Waseem Ahmad mir

Ich habe fast diesen Teil der Dokumentation zum Newton Protocol ignoriert.

Ich habe nach etwas anderem gesucht und habe stattdessen aus Versehen den Zahlungsablauf geöffnet.

Beim ersten Blick darauf konnte ich nicht wirklich viel daraus mitnehmen.

Später bin ich zurückgegangen und habe den Ablauf Schritt für Schritt durchlaufen. Das war eine bessere Idee.

Der Transfer ist nicht der Punkt, an dem der Prozess beginnt. Zuerst gibt es eine Anfrage, dann wird die Richtlinie ausgewertet, eine Bestätigung (Attestation) wird zurückgesendet, und erst danach geht die Zahlung weiter.

Ich weiß nicht warum, aber die Reihenfolge so aufgeschrieben zu sehen, hat es sich bei mir besser eingeprägt.

Außerdem mochte ich, dass das Diagramm nicht versucht, alles in eine einzige Box zu quetschen. Jeder Teil hat seinen eigenen Platz, sodass es sich leichter verfolgen lässt, ohne ständig zwischen Absätzen hin- und herzuspringen.

Ich habe wahrscheinlich mehr Zeit damit verbracht, die Pfeile anzuschauen, als den Text daneben zu lesen.

Das kommt nicht sehr oft vor.

Wenn mich eine Dokumentation eher ausbremst, statt mich schneller zu scrollen, nehme ich meistens ein besseres Verständnis mit.

Hier war das genauso.

@NewtonProtocol

$NEWT

#Newt

10K starke Follower! Danke, Binance-Fam! 🎉
Danke 😊 an alle, die ❤️ mich unterstützen. Heute ist ein sehr glücklicher Tag für mich 💓
Was für eine Reise es war! 10.000 Follower auf Binance zu erreichen, ist nicht nur ein Meilenstein—es ist ein Zeugnis des Vertrauens, der Unterstützung und der Leidenschaft, die wir für die Märkte teilen. Von unserem ersten Handel bis zu diesem Moment war jedes Signal, jede Strategie und jede Lektion ein Schritt in Richtung dieses Erfolgs.
Handel ist nicht nur eine Frage der Zahlen—es geht um Denkweise, Strategie und das Eingehen kalkulierter Risiken. Wir haben Marktbewegungen, Volatilität und Unsicherheit erlebt, aber gemeinsam haben wir jede Herausforderung gemeistert. Diese Reise war eine Achterbahnfahrt, aber jeder Rückgang hat uns nur stärker gemacht.#BTCvsETH @Binance Academy

Ich bin heute zurück in den Zahlungs-Workflow von Newton Protocol gegangen, weil ich das Gefühl hatte, beim ersten Mal etwas übersehen zu haben.

Es stellte sich heraus, dass ich das tatsächlich hatte.

Ich habe zwar auf die Übertragung geachtet, aber das Interessante war alles, was dazu führte.

Die Anfrage wird nicht sofort zu einer Zahlung. Es gibt eine Abfolge, bevor das passiert. Die Richtlinie wird ausgewertet, eine Bestätigung (Attestation) wird zurückgegeben, und erst dann entscheidet der Zahlungs-Contract, ob die Übertragung fortgesetzt werden soll.

Ich weiß nicht warum, aber diese Reihenfolge hat das gesamte Diagramm viel leichter verständlich gemacht.

Außerdem wurde mir dadurch klar, dass der Workflow nicht wirklich darum geht, Gelder von einer Adresse zur anderen zu verschieben. Es geht darum zu zeigen, wie das Protokoll genau an diesen Punkt gelangt.

Ich mag Dokumentationen, die Dinge so erklären.

Wenn ich jeden Schritt mit eigenen Augen nachvollziehen kann, verbringe ich weniger Zeit damit, technische Begriffe zu interpretieren, und mehr Zeit damit, zu verstehen, warum der Prozess so gestaltet wurde.

Vielleicht ist das der Grund, warum ich immer wieder Architektur-Seiten öffne, statt direkt zur Feature-Liste zu springen.

Die Features sagen mir, was ein Protokoll tun kann.

Der Workflow zeigt mir normalerweise, wie es versucht, das zu tun.

Das hat mich dazu gebracht, Newton Protocols Dokumentation länger zu lesen, als ich erwartet hatte.

@NewtonProtocol

$NEWT

#Newt

Ich verbringe normalerweise nicht viel Zeit damit, sich Zahlungsablauf-Diagramme anzusehen, aber dieses von Newton Protocol hat mich ein wenig länger auf der Seite gehalten.

Was mir aufgefallen ist, war nicht die Transaktion selbst. Mir ist aufgefallen, dass es vor Abschluss der Zahlung einen zusätzlichen Validierungsschritt gibt, und ich fand das eine interessante Designentscheidung. Wenn die erforderliche Richtlinie nicht erfüllt ist, wird die Transaktion nicht fortgesetzt.

Ich mochte es, das so ausführlich dargestellt zu sehen, statt nur eine einzeilige Beschreibung zu lesen.

Das Diagramm zeigt außerdem, dass sich in der Mitte des Zahlungsablaufs kein Off-Chain-Server befindet. Alles Wichtige geschieht rund um den Vertrag, die Richtlinienauswertung und die daraus resultierende Bestätigung.

Für mich machen Diagramme wie dieses technische Ideen viel leichter nachvollziehbar. Anstatt eine lange Erklärung zu lesen, kann man sehen, wie jeder Schritt mit dem nächsten verbunden ist – und warum diese Schritte überhaupt existieren.

Ich denke, genau das hat @NewtonProtocol in seiner Dokumentation gut gemacht. Statt nur Funktionen aufzulisten, nimmt es sich Zeit zu zeigen, wie die verschiedenen Teile des Protokolls miteinander interagieren.

Ich lese das Material immer noch durch, aber solche technischen Durchläufe sind die Seiten, auf denen ich normalerweise am meisten Zeit verbringe. Sie verraten mir viel mehr darüber, wie ein Protokoll entworfen ist, als es eine Marketing-Überschrift je könnte.

$NEWT #NewtonProtocol #newt $NEWT

Ich dachte früher, dass KI-Infrastruktur größtenteils nur damit zu tun hat, mehr GPUs zu haben.

Nachdem ich die Dokumentation von OpenGradient gelesen habe, ist mir klar geworden, dass es etwas komplizierter ist.

Das Ausführen eines KI-Modells ist nur ein Teil des Prozesses.

Jemand muss dieses Modell Entwicklern verfügbar machen. Jemand muss eine Möglichkeit bereitstellen, um für Inferenz zu bezahlen. Jemand muss überprüfen, dass die Berechnungen wie erwartet stattgefunden haben. Und all diese Bausteine müssen zusammenarbeiten, ohne das Netzwerk unnötig langsam zu machen.

Vielleicht ist das der Grund, warum ich immer wieder zur Architektur zurückgekehrt bin, statt mich von den Schlagzeilen leiten zu lassen.

Das Whitepaper beschreibt @OpenGradient nicht als eine einzelne KI-Anwendung. Es beschreibt ein Netzwerk, in dem verschiedene Komponenten unterschiedliche Aufgaben übernehmen – vom Model Hosting und der Inferenz bis hin zur Verifikation und Abrechnung.

Ich glaube, das ist eine leicht zu übersehende Einzelheit.

Die meisten von uns interagieren nur mit der finalen Antwort eines KI-Modells. Wir denken selten darüber nach, welche Systeme diese Antwort überhaupt erst möglich machen.

Je mehr ich über Projekte wie OpenGradient lese, desto mehr schätze ich die technischen Entscheidungen, die getroffen werden, bevor ein Nutzer jemals einen Prompt eintippt.

Diese Entscheidungen sind nicht so sichtbar wie eine neue Modellausgabe.

Aber sie sind der Grund, warum Entwickler mit Vertrauen auf dem Netzwerk aufbauen können.

Das ist die Seite von KI, für die ich mich in letzter Zeit zunehmend interessiere.

$OPG #OPG #OPG

Ich las die @OpenGradient -Whitepaper wieder durch, und eine Einzelheit blieb mir im Kopf, nachdem ich sie geschlossen hatte.

Das Netzwerk versucht nicht, dass jeder Validator jede KI-Berechnung ausführt.

Zunächst dachte ich nicht viel darüber nach.

Dann erinnerte ich mich daran, wie unterschiedlich KI-Workloads im Vergleich zu normalen Blockchain-Transaktionen sind. Ein Token-Transfer dauert sehr viel weniger als das Ausführen eines KI-Modells. Wenn man diese beiden Dinge exakt gleich behandeln würde, entstünde viel unnötiger Overhead.

Deshalb fand ich OpenGradients Hybrid-AI-Compute-Architektur interessant. Anstatt jeden Knoten zu zwingen, dieselbe Inferenz zu wiederholen, trennt das Netzwerk die Ausführung von der Verifikation. Die Inferenz wird von spezialisierten Compute-Knoten übernommen, während die Verifikation anschließend über das Netzwerk erfolgt.

Das gefällt mir, weil es mit einer praktischen Frage beginnt – statt mit einer Marketing-Frage.

Was braucht KI eigentlich, um in einem dezentralen Netzwerk gut zu funktionieren?

Manchmal besteht die Antwort nicht darin, dass alles an einem Ort passiert. Manchmal besteht sie darin, dass verschiedene Teile des Netzwerks unterschiedliche Aufgaben übernehmen.

Diese Idee wurde für mich umso plausibler, je länger ich darüber nachdachte.

Vielleicht dauert es deshalb länger, bis Infrastrukturprojekte als wichtig erkannt werden.

Beim ersten Lesen fällt das nicht sofort auf.

Man erkennt es, wenn man anfängt zu fragen, warum sie überhaupt so entworfen wurden.

Das habe ich aus der Zeit mit der OpenGradient-Dokumentation mitgenommen. Es war keine weitere Diskussion über KI-Modelle. Es war eine Diskussion darüber, wie man ein Netzwerk so aufbaut, dass es so funktioniert, wie KI tatsächlich arbeitet.

$OPG #OPG #OPG

Etwas hat die Art verändert, wie ich Projekt-Dokumentationen lese.

Früher sprang ich direkt zur Roadmap, um zu sehen, was als Nächstes kommt. Jetzt verbringe ich mehr Zeit damit, mir anzuschauen, was bereits existiert.

Mit OpenGradient habe ich mich dabei ertappt, dass ich über Dinge wie die Model Hub, das SDK und die Netzwerkarchitektur gelesen habe, bevor ich mir irgendetwas anderes angesehen habe. Das hat mich darüber nachdenken lassen, welche Menschen tatsächlich auf dem Netzwerk aufbauen werden.

Ein Entwickler braucht nicht nur ein KI-Modell.
Ein Modell zu haben ist das eine. Die Werkzeuge zu besitzen, um es effektiv zu nutzen, ist etwas ganz anderes. Diese Details sind vielleicht nicht das Erste, worauf die meisten Leute achten, aber es sind die Dinge, die Entwickler jeden Tag verwenden.

Wahrscheinlich ist das auch der Grund, warum mir Infrastrukturprojekte mit der Zeit immer interessanter geworden sind. Sie haben nicht immer die lautesten Ankündigungen, aber sie versuchen meistens, praktische Probleme zu lösen, die erst dann auftauchen, wenn Menschen anfangen zu bauen.

Das Lesen der Dokumentation @OpenGradient hat mir diesen Eindruck vermittelt. Anstatt KI als ein einzelnes Produkt zu behandeln, betrachtet es die verschiedenen Bausteine, die nötig sind, um ein Ökosystem darum herum zu unterstützen.

Ich bin gespannt darauf zu sehen, wie Entwickler diese Bausteine nutzen, während das Netzwerk weiter wächst.
$OPG #OPG #OPG

Ich habe die Angewohnheit, die Dokumentation zu öffnen, bevor ich mir den Kursverlauf anschaue.
Nicht weil sie mir sagt, in welche Richtung ein Token geht, sondern weil sie mir meistens zeigt, woran das Projekt gerade arbeiten will.
Beim Lesen der Materialien von OpenGradient ist mir etwas aufgefallen, das in KI-Diskussionen nicht sehr häufig vorkommt. Sehr viel Aufmerksamkeit gilt Modellen und Benchmarks, aber es gibt auch den Fokus darauf, Entwicklern die Werkzeuge zu geben, mit denen sie mit diesen Modellen arbeiten können. Das SDK, der Model Hub und das zugrunde liegende Netzwerk gehören alle zu diesem Gesamtbild.
Das hat mich daran erinnert, dass nützliche Technologie nicht nur damit zu tun hat, was der Endnutzer sieht. Jemand muss die Tools bauen, auf die andere Entwickler angewiesen sind. Diese Bausteine machen selten Schlagzeilen, sind aber oft genau das, was es einem Ökosystem ermöglicht, langfristig zu wachsen.
Ich glaube, deshalb komme ich immer wieder auf Infrastrukturprojekte zurück. Sie sind nicht immer am leichtesten zu erklären, und sie bekommen nicht immer die gleiche Aufmerksamkeit wie Produkte, die sich an Verbraucher richten, aber sie lösen Probleme, auf die Entwickler jeden Tag stoßen.
Das Lesen von @OpenGradient hat mir diesen Eindruck vermittelt. Für mich lag das Interessante nicht in einem bestimmten Modell. Es war zu sehen, wie die verschiedenen Teile zusammenpassen.
Genau dieser Aspekt interessiert mich, dem ich folgen möchte, während das Projekt weiter entwickelt wird.
$OPG #OPG #opg

Ich habe heute die Token-Seite von OpenGradient durchgesehen und mich dabei dabei ertappt, dass ich mehr Zeit mit dem Vesting-Plan verbracht habe als mit der Zahl zur Gesamtmenge.

Die gesamte Versorgung ist leicht zu merken.

Zu verstehen, wie diese Tokens freigegeben werden, dauert ein bisschen länger.

Ich mag das tatsächlich.

Wenn ich mir ein neues Projekt anschaue, möchte ich sehen, wie alles strukturiert ist, statt nur die Schlagzeilen-Zahlen zu betrachten. Für mich gibt das ein wenig mehr Kontext, als eine einzelne Versorgungszahl jemals liefern könnte.

Außerdem ist mir aufgefallen, dass OPG nicht als Token dargestellt wird, der einfach neben dem Netzwerk liegt. Es wird als Teil beschrieben, wie das Netzwerk funktioniert – ganz gleich, ob das Governance, Staking, das Hosting von Modellen oder das Bezahlen für verifizierbare KI-Inferenz ist.

Dadurch lese ich die Token-Seite anders.

Anstatt zu fragen: „Wie viele Tokens gibt es?“

stelle ich am Ende die Frage: „Was wird von diesem Token erwartet, wenn das Netzwerk wächst?“

Das sind zwei völlig unterschiedliche Fragen.

Die Zahlen sind wichtig, aber ich glaube, dass es sich auch lohnt, das Ziel hinter diesen Zahlen zu verstehen.

Ich versuche schon länger, mehr Zeit damit zu verbringen, die Dokumentation zu lesen, bevor ich mir eine Meinung zu einem Projekt bilde – und das war einer dieser Fälle, in denen langsamer zu werden wahrscheinlich die richtige Entscheidung war.

$OPG #OPG @OpenGradient

#OPG

Das erste Mal, als ich anfing, über @OpenGradient zu lesen, dachte ich, es wäre ein weiteres Projekt, das sich auf KI-Modelle konzentriert.

Nachdem ich mehr Zeit mit dem Material verbracht hatte, wurde mir klar, dass ich es falsch betrachtete.

Was meine Aufmerksamkeit erregte, war nicht die Modellseite. Es war die Tatsache, dass so viel Aufwand in alles rund um das Modell gesteckt wird.

Die meisten Leute sehen nur das Endergebnis, wenn sie KI benutzen. Eine Antwort erscheint auf dem Bildschirm und das war's.

Aber wenn man tiefer gräbt, passiert vor diesem Moment eine Menge.

Modelle brauchen einen Platz zum Leben.

Entwickler benötigen Werkzeuge, um mit ihnen zu arbeiten.

Netzwerke müssen Möglichkeiten haben, Berechnungen zu handhaben.

Jemand muss sicherstellen, dass alles zusammen funktioniert.

Wahrscheinlich ist das der Grund, warum mir der Model Hub und die Entwickler-Tools aufgefallen sind, während ich die Architektur von OpenGradient durchgelesen habe.

Es erinnerte mich an die frühen Tage von Krypto, als jeder über Tokens sprach, aber nur sehr wenige auf die Infrastruktur achteten, die darunter aufgebaut wurde.

Jahre später wurden viele dieser Infrastrukturprojekte zu einem der wichtigsten Teile des Ökosystems.

Vielleicht folgt KI einem ähnlichen Weg.

Die Anwendungen werden die meiste Aufmerksamkeit bekommen, aber die Grundlagen sind das, was diese Anwendungen überhaupt möglich macht.

Das ist einer der Gründe, warum ich in letzter Zeit viel Zeit damit verbracht habe, mehr über OpenGradient zu lernen.

$OPG #OPG
#OPG

Ich verbringe normalerweise nicht viel Zeit damit, Architekturdiagramme zu betrachten, aber dieses hier hat mich zum Nachdenken gebracht, wie viel hinter einer einzigen KI-Antwort passiert.
Zuerst dachte ich, es sei nur eine weitere KI-Architektur-Grafik, die mit technischen Begriffen gefüllt ist.
Dann fiel mir etwas Interessantes auf.
Der Stack beginnt mit der Infrastruktur und bewegt sich allmählich nach oben durch Ausführung, Modellzugriff und schließlich Forschung und Werkzeuge.
So wird die meiste moderne Technologie aufgebaut.
Wenn wir eine KI-Anwendung verwenden, interagieren wir nur mit der Oberfläche. Wir sehen nicht die Speichersysteme, Rechenressourcen, Sicherheitsmechanismen, Entwickler-Tools oder Netzwerke, die im Hintergrund arbeiten.
Wenn ich @OpenGradient aus dieser Perspektive betrachte, denke ich weniger an die KI-Modelle selbst und mehr an das Ökosystem, das sie unterstützt.
Ein leistungsstarkes Modell ist wichtig.
Aber Entwickler benötigen auch zuverlässige Infrastruktur, Werkzeuge für Experimente, Möglichkeiten zur Verwaltung von Modellen und Umgebungen, in denen Produkte tatsächlich erstellt und bereitgestellt werden können.
Ohne diese unterstützenden Schichten haben selbst leistungsstarke Modelle Schwierigkeiten, Entwickler und Endanwender effektiv zu erreichen.
Deshalb sind die Abschnitte SDK und Model Hub für mich am auffälligsten.
Die Leute sprechen oft über KI, als ob Intelligenz das einzige wäre, was zählt.
In Wirklichkeit kommt ein großer Teil der Innovation daher, Technologie leichter zugänglich, einfacher zu bauen und einfacher skalierbar zu machen.
Vielleicht ist das der Grund, warum Infrastruktur selten im Rampenlicht steht.
Es ist nicht der Teil, mit dem die meisten Menschen interagieren.
Aber es ist normalerweise das Fundament, auf dem alles andere basiert.
Je mehr KI-Projekte ich erkunde, desto mehr interessiere ich mich dafür, was unter der Oberfläche passiert, anstatt was auf der Titelseite erscheint.
Was ist deiner Meinung nach wichtiger für die KI-Akzeptanz: bessere Modelle oder bessere Infrastruktur?
$OPG #OPG #OPG

Ich habe ein paar Minuten damit verbracht, dieses OpenGradient-Diagramm zu betrachten, und das Erste, was mir in den Sinn kam, war, wie wenig Aufmerksamkeit die Infrastruktur bekommt.

Wenn ein neues KI-Tool auf den Markt kommt, reden die Leute normalerweise über die Ergebnisse. Ist es schnell? Ist es genau? Ist es besser als das letzte?

Sehr wenige Menschen halten inne und denken darüber nach, was existieren muss, bevor all das geschehen kann.

Wenn man sich das Diagramm anschaut, gibt es separate Schichten für Speicherung, Inferenz, Datenzugriff und Netzwerkoperationen. Keine dieser Dinge ist für sich genommen besonders aufregend, aber wenn man eines davon entfernt, sieht das ganze System sehr anders aus.

Es ist ähnlich wie beim Internet.

Die meisten von uns nutzen jeden Tag Webseiten, ohne an Server, Datenbanken oder Netzwerke zu denken. Wir bemerken die Infrastruktur nur, wenn etwas nicht funktioniert.

KI scheint in die gleiche Richtung zu gehen.

Die Anwendungen bekommen die Aufmerksamkeit, während die zugrunde liegenden Systeme leise die schwere Arbeit leisten.

Das hat mich an @OpenGradient beeindruckt. Was meine Aufmerksamkeit erregte, ist, dass das Gespräch über die Modelle selbst hinausgeht. Es wird auch Aufmerksamkeit auf die Infrastruktur gegeben, die benötigt wird, um diese Modelle zu unterstützen und sie Entwicklern zugänglich zu machen.

Vielleicht ist das der Grund, warum ich diese Seite der KI interessant finde.

Je näher man hinschaut, desto mehr merkt man, dass die Antwort auf deinem Bildschirm nur einen kleinen Teil der Geschichte ausmacht.

$OPG #OPG #OPG

Vor ein paar Tagen habe ich ein KI-Tool nach Krypto gefragt. Es hat mir in Sekunden eine Antwort gegeben. Ich habe sie gelesen, die Informationen genommen, die ich brauchte, und den Tab geschlossen.

Später habe ich mich dabei ertappt, über etwas nachzudenken.

Ich hatte keine Ahnung, woher diese Informationen kamen.

Nicht auf eine paranoide Weise. Mir ist einfach aufgefallen, dass die meisten von uns damit zufrieden sind, Antworten zu bekommen, ohne über den Prozess dahinter nachzudenken.

Vielleicht ist das normal.

Als Google populär wurde, haben die meisten Leute auch nicht über die Suchinfrastruktur nachgedacht. Sie wollten einfach Antworten.

Aber KI fühlt sich ein wenig anders an, weil die Antwort oft als fertiger Gedanke präsentiert wird, anstatt als Liste von Quellen.

Das ist einer der Gründe, warum Projekte wie @OpenGradient mich interessieren.

Nicht, weil ich einen weiteren Chatbot brauche.

Nicht, weil ich ein weiteres KI-Modell brauche.

Ich konzentriere mich weniger auf die KI-Ausgabe und bin neugieriger auf den Prozess, der diese Systeme im Hintergrund ständig verbessert.

Je mehr KI Teil des Alltags wird, desto wichtiger erscheinen mir diese Fragen.

Woher kommt Wissen?

Wie wird es aktualisiert?

Wer trägt dazu bei, diese Systeme zu verbessern?

Ich glaube nicht, dass die meisten Nutzer diese Fragen bisher stellen.

Aber ich habe das Gefühl, dass sie es irgendwann tun werden.

Für jetzt achte ich einfach genauer auf die Projekte, die diese Seite des KI-Ökosystems erkunden.

$OPG #OPG

Eine Sache, die mir bei Diskussionen über KI aufgefallen ist, ist, dass jeder über Intelligenz spricht, aber nur sehr wenige über Vertrauen. Ein KI-Modell kann in Sekunden eine Antwort generieren, aber die meisten Nutzer wollen immer noch wissen, woher diese Informationen stammen und ob man sich darauf verlassen kann. Je mehr KI Teil von Produkten und Arbeitsabläufen wird, desto wichtiger wird diese Frage.

Das ist ein Grund, warum ich auf @OpenGradient achte. Mich interessiert nicht nur die KI-Seite der Geschichte, sondern auch die größere Herausforderung, Systeme zu schaffen, in denen Informationen, Mitwirkende und Modelle transparenter zusammenarbeiten können. Aus meiner Erfahrung skaliert Technologie viel schneller, wenn die Leute verstehen, wie sie funktioniert, anstatt einfach nur gebeten zu werden, ihr zu vertrauen.

Wir sind noch früh im KI-Zyklus, und niemand weiß genau, wie das Landschaftsbild in ein paar Jahren aussehen wird. Aber ich denke, die Projekte, die über Datenqualität, Transparenz und langfristige Infrastruktur nachdenken, arbeiten an Problemen, die zunehmend relevant werden. Das beeindruckendste KI-Modell ist nicht immer das, das am wichtigsten ist. Manchmal kommt der wahre Wert von der Grundlage, die es unterstützt.

$OPG #OPG #opg

Ich habe heute Morgen durch die AI-Nachrichten gescrollt und mir ist etwas aufgefallen. Jede Überschrift schien sich um ein neues Modell, ein Benchmark-Ergebnis oder ein Update von Features zu drehen. Diese Dinge sind interessant, aber nach einer Weile klingen sie alle ähnlich. Das hat mich zum Nachdenken gebracht, ob wir genug Aufmerksamkeit auf die Schichten unter den Modellen selbst legen.

Je mehr ich über AI lerne, desto mehr denke ich, dass Daten und Koordination genauso wichtig sind wie die Modell-Performance. Ein Modell kann nur mit den Informationen arbeiten, die ihm zur Verfügung stehen, und diese Informationen über die Zeit nützlich zu halten, ist eine Herausforderung für sich. Das ist nicht der aufregendste Teil von AI, was wahrscheinlich der Grund ist, warum es nicht so oft besprochen wird.

Das ist einer der Gründe, warum @OpenGradient auf meinem Radar ist. Das Projekt konzentriert sich auf Teile des AI-Stacks, die oft übersehen werden, bis sie zu einem Problem werden. Während AI weiterhin in immer mehr Bereiche der Technologie vordringt, denke ich, dass das Gespräch allmählich von "Welches Modell ist das beste?" zu "Wie werden diese Systeme gebaut, gewartet und verbessert?" wechseln wird. Projekte, die an diesen Grundlagen arbeiten, könnten wichtiger sein, als viele erwarten.
$OPG #OPG #opg

Vor ein paar Monaten dachte ich, die größte Herausforderung bei KI sei der Bau besserer Modelle.

Jetzt bin ich mir da nicht mehr so sicher.
Jede Woche scheint ein neues Modell, ein neuer Benchmark oder ein neues Feature aufzutauchen. Die Kluft zwischen ihnen fühlt sich kleiner an als zuvor. Was mir jetzt mehr ins Auge sticht, sind die ganzen Dinge, die im Hintergrund passieren.

Ich habe kürzlich etwas Zeit damit verbracht, verschiedene KI-Projekte zu erkunden und festgestellt, dass viele Gespräche sich auf die Outputs konzentrieren. Die Leute vergleichen Antworten, Geschwindigkeit und Fähigkeiten. Sehr wenige sprechen über die Systeme, die diese Outputs überhaupt erst möglich machen.

So wie ich das sehe, wird KI weniger zu einem Modellproblem und mehr zu einem Koordinationsproblem.

Wie wird Information gesammelt?

Wie wird sie verifiziert?

Wie profitieren die Mitwirkenden, wenn sie helfen, ein System zu verbessern?

Diese Fragen erhalten nicht so viel Aufmerksamkeit, aber sie werden schwieriger zu ignorieren, je mehr KI wächst.

Das ist ein Grund, warum @OpenGradient interessant zu verfolgen ist. Es befindet sich in einem Teil des KI-Ökosystems, der zunehmend wichtig erscheint, aber nicht immer im Rampenlicht steht.

Vielleicht ist das normal. Infrastruktur erhält selten Aufmerksamkeit, bis die Leute merken, wie viel davon abhängt.

Ich habe dasselbe im Crypto-Bereich gesehen. Die Projekte, die ruhig im Hintergrund arbeiten, werden oft die sein, über die später alle sprechen.

Für jetzt schaue ich mostly zu und lerne. Aber ich denke, die Zukunft der KI wird von mehr abhängen als nur von besseren Modellen. Die Systeme, die diese Modelle unterstützen, sind ebenfalls wichtig.
#opg $OPG