ALY_0

Что происходит, когда главной преградой оказывается не технология, а те привычки, которые люди уже успели выработать?

Этот вопрос снова и снова возвращается ко мне, когда я смотрю на @NewtonProtocol .

Я думаю, что заслуга должна быть отдана самой задумке. Создание доверительного уровня, на котором можно заранее применять политики, разрешения и правила транзакций до выполнения, закрывает реальный пробел — особенно если AI-агенты и регулируемые onchain-финансы станут гораздо более значимой частью криптоиндустрии. Идея не в том, чтобы делать блокчейны быстрее. Речь о том, чтобы сделать автономную деятельность более надежной. Это важное различие.

Но более сложная проблема — поведение пользователей.

Пользователи криптовалют годами оптимизировали все под скорость, беспрепятственность и минимальное трение. Разработчики делали то же самое. Большинство людей не просыпаются с мыслью о том, что им нужна еще одна прослойка принудительного соблюдения политик. Они выбирают инструменты, которые убирают лишние клики, а не те, что вводят новые рамки принятия решений — даже если эти рамки улучшают безопасность или соответствие требованиям.

История показывает: инфраструктура часто сталкивается с трудностями, пока пользователи не начинают чувствовать боль, которую она решает. Если взломы, транзакции, управляемые AI, и участие институтов станут достаточно частыми, подход Ньютона может внезапно начать казаться очевидным. Но если сегодняшние рабочие процессы остаются «достаточно хорошими», стимул интегрировать еще один доверительный слой может сохраняться удивительно слабым.

Контраргумент не менее убедителен. Пользователи редко просят об инфраструктуре, пока она не становится незаметной. Немногие раньше требовали HTTPS или сетей авторизации платежей — до того, как они стали стандартом. Если Ньютоны смогут исчезнуть из фона, пока разработчики получают более сильные гарантии, внедрение может прийти со стороны платформ, а не отдельных пользователей.

Поэтому я не думаю, что главный вопрос — есть ли ценность у программируемого доверия.

Вопрос в том, меняют ли рынки свои привычки только тогда, когда потребность становится неоспоримой, или же заранее созданная инфраструктура может тихо сформировать эти привычки еще до того, как кто-либо это заметит. Я пока не уверен, что ответ очевиден.
#Newt $NEWT #Binance #MemeWatch2024 #Grok #HouseResolution

Чем больше я изучаю автономные финансы и системы исполнения, управляемые ИИ, тем чаще мне возвращается один и тот же вопрос.

Обычно мы предполагаем, что системы терпят неудачу, когда принимают плохие решения. Но история рынка — будь то кризис UK LDI или сегодняшние автоматизированные модели казначейского управления и распределения криптоактивов — показывает другое. Иногда каждое решение технически верное, но среда вокруг этих решений уже изменилась.

Именно поэтому проекты вроде catch my attention.

Речь не только о создании ИИ-инфраструктуры. Главная идея — создавать системы, в которых исполнение происходит только тогда, когда реальные условия по-прежнему оправдывают исходную стратегию. Иными словами, интеллект — это не только умение принимать лучшие решения, но и предотвращать доведение устаревших предположений до исполнения.

Дизайн политики работает так же. Система может начинаться с отказа по умолчанию, но одна слабая одобрительная логика может незаметно подорвать весь уровень безопасности.

Я начинаю думать, что главная угроза в автономных системах — не плохая оптимизация.

Главная угроза — когда машины продолжают исполнять всё безупречно… в то время как рынок, под который они были спроектированы, больше не существует.

Возможно, будущее не будет принадлежать самому умному ИИ.

Оно может принадлежать системам, которые умеют понимать, когда не стоит действовать.
@NewtonProtocol $NEWT #newt

Я уже довольно давно думаю о Newton Protocol, особенно о том, как он может улучшить автономную AI-трейдинг-торговлю, и один вопрос снова и снова приходит на ум:

А рынок вообще готов к этому?

Чем больше я изучаю Newton Protocol, тем сильнее у меня ощущение, что он работает над чем-то действительно интересным. Традиционные смарт-контракты всегда были полезны, но их главное ограничение простое — они выполняют только заранее заданные инструкции. Автономный AI-трейдинг — это совсем другое. Если от AI-систем ожидается, что они будут принимать решения самостоятельно, реагировать на изменения рынка и выполнять действия независимо, то одной лишь фиксированной логики, вероятно, будет недостаточно.

Именно поэтому Newton Protocol выделяется для меня. Похоже, он создаёт инфраструктуру для будущего, в котором AI сможет работать более безопасно, эффективно и при меньшем участии человека. И честно говоря, я думаю, что отрасли в конечном итоге понадобятся такие системы.

Но главная мысль — в будущем.

Реальность такова, что большинство людей больше заботит решение насущных проблем, чем размышления о передовой инфраструктуре. Это не значит, что Newton Protocol делает неправильную вещь. Многие важные технологии прежде казались ненужными, пока рынок не был готов к ним.

Время, возможно, станет главным испытанием. Если внедрение будет расти, это может стать невероятно ценным. Если же внедрение будет идти медленно, возможно, ему просто потребуется время.

Потому что в конечном счёте одной лишь отличной технологии недостаточно. Рынок решает, когда инновации становятся необходимыми.@NewtonProtocol $NEWT #newt

Когда я только начал следить за проектами в блокчейне, я думал, что сетционная безопасность всегда является самой важной частью истории. Когда я видел, как инфраструктурные токены растут после добавления большего числа валидаторов, я предполагал, что именно там и формируется большая часть долгосрочной ценности. Но со временем я стал смотреть на вещи иначе.

То, что действительно привлекло мое внимание в Newton Protocol, — это идея о том, что авторизация может стать еще более важной, чем сама валидация. Валидатор по сути подтверждает, что событие уже произошло, но сеть авторизации решает, должно ли событие вообще происходить. Для меня это выглядит как гораздо более масштабная возможность.

Мне также нравится мысль о том, что операторы — это не просто те, кто обеспечивает безопасность сети, а те, кто активно формирует репутацию своими решениями. Если они принимают надежные решения, доверие растет. Если плохая авторизация приводит к потерям, кредит доверия падает. Это создает систему, в которой репутация начинает выступать реальной формой ценности, а не чем-то, о чем проекты говорят лишь в маркетинговых целях.

Еще одна причина, почему мне интересен Newton, — техническая сторона. Он работает в связке ETH и BSC, сочетает TEE с ZK для более надежной проверяемости и сохраняет раннюю стадию в разрешительном (permissioned) режиме, чтобы поддерживать качество. Конечно, я считаю, что система все еще может казаться сложной для новичков, особенно для небольших пользователей и при простых транзакциях.

В целом я настроен оптимистично относительно того, куда может прийти этот проект. Самое серьезное испытание наступит с реальным внедрением на Mainnet — и с тем, продолжат ли люди использовать его, когда первая волна ажиотажа сойдет на нет.

Для меня Newton выделяется тем, что кажется, будто он решает реальную задачу координации, а не создает краткосрочную шумиху. Если экосистема будет естественно расти со временем, это может стать чем-то по-настоящему важным для будущего блокчейна и систем, управляемых ИИ.

@NewtonProtocol #newt $NEWT $ETH $ZK

Мы всегда говорим, что крипто — это абсолютная, неотфильтрованная свобода, но следующая фаза его роста, возможно, потребует децентрализованного способа сказать «нет».
Когда я впервые погрузился в Newton Protocol (NEWT), мне не удавалось разглядеть дальше тяжелого инженерного сленга — Trusted Execution Environments и «compliance-as-code» (комплаенс как код). Мне казалось, что это слишком сухо. Но реальный сдвиг произошел, когда я задумался об AI-агентах. Представьте: вы позволяете автономному боту управлять вашим DeFi-портфелем в разных сетях, но при этом вам нужно железобетонное гарантирование, что он случайно не переключится в злонамеренный пул и не нарушит правила комплаенса.
То, что многие упускают в Newton, — это то, что здесь речь не только о сдерживании: это по-настоящему расширяет возможности. Превращая ограждения в композиционный код, оно позволяет полностью автономному программному обеспечению безопасно взаимодействовать с институциональным капиталом.
И все же я снова и снова оказываюсь в неприятном напряжении. Если математически автоматизировать границы того, что разрешено в ончейне, не рискуем ли мы закодировать обратно ту самую «хаотичную» возможность действовать без разрешений, которая и дала крипто его душу? Я не совсем уверен.
@NewtonProtocol #newt $NEWT $YNE $AIGENSYN

Я не думал о откате, потому что ожидал, что что-то обязательно не сработает.

Мысль пришла только после того, как я дважды проследил одно и то же умозаключение, пытаясь понять, что именно заставляет меня доверять результату.

Всё выглядело нормально. Выводы были логичными. Выполнение шло гладко. Даже процесс проверки не вызвал никаких очевидных сомнений.

А потом возник другой вопрос.

Что если сети когда-нибудь придётся идти назад?

Не потому, что она сломалась, а потому что хорошо спроектированные системы обычно готовятся к ситуациям, которых надеются никогда не увидеть.

И тогда я понял: разговор об откате — это на самом деле не про технологию.

Это про доверие.

Объяснить, как работает откат, — одно дело. А вот заставить разработчиков чувствовать себя так же уверенно после этого — совсем другое.

Я не думаю, что доверие рождается из одного-единственного показателя. Оно возникает из понимания, что история по-прежнему логична, предыдущие умозаключения всё так же легко воспринимаются, и после неожиданного события ничто в сети вдруг не начинает казаться неопределённым.

По отдельности ни одно из этих условий не звучит как что-то большое.

Но вместе они и делают инфраструктуру ощущаемой надёжной.

Поэтому я не думаю, что реальный вопрос для OpenGradient — это возможно ли сделать откат.

Главный вопрос в том, сможет ли она так хорошо сохранить свою цепочку истинности, чтобы разработчикам не приходилось снова и снова перепроверять каждое умозаключение с нуля.

Потому что доверие редко исчезает мгновенно.

Чаще всего его теряют по одному маленькому сомнению за раз.

В децентрализованном ИИ что сложнее: восстановить сеть или восстановить её, не потеряв доверие?

$OPG
#OPG @OpenGradient

Я зашёл в разработческую историю @OpenGradient , предполагая, что это будет ещё один процесс формата «загрузите модель и ждите». Но то, что бросилось мне в глаза, — ощущение, что реальный продукт — это не сама модель, а путь от чего-то, лежащего в ноутбуке, до того, к чему люди могут реально прикоснуться. Этот разрыв куда больше, чем признаёт большинство людей в криптоиндустрии.

Меня удивило, насколько важен developer experience (опыт разработки) становится, как только идея выходит за рамки теории. Многие проекты говорят об инфраструктуре так, будто она невидима, но здесь трение — это сама история, сам нарратив. Я всё время думал: самое сложное — не построить умную модель; самое сложное — сделать так, чтобы она вела себя как удобное приложение, не превращая весь процесс в хаос.

С рыночной точки зрения, это та часть, которой, как мне кажется, уделяют недостаточно внимания. Разработчики не остаются только потому, что проект звучит амбициозно; они остаются, когда он сокращает дистанцию между усилиями и видимым результатом. В крипто это даже важнее, потому что внимание движется быстро, и команды, которые помогают энтузиастам выпускать что-то реальное, обычно остаются в памяти дольше, чем команды, которые только говорят.

При этом я бы не игнорировал компромисс. Любой более гладкий слой может скрывать сложность, а скрытая сложность обычно проявляется позже — как проблемы с надёжностью, боль при отладке или трудности с доверием пользователей. Именно об этом я продолжаю размышлять: сколько упрощается, а сколько тщательно управляется за кулисами?

#opg $OPG

Мой вывод таков: самое интересное здесь — не хайп вокруг AI плюс крипто. Вопрос в том, меняет ли подобный рабочий процесс сам подход разработчиков к развёртыванию. Я слишком придумываю, или реальный сдвиг в том, что «живое приложение» становится тем самым веховым результатом, который действительно важно получить?
$OPENAI

Я зашёл в @OpenGradient , думая: «память» — это всего лишь очередной AI-баззворд, то, что звучит лучше в презентации, чем ведёт себя в реальном использовании. Но чем дольше я это обдумывал, тем сильнее чувствовал: реальная ценность — не в эффектном выводе, а в том, что появляется меньше раздражающих перезапусков. Когда продукт запоминает странные детали, которые я уже дважды объяснял, он начинает ощущаться не как демонстрация, а как то, на что я действительно могу рассчитывать.

Меня удивило, насколько устойчивый контекст меняет качество самого продукта — а не только пользовательский опыт. Многие AI-инструменты кажутся умными в изолированные моменты и неловкими со временем. Дизайн, построенный на памяти, переворачивает это. Модель не только отвечает лучше — она делает меньше плохих предположений. Это звучит мелко, пока не вспомнишь, сколько раздражения в продуктах возникает из‑за того, что система забывает то, что она уже знала.

С рыночной точки зрения меня постоянно мучает вопрос: будут ли пользователи платить за меньшее повторение раньше, чем за больше «сырого» интеллекта. Мой прогноз — да, особенно в рабочих процессах, где потеря контекста превращается в реальные затраты по времени. В терминах крипты это немного похоже на инфраструктуру: замечают её обычно только после того, как она спасла от достаточного количества мелких сбоев. Об этом редко твитят, но люди это определённо ощущают.

Но компромисс — в доверии. Если память «липкая», но при этом никак не ограничена и не обозначена чётко, продукт может быстро стать неприятным. Ещё я думаю, что большинство людей упускают сторону удержания: когда AI запоминает ваши предпочтения, издержки на переключение незаметно растут. Возможно, это важнее, чем технический перечень характеристик.

#opg $OPG

В итоге я остаюсь с мыслью, что память может быть одной из тех функций, которые сначала выглядят незначительными, пока не начинают менять поведение. Возможно, реальное преимущество не в том, что AI знает больше, а в том, что его становится сложнее заменить. Это здесь «ров» (moat) или я преувеличиваю то, насколько пользователи готовы это терпеть?

Раньше я думал, что верифицируемый ИИ в DeFi — это в основном исследовательский «флекс»: то, что команды кладут в whitepaper, чтобы звучать солидно, но никогда не трогают в живых протоколах. Потом я разобрался с @OpenGradient и понял, что разрыв между «ИИ-помощником» и «ИИ-верифицируемым» гораздо больше, чем я осознавал. Большинство интеграций DeFi с ИИ — это просто чёрные ящики с красивым интерфейсом. Вы не знаете, корректно ли работала модель, которая «оптимизировала» вашу стратегию доходности, не была ли она подменена или вообще той ли моделью, которую они заявляли.
Что изменило моё мышление: проблема доверия в ИИ-ориентированном DeFi — не в том, насколько ИИ «умный», а в том, смогут ли кто-то доказать, что именно он сделал. Ончейн-исполнение прозрачно. А инференс ИИ, который подпитывает это исполнение? Прямо сейчас он полностью непрозрачный. OpenGradient атакует именно этот разрыв. Заявление уже, но — честно — ему больше веры.
Поведение пользователей DeFi следует устойчивому шаблону: инфраструктуру не принимают, пока её отсутствие не обожгло. Никому не были важны аудиты, пока хаки не стали рутиной. Верифицируемый инференс, вероятно, пойдёт по той же кривой. После первого крупного эксплойта, когда «ИИ-оптимизированный» протокол был обманут через отравленную модель, разговор быстро смещается. Сигнал спроса может просто ждать плохого события.
Единственное, о чём я продолжаю думать, — это задержка. Криптографическая верификация ML-инференса имеет реальную вычислительную цену. Для еженедельной ребалансировки портфелей — ладно. Но логика ликвидаций и окна арбитража работают на миллисекундах. Я не видел чёткого ответа по производительности в таких условиях, и этот компромисс не должен замалчиваться.
Что большинство людей упускает: верифицируемый ИИ защищает не только пользователей от злоумышленников — он защищает протоколы от их же собственных разработчиков. Злоумышленный инженер не сможет незаметно «протолкнуть» обновление модели, выгодное инсайдерам, без обнаружения. Это ещё и вопрос управления (governance) — но почти никто о нём не говорит.
Так что — если верифицируемый инференс станет стандартной инфраструктурой, изменит ли это реально то, как DAOs управляют ИИ-интегрированными протоколами, или просто добавит новый слой, который управление всё равно не будет читать?#opg $OPG

Большинство людей думают, что SDK с номером @OpenGradient — это просто набор инструментов для разработчиков. А я начинаю думать, что это наименее интересная его часть.

Когда я впервые на него посмотрел, я увидел другой SDK с API, примерами и документацией. Полезно — да, но ничто не казалось принципиально отличающимся. Мне потребовалось время, чтобы понять: этот SDK — не только про то, как проще создавать приложения. Он про то, чтобы дать разработчикам общий язык для взаимодействия с децентрализованной AI-инфраструктурой.

Представьте рынок прогнозов, где каждое решение ИИ можно проверить, оплатить и воспроизвести в разных средах. Этот SDK незаметно снимает трение между моделью, приложением и сетью. Это меняет то, что разработчики могут считать возможным.

Я думаю, что большинство людей упускают из виду вот что: инфраструктура часто важнее самих моделей. Более качественные модели приходят и уходят, а вот инструменты, которые определяют, как люди строят продукты, обычно задают устройство экосистемы задолго после того, как утихнут заголовки.

Я все еще не уверен, станет ли OpenGradient такой основой. Но он заставил меня задуматься о том, не являются ли самые важные инновации часто теми, которые поначалу выглядят наименее захватывающими.

#opg $OPG

Большинство людей думает, что платный доступ к инференсу - это просто способ сделать ИИ дорогим. Я тоже так думал.

Сначала @OpenGradient X402 казался странным дополнительным шагом: почему модель должна ждать платежа перед тем, как ответить? Но чем больше я об этом размышлял, тем больше это стало похоже не на платный барьер, а на примитивную форму доверия. Сам инференс становится услугой, а не платформой вокруг него.

Я продолжал думать о чем-то простом: трейдер, который запрашивает быструю проверку рисков в ончейне перед подписанием транзакции. Если ответ бесплатен, его можно спамить, сканировать или тихо злоупотреблять. Если за него платят в момент использования, запрос меняет свою форму. Он становится целенаправленным. Меньшим. Более ответственным.

Эта часть часто ускользает от многих. Платный доступ касается не только монетизации. Это может быть способом формирования спроса, фильтрации шума и заставления инференса вести себя больше как дефицитный ресурс, чем как бесконечный поток.

Я все еще не полностью уверен, куда это приведет. Но это кажется одной из тех идей, которая меньше о ценообразовании ИИ и больше о архитектуре внимания.
#opg $OPG

Я провел последние пару дней, глядя на @OpenGradient , и все время предполагал, что это просто еще одна история о "приближении вычислений к пользователю". Но это казалось слишком аккуратным. Чем больше я смотрел на то, как они, похоже, формируют исполнение вокруг близости, тем больше это выглядело так, будто сама сеть является частью продукта, а не просто аппаратным обеспечением под ним.

Меня удивило, как сильно топология, кажется, меняется в зависимости от того, что именно запускается. Большая модель и легкая задача верификации, вероятно, не должны находиться в одной и той же ментальной модели, и этот сдвиг важнее, чем люди ему придают значения. Я могу ошибаться, но это больше похоже на систему, которая продолжает перераспределять себя в зависимости от нагрузки.

Экономический угол — это то, к чему я все время возвращаюсь. Если близость начинает приносить больше, чем размер сырого GPU в определенных условиях, тогда операторы узлов уже не только соревнуются по капитальным затратам. Они соревнуются по географии, маршрутизации и, может быть, даже по качеству интернет-провайдеров, что является совершенно другой игрой. Это может создать странные локальные карманы силы, где лучшая емкость для вывода оказывается сосредоточенной в местах, которые никто не ожидал.

Одно, о чем я не видел, чтобы люди говорили достаточно, это недостатки гиперлокального кластеризации. Тот же набор, который снижает задержку, также может упростить давление на цикл валидации, если регион будет ограничен, разделен или просто слишком коррелирован. Это компромисс, который меня больше всего беспокоит: как только скорость становится тесно связанной с местоположением, система может стать более хрупкой, чем кажется на первый взгляд.

#opg $OPG

Так что моя текущая точка зрения заключается в том, что интересный вопрос не в том, работает ли это в чистой демонстрации, а в том, может ли оно оставаться стабильным, когда сеть становится запутанной в реальном мире. Если топология должна постоянно изменяться под стрессом, восстанавливается ли она достаточно быстро для dApps, которым нужна реальная инференция в реальном времени, или всё начинает раскачиваться в момент, когда условия становятся неблагоприятными?

Большинство людей думает, что длинный контекст вывода – это просто больше счетов: больше токенов на входе, больше вычислений на выходе, больше затрат в конце. Я тоже так думал. Казалось, что вся проблема сводится лишь к эффективности.

Но это мнение начало казаться неполным, когда я взглянул на то, что @OpenGradient на самом деле оптимизирует. Интересная часть заключается не только в "снижении стоимости вывода". Это делает длинный контекст вывода более надежным, более удобным и более экономически значимым.

Простой пример: представьте себе казначейский контракт, который должен пересмотреть длинную историю предложений, голосований и паттернов расходов перед одобрением нового действия. Очевидный вопрос: "Сможет ли модель прочитать все это?" Более глубокий вопрос: "Может ли кто-то доверять рассуждениям модели по всему этому контексту?"

Это и был мой поворотный момент. Реальная узкая горловина заключается не только в пропускной способности. Это разрыв между сырым выводом модели и проверяемым принятием решений. В условиях длинного контекста модель часто несет память, а не просто генерирует текст. И именно в памяти доверие становится хрупким.

Что большинство людей упускает из виду, так это то, что оптимизация здесь не только техническая. Это структурная. Когда вывод можно обрабатывать более интеллектуально в длинных контекстах, вы не просто экономите токены. Вы изменяете, какие решения могут безопасно делегироваться системам вообще.

Это кажется больше, чем счет. Хотя, возможно, я все еще недооценивал, как много будущего решается именно благодаря этому.

#opg $OPG @OpenGradient

Является ли самой большой проблемой с AI-агентами недостаток интеллекта? Я так не думаю. Настоящая проблема - это память.
Недавно я наткнулся на концепцию MemSync, и что привлекло мое внимание, так это ее попытка создать децентрализованный слой долгосрочной памяти для AI-агентов. На сегодняшний день большинство AI-агентов начинают почти с нуля при каждой новой интерakcции. Они могут выполнять задачи, но поддерживать последовательность со временем остается проблемой.
Здесь проекты, такие как MemSync и @OpenGradient , становятся все более интересными. OpenGradient ($OPG ), в частности, сосредоточен на создании инфраструктуры, которая позволяет AI-агентам работать более автономно, проверяемо и постоянно. Если будущее AI зависит от агентов, то память и инфраструктура могут стать столь же важными, как и сами модели.
Я думаю, крипто-сообщество тратит много времени на обсуждение производительности моделей, игнорируя проблему памяти. Агент, который может точно запоминать прошлые решения, предпочтения и контекст, может быть гораздо более полезен, чем тот, который просто генерирует лучшие ответы.
Однако существует важный открытый вопрос. Если память станет децентрализованной, кто решает, что должно быть сохранено, что следует забыть и что никогда не должно быть записано? Эта проблема в конечном итоге может определить успех всей концепции.
Для меня следующий этап AI заключается не только в том, чтобы лучше мыслить. Это о том, чтобы лучше помнить. Вот почему проекты, такие как MemSync и OpenGradient, заслуживают внимания.

#OPG #AI #Crypto #MemSync #opg $OPG

Мы привыкли думать, что конфиденциальность и проверяемость находятся на противоположных концах спектра. Если что-то полностью приватно, как можно доказать, что это произошло правильно? Если это проверяемо в публичном реестре, разве данные не становятся доступными?
Раньше я смотрел на пересечение крипты и ИИ через ту же бинарную призму. Я полагал, что запуск приватного запроса через ИИ-модель означает доверие централизованному хранилищу, чтобы оно ничего не раскрыло, в то время как "ончеин ИИ" означало бы открытие ваших проприетарных данных миру.
Затем я взглянул на @OpenGradient Chat, и схема сработала.
Представьте, что вы вводите высокочувствительную, проприетарную алгоритмическую торговую стратегию в LLM, чтобы проверить логику. В стандартной настройке этот скрипт мгновенно загружается на корпоративный сервер. С OpenGradient архитектура полностью скрывает вашу личность. Магия заключается не только в маршрутизации Oblivious HTTP или локальном шифровании браузера — дело в том, что модель обрабатывает ваш запрос внутри закрытого, аттестованного аппаратного модуля (TEE).
Вот в чем неочевидная часть: система не просто скрывает ваши данные; она генерирует ончеин криптографическое доказательство того, что именно та модель, которую вы запросили, выполнила ваш код без вмешательства, при этом данные остаются невидимыми для оператора узла. Это переводит безопасность с обещания политики ("мы не будем записывать ваши чаты") на математическое ограничение.
Разделяя выполнение и проверку, мы получаем нечто странное: абсолютную анонимность в сочетании с абсолютным криптографическим доказательством. Это заставляет меня задуматься, действительно ли будущее децентрализованного ИИ заключается в создании более умной модели, или же в создании мира, где нам никогда не придется доверять тем, к кому мы обращаемся за ответами. Однако вопрос о том, сможем ли мы действительно масштабировать это без аппаратных узких мест, остается открытым.
#opg $OPG $LLM $T