La plupart des projets d’IA on-chain vous demandent de faire aveuglément confiance à leurs serveurs d’inférence off-chain. @OpenGradient résout ce problème grâce à un modèle de confiance à deux niveaux.
zkML génère des preuves cryptographiques attestant que le modèle a bien été exécuté correctement. Les TEE (environnements d’exécution de confiance) isolent l’exécution, de sorte que même les opérateurs de nœuds ne peuvent pas altérer les entrées ou les sorties. Ensemble, ils rendent l’inférence d’IA vérifiable bien réelle.
La preuve est dans l’adoption : plus de 2 millions d’inférences vérifiables et plus de 500 000 preuves zkML ont déjà été générées. Soutenue par a16z et Coinbase Ventures, c’est une infrastructure qui compte.
En baisse de 5,7 % aujourd’hui, dans un contexte de faibles volumes, mais c’est la thèse technologique qui importe ici.
L’historique complet et transparent de notre propre algorithme (gains et pertes) se trouve dans notre bio.
Qu’est-ce qui sera le plus difficile à développer à long terme : la vitesse de génération des preuves zkML ou la disponibilité du matériel TEE ?
$OPG #OPG
zkML génère des preuves cryptographiques attestant que le modèle a bien été exécuté correctement. Les TEE (environnements d’exécution de confiance) isolent l’exécution, de sorte que même les opérateurs de nœuds ne peuvent pas altérer les entrées ou les sorties. Ensemble, ils rendent l’inférence d’IA vérifiable bien réelle.
La preuve est dans l’adoption : plus de 2 millions d’inférences vérifiables et plus de 500 000 preuves zkML ont déjà été générées. Soutenue par a16z et Coinbase Ventures, c’est une infrastructure qui compte.
En baisse de 5,7 % aujourd’hui, dans un contexte de faibles volumes, mais c’est la thèse technologique qui importe ici.
L’historique complet et transparent de notre propre algorithme (gains et pertes) se trouve dans notre bio.
Qu’est-ce qui sera le plus difficile à développer à long terme : la vitesse de génération des preuves zkML ou la disponibilité du matériel TEE ?
$OPG #OPG