Xavier_Li

#opg $OPG Chúng ta cứ tiếp tục trao cho các tác nhân AI nhiều quyền tự do hơn mức mà chúng ta đã biết cách theo dõi

Gần đây tôi đã xem một tác nhân AI tự mình thực hiện một nhiệm vụ nhiều bước: nó tự liên kết các quyết định với nhau, điều chỉnh dựa trên kết quả trung gian, và không có con người kiểm tra từng bước. Nó hoạt động. Đó gần như là phần đáng lo nhất. Hoạt động đủ tốt đến mức nửa chừng tôi đã ngừng để ý kỹ.

Khoảnh khắc đó đọng lại trong tôi lâu hơn tôi dự đoán.

Tôi nghĩ rằng có thể mở rộng đồng thời “tính tự chủ” và “giám sát”. Những tác nhân càng mạnh mẽ thì giám sát càng tinh vi hơn, gần như song song. Đó từng là một mặc định hợp lý.

Nhưng càng nghĩ, hai điều đó có thể lại tăng theo hai hướng ngược nhau. Tác nhân càng tự chủ thì càng có nhiều điểm ra quyết định mà con người không trực tiếp quan sát. Trách nhiệm giải trình cần một chuỗi lập luận có thể truy vết. Còn tính tự chủ, theo thiết kế, lại làm giảm mức độ chuỗi đó vẫn lộ diện theo thời gian thực.

Điều làm tôi băn khoăn là chúng ta đang triển khai những tác nhân ngày càng tự chủ nhanh hơn tốc độ mà chúng ta giải quyết cách để buộc việc ra quyết định của họ phải chịu trách nhiệm sau khi sự việc xảy ra.

Câu hỏi tôi cứ quay đi quay lại với @OpenGradient không phải liệu hạ tầng phi tập trung có thể hỗ trợ các tác nhân AI về mặt kỹ thuật hay không, mà là liệu cách tiếp cận của $OPG với “suy luận có thể kiểm chứng” có thực sự lấp đầy khoảng trống trách nhiệm giải trình đó, hay chỉ làm cho đầu ra trở nên kiểm tra được trong khi con đường suy luận vẫn mù mờ.

Xác nhận rằng một điều gì đó đã xảy ra không giống như hiểu vì sao nó xảy ra theo cách đó.

Tôi không chắc tính tự chủ cần cái nào nhiều hơn. #OPG

@OpenGradient

#opg $OPG Khoảng cách giữa những gì một dự án nói rằng mình đang xây dựng và những gì thực sự được xây dựng

Tôi đã ở trong lĩnh vực này đủ lâu để phát triển một kiểu cảnh giác cụ thể. Không hẳn là hoài nghi, đúng hơn là nhận diện theo mẫu. Một dự án trình bày một tầm nhìn thực sự có ý nghĩa. Vấn đề mà họ mô tả là có thật. Hướng đi thì có vẻ đúng. Và rồi, đâu đó giữa whitepaper và thực tế, một điều gì đó lặng lẽ thay đổi.

Không phải lúc nào cũng là sự gian dối. Đôi khi chỉ là khoảng cách giữa cách vấn đề trông như thế nào từ bên ngoài và việc nó hóa ra khó đến mức nào từ bên trong.

Ban đầu tôi nghĩ đây là vấn đề đặc thù của crypto. Hứa nhiều, xây không đủ. Những điều quen thuộc.

Càng nhìn sâu vào các dự án hạ tầng AI, khoảng cách này lại xuất hiện. Có lẽ còn rộng hơn, bởi tầm nhìn trong AI thường trừu tượng hơn và khó xác minh hơn, liệu bạn có đang đi đúng hướng hay không.

Tôi đã suy nghĩ về điều này trong khi theo dõi @OpenGradient kỹ hơn trong vài tháng qua.

Tầm nhìn rất mạch lạc: suy luận AI mở, có thể kiểm chứng, như một hạ tầng thực sự. Tôi thấy điều đó thật sự thuyết phục. Nhưng khoảng cách mà tôi liên tục đo được nằm giữa cách họ đóng khung câu chuyện đó và cái thực tế từng ngày của $OPG đối với các nhà phát triển đang xây dựng trên nó ngay lúc này.

Tôi không nêu điều này như một lời chỉ trích. Mà như một câu hỏi chân thành mà tôi cứ quay lại.

Làm sao bạn biết—trước khi khoảng cách trở nên rõ ràng—rằng tầm nhìn của dự án và thực tế của nó thực sự đang hội tụ? #OPG
@OpenGradient

#opg $OPG Càng tự tin AI nói, tôi càng ít tin rằng nó biết được những gì nó không biết

Vài tháng trước, có điều gì đó bắt đầu làm tôi bận tâm nhưng tôi không thể gạt sang một bên. Những hệ thống AI mà tôi sử dụng với mức độ tin cậy cao nhất cũng lại dường như là những hệ thống ít có khả năng thể hiện sự không chắc chắn thực sự nhất. Chúng trả lời. Hoàn toàn. Mượt mà. Dù nền tảng cho câu trả lời đó có vững chắc hay không.

Tôi từng cho rằng sự lưu loát và độ chính xác có liên quan chặt chẽ với nhau. Câu trả lời càng mạch lạc thì lý do suy luận đằng sau càng đáng tin.

Nhưng càng nghĩ, tôi càng thấy giả định đó có thể hoàn toàn ngược lại.

Lưu loát là một thuộc tính bề mặt. Đó là kết quả của quá trình huấn luyện, không phải là tín hiệu cho thấy sự trung thực về mặt nhận thức (epistemic honesty). Một mô hình có thể nghe có vẻ chắc chắn trong khi lại sai theo những cách mà nó không có cơ chế nào để nhận ra và gắn cờ.

Điều làm tôi bận tâm là chúng ta đang xây dựng tương lai của AI trên một hạ tầng tối ưu cho độ tự tin của đầu ra thay vì hiệu chỉnh độ tin cậy của đầu ra (output calibration).

Chính điều này kéo tôi quay lại với những gì @OpenGradient đang làm. Không chỉ ở góc độ phi tập trung, mà còn ở câu hỏi sâu hơn rằng liệu việc triển khai AI cuối cùng có thể mang theo một thứ gì đó giống như lý do suy luận có thể truy vết, chứ không chỉ là phép tính có thể truy vết.

$OPG vẫn còn giai đoạn đầu và tôi vẫn đang làm rõ sự khác biệt đó thực sự có ý nghĩa gì trong thực tế.

Nhưng tôi cứ tự hỏi: nếu một hệ thống AI không thể biểu đạt sự không chắc chắn của chính nó một cách trung thực, thì việc làm cho suy luận của nó có thể kiểm chứng liệu có thật sự giải quyết đúng vấn đề không? #OPG

@OpenGradient

Mọi giải pháp trong không gian này cuối cùng rồi sẽ trở thành vấn đề của người khác để giải quyết

Tôi nhận thấy một điều trên hầu hết các bước chuyển đổi hạ tầng lớn trong crypto và AI. Giải pháp cho một vấn đề không bao giờ khép lại vòng lặp mà nó mở ra một bề mặt mới. Và những vấn đề mới phát sinh thường khó lường hơn so với vấn đề ban đầu, vì chúng nằm trong khoảng trống giữa những gì đã được xây dựng và cách nó thực sự được sử dụng.

Phi tập trung đã giải quyết rủi ro lưu ký. Rồi lại phát sinh rủi ro phối hợp. Truy cập không cần cấp phép giải quyết việc kiểm soát cổng. Rồi lại phát sinh spam, thao túng, tín hiệu chất lượng thấp. Mọi kiến trúc đều mang mầm mống của vấn đề tiếp theo mà nó sẽ tạo ra.

Tôi cứ nghĩ rằng các hệ sinh thái open AI sẽ phá vỡ mô hình này theo một cách nào đó. Tôi không chắc vì sao mình lại nghĩ vậy.

Càng tìm hiểu @OpenGradient , tôi càng tự thấy mình không nghĩ về việc nó giải quyết điều gì, mà là về những gì nó chắc chắn sẽ làm lộ ra tiếp theo.

Open inference là một câu trả lời thực sự cho một vấn đề thực sự: việc thực thi AI có thể được xác minh và không bị khóa sau lưng một nhà cung cấp duy nhất. Điều này quan trọng. Nhưng việc mở lớp thực thi cũng đồng nghĩa với việc mở rộng bề mặt tấn công, độ phức tạp của động cơ khuyến khích và các câu hỏi về quản trị.

$OPG đang hoạt động trong sự giằng co này, dù họ có chọn cách đóng khung như vậy hay không.

Tôi cứ tự hỏi liệu có hệ sinh thái nào thực sự có thể đi trước các vấn đề do chính các giải pháp của nó tạo ra hay không, hay đó chỉ là điều kiện thường trực của việc xây dựng bất cứ thứ gì có ý nghĩa. #OPG

#opg $OPG @OpenGradient

Công nghệ đã sẵn sàng từ rất lâu trước khi con người sẵn sàng

Tôi đã theo dõi một mẫu hình lặp lại trong nhiều năm ở lĩnh vực này. Một công nghệ thực sự hữu ích xuất hiện. Hạ tầng hoạt động. Trường hợp sử dụng là có thật. Và rồi… việc ứng dụng bị đình trệ, hoặc diễn ra chậm hơn nhiều so với dự đoán của bất kỳ ai. Không phải vì công nghệ thất bại, mà vì hành vi con người đã không “uốn” theo cách mà những người xây dựng kỳ vọng.

Trong một thời gian dài, tôi nghĩ đây là vấn đề giáo dục. Nếu mọi người hiểu công nghệ tốt hơn, họ sẽ dùng nó. Cách nhìn đó lúc đầu có vẻ hợp lý với tôi.

Nhưng càng nghĩ thì tôi càng thấy rằng việc “hiểu” gần như chẳng liên quan gì nhiều đến việc áp dụng quy mô lớn. Con người không áp dụng công nghệ vì họ hiểu nó. Họ áp dụng vì nó phù hợp với một thứ mà họ đã làm trước đó, hoặc loại bỏ một sự khó chịu/bất tiện mà họ đã cảm thấy.

Điều làm tôi băn khoăn là việc các nhà phát triển dường như hiếm khi thiết kế dựa trên thực tế đó.

Khi tôi xem những gì @OpenGradient đang xây dựng—suy luận AI phi tập trung, thực thi có thể kiểm chứng, truy cập mở—thì lập luận về công nghệ là mạch lạc. Tôi có thể theo được logic. Nhưng câu hỏi về hành vi con người lại khiến tôi cảm thấy nó chưa “ngã ngũ” nhiều.

Ai là người sẽ thay đổi quy trình AI hiện tại của họ để đổi lấy tính có thể kiểm chứng? Trong những hoàn cảnh nào thì sự đánh đổi đó trở nên đáng giá đối với một người dùng bình thường—không chỉ là những người đã sẵn đang nghĩ về $OPG hạ tầng?

Tôi cứ quay lại vấn đề này vì tôi thực sự không chắc. Việc áp dụng hiếm khi đến với lựa chọn đúng đắn nhất về mặt kỹ thuật.

Nó thường đến với lựa chọn đòi hỏi ít hơn từ con người. #OPG

#opg $OPG @OpenGradient

Mọi hệ thống phát triển thành công cũng trở nên khó hiểu hơn

Gần đây, tôi đang nghĩ về điều gì đó mà tôi thấy xuất hiện trong mọi chu kỳ công nghệ mà tôi đã theo dõi sát sao. Một hệ thống bắt đầu nhỏ, tập trung và dễ hiểu. Bạn có thể nắm giữ toàn bộ nó trong đầu mình. Sau đó, nó phát triển. Và ở đâu đó giữa "hoạt động" và "mở rộng", nó lặng lẽ vượt qua một ranh giới mà không ai hiểu rõ nữa, ngay cả những người đã xây dựng nó.

Tôi đã nghĩ đó là một vấn đề kỹ thuật. Một vấn đề tài liệu. Một điều gì đó có thể giải quyết được với đủ nỗ lực và công cụ đúng.

Càng nghĩ về nó, tôi nhận ra rằng sự phức tạp có thể không phải là một tác dụng phụ của quy mô. Nó có thể là chi phí của nó.

Mỗi lớp mà bạn thêm vào để xử lý nhiều tải hơn sẽ giới thiệu các tương tác mới, các chế độ thất bại mới, và những giả định mới được đưa vào bởi bất kỳ ai đã viết lớp đó. Và những giả định đó sẽ tích lũy. Đến khi một hệ thống thực sự mở rộng, nó cũng đang mang theo một lịch sử của các sự đánh đổi mà không ai chọn một cách rõ ràng.

Đây là điều mà tôi luôn quay lại khi tôi nghĩ về cơ sở hạ tầng AI phi tập trung, đặc biệt là những gì @OpenGradient đang cố gắng xây dựng. Mở rộng thực thi AI trên một mạng lưới phân tán không chỉ nhân đôi công suất. Nó nhân đôi bề mặt cho các thứ tương tác theo những cách mà không ai dự đoán trước.

Tôi thực sự không chắc chắn liệu $OPG hoặc bất kỳ dự án nào trong không gian này đã giải quyết hoàn toàn căng thẳng đó chưa.

Có thể câu hỏi chân thành không phải là liệu AI phi tập trung có thể mở rộng. Mà là liệu sự phức tạp đi kèm với quy mô đó có thể quản lý được hay không. #OPG

#opg $OPG @OpenGradient

Các hệ thống AI nhanh nhất cũng là những thứ bạn biết ít nhất

Có một sự đánh đổi mà tôi liên tục gặp phải mà chẳng ai dám nói thẳng. Hệ thống càng được tối ưu hóa cho tốc độ, thì nó càng nén lại hoặc hoàn toàn loại bỏ các lớp cho phép bạn kiểm tra những gì thực sự đang diễn ra bên trong.

Tôi nhận ra điều này đầu tiên trong cơ sở hạ tầng tài chính, thật kỳ lạ. Các hệ thống giao dịch tần số cao cực kỳ hiệu quả. Chúng cũng cực kỳ mờ mịt. Tốc độ và sự xem xét có vẻ như đang đẩy nhau ra trong cấp độ kiến trúc.

Tôi đã nghĩ rằng các hệ thống AI sẽ khác. Mở hơn, có thể, vì lĩnh vực này lớn lên song song với văn hóa mã nguồn mở.

Càng tìm hiểu, tôi nhận ra rằng giả định đó không thực sự đúng.

Hầu hết các suy diễn AI sản xuất được tối ưu hóa cho thông lượng. Thời gian trễ được tối thiểu hóa. Chi phí overhead bị loại bỏ. Và trong một số khía cạnh của quá trình đó, diện tích bề mặt có sẵn cho việc xem xét an ninh, xác minh bên ngoài, hoặc kiểm toán trung thực lặng lẽ thu hẹp lại.

Điều làm tôi bận tâm là chúng ta có xu hướng đánh giá các hệ thống AI dựa trên chất lượng đầu ra và tốc độ phản hồi, gần như không bao giờ xem xét mức độ mà quy trình nội bộ của chúng thực sự có thể được kiểm tra.

Đây là sự căng thẳng mà tôi liên tục trở lại khi nghĩ về những gì @OpenGradient đang cố gắng giải quyết. Cách tiếp cận $OPG dường như coi khả năng xác minh không phải là một chi phí hiệu suất mà là một ràng buộc thiết kế đáng được bảo tồn.

Tôi không chắc sự đánh đổi đó có thể được giải quyết xa đến đâu. Có thể hiệu quả và an ninh không nhất thiết phải là những điều đối lập trong cơ sở hạ tầng AI.

Hoặc có thể mỗi hệ thống càng nhanh thì càng âm thầm trở nên khó tin tưởng hơn. #OPG

#opg $OPG @OpenGradient

Mọi công cụ dễ sử dụng cũng trở nên khó rời bỏ

Gần đây, tôi nhận thấy một điều về hành vi của bản thân mà tôi không thể nào gạt bỏ. Càng tiện lợi, tôi càng ít đặt câu hỏi về những gì nó đang làm bên dưới. Tôi chỉ sử dụng nó. Thích ứng với nó. Bắt đầu phụ thuộc vào nó mà không có sự quyết định rõ ràng nào.

Đó không phải là một phàn nàn. Sự tiện lợi thực sự có giá trị. Nhưng có một phiên bản của sự tiện lợi mà âm thầm trao đổi đi một thứ khác, thường là kiểm soát, thường là tầm nhìn, và sự trao đổi diễn ra một cách từ từ đến nỗi bạn không nhận ra cho đến khi cố gắng lùi lại.

Tôi đã ngồi với sự căng thẳng này trong khi khám phá OpenGradient Chat.

Ban đầu, tôi nghĩ câu hỏi thú vị là về khả năng. Nó có thể làm gì, hoạt động tốt như thế nào, có đáng sử dụng hơn các công cụ khác không. Khung đánh giá sản phẩm thông thường.

Càng nhìn sâu vào @OpenGradient , tôi càng nhận ra câu hỏi thực sự thú vị lại khác. Không chỉ là công cụ làm gì mà là mối quan hệ mà công cụ giả định bạn cảm thấy thoải mái.

Hầu hết các giao diện AI tối ưu hoàn toàn cho trải nghiệm không ma sát. $OPG có vẻ như đang đặt câu hỏi liệu đó có phải là mục tiêu thiết kế duy nhất đáng có.

Tôi không chắc sự tiện lợi và kiểm soát phải là đối lập. Nhưng tôi vẫn tự hỏi liệu có công cụ nào thực sự có thể cung cấp cả hai hay không, hoặc liệu một trong hai luôn âm thầm thu hẹp để nhường chỗ cho cái kia. #OPG
#opg $OPG @OpenGradient

Phi tập trung nghe có vẻ như tự do cho đến khi bạn cần mọi người đồng ý

Tôi đã suy nghĩ về một mô hình xuất hiện trong hầu hết mọi hệ thống phi tập trung mà tôi đã theo dõi sát sao. Nó bắt đầu với lời hứa không có quyền lực trung tâm. Sau đó, từ từ, các vấn đề phối hợp tích tụ. Và trước khi bạn biết, ai đó hoặc một nhóm nào đó lại đảm nhận vai trò phối hợp. Không phải bằng sức mạnh. Chỉ là do nhu cầu.

Điều này xảy ra trong các DAO. Nó xảy ra trong quản trị blockchain. Tôi đã nghĩ rằng AI phi tập trung sẽ theo cách nào đó khác biệt.

Càng suy nghĩ về nó, tôi không chắc là nó khác biệt.

Điều làm tôi lo lắng: phi tập trung và phối hợp không chỉ căng thẳng mà có thể thực sự đánh đổi với nhau ở một số quy mô nhất định. Hệ thống càng phân tán, càng khó để có được hành vi nhất quán, đáng tin cậy trên đó. Và suy diễn AI cụ thể dường như đòi hỏi một mức độ nhất quán mà thực sự khó đạt được mà không có một lớp phối hợp nào.

Khi tôi gặp @OpenGradient , đây là câu hỏi tôi cứ lật đi lật lại. Một mạng lưới AI phi tập trung xử lý yêu cầu phối hợp như thế nào mà không âm thầm tập trung lại quanh ai đó giải quyết vấn đề đó trước tiên?

Tôi vẫn đang làm việc để hiểu những gì kiến trúc của $OPG thực sự ngụ ý ở đây. Có thể câu trả lời là phối hợp được mã hóa vào giao thức chính nó thay vì được ủy quyền cho các tác nhân.

Nhưng tôi cứ thắc mắc nếu điều đó chỉ di chuyển sự tập trung đến một nơi kém rõ ràng hơn. #OPG

#opg $OPG @OpenGradient

Hạ tầng bạn không thấy chính là hạ tầng bạn không thể chất vấn

Gần đây, tôi có một cuộc trò chuyện khiến tôi nhớ mãi. Ai đó hỏi tôi nhà cung cấp AI nào đang vận hành một công cụ mà tôi sử dụng hầu như hàng ngày. Tôi không biết. Tôi chưa từng nghĩ để hỏi. Nó chỉ hoạt động, vì vậy tôi cứ tiếp tục sử dụng.

Khoảnh khắc nhỏ đó làm tôi bận tâm hơn mức cần thiết.

Có điều gì đó lạ lùng về cách mà hạ tầng AI hoạt động hiện tại. Càng trở nên liền mạch, nó càng ít hiển thị. Và càng ít hiển thị, sự phụ thuộc càng sâu sắc một cách âm thầm, mà không có sự lựa chọn rõ ràng nào từ phía bạn.

Ban đầu, tôi nghĩ rằng sự hiển thị chủ yếu là mối quan tâm của các nhà phát triển. Một điều gì đó cho các nhóm xây dựng trên những hệ thống này phải lo lắng. Không phải thứ mà người dùng cuối cần phải theo dõi.

Càng nghĩ về nó, giả định đó có thể hoàn toàn sai.

Khi hạ tầng không thể nhìn thấy, sự phụ thuộc trở thành mặc định. Bạn không quyết định dựa vào một cái gì đó mà bạn chỉ dần dần phát hiện ra rằng bạn đã làm như vậy. Và đến lúc đó, chi phí chuyển đổi là có thật.

Đây là sự căng thẳng mà tôi luôn quay lại khi nhìn vào những gì @OpenGradient đang làm. Cách tiếp cận $OPG dường như coi sự hiển thị hạ tầng không phải là một tính năng, mà là một yêu cầu thiết kế. Một thứ được tích hợp sẵn, chứ không phải gắn thêm vào.

Tôi không chắc rằng cách định hình đó đã phổ biến đủ chưa.

Có thể câu hỏi không phải là liệu hạ tầng AI có nên mở hay không. Có thể câu hỏi là liệu hạ tầng vô hình có thể thực sự được tin tưởng hay không. #OPG
#opg $OPG @OpenGradient

Làm điều đó không bao giờ giống như chứng minh rằng bạn đã làm đúng

Có một cơ chế mà tôi thường thấy trong nhiều hệ thống, không chỉ trong công nghệ. Hành động được thưởng. Bằng chứng thường được yêu cầu sau này, nếu có.

Một mô hình chạy suy diễn. Bạn nhận được câu trả lời. Không ai nghi ngờ về con đường đó. Và phần lớn thời gian, điều đó thì ổn cho đến khi không còn, và lúc đó bạn đã xây dựng thứ gì đó dựa trên nó.

Tôi đã giả định trong một thời gian dài rằng độ chính xác là điều quan trọng nhất cần xác minh trong đầu ra AI. Câu trả lời có đúng không? Điều đó có vẻ đủ.

Càng suy nghĩ về điều đó, tôi nhận ra rằng đó thực sự là một tiêu chuẩn khá nông. Độ chính xác và quy trình có thể xác minh không phải là một điều. Một mô hình có thể sản xuất đầu ra đúng thông qua một con đường suy luận mà không ai có thể kiểm tra, sao chép, hoặc thách thức. Chúng ta chỉ... chấp nhận nó.

Điều làm tôi bận tâm là sự chấp nhận đó đã trở nên bình thường như thế nào. Chúng ta sẽ không chấp nhận một cuộc kiểm toán tài chính mà không có phương pháp đi kèm. Nhưng chúng ta chấp nhận suy diễn AI mà không có bằng chứng thực hiện hầu hết mọi nơi.

Cái căng thẳng đó đã kéo tôi về phía @OpenGradient . Hệ sinh thái $OPG dường như đang ngồi với đúng câu hỏi này: không chỉ liệu suy diễn sản xuất kết quả, mà liệu hành động suy diễn bản thân có thể mang theo một cái gì đó tương tự như bằng chứng.

Tôi liên tục quay lại với câu hỏi liệu điều đó có thể giải quyết hoàn toàn không. Hay chúng ta chỉ đang học cách yêu cầu hóa đơn tốt hơn. #OPG
#opg $OPG @OpenGradient

Mọi người đều nói về AI và Blockchain một cách riêng rẽ nhưng câu chuyện thật sự nằm ở giữa

Có một điều gì đó đã khiến tôi bận tâm trong một thời gian dài: không gian crypto và không gian AI luôn phát triển song song, thỉnh thoảng gật đầu chào nhau, nhưng hiếm khi thực sự kết nối theo cách có ý nghĩa.

Các token tuyên bố là "được hỗ trợ bởi AI." Các mô hình đề cập đến blockchain như một từ khóa hot. Không bên nào dường như thực sự cần bên kia.

Rồi tôi bắt đầu suy nghĩ về khoảng cách thực sự, không phải khoảng cách tiếp thị, mà là khoảng cách về niềm tin. AI sản xuất ra các kết quả mà không ai có thể xác minh độc lập. Blockchain thì về cơ bản là về xác minh. Và bằng cách nào đó, trong nhiều năm, sự kết hợp rõ ràng này luôn bị bỏ qua.

Khi tôi tình cờ gặp @OpenGradient , đó là cuộc trò chuyện mà tôi cảm thấy mình đã chờ đợi để tìm thấy. Không phải AI trên blockchain như một bài tập thương hiệu, mà là suy diễn như một thứ có thể thực sự mang lại tính xác minh nơi mà quy trình lập luận sống ở đâu đó có thể kiểm toán, không chỉ là kết quả.

Sự phân biệt đó quan trọng hơn tôi đã nghĩ ban đầu.

$OPG là phần mà tôi đã theo dõi sát sao, chủ yếu vì câu hỏi cơ bản dường như chưa được giải quyết: bạn có thể làm cho AI đáng tin cậy ở cấp độ hạ tầng, không chỉ ở cấp độ giao diện không?

Tôi không nghĩ chúng ta đã trả lời điều đó một cách nghiêm túc. Còn bạn thì sao? #OPG
#opg $OPG @OpenGradient

Tôi đã sử dụng OpenGradient Chat để nghiên cứu crypto và nó đã thay đổi cách tôi đặt câu hỏi

Phần lớn các phiên nghiên cứu của tôi bắt đầu giống nhau: mười tab trình duyệt mở, nửa tin cậy nguồn, và tôi cố gắng ghép nối lại thành một cái gì đó mạch lạc. Nó hoạt động, nhưng khá lộn xộn. Vì vậy, khi tôi quyết định thử @OpenGradient Chat như một phần của quy trình nghiên cứu của mình, tôi không mong đợi nhiều. Chỉ tò mò liệu nó có giúp tôi tiết kiệm việc chuyển tab không.

Điều khiến tôi ngạc nhiên không phải là tốc độ. Mà chính là hình thức của cuộc trò chuyện.

Với hầu hết các công cụ AI, tôi đặt một câu hỏi và nhận được một câu trả lời. Với OpenGradient Chat, tôi thấy mình đang đặt những câu hỏi tiếp theo tốt hơn, gần như công cụ này đang âm thầm thúc đẩy tôi suy nghĩ cẩn thận hơn về những gì tôi thực sự muốn biết.

Lúc đó, tôi đang nghiên cứu các mô hình tokenomics. Không có gì đột phá. Nhưng cách mà các câu trả lời được cấu trúc đã khiến tôi nhận ra rằng tôi đã đặt những câu hỏi bề mặt trong nhiều tháng mà không nhận ra.

Càng suy nghĩ về điều đó, phần thú vị không chỉ là những gì công cụ xuất ra mà còn là những gì nó tiết lộ về thói quen nghiên cứu của chính bạn.

$OPG nằm ở giao điểm giữa tiện ích AI và tính minh bạch trên chuỗi mà tôi vẫn đang khai thác. Và sự kết hợp đó đủ hiếm để khiến tôi quay lại.

Có công cụ nghiên cứu nào từng âm thầm thay đổi cách bạn suy nghĩ, không chỉ là những gì bạn tìm thấy không? #OPG
#opg $OPG @OpenGradient

Khi câu trả lời trở nên rẻ hơn, liệu sự hiểu biết có trở nên đắt hơn không?

Gần đây, tôi đã nghĩ về việc tôi thường nhầm lẫn giữa sự công nhận và sự hiểu biết.

Vài ngày trước, tôi đã xem một người giải quyết một vấn đề gần như ngay lập tức bằng một công cụ AI. Câu trả lời là chính xác. Nhiệm vụ đã hoàn thành. Thế nhưng khi cuộc trò chuyện chuyển hướng nhẹ nhàng, sự tự tin đã biến mất.

Điều này khiến tôi tự hỏi liệu trí thông minh và sự hiểu biết có bắt đầu tách rời nhau không.

Tôi đã giả định rằng trí thông minh nhiều hơn sẽ tự nhiên tạo ra sự hiểu biết nhiều hơn. Càng nghĩ về điều đó, tôi càng cảm thấy điều đó không rõ ràng.

Khi tìm hiểu về @OpenGradient , câu hỏi này cứ tái diễn. Trí thông minh mở dường như đẩy chúng ta đến một thế giới mà lý luận hữu ích trở nên dễ tiếp cận hơn, phân phối rộng rãi hơn, có thể thậm chí phong phú hơn. Bề ngoài, điều đó nghe có vẻ như một sự cải tiến đơn giản.

Nhưng tôi vẫn tự hỏi điều gì sẽ xảy ra khi trí thông minh trở thành thứ mà chúng ta có thể truy cập theo yêu cầu thay vì là thứ mà chúng ta từ từ phát triển riêng.

Có lẽ sự hiểu biết luôn gắn liền với sự ma sát. Với sự bối rối. Với việc dành thời gian để sai.

Nếu trí thông minh mở làm giảm chi phí sản xuất câu trả lời, liệu nó có thay đổi mối quan hệ của chúng ta với quá trình tạo ra sự hiểu biết không?

Tôi không tranh luận rằng điều đó đúng. Tôi thậm chí không chắc sự hiểu biết hoạt động theo cách đó.

Điều đã thu hút sự chú ý của tôi xung quanh $OPG và #OPG không phải là một câu hỏi kỹ thuật. Đó là một câu hỏi về con người.

Chúng ta thường nói về việc dân chủ hóa trí thông minh như thể trí thông minh là thứ mà chúng ta đang thiếu.

Nhưng nếu trí thông minh đang trở nên phong phú trong khi sự hiểu biết vẫn khan hiếm thì sao?

Tôi bắt đầu nghi ngờ rằng hai điều này ít liên kết với nhau hơn những gì tôi từng giả định. Và nếu điều đó đúng, tôi không chắc điều gì sẽ trở nên có giá trị hơn tiếp theo.
#opg $OPG @OpenGradient

Tôi đã tiếp tục sử dụng những công cụ AI giống nhau cho đến khi một câu hỏi thay đổi mọi thứ

Ở đâu đó giữa tab ChatGPT thứ năm và khoảnh khắc thứ ba "tại sao điều này lại cảm thấy trống rỗng", tôi bắt đầu tự hỏi một câu hỏi mà tôi chưa từng hỏi trước đây: ai thực sự đang kiểm soát những gì mà các mô hình này làm?

Không phải theo cách âm thầm. Chỉ là tôi thực sự muốn biết nơi nào diễn ra suy diễn, ai kiểm soát trọng số, và điều gì xảy ra với các đầu vào của tôi? Càng suy nghĩ về nó, tôi càng nhận ra rằng mình đã chấp nhận rất nhiều niềm tin vào các nền tảng AI truyền thống.

Cảm giác không thoải mái đó cuối cùng đã dẫn tôi đến @OpenGradient .

Điều tôi thấy thú vị không chỉ là công nghệ mà còn là giả định cơ bản đang bị thách thức. Ý tưởng rằng suy diễn AI không nhất thiết phải diễn ra trong máy chủ riêng của một công ty. Nó có thể hoạt động trong một môi trường mà việc thực thi có thể xác minh được, không chỉ là đầu ra.

Tôi đã thử OpenGradient Chat vì sự tò mò, không phải kỳ vọng. Và thật lòng mà nói, trải nghiệm này đã khiến tôi suy nghĩ khác về việc "mở" thực sự nên có nghĩa là gì trong AI, không chỉ là trọng số mở, mà còn là thực thi mở.

$OPG vẫn là một điều mà tôi đang nghiên cứu và học hỏi. Nhưng đó là một trong số ít dự án đã giải quyết một câu hỏi mà tôi đã mang theo.

Bạn vẫn hoàn toàn phụ thuộc vào các nền tảng AI tập trung, hay bạn cũng đã bắt đầu đặt câu hỏi về điều đó? #OPG
#opg $OPG @OpenGradient

Khoảnh Khắc OpenGradient Thực Sự Khiến Tôi Ngừng Cuộn Xuống

Hôm đó tôi không tìm kiếm gì mới mẻ. Chỉ đang cuộn qua các tab nghiên cứu, nửa chú ý, thì tôi tình cờ thấy một thứ khiến tôi dừng lại.

Hầu hết các nền tảng AI mà tôi đã khám phá đều cảm thấy như những cái hộp đen. Bạn đưa vào cái gì đó, cái gì đó sẽ ra, và bạn chỉ... phải tin tưởng. Điều đó chưa bao giờ khiến tôi cảm thấy thoải mái. Vì vậy, khi tôi bắt đầu đọc về @OpenGradient , điều thu hút sự chú ý của tôi không phải là công nghệ trước tiên mà là câu hỏi họ đang đặt ra: nếu AI thực sự có thể chạy trên chuỗi, một cách có thể xác minh được thì sao?

Sự thay đổi trong cách diễn đạt đó đã khiến tôi dừng lại.

Tôi đã ở trong Web3 đủ lâu để biết rằng "AI phi tập trung" thường được nhắc đến rất nhiều. Nhưng khi tôi thực sự thử nghiệm OpenGradient Chat, nó cảm thấy khác biệt. Không phải khác biệt kiểu marketing bóng bẩy mà giống như ai đó đã xây dựng điều này vì họ thực sự tin rằng việc suy diễn nên minh bạch và không cần tin tưởng, không chỉ mở rộng quy mô.

Phần khiến tôi nhớ mãi? Ý tưởng rằng việc thực thi mô hình có thể mang theo những kỳ vọng về khả năng xác minh giống như những gì chúng ta đã mang đến cho hợp đồng thông minh. Đó không phải là một ý tưởng nhỏ bé.

$OPG vẫn còn sớm, và tôi vẫn đang ghép nối cách tất cả các lớp kết nối với nhau. Nhưng đây là loại dự án khiến tôi muốn tiếp tục đào sâu.

Có ai khác đã khám phá @OpenGradient chưa? Ấn tượng đầu tiên chân thật của bạn là gì? #OPG
#opg $OPG @OpenGradient

Tăng trưởng không cần ai mới tham gia

Hầu hết các câu chuyện tăng trưởng trong crypto giả định điều giống nhau rằng điều cần thiết là nhiều hơn. Nhiều người dùng, nhiều vốn, nhiều chuỗi, nhiều giao thức. Mình cũng đã mặc định theo giả định đó nhiều lần không thể đếm hết.

Nhưng một cuộc trò chuyện trong tuần này đã phản biện điều đó theo cách mà mình không thể dễ dàng gạt bỏ. Điểm được đưa ra rất đơn giản: vốn đã ngồi trên các hệ sinh thái Bitcoin, Ethereum, và DePIN là khổng lồ, và phần lớn trong số đó đang hoạt động chỉ ở một phần nhỏ so với những gì nó có thể làm. Rào cản không phải là nguồn cung. Mà là việc sử dụng.

Mình không mong đợi khung nhìn đó sẽ gắn bó, nhưng nó đã gắn bó.

Khi bạn nhìn nhận theo cách đó, sự mở rộng ý nghĩa tiếp theo trong không gian này có thể không đến từ việc thu hút những người tham gia mới chút nào. Nó có thể đến từ việc những người nắm giữ hiện tại cuối cùng có cơ sở hạ tầng cho phép tài sản của họ làm nhiều hơn mà không cần phải đối mặt với sự phức tạp hay hy sinh quyền truy cập.

Đó là góc nhìn mà @Bedrock ngồi trong, và đó là lý do mình thấy $BR xứng đáng được chú ý hơn cả cuộc trò chuyện về lợi suất. Đó là một cược rằng vốn hiện tại chưa được sử dụng là một cơ hội lớn hơn so với vốn mới chưa được khai thác.
Có thể mình sai, nhưng mình nghĩ những người xây dựng cho người dùng hiện tại chứ không phải những người dùng tương lai giả định đang giải quyết vấn đề chân thực hơn.

Bạn nghĩ điều nào quan trọng hơn ngay bây giờ: đưa vốn mới vào, hay tận dụng nhiều hơn từ những gì đã có ở đây? #Bedrock
#bedrock $BR @Bedrock

Theo dõi giá trị danh mục đầu tư thì dễ. Theo dõi những gì danh mục đầu tư của bạn thực sự đang làm thì khó hơn.
Gần đây, tôi đã xem xét lại phân tích danh mục của mình và nhận ra rằng tôi có thể nói chính xác những gì tôi nắm giữ và giá trị xấp xỉ của nó. Điều mà tôi không thể nói với bất kỳ độ chính xác nào là tỷ lệ phần trăm của nó thực sự đang làm điều gì hữu ích vào lúc đó so với việc chỉ ngồi đó với một con số xanh hoặc đỏ bên cạnh.
Khoảng cách đó cảm thấy quan trọng hơn khi tôi ngồi với nó lâu hơn.
Có một thói quen trong crypto mà tôi nghĩ hầu hết chúng ta đều chia sẻ mà không thắc mắc. Chúng ta tối ưu hóa cho việc gia tăng. Tài sản nào để mua, khi nào để vào, bao nhiêu để phân bổ. Đánh giá danh mục thực chất chỉ là một cuộc kiểm tra bảng cân đối. Nhưng bảng cân đối chỉ cho bạn biết những gì tồn tại. Nó không cho bạn biết điều gì đang hoạt động.
Tôi đã bắt đầu suy nghĩ về điều này một cách khác sau khi dành nhiều thời gian hơn với các giao thức được xây dựng xung quanh câu hỏi về năng suất thay vì câu hỏi về tích lũy. @Bedrock là một trong những ví dụ rõ ràng hơn $BR được thiết kế dựa trên giả định rằng công việc của một tài sản không kết thúc ở việc mua, và rằng vốn nhàn rỗi trên Ethereum, Bitcoin, và DePIN không phải là một trạng thái trung lập, mà là một sự kém hiệu quả âm thầm.
Sự điều chỉnh trung thực mà tôi vẫn đang làm việc qua: sở hữu những thứ đúng và triển khai chúng một cách tốt là hai kỹ năng riêng biệt, và tôi chủ yếu chỉ đang luyện tập kỹ năng đầu tiên.
Nếu bạn kiểm toán danh mục của mình theo hoạt động thay vì giá trị, bạn sẽ tìm thấy điều gì? #Bedrock
#bedrock $BR @Bedrock

Chúng ta cứ mãi giải quyết vấn đề sai trong crypto
Có một điều tôi nhận thấy trong tuần này mà không thể ngừng suy nghĩ.
Mỗi khi thị trường giảm, cùng một cuộc trò chuyện lại bắt đầu. Biến động là kẻ thù. Biến động chính là thứ đang kìm hãm crypto. Giảm biến động thì tiền từ các tổ chức sẽ chảy vào, việc chấp nhận sẽ tăng tốc, mọi thứ sẽ trưởng thành. Tôi cũng đã lặp đi lặp lại những phiên bản này.
Nhưng tôi bắt đầu nghĩ rằng chúng ta đã chỉ vào một vấn đề hoàn toàn sai.
Biến động thì rõ ràng. Nó có thể đo lường được. Nó xuất hiện trong tiêu đề, ảnh chụp danh mục đầu tư và các cuộc tranh luận trên Twitter. Vì vậy, chúng ta tập trung vào nó. Chúng ta xây dựng các câu chuyện xung quanh nó. Trong khi đó, một sự không hiệu quả lớn hơn và yên tĩnh hơn lại hoàn toàn không được xem xét — khối lượng vốn crypto khổng lồ không làm gì trong bất kỳ khoảnh khắc nào.
Không mất mát. Không thu được. Chỉ tồn tại.
Gần đây, tôi đã xem xét các khoản phân bổ của mình và con số thật không thoải mái. Một phần đáng kể trong số những gì tôi nắm giữ không có chức năng hoạt động nào giữa các biến động giá. Nó không hoạt động. Nó chỉ chờ đợi. Và bằng cách nào đó, tôi đã phân loại điều đó là một chiến lược hợp lý thay vì một khoảng trống cấu trúc.
Đây là điều làm cho việc suy nghĩ về @Bedrock trở nên đáng để ngồi lại. Khung $BR không cố gắng khắc phục biến động — nó đang giải quyết điều khác, vốn đã có sẵn và đã được sở hữu nhưng không đóng góp gì trong khi chủ sở hữu ngắm nhìn các biểu đồ.
Biến động sẽ được khắc phục khi các thị trường trưởng thành. Vốn nhàn rỗi sẽ được khắc phục bằng một quyết định.
Bạn thực sự có quyền kiểm soát sự không hiệu quả nào? #Bedrock

#bedrock $BR @Bedrock

Phân bổ có thể vượt qua tích lũy

Một giả định phổ biến có thể là sai: lợi thế lớn nhất trong crypto là sở hữu nhiều tài sản hơn.

Trong nhiều năm, tích lũy là trò chơi. Mua, giữ, và tăng cường sự tiếp xúc.

Hôm nay, lợi thế đó đang trở nên ít độc quyền hơn.

Khi Bitcoin Capital bước vào kỷ nguyên BTCFi, các nhà tham gia đang có cơ hội tiếp cận một vũ trụ ngày càng mở rộng về lợi suất, thanh khoản, và cơ hội phối hợp trên chuỗi. Nhiều vốn hơn. Nhiều lựa chọn hơn. Nhiều phức tạp hơn.

Sự phức tạp đó thay đổi nguồn gốc của lợi thế.

Câu hỏi không còn là bạn nắm giữ bao nhiêu Bitcoin. Câu hỏi thực sự là @Bitcoin được phân bổ hiệu quả như thế nào.

Tại sao điều này lại quan trọng?

Bởi vì hiệu quả vốn có thể tích lũy. Hai nhà đầu tư có thể nắm giữ cùng một lượng #BTC , nhưng đạt được những kết quả rất khác nhau dựa trên cách họ điều hướng cơ hội, rủi ro, và điều kiện thị trường.

Giai đoạn tiếp theo của thị trường có thể thưởng cho lợi thế thông tin cũng nhiều như sở hữu tài sản. Trí tuệ quyết định, định tuyến vốn, và các khuôn khổ phân bổ có thể trở thành các lớp quan trọng của cơ sở hạ tầng crypto.

Đây là nơi các dự án như @Bedrock DeFi phù hợp với một xu hướng lớn hơn. Thay vì chỉ tập trung vào sự tiếp xúc tài sản, cuộc trò chuyện ngày càng xoay quanh @Bitcoin Capital và cách nó có thể được phối hợp hiệu quả hơn trong một hệ sinh thái #BTCFi đang mở rộng.

Điều đang thay đổi là cơ sở hạ tầng tài chính đang trở nên quan trọng như chính tài sản cơ sở.

Cơ hội thực sự có thể không phải là tìm tài sản kế tiếp. Nó có thể là cải thiện cách mà vốn hiện có được triển khai.

Trong các thị trường trưởng thành, sự giàu có được xây dựng từ sự phân bổ. Crypto có thể đang đi theo hướng đó nhanh hơn nhiều so với hầu hết mọi người mong đợi.

#bedrock $BR @Bedrock