#opg $OPG Mayoritas proyek AI+blockchain hanya melemparkan hasil model ke dalam rantai, tetapi tidak ada yang bisa memverifikasi apakah hasil itu benar. Whitepaper OpenGradient menyingkap inti kontradiksi—blockchain tradisional bergantung pada konsensus dengan “setiap node mengeksekusi ulang transaksi” untuk mencapai kesepakatan; secara logis menangani transfer memang tidak masalah, tetapi jika diterapkan pada inferensi AI, itu sama sekali tidak jalan.
Kenapa? Menjalankan LLM membutuhkan GPU. Jika 100 node verifikasi menjalankannya sekali, biayanya jadi 100 kali lipat. Keluaran LLM bersifat acak, jadi node verifikasi tidak bisa dengan mudah memverifikasi jawaban. Satu kali inferensi butuh beberapa detik—sementara semua node menjalankannya, rantai sudah telat.
Anggap AI sebagai oracle: jalankan hasil di luar rantai lalu masukkan ke dalam rantai—namun tetap ini adalah “masalah oracle yang dibalik”: pada akhirnya Anda harus percaya pada entitas tunggal yang memasukkan data tersebut.
Solusi OpenGradient: pemisahan eksekusi dan verifikasi. Node inferensi memproses permintaan di dalam TEE dan menghasilkan bukti perangkat keras—kode bukti tidak diubah, input tidak dimanipulasi, dan output tidak diakali. Node penuh hanya memverifikasi bukti (operasi kriptografi murni), tanpa perlu mengetahui prompt, model, atau isi balasan. ZKML juga serupa, hanya menggantinya dengan zero-knowledge proof. Lapisan verifikasi tidak pernah mengeksekusi ulang perhitungan AI; memverifikasi sebuah bukti hanya butuh beberapa milidetik.
Jaringan dibagi menjadi empat jenis node: node inferensi (GPU menjalankan), node penuh (verifikasi bukti + CometBFT consensus), node data (TEE mengambil data eksternal), dan lapisan penyimpanan. Kompatibel dengan EVM, pengembang bisa langsung memanggilnya lewat Hardhat dan Foundry.
Total pasokan OPG adalah 1 miliar keping, dengan alokasi: ekosistem 40%, yayasan 15%, kontributor inti 15%, investor 10%, insentif staking 10%, likuiditas 6%, dan air drop 4%. Dana digunakan untuk membayar biaya inferensi, staking node, insentif model, dan tata kelola.
Risiko: TEE bergantung pada vendor perangkat keras; bila ada celah keamanan, kepercayaan pada bukti bisa menurun. Biaya pembuatan bukti ZKML kurang ramah untuk skenario latensi rendah; serta pelepasan jangka panjang token 1 miliar bisa menimbulkan tekanan jual.
Pendapat pribadi: OpenGradient menyusun ulang lapisan verifikasi sesuai kebutuhan nyata AI, dan alurnya konsisten. Namun, kinerja aktual tetap perlu diverifikasi dengan data mainnet; arah ini layak untuk diikuti.
Bisakah TEE + ZKML menyelesaikan masalah AI black box? Diskusikan di komentar.@OpenGradient
Kenapa? Menjalankan LLM membutuhkan GPU. Jika 100 node verifikasi menjalankannya sekali, biayanya jadi 100 kali lipat. Keluaran LLM bersifat acak, jadi node verifikasi tidak bisa dengan mudah memverifikasi jawaban. Satu kali inferensi butuh beberapa detik—sementara semua node menjalankannya, rantai sudah telat.
Anggap AI sebagai oracle: jalankan hasil di luar rantai lalu masukkan ke dalam rantai—namun tetap ini adalah “masalah oracle yang dibalik”: pada akhirnya Anda harus percaya pada entitas tunggal yang memasukkan data tersebut.
Solusi OpenGradient: pemisahan eksekusi dan verifikasi. Node inferensi memproses permintaan di dalam TEE dan menghasilkan bukti perangkat keras—kode bukti tidak diubah, input tidak dimanipulasi, dan output tidak diakali. Node penuh hanya memverifikasi bukti (operasi kriptografi murni), tanpa perlu mengetahui prompt, model, atau isi balasan. ZKML juga serupa, hanya menggantinya dengan zero-knowledge proof. Lapisan verifikasi tidak pernah mengeksekusi ulang perhitungan AI; memverifikasi sebuah bukti hanya butuh beberapa milidetik.
Jaringan dibagi menjadi empat jenis node: node inferensi (GPU menjalankan), node penuh (verifikasi bukti + CometBFT consensus), node data (TEE mengambil data eksternal), dan lapisan penyimpanan. Kompatibel dengan EVM, pengembang bisa langsung memanggilnya lewat Hardhat dan Foundry.
Total pasokan OPG adalah 1 miliar keping, dengan alokasi: ekosistem 40%, yayasan 15%, kontributor inti 15%, investor 10%, insentif staking 10%, likuiditas 6%, dan air drop 4%. Dana digunakan untuk membayar biaya inferensi, staking node, insentif model, dan tata kelola.
Risiko: TEE bergantung pada vendor perangkat keras; bila ada celah keamanan, kepercayaan pada bukti bisa menurun. Biaya pembuatan bukti ZKML kurang ramah untuk skenario latensi rendah; serta pelepasan jangka panjang token 1 miliar bisa menimbulkan tekanan jual.
Pendapat pribadi: OpenGradient menyusun ulang lapisan verifikasi sesuai kebutuhan nyata AI, dan alurnya konsisten. Namun, kinerja aktual tetap perlu diverifikasi dengan data mainnet; arah ini layak untuk diikuti.
Bisakah TEE + ZKML menyelesaikan masalah AI black box? Diskusikan di komentar.@OpenGradient
