FOLL0W

@NewtonProtocol #Newt $NEWT كنت أعتقد أن معاملات العملات المشفرة تكون تلقائيًا “آمنة” فقط لأنها تُسجَّل على السلسلة.
لكن كلما انتبهت أكثر، كلما شعرت أن هناك شيئًا ما غير صحيح.
معظم المعاملات لا تتحقق فعليًا من أي شيء قبل أن تمر.
إذا وقّعت عليها، يتم تنفيذها.
هذا هو كل ما يهم حقًا.
لا توجد منطق مدمج يسأل ما إذا كانت العملية منطقية.
لا يوجد نظام يتحقق من النية.
ولا توجد حدود لما يُسمح لهذه المعاملة أن تفعله.
وهذا يؤدي إلى حقائق مزعجة.
قد يظل بإمكان المحفظة المخترقة إرسال معاملات سليمة تمامًا.
يمكن لوكيل ذكاء اصطناعي نقل الأموال بطرق لم تتوقعها.
يمكن للأموال أن تنتقل عالميًا دون وجود طريقة أصلية لإثبات الشرعية.
لذا، حتى إذا كان كل شيء تقنيًا “بدون ثقة”،
فهو ليس حقًا خاضعًا للسيطرة.
لقد قمنا بتحسين سرعة التنفيذ.
لكننا لم نحسن اتخاذ القرار.
لهذا بدأت أبحث في بروتوكول نيوتن (Newton Protocol) ($NEWT ) بطريقة مختلفة.
إنه لا يحاول جعل المعاملات أسرع.
بل يطرح سؤالًا أكثر أهمية.
ماذا لو كان على كل معاملة أن تمر عبر قاعدة قبل أن يتم تنفيذها؟
ليس يدويًا. وليس عبر السلسلة خارجية.
بل مدمجًا داخل النظام نفسه.
بدأت أظن أن عالم العملات المشفرة ربما يفتقد طبقة اتخاذ القرار.
أتساءل ما رأيك. هل هذا ضروري… أم أنه يتعارض مع ما تمثله العملات المشفرة؟

إفصاح: شراكة مدفوعة مع @NewtonProtocol
منذ سنوات قليلة. افترضت أن الامتثال في مجال العملات المشفرة كان في الغالب مشكلة واجهة أمامية. إذا كان هناك محفظة أو dApp يحظر عنوانًا، فظننت أن المعاملة ببساطة لا يمكن أن تحدث.
ثم أدركت شيئًا مهمًا: العقد الذكي لا يعرف ما تعرفه الواجهة.
يمكن للواجهة الأمامية إخفاء زر "Swap" أو رفض محفظتك، لكن إذا تفاعل شخص ما مع العقد مباشرةً، تختفي هذه القيود المتعلقة بواجهة المستخدم ما لم يفرضها العقد نفسه.
وهذه مشكلة أكبر مما تبدو، خصوصًا مع ازدياد شيوع وكلاء الذكاء الاصطناعي والاستراتيجيات الآلية.
وهنا لفت انتباهي بروتوكول نيوتن. بدلًا من الاعتماد على المواقع لتحديد من يمكنه فعل ماذا، فإنه يقدّم طبقة تفويض تُقيّم السياسات قبل تنفيذ المعاملة. ينتقل التنفيذ ليصبح أقرب إلى المعاملة نفسها بدلًا من الاعتماد على الواجهة.
بالنسبة لي، هذا تحول دقيق لكنه ذو معنى. ومع ازدياد أتمتة التمويل على السلسلة، لا ينبغي أن يعتمد الثقة على الواجهة الأمامية التي يستخدمها شخص ما—بل يجب أن تسافر مع المعاملة.
فضولي لمعرفة كيف سيتطور هذا النموذج مع نمو #Newt Mainnet Beta.

$NEWT $NEWT

@OpenGradient لقد كنت أتعقب رموز الذكاء الاصطناعي بالطريقة التي كنت أتعقب بها صفقة زخم — أذكر الذكاء الاصطناعي، تتحرك القيمة السوقية، أتحقق من الرسم البياني، ثم أتابع. كان هذا يعمل لمدة عامين تقريبًا. لكن لم يعد يعمل الآن، وأعتقد أن السبب هو أنني بدأت ألاحظ كم عدد هذه الرموز التي لا تجيب فعليًا عن السؤال "ما الذي يجعل هذا الرمز ممكنًا والذي لم يكن ممكنًا قبل ذلك".
هذه الفجوة هي ما كان يزعجني. تم جمع الذكاء الاصطناعي والـ كريبتو معًا بسرعة، غالبًا بناءً على السرد — وكيل هنا، وغلاف شات بوت هناك، وتيكّر يحمل "AI" في الاسم. القليل جدًا من ذلك لمس المشكلة الحقيقية التي يواجهها الذكاء الاصطناعي: لا يمكنك رؤية ما داخل النموذج، ولا يمكنك إثبات أن المخرجات لم يتم العبث بها أو استبدالها لاحقًا بشيء أرخص.
OpenGradient هو أول مشروع في هذه الفئة حيث توقفت عن السؤال "هل هذا مجرد ركوب للسرد" بسرعة إلى حد ما. الفرضية تبدو شبه عادية على الورق — كل نداء استدلال تُرفق به برهان، إما برهان zkML أو إثبات من بيئة تنفيذ موثوقة (TEE)، قبل أن يستقر الأمر. $OPG هو ما يدفع مقابل هذا النداء، وما يكسبه مشغلو العقد من تشغيله، وما يحدد أي عتاد ومعلمات تثق بها الشبكة. ليس هذا مجرد تعرّض للذكاء الاصطناعي. إنها عدّاد يعمل تحت حسابات الذكاء الاصطناعي المُتحقق منها. #OPG
يذكرني بما حدث عندما لم تُصدَّق الحوسبة السحابية من قبل الشركات إلى أن وُجدت فيها أدوات التوثيق والتدقيق واتفاقيات مستوى الخدمة (SLAs) — لم تكن الحوسبة هي الجزء الأصعب، بل كانت المساءلة هي الأهم. يبدو أن الاستدلال بالذكاء الاصطناعي على السلسلة يعترض الجدار نفسه الآن، فقط بشكل أسرع.
ما زلت غير متأكد من مقدار حجم OPG اليوم الذي يأتي من الاستخدام مقابل المضاربة بحثًا عن إدراجه. ربما يكون معظم ذلك هو الأخير، في هذه المرحلة المبكرة.
ربما ليست المسألة أي اتجاهات رموز ذكاء اصطناعي سنراها بعد ذلك. ربما المسألة هي أي واحد ما يزال لديه عمل يؤديه حتى بعد أن تنتقل موجة الاتجاه.

#OPG كنت أفكر 🤔 في هذا أمس أثناء مقارنة مخرجات نموذجين مختلفين للذكاء الاصطناعي على نفس السؤال. أعطاني كلٌّ منهما إجابات مختلفة.

لم يذكر أيٌّ منهما كيف توصّل إلى ذلك.

وهذا هو الفارق الذي يبنيه "OpEngradient" فعلًا — ليس من هو النموذج الأكثر ذكاءً، بل ما إذا كان بإمكانك إثبات ما الذي تم تشغيله وكيف.

ما لفت انتباهي هو أنهم لم يختاروا طريقة تحقق واحدة ويكتفوا بها.

هناك طيف يعتمد على ما تتطلبه الحالة فعليًا.

بالنسبة لاستدعاءات LLM اليومية التي تتطلب السرعة، تقوم المعالجة المعزولة على مستوى العتاد داخل حاويات AWS Nitro enclaves بالعمل.

يقوم الـ enclave بتوليد إثبات تحقق يثبت أن الكود الصحيح تم تشغيله دون العبث.

التكلفة الإضافية شبه معدومة.

ويعمل ذلك على نطاق واسع الآن.

أما بالنسبة للمخرجات الأعلى أهمية حيث تصبح اليقينية الرياضية أهم من معدل الإنتاج (throughput)، فتدخل الإثباتات عديمة المعرفة (zero-knowledge proofs) إلى المشهد.

إثبات تشفيري بأن نموذجًا محددًا أنتج نتيجة محددة انطلاقًا من مدخلات محددة — دون الحاجة إلى الوثوق بالعتاد، ودون طرف ثالث لتصدّقه.

لكن التكلفة حقيقية.

تقع في مكان ما بين أبطأ بـ 1000 و10000 مرة من الاستدلال المباشر، وهذا يستبعد استخدامها حاليًا مع النماذج الكبيرة.

الجزء الذي بقي عالقًا في ذهني هو أنه يمكن مزج الطريقتين داخل عملية واحدة.

إثبات تحقق عتادي لطبقة واحدة.

وإثبات عديم المعرفة لطبقة أخرى.

مناسب لما هو محل المخاطرة فعليًا في تلك الخطوة المحددة بدل تطبيقه بشكل موحّد على كل شيء.

أغلب مشاريع البنية التحتية التي اطلعت عليها تجبرك على قبول افتراض الثقة لديهم.

يتيح OpenGradient لك اختيار مقدار الإثبات الذي تحتاجه فعليًا.

وما إذا كانت هذه المرونة ستظل قائمة مع توسع الشبكة أمر غير مؤكد بالنسبة لي.

@OpenGradient $OPG

بالأمس/قبل قليل، كنت أفكر في شيء يزعجني بصمت منذ أشهر.

معظم أدوات الذكاء الاصطناعي تفرض اتخاذ قرار بشأن النموذج في البداية. اختر واحدًا. ابدأ. بمجرد أن يصبح الخيط/المحادثة عميقة بما يكفي لتهمّ، يعني التبديل البدء من جديد — السياق يختفي،
تضيع عملية التفكير،
ونعود إلى نقطة الصفر.

وهنا لفت انتباهي @OpenGradient Chat بطريقة لم أتوقعها.

الجزء المثير للاهتمام ليس هو الوصول إلى ستة نماذج في مكان واحد. بل أن المحادثة لا تُعاد ضبطها عندما تنتقل بين تلك النماذج.

أشياء قليلة ترافقني أثناء استخدام هذا هي أن
1. ChatGPT،
2. Claude،
3. Gemini،
4. Grok،
5. ByteDance Seed و
6. Nous Hermes، كلها تعمل داخل الخيط/المحادثة نفسه. عند تبديل النماذج أثناء الجلسة، يستمر ما بُني من قبل من تفكير/استدلال. يتغير النموذج. لكن السياق لا يتغير.

وكذلك ما وجدته جديرًا بالملاحظة هو أن جميع النماذج الستة تمر عبر طبقة خصوصية واحدة — تشفير على مستوى الجهاز قبل أن يغادر أي شيء المتصفح، ووسيط HTTP غير واعٍ يفصل الهوية عن المحتوى، وبوابة معزولة ضمن TEE لا يستطيع المشغّل نفسه الوصول إليها.

من وجهة نظري، فإن @OpenGradient is يبني شيئًا أكثر تحديدًا من مجرد مجمّع نماذج. مساحة عمل يصبح فيها اختيار النموذج قرارًا تتخذه أثناء تنفيذ المهمة، وليس التزامًا تقطعه قبل أن تبدأ.

لكن المقابل/المقايضة حقيقية. فبنية تحتية مُحقَّقة الخصوصية تعمل عبر ستة مزوّديْن على الحدود/المقدمة تضيف عبئًا تنسيقيًا لا يتعين على مكالمة API مباشرة واحدة أن تحمله. ما إذا كان هذا العبء يستحق العناء يعتمد بالكامل على مدى اهتمامك بما يحدث للمحادثة بعد أن تغلق النافذة/اللسان (التبويب).

chat.opengradient.ai

@OpenGradient $OPG #OPG

أعتقد أن أصعب مشكلة بالنسبة لـ OpenGradient ليست المعمارية. المعمارية مثيرة للاهتمام فعلًا. المشكلة الأصعب هي أنني كان لديّ ChatGPT مفتوحًا في تبويب آخر أثناء قراءتي عنها.

هذا ليس نقدًا. هذا هو حاجز التبنّي الحقيقي.

معظم الناس في هذا المجال يقيمون مشاريع الذكاء الاصطناعي والعملات المشفرة بناءً على جودة التقنية. هل تعمل عملية التحقق؟ هل طبقة الخصوصية حقيقية؟ هذه أسئلة مهمة. لكنها لا تحدد ما إذا كان شخص ما سيغيّر التبويب الخاص بأداة الذكاء الاصطناعي التي يفتحها صباحًا. العادة عائق مختلف تمامًا عن القدرة.

لقد حاولت تغيير أداة الذكاء الاصطناعي الافتراضية ثلاث مرات في العام الماضي. في كل مرة عدت في النهاية إلى ما كنت مرتاحًا له بالفعل. ليس لأن البديل كان أسوأ — أحيانًا كان أفضل — بل لأن تكلفة التحوّل لإعادة بناء سير العمل وأنماط التوجيه موجودة فعليًا، ومعظم الناس لا يقومون بذلك ما لم يكن هناك سبب مُقنع للبدء.

ما أجده مثيرًا للاهتمام فعلًا بخصوص هيكل توزيع S2 OPG هو أنه يخلق ذلك السبب. ترتبط الأهلية بشكل مباشر بشراء واستخدام الرصيد على OpenGradient Chat — وليس بامتلاك محفظة، ولا بربط السيولة، ولا بالمزارعة لالتقاط لقطة. الاستخدام الفعلي. هذه إشارة قابلة للقياس لمعرفة ما إذا كان يحدث تغيير في العادة بالفعل.

يمكن التلاعب بمعظم مؤشرات التبنّي في عالم العملات المشفرة. استهلاك الرصيد على منتج يتطلب منك فتحه واستخدامه بنشاط أصعب بكثير في التزوير.

وفقًا لوجهة نظري، فإن هيكل توزيع S2 أقل ارتباطًا بتوزيع رمز OPG وأكثر ارتباطًا بقدرة OpenGradient على إظهار تغيير سلوكي حقيقي على نطاق واسع.

هذه هي المتغير الذي أراقبه.
ليس TVL.
ليس عدد المحافظ.

@OpenGradient $OPG #OPG
ماذا تعتقد؟ ما الذي يغيّر سلوك المستخدم فعليًا... ؟

معظم معماريات الـBLOCKchain التي اطلعت عليها تعامل السرعة والثقة كقرص يمكنك تدويره باتجاه واحد على حساب الآخر.
إذا دفعت نحو حسم أسرع للمعاملة، فإنك تضحي ببعض اللامركزية.
إذا دفعت نحو تحقق أقوى، فإن زمن الوصول يرتفع.
وهذا هو التوتر المقبول منذ سنوات.
عندما بدأت الغوص في نهج OpenGradient، أدركت أن HACA مبنية على افتراض مختلف تمامًا — أن السرعة والثقة لا يتعين أن تعيشا على نفس خط الزمن.
نعم، هذا التحويل في المنظور يغيّر كل شيء بنيويًا.
السبب الذي يجعل سلاسل الكتل التقليدية تعاني مع استدلال الذكاء الاصطناعي ليس مشكلة أداء.
إنها مشكلة معمارية.
تشغيل نموذج LLM بعدد 70 مليار معلمة مرة واحدة لكل مُدقق — وهو ما تفعله آلية الإجماع القائمة على إعادة التنفيذ — يكلف 100 ضعف من القدرة الحاسوبية مقابل قيمة إضافية معدومة.
وبسبب أن نماذج LLM ذات درجة حرارة أعلى من الصفر تُنتج مخرجات مختلفة عبر العتاد، لا يستطيع المُدققون حتى مقارنة النتائج مباشرة.
النموذج غير متوافق جوهريًا مع طريقة عمل الإجماع القياسي.
من الأمور التي بقيت معي أثناء بحثي في كيفية تعامل HACA مع هذا الأمر أنها تفصل التنفيذ والتحقق إلى خطي زمن مستقلين تمامًا.
عُقد استدلال GPU تتولى التنفيذ وتعيد النتائج إلى المستخدمين في غضون أجزاء من الملي ثانية.
ثم تقوم العقد الكاملة على عتاد سلعي بالتحقق من إقرارات TEE أو إثباتات ZKML بشكل غير متزامن في الخلفية.
الحوسبة المكلفة لا تمس المسار الحرج للإجماع أبدًا.
وما يعنيه ذلك عمليًا هو أن إضافة المزيد من عُقد الاستدلال يزيد الإنتاجية بشكل خطي دون التأثير على طبقة التحقق.
التوسع على محور لا يُضعِف الآخر.
لذلك أعتقد أن @OpenGradient يحل مشكلة لم يعترف بها بعد معظم مشاريع الذكاء الاصطناعي اللامركزية — وهي أن وضع الاستدلال داخل الإجماع ليس فقط غير كفؤ، بل مكسور معماريًا بالنسبة للنماذج غير الحتمية.
المقابل هو تعقيد التنسيق.
أنواع العُقد المتخصصة تتطلب التسجيل والتوجيه وتحمّل تكاليف المزامنة، وهي أمور لا يتعين على مجموعة مُدققين متجانسين إدارتها.
ستكون الأنظمة الأبسط دائمًا أسهل في التشغيل من هذا النظام.
@OpenGradient $OPG #OPG

لما بدأت أفكر في الذكاء الاصطناعي داخل العقود الذكية، كنت أعتقد أن الإعداد دائمًا سيكون عملية من خطوتين. النموذج يعمل في مكان خارجي. النتيجة تُنشر على السلسلة. العقد يقرأها. نمط الأوركل القياسي.
بعد ما شفت كيف @OpenGradient يتعامل مع هذا باستخدام NeuroML، أدركت أن خطوة الأوركل أصبحت في الواقع اختيارية الآن.
أيوه، هذه هي النقطة اللي تستحق التأمل فيها.
نمط الأوركل لديه مشكلة في التوقيت معظم المطورين يقبلونها بهدوء. التنبؤ بالذكاء الاصطناعي والمعاملة التي تتصرف بناءً عليه هما حدثان منفصلان. بين هذين الحدثين، الأسعار تتحرك، والشروط تتغير، والفجوة بين وقت توليد الذكاء ووقت تصرف رأس المال تكلف المال بصمت. لقد شاهدت هذا يحدث في استراتيجياتي أكثر من مرة.
بعض الأشياء اللي كانت في بالي أثناء بحثي في هذا هي أن NeuroML يسمح باستدعاء استنتاج نموذج ML بشكل محلي من العقود الذكية في Solidity من خلال precompiles — بدون استدعاء API خارجي، بدون جولة خارج السلسلة. محرك PIPE يرسل طلبات الاستنتاج مباشرة من mempool، ويحسب النتائج بشكل متوازي، ويضمها بشكل ذري في نفس المعاملة عند إغلاق الكتلة. $LUMIA
وما يزيله هذا هو الافتراض المعماري الذي لا تزال معظم تطبيقات الذكاء الاصطناعي على السلسلة مبنية حوله. التنبؤ لا يصل قبل المعاملة. إنه جزء من المعاملة.
وفقًا لرأيي، @OpenGradient يحاول تغيير ما يمكن أن يكون عليه العقد الذكي في الواقع — ليس مجموعة قواعد ثابتة تقرأ بيانات خارجية، ولكن بيئة تنفيذ حيث يحدث الذكاء والعمل في نفس العملية الذرية. $CARV
التنازل حقيقي مع ذلك. استنتاج ML على السلسلة عبر PIPE يضيف تأخيرًا إلى إنتاج الكتل التي لا تحملها المعاملات المالية البحتة. النماذج المعقدة لا تزال تحمل تكاليف غاز كبيرة. التنفيذ اللامركزي لـ ML محليًا داخل EVM لا يزال في مرحلة مبكرة وغير مثبت على نطاق الإنتاج.
$OPG #OPG

عندما نظرت لأول مرة إلى @OpenGradient ، وضعت نفس الافتراض الذي يضعه معظم الناس في عالم الكريبتو. بنية تحتية لذكاء اصطناعي لامركزي تعني حالة استخدام DeFi. هذا هو المكان الذي تتدفق فيه الأموال، وهذا هو ما تكافئه السرديات.🤨

بعد قضاء المزيد من الوقت مع الهيكل الفعلي، أعتقد أن هذا الافتراض قد يكون هو المكان الذي يقلل فيه معظم الناس من قيمته.

نعم، قد ينتهي الأمر بـ DeFi ليكون أصغر صناعة تهمّ هنا.

فكر في ما تحله عملية التحقق من مخرجات الذكاء الاصطناعي 🤔. إنها ليست مشكلة كريبتو. إنها مشكلة ثقة. ومشاكل الثقة تتناسب مباشرة مع عواقب الخطأ. عائد DeFi المحسوب بشكل خاطئ يمكن استرداده. لكن روبوت جراحي يعمل بناءً على تعليمات ذكاء اصطناعي مشوهة ليس كذلك. ونظام التوافق المؤسسي الذي يوافق على ملف خاطئ لأن مخرج الذكاء الاصطناعي تم تعديله في صمت في مكان ما بين التنفيذ والتسليم - هذه فئة مختلفة تمامًا من العواقب.

بعض الأشياء التي كانت تدور في ذهني أثناء النظر إلى هذا هي أن الوكلاء المستقلين، والروبوتات الفيزيائية، وتشخيصات الرعاية الصحية، وأتمتة المؤسسات جميعها تتجه نحو اتخاذ قرارات مدفوعة بالذكاء الاصطناعي الآن. لا تمتلك أي من تلك الصناعات حاليًا وسيلة موثوقة للتحقق من أن النموذج الصحيح قد تم تشغيله، بالإدخال الصحيح، وأعاد مخرجات غير معدلة. جميعها تعمل على الثقة بشكل افتراضي.

وما توفره بنية OpenGradient المعتمدة على TEE والتحليل ZKML بالفعل هو بنية تحتية للتحقق ذات غرض عام تصادف أن كريبتو تبنيها أولاً.

في رأيي، السوق يقرأ هذا على أنه لعبة بنية تحتية لـ DeFi. المساحة القابلة للتعامل الفعلية هي كل نشر ذكاء اصطناعي عالي المخاطر على الكوكب.

لكن التحدي قاسٍ. المنافسة مع Google وMicrosoft وAWS من حيث زمن الاستجابة، والتكلفة، وموثوقية المؤسسات هي حقًا واحدة من أصعب المشاكل في التكنولوجيا. التحقق يضيف الثقة. لكنه لا يضيف تلقائيًا الكفاءة التشغيلية التي قضى المزودون المركزيون عقودًا في بنائها.
#OPG $OPG

عندما نظرت لأول مرة إلى Image Studio داخل OpenGradient Chat، اعتقدت أن جانب الخصوصية هو في الغالب شيء يتعلق بالمحادثات النصية. الصور شعرت بأنها مختلفة - أقل شخصية، وأقل حساسية.
ثم فكرت في ما تكشفه في الواقع مطالبات الصور.
نموذج منتج لم تقم بإطلاقه بعد.
مخطط طبي لحالة لم تكشف عنها.
مفهوم إبداعي لست مستعدًا لمشاركته.
المطالبة وراء الصورة تحمل نفس القدر من النية الحساسة مثل أي سؤال مكتوب - أحيانًا أكثر، لأنها محددة.
كانت هناك بعض الأشياء التي احتفظت بها في ذهني أثناء بحثي في كيفية نشر Image Studio بالفعل. يعمل على نفس البنية التحتية مثل بقية OpenGradient Chat - تشفير على مستوى الجهاز قبل مغادرة الطلب المتصفح، وHTTP relay غير مرئي يفصل الهوية عن المحتوى، وبوابة معزولة TEE حيث يحدث المعالجة داخل مكان مختوم لا يمكن للمشغل نفسه قراءته.
هذا ليس طبقة خصوصية منفصلة تم بناؤها للصور. إنها نفس البنية المعمارية الموجودة بالفعل.
الآن يدعم Image Studio توليد الصور عبر نماذج Gemini وByteDance وxAI من داخل واجهة واحدة - مع المزيد من النماذج في خارطة الطريق. يمكنك التبديل بينها بنفس الطريقة التي ستتبدل بها بين نماذج النص. chat.opengradient.ai
أعتقد أن التفاصيل الأكثر إثارة للاهتمام ليست تنوع النماذج. بل إن الخصوصية لم تُضاف كميزة فوق توليد الصور. بل تم وراثتها هيكليًا من كيفية بناء المنصة بأكملها منذ البداية.
التجارة المقايضة هي نفس المقايضة التي تنطبق في كل مكان في هذه البنية المعمارية. يعتمد تحقق TEE على ثقة الأجهزة. إذا انكسرت تلك الفرضية في أي وقت، فإن ضمان الخصوصية يتدهور معها.
هذا الخطر حقيقي. لكن "خاص بشكل افتراضي" يعني مفروض هيكليًا بدلاً من وعد سياسي لا يزال تمييزًا ذا معنى في مساحة حيث تقدم معظم الأدوات كليهما.
@OpenGradient $OPG #OPG

عندما أنظر لأول مرة إلى مشروع جديد، لا أقرأ خارطة الطريق. أقرأ أي قسم يكون من الأصعب العثور عليه.

معظم الفرق تدفن المخاطر في التحذيرات القانونية. بعضهم لا يذكرها على الإطلاق. أما الذين يضعون القيود مباشرة في الوثيقة التقنية — بوضوح، وبدون تلطيف اللغة — فإنني أنتهي بقراءتها بعناية أكبر بكثير من تلك التي تنشر فقط ما يبدو جيدًا.

هذا ما حدث عندما استعرضت ورقة عمل OpenGradient. 🤔💭

القسم 10.2 بعنوان المقايضات المتعمدة.
ليس المخاطر.
ليس التحذيرات.
المقايضات.
وبعض الأشياء هناك ظلت في ذهني أثناء القراءة.

التحقق من TEE يعتمد على ثقة الأجهزة. إذا تم اكتشاف ثغرة أساسية في الحافظة — فكر في نوع استغلال مستوى وحدة المعالجة المركزية الذي يظهر كل بضع سنوات — ستتدهور الأمان حتى يتم تصحيحها. وهذا معترف به مباشرة.

ZKML يحمل عبءًا حاسوبيًا يتراوح من 1,000 إلى 10,000 مرة. الضمان الأقوى للتحقق الذي تقدمه @OpenGradient غير عملي حاليًا لأي نموذج كبير. تقول ورقة العمل ذلك بوضوح.

التسوية غير المتزامنة تخلق فجوة مؤقتة. بين لحظة انتهاء الاستدلال ولحظة استقرار الدليل على الشبكة، تكون النتيجة غير مؤكدة تقنيًا. للعمليات التي تحتاج إلى يقين فوري، هناك PIPE — ولكن بتكلفة زمنية أعلى.

نعم، معظم المشاريع لا تنشر ذلك.

من وجهة نظري، يخبرني هذا القسم أكثر عن مدى جدية فريق مطوري شبكة @OpenGradient $OPG في فهم بنيتهم المعمارية أكثر من أي ادعاءات للمنتج. لا يمكنك تصميم شيء حول القيود التي لم تسميها.

المقايضة واضحة رغم ذلك. الاعتراف بالقيود علنًا لا يزيلها. إنه فقط يعني أن الفريق كان يتوقعها.

#OPG

عندما رأيت لأول مرة Nous Hermes مدرجًا جنبًا إلى جنب مع ChatGPT وClaude وGemini داخل OpenGradient Chat، افترضت أنه موجود فقط لتغطية الاستخدام غير المراقب.

بعد أن نظرت فعليًا إلى ما يجعل Hermes مختلفًا، أدركت أن القصة الأكثر إثارة ليست في النموذج — بل في ما تم بناؤه تحت @OpenGradient .

نعم، تلك النقطة يتم تجاهلها.

كانت هناك بعض الأمور التي احتفظت بها في ذهني أثناء البحث في هذا.

Hermes مبني على أوزان Llama 3.1 المفتوحة بأسلوب تدريب تسميه Nous Research المحاذاة المحايدة — تم تحسينه ليتبع نية المستخدم بدلاً من سياسة محتوى الشركات.

على RefusalBench، يسجل درجات أعلى بكثير من GPT-4o وClaude Sonnet مجتمعين.

معظم ما ترفضه تلك النماذج ليس خطيرًا — بل حساس للمسؤولية. تم تدريب Hermes بشكل خاص على تمييز الفرق.

وما يجعل OpenGradient Chat محددًا هنا بالنسبة لي هو البنية التحتية الموجودة تحت ذلك النموذج.

تشفير على مستوى الجهاز قبل مغادرة أي شيء من متصفحك.
مرحلة HTTP غير مدركة تفصل بين عنوان IP الخاص بك والطلب.
بوابة معزولة بتقنية TEE حيث يحدث فك التشفير فقط داخل مكان مغلق لا يمكن للمشغل نفسه الوصول إليه أو تسجيله.

الرابط بين هويتك وما طلبته لا يتم تشكيله أبدًا.

في رأيي، OpenGradient تحاول شيئًا لم تحاول معظم المنصات القيام به — نشر نموذج غير مراقب داخل بنية الخصوصية حيث يتم إزالة الهوية هيكليًا بدلاً من مجرد الوعد بإبعادها.

التنازل حقيقي رغم ذلك. إزالة فلاتر الأمان الخاصة بالشركات تعني أن التحكم في الجودة ينتقل بالكامل إلى المستخدم. لا يزال بإمكان Hermes الإجابة بثقة حول الأشياء التي يخطئ فيها. تلك طريقة الفشل لا تختفي — بل تصبح مسؤوليتك لالتقاطها.

الذكاء الاصطناعي غير المراقب بدون طبقة خصوصية هو ملف مخاطر مختلف عن الذكاء الاصطناعي غير المراقب حيث لا يمكن لأحد تتبع المحادثة إليك.

ستكون هذه التفرقة أكثر أهمية مع توسع هذه الأنظمة.

$OPG #OPG

لقد كنت أقضي المزيد من الوقت مؤخرًا في قراءة مشاريع DePIN أكثر مما كنت أتوقع. ليس لأن الفئة تبدو جديدة بعد الآن، ولكن لأنني كنت ألاحظ شيئًا ما حول كيفية تقديم معظمها. تقريبًا كل مشروع في هذا المجال يقدم نفسه كنسخة أرخص أو أكثر توزيعًا من شيء موجود بالفعل. تخزين يكلف أقل من مقدمي الخدمات المركزيين. نطاق ترددي مستمد من أجهزة غير مستخدمة. العرض هو في الأساس نفس المورد، يتم الوصول إليه بطريقة مختلفة.

بدأت تلك الصورة تبدو غير مكتملة بالنسبة لي عندما نظرت إلى ما يتم محاولة تحقيقه باستخدام الذكاء كمورد.

لفت انتباهي @OpenGradient لهذا السبب بالتحديد. ليس لأنه يتناسب بشكل جيد مع مقارنة DePIN، ولكن لأنه يستمر في إثارة سؤال لم أره يُجاب عنه بشكل واضح في أي مكان.
• هل الذكاء هو في الواقع نفس نوع المورد مثل النطاق الترددي أو الحساب؟
• أم أن التحقق من مخرجات الذكاء الاصطناعي يحمل مخاطر مختلفة عن التحقق من نقل ملف؟
لست متأكدًا من أن البنية التحتية المطلوبة لأحدهما تترجم مباشرة إلى الأخرى.

أتذكر عندما كان معظم الناس الذين يبنون في هذا المجال يعاملون الذكاء الاصطناعي كطبقة فوق البنية التحتية الحالية للعملات المشفرة. ميزة بدلاً من أساس. مؤخرًا، أجد نفسي أتساءل عما إذا كانت تلك الطريقة في النظر إليها قد تكون معكوسة. ربما تحتاج البنية التحتية للذكاء إلى أن تُصمم حول افتراضات مختلفة من البداية بدلاً من أن تُورث من الهياكل المصممة لتخزين أو نقل البيانات. 🤔

ما أجده مثيرًا للاهتمام هو أن OpenGradient يبدو أنه جزء من سؤال أوسع لم يتم حله بالكامل بعد في الصناعة. سواء كانت البنية التحتية للذكاء الاصطناعي اللامركزي فئة جديدة أو مجرد إعادة تغليف لفئة قديمة. لست متأكدًا تمامًا ولا أعتقد أن الإجابة واضحة من حيث الأمور الحالية.

ربما أقرأ الكثير في التمييز. المرافق لا تزال بنية تحتية في نهاية اليوم.

لكنني أظل أتساءل عما إذا كانت الطريقة التي نصنف بها ما يتم بناؤه هنا ستنتهي إلى أن تكون أكثر أهمية مما يتوقعه معظم الناس حاليًا.
#OPG $OPG