Etwas, worauf ich immer wieder zurückkomme, während ich die Dokumentation von @OpenGradient durchgehe: Das Projekt positioniert sich als Infrastruktur für die KI-Wirtschaft, wobei $OPG als Settlement-Layer für verifizierbares Inferenzieren eingeordnet wird und #OPG in Web3-KI-Gesprächen so auftaucht, als wäre die Execution-Layer modellagnostisch. Was die Dokumentation leiser übergeht, ist die Formateinschränkung: Modelle laufen im Netzwerk als ONNX-Dateien. ONNX ist eine gute Wahl für klassisches ML, kompakte neuronale Architekturen und reproduzierbare Inferenz-Pipelines, aber so arbeitet man heute in der Regel nicht mit den meisten Produktions-Deployments für große Sprachmodelle oder Foundation-Models. Große Transformer lassen sich nicht ohne Genauigkeitsverluste oder architektonische Workarounds sauber und im großen Maßstab in ONNX überführen. Daher ist das „KI“ in KI-Infrastruktur näher an verifizierbarer ONNX-Ausführung als an der Inferenz-Layer, die die Leute normalerweise meinen, wenn sie gerade von „KI“ sprechen. Das ist keine verheerende Einschränkung – verifizierbare ML-Inferenz auf der On-Chain ist eine konkrete und reale technische Fähigkeit –, aber es bedeutet, dass das Projekt Vertrauen-Infrastruktur für eine engere Kategorie von Modellen aufbaut, als das Framing nahelegt. Ob sich die Execution-Layer ausweitet, um die Modelle abzudecken, die tatsächlich die aktuelle Nachfrage treiben, oder ob die ONNX-Einschränkung leise definiert, wofür das Netzwerk gedacht ist, ist noch nicht entschieden.