#opg $OPG
Quand j'ai commencé à suivre les projets d'infrastructure AI, la plupart des discussions tournaient autour d'une chose : la performance du modèle. Plus le modèle est performant, plus la narrative est forte. Des fenêtres de contexte plus larges, des scores de référence plus élevés, et un raisonnement plus avancé étaient vus comme les principaux moteurs de valeur.
Dernièrement, cependant, j'ai réfléchi à une question différente : que se passe-t-il après que le modèle génère une réponse ?
Ce changement fait partie de ce qui a rendu @OpenGradient intéressant pour moi. Je l'ai initialement vu comme un réseau axé sur l'exécution AI vérifiable, où les calculs peuvent être prouvés plutôt que simplement approuvés. Mais après avoir passé plus de temps à creuser, j'ai commencé à prêter plus d'attention à son approche de la mémoire.
Une réponse intelligente est utile pour un moment. La mémoire persistante peut influencer chaque interaction qui suit. Si les agents AI peuvent maintenir un contexte de confiance, se souvenir des actions passées, et s'appuyer sur des expériences précédentes, alors la mémoire cesse d'être une fonctionnalité de commodité et commence à devenir une couche fondamentale.
Ce qui rend cela intéressant d'un point de vue investissement, c'est que l'intelligence est souvent consommée instantanément, tandis que la mémoire peut générer de la valeur de manière répétée. Plus le contexte stocké devient utile et fiable, plus les développeurs ont de raisons de continuer à l'utiliser et à l'étendre.
Bien sûr, rien de tout cela n'a d'importance si l'adoption n'est pas réelle. L'activité peut être gonflée, les incitations peuvent distordre le comportement, et les narratives impressionnantes ne se traduisent pas toujours par une demande durable. C'est pourquoi je passe moins de temps à regarder les gros titres et plus de temps à observer les modèles d'utilisation.
La métrique qui m'intéresse le plus n'est pas combien d'attention un projet reçoit aujourd'hui. C'est de savoir si les utilisateurs continuent à revenir demain. Si les développeurs paient constamment pour stocker, vérifier, et réutiliser le contexte, alors la mémoire pourrait devenir l'un des actifs les plus précieux dans l'infrastructure AI. Si cela se produit, OpenGradient pourrait être positionné autour d'une opportunité beaucoup plus grande que ce que beaucoup de gens réalisent actuellement.
$HEI
$SIREN
Qu'est-ce qui créera plus de valeur à long terme dans les réseaux AI ?
Quand j'ai commencé à suivre les projets d'infrastructure AI, la plupart des discussions tournaient autour d'une chose : la performance du modèle. Plus le modèle est performant, plus la narrative est forte. Des fenêtres de contexte plus larges, des scores de référence plus élevés, et un raisonnement plus avancé étaient vus comme les principaux moteurs de valeur.
Dernièrement, cependant, j'ai réfléchi à une question différente : que se passe-t-il après que le modèle génère une réponse ?
Ce changement fait partie de ce qui a rendu @OpenGradient intéressant pour moi. Je l'ai initialement vu comme un réseau axé sur l'exécution AI vérifiable, où les calculs peuvent être prouvés plutôt que simplement approuvés. Mais après avoir passé plus de temps à creuser, j'ai commencé à prêter plus d'attention à son approche de la mémoire.
Une réponse intelligente est utile pour un moment. La mémoire persistante peut influencer chaque interaction qui suit. Si les agents AI peuvent maintenir un contexte de confiance, se souvenir des actions passées, et s'appuyer sur des expériences précédentes, alors la mémoire cesse d'être une fonctionnalité de commodité et commence à devenir une couche fondamentale.
Ce qui rend cela intéressant d'un point de vue investissement, c'est que l'intelligence est souvent consommée instantanément, tandis que la mémoire peut générer de la valeur de manière répétée. Plus le contexte stocké devient utile et fiable, plus les développeurs ont de raisons de continuer à l'utiliser et à l'étendre.
Bien sûr, rien de tout cela n'a d'importance si l'adoption n'est pas réelle. L'activité peut être gonflée, les incitations peuvent distordre le comportement, et les narratives impressionnantes ne se traduisent pas toujours par une demande durable. C'est pourquoi je passe moins de temps à regarder les gros titres et plus de temps à observer les modèles d'utilisation.
La métrique qui m'intéresse le plus n'est pas combien d'attention un projet reçoit aujourd'hui. C'est de savoir si les utilisateurs continuent à revenir demain. Si les développeurs paient constamment pour stocker, vérifier, et réutiliser le contexte, alors la mémoire pourrait devenir l'un des actifs les plus précieux dans l'infrastructure AI. Si cela se produit, OpenGradient pourrait être positionné autour d'une opportunité beaucoup plus grande que ce que beaucoup de gens réalisent actuellement.
$HEI
$SIREN
Qu'est-ce qui créera plus de valeur à long terme dans les réseaux AI ?
Smarter models
0%
Persistent memory
0%
Verifiable execution
100%
1 Votes • Vote fermé