Я читал о том, как @OpenGradient обрабатывает верификацию в разных типах вывода, и что-то меня изначально смутило.
То, что я ожидал, так это то, что децентрализованная AI-сеть просто выберет один стандарт доказательства и будет применять его одинаково. Это было бы проще. Легче для аудита. Но архитектура x402 этого не делает. Она позволяет методу верификации варьироваться в зависимости от того, что действительно нужно для нагрузки, что звучит гибко, пока не подумаешь об этом чуть дольше.
Техническая причина достаточно проста. Доказательства zkML требуют много вычислительных ресурсов. Запуск их на каждом выводе LLM в большом масштабе фактически разрушит экономику сети. Подтверждения TEE легче, но они основаны на доверии к оборудованию, а не на математической точности. Так что ни одно из них не покрывает весь спектр в одиночку. Дизайн пытается удерживать оба.
Что меня меньше всего беспокоит, так это то, как это проявляется на прикладном уровне. Разработчик, который строит что-то, где ставки выше, скажем, медицинский вывод или финансовое моделирование, должен сделать вызов проверки на ранней стадии. И если они выберут неправильный уровень, доказательство, на которое они полагаются, на самом деле не дает им того, что они думают. Об этом не очень много говорят.
Число в 2 миллиона выводов интересно, но также довольно непрозрачно. Каково распределение между методами верификации? Если большая часть этого объема сидит в подписанных результатах, а не в zkML, то веха выглядит иначе, чем кажется на первый взгляд.
Гибкость на базовом уровне действительно сложно осуществить. Используют ли разработчики это на самом деле правильно — это совершенно отдельный вопрос
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB
То, что я ожидал, так это то, что децентрализованная AI-сеть просто выберет один стандарт доказательства и будет применять его одинаково. Это было бы проще. Легче для аудита. Но архитектура x402 этого не делает. Она позволяет методу верификации варьироваться в зависимости от того, что действительно нужно для нагрузки, что звучит гибко, пока не подумаешь об этом чуть дольше.
Техническая причина достаточно проста. Доказательства zkML требуют много вычислительных ресурсов. Запуск их на каждом выводе LLM в большом масштабе фактически разрушит экономику сети. Подтверждения TEE легче, но они основаны на доверии к оборудованию, а не на математической точности. Так что ни одно из них не покрывает весь спектр в одиночку. Дизайн пытается удерживать оба.
Что меня меньше всего беспокоит, так это то, как это проявляется на прикладном уровне. Разработчик, который строит что-то, где ставки выше, скажем, медицинский вывод или финансовое моделирование, должен сделать вызов проверки на ранней стадии. И если они выберут неправильный уровень, доказательство, на которое они полагаются, на самом деле не дает им того, что они думают. Об этом не очень много говорят.
Число в 2 миллиона выводов интересно, но также довольно непрозрачно. Каково распределение между методами верификации? Если большая часть этого объема сидит в подписанных результатах, а не в zkML, то веха выглядит иначе, чем кажется на первый взгляд.
Гибкость на базовом уровне действительно сложно осуществить. Используют ли разработчики это на самом деле правильно — это совершенно отдельный вопрос
$OPG #OPG #zkml #LLM #MarketSentimentToday
$HEI $LAB