Asfand_01

මම මීට කලකට පෙර AI පිළිතුරක් මත තවත් වැඩි වෙලාවක් රඳා සිටීමට ආසන්න වුණා. ඒත් මටම හිතෙන්න පටන් ගත්තා: "මෙම පිළිතුර ඇත්තටම තමා කියන විදිහට නිර්මාණය වුණා කියලා මට කොහොමද සැබෑවටම දැනගන්නෙ?" මට ඒක සත්‍යාපනය කරන්නවත් දෙයක් නැතිවම ප්‍රතිඵලය විශ්වාස කරන්න මම සූදානම් වෙලා හිටියා. ඒ කුඩා මොහොත AI ගැන මම හිතන විදිහ සම්පූර්ණයෙන්ම වෙනස් කළා.

ඊට පස්සේ, මට වැඩි උනන්දුවක් තියෙන්නේ මොඩලයක් කොතරම් ඉක්මනින් ප්‍රතිචාර දෙනවාද කියන එකට නොව, ඒ ප්‍රතිදානය ස්වාධීන සත්‍යාපනයකට ඔරොත්තු දෙන්න පුළුවන්ද කියන එකටයි. ඒක මට පර්යේෂණ පත්‍රිකාවක් කියවන විට, නිගමනයට තරම්ම ක්‍රමවේදයටත් වැදගත්කමක් තියෙන බව දැනෙන හැටි මතක් වෙනවා.

ඒක නිසා @OpenGradient මට ඇත්තටම අවධානය යොමු කළා. සනාථ කිරීම (verification) සහ අනුමාන කිරීම (inference) එකට සම්බන්ධ කරගන්න එක, proof එක පසුව කරන දෙයක් විදිහට සැලකීම වෙනුවට. ඒක AI වගකීම (accountability), විනිවිද පෙනෙන ගණනය කිරීම් (transparent computation), ප්‍රතිනිෂ්පාදනය කළ හැකි ප්‍රතිදාන (reproducible outputs), සහ විශ්වාසදායක AI පද්ධති වගේ දේවල් කරා යන වැදගත් පියවරක් කියලා මට දැනෙනවා. කෙටි කාලෙදි නොව දීර්ඝ කාලෙදි විශ්වාසය, උපකල්පනවලින් නොව සාක්ෂි වලින් ආ යුතුයි.
#opg $OPG

AI සඳහා ඇති විශාලතම අභියෝගය තවදුරටත් බුද්ධිය නොව වගවීම (accountability)ද යන්න ගැන මම දිගින් දිගටම කල්පනා කරමින් සිටිමි. ආකෘති (models) ප්‍රවේශ වීමට පහසු වෙමින් පැවතුණත්, ප්‍රතිදානයක් (output) කවුද නිර්මාණය කළේද, එයට බලපෑ දත්ත (data) මොනවාද, නැතහොත් එම ක්‍රියාවලිය (process) ස්වාධීනව පරීක්ෂා කළ හැකිද යන්න තේරුම් ගැනීම තවමත් දුෂ්කරය. AI දෛනික තීරණ වෙතට යන තරමට මෙම අවිනිශ්චිතතාවය වඩාත් වැදගත් ලෙස පෙනෙයි.

මෙහි පොදු ගැටලුව වන්නේ විශ්වාසය (trust) බොහෝවිට කීර්තිය (reputation) මත පමණක් තබා නොගෙන ගොඩනැගිය නොහැකි වීමයි. නිර්මාණකරුවන්, භාවිත කරන්නන්, සහ සම්පූර්ණ පරිසර පද්ධති (ecosystems) සඳහා, අන්ධ විශ්වාසයක් බලාපොරොත්තු වීම වෙනුවට, සත්‍යාපනය (verification) ක්‍රියාත්මක කිරීම ප්‍රායෝගික කරවන පද්ධති අවශ්‍ය වේ. එම පදනම නොමැති නම්, මාදිලි/ආකෘති ගුණාත්මකභාවය දිගටම වැඩි වුවද, පිළිගැනීම (adoption) මන්දගාමී විය හැක.

@OpenGradient t ගැන මාගේ අවධානය යොමු වූ එක් හේතුවක් වන්නේ එය සත්‍යාපනය කළ හැකි ගණනය (verifiable computation) කෙරෙහි දක්වන අවධානයයි. AI එක “black box” එකක් ලෙස සලකනවා වෙනුවට, ක්‍රියාත්මක වීම (execution) තවත් විනිවිද කළ හැකි ලෙස කිරීම අදහසයි. මෙම ප්‍රවේශය ක්‍රියාත්මක විය හැකි (practical) බව ඔප්පු වුවහොත්, විමධ්‍යගත AI ජාලයන් (decentralized AI networks) හරහා විශ්වාසය ශක්තිමත් කළ හැක.

කෙසේවෙතත්, සත්‍යාපනය එක් කිරීම ද වියදම් (costs) ද ගෙන එයි. වැඩි යටිතල පහසුකම් (infrastructure), සම්බන්ධීකරණය (coordination), සහ තාක්ෂණික සංකීර්ණත්වය (technical complexity) මේ සමඟ පැමිණේ. ප්‍රතිලාභ (benefits) පැහැදිලිව ඝර්ෂණය (friction) අභිබවා යන්නේ නැත්නම්, ඒවා පිළිගැනීමට බාධා කළ හැක.

AI හි දිගුකාලීන වටිනාකම, එය නිර්මාණය කිරීම (generating) තරම්ම ප්‍රතිඵල (results) ඔප්පු කිරීම කෙරෙහි රඳා තිබිය හැකි බව මම සිතමි. නමුත් එම සමතුලිතතාවය කෙසේ වෙනස් වේද කියා දැන්ම දැන ගැනීමට තවමත් ඉක්මන්ය.

AI සඳහා විනිවිද පෙනෙන සත්‍යාපනයක් (transparent verification) සැමවිටම පෙරනිමිති අපේක්ෂාවක් බවට පත්වෙයිද, නැතහොත් පහසුව (convenience) සැමවිටම ජය ගනීද?
#opg $OPG

AI மாதிரிகள் துல்லியமானதா என்பது குறித்து குறைவாகவும், அவற்றைச் சூழ்ந்துள்ள அமைப்புகள் நம்பிக்கைக்கு உரியவையா என்பது குறித்து அதிகமாகவும் நான் யோசித்து வந்துள்ளேன். ஒரு திறமையான மாதிரி எந்த மதிப்பும் இல்லாமல் போகலாம்—அது எங்கிருந்து வந்தது, யார் அதை மாற்றினார்கள், அல்லது வெவ்வேறு பயனர்கள் உண்மையில் அதே பதிப்புடன் தொடர்பில் இருக்கிறார்களா என்பதை யாரும் சரிபார்க்க முடியாவிட்டால்.

இதுதான் தொழில்துறைக்கு மிகப் பெரிய சவாலாகத் தோன்றுகிறது. AI நாள்தோறும் செயல்முறைகளின் ஒரு பகுதியாக மாறும் போது, மூல செயல்திறனைவிட வெளிப்படையான ஒருங்கிணைப்பு (transparent coordination) மீது நம்பிக்கை அதிகமாக தங்கும். கட்டமைப்பாளர்கள் (builders), பயனர்கள் (users), மற்றும் நெட்வொர்க்குகள் (networks) ஆகிய அனைவருக்கும், தேவையற்ற இடையூறை ஏற்படுத்தாமல் பகிரப்பட்ட கருதுகோள்களை (shared assumptions) சரிபார்க்கும் வழிகள் தேவை.

நான் தொடர்ந்து கவனித்து வருவதற்கான ஒரு காரணம் @OpenGradient ; அது சரிபார்க்கக்கூடிய AI அடிப்படை (infrastructure) மீது கவனம் செலுத்துகிறது. மாதிரி (model) தன்னைத்தானே சாராமல், மாதிரி அடையாளம் (model identity) மற்றும் ஆதாரம்/முன்னோடி (provenance) ஆகியவற்றை தனித்தனியாக நிலைநிறுத்த (anchored) முடியும் என்ற எண்ணம், பரவலான (distributed) AI-யை வெறுமனே அதிகமாக அணுகக்கூடியதாக (accessible) மாற்றுவதற்குப் பதிலாக மேலும் பொறுப்புடையதாக (accountable) மாற்ற ஒரு நடைமுறை முன்னேற்றமாகத் தோன்றுகிறது.

ஆனால், வலுவான சரிபார்ப்பு கூட செலவுகளை அறிமுகப்படுத்துகிறது. கூடுதல் ஒருங்கிணைப்பு (coordination), ஒருங்கிணைப்பு சிக்கல் (integration complexity), மற்றும் இயக்குநர்களுக்கு (operators) உள்ள ஊக்கங்கள் (incentives) ஆகியவை ஏற்றுக்கொள்வதை (adoption) மெதுவாக்கக் கூடும்—குறிப்பாக டெவலப்பர்கள் வெளிப்படைத்தன்மையை விட வசதிக்கு முன்னுரிமை கொடுத்தால்.

இன்னும் ஒரு சரியான சமநிலை (perfect balance) உள்ளது என்று நான் உறுதியாக சொல்ல முடியவில்லை; ஆனால் இன்று எடுக்கப்படும் அடிப்படைத் தீர்மானங்கள் (infrastructure decisions) நாளை மக்கள் AI அமைப்புகள் மீது வைக்கும் நம்பிக்கையின் அளவை வடிவமைக்கும் என்று நான் நிச்சயமாக நினைக்கிறேன்.

அவர்கள் தேவைப்படும் கூடுதல் சிக்கல்களை (extra complexity) ஏற்க போதுமான அளவுக்கு பயனர்கள் இறுதியில் சரிபார்க்கக்கூடிய (verifiable) AI-யை மதிப்பார்களா?
#opg $OPG

$BTC /USDT – කෙටි
කාල රාමුව: 15M
සැකසුම: ප්‍රතිරෝධය ප්‍රතික්ෂේප කිරීම / හැකි අඩු ඉහළ (lower high) සෑදීම

පිවිසීම: 65,800 – 66,100
ලාභ ඉලක්කය: 64,200
ලාභ ඉලක්කය 2: 62,200
අවදානම් නතරය: 67,000

$SKR SHORT (Single Position)
Setup: Double Top → bearish reversal confirmed
Entry: Market price
Take Profit: 0.018169
Stop Loss: 0.028000