Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

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 просмотров • 4 месяцев назад •via X (Twitter)

Новости и политика Образование Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

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 просмотров • 4 месяцев назад

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 просмотров • 5 месяцев назад

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 просмотров • 7 месяцев назад

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 просмотров • 7 месяцев назад

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

Michael 宝塔镇河妖🧙🏿‍♀️

11,822 просмотров • 5 месяцев назад

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 просмотров • 7 месяцев назад

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 просмотров • 7 месяцев назад

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🧙🏿‍♀️

33,563 просмотров • 7 месяцев назад

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 просмотров • 8 месяцев назад

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 просмотров • 5 месяцев назад

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 просмотров • 3 месяцев назад

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 просмотров • 9 месяцев назад

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

47,327 просмотров • 2 месяцев назад

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 просмотров • 4 месяцев назад

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 просмотров • 8 месяцев назад

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 просмотров • 9 месяцев назад

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(:◎)

418,662 просмотров • 7 месяцев назад

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 просмотров • 1 месяц назад

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

你看视频，开头是不是用 AI 做的特效，再看看人家粉丝数和收益，你就知道大多数人用 AI 整天不知道在干吗。有的人把 AI 当赚钱工具有的人把 AI 当新型娱乐工具，还套了一个「我研究 AI 为了不被时代淘汰」的幌子。 1 个一分钟不到的视频，70 万金额（实际会更多，因为这是已结算的数据），我们算 5% 的佣金，35000 元而很多人还在用 AI 去薅什么流量分成计划，什么流量主，这难道不是一个认知和能力的问题吗？

U哥

11,099 просмотров • 1 месяц назад

AI会永远对你撒谎。这不是bug，是数学定律。我，卡内基梅隆大学的数学学生，用数学告诉你为什么。所有语言模型，只做一件事：根据它读过的所有资料，预测下一个最有可能的词。但这里有个死结。模型的猜测，我们叫它q(x)。真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。它们之间，永远有一道鸿沟。有个数学公式，就是用来测量这道鸿沟的。只要模型不能完美预测下一个词它永远不能那这个鸿沟就永远不会是零。所以，当AI不知道真相的时候会发生什么？它不能停机，它必须给你一个答案。它只能硬着头皮，输出一个它认为“最像”答案的答案。哪怕那是错的。这就是“幻觉”。一个基于不完整信息，却无比自信的猜测。最要命的是，数学甚至给出了一个下限。就算最完美的模型，它的幻觉率也永远不可能低于这个数字。只要它不知道关于这个世界的一切它永远不可能知道。它就总会有概率，编造事实。所以，无论AI变得多强大，它都会撒谎。因为数学就是这么写的。

AI会永远对你撒谎。这不是bug，是数学定律。我，卡内基梅隆大学的数学学生，用数学告诉你为什么。所有语言模型，只做一件事：根据它读过的所有资料，预测下一个最有可能的词。但这里有个死结。模型的猜测，我们叫它q(x)。真实世界的概率，我们叫它p(x)。 q(x)永远不可能等于p(x)。它们之间，永远有一道鸿沟。有个数学公式，就是用来测量这道鸿沟的。只要模型不能完美预测下一个词它永远不能那这个鸿沟就永远不会是零。所以，当AI不知道真相的时候会发生什么？它不能停机，它必须给你一个答案。它只能硬着头皮，输出一个它认为“最像”答案的答案。哪怕那是错的。这就是“幻觉”。一个基于不完整信息，却无比自信的猜测。最要命的是，数学甚至给出了一个下限。就算最完美的模型，它的幻觉率也永远不可能低于这个数字。只要它不知道关于这个世界的一切它永远不可能知道。它就总会有概率，编造事实。所以，无论AI变得多强大，它都会撒谎。因为数学就是这么写的。

墓碑科技

73,645 просмотров • 7 месяцев назад