#opg $OPG Càng nhìn vào kiến trúc của @OpenGradient, tôi càng cảm thấy thách thức thực sự không phải là lưu trữ các mô hình AI hay thậm chí là bảo mật sự suy diễn—mà là phối hợp sự khan hiếm.

#Walrus giải quyết một phần của vấn đề bằng cách tách lưu trữ mô hình lớn khỏi sự đồng thuận trên chuỗi. Các validator chỉ cần tham chiếu nhỏ gọn, không phải toàn bộ mô hình nền tảng. Nhưng trong một sự kiện khởi động lạnh đồng thời, điểm nghẽn chuyển từ lưu trữ sang Phân phối.

Hãy tưởng tượng năm hoặc năm mươi nút suy diễn yêu cầu cùng một mô hình lớn cùng một lúc.

Tại thời điểm đó, khả năng mở rộng ít được xác định bởi nơi lưu trữ mô hình mà nhiều hơn bởi:

• Tỷ lệ truy cập cache trên toàn mạng
• Băng thông có sẵn giữa các nút
• Hiệu suất truy xuất song song
• Vị trí trước của các mô hình thường được sử dụng
• Tốc độ mà các mô hình lạnh có thể trở nên "nóng" Cơ sở hạ tầng

Câu hỏi thú vị là liệu Nhu cầu tự nó có trở thành tín hiệu lưu trữ không. Các mô hình phổ biến tự nhiên di chuyển gần hơn đến nhu cầu suy diễn, trong khi các mô hình dài đuôi vẫn tiêu tốn băng thông mỗi khi được gọi.

Cùng lúc đó, việc @OpenGradient dựa vào #EigenLayer giới thiệu một lớp phối hợp khác. Việc stake lại @ETH cung cấp An ninh Kinh tế, nhưng xác minh suy diễn AI không phải là khối lượng công việc blockchain truyền thống. Các giả định bảo mật hoạt động cho sự đồng thuận không tự động đảm bảo khả năng chống lại các điểm nghẽn cụ thể về suy diễn, độ trễ trong việc cung cấp dữ liệu, hoặc các lỗi phân phối mô hình.

Vì vậy, chỉ số chính có thể không phải là dung lượng lưu trữ hay Vốn đã stake lại.

Có thể là cách hiệu quả mà mạng chuyển đổi tài sản lạnh thành cơ sở hạ tầng nóng dưới nhu cầu đột ngột.

Đó là nơi bài kiểm tra sức mạnh thực sự bắt đầu.

$OPG @OpenGradient #AIInfrastructur #DeAI #Restaking #EigenLayer