我實際認為 Perturb 的方法是有道理的，但並非基於人們常提到的那種「去中心化 AI」的常見理由。 隨著模型能力增強，以及代理開始在更少人工監督下運作，AI 安全正成為一個越來越嚴重的問題。 而這正是 @perturbaix 具有結構性優勢的地方。 大多數紅隊測試仍由內部或使用靜態開源工具完成。Perturb 將敵對攻擊的發現轉變為持續且有激勵的競賽，並利用這些發現進行實際的模型訓練。 問題在於，發現攻擊與將其轉化為企業願意付費的成果，是兩件不同的事。 即使礦工持續產生強大的敵對範例，真正的問題在於，企業是否會將由此產生的分數、資料集和證書視為足夠可信，並據此採取行動。 轉向一個包含持續掃描與強化的真实產品，可能讓他們對這層分發機制擁有更多控制權。 我們也看到子網正在成熟（掃描與訓練已上線，產品階段已開始）。 但我不會將子網的活動誤認為是商業模式已成功的證明。 離開純粹的研究模式意味著 Perturb 現在必須證明，它能不單純依賴發行量，就能創造需求與收入。 我的觀點是，在未來幾年，持續且外部的敵對壓力，可能會變得與模型性能同等重要。 如果 Perturb 能將此商業化，且輸出不局限於子網內部，那麼這個方向就是合理的。 否則，它有風險僅停留在一個有趣的研發網絡，而非基礎設施。 無論如何，SN26 在此水準都相當有趣。 #Bittensor $TAO #Perturb #AI