#opg $OPG OPG 的 adega, não deveria ser apenas para ver quem coloca mais garrafas
Dias atrás eu escrevi sobre OPG e comentei “como deixar o upload/registro de IA na blockchain mais fluido”.
Hoje vou olhar por um ângulo mais duro: uma adega lotada não significa que a garrafa do seu copo é aquela.
Tem coisa parecida no jantar também. #AI
Alguns lugares constroem a adega até o teto, com etiquetas coladas em todo lugar. Quando você realmente vai pedir aquela Borgonha, o atendente só então te avisa: essa garrafa não está em estoque, a etiqueta foi colada no lugar errado, a cozinha pegou outra garrafa do mesmo tipo de outra região, ou a bebida dentro da garrafa já foi trocada.
Se a adega for “grossa”, mas no fim não conseguir garantir que você vai beber exatamente a garrafa da etiqueta, então não passa de uma parede bonita.
Por isso eu olho para o @opengradient: não quero só ver quantos espaços ele tem na adega, mas se ele consegue manter cada garrafa etiquetada em seu lugar.
Na documentação do OpenGradient existe um detalhe: o modelo não é chamado apenas por estar “no nome”. Antes de cada solicitação de inferência ser executada, o sistema valida primeiro o hash dos pesos do modelo dentro do TEE e então compara com a versão registrada na cadeia. Só quando a identidade do modelo, a integridade dos pesos e o ambiente de execução atendem aos requisitos é que começa.
Isso parece não ter a mesma empolgação do “um clique para chamar mil modelos”, mas é importantíssimo.
A IA na blockchain tem medo não só de ter poucos modelos opcionais. #Base
O que assusta ainda mais é ver a etiqueta apontar para uma garrafa e, quando despejam no copo, ser outra. Se os pesos foram substituídos, se a versão é a mais recente, se o ambiente de execução sofreu alguma adulteração… no fim, tudo pode acabar sendo “rastreador” pelo resultado.
A infraestrutura profissional de verdade não deveria ser apenas deixar a adega sempre cheia.
Mas sim: quando o rótulo da garrafa não corresponde, ter coragem de devolver a bebida.
Para desenvolvedores comuns, não é necessário estudar todo dia qual checkpoint está rodando no backend. Mas pelo menos é preciso saber: qual versão do modelo está sendo chamada, se os pesos foram adulterados, e se o resultado pode ser verificado. Se a “bebida da parede” já não bate com aquela etiqueta, não force para dentro do copo só para parecer que tem variedade.
Então hoje, quando eu vejo #opengradient, o que me interessa não é as quatro palavras “suporta quantos modelos”.
Eu me preocupo mais com a consistência de identidade.
Se o OPG fizer com que os desenvolvedores se preocupem menos com o tamanho da adega e, ao mesmo tempo, garanta que cada inferência preserve a origem do modelo, a integridade dos pesos e a verificabilidade do cálculo, então ele não vende apenas “variedade”, mas sim uma experiência de IA na cadeia mais previsível.
Adega cheia é ótimo.
Mas o que faz a pessoa querer voltar para mais um copo é: pedir qual garrafa, beber qual garrafa.
Dias atrás eu escrevi sobre OPG e comentei “como deixar o upload/registro de IA na blockchain mais fluido”.
Hoje vou olhar por um ângulo mais duro: uma adega lotada não significa que a garrafa do seu copo é aquela.
Tem coisa parecida no jantar também. #AI
Alguns lugares constroem a adega até o teto, com etiquetas coladas em todo lugar. Quando você realmente vai pedir aquela Borgonha, o atendente só então te avisa: essa garrafa não está em estoque, a etiqueta foi colada no lugar errado, a cozinha pegou outra garrafa do mesmo tipo de outra região, ou a bebida dentro da garrafa já foi trocada.
Se a adega for “grossa”, mas no fim não conseguir garantir que você vai beber exatamente a garrafa da etiqueta, então não passa de uma parede bonita.
Por isso eu olho para o @opengradient: não quero só ver quantos espaços ele tem na adega, mas se ele consegue manter cada garrafa etiquetada em seu lugar.
Na documentação do OpenGradient existe um detalhe: o modelo não é chamado apenas por estar “no nome”. Antes de cada solicitação de inferência ser executada, o sistema valida primeiro o hash dos pesos do modelo dentro do TEE e então compara com a versão registrada na cadeia. Só quando a identidade do modelo, a integridade dos pesos e o ambiente de execução atendem aos requisitos é que começa.
Isso parece não ter a mesma empolgação do “um clique para chamar mil modelos”, mas é importantíssimo.
A IA na blockchain tem medo não só de ter poucos modelos opcionais. #Base
O que assusta ainda mais é ver a etiqueta apontar para uma garrafa e, quando despejam no copo, ser outra. Se os pesos foram substituídos, se a versão é a mais recente, se o ambiente de execução sofreu alguma adulteração… no fim, tudo pode acabar sendo “rastreador” pelo resultado.
A infraestrutura profissional de verdade não deveria ser apenas deixar a adega sempre cheia.
Mas sim: quando o rótulo da garrafa não corresponde, ter coragem de devolver a bebida.
Para desenvolvedores comuns, não é necessário estudar todo dia qual checkpoint está rodando no backend. Mas pelo menos é preciso saber: qual versão do modelo está sendo chamada, se os pesos foram adulterados, e se o resultado pode ser verificado. Se a “bebida da parede” já não bate com aquela etiqueta, não force para dentro do copo só para parecer que tem variedade.
Então hoje, quando eu vejo #opengradient, o que me interessa não é as quatro palavras “suporta quantos modelos”.
Eu me preocupo mais com a consistência de identidade.
Se o OPG fizer com que os desenvolvedores se preocupem menos com o tamanho da adega e, ao mesmo tempo, garanta que cada inferência preserve a origem do modelo, a integridade dos pesos e a verificabilidade do cálculo, então ele não vende apenas “variedade”, mas sim uma experiência de IA na cadeia mais previsível.
Adega cheia é ótimo.
Mas o que faz a pessoa querer voltar para mais um copo é: pedir qual garrafa, beber qual garrafa.