จากเอไอพาณิชย์สู่โมเดลแนวหน้า: ทศวรรษโครงสร้างพื้นฐานของ Hanzo

บริษัทเอไอส่วนใหญ่เริ่มในปี 2022 เราเริ่มในปี 2014

ช่องว่างนั้นสำคัญกว่าที่ฟังดู สิบสองปีของการตัดสินใจด้านโครงสร้างพื้นฐาน การทดลองที่ล้ม การออกแบบโปรโตคอล และสัญชาตญาณจากการผลิตที่ได้มาอย่างยาก รวมกันเป็นสิ่งที่ซื้อไม่ได้และเลียนไม่ได้ คือความรู้เชิงสถาปัตยกรรมที่ลึก นี่คือเรื่องราวเชิงเทคนิคว่า Hanzo เดินจากเอนจินแนะนำอีคอมเมิร์ซมาสู่การรันโมเดลแนวหน้า 94+ รายการในขนาดการอนุมานได้อย่างไร

2014: รากฐาน — Crowdstart และ EARLE

Hanzo เปิดตัวในชื่อ Crowdstart แพลตฟอร์มเอไอพาณิชย์ที่มีปัญหาซึ่งดูเฉพาะเจาะจงอย่างลวงตา: ทำนายว่าลูกค้าคนใดจะซื้อ ที่ราคาเท่าใด ในเวลาใด — แล้วลงมือตามคำทำนายนั้นโดยอัตโนมัติ

ระบบแรกที่มีผลคือ EARLE — Entity-based Adaptive Recommendation Learning Engine EARLE ไม่ใช่ตัวกรองร่วมแบบง่าย มันรักษากราฟเอนทิตีข้ามลำดับชั้นสินค้า กลุ่มลูกค้า และลำดับพฤติกรรม อัปเดตน้ำหนักของขอบแบบเรียลไทม์เมื่อกระแสธุรกรรมมาถึง ที่เก็บข้อมูลข้างใต้สร้างบนชั้นคีย์-แวลูแบบกระจายของเราเอง — การตัดสินใจโดยตั้งใจเพื่อควบคุมความหน่วงที่ชั้นความคงทน แทนที่จะยอมรับข้อแลกเปลี่ยนของฐานข้อมูลที่มีผู้จัดการให้ใช้

สิ่งที่ EARLE สอนเรา: ความหน่วงเป็นข้อจำกัดการออกแบบชั้นหนึ่ง ไม่ใช่รอบปรับแต่งทีหลัง คำแนะนำที่มาสาย 200ms ไม่ได้ถูกส่ง — มันถูกทิ้ง

2015: การวิเคราะห์เรียลไทม์ที่ขอบ

ในปี 2015 EARLE ไม่พออีกต่อไป ลูกค้าต้องการไม่ใช่แค่คำแนะนำ แต่เป็นท่อการวิเคราะห์พฤติกรรมทั้งเส้น: วิเคราะห์กรวย ติดตามโคฮอร์ต และระบุที่มาของรายได้ข้ามช่องการตลาด เราสร้างเอนจินวิเคราะห์แบบสตรีมที่รับเหตุการณ์ sub-50ms และความหน่วงของคิวรีอยู่ในช่วงมิลลิวินาทีหลักเดียว

งานนี้ตั้งรูปแบบที่เรายึดมาตั้งแต่นั้น: เป็นเจ้าของเส้นทางวิกฤต ทุกองค์ประกอบบนเส้นทางร้อน — การทำให้เป็นอนุกรม การทำดัชนี การวางแผนคิวรี — เขียนตามข้อกำหนดของเรา การพึ่งพาภายนอกยอมให้ได้เฉพาะที่ชายขอบ

บัสเหตุการณ์แบบ pub/sub ที่เราสร้างในปี 2015 เพื่อต่อ EARLE เข้ากับชั้นวิเคราะห์ คือบรรพบุรุษโดยตรงของโครงสร้างพื้นฐานเหตุการณ์ที่รองรับแพลตฟอร์ม Hanzo ในปัจจุบัน อินเทอร์เฟซเปลี่ยน สถาปัตยกรรมไม่เปลี่ยน

2016: การปรับการตลาดด้วยอัลกอริทึมเชิงพันธุกรรม

อัลกอริทึมเชิงพันธุกรรมสำหรับการตลาดดูชัดเจนเมื่อมองย้อนกลับ ในปี 2016 แทบไม่มีใครทำในระบบผลิต

ระบบรักษาประชากรของการกำหนดค่าแคมเปญ — กลยุทธ์การเสนอราคา ความหลากหลายของครีเอทีฟ ต้นไม้แบ่งกลุ่มผู้ชม — แล้ววิวัฒนาการพวกมันด้วยแรงกดดันการคัดเลือกจากผลคอนเวอร์ชันจริง การกลายพันธุ์ถูกจำกัดขอบเขต: เราต้องการความทำซ้ำได้และความตรวจสอบได้ ซึ่งการกลายพันธุ์สุ่มล้วนให้ไม่ได้ ฟังก์ชันความเหมาะสมเป็นหลายวัตถุประสงค์ตั้งแต่ต้น สมดุลรายได้ มาร์จิ้น มูลค่าตลอดอายุลูกค้า และข้อจำกัดการเปิดรับแบรนด์

นี่คือประสบการณ์แรกของเราในการจัดการการแลกเปลี่ยนระหว่างการสำรวจกับการใช้ประโยชน์ในขนาดการผลิต บทเรียนที่ฝังในตัว: อัลกอริทึมฉลาดกว่าสัญญาณความเหมาะสมของมันไม่ได้ ขยะเข้า ขยะออก ไม่ใช่คำพูดซ้ำใน ML — มันเป็นกฎของสถาปัตยกรรม

2017: Techstars และการเปิดแพลตฟอร์ม

Techstars '17 เราใช้โปรแกรมไม่ใช่เพื่อการยืนยัน แต่เพื่อการกระจาย — ความเชื่อมถึงลูกค้าพาณิชย์องค์กร ที่ขนาดของพวกเขาจะทดสอบความทนของสิ่งที่เราสร้าง

แพลตฟอร์ม Hanzo เปิดตัวปลายปี 2017 ในฐานะชุดเอไอพาณิชย์แบบรวมชุดแรก: คำแนะนำ EARLE เอนจินปรับเชิงพันธุกรรม การวิเคราะห์เรียลไทม์ และชั้นจัดวางแคมเปญใหม่ เชื่อมกันผ่านพื้นผิว API เดียว สถาปัตยกรรมเป็นแบบยึดเหตุการณ์ตั้งแต่ต้น ทุกการเปลี่ยนสถานะแคมเปญเป็นเหตุการณ์ที่คงทน ให้เส้นตรวจสอบครบ และความสามารถเล่นประวัติซ้ำเพื่อฝึกโมเดลใหม่

Techstars '17 สอนสิ่งที่เราสงสัยอยู่แล้ว: การกระจายไม่ใช่ปัญหาผลิตภัณฑ์ มันเป็นปัญหาโครงสร้างพื้นฐาน ขายให้องค์กรไม่ได้ถ้าระบบของคุณล่ม

2018: Checkout 2.0 และการตรวจการฉ้อโกงด้วย ML

การฉ้อโกงการชำระเงินเป็นปัญหาที่แก้แล้วสำหรับธนาคารใหญ่ สำหรับแพลตฟอร์มพาณิชย์ที่ให้บริการพ่อค้าตลาดกลาง มันยังไม่ถูกแก้ในปี 2018

Checkout 2.0 นำการตรวจการฉ้อโกงที่ขับด้วย ML เข้ามาเป็นองค์ประกอบเช็คเอาต์ชั้นหนึ่ง สถาปัตยกรรมโมเดลเป็น앙ซองเบิล: ต้นไม้เร่งด้วยเกรเดียนต์สำหรับฟีเจอร์ตาราง (องค์ประกอบตะกร้า การตรงกันของที่อยู่จัดส่งและเรียกเก็บ ลายนิ้วมืออุปกรณ์) รวมกับโมเดลลำดับเหนือประวัติคำสั่งล่าสุด 앙ซองเบิลตื้นโดยตั้งใจ — ความตีความได้เป็นข้อกำหนดของผลิตภัณฑ์ ไม่ใช่ความชอบทางวิจัย พ่อค้าต้องเข้าใจว่าทำไมธุรกรรมถูกตั้งธง

ระบบตรวจการฉ้อโกงทำงานที่ความหน่วง sub-100ms ต่อหนึ่งการตัดสิน รวมการสกัดฟีเจอร์ การอนุมานโมเดล และการใช้กฎ สิ่งนี้ต้องวางรันไทม์อนุมานไว้ที่เดียวกับบริการเช็คเอาต์ แทนที่จะส่งผ่าน API ทำนายแยก ความซับซ้อนในการปฏิบัติการสูงกว่า โปรไฟล์ความหน่วงต่อรองไม่ได้

2019: API Gateway V1, การเข้ารหัสแลตทิซ, และระบบนิเวศ SDK

สามสายที่เดินพร้อมกันในปี 2019 มาบรรจบกันหลายปีให้หลัง

API Gateway V1 เกิดจากปัญหาปฏิบัติ: เรามีบริการภายในสิบรายการและการเชื่อมภายนอกสี่สิบรายการ ทุกบริการมีเรื่องการยืนยันตัวตน การจำกัดอัตรา และการสังเกตได้ของตนเอง เราสร้างชั้นเกตเวย์รวม — ยังไม่ใช่เกตเวย์เอไอที่เราส่งวันนี้ แต่เป็นสถาปัตยกรรมฐานเดียวกัน: การจัดเส้นทางคำขอ มิดเดิลแวร์ยืนยันตัวตน การจำกัดอัตราต่อผู้ใช้ บันทึกที่มีโครงสร้าง Hanzo AI Gateway ในปี 2026 คือการทำซ้ำใหญ่ครั้งที่เจ็ดของระบบนี้

งานวิจัยการเข้ารหัสแลตทิซ เริ่มเป็นงานเบื้องหลัง กระบวนการกำหนดมาตรฐานการเข้ารหัสหลังควอนตัมของ NIST กำลังเดิน และเรากำลังจับตา คำถามที่เราถาม: ถ้าเรากำลังสร้างโครงสร้างพื้นฐานที่คงทน แบบจำลองภัยคุกคามเชิงรหัสบนขอบฟ้า 15 ปีคืออะไร คำตอบชี้ชัดไปที่การต้านทานควอนตัม เราเริ่มรวม CRYSTALS-Dilithium และ CRYSTALS-Kyber เข้ากับโครงสร้างพื้นฐานการลงนามเชิงทดลอง — งานที่ป้อนตรงเข้าสู่โครงสร้างพื้นฐานการลงนามหลังควอนตัมในระบบผลิตในปีถัดไป

ระบบนิเวศ SDK: SDK ของ Hanzo ชุดแรกส่งในปี 2019 ครอบคลุม Python, TypeScript, และ Go หลักการออกแบบคือพื้นที่ผิวเล็กสุดพร้อมความประกอบได้มากสุด เราได้ส่ง SDK มาแล้วหกรุ่น หลักการไม่เปลี่ยน

2020: การเข้ารหัสหลังควอนตัมในระบบผลิต

งานวิจัยแลตทิซจากปี 2019 เข้าสู่ระบบผลิตในปี 2020 หลักตั้งของการออกแบบคม: ความปลอดภัยหลังควอนตัมจากฐาน ชั้นลงนามที่รับตรรกะแอปพลิเคชันเป็นเรื่องชั้นหนึ่ง และลักษณะสมรรถนะที่ทำให้ลายเซ็นต้านทานควอนตัมใช้ได้จริงในขนาดใหญ่

เอนจินลงนามนำรอบพันธะแบบมีเกณฑ์มาใช้ ให้การรับประกันแบบกำหนดได้ภายในเวลาที่มีขอบ แทนการอาศัยการสุ่มซ้ำเพื่อความเชื่อมั่นเชิงความน่าจะเป็น ผลในทางปฏิบัติ: ลายเซ็นตรวจได้ในเวลาต่ำกว่าหนึ่งวินาทีในภาวะปกติ พร้อมลักษณะการถดถอยที่คาดได้ภายใต้โหลดที่เป็นปฏิปักษ์

กุญแจลงนามทุกดอกใช้ CRYSTALS-Dilithium ตั้งแต่ต้น ไม่ใช่ทางเลือกอัปเกรด — เป็นข้อกำหนดพื้นฐาน ภาระสมรรถนะของลายเซ็นหลังควอนตัมเป็นของจริงแต่จัดการได้ เราเผยแพร่ผลการวัด รวมการปรับการตรวจลายเซ็นแบบแบตช์ที่ดึงภาระต่อลายเซ็นลงต่ำกว่า 0.3ms

2021: งานวิจัยหลายโมดัลและร่าง MCP ชุดแรก

ความสามารถที่สถาปัตยกรรมทรานส์ฟอร์เมอร์แสดงแล้วในการรวมตัวแทนของข้อความ ภาพ และเสียง ชัดกับเราในปี 2021 เราเริ่มโครงการวิจัยหลายโมดัลที่ในที่สุดกลายเป็นสถาปัตยกรรม Jin — กรอบเข้ารหัส-ถอดรหัสรวมเพื่อความเข้าใจข้ามโมดัล

ร่างแรกของ Model Context Protocol เกิดจากสายคู่ขนาน: เรากำลังสร้างกรอบเอเจนต์ และเผชิญปัญหาพื้นฐานของการจัดการสถานะข้ามปฏิสัมพันธ์หลายเทิร์นกับโมเดลที่ไม่มีความจำคงทน โปรโตคอล MCP นิยามอินเทอร์เฟซที่มีโครงสร้างสำหรับการทำหน้าต่างบริบท การดึงความจำ และการถ่ายโอนสถานะข้ามโมเดล ร่างปี 2021 ยังหยาบ การทำให้ใช้งานจริงในปี 2026 ประมวลผลการดำเนินการบริบทมากกว่าหนึ่งพันล้านครั้ง

2022: โปรโตคอล ASO และการปรับละเอียดทรานส์ฟอร์เมอร์ครั้งแรก

ผลงานทางเทคนิคสองชิ้นจากปี 2022 ที่กำหนดสี่ปีถัดไป

Adaptive Swarm Optimization (ASO) คือโปรโตคอลการปรับแบบกระจายที่ได้แรงบันดาลใจจากพฤติกรรมฝูงทางชีววิทยา ที่ซึ่งอัลกอริทึมเชิงพันธุกรรมรักษาสมาชิกประชากรแบบไม่ต่อเนื่อง ASO รักษาสนามความหนาแน่นต่อเนื่องเหนือปริภูมิพารามิเตอร์ ด้วยกฎอัปเดตที่สมดุลข้อมูลเกรเดียนต์ท้องถิ่นกับข้อจำกัดความหนาแน่นรวม โปรโตคอลออกแบบมาสำหรับกรณีที่ฟังก์ชันวัตถุประสงค์แพงต่อการประเมิน และการประเมินกระจายบนคอมพิวเตอร์ที่ไม่เหมือนกัน — เข้ากับระบบเอไอหลายเอเจนต์โดยธรรมชาติ สิ่งพิมพ์ ASO ฉบับแรกออกปลายปี 2022

รันผลิตการปรับละเอียดทรานส์ฟอร์เมอร์ครั้งแรก: เราปรับละเอียดทรานส์ฟอร์เมอร์น้ำหนักเปิดขนาด 7B พารามิเตอร์ เพื่อเข้าใจเอกสารเฉพาะทางพาณิชย์ รันนั้นมีต้นทุนคอมพิวเตอร์ $6,200 และใช้เวลา 48 ชั่วโมง โมเดลที่ได้ดีกว่าฐาน 11% บนชุดประเมินของเรา และดีกว่าอย่างชัดบนการกระจายงานในระบบผลิต ที่สำคัญกว่า ประสบการณ์ปฏิบัติการ — ท่อข้อมูล การตั้งการฝึกแบบกระจาย การจัดการเช็กพอยต์ ชุดประเมิน — กลายเป็นแม่แบบของทุกรันฝึกหลังจากนั้น คุณภาพของกระบวนการขยายได้ รันเฉพาะกิจขยายไม่ได้

2023: HMM, กรอบเอเจนต์, และงานวิจัย PoAI

Hierarchical Model Merging (HMM) คือคำตอบของปัญหาที่เราเจอซ้ำ: เรามีโมเดลที่ปรับละเอียดหลายตัว แต่ละตัวเยี่ยมในโดเมนแคบของตน และเราต้องการโมเดลรวมที่รับส่วนที่ดีที่สุดของทั้งหมด การเฉลี่ยน้ำหนักแบบตรงไปตรงมาทำให้ผู้เชี่ยวชาญทุกตัวแย่ลง HMM ใช้กลยุทธ์รวมแบบลำดับชั้นที่ชี้ตัวแทนเฉพาะโดเมนในปริภูมิน้ำหนักและเก็บพวกมันไว้ระหว่างการรวม แทนที่จะเฉลี่ยจนหาย เทคนิคนี้แสดงการปรับปรุง 4-7% เหนือการรวมแบบตรงไปตรงมาบนการประเมินโดเมนที่กันไว้

กรอบเอเจนต์: รันไทม์เอเจนต์ Hanzo ชุดแรกส่งในปี 2023 สร้างบนโปรโตคอล MCP พร้อมการใช้เครื่องมือ การดึงความจำ และการวางแผนหลายขั้น การออกแบบตั้งใจ: เอเจนต์เป็นกระบวนการที่มีสถานะ ไม่ใช่ตัวจัดการคำขอที่ไร้สถานะ รันไทม์จัดการวงจรชีวิตเอเจนต์ทั้งเส้น — การเริ่มต้น การส่งเครื่องมือ ความคงทนของสถานะ การฟื้นจากข้อผิดพลาด การสร้างสิ่งนี้ที่ระดับโปรโตคอล ไม่ใช่โค้ดแอปพลิเคชัน ทำให้การเชื่อมต่อภายหลังตรงไปตรงมา

งานวิจัยฉันทามติ Proof of AI (PoAI): การคำนวณเอไอทำให้ตรวจสอบได้และใช้เป็นหน่วยพื้นฐานของฉันทามติได้หรือไม่ คำถามวิจัยไม่เล็ก — การคำนวณเอไอไม่กำหนดได้โดยธรรมชาติที่ระดับจุดลอย งานวิจัย PoAI ของเราตอบด้วยโครงควอนไทซ์แบบกำหนดได้ ที่ทำให้รอบเดินหน้าทำซ้ำได้ข้ามฮาร์ดแวร์ และเปิดฉันทามติแบบมีเกณฑ์เหนือเอาต์พุตของโมเดล งานวิจัยนี้ป้อนสถาปัตยกรรม zLLM ของเครือข่าย Zoo

2024: Zen LM เริ่มต้น, สถาปัตยกรรม Jin, เครื่องมือ Hanzo MCP

โครงการ Zen LM เริ่มในปี 2024 ด้วยวิทยานิพนธ์เรียบง่าย: โมเดลน้ำหนักเปิดที่ดีที่สุดควรสร้างโดยคนที่มีประสบการณ์ผลิตมากที่สุดในการรันพวกมัน เรามีประสบการณ์นั้น

โมเดล Zen ชุดแรกเป็นการปรับละเอียดของโมเดลฐาน Qwen3-series เล็งโปรไฟล์ความสามารถเฉพาะ: การสร้างโค้ด การให้เหตุผลบริบทยาว การทำตามคำสั่ง ท่อฝึกที่สร้างในปี 2022 ขยายไปรองรับรันพารามิเตอร์ 70B+ โดยไม่ต้องออกแบบใหม่จากฐาน — การลงทุนในกระบวนการตอบแทนแล้ว

สถาปัตยกรรม Jin ทำให้การวิจัยหลายโมดัลของเรากลายเป็นระบบผลิต Jin ใช้ปริภูมิโทเคนรวมสำหรับข้อความ แพตช์ภาพ และสเปกโตรแกรมเสียง — ไม่มีตัวเข้ารหัสเฉพาะโมดัลที่ต้องมีเส้นฝึกและเส้นอนุมานแยก การทำให้สถาปัตยกรรมเรียบขึ้นตัดความซับซ้อนของการให้บริการทั้งชั้น: หนึ่งโมเดล หนึ่งรันไทม์อนุมาน หลายโมดัล

เครื่องมือ Hanzo MCP ส่งในฐานะการทำให้ Model Context Protocol เป็นสาธารณะชุดแรก ชุดเครื่องมือครอบคลุมการค้นเว็บ การรันโค้ด การทำงานกับไฟล์ การดึงความจำ และการสื่อสารข้ามเอเจนต์ นักพัฒนากว่าหมื่นคนเชื่อมเครื่องมือ MCP ภายในไตรมาสแรกที่มีให้ใช้

2025: ตระกูล Zen ในขนาดใหญ่, สถาปัตยกรรม MoDE, และ zenlm.org

เก้าสิบสี่โมเดล นั่นคือสิ่งที่ตระกูล Zen มีเมื่อสิ้นปี 2025

ขนาดนั้นต้องการสถาปัตยกรรมการให้บริการที่ออกแบบไม่ได้หากปราศจากงานวิจัย BitDelta (arXiv:2402.10193): เดลตาของโมเดลที่ปรับละเอียดถูกบีบเป็นตัวแทนเครื่องหมาย 1-bit ลดหน่วยความจำ GPU ต่อรุ่นจากหลักสิบกิกะไบต์เหลือกิกะไบต์หลักเดียว ด้วยน้ำหนักฐานที่ใช้ร่วมในหน่วยความจำ GPU และเดลตาพฤติกรรมต่อโมเดลในชั้นแคช เราให้บริการรุ่น Zen ได้ 14 รุ่นจากรอยเท้าโครงสร้างพื้นฐานที่เดิมพอสำหรับสองหรือสาม

Zen MoDE — Mixture of Distilled Experts — คือความก้าวหน้าทางสถาปัตยกรรมที่นิยามปี 2025 โมเดล MoE แบบดั้งเดิมฝึกผู้เชี่ยวชาญจากศูนย์ MoDE รวมสามเทคนิค: เริ่มผู้เชี่ยวชาญจากการกลั่น (ไม่ใช่สุ่ม), Drop-Upcycling (arXiv:2502.19261) เพื่อทำลายสหสัมพันธ์ของน้ำหนักระหว่างผู้เชี่ยวชาญ, และโปรโตคอลรวม HMM ของเราเพื่อทำให้ผู้เชี่ยวชาญเฉพาะทางภายหลังโดยไม่ฝึกใหม่ทั้งก้อน ผลลัพธ์: Zen4 Max ได้คุณภาพระดับ 13B ด้วยพารามิเตอร์รวม 30B และมีเพียง 3B ที่ทำงานต่อรอบเดินหน้า

รุ่น Abliterated: งานถอดการปฏิเสธ — ใช้ด้วยความระมัดระวังและโดยตั้งใจกับโมเดลที่กำหนดไว้เพื่องานวิจัยและการใช้ทางวิชาชีพ — แสดงว่าคุณสมบัติพฤติกรรมระบุตำแหน่งได้ในปริภูมิน้ำหนัก การเข้าใจว่าพฤติกรรมอยู่ที่ใดในโมเดลเป็นความรู้พื้นฐาน ไม่ใช่ทางเลี่ยง ชุด zen4-abliterated เป็นตระกูลโมเดลแรกที่ส่งพร้อมพิกัดระบุตำแหน่งพฤติกรรมที่บันทึกไว้

2026: Hanzo AI Gateway และสิ่งที่ตามมา

การเปิดเกตเวย์ในเดือนกุมภาพันธ์ 2026 คือจุดสูงสุดของงานเกตเวย์ APIที่เริ่มในปี 2019: จุดปลายเดียวสำหรับ 100+ โมเดล เข้ากันได้กับ OpenAI ไม่บวกราคาเหนือผู้ให้บริการภายนอก โดยมีโมเดล Zen เป็นชั้นที่เป็นกรรมสิทธิ์

สายวิจัยที่กำลังเดินอยู่:

GT-QLoRA: การปรับอันดับต่ำแบบควอนไทซ์ที่ละลายเกต สำหรับจูนพฤติกรรม MoE LoRA มาตรฐานที่ใช้กับโมเดล MoE ทิ้งเกตจัดเส้นทางไว้แช่แข็ง จึงไม่ให้การปรับละเอียดไปแตะการเลือกผู้เชี่ยวชาญ GT-QLoRA ละลายพารามิเตอร์เกตด้วยการอัปเดตที่ถูกจำกัด — โครงสร้างการจัดเส้นทางปรับได้ ในขณะที่ความเฉพาะของผู้เชี่ยวชาญยังอยู่

DSO (Decentralized Semantic Optimization): โปรโตคอลที่เป็นฐานของสถาปัตยกรรม zLLM ของ Zoo การปรับโดยไม่ใช้การคำนวณผ่านการฉีดประสบการณ์ กำกับด้วยกลไก DAO ช่องว่างระหว่างต้นทุนการปรับละเอียด ($15K+) กับต้นทุน DSO ($18) เป็นของจริง สถาปัตยกรรมอยู่ในระบบผลิตบนเครือข่าย Zoo

MPC ที่ปลอดภัยต่อควอนตัม: โปรโตคอลการคำนวณหลายฝ่ายสำหรับน้ำหนักโมเดล โดยใช้หน่วยพื้นฐานหลังควอนตัม ถ้าน้ำหนักโมเดลคือทรัพย์สินทางปัญญาที่มีค่าที่สุดในโครงสร้างพื้นฐานเอไอ พวกมันสมควรได้รับการปกป้องเชิงรหัสเทียบเท่าสินทรัพย์การเงินที่ดีที่สุด

สิบสองปีเป็นเวลานานในเอไอ นานพอจะเห็นวัฏจักรกระแสมาแล้วไป เห็นกระบวนทัศน์ทั้งชุดเข้าแทนที่กัน เห็นบริษัทที่สร้างบน SOTA ของปีที่แล้วล้มเมื่อ SOTA ขยับ สิ่งที่เหลือคือโครงสร้างพื้นฐาน: ท่อข้อมูล ระบบให้บริการ การทำให้โปรโตคอลใช้ได้จริง และความรู้ปฏิบัติการที่ได้มาอย่างยาก ซึ่งทำให้การส่งและรันเอไอในขนาดใหญ่เป็นไปได้จริง

เราสร้างโครงสร้างพื้นฐานนั้นมาตั้งแต่ปี 2014 เรายังไม่จบ

---

Hanzo AI คือ Techstars '17 เราสร้างเอไอแนวหน้าและโครงสร้างพื้นฐานเพื่อรันมัน hanzo.ai