كنت أقرأ عن كيفية تعامل @OpenGradient مع التحقق عبر أنواع استنتاج مختلفة ولم يجلس الأمر بشكل صحيح معي في البداية.
الافتراض الذي كنت أملكه هو أن شبكة الذكاء الاصطناعي اللامركزية ستختار فقط معيار إثبات واحد وتفرضه بشكل موحد. أسهل بهذه الطريقة. أسهل للتدقيق. لكن بنية x402 لا تفعل ذلك. إنها تسمح لطريقة التحقق بالتغيير اعتمادًا على ما يحتاجه الحمل الفعلي، وهذا يبدو مرنًا حتى تفكر في الأمر لفترة أطول.
السبب الفني بسيط بما فيه الكفاية. إثباتات zkML ثقيلة حسابيًا. تشغيلها على كل استنتاج LLM على نطاق واسع سيكسر أساسيات الاقتصاد للشبكة. تأكيدات TEE أخف لكنها متأصلة في ثقة الأجهزة وليس اليقين الرياضي. لذا لا يغطي أي منهما النطاق الكامل بمفرده. يحاول التصميم الاحتفاظ بكليهما.
ما لست متأكدًا منه هو كيف ستلعب ذلك في طبقة التطبيق. المطور الذي يبني شيئًا حيث تكون المخاطر أكبر، مثل الاستنتاج الطبي أو النمذجة المالية، يجب أن يقوم بعملية تحقق مبكرًا. وإذا اختار المستوى الخاطئ فإن الإثبات الذي يعتمد عليه لن يمنحه فعليًا ما يعتقد أنه يحصل عليه. تلك الجزئية لا يتم الحديث عنها كثيرًا.
رقم الاستنتاجات البالغ 2 مليون مثير للاهتمام ولكنه أيضًا غامض نوعًا ما. ما هو الانقسام بين طرق التحقق هناك. إذا كانت معظم تلك الكمية موجودة في النتائج الموقعة بدلاً من zkML، فإن المعلم يبدو مختلفًا عما يبدو عليه.
المرونة في الطبقة الأساسية صعبة حقًا للتنفيذ. ما إذا كان المطورون يستخدمونها بالطريقة الصحيحة هو سؤال منفصل تمامًا
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB
الافتراض الذي كنت أملكه هو أن شبكة الذكاء الاصطناعي اللامركزية ستختار فقط معيار إثبات واحد وتفرضه بشكل موحد. أسهل بهذه الطريقة. أسهل للتدقيق. لكن بنية x402 لا تفعل ذلك. إنها تسمح لطريقة التحقق بالتغيير اعتمادًا على ما يحتاجه الحمل الفعلي، وهذا يبدو مرنًا حتى تفكر في الأمر لفترة أطول.
السبب الفني بسيط بما فيه الكفاية. إثباتات zkML ثقيلة حسابيًا. تشغيلها على كل استنتاج LLM على نطاق واسع سيكسر أساسيات الاقتصاد للشبكة. تأكيدات TEE أخف لكنها متأصلة في ثقة الأجهزة وليس اليقين الرياضي. لذا لا يغطي أي منهما النطاق الكامل بمفرده. يحاول التصميم الاحتفاظ بكليهما.
ما لست متأكدًا منه هو كيف ستلعب ذلك في طبقة التطبيق. المطور الذي يبني شيئًا حيث تكون المخاطر أكبر، مثل الاستنتاج الطبي أو النمذجة المالية، يجب أن يقوم بعملية تحقق مبكرًا. وإذا اختار المستوى الخاطئ فإن الإثبات الذي يعتمد عليه لن يمنحه فعليًا ما يعتقد أنه يحصل عليه. تلك الجزئية لا يتم الحديث عنها كثيرًا.
رقم الاستنتاجات البالغ 2 مليون مثير للاهتمام ولكنه أيضًا غامض نوعًا ما. ما هو الانقسام بين طرق التحقق هناك. إذا كانت معظم تلك الكمية موجودة في النتائج الموقعة بدلاً من zkML، فإن المعلم يبدو مختلفًا عما يبدو عليه.
المرونة في الطبقة الأساسية صعبة حقًا للتنفيذ. ما إذا كان المطورون يستخدمونها بالطريقة الصحيحة هو سؤال منفصل تمامًا
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB
