Am Wochenende habe ich diese alte mechanische Festplatte mit fünf Jahren Nutzung herausgekramt, um eine Charge alter Fotos zu bereinigen. Ich schalte ein – und bekomme direkt eine ganze Reihe Bad Sectors zu sehen. Die ganzen über 200 GB an Material drin haben mich komplett aus dem Tritt gebracht. Ich hocke da auf dem Boden und fluche, und mir kommt sofort die Nachricht von <a>@OpenGradient </a> bezüglich des Model Hub in den Sinn: Diesmal ist es mit Walrus richtig tief integriert. Modellgewichte werden dauerhaft gespeichert, Content-Adressierung inklusive, und dann noch Anti-Zensur – klingt genau so, als wäre es für Leute wie mich geschrieben, die schon mal Daten „verloren“ haben.
Ich hatte das bisher immer in eine gewöhnliche KI-Inferenz-Kette eingeordnet, dachte: Speicher ist im Grunde nur ein externes IPFS dran, fertig. Aber jetzt, wo ich es auseinandernehme, merke ich: OpenGradient nimmt Walrus als eigentlichen Speicher-Backend ernst. Sogar das Walrus-Team ist mit einem offiziellen Statement dabei und bestätigt, dass OpenGradient der größte Nutzer auf Walrus ist und dort über 100 KI-Modelle trägt. Zwei Dragonen – ein Top-Speicherprojekt im Sui-Ökosystem und eine KI-Kette – verschmelzen zu einer Einheit. Die Story ist schon ganz hübsch, aber die Rechnung muss man trotzdem aufmachen. $HEI
Ein gängiges Open-Source-Modellgewicht ist oft schon ein paar GB bis Dutzende GB groß. Wenn man 100+ Modelle darauflegt, ist das Speichervolumen schnell auf der Größenordnung von mehreren TB. Walrus nutzt Erasure Coding, teilt die Daten einer einzigen Datei in hunderte von Shards und verteilt sie auf Nodes. Die tatsächlichen On-Chain-Kosten für eine gespeicherte Kopie sind dann ein Vielfaches des Preises – wegen Redundanz. Und wenn das Modell jede Version aktualisiert: Soll man alte Versionen behalten? Für Versionsrückschritte, für A/B-Tests, für Compliance-Audits – mit jeder zusätzlichen Version kommt auch eine neue Speicherrechnung dazu. Bei der Inference-Invocation von OpenGradient müssen die Gewichte jedes Mal von Walrus geholt werden, um sie in precompile auszuführen. Dieses „ziehen und laufen lassen“ verursacht Bandbreiten- und Latenz-Overhead; langfristig – wer fängt das auf?
Noch entscheidender ist das versteckte Risiko der Bindung an zwei Ökosysteme. Wenn das Walrus-Mainnet echte Probleme bekommt, wenn Sui die ökonomischen Modelle anpasst, wenn die Node-Incentives wegbrechen – ist OpenGradient mit den 100+ Modellen dann automatisch auch „erkältet“? Die Cross-Ökosystem-Interaktions-Story klingt toll, aber wenn die Abhängigkeiten auf der Ebene zu stark gekoppelt sind, wird aus einem Single-Point-of-Failure schnell ein doppelter Resonanzfall. $ATM
Ich schaue nächste Woche erst mal die echten Abrufzeiten der ein paar häufig angefragten Modelle aus dem Model Hub samt der Walrus-Node-Verteilung durch und ziehe die Daten sauber zusammen. Nur PR-Texte ansehen bringt nichts.
Die Festplatte dreht noch immer auf dem Tisch mit diesem Klicken. Während ich warte, dass die Datenwiederherstellungssoftware durchläuft, denke ich darüber nach: Die On-Chain-„Model-Gewichte“, die dauerhaft in Walrus gespeichert werden – werden die am Ende vielleicht länger halten als diese physische Platte von mir. #opg $OPG