Ich mag es, bei neuen Projekten zuerst den Hintergrund des Teams zu recherchieren – das ist ziemlich interessant.
Die meisten AI-Coin-Whitepaper sind voller Superlative, aber wenn man das Team überprüft, stellt sich heraus, dass alle anonym sind oder die Vita aufgebläht wurde. Doch als ich mir das OPG-Team ansah, hatte ich immer stärker das Gefühl, dass dieses Projekt sich tatsächlich deutlich von den anderen unterscheidet.
CEO Matthew Wang: Er kommt aus der quantitativen Strategie bei Two Sigma und hat zuvor sogar beim NASA, Meta und Google Praktika gemacht. CTO Adam Balogh ist technischer Leiter aus der Palantir AI Platform – was Palantir macht, muss man wohl nicht groß erklären: Sie bauen Datenplattformen für Regierung und Militär. Die Anforderungen an „vertrauenswürdiges Computing“ liegen in einer ganz anderen Größenordnung als im kommerziellen Umfeld.
Wenn man diese beiden zusammenbringt, ist meine erste Reaktion: Das ist kein zufällig zusammengewürfeltes Team. Menschen von Two Sigma haben ein natürliches Gespür für „Verifizierbarkeit“ – beim quantitativen Handel muss jede einzelne Backtest-Transaktion reproduzierbar sein, sonst traut niemand dem Live-Betrieb. Und die von Palantir sind erst recht darauf bedacht, „Auditierbarkeit“ fest in den Kern einzubauen: Ihre Systeme verlangen, dass jeder Schritt nachvollziehbar ist.
Darum wählt OPG „verifizierbare KI“ statt ein weiteres allgemeines Large-Model-Projekt. Jetzt verstehe ich, warum. Die Fähigkeitspalette dieses Teams zeigt genau in diese Richtung.
Wie setzt man das technisch um? Der Kern ist, Ausführung und Verifikation voneinander zu trennen. Die Inferenzknoten führen das Modell aus, liefern Ergebnisse und erzeugen gleichzeitig kryptografische Beweise. Die Verifikationsknoten müssen das Modell nicht erneut ausführen – die Beweise reichen. Nach erfolgreicher Verifikation werden Ergebnis und Beweis on-chain gesichert.
Es gibt drei Verifikationsmethoden, je nach Einsatzszenario. TEE ist im Grunde wie ein Überwachungs-Video für den Inferenzprozess. ZKML garantiert auf mathematischer Ebene, dass die Ergebnisse nicht manipuliert wurden – ohne dass man irgendeiner Person vertrauen muss. „Vanilla“ nutzt Signaturen, um eine nachvollziehbare Historie zu hinterlassen.
Auch die Finanzierung bestätigt diese Einschätzung. Der a16z Crypto Accelerator kam ins Spiel; a16z und Coinbase Ventures investierten 9,5 Millionen. Außerdem investierten Balaji Srinivasan, Gründer von NEAR, und Gründer von Polygon. Institutionen, die in die Infrastruktur investieren, gewichten die technische Tiefe stärker als diejenigen, die auf die Anwendungsebene setzen.
Aktuell läuft das Netzwerk bereits 2 Millionen Inferenzläufe, es wurden 500.000 Beweise verifiziert und mehr als 2.000 Modelle gehostet.
Mein Fazit: OPG baut keine „AI-Coins“, sondern ein Beweissystem, mit dem KI vertrauenswürdig wird. Wenn KI anfängt, Menschen Kredite zu bewilligen oder Diagnosen zu erstellen, reicht es nicht zu sagen: „Das Modell ist ziemlich genau.“ Du musst nachweisen können, dass es nicht schummelt. @OpenGradient #opg $OPG
Die meisten AI-Coin-Whitepaper sind voller Superlative, aber wenn man das Team überprüft, stellt sich heraus, dass alle anonym sind oder die Vita aufgebläht wurde. Doch als ich mir das OPG-Team ansah, hatte ich immer stärker das Gefühl, dass dieses Projekt sich tatsächlich deutlich von den anderen unterscheidet.
CEO Matthew Wang: Er kommt aus der quantitativen Strategie bei Two Sigma und hat zuvor sogar beim NASA, Meta und Google Praktika gemacht. CTO Adam Balogh ist technischer Leiter aus der Palantir AI Platform – was Palantir macht, muss man wohl nicht groß erklären: Sie bauen Datenplattformen für Regierung und Militär. Die Anforderungen an „vertrauenswürdiges Computing“ liegen in einer ganz anderen Größenordnung als im kommerziellen Umfeld.
Wenn man diese beiden zusammenbringt, ist meine erste Reaktion: Das ist kein zufällig zusammengewürfeltes Team. Menschen von Two Sigma haben ein natürliches Gespür für „Verifizierbarkeit“ – beim quantitativen Handel muss jede einzelne Backtest-Transaktion reproduzierbar sein, sonst traut niemand dem Live-Betrieb. Und die von Palantir sind erst recht darauf bedacht, „Auditierbarkeit“ fest in den Kern einzubauen: Ihre Systeme verlangen, dass jeder Schritt nachvollziehbar ist.
Darum wählt OPG „verifizierbare KI“ statt ein weiteres allgemeines Large-Model-Projekt. Jetzt verstehe ich, warum. Die Fähigkeitspalette dieses Teams zeigt genau in diese Richtung.
Wie setzt man das technisch um? Der Kern ist, Ausführung und Verifikation voneinander zu trennen. Die Inferenzknoten führen das Modell aus, liefern Ergebnisse und erzeugen gleichzeitig kryptografische Beweise. Die Verifikationsknoten müssen das Modell nicht erneut ausführen – die Beweise reichen. Nach erfolgreicher Verifikation werden Ergebnis und Beweis on-chain gesichert.
Es gibt drei Verifikationsmethoden, je nach Einsatzszenario. TEE ist im Grunde wie ein Überwachungs-Video für den Inferenzprozess. ZKML garantiert auf mathematischer Ebene, dass die Ergebnisse nicht manipuliert wurden – ohne dass man irgendeiner Person vertrauen muss. „Vanilla“ nutzt Signaturen, um eine nachvollziehbare Historie zu hinterlassen.
Auch die Finanzierung bestätigt diese Einschätzung. Der a16z Crypto Accelerator kam ins Spiel; a16z und Coinbase Ventures investierten 9,5 Millionen. Außerdem investierten Balaji Srinivasan, Gründer von NEAR, und Gründer von Polygon. Institutionen, die in die Infrastruktur investieren, gewichten die technische Tiefe stärker als diejenigen, die auf die Anwendungsebene setzen.
Aktuell läuft das Netzwerk bereits 2 Millionen Inferenzläufe, es wurden 500.000 Beweise verifiziert und mehr als 2.000 Modelle gehostet.
Mein Fazit: OPG baut keine „AI-Coins“, sondern ein Beweissystem, mit dem KI vertrauenswürdig wird. Wenn KI anfängt, Menschen Kredite zu bewilligen oder Diagnosen zu erstellen, reicht es nicht zu sagen: „Das Modell ist ziemlich genau.“ Du musst nachweisen können, dass es nicht schummelt. @OpenGradient #opg $OPG