AI na łańcuchu nie zawodzi, ponieważ modele są słabe.

Zawodzi, ponieważ założenia dotyczące infrastruktury nie są już spełnione.

Początkowe eksperymenty z AI na łańcuchu były na tyle małe, że mieściły się w istniejących systemach. Kilka modeli. Ograniczone zbiory danych. Okazjonalne wnioskowania. Ten etap wywołał iluzję, że warstwy danych blockchainu były „dostateczne.”

Nie są już takie.

Gdy przypadki użycia AI zaczynają się poważnie przenosić na łańcuch, dane przestają być skutkiem ubocznym i stają się kluczowym elementem zależności. To właśnie w tym momencie zaczyna mieć znaczenie Walrus WAL.

Systemy AI nie generują małych danych

Większość aplikacji on-chain zapisuje stosunkowo kompaktowe dane.

AI nie robi tego.

Zbiory danych do szkolenia są duże.
Wyniki wnioskowania kumulują się.
Aktualizacje modelu trwają.
Artefakty weryfikacyjne pozostają.

Nawet gdy modele działają poza łańcuchem, dane potrzebne do weryfikacji zachowania, pochodzenia i poprawności wciąż rosną. Te dane muszą pozostać dostępne długo po zakończeniu wykonania.

Jeśli tak się nie stanie, system przestaje być weryfikowalny i cicho staje się oparty na zaufaniu.

Dlaczego tradycyjne łańcuchy mają problemy z obciążeniami AI

Łańcuchy blokowe skoncentrowane na wykonaniu nigdy nie były zaprojektowane, aby unieść tego rodzaju ciężar.

Stan rośnie.
Historia się kumuluje.
Wymagania dotyczące węzłów rosną.
Udział się zawęża.

Nic nie psuje się od razu. Ale z czasem coraz mniej uczestników może realistycznie przechowywać lub weryfikować dane związane z AI. Dostęp przesuwa się w kierunku indeksatorów, archiwów i zaufanych dostawców.

W tym momencie, "on-chain AI" wciąż istnieje, ale jego model zaufania już się zmienił.

AI czyni dostępność danych kwestią bezpieczeństwa

Dla systemów AI, dostępność danych nie dotyczy tylko przechowywania.

Chodzi o:
Reprodukowalność
Audytowalność
Rozwiązywanie sporów
Odpowiedzialność modelu

Jeśli dane szkoleniowe lub rekordy wnioskowania nie mogą być niezależnie odzyskane, twierdzenia dotyczące zachowania AI stają się nieweryfikowalne. To nie jest problem wydajności. To problem bezpieczeństwa.

Dlatego systemy o dużym obciążeniu AI wzmacniają słabości, które inne aplikacje czasami mogą ignorować.

Walrus traktuje dane jako długoterminowy obowiązek

Walrus zaczyna od prostego założenia.

Dane przetrwają obliczenia.

Nie wykonuje modeli.
Nie zarządza stanem.
Nie goni za przepustowością.

Istnieje, aby zapewnić, że dane pozostają dostępne, weryfikowalne i przystępne w czasie, nawet gdy wolumeny rosną, a uwaga maleje.

To powściągnięcie jest dokładnie tym, czego potrzebują systemy napędzane AI.

Wspólna odpowiedzialność skaluje się lepiej niż replikacja

Większość systemów przechowywania opiera się na replikacji.

Wszyscy przechowują wszystko.
Redundancja wydaje się bezpieczna.
Koszty cicho eksplodują.

Obciążenia AI szybko czynią to nieodpowiedzialnym.

Walrus przyjmuje inne podejście. Dane są dzielone, odpowiedzialność jest rozproszona, a dostępność przetrwa częściową awarię. Żaden pojedynczy operator nie staje się krytyczną infrastrukturą z automatu.

Zachęty WAL nagradzają niezawodność i czas pracy, a nie gromadzenie pojemności. To utrzymuje koszty związane z samym wzrostem danych, a nie mnożone w całej sieci.

Dlaczego unikanie wykonania ma znaczenie dla AI

Warstwy wykonawcze kumulują ukryty dług przechowywania.

Dzienniki rosną.
Stan się rozszerza.
Wymagania dryfują w górę.

Każdy system danych związany z wykonaniem automatycznie dziedziczy ten dług.

Walrus unika tego całkowicie, odmawiając wykonania czegokolwiek. Dane wchodzą. Dostępność jest udowodniona. Obowiązki nie mutują później.

Dla przypadków użycia AI, które generują trwałe zbiory danych, ta przewidywalność jest niezbędna.

Systemy AI z natury są długowieczne

Modele ewoluują.
Aplikacje się zmieniają.
Interfejsy są zastępowane.

Dane pozostają.

Historia szkolenia ma znaczenie.
Rekordy wnioskowania mają znaczenie.
Stare wyniki są ponownie badane.

Najtrudniejszym czasem dla infrastruktury AI nie jest uruchomienie. To lata później, gdy wolumeny danych są ogromne, a zachęty są skromne.

Walrus jest zbudowany na ten etap, a nie na pokazy.

Dlaczego to się teraz pojawia

AI on-chain przechodzi od nowości do infrastruktury.

Więcej projektów zdaje sobie sprawę, że:
Weryfikacja zależy od danych historycznych
Zaufanie zależy od dostępności
Koszty muszą pozostać przewidywalne
Dane muszą przetrwać cykle hype'u

Dlatego Walrus zyskuje na znaczeniu obok przypadków użycia AI. Obsługuje tę jedną część stosu, która cicho decyduje, czy te systemy pozostają minimalizujące zaufanie w czasie.

Ostatnia myśl.

AI on-chain nie potrzebuje szybszego wykonania tak bardzo, jak potrzebuje trwałej pamięci.

Jeśli dane znikają, systemy AI przestają być odpowiedzialne.
Jeśli dostępność się centralizuje, zaufanie podąża.

Walrus WAL ma znaczenie, ponieważ traktuje dane AI jako infrastrukturę, a nie odpady.

Ponieważ AI przesuwa wolumeny danych blockchain w nowy reżim, to rozróżnienie przestaje być opcjonalne.

@Walrus 🦭/acc #walrus #Walrus $WAL