Lo que seguía reapareciendo era esto… la verificación mediante IA no puede escalar si cada validador debe ejecutar de nuevo el mismo modelo.
En papel, @OpenGradient ofrece un camino diferente. Nodos de inferencia especializados realizan el cómputo y, después, producen evidencia que otros nodos pueden comprobar sin repetir todo el trabajo.
Para los LLM, esa evidencia proviene de atestaciones de Entornos de Ejecución Confiable (Trusted Execution Environment). Para cargas de trabajo de aprendizaje automático, ZKML puede proporcionar una prueba matemática de que un modelo produjo un resultado. Los nodos completos verifican la prueba o la atestación, la registran en el libro mayor y evitan cargar ellos mismos con la carga computacional.
Pero aquí está la cuestión…
Una prueba válida confirma que la ejecución definida ocurrió correctamente. No prueba automáticamente que el modelo fuera imparcial, que el ecosistema de hardware estuviera descentralizado, o que el código aprobado reflejara lo que los usuarios esperaban.
Hoy, los usuarios pueden inspeccionar los datos de verificación registrados, mientras que las preguntas sobre la distribución de validadores, la confianza en el hardware, la gobernanza y la utilidad a largo plazo de OPG todavía están en desarrollo.
Eso no es exactamente una crítica. Lo fuerte es separar la ejecución costosa de la verificación ligera. Podría hacer que la IA verificable sea práctica, en lugar de ser teóricamente pura pero inutilizable por ser demasiado lenta.
Hmm… la prueba real puede ser si la verificación basada en pruebas reduce la confianza, o si simplemente traslada la confianza a registros de hardware, aprobaciones de código y decisiones de gobernanza que los usuarios rara vez examinan.
$OPG $M $NFP
En papel, @OpenGradient ofrece un camino diferente. Nodos de inferencia especializados realizan el cómputo y, después, producen evidencia que otros nodos pueden comprobar sin repetir todo el trabajo.
Para los LLM, esa evidencia proviene de atestaciones de Entornos de Ejecución Confiable (Trusted Execution Environment). Para cargas de trabajo de aprendizaje automático, ZKML puede proporcionar una prueba matemática de que un modelo produjo un resultado. Los nodos completos verifican la prueba o la atestación, la registran en el libro mayor y evitan cargar ellos mismos con la carga computacional.
Pero aquí está la cuestión…
Una prueba válida confirma que la ejecución definida ocurrió correctamente. No prueba automáticamente que el modelo fuera imparcial, que el ecosistema de hardware estuviera descentralizado, o que el código aprobado reflejara lo que los usuarios esperaban.
Hoy, los usuarios pueden inspeccionar los datos de verificación registrados, mientras que las preguntas sobre la distribución de validadores, la confianza en el hardware, la gobernanza y la utilidad a largo plazo de OPG todavía están en desarrollo.
Eso no es exactamente una crítica. Lo fuerte es separar la ejecución costosa de la verificación ligera. Podría hacer que la IA verificable sea práctica, en lugar de ser teóricamente pura pero inutilizable por ser demasiado lenta.
Hmm… la prueba real puede ser si la verificación basada en pruebas reduce la confianza, o si simplemente traslada la confianza a registros de hardware, aprobaciones de código y decisiones de gobernanza que los usuarios rara vez examinan.
$OPG $M $NFP