معظم مشاريع «الذكاء الاصطناعي على السلسلة» لا تفعل سوى استدعاء واجهة برمجة تطبيقات خارج السلسلة، وتأمل أن تثق بها. أما @OpenGradient فتحل مشكلة الثقة فعليًا.

يجمع نهجهم بين طريقتين تشفيريتين مختلفتين: براهين zkML (تتحقق رياضيًا من أن نموذج ذكاء اصطناعي محدد أنتج نتيجة محددة) وبيئات التنفيذ الموثوقة (TEEs)، التي تُبقي أوزان النموذج وبيانات الإدخال مخفية حتى عن مشغّلي العُقد الذين ينفذون العمليات الحسابية.

هذا مهم لأن الصندوق الأسود للذكاء الاصطناعي يشكل عائقًا هائلًا أمام التبني اللامركزي. إذا لم تتمكن من التحقق على السلسلة من كيفية اتخاذ القرار، فأنت تستبدل الثقة العمياء بخادم مركزي بالثقة العمياء بعقدة. تفرض بنية الحوسبة الهجينة للذكاء الاصطناعي من OpenGradient شفافية قابلة للتحقق. وقد أُثبتت بالفعل أكثر من مليوني عملية استدلال، مع دعم من a16z وCoinbase Ventures، ما يؤكد أن البنية التحتية حقيقية. وهي حاليًا مرتفعة بنسبة +0.4%، مع حجم تداول يومي قدره $1M.

ننشر النتيجة الحقيقية لكل إشارة خوارزمية بكل شفافية — سجلنا الكامل المباشر لقَوْقَعة الأداء وقناة معاينة مجانية متاحان في نبذتنا التعريفية.

هل ستثق بوكيل ذكاء اصطناعي على السلسلة لإدارة الأصول إذا لم يكن بالإمكان التحقق تشفيريًا من طريقة استدلاله؟

$OPG #OPG