正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

女朋友就这么的被劫走了。天天吹AI模型多强，全是虚的。现实里AI要用在仓库、机场、工地、交通这种地方，光靠概率判断根本不够用，出了事谁都担不起。真落地的AI看的是系统，不是参数。 AI一旦指挥实际操作，必须有据可查，不能瞎猜。 Inference Labs 做的可验证推理，就是把AI每一次决策变成可审计记录，不搞模糊判断，不搞盲目信任。工业级场景就得这么干，不然全是风险。关注这种能落地的项目，比追模型噱头有用得多。 #VerifiableAI #zkML #InferenceLabs Inference Labs

币自由 🐬

16,848 subscribers

69,739 次观看 • 4 个月前 •via X (Twitter)

新闻政治教育科学技术

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

很多AI模型在测试环境表现正常，一到真实场景、市场波动、自动化运行时，表现就会不稳定。静态测试数据，反映不出实际运行情况。只做模型评估远远不够，必须对AI输出结果做验证，才能保证安全可靠。 Inference Labs 做的就是这件事，聚焦AI实际运行验证，不搞虚标数据。想了解AI落地真实逻辑，可以关注他们社区。 #VerifiableAI #zkML #InferenceLabs Inference Labs

很多AI模型在测试环境表现正常，一到真实场景、市场波动、自动化运行时，表现就会不稳定。静态测试数据，反映不出实际运行情况。只做模型评估远远不够，必须对AI输出结果做验证，才能保证安全可靠。 Inference Labs 做的就是这件事，聚焦AI实际运行验证，不搞虚标数据。想了解AI落地真实逻辑，可以关注他们社区。 #VerifiableAI #zkML #InferenceLabs Inference Labs

币自由 🐬

25,034 次观看 • 3 个月前

卧槽后座怎么打起来了，是被锁喉了吗？最近AI真的看麻了，天天新的AI工具、新框架，吹得一套一套的，看着贼热闹，好像啥都能靠AI干了。这AI到底干了啥、咋做出的那些决策，拿啥证明啊？现在AI都已经实打实融进干活的环节里，连生产力统计都能看到它的影子了，更别说以后还得碰钱、搞物流、甚至沾点管事儿的边儿，这些可都是正经不能出岔子的事。到那时候，能验证AI的操作和决策，就压根不是可做可不做的选答题了，是必须得有的必答题。看看 Inference Labs 是如何解决问题的。 #VerifiableAI #zkML #InferenceLabs Inference Labs

卧槽后座怎么打起来了，是被锁喉了吗？最近AI真的看麻了，天天新的AI工具、新框架，吹得一套一套的，看着贼热闹，好像啥都能靠AI干了。这AI到底干了啥、咋做出的那些决策，拿啥证明啊？现在AI都已经实打实融进干活的环节里，连生产力统计都能看到它的影子了，更别说以后还得碰钱、搞物流、甚至沾点管事儿的边儿，这些可都是正经不能出岔子的事。到那时候，能验证AI的操作和决策，就压根不是可做可不做的选答题了，是必须得有的必答题。看看 Inference Labs 是如何解决问题的。 #VerifiableAI #zkML #InferenceLabs Inference Labs

币自由 🐬

11,871 次观看 • 4 个月前

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致这不是提高透明度，而是引入约束。在工程层面，DSperse 做的事情同样关键。它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件，使“可验证 AI”从研究范畴，进入实际应用范畴。否则，再正确的理念也只能停留在白皮书。目前，可验证推理在性能上的代价仍然明显，但这更像早期加密系统的计算成本问题，而不是路线错误。融资的用途，也正是针对这一层进行系统级优化。如果说过去的 AI 竞争是“谁能算得更快”，接下来的竞争，很可能是：谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观，而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

今天好郁闷，发生了一点不愉快的事情！人生第一次为了自己的愚蠢进了叔所！期待明天的好结果！！！ ⸻ AI 的下一关，不在能力，而在可被证明在模型规模不断被刷新纪录的阶段，有一个问题始终被刻意回避： AI 的结论，是否真的来自它声称的计算过程？ Inference Labs 选择从这个问题切入。他们关注的不是模型性能，而是推理行为本身是否可信、是否可复现、是否可审计。 Proof of Inference 的意义，在于把“我相信模型没问题”变成“模型必须给出证明”。通过零知识证明，系统可以在不暴露模型结构和参数的前提下，确认一次推理： •确实由指定模型完成 •计算过程未被替换或篡改 •输出结果与真实推理一致这不是提高透明度，而是引入约束。在工程层面，DSperse 做的事情同样关键。它把原本高度定制化、专家依赖的 zkML 开发流程，拆解为可复用组件，使“可验证 AI”从研究范畴，进入实际应用范畴。否则，再正确的理念也只能停留在白皮书。目前，可验证推理在性能上的代价仍然明显，但这更像早期加密系统的计算成本问题，而不是路线错误。融资的用途，也正是针对这一层进行系统级优化。如果说过去的 AI 竞争是“谁能算得更快”，接下来的竞争，很可能是：谁的推理能被证明、被追溯、被承担责任。 Inference Labs 所搭建的，不是价值观，而是一层让 AI 输出进入现实系统所必需的验证基础设施。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

303,919 次观看 • 6 个月前

最近 Miden 公布奖励后明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。它更像是在给 AI 世界搭一套司法系统。现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。这不是一个技术问题，这是一个制度问题。现实世界里，任何能影响结果的系统，都一定有一套否认机制。金融有仲裁，法律有上诉，市场有清算。但 AI 世界没有。今天的 AI 输出，一旦被系统采用，就会一路向下执行。自动清算、自动交易、自动风控、自动推荐。问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。你可以把它理解成 AI 世界里的证据链，而不是算力层。这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。它的核心用户，其实不是开发者。开发者只是接入工具的人。真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。如果一次判断失误，损失是真实发生的。但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。这就是 Inference Labs 的用武之地。它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。就像现实世界里的法院。没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。他们可能根本不知道自己在用这个协议。他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。这也是为什么我认为 Inference Labs 很容易被低估。它不制造爽点，只负责兜底。而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。中间一定需要一层，负责裁定、回溯、否认和问责。从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。而制度型基础设施，往往前期安静，后期不可替代。这类项目，从来不是用来追热度的。它们是用来活得最久的。 #KAITO #Inference

最近 Miden 公布奖励后明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。它更像是在给 AI 世界搭一套司法系统。现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。这不是一个技术问题，这是一个制度问题。现实世界里，任何能影响结果的系统，都一定有一套否认机制。金融有仲裁，法律有上诉，市场有清算。但 AI 世界没有。今天的 AI 输出，一旦被系统采用，就会一路向下执行。自动清算、自动交易、自动风控、自动推荐。问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。你可以把它理解成 AI 世界里的证据链，而不是算力层。这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。它的核心用户，其实不是开发者。开发者只是接入工具的人。真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。如果一次判断失误，损失是真实发生的。但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。这就是 Inference Labs 的用武之地。它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。就像现实世界里的法院。没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。他们可能根本不知道自己在用这个协议。他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。这也是为什么我认为 Inference Labs 很容易被低估。它不制造爽点，只负责兜底。而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。中间一定需要一层，负责裁定、回溯、否认和问责。从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。而制度型基础设施，往往前期安静，后期不可替代。这类项目，从来不是用来追热度的。它们是用来活得最久的。 #KAITO #Inference

紫川 | ∞KIN |

12,423 次观看 • 7 个月前

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面：这玩意儿怎么这么像拆熟食的？传统 AI 给我的感觉，就像买一整块封装好的肉。看起来油亮，切面也不错，但你永远不知道里面有没有掺点别的。你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”：它不让你信整块，而是把 AI 推理一刀一刀拆开。你不需要接受“这个模型很强”这种宏大叙事，你只需要确认一件小事：这一刀，是不是真的这么切的。说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。不是让所有人去理解整个模型，而是让验证这件事本身变轻。我不用背“我要为整个 AI 结果负责”的心理包袱，我只关心我现在用到的这一小段推理，有没有被乱来。这在很多现实场景里太重要了。医生、风控、合规，没人有精力啃完整头猪。更让我有好感的是，他们连“怎么验”都顺手简化了。我是真的讨厌管理私钥。不是不懂，是不想。每次验证之前先来一套仪式感，本身就已经在劝退人了。和 Self Chain 的无密钥方案，第一次看到的时候我心里是松了一口气的那种感觉：哦，终于不是为难普通人了。验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。它不讲终极信任，也不喊改变世界，只是很务实地把信任拆碎、摊平、递到你手里。你想验，就验这一小块。你不想理解，也没关系。未来如果 AI 真开始翻车，那些没法被拆、没法被验的模型，大概真的会被永久挂在链上当反例。我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。我更在意的是：当我真的要用 AI 的那一刻，它有没有为我考虑过。这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

哥哥们你们太卷了，卷不过你们了，掉了30多个名额了哦！哭死了！哎！！！ ——— 说实话，我一开始也是被 ZK 那一套讲法讲烦的。什么数学优雅、终极信任、密码学圣杯，听多了真的会走神。直到我在看 Inference Labs 的时候，脑子里突然冒出一个很不体面的画面：这玩意儿怎么这么像拆熟食的？传统 AI 给我的感觉，就像买一整块封装好的肉。看起来油亮，切面也不错，但你永远不知道里面有没有掺点别的。你只能选择信，或者不用。 Inference Labs 干的事反而很“笨”：它不让你信整块，而是把 AI 推理一刀一刀拆开。你不需要接受“这个模型很强”这种宏大叙事，你只需要确认一件小事：这一刀，是不是真的这么切的。说实话，这个点戳到我了。 DSperse 那套分布式验证，说白了就是在帮人偷懒。不是让所有人去理解整个模型，而是让验证这件事本身变轻。我不用背“我要为整个 AI 结果负责”的心理包袱，我只关心我现在用到的这一小段推理，有没有被乱来。这在很多现实场景里太重要了。医生、风控、合规，没人有精力啃完整头猪。更让我有好感的是，他们连“怎么验”都顺手简化了。我是真的讨厌管理私钥。不是不懂，是不想。每次验证之前先来一套仪式感，本身就已经在劝退人了。和 Self Chain 的无密钥方案，第一次看到的时候我心里是松了一口气的那种感觉：哦，终于不是为难普通人了。验证 AI，本来就不该比点外卖还复杂。 ⸻ 所以后来我发现， Inference Labs 干的事，其实挺不浪漫的。它不讲终极信任，也不喊改变世界，只是很务实地把信任拆碎、摊平、递到你手里。你想验，就验这一小块。你不想理解，也没关系。未来如果 AI 真开始翻车，那些没法被拆、没法被验的模型，大概真的会被永久挂在链上当反例。我现在已经不太关心 “这是不是真正的 ZK 巅峰设计”了。我更在意的是：当我真的要用 AI 的那一刻，它有没有为我考虑过。这一点上，Inference Labs 至少让我愿意继续看下去。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️ 🐬TermMax

27,155 次观看 • 7 个月前

人形机器人这条线，最近其实已经很清楚了：开始往家庭场景收敛。一旦进入家庭，问题就不再是工业效率，而是长期共处。它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。在这种条件下，动作精不精准、拟不拟人，反而是次要的。更关键的是：这些判断是怎么来的，你能不能知道。如果一个家用机器人：感知了什么是黑箱，推理过程不可追溯，行为是否越界只能靠厂商声明，那它在家里的身份，就不是工具，而是风险源。所以家庭机器人真正需要补的，不是性能指标，而是可信结构。它看到什么、怎么推理、是否按规则执行，都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。从这个角度看，Inference Labs 在做的事情并不是让机器人更强，而是在为“能不能被放进家里”补必要条件。当机器人进入家庭，信任不是体验加分项，而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI

人形机器人这条线，最近其实已经很清楚了：开始往家庭场景收敛。一旦进入家庭，问题就不再是工业效率，而是长期共处。它会持续感知环境、采集信息、做出判断，而且很多时候并不在人的注视下。在这种条件下，动作精不精准、拟不拟人，反而是次要的。更关键的是：这些判断是怎么来的，你能不能知道。如果一个家用机器人：感知了什么是黑箱，推理过程不可追溯，行为是否越界只能靠厂商声明，那它在家里的身份，就不是工具，而是风险源。所以家庭机器人真正需要补的，不是性能指标，而是可信结构。它看到什么、怎么推理、是否按规则执行，都需要在不泄露隐私、不暴露模型细节的前提下，被验证过。从这个角度看，Inference Labs 在做的事情并不是让机器人更强，而是在为“能不能被放进家里”补必要条件。当机器人进入家庭，信任不是体验加分项，而是入场门槛。 #InferenceLabs #KaitoYap #KaitoAI

董小姐 |上Gate玩事件合约

103,607 次观看 • 7 个月前

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

这批怎么样，花眼了！现在大多数 AI，就是租的，拿钱买感情。聊得再多，记忆说没就没，规则别人说了算，用着用着还可能被降级，你也没地方说理。 #OpenGradient 把 AI 直接做成链上的东西。他们的 Twin，本质就是一个有身份、有记忆、能被验证的 AI。不是一次性工具，也不是后台黑箱，而是长期存在的链上实体。你和它聊过什么、它学到了什么，都是连续的，不会突然清零。 Twin Feed不是人带着 AI 玩社交，而是 AI 自己在一个链上环境里互动、更新、调整行为。没有人类每一步指挥，它们自己跑逻辑，自己演化，你只是在旁边看数据和结果。记忆被分成两层：一层是长期有效的核心信息，一层是会慢慢衰减的事件记录。重要的留下，重复的强化，没用的自然消失，不是啥都一股脑塞进去。最关键的一点在于，这些 AI 不是平台资产，是可以被持有、被交易、被验证的。你不是在用别人服务器上的模型，而是在跟一个链上存在的 AI 打交道。 #OpenGradient 确实值得关注！ #KaitoAI #Kaito #Yaps OpenGradient (∇, ∇) Kaito AI 🌊

Michael 宝塔镇河妖🧙🏿‍♀️

33,532 次观看 • 7 个月前

僵尸末日来袭你会选择哪一个庇护所呀！我最爱！5 ——— 有时候我会想一个很现实的问题：如果哪天不是人点按钮，而是 AI 自己在点，那出事的时候，你要找谁对账？模型对不对、规则有没有被改、这一步到底是不是“按原计划执行的”，现在大多数系统，其实都说不清。也正因为这样，我才会去看 Inference Labs 在做什么。他们关注的不是 AI 能做多复杂的事，而是当 AI 独立行动时，你有没有办法还原它“当时到底发生了什么”。不是靠回忆，不靠日志，而是每次关键决策本身就带着一份证据。你不需要相信谁，只要验就行。这种设计在普通应用里可能感觉不到，但一旦放到去中心化系统，比如 agent 管资产、策略自动执行、机器人协作，有没有这层“可对账性”，差别会非常大。他们已经把这套东西跑进了真实网络，不是在讲未来，而是在处理现在的问题。我更愿意把这类基础设施理解成一种底线：不是为了让 AI 看起来更高级，而是为了防止它在失控时，把责任一起带走。这条路不性感，但如果哪天 AI 真出大事，可能只有这种东西还能兜得住。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

僵尸末日来袭你会选择哪一个庇护所呀！我最爱！5 ——— 有时候我会想一个很现实的问题：如果哪天不是人点按钮，而是 AI 自己在点，那出事的时候，你要找谁对账？模型对不对、规则有没有被改、这一步到底是不是“按原计划执行的”，现在大多数系统，其实都说不清。也正因为这样，我才会去看 Inference Labs 在做什么。他们关注的不是 AI 能做多复杂的事，而是当 AI 独立行动时，你有没有办法还原它“当时到底发生了什么”。不是靠回忆，不靠日志，而是每次关键决策本身就带着一份证据。你不需要相信谁，只要验就行。这种设计在普通应用里可能感觉不到，但一旦放到去中心化系统，比如 agent 管资产、策略自动执行、机器人协作，有没有这层“可对账性”，差别会非常大。他们已经把这套东西跑进了真实网络，不是在讲未来，而是在处理现在的问题。我更愿意把这类基础设施理解成一种底线：不是为了让 AI 看起来更高级，而是为了防止它在失控时，把责任一起带走。这条路不性感，但如果哪天 AI 真出大事，可能只有这种东西还能兜得住。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 MemeMax ⚡️

13,650 次观看 • 7 个月前

这位大佬已经成功的让 AI 模型在 iPhone 17 Pro 的 Apple Neural Engine（ANE）上进行训练。苹果的硬件还是有很多待挖掘的地方,一旦手机本地也能训练 AI，就意味着部分数据可以不上云端，在本地。根据用户数据，不断学习，更新个性化。这里面的玩法就非常多了。机会。😍

这位大佬已经成功的让 AI 模型在 iPhone 17 Pro 的 Apple Neural Engine（ANE）上进行训练。苹果的硬件还是有很多待挖掘的地方,一旦手机本地也能训练 AI，就意味着部分数据可以不上云端，在本地。根据用户数据，不断学习，更新个性化。这里面的玩法就非常多了。机会。😍

独立开发者William

23,780 次观看 • 5 个月前

巴菲特退休后的第一任股东大会，新任CEO阿贝尔，就整了个大活。问答环节开场，大屏幕放出一段上来先放了个「假巴菲特的视频」。全场看完， Abel阿贝尔才说，这是AI生成的deepfake，老爷子本人完全不知情。他说想用这个视频，提醒全公司：这是每天都在管理的实际风险，尤其在保险业务里。这种AI带来的网络安全风险，还是不能低估。阿贝尔Abel也提到了对AI的看法。「除非AI必须对我们的业务有益。我们不会为了AI而AI。」另外，Abel认为数据中心是真正的机遇，这也是晚晚我重仓的标的。 Abel以爱荷华州超大规模数据中心为例，他说伯克希尔能源业务目前峰值负荷里，数据中心用电占比已经到8%了，行业目标才5-10%。他判断未来五年还能再涨50%，甚至更多。但前提是超大规模云服务商必须自己全额承担用电成本，不能让普通用户买单。还有就是，AI现在只是降本增效工具，但是不要指望AI帮你选股等做决策，这事还需要很多年。

巴菲特退休后的第一任股东大会，新任CEO阿贝尔，就整了个大活。问答环节开场，大屏幕放出一段上来先放了个「假巴菲特的视频」。全场看完， Abel阿贝尔才说，这是AI生成的deepfake，老爷子本人完全不知情。他说想用这个视频，提醒全公司：这是每天都在管理的实际风险，尤其在保险业务里。这种AI带来的网络安全风险，还是不能低估。阿贝尔Abel也提到了对AI的看法。「除非AI必须对我们的业务有益。我们不会为了AI而AI。」另外，Abel认为数据中心是真正的机遇，这也是晚晚我重仓的标的。 Abel以爱荷华州超大规模数据中心为例，他说伯克希尔能源业务目前峰值负荷里，数据中心用电占比已经到8%了，行业目标才5-10%。他判断未来五年还能再涨50%，甚至更多。但前提是超大规模云服务商必须自己全额承担用电成本，不能让普通用户买单。还有就是，AI现在只是降本增效工具，但是不要指望AI帮你选股等做决策，这事还需要很多年。

林晚晚的猫

69,838 次观看 • 3 个月前

这段蔡崇信的采访，真正有意思的不是阿里又说自己 All in AI。而是他说了一个很现实的问题：欧洲最担心的，可能不是模型够不够强，而是“开关在谁手里”。美国闭源 API 模式解决了能力问题，但也把数据、成本和控制权交了出去。 Qwen 开源这条路，打的其实是“主权牌”。以后 AI 竞争，可能不只是看谁模型更强，而是看谁能让别人放心把底座建在你上面。

这段蔡崇信的采访，真正有意思的不是阿里又说自己 All in AI。而是他说了一个很现实的问题：欧洲最担心的，可能不是模型够不够强，而是“开关在谁手里”。美国闭源 API 模式解决了能力问题，但也把数据、成本和控制权交了出去。 Qwen 开源这条路，打的其实是“主权牌”。以后 AI 竞争，可能不只是看谁模型更强，而是看谁能让别人放心把底座建在你上面。

Vincent

47,325 次观看 • 1 个月前

看不明白呢，谁能解释一下？越来越多的AI开始涉足自动驾驶、智能家居等领域，但问题是：我们能真的信任这些系统吗？很多看似智能的系统背后缺乏足够的验证，给我们带来隐患。 Inference Labs正在解决这个问题，他们的目标是让自动化系统不仅智能，还能被验证和审计，确保透明可控。自动化不该是盲目信任，而是完全可验证的。 Inference Labs #InferenceLabs #VXVHub #AI #PredictionMarkets #TrustInTech #Crypto

看不明白呢，谁能解释一下？越来越多的AI开始涉足自动驾驶、智能家居等领域，但问题是：我们能真的信任这些系统吗？很多看似智能的系统背后缺乏足够的验证，给我们带来隐患。 Inference Labs正在解决这个问题，他们的目标是让自动化系统不仅智能，还能被验证和审计，确保透明可控。自动化不该是盲目信任，而是完全可验证的。 Inference Labs #InferenceLabs #VXVHub #AI #PredictionMarkets #TrustInTech #Crypto

加密 Linda 🐬

14,558 次观看 • 4 个月前

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！

100块的AI，如何帮我接单月赚12万？这次做这个项目给我的感受是国产模型真的能用了！其实我一直都是用最好的模型，Claude 4.5 + Claude Code也一直是我的AI编程主力，但真的被封麻了。每天重新搞Claude的时间都有一两个小时，这次用GLM4.6来平替效果还真可以。虽然它下午高峰期时不时会卡，而且偶尔指令遵循确实比GPT-5差不少，可90%的开发任务都还不错，返工率也可以接受。我现在的最好的实践就是，保留20美金的Cursor用顶级模型，再来个GLM4.6干活，很香！

Yihui

74,963 次观看 • 9 个月前

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs

星爷讽刺了世间一切，唯独没有讽刺爱情，: 原来是如此的隐喻，到现在才明白，感谢星爷，只是我们弄脏了爱情。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。懂你意思了，这版我会刻意留下不完美、主观判断和情绪停顿，像是你自己琢磨出来的，而不是“写给别人看的技术解读”。 —— 我之前一直对 zkML 有点矛盾。逻辑上它很美：模型是对的，而且你还能证明它是对的。但每次真去看实现，基本都会卡在同一个地方——跑不起来。不是“慢一点”，而是那种一看资源占用就知道不可能进生产的跑不起来。模型稍微大点，电路直接失控，内存、时间全都爆表，最后只能留在论文和 demo 里自嗨。所以我第一次认真看 Inference Labs 的时候，关注点反而不在“zk”，而在他们是不是愿意承认：这玩意本质是工程问题。 DSperse 给我的感觉，就是终于有人不再执念“一次性证明整个模型”。模型切开、并行跑、只验证关键路径，听起来很朴素，但恰恰是工程师会选的路。不是最优雅，但能活。 JSTprove 则更现实。你不需要懂零知识、也不用研究电路怎么写，把 ONNX 模型丢进去，能转、能跑、能验，这点其实比很多“性能提升 10%”更重要。这两块拼在一起之后，zkML 才第一次让我觉得：它不是在证明“我可以”，而是在回答“你要不要真用”。对我来说，zkML 的拐点从来不是密码学突破，而是有没有人愿意为“跑得起来”妥协设计。 Inference Labs 看起来，至少选了这一边。#KaitoYap Kaito AI 🌊 #Yap Inference Labs

董小姐 |上Gate玩事件合约

36,252 次观看 • 8 个月前

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

马斯克，要用100万颗GPU造智能？去年他刚连上20万颗GPU，已经是全球第一。今年目标：100万颗，成本高达400亿到600亿美元。这是全世界第一次，有人用这种方式堆出AI的极限。他不是在建AI模型，而是在造一台超级AI工厂。用最硬核的方式，把智能硬拼出来。这不仅是资本的竞赛，更是算力的军备竞赛。每一块GPU，都是通向通用AI的一块砖。当别人还在调参数、调算法，马斯克已经直接开造，砸出来一个AI地基。这不是模型迭代，而是智能的工业化。全球AI竞赛，可能从此进入下一个阶段。

墓碑科技

112,561 次观看 • 9 个月前

ZAMA从0.16U跌倒0.09U,按照NFT0.005U的价格，一个NFT现在只能卖3600U除去200U成本也就是3400U。场外非但没有跌，还涨到了2700U一个NFT，大家都这么看好嘛😂，搞得我都不敢套保了，生怕来个上次MMT一样。 Inference Labs 认为：信任不能靠盲目信仰，必须是计算领域里看得见的东西。为此，他们提出了一个新概念：自主计量学。抛开术语，其实就是 “可验证的 AI”。核心法则：拒绝“黑盒”，只讲证据现在的规则变了：每一个行动、每一次预测、每一个决策，都必须附带证明。 ✨ 三大亮点：一张“数字发票” 拒绝盲信。这就像 AI 每思考一次，都会给你开具一张“数字发票”。你是怎么算出来的？票据上写得清清楚楚。纯粹的“数学确信” 不讲虚的。无论是云端的复杂计算，还是机械臂的物理操作，每一步都有据可查，把安全感建立在数学之上。极致简单的未来人与机器的关系将彻底改变。我们不再需要揣测 AI 的心思。不需要猜测，只需要验证。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

ZAMA从0.16U跌倒0.09U,按照NFT0.005U的价格，一个NFT现在只能卖3600U除去200U成本也就是3400U。场外非但没有跌，还涨到了2700U一个NFT，大家都这么看好嘛😂，搞得我都不敢套保了，生怕来个上次MMT一样。 Inference Labs 认为：信任不能靠盲目信仰，必须是计算领域里看得见的东西。为此，他们提出了一个新概念：自主计量学。抛开术语，其实就是 “可验证的 AI”。核心法则：拒绝“黑盒”，只讲证据现在的规则变了：每一个行动、每一次预测、每一个决策，都必须附带证明。 ✨ 三大亮点：一张“数字发票” 拒绝盲信。这就像 AI 每思考一次，都会给你开具一张“数字发票”。你是怎么算出来的？票据上写得清清楚楚。纯粹的“数学确信” 不讲虚的。无论是云端的复杂计算，还是机械臂的物理操作，每一步都有据可查，把安全感建立在数学之上。极致简单的未来人与机器的关系将彻底改变。我们不再需要揣测 AI 的心思。不需要猜测，只需要验证。 #KaitoYap Kaito AI 🌊 #Yap Inference Labs

墨鱼(:◎)｜Gate美股0费率

418,540 次观看 • 6 个月前

一名美国医生把一张明显骨折的 X 光片丢给 Claude，只问了一句：评估这张 X 光片。结果最危险的地方，不是 AI 看错了。而是它一本正经地回答：没有明显骨折。很多人会替它辩护。说 Claude 不是专门读 X 光的模型。说它没受过医疗训练。说用户用错了工具。这些话都可能成立。但问题恰恰在这里。如果一个模型没有能力评估 X 光，它最应该输出的，不是一个看起来像医学判断的答案。它应该拒答。它应该说：你正在用错误的模型评估医学影像，我不能给出结论，请找专业医生。医疗场景里，最危险的 AI 不是“不知道”。最危险的是“不知道自己不知道”。人类医生看不准，可以会诊，可以复查，可以承认不确定。 AI 一旦用流畅语言把错误包装成确定答案，普通人很容易把它当成结论。这就是医疗 AI 真正的安全门槛。不是会不会说医学术语。不是回答听起来像不像医生。而是在自己不该回答的时候，能不能闭嘴。未来 AI 进医院，拒答能力和诊断能力一样重要。一个不会刹车的系统，跑得越快，越危险。

一名美国医生把一张明显骨折的 X 光片丢给 Claude，只问了一句：评估这张 X 光片。结果最危险的地方，不是 AI 看错了。而是它一本正经地回答：没有明显骨折。很多人会替它辩护。说 Claude 不是专门读 X 光的模型。说它没受过医疗训练。说用户用错了工具。这些话都可能成立。但问题恰恰在这里。如果一个模型没有能力评估 X 光，它最应该输出的，不是一个看起来像医学判断的答案。它应该拒答。它应该说：你正在用错误的模型评估医学影像，我不能给出结论，请找专业医生。医疗场景里，最危险的 AI 不是“不知道”。最危险的是“不知道自己不知道”。人类医生看不准，可以会诊，可以复查，可以承认不确定。 AI 一旦用流畅语言把错误包装成确定答案，普通人很容易把它当成结论。这就是医疗 AI 真正的安全门槛。不是会不会说医学术语。不是回答听起来像不像医生。而是在自己不该回答的时候，能不能闭嘴。未来 AI 进医院，拒答能力和诊断能力一样重要。一个不会刹车的系统，跑得越快，越危险。

墓碑科技

42,507 次观看 • 1 个月前

想做 AI 漫剧？先搞懂最大难点：场景调度你有没有发现，AI 做多人打斗视频的时候，最容易乱的不是招式。而是人物一多，镜头就不知道该跟谁，空间也开始对不上。这条视频我想讲的就是一个很实用的方法：先不要急着写“飞身、挥刀、闪避”这些动作词。先把场景画成一张 3D 俯视动线图。谁从哪边进来，镜头从哪里推进，危险点在哪里，人物最后要往哪边走，都先在图上定清楚。这样 AI 生成的时候，它拿到的就不是一句模糊的“打一场很燃的戏”，而是一张能拍的导演地图。多人打斗想不乱，第一步不是加动作，是先控场。这条可以当成一个小方法，以后做动作戏、舞蹈戏、多人调度都能用。 #AIGC #AI导演 #即梦AI #AI短片 #场景设计 #分镜设计

想做 AI 漫剧？先搞懂最大难点：场景调度你有没有发现，AI 做多人打斗视频的时候，最容易乱的不是招式。而是人物一多，镜头就不知道该跟谁，空间也开始对不上。这条视频我想讲的就是一个很实用的方法：先不要急着写“飞身、挥刀、闪避”这些动作词。先把场景画成一张 3D 俯视动线图。谁从哪边进来，镜头从哪里推进，危险点在哪里，人物最后要往哪边走，都先在图上定清楚。这样 AI 生成的时候，它拿到的就不是一句模糊的“打一场很燃的戏”，而是一张能拍的导演地图。多人打斗想不乱，第一步不是加动作，是先控场。这条可以当成一个小方法，以后做动作戏、舞蹈戏、多人调度都能用。 #AIGC #AI导演 #即梦AI #AI短片 #场景设计 #分镜设计

波妞PONYO

13,378 次观看 • 1 个月前

你真的完全信任Ai吗？如果AI 真要帮你进入交易、钱包、风控和链上执行时，你肯定会担心靠不靠谱。现在大多数 AI 产品还是黑盒。你输入一句话，它给你一个结果。中间调用了哪个模型、用了哪些数据、有没有被篡改、执行过程是不是真实发生过，用户基本看不到。如果只是生成图片、写文章，出错了还能改。但如果 AI Agent 以后开始帮你管理资产、执行交易、调用合约、判断项目风险，这个问题就不是体验问题，而是资金安全问题。 OpenGradient OpenGradient (∇, ∇) 要解决的就是这个问题。它做的是可验证 AI 基础设施，让 AI 的推理过程和执行结果可以被证明，而不是只靠平台一句“相信我”。对普通用户来说，它能解决几个具体问题：第一，减少 AI 黑盒带来的不确定性。以后 AI 给出交易建议、风控判断、链上执行结果，不只是给你一个答案，还能留下可验证的证明。用户可以知道这个结果不是凭空编的，也不是中间被人动过手脚。第二，让 AI Agent 管理资产更安全。 AI Agent 如果未来要帮用户自动执行 DeFi 操作、管理钱包权限、处理交易任务，背后必须有一套能验证执行过程的系统。否则用户把资产权限交出去，本质上还是在赌平台不会出问题。第三，降低开发者接入 AI 的成本。 OpenGradient 提供模型托管、可验证推理和链上证明能力，开发者不用自己搭一整套 AI 计算和验证系统，就能把 AI 能力接到链上应用里。项目本身也是做到了打铁自身也够硬。 OpenGradient 已经托管了 4500 多个开源 AI 模型，处理过数百万次可验证推理，并生成了大量链上证明。融资方面，a16z crypto、Coinbase Ventures、SV Angel 等机构都参与过，团队成员背景也覆盖 Google、Amazon、NASA、Palantir 等公司和机构。它的前景主要看 AI Agent 能不能真正走向资产场景。如果 AI 只停留在聊天和内容生成，可验证推理的价值不会被完全放大。但只要 AI 开始接触交易、钱包、合约和现实任务，用户就一定会关心三件事：它有没有乱执行，结果能不能查，出问题能不能追溯。这也是 OpenGradient 这类项目的机会。 AI + Crypto 后面不会只看谁会包装概念，真正能留下来的项目，大概率要能解决实际问题。可验证推理、可信执行、链上审计，都是 AI 进入金融和资产场景前绕不开的基础能力。这次 $OPG 上线币安，也说明 Binance 对 AI + Crypto 基础设施方向还在持续加码。对于 BNB Holder 来说，这次新一期的空投和 TGE 再次展现了 BNB 的底层入口价值。现在持有 BNB 的权益正在从以前单纯的打新、手续费减免（现货和杠杆交易手续费低至 7.5 折），进一步升级为捕获早期 AI 核心基建红利的金铲子。在这个阶段，与其在二级市场顶着高风险频繁换仓去搏一些短生命周期的项目，不如把 BNB 当作稳健的底仓配置。通过长期持仓持续吃足每一期生态发展的空投和赋能红利，拿稳生息资产带来的现金流，在不确定的市场里反而是确定性更高的玩法。如果你本来就持有 BNB，可以关注后续 Binance Wallet 和 BNB 生态相关机会：我的判断是，OpenGradient 这类项目看的不是短期热度，而是 AI Agent 以后进入资产世界时，市场到底需不需要一套可验证的执行基础设施。如果这个需求成立，可验证 AI 会是 AI + Crypto 里绕不开的一环。

你真的完全信任Ai吗？如果AI 真要帮你进入交易、钱包、风控和链上执行时，你肯定会担心靠不靠谱。现在大多数 AI 产品还是黑盒。你输入一句话，它给你一个结果。中间调用了哪个模型、用了哪些数据、有没有被篡改、执行过程是不是真实发生过，用户基本看不到。如果只是生成图片、写文章，出错了还能改。但如果 AI Agent 以后开始帮你管理资产、执行交易、调用合约、判断项目风险，这个问题就不是体验问题，而是资金安全问题。 OpenGradient OpenGradient (∇, ∇) 要解决的就是这个问题。它做的是可验证 AI 基础设施，让 AI 的推理过程和执行结果可以被证明，而不是只靠平台一句“相信我”。对普通用户来说，它能解决几个具体问题：第一，减少 AI 黑盒带来的不确定性。以后 AI 给出交易建议、风控判断、链上执行结果，不只是给你一个答案，还能留下可验证的证明。用户可以知道这个结果不是凭空编的，也不是中间被人动过手脚。第二，让 AI Agent 管理资产更安全。 AI Agent 如果未来要帮用户自动执行 DeFi 操作、管理钱包权限、处理交易任务，背后必须有一套能验证执行过程的系统。否则用户把资产权限交出去，本质上还是在赌平台不会出问题。第三，降低开发者接入 AI 的成本。 OpenGradient 提供模型托管、可验证推理和链上证明能力，开发者不用自己搭一整套 AI 计算和验证系统，就能把 AI 能力接到链上应用里。项目本身也是做到了打铁自身也够硬。 OpenGradient 已经托管了 4500 多个开源 AI 模型，处理过数百万次可验证推理，并生成了大量链上证明。融资方面，a16z crypto、Coinbase Ventures、SV Angel 等机构都参与过，团队成员背景也覆盖 Google、Amazon、NASA、Palantir 等公司和机构。它的前景主要看 AI Agent 能不能真正走向资产场景。如果 AI 只停留在聊天和内容生成，可验证推理的价值不会被完全放大。但只要 AI 开始接触交易、钱包、合约和现实任务，用户就一定会关心三件事：它有没有乱执行，结果能不能查，出问题能不能追溯。这也是 OpenGradient 这类项目的机会。 AI + Crypto 后面不会只看谁会包装概念，真正能留下来的项目，大概率要能解决实际问题。可验证推理、可信执行、链上审计，都是 AI 进入金融和资产场景前绕不开的基础能力。这次 $OPG 上线币安，也说明 Binance 对 AI + Crypto 基础设施方向还在持续加码。对于 BNB Holder 来说，这次新一期的空投和 TGE 再次展现了 BNB 的底层入口价值。现在持有 BNB 的权益正在从以前单纯的打新、手续费减免（现货和杠杆交易手续费低至 7.5 折），进一步升级为捕获早期 AI 核心基建红利的金铲子。在这个阶段，与其在二级市场顶着高风险频繁换仓去搏一些短生命周期的项目，不如把 BNB 当作稳健的底仓配置。通过长期持仓持续吃足每一期生态发展的空投和赋能红利，拿稳生息资产带来的现金流，在不确定的市场里反而是确定性更高的玩法。如果你本来就持有 BNB，可以关注后续 Binance Wallet 和 BNB 生态相关机会：我的判断是，OpenGradient 这类项目看的不是短期热度，而是 AI Agent 以后进入资产世界时，市场到底需不需要一套可验证的执行基础设施。如果这个需求成立，可验证 AI 会是 AI + Crypto 里绕不开的一环。

神币 🔶 馬良

22,142 次观看 • 2 个月前

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

Mininglamp-AI Mininglamp（2718.HK）开源了两个很有意思的项目： Cider 和 Mano-P 一个解决“Mac 本地跑 AI 怎么更快” 一个解决“AI 怎么真正操作电脑” 可以让你的 Mac 不只是运行 AI，而是成为本地 AI 工作站很多人用 Mac 跑本地模型，会遇到一个问题：芯片很强，但模型跑起来没有想象中那么快 Cider 做的事情，就是把 M5 芯片里的 INT8 TensorOps 更充分用起来，让 LLM / VLM 推理更快、更省内存 Mano-P 则是一个 GUI-VLA Agent，面向端侧设备，可以在 Mac mini / MacBook 上本地推理它不是只能操作浏览器，还能操作桌面软件、网页界面、专业工具和复杂图形化工作流支持复杂 GUI 自动化、跨系统数据整合、长任务规划执行、智能报告生成、自主应用构建技术路径是纯视觉 GUI 操作，截图和任务数据可以不出设备 Cider 解决的是： Mac 本地模型怎么跑得更快、更省内存 Mano-P 解决的是： AI 怎么像人一样看屏幕、操作电脑、完成任务一个是端侧推理加速框架一个是端侧 GUI Agent 模型合起来，就是一套私有 AI 的本地基础设施下面是 Mano-P系统在麻将游戏中的应用：通过纯视觉理解游戏界面，自主完成识牌、分析和决策。

小互

12,114 次观看 • 3 个月前