#OPG $OPG @OpenGradient
Чем больше я изучаю децентрализованный ИИ, тем больше мне кажется, что мы задаём не тот вопрос.
Проверяемое выполнение — это большой прорыв: оно доказывает, что модель была выполнена так, как ожидалось. Но одно лишь выполнение не говорит нам, надёжна ли модель, устойчива ли она или достаточно ли она обучилась, чтобы обобщать за пределами данных, которые она уже видела.
Вот где важны доказательства.
OpenGradient уже добился ощутимого прогресса: размещены тысячи моделей ИИ и выполнены миллионы запросов на инференс. Эти цифры демонстрируют принятие, но принятие и качество модели — это не одно и то же.
Именно здесь становятся интересными такие понятия, как VC-измерение. Модель с большей гибкостью обычно требует более сильных доказательств, прежде чем мы сможем доверять тому, что её результаты распространяются за рамки знакомых примеров. Без достаточных доказательств уверенность может выглядеть убедительно, но при этом быть статистически слабой.
Та же идея применима и к сети.
Спрос на вычисления может расти быстро. Спрос на токены может отражать этот рост. Но долгосрочная ценность приходит не просто от доказательства того, что ИИ работал корректно, — а от того, что результаты заслуживают доверия.
В децентрализованном ИИ прозрачные доказательства со временем могут стать столь же важными, как и прозрачное выполнение.
#OpenGradient #AI #DeAI
Чем больше я изучаю децентрализованный ИИ, тем больше мне кажется, что мы задаём не тот вопрос.
Проверяемое выполнение — это большой прорыв: оно доказывает, что модель была выполнена так, как ожидалось. Но одно лишь выполнение не говорит нам, надёжна ли модель, устойчива ли она или достаточно ли она обучилась, чтобы обобщать за пределами данных, которые она уже видела.
Вот где важны доказательства.
OpenGradient уже добился ощутимого прогресса: размещены тысячи моделей ИИ и выполнены миллионы запросов на инференс. Эти цифры демонстрируют принятие, но принятие и качество модели — это не одно и то же.
Именно здесь становятся интересными такие понятия, как VC-измерение. Модель с большей гибкостью обычно требует более сильных доказательств, прежде чем мы сможем доверять тому, что её результаты распространяются за рамки знакомых примеров. Без достаточных доказательств уверенность может выглядеть убедительно, но при этом быть статистически слабой.
Та же идея применима и к сети.
Спрос на вычисления может расти быстро. Спрос на токены может отражать этот рост. Но долгосрочная ценность приходит не просто от доказательства того, что ИИ работал корректно, — а от того, что результаты заслуживают доверия.
В децентрализованном ИИ прозрачные доказательства со временем могут стать столь же важными, как и прозрачное выполнение.
#OpenGradient #AI #DeAI