心地建立應用。
這也是我最近開始更感興趣的 AI 那一面。
$OPG #OPG #OPG
在閱讀 OpenGradient 的文件後，我才發現事情比那更複雜。
執行一個 AI 模型只是流程的一部分。
必須有人把這個模型提供給開發者。必須有人提供一種方式來支付推論費用。必須有人驗證計算是否如預期發生。而所有這些部分都需要協同運作，同時避免讓網路變得不必要地慢。
也許因此，我一直反覆回到架構本身，而不是那些標題。
白皮書並沒有把 @OpenGradient 描述成單一的 AI 應用程式。它描述的是一個網路，其中不同元件各自承擔不同的責任，從模型託管與推論，到驗證與結算。
我想，這個細節很容易被忽略。
我們大多只會接觸到 AI 模型的最終回覆，很少去思考：正是哪些系統，才讓那個回覆成為可能。
我讀到像 OpenGradient 這樣的專案越多，就越能理解——使用者在第一次輸入提示詞之前，那些工程層面的決策。
這些決策不像新的模型發佈那樣顯眼。
但它們正是原因：讓開發者能夠在網路之上放心地建立應用。
這也是我最近開始更感興趣的 AI 那一面。
$OPG #OPG #OPG
真實
我又一次翻閱那份 @OpenGradient 的白皮書，關上之後，有一個細節仍然留在我腦中。
網路並不試圖讓每一個驗證者都去執行每一項 AI 計算。
一開始，我並沒有特別在意。
後來我想起，AI 工作負載和一般區塊鏈交易是多麼不同。代幣轉帳所需時間很短，跟執行一個 AI 模型相比差得很遠。如果把這兩件事用完全相同的方式處理，就會產生大量不必要的額外負擔。
因此，我覺得 OpenGradient 的混合式 AI 計算架構很有意思。它不是強迫每個節點都重複相同的推論，而是把執行與驗證分開：推論由專門的運算節點負責，之後再透過網路進行驗證。
我喜歡這點，因為它先從一個實際問題出發，而不是從行銷話題切入。
在去中心化網路上，AI 真的需要什麼才能運作得好？
有時答案並不是讓所有事情都發生在同一個地方。有時答案是把網路的不同部分分配不同的工作。
想得越久，我就越能理解那個想法。
也許這就是為什麼基礎設施類的專案需要更長時間才被大家真正看見、理解。
你第一次閱讀它們的相關內容時，往往不會注意到。
當你開始追問：它們為什麼一開始就要那樣設計？你才會注意到。
這就是我在花時間閱讀 OpenGradient 文件後得到的收穫。那不是另一場關於 AI 模型的討論，而是一場討論：如何圍繞 AI 實際運作的方式來打造一個網路。
$OPG #OPG #OPG
網路並不試圖讓每一個驗證者都去執行每一項 AI 計算。
一開始，我並沒有特別在意。
後來我想起，AI 工作負載和一般區塊鏈交易是多麼不同。代幣轉帳所需時間很短，跟執行一個 AI 模型相比差得很遠。如果把這兩件事用完全相同的方式處理，就會產生大量不必要的額外負擔。
因此，我覺得 OpenGradient 的混合式 AI 計算架構很有意思。它不是強迫每個節點都重複相同的推論，而是把執行與驗證分開：推論由專門的運算節點負責，之後再透過網路進行驗證。
我喜歡這點，因為它先從一個實際問題出發，而不是從行銷話題切入。
在去中心化網路上，AI 真的需要什麼才能運作得好？
有時答案並不是讓所有事情都發生在同一個地方。有時答案是把網路的不同部分分配不同的工作。
想得越久，我就越能理解那個想法。
也許這就是為什麼基礎設施類的專案需要更長時間才被大家真正看見、理解。
你第一次閱讀它們的相關內容時，往往不會注意到。
當你開始追問：它們為什麼一開始就要那樣設計？你才會注意到。
這就是我在花時間閱讀 OpenGradient 文件後得到的收穫。那不是另一場關於 AI 模型的討論，而是一場討論：如何圍繞 AI 實際運作的方式來打造一個網路。
$OPG #OPG #OPG
有什麼改變了我閱讀專案文件的方式。
以前我會直接跳到路線圖，看看接下來會有什麼。現在我花更多時間去看已經存在的內容。
使用 OpenGradient 之後，我發現自己在看任何其他內容之前，先閱讀像是 Model Hub、SDK，以及網路架構這類資訊。這讓我想到，真正會在這個網路之上進行建置的人是哪些人。
一位開發者不只需要一個 AI 模型。有模型是一回事。能夠有效使用它的工具則是另一回事。這些細節也許不是大多數人最先注意到的，但它們正是開發者每天都在使用的東西。
這也可能就是為什麼，隨著時間推移，基礎建設類的專案對我來說變得更有趣。它們不一定會有最喧鬧的宣傳，但通常都是在嘗試解決一旦人們開始建置就會出現的實際問題。
閱讀 @OpenGradient 這份文件時，我得到了這樣的印象。它並沒有把 AI 當成單一產品來看，而是針對圍繞它所需要的不同部分進行剖析。
我很好奇，當這個網路持續成長時，開發者將如何運用這些建置積木。
$OPG #OPG #OPG
以前我會直接跳到路線圖，看看接下來會有什麼。現在我花更多時間去看已經存在的內容。
使用 OpenGradient 之後，我發現自己在看任何其他內容之前，先閱讀像是 Model Hub、SDK，以及網路架構這類資訊。這讓我想到，真正會在這個網路之上進行建置的人是哪些人。
一位開發者不只需要一個 AI 模型。有模型是一回事。能夠有效使用它的工具則是另一回事。這些細節也許不是大多數人最先注意到的，但它們正是開發者每天都在使用的東西。
這也可能就是為什麼，隨著時間推移，基礎建設類的專案對我來說變得更有趣。它們不一定會有最喧鬧的宣傳，但通常都是在嘗試解決一旦人們開始建置就會出現的實際問題。
閱讀 @OpenGradient 這份文件時，我得到了這樣的印象。它並沒有把 AI 當成單一產品來看，而是針對圍繞它所需要的不同部分進行剖析。
我很好奇，當這個網路持續成長時，開發者將如何運用這些建置積木。
$OPG #OPG #OPG
真實
我有一個習慣：在查看價格走勢圖之前，先打開文件。
我並不是因為它能告訴我某個代幣接下來會往哪裡走，而是因為它通常會告訴我：這個專案正在嘗試建構什麼。
在閱讀 OpenGradient 的資料時，我注意到一件在 AI 討論裡不算常見的事。大家的關注多半放在模型與基準測試上，但同時也有人把重點放在提供給開發者使用這些模型的工具。SDK、Model Hub，以及底層網路，都是這幅圖景的一部分。
這讓我想到：有用的技術不只關乎終端使用者看得到的東西。總有人得把其他開發者依賴的工具建出來。這些部分通常不會成為頭條，但往往正是它們，讓一個生態系能夠在一段時間後持續成長。
我想，這也是為什麼我總會回頭關注基礎設施類的專案。它們不一定是最容易解釋的，而且不一定能像面向消費者的產品那樣獲得同樣的注意，但它們會解決開發者每天都會遇到的問題。
閱讀 @OpenGradient 後，我更強烈地有了這種印象。對我來說，吸引人的並不是某一個特定的模型，而是看見不同的部分如何彼此拼接、相互配合。
我對接下來想要追蹤的正是這一點：隨著專案持續發展，它們會怎樣演進。
$OPG #OPG #opg
我並不是因為它能告訴我某個代幣接下來會往哪裡走，而是因為它通常會告訴我：這個專案正在嘗試建構什麼。
在閱讀 OpenGradient 的資料時，我注意到一件在 AI 討論裡不算常見的事。大家的關注多半放在模型與基準測試上，但同時也有人把重點放在提供給開發者使用這些模型的工具。SDK、Model Hub，以及底層網路，都是這幅圖景的一部分。
這讓我想到：有用的技術不只關乎終端使用者看得到的東西。總有人得把其他開發者依賴的工具建出來。這些部分通常不會成為頭條，但往往正是它們，讓一個生態系能夠在一段時間後持續成長。
我想，這也是為什麼我總會回頭關注基礎設施類的專案。它們不一定是最容易解釋的，而且不一定能像面向消費者的產品那樣獲得同樣的注意，但它們會解決開發者每天都會遇到的問題。
閱讀 @OpenGradient 後，我更強烈地有了這種印象。對我來說，吸引人的並不是某一個特定的模型，而是看見不同的部分如何彼此拼接、相互配合。
我對接下來想要追蹤的正是這一點：隨著專案持續發展，它們會怎樣演進。
$OPG #OPG #opg
📚 Documentation
100%
🛠️ Developer Tools
0%
🤖 AI Models
0%
🌐 Infrastructure
0%
1 票 • 投票已結束
真實
今天我在瀏覽 OpenGradient 的代幣頁面時，不自覺把更多時間花在歸屬（vesting）時間表上，而不是供給數字。
總供給很容易記住。
但要理解那些代幣是如何釋放的，則需要花更一點時間。
其實我反而比較喜歡這樣。
每當我查看一個新專案時，我喜歡看它的架構是怎麼設計的，而不只是只看標題式的數字。對我來說，這比單純的供給數字能多提供一些脈絡。
我也注意到，OPG 並不是被呈現成「放在網路旁邊的一個代幣」。相反，它被描述為網路運作方式的一部分——無論是治理（governance）、質押（staking）、模型託管，還是支付可驗證的 AI 推論（verifiable AI inference）。
這讓我閱讀代幣頁面的方式變得不同。
我不再只是問：『有多少代幣？』
我最後會變成問：『當網路成長後，這個代幣預計要用來做什麼？』
這兩個問題完全不一樣。
那些數字很重要，但我也覺得，理解這些數字背後的目的同樣值得。
我一直在嘗試，在形成對某個專案的看法之前，先多花時間閱讀文件。而這次就是其中一個例子——放慢腳步，可能才是正確的選擇。
$OPG #OPG @OpenGradient
#OPG
總供給很容易記住。
但要理解那些代幣是如何釋放的，則需要花更一點時間。
其實我反而比較喜歡這樣。
每當我查看一個新專案時，我喜歡看它的架構是怎麼設計的，而不只是只看標題式的數字。對我來說，這比單純的供給數字能多提供一些脈絡。
我也注意到，OPG 並不是被呈現成「放在網路旁邊的一個代幣」。相反，它被描述為網路運作方式的一部分——無論是治理（governance）、質押（staking）、模型託管，還是支付可驗證的 AI 推論（verifiable AI inference）。
這讓我閱讀代幣頁面的方式變得不同。
我不再只是問：『有多少代幣？』
我最後會變成問：『當網路成長後，這個代幣預計要用來做什麼？』
這兩個問題完全不一樣。
那些數字很重要，但我也覺得，理解這些數字背後的目的同樣值得。
我一直在嘗試，在形成對某個專案的看法之前，先多花時間閱讀文件。而這次就是其中一個例子——放慢腳步，可能才是正確的選擇。
$OPG #OPG @OpenGradient
#OPG
🔒 Vesting Schedule
0%
⚙️ Token Utility
0%
💰 Total Supply
0%
📖 Documentation
0%
0 票 • 投票已結束
第一次我開始閱讀@OpenGradient 的時候，我以為這只是一個專注於AI模型的項目。
在花了更多時間研究這些資料之後，我意識到我看錯了方向。
吸引我注意的不是模型本身，而是圍繞模型所投入的巨大努力。
大多數人使用AI時，只看到最終結果。螢幕上出現一個回應，故事就到此結束。
但當你深入挖掘時，發現這之前發生了很多事情。
模型需要一個生存的地方。
開發者需要工具來與之互動。
網絡需要處理計算的方式。
必須有人確保所有東西能夠協同運作。
這大概就是為什麼在閱讀OpenGradient的架構時，模型中心和開發者工具特別引起了我的注意。
這讓我想起了加密貨幣早期的日子，當時每個人都在談論代幣，但很少有人注意到底層基礎設施的建設。
幾年後，許多這些基礎設施項目成為了生態系統中最重要的部分。
也許AI會遵循類似的路徑。
應用會獲得最多的關注，但基礎卻是讓這些應用最初成為可能的原因。
這也是我最近花時間更多了解OpenGradient的原因之一。
$OPG #OPG
#OPG
在花了更多時間研究這些資料之後，我意識到我看錯了方向。
吸引我注意的不是模型本身，而是圍繞模型所投入的巨大努力。
大多數人使用AI時，只看到最終結果。螢幕上出現一個回應，故事就到此結束。
但當你深入挖掘時，發現這之前發生了很多事情。
模型需要一個生存的地方。
開發者需要工具來與之互動。
網絡需要處理計算的方式。
必須有人確保所有東西能夠協同運作。
這大概就是為什麼在閱讀OpenGradient的架構時，模型中心和開發者工具特別引起了我的注意。
這讓我想起了加密貨幣早期的日子，當時每個人都在談論代幣，但很少有人注意到底層基礎設施的建設。
幾年後，許多這些基礎設施項目成為了生態系統中最重要的部分。
也許AI會遵循類似的路徑。
應用會獲得最多的關注，但基礎卻是讓這些應用最初成為可能的原因。
這也是我最近花時間更多了解OpenGradient的原因之一。
$OPG #OPG
#OPG
我通常不會花太多時間看架構圖，但這個讓我思考到單個AI回應背後發生了多少事情。
一開始，我以為這只是另一個充滿技術術語的AI架構圖。
然後我注意到一些有趣的東西。
這個堆疊從基礎設施開始，逐漸上升到執行、模型訪問，最後是研究和工具。
這就是大多數現代技術的建構方式。
當我們使用AI應用時，我們只是在與表面層互動。我們看不到背後運行的存儲系統、計算資源、安全機制、開發者工具或網絡。
從@OpenGradient 的角度來看，讓我更少關注AI模型本身，而是更多關注支撐它們的生態系統。
一個強大的模型是重要的。
但開發者也需要可靠的基礎設施、實驗工具、管理模型的方式以及可以實際構建和部署產品的環境。
沒有這些支撐層，即使是強大的模型也難以有效地到達開發者和最終用戶。
這就是為什麼SDK和模型中心部分對我來說最引人注目。
人們經常談論AI，好像智慧是唯一重要的東西。
實際上，創新的很大一部分來自於讓技術更容易訪問、更容易構建和更容易擴展。
也許這就是為什麼基礎設施很少受到關注。
這不是大多數人互動的部分。
但它通常是其他一切所依賴的基礎。
我探索的AI項目越多，我對於表面下發生的事情越感興趣，而不是出現在首頁的東西。
在你看來，AI採用中更重要的是：更好的模型還是更好的基礎設施？
$OPG #OPG #OPG
一開始，我以為這只是另一個充滿技術術語的AI架構圖。
然後我注意到一些有趣的東西。
這個堆疊從基礎設施開始，逐漸上升到執行、模型訪問，最後是研究和工具。
這就是大多數現代技術的建構方式。
當我們使用AI應用時，我們只是在與表面層互動。我們看不到背後運行的存儲系統、計算資源、安全機制、開發者工具或網絡。
從@OpenGradient 的角度來看，讓我更少關注AI模型本身，而是更多關注支撐它們的生態系統。
一個強大的模型是重要的。
但開發者也需要可靠的基礎設施、實驗工具、管理模型的方式以及可以實際構建和部署產品的環境。
沒有這些支撐層，即使是強大的模型也難以有效地到達開發者和最終用戶。
這就是為什麼SDK和模型中心部分對我來說最引人注目。
人們經常談論AI，好像智慧是唯一重要的東西。
實際上，創新的很大一部分來自於讓技術更容易訪問、更容易構建和更容易擴展。
也許這就是為什麼基礎設施很少受到關注。
這不是大多數人互動的部分。
但它通常是其他一切所依賴的基礎。
我探索的AI項目越多，我對於表面下發生的事情越感興趣，而不是出現在首頁的東西。
在你看來，AI採用中更重要的是：更好的模型還是更好的基礎設施？
$OPG #OPG #OPG
我花了幾分鐘看這個OpenGradient圖表，第一個想到的是基礎設施得到了多少的關注。
當一個新的AI工具推出時，人們通常會談論其輸出。它快嗎？準確嗎？比之前的好嗎？
很少有人停下來思考在這一切發生之前需要什麼。
看著這個圖表，有獨立的層級用於存儲、推理、數據訪問和網絡操作。這些東西單獨來看並不是特別令人興奮，但如果去掉其中一個，整個系統就會變得截然不同。
這跟互聯網是相似的。
我們大多數人每天都在使用網站，而不去思考伺服器、數據庫或網絡。只有當某些東西停止工作時，我們才會注意到基礎設施。
AI感覺也朝著同樣的方向發展。
應用程序獲得了關注，而底層系統則靜靜地完成繁重的工作。
這就是我對@OpenGradient 的印象。吸引我的注意的是，這個話題不僅僅圍繞模型本身，還有關於支持這些模型並使它們對開發者可訪問所需的基礎設施的關注。
也許這就是為什麼我覺得AI的這一面很有趣。
越是仔細觀察，你越會意識到你屏幕上的回應只是故事的一小部分。
$OPG #OPG #OPG
當一個新的AI工具推出時，人們通常會談論其輸出。它快嗎？準確嗎？比之前的好嗎？
很少有人停下來思考在這一切發生之前需要什麼。
看著這個圖表，有獨立的層級用於存儲、推理、數據訪問和網絡操作。這些東西單獨來看並不是特別令人興奮，但如果去掉其中一個，整個系統就會變得截然不同。
這跟互聯網是相似的。
我們大多數人每天都在使用網站，而不去思考伺服器、數據庫或網絡。只有當某些東西停止工作時，我們才會注意到基礎設施。
AI感覺也朝著同樣的方向發展。
應用程序獲得了關注，而底層系統則靜靜地完成繁重的工作。
這就是我對@OpenGradient 的印象。吸引我的注意的是，這個話題不僅僅圍繞模型本身，還有關於支持這些模型並使它們對開發者可訪問所需的基礎設施的關注。
也許這就是為什麼我覺得AI的這一面很有趣。
越是仔細觀察，你越會意識到你屏幕上的回應只是故事的一小部分。
$OPG #OPG #OPG
登入以探索更多內容