alexxy29

Заблокированная транзакция никогда не появится в блокчейне.
Но иногда именно она оказывается самой важной.
Большинство инфраструктуры onchain создано, чтобы фиксировать то, что произошло.
Аудит — потом.
Предупреждения — потом.
Анализ — тоже потом.
Эти инструменты помогают нам понять прошлое.
Но они не могут изменить результат, который уже был записан в цепочку.
Вот почему я вижу, что Ньютон пошёл в довольно ином направлении.
Вместо того чтобы наблюдать за транзакцией после того, как она совершена, Ньютон проверяет транзакцию по политикам до settlement — и только если условия соблюдены, транзакции разрешается продолжить.
Звучит так, будто просто поменяли местами шаг проверки.
Но я думаю, что действительно меняется роль policy.
Теперь policy больше не используется для объяснения того, что уже произошло.
Она начинает решать, что вообще можно сделать.
Вот в чём различие двух подходов к созданию инфраструктуры.
Одна сторона пытается обнаруживать риски.
Другая — пытается сделать так, чтобы риски никогда не возникали.
Когда vaults, AI agents и автоматизированные системы начинают вместо людей принимать миллионы решений в день, я думаю, что наибольшая ценность будет не в том, чтобы находить ещё больше плохих транзакций.
А в том, чтобы количество плохих транзакций, которые никогда не создаются, было как можно выше.
Возможно, когда‑нибудь успех безопасностной инфраструктуры будут измерять не количеством предупреждений, которые она генерирует.
А количеством инцидентов, которые никогда не должны были случиться. #newt $NEWT $THE $VELVET

Что создаёт больше ценности в onchain?

Есть одна мысль, которую я довольно долго считал неверной.
Я раньше думал, что если policy написана правильно, то и результат будет правильным.
Но прочитав @NewtonProtocol , понял, что этого недостаточно.
Одна и та же policy.
Достаточно изменить несколько параметров — лимиты на сделки, список разрешённых, срок действия — и фактический результат выполнения может полностью отличаться.
Интересно то, что логика вообще не меняется.
Меняется только контекст, в котором эта логика применяется.
Тогда я понял одну вещь.
Во многих системах не код определяет уровень доверия.
А конфигурация.
Код обычно проверяют аудитом.
Конфигурацию же редко рассматривают так внимательно.
Хотя именно в ней и заложены человеческие суждения, которые затем попадают в систему.
Newton сделал это довольно хорошо: каждый раз, когда PolicyClient меняет конфигурацию, он создаёт новый policyId.
По крайней мере пользователи понимают, что система выполняет другую конфигурацию, а не ту, что была раньше.
Но у меня всё ещё есть вопрос.
Если два приложения используют одну и ту же policy, но конфигурации у них полностью разные.
Мы повторно используем один и тот же набор правил.
Или под одним и тем же названием создаём две разные системы доверия?
Возможно, будущее policy — это не только прозрачность логики.
Но и прозрачность тех предположений, которые закладываются ещё до того, как логика начнёт работать.
#newt $NEWT $M

What deserves more scrutiny in a policy system?

Иногда вера не исчезает из-за того, что в системе произошла ошибка.
Она исчезает потому, что прошло слишком много времени, и уже никто не проверяет систему.
Я заметил это, когда стал наблюдать, как ИИ начинает участвовать во всё большем числе решений.
От сделок и распределения активов до автоматизации процессов — чем больше задач передают машине, тем меньше людей смотрят на каждый промежуточный шаг.
Достаточно лишь несколько раз получить верный результат — и проверка постепенно превращается в привычку, которую перестают делать.
Именно тогда я взглянул на Ньютона по-другому.
Интересная часть проекта не в политике и не в верификации.
Она в том, чтобы процесс верификации всегда продолжал существовать — даже когда пользователь уже не выполняет его осознанно.
Сделка, которая была принята, не означает, что решение за ней уже заслуживает доверия.
Как правильно вычисленное значение само по себе не гарантирует, что способ решения всегда был верным.
Расстояние между этими двумя вещами становится всё важнее, когда ИИ начинает принимать решения вместо человека.
Я думаю, это различие между системой, которой доверяют, и системой, которая просто хорошо знакома.
Знакомая система заставляет людей перестать задавать вопросы.
Система, которой доверяют, всегда позволяет получить ответ на вопрос.
Возможно, будущее ИИ не будет зависеть от того, насколько сильно мы верим в систему.
А будет зависеть от того, насколько мы ещё способны проверять систему. #newt $NEWT $SYN $BTC

Что в экономике, движимой ИИ, является более ценным?

Я думал(а), что блокчейн записывает всё самое важное о транзакции.
Но в какой-то момент я понял(а), что самое нужное для меня обычно не находится в сети.
Почему той транзакции вообще было разрешено состояться?
Транзакция может быть полностью валидной.
Правильная подпись.
Правильный smart contract.
Правильный процесс.
Но всё это лишь говорит о том, что произошло.
Оно не объясняет, почему система позволяет это.
Наверное, это ещё не было так важно, пока все решения принимали люди.
Но AI-агенты, делегированные кошельки или автоматизированные стратегии постепенно меняют ситуацию.
Когда машины начинают решать вместо нас, доверие больше не возникает из факта выполнения транзакции.
Оно возникает из того, что это решение было проверено до исполнения.
Вот почему я считаю, что @NewtonProtocol — деньги в одном довольно интересном направлении.
Вместо того чтобы просто фиксировать результат после завершения транзакции, Newton проверяет каждую транзакцию по policy перед settlement и создаёт верифицируемое доказательство того, что решение было принято.
Мне кажется, именно эта часть и является недостающей в onchain.
Блокчейн хранит действия.
Newton хранит причины за действиями.
Транзакция происходит только один раз.
Но если эта «причина» может продолжать использоваться протоколами, AI-агентами или системами управления рисками, её ценность может быть ещё больше, чем сама транзакция.
Возможно, когда onchain становится всё более автоматизированным, то, что создаёт доверие, будет не просто историей транзакций.
А историей решений, которым было разрешено состояться.
#newt $NEWT $SYN

Вы когда-нибудь нажимали на значок «Проверено», чтобы увидеть, что именно он подтверждает?
Я — нет.
Как только я вижу зелёную галочку или подпись «Проверено», у меня автоматически возникает ощущение, что всё, что за этим стоит, уже проверено.
Думаю, так делает большинство из нас.
Чтение про OpenGradient заставило меня задуматься об этой привычке.
Система может работать внутри сред выполнения с доверенной изоляцией (TEEs).
Она может генерировать криптографические подтверждения.
Она может сохранять полный журнал доказательств для каждого вывода.
Но почти никто не смотрит на эти уровни.
Мы смотрим на интерфейс.
На значок.
На метку статуса.
На зелёную галочку.
И это заставило меня задуматься.
Что происходит, когда интерфейс становится более доверенным, чем само доказательство, которое он представляет?
Доказательство всё ещё на месте.
Проверка всё ещё происходит.
Но наша уверенность в итоге привязывается к самому простому, что можно увидеть, а не к тому, что действительно заслуживает нашего доверия.
Возможно, это одна из упущенных проблем в ИИ.
Построение проверяемых выводов — это инженерная задача.
Помочь людям научиться доверять доказательству, а не его визуальной подсказке, — это задача дизайна.
Надёжная система — не та, где интерфейс заменяет доказательство.
А та, где интерфейс честно отражает доказательство, стоящее за ним.
Одна из самых интересных идей, которую я вынес из прочитанного про @OpenGradient
#opg $OPG $VELVET $AGLD

Если доказательство существует, но никто его не проверяет…
Во что на самом деле верят люди?

Каждый раз, когда я читаю whitepaper какого‑то AI‑проекта, я вижу очень длинный список того, что они хотят оптимизировать.
Быстрее.
Дешевле.
Умнее.
Более децентрализовано.
То, чего я редко где встречаю, — это когда они четко говорят, чем именно готовы пожертвовать.
Чтение @OpenGradient заставляет меня задуматься о другом.
Возможно, хорошая инфраструктура — это не та, у которой минимум trade-off.
А та, которая делает так, что пользователи почти не ощущают эти trade-off.
Чтобы сделать более децентрализованным, обычно приходится жертвовать скоростью.
Чтобы повысить верифицируемость, нужно принять дополнительные вычислительные затраты.
Чтобы упростить пользовательский опыт, скрытая за ним система станет сложнее.
Нет архитектуры, которая оптимизирует всё и сразу.
Мне нравится в OpenGradient то, что они не пытаются это отрицать.
Они включают хостинг, inference, верификацию и incentives в одну архитектуру, чтобы trade-off балансировались уже на уровне инфраструктуры, а не решались по отдельности.
Если сделать это хорошо, пользователи даже не будут думать про TEE.
Не будут думать о verification.
Не будут думать о нодах или криптографических аттестациях.
Они просто видят, что AI работает так, как ожидается.
И, возможно, именно это и есть признак хорошей инфраструктуры.
Не тогда, когда пользователь понимает, насколько это сложно.
А когда ему больше не нужно думать об этой сложности.
Это то направление, которое я вижу в OpenGradient.
#opg $OPG $ACT $VELVET

Самое сложное в ИИ может быть не в том, чтобы сгенерировать ответ.
А в том, чтобы заставить все машины согласиться, что именно является ответом.
Раньше я думал, что верификация ИИ — это просто ответы на три вопроса.
Соответствует ли модель.
Соответствуют ли входные данные.
Соответствует ли результат.
Но, прочитав про @OpenGradient x, я понял, что всё ещё не хватает одного, более важного вопроса.
Если две машины полностью честно запускают одну и ту же модель ИИ, но выдают результат, который немного отличается, какую версию примет сеть?
Никто не жульничает.
Модель тоже не менялась.
ИИ — это по сути приближённые вычисления. Различия в железе, способе выполнения или точности арифметики могут давать совсем небольшие расхождения.
В обычном диалоге это почти не имеет значения.
Но если результат используется для запуска AI-агента, выполнения транзакции или принятия решения on-chain, сеть не может принять две версии одного и того же вычисления.
И тогда я понял, что OpenGradient занимается не только verifiable inference.
Они пытаются определить единственный (canonical) путь выполнения через Trusted Execution Environments (TEE) и криптографические аттестации, чтобы все узлы могли согласиться с одним и тем же процессом вычислений.
Это заставило меня иначе посмотреть на верификацию.
Верификация не просто доказывает, что ИИ был запущен.
Она определяет, какая версия вычисления станет «истиной», которую примет вся сеть.
Блокчейн не требует, чтобы все были правы.
Блокчейн работает только тогда, когда все согласны, что именно является верным.
Похоже, децентрализованному ИИ тоже придётся быть таким же.
#opg $OPG $VELVET

🗳️ Если два честных узла ИИ дают разные результаты, чему должна доверять сеть?

Есть одна мысль, что рынок смотрит на ИИ примерно так же, как раньше смотрели на комплаенс.
Когда упоминают комплаенс, люди обычно представляют себе больше аудитов, больше документов и больше процессов — чтобы доказать, что система работала правильно.
Но если ИИ действительно станет инфраструктурой, должен ли комплаенс по-прежнему работать таким образом?
Именно тогда я начал внимательнее читать OpenGradient.
Сначала я думал, что главная особенность проекта — это приватность и децентрализованный ИИ.
Чем больше я читал whitepaper, тем яснее видел, что они решают другую задачу.
Комплаенс не обязательно выполнять после того, как система уже запущена.
Его можно встроить прямо в инфраструктуру.
OpenGradient использует Trusted Execution Environments (TEE) в сочетании с криптографическими аттестациями, чтобы создавать доказательства того, что конкретная сессия вывода (inference) действительно прошла так, как было заявлено.
Звучит как техническая деталь.
Но то, что я нахожу особенно интересным, — это экономический эффект.
Когда верификация закладывается в инфраструктуру, стоимость создания доверия начинает снижаться.
Комплаенс не исчезает.
Он просто переносит границу доверия: с людей и процессов — на криптографические гарантии.
Если это станет стандартом, конкурентное преимущество ИИ может заключаться не только в бенчмарках или скорости.
Оно будет принадлежать тем сетям, в которых trust становится свойством инфраструктуры, а не тем, что потом приходится доказывать процессом.
Это направление, которое, как мне кажется, @OpenGradient строит.

#opg $OPG $PUNDIX $SIREN

Люди часто спрашивают, как создаётся ответ ИИ.
А мне попался более интересный вопрос.
Куда уходит ответ после того, как он перестаёт быть частью ИИ?
Когда он появляется на экране, это просто несколько строк текста.
Но через пару минут он уже может оказаться в электронном письме, в фрагменте кода, в отчёте или стать входными данными для другой системы ИИ.
К тому моменту очень немногие продолжают считать это ответом.
Он становится частью решения.
То, что заставляет меня задуматься, — большинство ошибок не заканчиваются на первом же разе.
Непроверенный результат может быть скопирован в другую систему.
Затем в него снова поверит другой человек.
Потом он станет основой для следующего решения.
Ошибки не исчезают.
Они лишь меняют место, где существуют.
Вот почему я вижу @OpenGradient , которая решает проблему куда более масштабную, чем просто сделать ИИ умнее.
Если каждую итерацию вывода можно проверять и отслеживать, то защищается не только результат в момент его создания.
Защищается весь последующий путь этого результата.
Я думаю, когда ИИ начнёт участвовать в финансах, автоматизации или цифровой инфраструктуре, важный вопрос уже не будет таким:
"Что ответил ИИ?"
А будет таким:
"Через какие системы прошёл этот ответ, прежде чем попасть ко мне?"
Есть ответы, которые создаются всего за несколько секунд.
Но они могут продолжать влиять на множество систем ещё очень долго после того, как окно чата закроется.
#opg $OPG $SYN

Так что, ответ ИИ должен быть...

У меня есть довольно странная привычка, когда я смотрю на новый проект. Вместо того чтобы читать роадмап, я обычно прокручиваю таймлайн назад, чтобы увидеть, что они сделали до появления токена, до появления сообщества и до любых финансовых причин, которые могли бы привлечь внимание других.
Это не потому, что прошлое определяет будущее. А потому, что прошлое — это единственное, что невозможно подправить, чтобы оно выглядело лучше.
Крипта за последние несколько лет показала нам слишком много проектов, построенных на нарративах. В каждом цикле появляется новый набор ключевых слов: ИИ, блокчейн, агент, DePIN... Появляются Whitepaper, роадмапы, токены. Продукты все еще где-то в будущем.
Вот почему я возвращаюсь к @OpenGradient довольно просто. Я не начинаю с токена или оценки, а с того, что уже существовало до этого.
BitQuant имел более 50 000 бета-пользователей до того, как токен официально появился. Стек агентов, шаблон запросов и коннектор были открыты. Тестовая сеть обработала миллионы проверяемых выводов до того, как мейннет заработал.
Я не думаю, что все это гарантирует успех. В крипте ничего не гарантировано. Но это показывает то, что я всегда ценил больше, чем обещания: следы исполнения.
Рынок обычно оценивает то, что проект говорит, что он будет делать. Таймлайн показывает, что они действительно сделали.
И иногда самое ценное, что можно прочитать о проекте, не находится в whitepaper. Оно в том, что было построено, когда никто не платил за его создание.
#opg $OPG $BEAT

Несколько дней назад я использовал ИИ, чтобы спланировать довольно важную работу.
Он предложил множество вариантов. Я выбрал один, который мне понравился, немного подкорректировал и начал действовать.
Примерно через час я вернулся, чтобы прочитать всё с самого начала, и передумал.
Это не был неправильный ответ, в этом всё имеет смысл.
Но чем больше я читал, тем больше понимал, что это не тот путь, который мне действительно нужен.
Я почти всё удалил и начал заново.
В тот момент я осознал одну вещь.
Большинство современных ИИ-систем строятся вокруг положительных сигналов: выбранные ответы, сохранённый контент, высоко оценённая обратная связь.
Но то, что заставляет людей меняться, часто находится в другом месте.
То, что я запомнил больше всего в тот день, это не выбор, который я оставил.
А выбор, который я отменил.
Правильное решение приводит к результату.
Решение, которое заставляет меня начать заново, обычно оставляет более важный урок.
Если это так, я задаюсь вопросом, не упускает ли ИИ один из самых ценных сигналов.
Это заставляет меня думать о @OpenGradient .
Когда речь заходит о пользовательском интеллекте, большинство людей думает о данных или истории чата.
Но изменения мнения, ошибки и отменённые решения также являются частью этого интеллекта.
Если эти сигналы действительно ценны для создания лучшего ИИ, они должны принадлежать тем, кто их испытал.
Будущее ИИ может не формироваться самыми популярными ответами.
А уроками, которые люди извлекают из выборов, которые они никогда больше не повторят.
#opg $OPG $BTW $SYN

Если бы ИИ мог учиться только на одном сигнале, какой бы вы избрали?

Я заметил одну странную вещь в текущей гонке AI
Когда появляется новая модель, все сразу начинают сравнивать бенчмарки, способность логического мышления или скорость отклика. Достаточно, чтобы результаты были лучше на несколько процентов, чтобы создать тысячи аналитических статей
Но чем больше я использую AI, тем больше я вижу, что есть другой вопрос, который стоит обсудить
Что произойдет, когда AI станет местом, где мы мыслим словами?
Сначала AI помогает мне находить информацию. Затем писать контент, анализировать идеи, планировать работу. И тогда я понимаю, что разговоры с AI начинают содержать больше личных деталей, чем любая история поиска ранее
Проекты, над которыми я работаю, нерешенные решения,...
Вещи, которыми я еще не готов делиться с другими
Вот когда я вижу, что приватность в AI часто понимается довольно узко
Многие рассматривают приватность как уровень защиты данных. Но более ценное находится в другом. Когда я чувствую, что разговор действительно принадлежит мне, я задаю вопросы по-другому, думаю иначе и использую AI совершенно иначе
Система может быть очень умной, но если пользователь всегда должен обдумывать, что говорить, а что оставить при себе, ценность этой умности тоже ограничена
После прочтения о @OpenGradient мне стало интересно не количество интегрированных моделей или функции интерфейса
То, что меня поразило, это подход с акцентом на приватность с самого низкого уровня
Если AI постепенно становится местом, где люди работают, учатся, думают каждый день, важный вопрос не только в том, какая модель самая умная.
А в том, в каком месте пользователи достаточно доверяют, чтобы сказать то, что они действительно думают
#opg $OPG $BLESS

Я неправильно понял OpenGradient.
Сначала я думал, что это просто место для обмена между множеством AI-моделей в одном интерфейсе.
Claude.
GPT.
Grok.
Звучит удобно, но не достаточно, чтобы привлечь мое внимание.
Потом я почитал внимательнее.
OpenGradient Chat — это лишь часть, которую видит пользователь.
То, что @OpenGradient действительно строится, находится за кулисами.
Сеть, где AI-модели могут храниться, выполнять выводы и проверяться.
Последняя деталь как раз и заставила меня остановиться.
Каждый день мы получаем миллионы ответов от AI.
Но почти никто не задает очень простой вопрос:
Как узнать точно, какая модель создала этот ответ?
Не изменился ли ввод где-то?
Действительно ли конечный результат — это исходный вывод модели или он был изменен позже?
В настоящее время ответ обычно основывается на доверии.
Это нормально, когда я спрашиваю рецепт или планирую поездку.
Но когда AI начинает принимать участие в решениях, связанных с активами, торговлей или действиями в цепи, одного доверия недостаточно.
OpenGradient подходит к этой проблеме по-другому.
Вместо того чтобы требовать от пользователей доверять системе, они строят механизм, позволяющий пользователям проверять,
Какая модель запускалась
Где происходил вывод
Как был получен результат
Каждое рассуждение сопровождается проверяемыми доказательствами.
Вот тогда я понял, что OpenGradient не пытается создать лучшее чат-бота.
Они превращают вычисления AI в проверяемый актив.
В ближайшие несколько лет важный вопрос может быть не:
"Насколько умный этот AI?"
А:
"Можешь ли ты доказать, что он действительно сделал то, что говорит?"
#opg $OPG $RE

Вчера я попробовал кое-что довольно простое с OpenGradient Chat.
Я дал ИИ несколько коротких заметок о проекте и попросил оценить, намеренно убрав дату, источник информации и причину, по которой мне нужен ответ.
Я хотел увидеть, как ИИ отреагирует, когда контекст неполный.
Он ответил очень быстро.
Фразы были стройными.
Аргументы логичными.
Прочитав, я почти сразу же поверил.
Потом я посмотрел на входные данные.
Все, что я предоставил, было лишь несколькими разрозненными кусочками.
То, что заставило меня остановиться, не заключалось в качестве ответа.
А в ощущении, что он более уверен, чем нужно.
Чем больше я использую ИИ, тем больше я понимаю, что пробелы в вопросах не менее важны, чем ответы.
Когда данные отсутствуют, я хочу, чтобы ИИ указал на это.
Я хочу знать, какая часть основана на реальной информации.
Какая часть является лишь выводом.
И какая часть требует дополнительных данных, прежде чем прийти к выводу.
Вот почему я заинтересовался @OpenGradient
OpenGradient Chat — это место, где я взаимодействую с ИИ.
За этим стоит инфраструктура Open Intelligence, где модели могут храниться, проводить выводы и проверяться в большом масштабе.
При принятии важных решений возможность проверки полностью меняет способ, которым я читаю ответ.
Контекст достаточен?
На чем основан этот вывод?
Какова степень уверенности?

Надежный ИИ не просто дает ответы.
Он помогает пользователям осознать, что еще недостает, прежде чем превратить этот ответ в решение.
#opg $OPG $BTW

Я могу перенести свои контакты на новый телефон за считанные минуты.
Я могу переводить деньги между банками за секунды.
Даже мои плейлисты и фототеки могут быть сохранены и перемещены куда угодно.
Но есть одна вещь, на которую я потратил сотни часов, и которую я все еще не могу взять с собой.
Мой контекст ИИ.
Как я работаю.
Проекты, над которыми я работаю.
Как я предпочитаю получать обратную связь.
Все, что ИИ узнал обо мне за сотни разговоров.
Все это остается закрытым внутри отдельных платформ.
Переход на другую модель означает начинать с нуля.
Мы называем это "ИИ без памяти."
Чем больше я об этом думаю, тем больше это похоже на форму замыкания пользователей.
Пользователи создают контекст.
Контекст создает ценность.
Ценность остается на платформе.
Когда компания решает, что ИИ запоминает, что забывает и как эти данные используются, память перестает быть функцией.
Это становится вопросом собственности.
Вот почему я обращаю внимание на @OpenGradient
Если инфраструктура ИИ построена децентрализованно, цифровая память пользователей может существовать независимо от любой отдельной модели.
Куда вы это возьмете - ваш выбор.
Что вы оставите - ваше решение.
Что вы удалите - это зависит от вас.
Мы привыкли владеть своими данными.
Может, пришло время владеть и нашим контекстом тоже.
$OPG #opg $RE $SYN

Ты можешь понять, насколько умным может быть ИИ, всего за несколько минут использования.
Сколько времени тебе нужно, чтобы поверить, что твой разговор действительно приватен?
Это то, о чем я подумал, когда увидел, что OpenGradient Chat раздает 1.000 кредитов бесплатно для новых пользователей.
На первый взгляд, это выглядит как обычная программа привлечения пользователей.
Но с продуктом, построенным вокруг приватности, 1.000 кредитов решают еще одну проблему:
Разрыв доверия.
Скорость ответа можно оценить сразу.
Качество ответов можно проверить сразу.
Приватность - нет.
Ты не видишь, как работает локальное шифрование.
Ты не видишь oblivious relay.
Ты также не видишь, как TEE gateway обрабатывает данные.
Большинство пользователей не читает техническую документацию.
Они решают остаться или уйти всего за несколько минут опыта.
Возможно, 1.000 кредитов существуют, чтобы создать этот момент.
Момент, когда пользователь осознает, что начинает задавать вопросы иначе, зная, что никто не может читать его разговор.
Примечательно, что @OpenGradient не только вознаграждает за регистрацию.
Airdrop сезона 2 предназначен для тех, кто покупает кредиты и действительно использует продукт.
Регистрация - это первый шаг.
Доверие имеет значение только тогда, когда пользователь возвращается.
chat.opengradient.ai
1.000 кредитов не предназначены для тестирования чат-бота.
Они предназначены для ответа на более сложный вопрос:
Насколько изменится способ общения пользователя с ИИ, когда он действительно поверит, что никто не подслушивает?
#opg $OPG $RE $SYN

На прошлой неделе я снова открыл почту и увидел уведомление о продлении инструмента ИИ, который использую.
Не помню точно, когда зарегистрировался.
Знаю только, что каждый день открываю его.
Чтобы писать.
Чтобы находить идеи.
Чтобы решать задачи.
Я оплачиваю вовремя, даже не задумываясь об этом.
Пока не задался вопросом:
А если завтра аккаунт заблокируют, что тогда?
А если цена удвоится, что тогда?
А если какая-то привычная функция исчезнет, что тогда?
Оказывается, многие из нас строят свою работу и повседневные привычки на инструментах, которыми мы на самом деле не владеем.
Раньше покупка софта означала установку его на свой компьютер.
Теперь мы платим за доступ к интеллекту.
Возможно, это будет нормально большую часть времени.
Но важные вещи обычно начинают замечать только тогда, когда их уже нет.
Тогда я начал интересоваться проектами, которые задают другой вопрос об ИИ.
Какие права должны быть у пользователей, когда интеллект становится инфраструктурой?
Эта точка зрения привлекла мое внимание к @OpenGradient
В то время как многие проекты сосредоточены на построении более мощных моделей, OpenGradient создает Open Intelligence - инфраструктуру ИИ, где конфиденциальность, возможность проверки и право собственности ставятся на первое место.
ИИ станет новым слоем инфраструктуры интернета.
И важнейшая инфраструктура будущего не должна быть лишь тем, что мы арендуем.
#opg $OPG $H $BTW