#opg $OPG La mayoría de los proyectos de AI + blockchain simplemente lanzan los resultados del modelo a la cadena, pero nadie puede verificar si esos resultados son correctos. El libro blanco de OpenGradient revela la contradicción clave: la blockchain tradicional depende de que "cada nodo ejecute nuevamente la transacción" para alcanzar consenso; lógicamente, procesar transferencias no tiene problema, pero hacerlo con inferencia de AI no funciona en absoluto.
¿Por qué? Ejecutar LLM necesita GPU, hacer que 100 nodos de validación ejecuten el proceso una vez cada uno implica 100 veces el costo; la salida de LLM tiene aleatoriedad, los nodos de validación no pueden simplemente comparar respuestas; una inferencia toma segundos, y espera que todos los nodos terminen, la cadena ya se ha congestado. Usar AI como oráculo — ejecutar fuera de la cadena y alimentar el resultado a la cadena — sigue siendo un "problema de oráculo invertido": al final, tienes que confiar en ese único sujeto que alimenta los datos.
La solución de OpenGradient: separación de ejecución y validación. Los nodos de inferencia procesan solicitudes en TEE y generan pruebas de hardware — demostrando que el código no ha sido alterado, que la entrada no ha sido manipulada, y que la salida no ha sido intervenida. Los nodos completos solo verifican la prueba (operaciones puramente criptográficas), sin necesidad de conocer las palabras clave, el modelo o el contenido devuelto. ZKML de manera similar, solo que usando pruebas de conocimiento cero. La capa de verificación nunca vuelve a ejecutar el cálculo de AI, verificar una prueba solo toma unos milisegundos.
La red se divide en cuatro tipos de nodos: nodos de inferencia (ejecución en GPU), nodos completos (verificación de pruebas + consenso CometBFT), nodos de datos (TEE obtiene datos externos), y capa de almacenamiento. Compatible con EVM, los desarrolladores pueden usar Hardhat, Foundry para hacer llamadas directamente.
La oferta total de OPG es de 1,000 millones de tokens, distribución: 40% ecosistema, 15% fundación, 15% contribuyentes clave, 10% inversores, 10% recompensas de staking, 6% liquidez, 4% airdrop. Se utilizarán para pagar tarifas de inferencia, staking de nodos, incentivos de modelo y gobernanza.
Riesgos: TEE depende de los fabricantes de hardware, si hay vulnerabilidades, la credibilidad de la prueba se reduce; el costo de generación de pruebas ZKML no es amigable para escenarios de baja latencia; los 1,000 millones de tokens desbloqueados a largo plazo pueden generar presión de venta.
Opinión personal: OpenGradient reconfigura la capa de validación en torno a las necesidades reales de AI, la lógica es coherente. Pero la actuación real necesita verificación de datos de la mainnet, la dirección vale la pena seguir.
¿Pueden TEE + ZKML resolver el problema de la caja negra de AI? Hablemos en los comentarios. @OpenGradient
¿Por qué? Ejecutar LLM necesita GPU, hacer que 100 nodos de validación ejecuten el proceso una vez cada uno implica 100 veces el costo; la salida de LLM tiene aleatoriedad, los nodos de validación no pueden simplemente comparar respuestas; una inferencia toma segundos, y espera que todos los nodos terminen, la cadena ya se ha congestado. Usar AI como oráculo — ejecutar fuera de la cadena y alimentar el resultado a la cadena — sigue siendo un "problema de oráculo invertido": al final, tienes que confiar en ese único sujeto que alimenta los datos.
La solución de OpenGradient: separación de ejecución y validación. Los nodos de inferencia procesan solicitudes en TEE y generan pruebas de hardware — demostrando que el código no ha sido alterado, que la entrada no ha sido manipulada, y que la salida no ha sido intervenida. Los nodos completos solo verifican la prueba (operaciones puramente criptográficas), sin necesidad de conocer las palabras clave, el modelo o el contenido devuelto. ZKML de manera similar, solo que usando pruebas de conocimiento cero. La capa de verificación nunca vuelve a ejecutar el cálculo de AI, verificar una prueba solo toma unos milisegundos.
La red se divide en cuatro tipos de nodos: nodos de inferencia (ejecución en GPU), nodos completos (verificación de pruebas + consenso CometBFT), nodos de datos (TEE obtiene datos externos), y capa de almacenamiento. Compatible con EVM, los desarrolladores pueden usar Hardhat, Foundry para hacer llamadas directamente.
La oferta total de OPG es de 1,000 millones de tokens, distribución: 40% ecosistema, 15% fundación, 15% contribuyentes clave, 10% inversores, 10% recompensas de staking, 6% liquidez, 4% airdrop. Se utilizarán para pagar tarifas de inferencia, staking de nodos, incentivos de modelo y gobernanza.
Riesgos: TEE depende de los fabricantes de hardware, si hay vulnerabilidades, la credibilidad de la prueba se reduce; el costo de generación de pruebas ZKML no es amigable para escenarios de baja latencia; los 1,000 millones de tokens desbloqueados a largo plazo pueden generar presión de venta.
Opinión personal: OpenGradient reconfigura la capa de validación en torno a las necesidades reales de AI, la lógica es coherente. Pero la actuación real necesita verificación de datos de la mainnet, la dirección vale la pena seguir.
¿Pueden TEE + ZKML resolver el problema de la caja negra de AI? Hablemos en los comentarios. @OpenGradient
