Jejak kredibilitas AI telah menjadi banyak panas baru-baru ini. Ada rute teknis yang berbeda yang bersaing di pasar, di antaranya Inference Labs dan Mira Network sering ditolok ukur, tetapi solusi kedua perusahaan tersebut sangat berbeda.
Inference Labs mengambil rute teknis hardcore matematika. Mereka terutama terlibat dalam arah pembelajaran mesin pengetahuan nol (zkML), dan logika intinya adalah menggunakan teknologi bukti pengetahuan nol untuk memungkinkan proses penalaran model AI diverifikasi sambil melindungi privasi komputasi. Pemahaman sederhananya adalah: AI memberikan jawabannya, tetapi Anda tidak perlu melihat algoritme lengkap untuk memverifikasi bahwa jawabannya benar dan dapat diandalkan. Solusi ini membutuhkan daya komputasi yang tinggi, tetapi kredibilitas dan keamanan telah mencapai tingkat ekstrem.
Sebaliknya, Mira Network mengadopsi serangkaian ide yang berbeda. Mereka lebih memperhatikan desain jaringan komputasi terdistribusi dan mekanisme insentif, dan memastikan kredibilitas layanan AI melalui konsensus jaringan. Kedua jalur tersebut memecahkan masalah inti "bagaimana membuat orang mempercayai AI", tetapi tumpukan teknologi dan logika implementasinya sama sekali berbeda. zkML lebih seperti bukti matematis, dan jaringan terdistribusi lebih seperti dukungan kolektif. Masing-masing memiliki kelebihan dan kekurangannya sendiri, dan pasar pada akhirnya akan memutuskan solusi yang lebih baik.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
11 Suka
Hadiah
11
9
Posting ulang
Bagikan
Komentar
0/400
RugDocScientist
· 21jam yang lalu
zkML itu memang benar-benar keren, tapi siapa yang akan membayar biaya komputasi... Rasanya Inference Labs agak terlalu idealis.
Lihat AsliBalas0
GrayscaleArbitrageur
· 12-27 19:45
zkML, itu terdengar keren tetapi siapa yang akan membayar biayanya, apakah daya komputasi yang begitu mahal realistis?
Lihat AsliBalas0
LiquidationWatcher
· 12-27 06:47
zkML itu memang keren, tapi biaya komputasi yang begitu tinggi apakah benar-benar bisa diterapkan?
Lihat AsliBalas0
BrokenYield
· 12-26 10:52
zkml terdengar elegan di atas kertas sampai Anda menghadapi tembok komputasi—kemudian itu menjadi perangkap leverage yang menunggu untuk dilikuidasi. kepercayaan berbasis konsensus? lol, kami telah melihat bagaimana itu berjalan ketika insentif tidak sejalan.
Lihat AsliBalas0
FarmToRiches
· 12-26 10:52
zkML itu terdengar keren dan canggih, tapi untuk benar-benar mengimplementasikannya, berapa banyak biaya yang harus dikeluarkan? Monster daya komputasi bukanlah sesuatu yang bisa dimainkan oleh semua orang.
Lihat AsliBalas0
SorryRugPulled
· 12-26 10:36
zkML itu terdengar seperti membutuhkan banyak daya komputasi, tetapi memang lebih keren. Di sisi distribusi, itu bergantung pada konsensus, rasanya masih agak tidak pasti.
Lihat AsliBalas0
unrekt.eth
· 12-26 10:27
zkML那套听起来很猛,就是算力成本要爆表吧
Balas0
Whale_Whisperer
· 12-26 10:25
zkML itu memang keren, tapi apakah benar-benar bisa diterapkan secara skala besar? Biaya komputasi rasanya akan menjadi kendala
Lihat AsliBalas0
OnlyUpOnly
· 12-26 10:25
zkML itu memang kuat, tapi siapa yang bayar biaya komputasi?
Jejak kredibilitas AI telah menjadi banyak panas baru-baru ini. Ada rute teknis yang berbeda yang bersaing di pasar, di antaranya Inference Labs dan Mira Network sering ditolok ukur, tetapi solusi kedua perusahaan tersebut sangat berbeda.
Inference Labs mengambil rute teknis hardcore matematika. Mereka terutama terlibat dalam arah pembelajaran mesin pengetahuan nol (zkML), dan logika intinya adalah menggunakan teknologi bukti pengetahuan nol untuk memungkinkan proses penalaran model AI diverifikasi sambil melindungi privasi komputasi. Pemahaman sederhananya adalah: AI memberikan jawabannya, tetapi Anda tidak perlu melihat algoritme lengkap untuk memverifikasi bahwa jawabannya benar dan dapat diandalkan. Solusi ini membutuhkan daya komputasi yang tinggi, tetapi kredibilitas dan keamanan telah mencapai tingkat ekstrem.
Sebaliknya, Mira Network mengadopsi serangkaian ide yang berbeda. Mereka lebih memperhatikan desain jaringan komputasi terdistribusi dan mekanisme insentif, dan memastikan kredibilitas layanan AI melalui konsensus jaringan. Kedua jalur tersebut memecahkan masalah inti "bagaimana membuat orang mempercayai AI", tetapi tumpukan teknologi dan logika implementasinya sama sekali berbeda. zkML lebih seperti bukti matematis, dan jaringan terdistribusi lebih seperti dukungan kolektif. Masing-masing memiliki kelebihan dan kekurangannya sendiri, dan pasar pada akhirnya akan memutuskan solusi yang lebih baik.