@OpenGradient #OPG $OPG
يمكن أن تكون المشكلة الحقيقية للذكاء الاصطناعي ليست الذكاء. بل هي الأثر المفقود خلفه.
لقد كنت أقرأ عن OpenGradient منذ فترة، والشيء الذي يظل عالقًا في ذهني يتعلق بقدر ضئيل من سرعة النموذج، والمعايير، أو الحديث المعتاد عن الذكاء الاصطناعي الأكثر ذكاءً.
إنها سؤال أبسط وأقل راحة قليلاً: عندما يقدم نظام الذكاء الاصطناعي إجابة تهم فعلاً، ماذا نعرف حقًا عن كيفية وصوله إلى هناك؟
هذا هو الجزء من OpenGradient الذي أعود إليه باستمرار. من ما أفهمه، إنه يحاول بناء الطبقة حول الذكاء الاصطناعي بدلاً من مجرد النموذج نفسه - إعداد لامركزي لاستضافة النماذج، وتشغيل الاستدلال، وترك شيء يمكن التحقق منه حول تلك العملية. ليس فقط ما قاله النظام، ولكن أين تم تشغيله، وكيف تم تشغيله، وما إذا كان يمكن التحقق من أي من ذلك لاحقًا.
ما يجعل هذا مثيرًا للاهتمام بالنسبة لي هو كيف يشعر بأنه مختلف عن الطريقة التي تعمل بها الثقة في معظم أنظمة الذكاء الاصطناعي اليوم. في الوقت الحالي، تأتي الثقة في الغالب من السمعة. نحن نثق في الشركة، نثق في السجلات الداخلية، نثق في أن النظام تصرف بالطريقة التي يقول إنه تصرف بها. يبدو أن OpenGradient تسأل عما إذا كانت الثقة يمكن أن تُعتبر أقل كوعود وأكثر كالبنية التحتية.
لا أعتقد أن ذلك يجعل الأمر سهلًا تلقائيًا. التحقق يضيف احتكاك. عادة ما تبدو اللامركزية أنظف في النظرية مما تشعر به في الممارسة. لكنني ما زلت أعتقد أنها تشير إلى شيء حقيقي. قد لا يكون لدى الذكاء الاصطناعي مجرد مشكلة ذكاء. قد يكون لديه مشكلة ذاكرة، مشكلة إثبات، ومشكلة ثقة. ويبدو أن هذه هي القضية الأعمق التي تكمن تحت كل شيء آخر.
$XLM USDT
$TNSR
يمكن أن تكون المشكلة الحقيقية للذكاء الاصطناعي ليست الذكاء. بل هي الأثر المفقود خلفه.
لقد كنت أقرأ عن OpenGradient منذ فترة، والشيء الذي يظل عالقًا في ذهني يتعلق بقدر ضئيل من سرعة النموذج، والمعايير، أو الحديث المعتاد عن الذكاء الاصطناعي الأكثر ذكاءً.
إنها سؤال أبسط وأقل راحة قليلاً: عندما يقدم نظام الذكاء الاصطناعي إجابة تهم فعلاً، ماذا نعرف حقًا عن كيفية وصوله إلى هناك؟
هذا هو الجزء من OpenGradient الذي أعود إليه باستمرار. من ما أفهمه، إنه يحاول بناء الطبقة حول الذكاء الاصطناعي بدلاً من مجرد النموذج نفسه - إعداد لامركزي لاستضافة النماذج، وتشغيل الاستدلال، وترك شيء يمكن التحقق منه حول تلك العملية. ليس فقط ما قاله النظام، ولكن أين تم تشغيله، وكيف تم تشغيله، وما إذا كان يمكن التحقق من أي من ذلك لاحقًا.
ما يجعل هذا مثيرًا للاهتمام بالنسبة لي هو كيف يشعر بأنه مختلف عن الطريقة التي تعمل بها الثقة في معظم أنظمة الذكاء الاصطناعي اليوم. في الوقت الحالي، تأتي الثقة في الغالب من السمعة. نحن نثق في الشركة، نثق في السجلات الداخلية، نثق في أن النظام تصرف بالطريقة التي يقول إنه تصرف بها. يبدو أن OpenGradient تسأل عما إذا كانت الثقة يمكن أن تُعتبر أقل كوعود وأكثر كالبنية التحتية.
لا أعتقد أن ذلك يجعل الأمر سهلًا تلقائيًا. التحقق يضيف احتكاك. عادة ما تبدو اللامركزية أنظف في النظرية مما تشعر به في الممارسة. لكنني ما زلت أعتقد أنها تشير إلى شيء حقيقي. قد لا يكون لدى الذكاء الاصطناعي مجرد مشكلة ذكاء. قد يكون لديه مشكلة ذاكرة، مشكلة إثبات، ومشكلة ثقة. ويبدو أن هذه هي القضية الأعمق التي تكمن تحت كل شيء آخر.
$XLM USDT
$TNSR
