Récemment, en parcourant le document @OpenLedger , j’ai remarqué que le mot "combinabilité" apparaissait assez fréquemment. Les Datanets peuvent être combinés, les SLM peuvent être combinés, et les Agents peuvent même appeler entre protocoles. À première vue, cela ressemble à une vieille recette de Web3, n'est-ce pas ? La construction en Lego de DeFi est simplement transférée à l'IA.
Mais pour être franc, beaucoup semblent avoir oublié les pièges des débuts de DeFi. La combinabilité est une lame à double tranchant ; elle est efficace, mais le risque peut facilement être amplifié. Lors de l'incident avec Curve, un tas de protocoles de stratégie ont suivi la chute ; un petit frisson d'un oracle de Compound, et plusieurs chaînes de prêts ont été liquidées en un clin d'œil.
Dans l'économie des Agents, il faut encore plus faire attention. Si un Datanet est pollué, tous les SLM qui en dépendent en pâtissent ; si un SLM a un bug, tous les Agents qui l'appellent s'en mêlent ; si un Agent est piraté, tout le workflow s'effondre. Les règlements sur la chaîne sont irréversibles, et il est difficile de redresser la situation.
Il y a aussi la question des dépendances de version. Si le SLM A dépend d'une certaine version du Datanet B, une mise à jour de B qui change les règles peut instantanément réécrire la logique et les attentes de rendement d'A. Dans l'écosystème actuel, cela ne se voit pas trop, mais à grande échelle, cela devient un risque systémique.
D'un point de vue technique, #OpenLedger dit qu'il peut faire tourner des milliers de modèles sur une seule carte graphique, et la vitesse de commutation et les données de débit sont effectivement impressionnantes. Mais en comparaison avec les tests de l'équipe de Stanford, une A100 haut de gamme tourne de manière stable autour de 25 LoRAX, même après optimisation, il y a encore des goulets d'étranglement. LoRA est essentiellement un adaptateur léger, pouvoir stocker beaucoup ne signifie pas pouvoir exécuter efficacement tout en même temps. Actuellement, le code du projet, les audits et les tests pratiques sont encore assez limités, et des cas concrets nécessitent plus de validation. J'espère que l'équipe pourra progressivement ouvrir plus de données transparentes.
Du point de vue d'un utilisateur ordinaire, l'IA n'est pas nécessairement meilleure quand elle est plus grosse ; l'essentiel est de résoudre des problèmes pratiques. $OPEN , si vous pouvez connecter la contribution des données, l'entraînement des modèles à l'utilisation des Agents, et créer des outils pratiques pour voir les données sur la chaîne, organiser les informations et identifier les risques, ce ne sera pas juste du blabla, mais quelque chose qui aide vraiment les petits traders à travailler.
La combinabilité est à la fois une opportunité et un test. $OPEN , si vous pouvez aller loin, cela dépend de la façon dont vous trouvez cet équilibre entre innovation et solidité.
Mais pour être franc, beaucoup semblent avoir oublié les pièges des débuts de DeFi. La combinabilité est une lame à double tranchant ; elle est efficace, mais le risque peut facilement être amplifié. Lors de l'incident avec Curve, un tas de protocoles de stratégie ont suivi la chute ; un petit frisson d'un oracle de Compound, et plusieurs chaînes de prêts ont été liquidées en un clin d'œil.
Dans l'économie des Agents, il faut encore plus faire attention. Si un Datanet est pollué, tous les SLM qui en dépendent en pâtissent ; si un SLM a un bug, tous les Agents qui l'appellent s'en mêlent ; si un Agent est piraté, tout le workflow s'effondre. Les règlements sur la chaîne sont irréversibles, et il est difficile de redresser la situation.
Il y a aussi la question des dépendances de version. Si le SLM A dépend d'une certaine version du Datanet B, une mise à jour de B qui change les règles peut instantanément réécrire la logique et les attentes de rendement d'A. Dans l'écosystème actuel, cela ne se voit pas trop, mais à grande échelle, cela devient un risque systémique.
D'un point de vue technique, #OpenLedger dit qu'il peut faire tourner des milliers de modèles sur une seule carte graphique, et la vitesse de commutation et les données de débit sont effectivement impressionnantes. Mais en comparaison avec les tests de l'équipe de Stanford, une A100 haut de gamme tourne de manière stable autour de 25 LoRAX, même après optimisation, il y a encore des goulets d'étranglement. LoRA est essentiellement un adaptateur léger, pouvoir stocker beaucoup ne signifie pas pouvoir exécuter efficacement tout en même temps. Actuellement, le code du projet, les audits et les tests pratiques sont encore assez limités, et des cas concrets nécessitent plus de validation. J'espère que l'équipe pourra progressivement ouvrir plus de données transparentes.
Du point de vue d'un utilisateur ordinaire, l'IA n'est pas nécessairement meilleure quand elle est plus grosse ; l'essentiel est de résoudre des problèmes pratiques. $OPEN , si vous pouvez connecter la contribution des données, l'entraînement des modèles à l'utilisation des Agents, et créer des outils pratiques pour voir les données sur la chaîne, organiser les informations et identifier les risques, ce ne sera pas juste du blabla, mais quelque chose qui aide vraiment les petits traders à travailler.
La combinabilité est à la fois une opportunité et un test. $OPEN , si vous pouvez aller loin, cela dépend de la façon dont vous trouvez cet équilibre entre innovation et solidité.