Kiedy myślisz o wczesnych zdecentralizowanych sieciach obliczeniowych, takich jak Render, cały problem inżynieryjny był tak naprawdę grą w agregację. Miałeś nieużywane GPU rozproszone po całym świecie, a jakieś studio potrzebowało wyrenderować skomplikowaną animację 3D. Działało to, ponieważ tego rodzaju praca jest deterministyczna. Patrzysz na końcowy plik wideo, robisz szybki checksum i od razu wiesz, czy węzeł cię oszukał. Żywe rozumowanie AI zmienia cały krajobraz. Wprowadza ogromną lukę weryfikacyjną. Jeśli aplikacja żąda odpowiedzi z premium, precyzyjnie dostrojonego modelu o siedemdziesięciu miliardach parametrów, złośliwy węzeł może łatwo oszukać sieć. Mogą potajemnie uruchomić twoje zapytanie na tanim, skompresowanym modelu o siedmiu miliardach parametrów, aby zaoszczędzić na energii elektrycznej i wziąć różnicę cenową do kieszeni. Tekst, który otrzymujesz z powrotem, może wyglądać całkiem rozsądnie na twoim ekranie, ale rzeczywista głębia inteligencji jest całkowicie rozcieńczona. Tutaj moja perspektywa się zmieniła, gdy zagłębiłem się w OpenGradient. Zamiast po prostu zakładać kolejny rynek wynajmu sprzętu, próbują wpleść ślad audytu bezpośrednio w warstwę wykonawczą. Przekierowuje to podstawowe pytanie z tego, jak pozyskujemy tani sprzęt, na to, jak matematycznie zagwarantować, że zdalny komputer faktycznie wykonał dokładnie model, za który zapłaciliśmy.
@OpenGradient
#OPG
$OPG