Zastanawiałem się, jak często przedstawiamy weryfikację AI jako problem kryptografii, gdy może to być tak naprawdę problem infrastrukturalny.
Większość dyskusji koncentruje się na tym, czy dowody zerowej wiedzy czy Zaufane Środowiska Wykonawcze są "właściwym" sposobem weryfikacji systemów AI. Debata zazwyczaj dotyczy prywatności, zaufania i bezpieczeństwa, ale głębsze pytanie wydaje się inne: jak weryfikować użyteczną pracę AI na dużą skalę bez ujawniania modelu, użytkownika lub danych?
To właśnie tam kompromis staje się interesujący.
Dowody ZK oferują silne matematyczne gwarancje, ale udowodnienie złożonego wnioskowania AI pozostaje kosztowne obliczeniowo. TEE umożliwiają praktyczne wnioskowanie na dużą skalę, ale zmuszają nas do zaufania założeniom sprzętowym. Każde podejście rozwiązuje inną część układanki.
Zaczynam zauważać, że wiele osób traktuje weryfikację jako właściwość binarną: albo coś jest weryfikowalne, albo nie.
W rzeczywistości, trudniejsze wyzwanie polega na zbalansowaniu trzech konkurujących ze sobą sił jednocześnie: bezpieczeństwa, skalowalności i decentralizacji.
Tradycyjne blockchainy nigdy nie były projektowane do obsługi ciężkich obciążeń AI. Ich siłą jest konsensus, a nie obliczenia. Próba wymuszenia wnioskowania dużych modeli bezpośrednio na blockchainach często tworzy system, który jest technicznie weryfikowalny, ale ekonomicznie nieużyteczny.
Architektury takie jak @OpenGradient wydają się podchodzić do problemu z innej perspektywy, oddzielając miejsce, w którym odbywają się obliczenia, od sposobu, w jaki obliczenia są weryfikowane.
Wynik nie polega na eliminacji kompromisów. Chodzi o wybór innego ich zestawu.
W miarę jak decentralizowana inteligencja się rozwija, które ograniczenie według Ciebie staje się trudniejsze do optymalizacji?
• Weryfikowalność sama w sobie
• Koszt osiągnięcia jej na dużą skalę
#opg #Writetoearn
$OPG
Większość dyskusji koncentruje się na tym, czy dowody zerowej wiedzy czy Zaufane Środowiska Wykonawcze są "właściwym" sposobem weryfikacji systemów AI. Debata zazwyczaj dotyczy prywatności, zaufania i bezpieczeństwa, ale głębsze pytanie wydaje się inne: jak weryfikować użyteczną pracę AI na dużą skalę bez ujawniania modelu, użytkownika lub danych?
To właśnie tam kompromis staje się interesujący.
Dowody ZK oferują silne matematyczne gwarancje, ale udowodnienie złożonego wnioskowania AI pozostaje kosztowne obliczeniowo. TEE umożliwiają praktyczne wnioskowanie na dużą skalę, ale zmuszają nas do zaufania założeniom sprzętowym. Każde podejście rozwiązuje inną część układanki.
Zaczynam zauważać, że wiele osób traktuje weryfikację jako właściwość binarną: albo coś jest weryfikowalne, albo nie.
W rzeczywistości, trudniejsze wyzwanie polega na zbalansowaniu trzech konkurujących ze sobą sił jednocześnie: bezpieczeństwa, skalowalności i decentralizacji.
Tradycyjne blockchainy nigdy nie były projektowane do obsługi ciężkich obciążeń AI. Ich siłą jest konsensus, a nie obliczenia. Próba wymuszenia wnioskowania dużych modeli bezpośrednio na blockchainach często tworzy system, który jest technicznie weryfikowalny, ale ekonomicznie nieużyteczny.
Architektury takie jak @OpenGradient wydają się podchodzić do problemu z innej perspektywy, oddzielając miejsce, w którym odbywają się obliczenia, od sposobu, w jaki obliczenia są weryfikowane.
Wynik nie polega na eliminacji kompromisów. Chodzi o wybór innego ich zestawu.
W miarę jak decentralizowana inteligencja się rozwija, które ograniczenie według Ciebie staje się trudniejsze do optymalizacji?
• Weryfikowalność sama w sobie
• Koszt osiągnięcia jej na dużą skalę
#opg #Writetoearn
$OPG