#opg $OPG
Dulu, saya suka menilai AI yang dapat diverifikasi dengan satu aturan malas:
Bukti terkuat harus menjadi bukti terbaik.
Kemudian saya melihat bagaimana @OpenGradient menangani berbagai beban kerja dan menyadari bahwa aturan itu akan membuat AI hampir tidak dapat digunakan.
Percakapan normal di chat.opengradient.ai memerlukan privasi, bukti bahwa kode yang disetujui menangani permintaan, dan jawaban yang cukup cepat agar terasa seperti chat. TEE cocok untuk pekerjaan itu karena menyediakan attestation yang didukung perangkat keras tanpa memaksa pengguna menunggu melalui pembuatan bukti yang berat.
ZKML menyelesaikan masalah yang lebih sulit.
Ini dapat membuktikan secara matematis bahwa model tertentu menghasilkan hasil tertentu. Tingkat kepastian itu masuk akal ketika output ML dapat memicu likuidasi, memindahkan dana, atau mengubah keputusan on-chain.
Namun, menghasilkan bukti itu bisa menghabiskan biaya ribuan kali lebih banyak komputasi.
Letakkan ZKML di belakang setiap kalimat dari LLM dan asisten yang "aman" menjadi ruang tunggu yang mahal.
Kemudian ada tanda tangan. Mereka dapat menunjukkan node mana yang mengembalikan output dan apakah itu telah diubah, tetapi mereka tidak membuktikan bahwa eksekusi itu sendiri benar. Itu mungkin masih cukup untuk eksperimen atau tugas berisiko rendah.
Apa yang membuat saya tercerahkan adalah bahwa ini bukan versi yang lebih kuat dan lebih lemah dari alat yang sama.
Mereka melindungi terhadap berbagai kegagalan.
Keunggulan OpenGradient adalah memungkinkan verifikasi untuk mencocokkan konsekuensi dari jawaban bahkan mencampur metode ketika satu alur kerja memiliki tingkat risiko yang berbeda.
Pertanyaannya bukan, "Mengapa tidak semuanya menggunakan bukti terkuat?"
Tapi, "Apa yang sebenarnya akan hilang jika jawaban spesifik ini salah?"
Itu terasa seperti fondasi yang jauh lebih praktis untuk $OPG .
Dulu, saya suka menilai AI yang dapat diverifikasi dengan satu aturan malas:
Bukti terkuat harus menjadi bukti terbaik.
Kemudian saya melihat bagaimana @OpenGradient menangani berbagai beban kerja dan menyadari bahwa aturan itu akan membuat AI hampir tidak dapat digunakan.
Percakapan normal di chat.opengradient.ai memerlukan privasi, bukti bahwa kode yang disetujui menangani permintaan, dan jawaban yang cukup cepat agar terasa seperti chat. TEE cocok untuk pekerjaan itu karena menyediakan attestation yang didukung perangkat keras tanpa memaksa pengguna menunggu melalui pembuatan bukti yang berat.
ZKML menyelesaikan masalah yang lebih sulit.
Ini dapat membuktikan secara matematis bahwa model tertentu menghasilkan hasil tertentu. Tingkat kepastian itu masuk akal ketika output ML dapat memicu likuidasi, memindahkan dana, atau mengubah keputusan on-chain.
Namun, menghasilkan bukti itu bisa menghabiskan biaya ribuan kali lebih banyak komputasi.
Letakkan ZKML di belakang setiap kalimat dari LLM dan asisten yang "aman" menjadi ruang tunggu yang mahal.
Kemudian ada tanda tangan. Mereka dapat menunjukkan node mana yang mengembalikan output dan apakah itu telah diubah, tetapi mereka tidak membuktikan bahwa eksekusi itu sendiri benar. Itu mungkin masih cukup untuk eksperimen atau tugas berisiko rendah.
Apa yang membuat saya tercerahkan adalah bahwa ini bukan versi yang lebih kuat dan lebih lemah dari alat yang sama.
Mereka melindungi terhadap berbagai kegagalan.
Keunggulan OpenGradient adalah memungkinkan verifikasi untuk mencocokkan konsekuensi dari jawaban bahkan mencampur metode ketika satu alur kerja memiliki tingkat risiko yang berbeda.
Pertanyaannya bukan, "Mengapa tidak semuanya menggunakan bukti terkuat?"
Tapi, "Apa yang sebenarnya akan hilang jika jawaban spesifik ini salah?"
Itu terasa seperti fondasi yang jauh lebih praktis untuk $OPG .