मुझे लगता है कि पर्टर्ब का दृष्टिकोण समझ में आता है, लेकिन लोग जिन सामान्य "डिसेंट्रलाइज्ड एआई" कारणों का जिक्र करते हैं, उनके लिए नहीं। जैसे-जैसे मॉडल अधिक क्षमतावान होते जा रहे हैं और एजेंट कम मानव निगरानी के साथ कार्य करने लग रहे हैं, एआई सुरक्षा एक बहुत बड़ी समस्या बनती जा रही है। और यहीं पर @perturbaix का संरचनात्मक लाभ है। अधिकांश रेड टीमिंग अभी भी आंतरिक रूप से या स्थिर ओपन-सोर्स टूल्स के साथ की जाती है। पर्टर्ब विरोधी हमलों की खोज को एक निरंतर, प्रोत्साहित प्रतियोगिता में बदल देता है, और फिर उन खोजों का उपयोग वास्तविक मॉडल प्रशिक्षण के लिए करता है। समस्या यह है कि हमलों की खोज करना और उन्हें कुछऐसा बनाना, जिसके लिए कंपनियाँ भुगतान करें, दो अलग-अलग चीजें हैं। भले ही माइनर्स मजबूत विरोधी उदाहरणों का उत्पादन करते रहें, सच्चा सवाल यह है कि क्या उद्योग परिणामी स्कोर, डेटासेट्स, और प्रमाणपत्रों को पर्याप्त विश्वसनीय मानेंगे ताकि उन पर कार्रवाई की जा सके। निरंतर स्कैनिंग + हार्डनिंग के साथ एक वास्तविक उत्पाद में संक्रमण करने से उन्हें उस वितरण परत परअधिक नियंत्रण प्राप्त हो सकता है। हम प्रसुप्ति (subnet) के परिपक्व होने को भी देख रहे हैं (स्कैनिंग + प्रशिक्षण सक्रिय, उत्पाद प्रावस्था प्रारंभ)। लेकिन मैं प्रसुप्ति (subnet) की सक्रियता को प्रमाण के रूप में मत समझूंगा कि व्यावसायिक मॉडल काम करता है। शुद्ध शोध मोड से बाहर निकलने का मतलब है कि पर्टर्ब को सिर्फ प्रकटीकरण (emissions) पर निर्भर किएबिना, मांग और आय पैदा करने में सक्षम होना होगा। मेरी समझ है कि अगले कुछ सालों में, निरंतर, बाहरीविरोधीदबाव, मॉडल प्रदर्शन के समान ही महत्वपूर्ण हो सकता है। अगर पर्टर्बइसेउत्पादीकृतकरसके,बिनाइसकेआउटपुटकेमुख्यतःप्रसुप्ति(subnet)केअंदरहीबने,तोदिशाअपनीउचिततासाबितकरसकतीहै। अन्यथा,यहएकदिलचस्पशोधनेटवर्कहीबनकररहजाएगा,एकअवसंरचना(infrastructure)नहीं। इन स्तरों पर SN26 किसीभी स्थिति मेंदिलचस्पहै। #Bittensor $TAO #Perturb #AI