Je pense à OpenGradient et à la vitesse à laquelle nous acceptons une réponse d'IA dès qu'elle apparaît.
Elle se présente propre.
Elle semble confiante.
Et la plupart du temps, nous passons à autre chose.
Mais je ne pense pas que la réponse elle-même soit la seule chose à juger désormais.
La partie cachée compte plus que ce que les gens admettent.
Qui a réellement exécuté le modèle ?
La sortie a-t-elle été modifiée avant d'atteindre l'utilisateur ?
Quelqu'un peut-il vérifier l'inférence, ou faisons-nous toujours simplement confiance à ce qui se trouve au milieu ?
C'est là qu'OpenGradient attire à nouveau mon attention.
Pas parce que cela rend l'IA plus impressionnante.
Mais parce que cela traite l'IA comme quelque chose qui devrait laisser une trace.
D'après ce que je comprends, le pari n’est pas seulement de faire fonctionner des modèles sur une infrastructure décentralisée. Il s'agit de rendre le travail derrière ces modèles vérifiable grâce à des inférences vérifiables, des systèmes de preuve et un règlement sur la chaîne.
TEE semble utile car il offre un chemin pratique pour l'exécution privée.
ZKML compte car certaines sorties nécessitent une preuve plus forte qu'une simple promesse.
HACA ressemble à la structure qui essaie de connecter ces pièces sans forcer chaque partie de l'IA dans une voie étroite.
Je ne pense pas que ce soit simple.
Il y a des compromis autour de la vitesse, du coût, de la confidentialité et de combien de vérification différents cas d'utilisation ont réellement besoin. Certaines tâches d'IA peuvent ne pas nécessiter de lourdes preuves, tandis que d'autres peuvent devenir dangereuses sans elles.
C'est la partie qui m'intéresse.
L'intelligence ouverte est généralement discutée comme un accès.
OpenGradient me fait penser à la responsabilité.
Parce que quand l'IA commence à agir pour les gens, la question ne sera pas seulement de savoir si elle peut répondre.
La question sera de savoir si nous pouvons remettre en question la réponse sans demander la permission.
#OPG @OpenGradient $OPG
Elle se présente propre.
Elle semble confiante.
Et la plupart du temps, nous passons à autre chose.
Mais je ne pense pas que la réponse elle-même soit la seule chose à juger désormais.
La partie cachée compte plus que ce que les gens admettent.
Qui a réellement exécuté le modèle ?
La sortie a-t-elle été modifiée avant d'atteindre l'utilisateur ?
Quelqu'un peut-il vérifier l'inférence, ou faisons-nous toujours simplement confiance à ce qui se trouve au milieu ?
C'est là qu'OpenGradient attire à nouveau mon attention.
Pas parce que cela rend l'IA plus impressionnante.
Mais parce que cela traite l'IA comme quelque chose qui devrait laisser une trace.
D'après ce que je comprends, le pari n’est pas seulement de faire fonctionner des modèles sur une infrastructure décentralisée. Il s'agit de rendre le travail derrière ces modèles vérifiable grâce à des inférences vérifiables, des systèmes de preuve et un règlement sur la chaîne.
TEE semble utile car il offre un chemin pratique pour l'exécution privée.
ZKML compte car certaines sorties nécessitent une preuve plus forte qu'une simple promesse.
HACA ressemble à la structure qui essaie de connecter ces pièces sans forcer chaque partie de l'IA dans une voie étroite.
Je ne pense pas que ce soit simple.
Il y a des compromis autour de la vitesse, du coût, de la confidentialité et de combien de vérification différents cas d'utilisation ont réellement besoin. Certaines tâches d'IA peuvent ne pas nécessiter de lourdes preuves, tandis que d'autres peuvent devenir dangereuses sans elles.
C'est la partie qui m'intéresse.
L'intelligence ouverte est généralement discutée comme un accès.
OpenGradient me fait penser à la responsabilité.
Parce que quand l'IA commence à agir pour les gens, la question ne sera pas seulement de savoir si elle peut répondre.
La question sera de savoir si nous pouvons remettre en question la réponse sans demander la permission.
#OPG @OpenGradient $OPG