Investigo los proyectos nuevos y me gusta empezar por hurgar en los antecedentes del equipo; la verdad, esto es bastante interesante.
La mayoría de los proyectos de criptomonedas de IA escriben sus whitepapers con un derroche de grandilocuencia, y cuando revisas al equipo te encuentras con que son anónimos o con currículums inflados. Pero al mirar el equipo de OPG, cada vez siento más que este proyecto sí es realmente diferente a los demás.
El CEO, Matthew Wang, viene de Two Sigma y trabajaba en estrategias cuantitativas; antes también hizo prácticas en la NASA, Meta y Google. El CTO, Adam Balogh, es un responsable técnico que viene de Palantir AI Platform; y no hace falta decir demasiado sobre qué hace Palantir: construyen plataformas de datos para gobiernos y el ejército, con requisitos de "computación confiable" que están varios órdenes de magnitud por encima de los casos comerciales.
Juntar a estas dos personas me hizo pensar de inmediato: esto no es un equipo armado al azar. La gente de Two Sigma tiene una sensibilidad natural hacia la "verificabilidad": en el trading cuantitativo, cada backtest debe poder reproducirse; si no, nadie se atreve a operar en vivo. Los que vienen de Palantir, además, llevan la "auditoría" en la médula; sus sistemas exigen que cada paso sea trazable.
Por eso OPG eligió hacer "IA verificable" y no otro gran modelo general. Ahora entiendo el porqué: el mapa de capacidades de este equipo apunta directamente en esa dirección.
¿Y cómo lo implementan a nivel técnico? La clave es separar la ejecución de la verificación. Los nodos de inferencia se encargan de ejecutar el modelo para obtener resultados y, al mismo tiempo, generar pruebas criptográficas. Los nodos completos no necesitan volver a ejecutar el modelo; con la prueba de verificación basta. Después de que la verificación pase, el resultado y la prueba se almacenan y registran en cadena.
Hay tres métodos de verificación, según el escenario. TEE es como grabar el proceso de inferencia con una videograbadora de vigilancia. ZKML garantiza matemáticamente que el resultado no se ha manipulado, sin tener que confiar en nadie. Vanilla, usando firmas, deja un registro trazable.
La financiación también confirma esta decisión. Salieron del acelerador a16z Crypto, y a16z y Coinbase Ventures invirtieron 9,5 millones. También invirtieron Balaji Srinivasan, fundador de NEAR, y fundador de Polygon. Las instituciones que invierten en infraestructura valoran más la profundidad tecnológica que en las que invierten en la capa de aplicaciones.
Ahora la red ya realizó 2 millones de inferencias, verificó 500.000 pruebas y gestionó más de 2.000 modelos.
Mi conclusión es: OPG no hace una criptomoneda de IA; hace un sistema de pruebas para que la IA pueda ser confiable. Cuando la IA empiece a aprobar préstamos en nombre de las personas o a hacer diagnósticos, con solo decir "el modelo es muy preciso" no alcanza: necesitas poder demostrar que no está haciendo trampa. @OpenGradient #opg $OPG
La mayoría de los proyectos de criptomonedas de IA escriben sus whitepapers con un derroche de grandilocuencia, y cuando revisas al equipo te encuentras con que son anónimos o con currículums inflados. Pero al mirar el equipo de OPG, cada vez siento más que este proyecto sí es realmente diferente a los demás.
El CEO, Matthew Wang, viene de Two Sigma y trabajaba en estrategias cuantitativas; antes también hizo prácticas en la NASA, Meta y Google. El CTO, Adam Balogh, es un responsable técnico que viene de Palantir AI Platform; y no hace falta decir demasiado sobre qué hace Palantir: construyen plataformas de datos para gobiernos y el ejército, con requisitos de "computación confiable" que están varios órdenes de magnitud por encima de los casos comerciales.
Juntar a estas dos personas me hizo pensar de inmediato: esto no es un equipo armado al azar. La gente de Two Sigma tiene una sensibilidad natural hacia la "verificabilidad": en el trading cuantitativo, cada backtest debe poder reproducirse; si no, nadie se atreve a operar en vivo. Los que vienen de Palantir, además, llevan la "auditoría" en la médula; sus sistemas exigen que cada paso sea trazable.
Por eso OPG eligió hacer "IA verificable" y no otro gran modelo general. Ahora entiendo el porqué: el mapa de capacidades de este equipo apunta directamente en esa dirección.
¿Y cómo lo implementan a nivel técnico? La clave es separar la ejecución de la verificación. Los nodos de inferencia se encargan de ejecutar el modelo para obtener resultados y, al mismo tiempo, generar pruebas criptográficas. Los nodos completos no necesitan volver a ejecutar el modelo; con la prueba de verificación basta. Después de que la verificación pase, el resultado y la prueba se almacenan y registran en cadena.
Hay tres métodos de verificación, según el escenario. TEE es como grabar el proceso de inferencia con una videograbadora de vigilancia. ZKML garantiza matemáticamente que el resultado no se ha manipulado, sin tener que confiar en nadie. Vanilla, usando firmas, deja un registro trazable.
La financiación también confirma esta decisión. Salieron del acelerador a16z Crypto, y a16z y Coinbase Ventures invirtieron 9,5 millones. También invirtieron Balaji Srinivasan, fundador de NEAR, y fundador de Polygon. Las instituciones que invierten en infraestructura valoran más la profundidad tecnológica que en las que invierten en la capa de aplicaciones.
Ahora la red ya realizó 2 millones de inferencias, verificó 500.000 pruebas y gestionó más de 2.000 modelos.
Mi conclusión es: OPG no hace una criptomoneda de IA; hace un sistema de pruebas para que la IA pueda ser confiable. Cuando la IA empiece a aprobar préstamos en nombre de las personas o a hacer diagnósticos, con solo decir "el modelo es muy preciso" no alcanza: necesitas poder demostrar que no está haciendo trampa. @OpenGradient #opg $OPG