Caicai诗雨

Jutro rano, jeśli zacznie się od $ETH 2, wrzuć elektryka 🛵 do rzeki.

W zeszłym tygodniu nasz zespół operacyjny mówił, że szuka platformy z modelem AI, żeby koledzy z działu treści mogli bezpośrednio uruchamiać modele, generować teksty i analizować dane, nie musząc za każdym razem prosić technologów o harmonogram. Rzuciłem: „Zobaczcie rynek modeli OpenGradient, po użyciu nie musicie mi dziękować.”

Następnego dnia przysłała mi zrzut ekranu: „Po wejściu kliknęłam model zarządzania ryzykiem finansowym, nacisnęłam Run, w trzy sekundy wyniki, a do tego link do dowodu na blockchainie. To w ogóle nie to samo co Hugging Face?”

Chciałem udawać spokój, ale nie mogłem znieść jej serii pytań. Wskazała na stronie „zweryfikowane liczby inferencji” i „historia wersji modelu” i zapytała: „Dlaczego u innych tego nie ma? Co to może chronić?”

Od razu się rozkręciłem, więc zwołałem małe spotkanie zespołu, używając rynku modeli OpenGradient jako studium przypadku.

Powiedziałem, że możecie wyobrazić sobie Hugging Face jako ogromny rynek, gdzie modele to warzywa, które po wyborze musicie sami zabrać do domu, myć, kroić i smażyć — szukać mocy obliczeniowej, konfigurować środowisko, wdrażać, to strasznie męczące. Rynek modeli OpenGradient bardziej przypomina automatyczną maszynę do gotowania, wybieracie model i po prostu klikacie „Run”, a za kulisami mnóstwo węzłów automatycznie przydziela moc obliczeniową do inferencji, a po wszystkim cały proces jest zapisany na blockchainie. Wy tylko zajmujecie się gotowym daniem, kuchnia jest przezroczysta i otwarta.

Ta dziewczyna z działu operacyjnego powiedziała coś, co rozśmieszyło wszystkich: „Więc to nie jest coś dla programistów, tylko dla zwykłych ludzi, którzy nie chcą się męczyć?” Tak, dokładnie to miałem na myśli.

Uważam, że prawdziwy mur obronny tego rynku modeli tkwi w tej „zweryfikowanej liczbie inferencji”. Każdy model ma publiczne dane o liczbie uruchomień, wersjach, czy były jakieś oszczędności na jakości, wszystko jawne. Programiści nie mają szans, by oszukiwać z niskobudżetowymi modelami. To coś jak „credit score” dla modeli, czego brakuje w całym przemyśle AI.

Po tym spotkaniu zespół operacyjny zaczął uruchamiać modele analizy treści na OpenGradient, zespół techniczny nie musiał już pracować w nadgodzinach, obie strony rzadko osiągały konsensus. To coś, co mogło być naprawdę niedocenione.
#opg $OPG @OpenGradient

#币安周边大使 sprzęt nie wystarczy, żeby nadrobić wygląd

Gadamy, po prostu gadamy

Pięciogodzinny limit zrealizowany w godzinę, za drogo, obserwuję przez dwa dni, aż dostosuję do realnego rynku.

$MOVE Ten śmieć od momentu debiutu spadł na łeb na szyję, otwórz trochę, żeby zobaczyć, czy może ruszyć się choć trochę, jak nazywa.

No co za szaleństwo, ale się poprawiło, naprawdę można wygrać!

Kiedy w Nowy Rok moja ciocia zerknęła na mój telefon, akurat na ekranie był backend OpenGradient. Zapytała: "Co to jest? Można na tym zarobić?"

Zamurowało mnie. Nie że nie rozumiałem, ale nie wiedziałem, jak wyjaśnić zdecentralizowane weryfikacje AI za pomocą logiki zakupowej. Później przez tydzień myślałem i wymyśliłem pięć przykładów, które mogłaby zrozumieć. Dziś się nimi z wami podzielę.

Pierwszy: pożyczki bankowe. Załóżmy, że bank używa AI do oceny kredytów dla firm, a AI źle oceni i wypuści mnóstwo złych długów. Problem w tym, jak wiesz, czy AI naprawdę się przyłożyło, czy może tylko "zjechało"? OpenGradient pozwala, aby każda ocena miała "podpis", więc później można to łatwo sprawdzić. Moja ciocia skinęła głową i powiedziała: "Czy to nie jest tak, że AI sprawdza pracę domową?" Tak, dokładnie o to chodzi.

Drugi: automatyczne zamknięcie pozycji w DeFi. Protokół na łańcuchu używa AI do oceny ryzyka rynkowego i może stracić kilka milionów. Jeśli AI się pomyli, jak strona protokołu może udowodnić, że nie zamieniła modelu na tańszy? OpenGradient rejestruje wersje modeli i wyniki, więc w przypadku konfliktu dane same mówią za siebie.

Trzeci: wiejska klinika robi zdjęcia. W odległej klinice nie ma lekarzy, więc AI wstępnie ocenia obrazy. Co jeśli w przyszłości dojdzie do sporu medycznego, jak udowodnić, że użyto zatwierdzonej wersji modelu? OpenGradient zablokowuje wersje, więc gdy nadchodzi kontrola, można to łatwo sprawdzić. Moja ciocia powiedziała: "To jak numer partii szczepionki" — bardzo trafne.

Czwarty: kancelaria prawna przegląda umowy. Jeśli AI popełni błąd w umowie, klient domaga się odszkodowania. Kancelaria musi udowodnić, że nie leniła się, używając darmowego AI — to trudne zadanie. OpenGradient blokuje wersje modeli i proces wnioskowania, więc kancelaria może po prostu przesłać link.

Piąty: ubezpieczenie na łańcuchu i wypłata odszkodowania. Inteligentny kontrakt pozwala AI ocenić uszkodzenia samochodu i automatycznie wypłacić odszkodowanie. Jeśli AI się pomyli, kto ponosi odpowiedzialność? OpenGradient pozwala na audyt każdej decyzji, nie chodzi o to, żeby AI miało rację, ale żeby udowodnić, co AI zrobiło w danym momencie.

Moja ciocia po wszystkim powiedziała coś, co uważam za genialne: "To tak, jakby dać AI rejestrator jazdy, żeby można było wrócić i zobaczyć, co się stało."

Precyzyjnie. To, co robi OpenGradient, jest bardzo proste — nie pomaga ci uruchomić AI, tylko pomaga udowodnić, że AI naprawdę działa poprawnie. Ta potrzeba zwykle nie jest zauważalna, ale gdy jej potrzebujesz i jej nie ma, to jest duża dziura.
#opg $OPG @OpenGradient

Szczerze mówiąc, mam alergię na te pięć słów „zero-lift testnet”. W zeszłym roku trzy projekty wyciągnęły ode mnie ciężką pracę, spędziłem dwa miesiące na zadaniach, a na końcu dostałem tylko powietrze. Kiedy więc pojawił się testnet OpenGradient, nawet nie chciało mi się klikać w link.

Zerwanie nastąpiło dwa tygodnie temu. Mój kumpel bez zbędnych słów wrzucił mi zrzut ekranu, to jego panel punktów w OpenGradient, a za cyframi były cztery zera. Zapytam, ile ty tego nabiłeś? Mówi, że codziennie piętnaście minut, czasami ocenia punkty, dwa razy robi walidację.

Trochę mnie to zaskoczyło, więc potajemnie zarejestrowałem konto OpenGradient. Pierwsze wrażenie było takie, że to zupełnie inny klimat niż w poprzednich testnetach. Nie musisz nikogo zapraszać, ściągać ludzi, śledzić dziesięciu kont na social media. Po prostu cichutko wykonujesz inferencje, weryfikujesz wyniki, a po zakończeniu dostajesz punkty.

Później pomyślałem o projekcie OpenGradient i zauważyłem jeden dość „sprytny” detal. Duża część punktów ukryta jest w działaniu „odkrywania anomalii w inferencjach”. Co to znaczy? Musisz uważnie przyjrzeć się wynikom węzłów, żeby zdobyć wysokie punkty. Bez sensownego klikania nic nie zdziałasz.

W drugim tygodniu to już opanowałem. Codziennie sprawdzam logi inferencji, jeśli widzę, że hasz wyjścia różni się od oczekiwanego, piszę dokładny komentarz zwrotny. Robiłem to przez pięć dni i wskoczyłem z tysiąca miejsc bezpośrednio do pierwszej trójki.

Uważam, że najciekawsza w tym mechanizmie nie jest kasa, a „wiedza”. Kiedy tak działasz, zaczynasz rozumieć, jak działają węzły w sieci, które modele mają problemy i który węzeł jest stabilny. Jak myślisz, ile te informacje będą warte, kiedy mainnet ruszy?

Teraz codziennie nadal spędzam tylko dziesięć minut, nie przesadzam. Ale już nie traktuję „zero-lift” jako darmowego zysku - bardziej jakby to była pensja, przy okazji kurs techniczny. Kurs jest świetny, a pensja też w porządku.
#opg $OPG @OpenGradient

Mam taką wadę, że gdy spotykam coś zbyt idealnego, zawsze szukam jakiejś rysy. OpenGradient codziennie krzyczy o zdecentralizowanym wnioskowaniu, hasła brzmią głośno. W zeszłym tygodniu nagle wpadłem na pytanie — jeśli wnioskowanie jest zdecentralizowane, to co z 'surowcem' do wnioskowania?

Więc postanowiłem to przetestować.

Proces nie był skomplikowany. Przesłałem fikcyjne dane rynkowe, które sam stworzyłem, do modelu analizy finansowej na OpenGradient. Model działał błyskawicznie, wnioskowanie z fingerprintem w porządku, podpisy węzłów kompletne, wyniki wróciły w mgnieniu oka. Wszystko wydawało się bez zarzutu.

Ale problem tkwił w tym „bez zarzutu”. Karmiłem model śmieciowymi danymi, a on działał jak zwykle, nie było żadnego mechanizmu, który by ostrzegał, że „źródło wprowadzonych danych nie jest weryfikowalne”. Nagle zrozumiałem: proces wnioskowania rzeczywiście był całkowicie na łańcuchu, ale śledzenie źródła danych wejściowych było zerwane.

W tamtej chwili miałem mieszane uczucia. Nie byłem zawiedziony — szczerze mówiąc, ten problem nie został jeszcze rozwiązany w całej branży. Ale obawiałem się, że jeśli nikt tego nie poruszy, może to tak po prostu zostać.

Zamieściłem post w społeczności, sformułowanie było dość bezpośrednie, tytuł brzmiał mniej więcej „Wasze zdecentralizowane wnioskowanie, źródła danych wciąż są scentralizowane”. Po opublikowaniu trochę tego żałowałem, bałem się, że zostanę oskarżony o FUD.

Wynikło z tego, że następnego dnia, ktoś z zespołu deweloperskiego napisał do mnie na prywatnej wiadomości. Nie po to, żeby się kłócić, ale żeby omówić rozwiązania techniczne. Powiedział, że już wewnętrznie badają warstwę podpisów źródła danych i chcą usłyszeć moje myśli z perspektywy użytkownika. Później bezpośrednio dołączyli mnie do grupy feedbackowej produktu, w której jest siedmiu operatorów węzłów, którzy co tydzień omawiają poprawki architektury.

Szczerze mówiąc, to doświadczenie było bardziej wartościowe niż przeczytanie stu artykułów PR. To, czy projekt się powiedzie, nie zależy od tego, jak idealny jest teraz, ale od tego, jak reaguje na rysy. Niektóre zespoły wybierają wyjaśnienia, inne naprawy. OpenGradient należy do tych drugich.

Teraz jeszcze bardziej wierzę w ten projekt — nie dlatego, że rozwiązał wszystkie problemy, ale dlatego, że ma odwagę przyznać, które z nich wciąż są nierozwiązane. Na drodze do decentralizacji, szczerość jest cenniejsza niż perfekcja.
#opg $OPG @OpenGradient

Pobiegam przez dwa dni, zobaczymy czy uda się to ogarnąć.

Mój główny sprzęt to stary ultrabook sprzed trzech lat, bez dedykowanej karty graficznej, a nawet granie w LOL-a sprawia, że dostaję lagów jak w PPT. Więc kiedy współpracujący ze mną projektant kazał mi wygenerować partię materiałów AI, moja pierwsza myśl to była - koniec, będę miał social death.

Wcześniej dawałem radę uruchomić Stable Diffusion na CPU. Próbowałeś kiedyś generować obrazy na CPU? Powiem ci, jakie to uczucie: na jedną grafikę czekałem 6 minut 20 sekund, poszedłem do toalety, zaparzyłem sobie zupkę, przeglądałem telefon i wróciłem, a pasek postępu na 78%. A wentylator tak hałasował, że myślałem, że laptop zaraz wystartuje. Tego dnia udało mi się wygenerować tylko trzy obrazy, a klawiatura była tak gorąca, że nie mogłem na niej trzymać rąk.

Tym razem nauczyłem się mądrzejszy, chociaż mój sprzęt to złom, to mój umysł działa na pełnych obrotach. Zbadałem OpenGradient i odkryłem, że niezależnie od tego, czy używasz telefonu, czy kalkulatora, wszystko odbywa się na zdalnych węzłach. Wpisujesz słowa kluczowe i czekasz na wyniki.

Kiedy pierwszy obrazek wyskoczył, byłem w szoku. Od momentu, gdy kliknąłem "generuj" do momentu, gdy obraz pojawił się na ekranie, minęły maksymalnie 3 sekundy. Myślałem, że internet się zaciął i pokazywał mi cache. Wygenerowałem kilkanaście obrazów, każdy z tą samą prędkością.

Mój projektant przyjaciel przyszedł, spojrzał na to i powiedział: "Jaką masz kartę graficzną? 3090? 4090?" Cicho odwróciłem mój stary laptop, żeby mu pokazać spód - nie miałem nawet naklejki dedykowanej karty. On patrzył na mnie, ja na niego, powietrze zamarło na dwie sekundy.

"Co, nie masz karty graficznej?" zapytał.

"To się nazywa zdecentralizowane wnioskowanie," powiedziałem poważnie, "perspektywy się zmieniły."

Uważam, że OpenGradient zrobił coś naprawdę przełomowego, bo całkowicie zredukował znaczenie sprzętu. Kiedyś twórcy AI konkurowali mocą kart graficznych, teraz liczy się prędkość internetu. Mój stary laptop, który trzy miesiące temu był tylko maszyną do pisania, teraz może działać jako stacja robocza AI. To, co robi blockchain, czasami jest naprawdę magiczne.
#opg $OPG @OpenGradient

Na początku w ogóle nie rozumiałem, co tak naprawdę robi OpenGradient. Pod koniec zeszłego roku zainwestowałem w kilka projektów AI, takich jak współdzielenie mocy obliczeniowej, rynek modeli, oznaczanie danych — każda narracja brzmiała naprawdę ciekawie.

Minęło pół roku, a dwa pozostałe projekty wciąż są w fazie testów, a ich tokeny służą tylko do jednego — kopania i sprzedaży kryptowalut. Im dłużej to trzymałem, tym mniej mnie to interesowało, więc niedawno wszystko sprzedałem.

Powód, dla którego zostawiłem OpenGradient, to szczera prawda, że nie chodzi o to, jak teraz jest super, ale o to, że zrozumiałem, że to, na co stawia, to prawdziwy ból rynku.

Współdzielenie mocy obliczeniowej ma zbyt niskie progi wejścia. Jeśli masz nieużywaną GPU, możesz wejść w ten temat, co prowadzi do wojny cenowej, podobnie jak w przypadku wypożyczania powerbanków. Ale to, co robi OpenGradient, ta warstwa „weryfikacji”, ma bardzo wysokie progi — każda analiza musi mieć dowód na łańcuchu, każdy wynik można prześledzić, to nie jest coś, co można skopiować, dodając kilka serwerów.

Podam ci bardzo zrozumiały przykład. W zeszłym miesiącu odbyły się zawody w diagnostyce AI, zespoły używały różnych modeli, a organizatorzy nie mogli zweryfikować, kto naprawdę działa, a kto oszukuje. Pomyślałem wtedy, że gdyby to było w OpenGradient, wszystkie zapisy analiz byłyby dostępne na łańcuchu, nie byłoby potrzeby kłócenia się.

Te cztery słowa „otwarta inteligencja” rozumiem teraz nie jako po prostu otwarcie AI. To przekształcenie każdego „procesu myślenia” AI w coś, co można audytować.

Współdzielenie mocy obliczeniowej sprzedaje wodę, prąd i węgiel, OpenGradient sprzedaje zaufanie. Kiedy woda, prąd i węgiel są tanie, kupujesz, ale zaufanie, gdy raz je zbudujesz, staje się twoim murem obronnym. Trzymając jego tokeny, czuję się znacznie pewniej.
#opg $OPG @OpenGradient

$FOLKS O kurcze, poszedłem na short i teraz mam likwidację, w upalne lato nie mam już nawet na piwo.

W zeszłym miesiącu wynająłem kartę, miesięczna opłata wynosiła 280 dolarów, tylko po to, aby uruchomić moją serię NFT generowaną przez AI. Idea była piękna – użytkownicy mintują w czasie rzeczywistym, każdy token jest unikalny. Rzeczywistość okazała się brutalna – przez pięć dni w tygodniu karta graficzna tylko stała i kręciła się, a podczas szczytu mintowania wszystko się zawieszało. Pewnej nocy dostałem 30 próśb o mintowanie na raz, karta graficzna dosłownie zaczęła się dymić, trzy obrazy nie zostały wygenerowane, a użytkownicy wkurzeni spamowali na Discordzie.

Wtedy poczułem, że się załamałem.

Później na CreatorPad zobaczyłem rozmowy o OpenGradient, mówiąc, że płaci się za liczbę wywołań, więc nie tracisz, jeśli nie mintujesz. Postanowiłem spróbować, traktując to jak ostatnią deskę ratunku.

Teraz działałem przez prawie dwa tygodnie, powiem kilka konkretów dotyczących wydatków.

Po pierwsze, całkowicie zniknęły moje stresy związane z nieużywanym sprzętem. Gdy nikt nie mintuje, nie wydaję ani grosza, a gdy ruch się pojawia, automatycznie rozszerzam węzły, nigdy nie miałem już problemów z siecią. Po drugie, rachunek jest bardzo przejrzysty – za wygenerowanie jednego obrazu wydaję nieco ponad 0,008 dolara, przez dwa tygodnie wydałem mniej niż 12 dolarów, a wcześniej tylko wynajem karty graficznej kosztowałby mnie 140.

Najbardziej zaskoczyła mnie funkcja dowodu na łańcuchu. Zawsze zdarzało się, że kupujący kwestionowali „czy ten obrazek to nie jest coś, co po prostu ściągnąłeś z internetu”, a teraz po prostu wysyłam im dowód z łańcucha, żeby mogli sprawdzić, oszczędzam na pyskówkach. W tym tygodniu jeden kolekcjoner kupił dodatkowo 5 sztuk właśnie z tego powodu, mówiąc, że „tylko AI sztuka, której można sprawdzić źródło, jest warta jego kolekcji”.

Policzyłem, że przy takich wydatkach, oszczędzając na wynajmie karty graficznej, wystarczy mi na zatrudnienie pixel artysty do nowej serii. Budżet na następny projekt już przeniosłem z „karty graficznej” na „ludzi”.

Naprawdę super.
#opg $OPG @OpenGradient

W zeszłym tygodniu, podczas uruchamiania węzłów, wpadłem na niecny pomysł - skoro system nagradza za liczbę inferencji, to mogę użyć skryptu, aby sfabrykować kilka zapytań i samemu je obsłużyć, czyż nie byłoby słodko?

Wynik moich "idealnych planów" trwał zaledwie trzy minuty.

Pierwsza przeszkoda to weryfikacja odcisku inferencji. System wymaga, aby każde zapytanie zawierało hash modelu, a ja wrzuciłem losowy fałszywy, więc umowa na blockchainie mnie po prostu odrzuciła, nawet nie pozwoliła mi na rozgłos. Mówiąc wprost, jeśli chcesz wziąć zadanie, musisz udowodnić, że naprawdę uruchomiłeś model, nie ma mowy o wyciąganiu z pustych rąk.

Druga przeszkoda była jeszcze bardziej frustrująca. OpenGradient ma „zbiornik krzyżowej weryfikacji”, losowo wybiera kilka węzłów do obsłużenia tego samego zadania, a potem porównuje wyniki. Nawet jeśli twój wynik różni się tylko o kilka miejsc po przecinku od standardowej odpowiedzi, od razu alarmuje. Jak moje fałszywe zapytanie mogłoby konkurować z pięcioma prawdziwymi węzłami losowo wybranymi z całej sieci?

Najlepsze jest to, że system zapisał moje nieprawidłowe zapytanie w moim wyniku reputacji. Na stronie węzła pojawił się nowy komunikat: „Wykryto nieprawidłową próbę inferencji”. Choć nie nałożono na mnie kary ani nie odebrano staków, ta plama na moim wizerunku pozostanie na blockchainie na zawsze, a przyszli klienci nawet nie pomyślą o wyborze mnie.

Wtedy się zaśmiałem - pierwotnie miałem zamiar wykorzystywać sytuację, a skończyłem z nauczką od systemu.

Ale szczerze mówiąc, po tym doświadczeniu czuję się o wiele bardziej komfortowo. Sieć, która potrafi uporać się nawet z takim „chcącym zepsuć” jak ja, nie może być niebezpieczna dla firm, które ją wykorzystują do inferencji? Mechanizm zapobiegający nadużyciom w OpenGradient to naprawdę nie jest tylko na pokaz.
#opg $OPG @OpenGradient

Muszę przyznać, że na początku chodziło mi tylko o "leżenie i zarabianie". Kiedy zobaczyłem, jak ludzie w grupie chwalą się nagrodami z testnetu OpenGradient, podjąłem decyzję i w nocy zainstalowałem maszynę w serwerowni.

Jednak pierwszej nocy wszystko poszło źle. W dokumentacji konfiguracyjnej było napisane, że zaczynamy od Ubuntu 20.04, a ja, żeby zaoszczędzić czas, użyłem 18.04 i Docker nie chciał się zainstalować. Męczyłem się do trzeciej w nocy, aż w końcu musiałem przeinstalować system. Potem nauczyłem się, aby z szacunkiem podchodzić do skryptów na GitHubie i biegałem krok po kroku, a w międzyczasie wpadłem w pułapkę z portem, który nie był otwarty.

Proces budowy nie był zbyt skomplikowany, ale były pewne szczegóły, których nie było w oficjalnym poradniku: najlepiej mieć 32G pamięci, bo przy 16G, gdy uruchamiałem duży model do inferencji, po prostu dostałem OOM (przepełnienie pamięci); pamięć masowa musi być na SSD, bo dysk mechaniczny ładował model tak wolno, jak ślimak. Te bolesne lekcje były drogie w nauce.

Teraz węzeł stabilnie działa już prawie miesiąc, codziennie obserwuję, jak przychodzą zapytania do inferencji na blockchainie, a zyski automatycznie trafiają do portfela. Obliczyłem, że przy aktualnym poziomie nagród na testnecie, czas zwrotu wynosi około 4 miesiące — to i tak ostrożna prognoza.

Ale szczerze mówiąc, prawdziwe "leżenie i zarabianie" nie polega na tych tokenach, ale na tym, że każda runda inferencji, którą dostarczasz, jest weryfikowana, zapisywana i zaufana. OpenGradient pozwala takim detalistom jak ja uczestniczyć w infrastrukturze AI, wcześniej taka praca nie była dla mnie dostępna?

Przygotowałem poradnik budowy, w następnej części zamieszczę skrypt i listę konfiguracji. Zainteresowanych proszę, aby przygotowali SSD i kawę.
#opg $OPG @OpenGradient

W zeszły weekend pomogłem staremu koledze, który nie do końca ogarnia technologię, sprawdzić jego pozycję. Parę miesięcy temu zainwestował w Bedrock, a potem praktycznie o tym zapomniał. Pomyślałem, że jego podejście „wrzuć i zapomnij” na pewno nie przyniesie mu takich zysków jak moje codzienne monitorowanie i dostosowywanie pozycji. Otwieram jego panel zysków i nie mogłem uwierzyć – jego roczna stopa zwrotu była prawie o dwa punkty wyższa niż moja.

Moja pierwsza reakcja to niewiara. Codziennie grzebię w tym, który DePIN ma wyższe nagrody, a kiedy jest niski Gas, a tu przegrywam z kimś, kto jest jak „manager bez rąk”? Tłumiąc emocje przejrzałem jego historię operacji i zauważyłem, że zrobił tylko jedną rzecz: wpłacił i nie ruszał. A ja? W ciągu ostatnich trzech miesięcy cztery razy zmieniałem pozycję, za każdym razem wypłacając i ponownie stawiając, między tymi ruchami miałem przerwy, a raz nawet spóźniłem się na wypłatę nagród DePIN. Co gorsza, opłaty za Gas w związku z tymi transakcjami też się sumują do sporej kwoty.

To wydarzenie dało mi lekcję. Bedrock 2.0 to coś, co wymaga „stałej obecności”, aby zbierać zyski. Im więcej się ruszasz, tym łatwiej wypada się z gry. To nie jest jak te szybkie pool'e, w które trzeba często wchodzić i wychodzić, tylko bardziej jak pole, gdzie sadzisz i czekasz na zbiory.

Teraz zamknąłem tę część pozycji, którą miałem zamiar kręcić, w długoterminowym pool'u, a gdy mnie korci, zerknę na konto starego kolegi, żeby się uspokoić.
#bedrock $BR @Bedrock

Wczoraj siedziałem do drugiej w nocy, przerabiając białą księgę OpenGradient trzy razy. Szczerze mówiąc, większość ludzi skupia się tylko na tym „zdecentralizowanym AI wnioskowaniu”, ale zauważyłem trzy szczegóły, które stają się coraz bardziej interesujące.

Pierwszy to mechanizm odcisków modeli. W białej księdze wspomniano, że podczas każdej analizy generowany jest zaszyfrowany odcisk, pomyślałem wtedy – to nie tylko zabezpieczenie przed oszustwami, to coś, co może dać AI „adres zameldowania”. Gdy ktoś wykorzysta model, nie ucieknie przed tym na łańcuchu, to bardziej hardcore niż jakiekolwiek oświadczenie o prawach autorskich.

Drugi, kara dla węzłów nie jest jednolita. Myślałem, że za złe zachowanie następuje po prostu konfiskata, ale zrobili coś z parametrem „tolerancji na wstrząsy”. Jeśli twoja sieć czasami szwankuje, nie zgaśnie od razu, system będzie klasyfikował na podstawie historii wydajności. Szczerze mówiąc, to bardzo przyjazne dla indywidualnych węzłów, bo kto nie miał czasem przerwy w internecie?

Trzeci, i to, co mnie najbardziej zachwyciło – fragmentaryzacja żądań wnioskowania. Duże zadanie automatycznie dzieli się na małe kawałki, które są wysyłane do różnych węzłów, a na końcu składane razem. To nie tylko przyspieszenie, kluczowe jest to, że pojedynczy węzeł nigdy nie otrzyma pełnego wejścia, co znacznie podnosi ochronę prywatności.

Kiedy brałem udział w sieci testowej, nie zdawałem sobie sprawy z tego projektu, ale teraz, patrząc wstecz, OpenGradient myśli o „zdecentralizowanej mocy obliczeniowej” znacznie głębiej. Używają fundamentów blockchaina, by na nowo zdefiniować, jak AI powinno działać i jak powinno być postrzegane.

To coś, naprawdę ma to sens.
#opg $OPG @OpenGradient