Saya sedang membaca tentang bagaimana @OpenGradient menangani verifikasi di berbagai tipe inferensi dan ada sesuatu yang tidak terasa benar bagi saya awalnya.
Asumsi yang saya miliki adalah bahwa jaringan AI terdesentralisasi hanya akan memilih satu standar bukti dan menegakkannya secara uniform. Lebih bersih dengan cara itu. Lebih mudah diaudit. Namun arsitektur x402 tidak melakukan itu. Ini membiarkan metode verifikasi bervariasi tergantung pada apa yang sebenarnya dibutuhkan oleh beban kerja, yang terdengar fleksibel sampai Anda memikirkan sedikit lebih lama.
Alasan teknisnya cukup sederhana. Bukti zkML berat secara komputasi. Menjalankannya pada setiap inferensi LLM dalam skala besar pada dasarnya akan merusak ekonomi jaringan. TEE attestasi lebih ringan tetapi mereka berakar pada kepercayaan perangkat keras, bukan kepastian matematis. Jadi keduanya tidak mencakup seluruh rentang sendirian. Desainnya berusaha untuk menahan keduanya.
Apa yang saya kurang yakin adalah bagaimana hal itu bermain di lapisan aplikasi. Seorang pengembang yang membangun sesuatu di mana taruhannya lebih tinggi, katakanlah inferensi medis atau pemodelan keuangan, harus membuat panggilan verifikasi lebih awal. Dan jika mereka memilih tingkatan yang salah, bukti yang mereka andalkan tidak sebenarnya memberi mereka apa yang mereka kira. Bagian itu tidak banyak dibicarakan.
Jumlah 2 juta inferensi itu menarik tetapi juga agak buram. Apa pembagian antara metode verifikasi di dalamnya. Jika sebagian besar volume itu terletak pada hasil yang ditandatangani daripada zkML, tonggak itu terlihat berbeda dari yang tampaknya t0.
Fleksibilitas di lapisan dasar benar-benar sulit untuk dilakukan. Apakah pengembang sebenarnya menggunakannya dengan cara yang benar adalah pertanyaan yang sepenuhnya terpisah.
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB
Asumsi yang saya miliki adalah bahwa jaringan AI terdesentralisasi hanya akan memilih satu standar bukti dan menegakkannya secara uniform. Lebih bersih dengan cara itu. Lebih mudah diaudit. Namun arsitektur x402 tidak melakukan itu. Ini membiarkan metode verifikasi bervariasi tergantung pada apa yang sebenarnya dibutuhkan oleh beban kerja, yang terdengar fleksibel sampai Anda memikirkan sedikit lebih lama.
Alasan teknisnya cukup sederhana. Bukti zkML berat secara komputasi. Menjalankannya pada setiap inferensi LLM dalam skala besar pada dasarnya akan merusak ekonomi jaringan. TEE attestasi lebih ringan tetapi mereka berakar pada kepercayaan perangkat keras, bukan kepastian matematis. Jadi keduanya tidak mencakup seluruh rentang sendirian. Desainnya berusaha untuk menahan keduanya.
Apa yang saya kurang yakin adalah bagaimana hal itu bermain di lapisan aplikasi. Seorang pengembang yang membangun sesuatu di mana taruhannya lebih tinggi, katakanlah inferensi medis atau pemodelan keuangan, harus membuat panggilan verifikasi lebih awal. Dan jika mereka memilih tingkatan yang salah, bukti yang mereka andalkan tidak sebenarnya memberi mereka apa yang mereka kira. Bagian itu tidak banyak dibicarakan.
Jumlah 2 juta inferensi itu menarik tetapi juga agak buram. Apa pembagian antara metode verifikasi di dalamnya. Jika sebagian besar volume itu terletak pada hasil yang ditandatangani daripada zkML, tonggak itu terlihat berbeda dari yang tampaknya t0.
Fleksibilitas di lapisan dasar benar-benar sulit untuk dilakukan. Apakah pengembang sebenarnya menggunakannya dengan cara yang benar adalah pertanyaan yang sepenuhnya terpisah.
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB