Matthew Wang是OpenGradient的联合创始人，该平台专注于去中心化基础设施，用于托管AI模型并将机器学习与Web3应用程序集成。他拥有研究工程、量化建模以及金融和区块链技术的AI开发背景。^[4]

教育

Wang毕业于西北大学，获得电气与计算机工程学位。^[2]

职业生涯

Wang于2018年在NASA开始了他的职业生涯，担任软件工程实习生，在那里他从事初步的危害数据分析和建模工作。2019年初，他担任Meta的软件工程实习生，为Instagram和Messenger的消息传递启发式基础设施做出贡献。2019年晚些时候，他加入Google，担任机器学习工程实习生，在那里他从事Google Ads流量估算器的AI建模基础设施工作。从2020年到2024年，Wang在Two Sigma担任研究工程师，在那里他进行了股票期权做市研究。2024年，他创立了OpenGradient并担任其CEO，领导一个研究实验室，专注于人工智能和区块链计算交叉领域的研究。^{[1] [2]}

访谈

NEAR Office Hours

在2024年12月与NEAR Protocol的一次访谈中，Wang讨论了OpenGradient的开发及其旨在支持去中心化基础设施以托管AI模型、执行推理和部署应用程序的目标。他描述了该平台将机器学习集成到Web3应用程序中的全栈方法，包括一个去中心化模型中心，作为集中式AI模型存储库的替代方案。Wang概述了底层区块链架构，该架构依赖于专门的节点来高效处理交易和AI推理，并解释了如何使用可信执行环境和密码学证明机制来验证推理请求，以确保计算完整性。他还提到了去中心化金融和链上声誉系统等领域的用例。他描述了通过持续的基础设施开发和研究来扩大AI在Web3中的采用的长期目标。^[6]

演讲

自适应AI代理

在2025年3月ETHDenver的一次演讲中，Wang讨论了智能、自适应AI代理的开发。他概述了从综合信息的代理到代表用户执行任务的代理，最终到能够自主管理复杂操作的系统的发展过程。他指出了AI代理目前的局限性，特别是它们难以对复杂的金融和风险相关问题进行详细分析。他描述了数据访问、计算工作流程和代理之间的互操作性方面的关键挑战。Wang解释了OpenGradient的基础设施如何通过全栈、链上的方法来解决这些限制，该方法支持用于推理的专用节点和安全的数据管道。他还提到了预测市场和去中心化金融中的早期用例，展示了实时分析能力，并介绍了一个旨在支持Web3应用程序的机器学习模型部署的模型中心。^[8]

小组讨论

AI Meets Web3

在2025年1月的台北区块链周上，Wang与Iagent Protocol的Ryuk、Aethir的Mark Rydon和Chainbase的Luki Song一起参加了一个小组讨论，讨论了AI和Web3的发展。Wang将OpenGradient描述为一个用于托管AI模型的去中心化平台，强调了开发人员的安全集成和区块链上的可验证工作流程，这与Hugging Face等传统平台形成对比。小组讨论涵盖了每个组织的角色：Iagent专注于游戏中的视觉学习基础设施，Aethir提供去中心化的GPU服务，OpenGradient支持安全的AI/ML开发。讨论包括目标受众、Web2用户进入Web3的入门挑战、游戏中的数据合规性和货币化方法以及开源AI模型的优势。小组讨论以对AI代理的更广泛潜力的反思结束，包括在游戏、投资组合管理和高级视觉学习中的应用。^[5]

计算的未来

在2024年11月的Open AGI Summit上，Wang与Nick Emmons、Prashant Maurya、Jeremy Hazan和Mikhail Avady一起参加了一个小组讨论，由Brandon Potts主持，讨论了集中式与去中心化计算架构。小组成员介绍了他们各自的项目，从去中心化的GPU网络到旨在扩大计算资源访问的AI基础设施。他们强调，用户需求（包括性能、隐私和成本）应指导架构的选择。他们指出，集中式系统通常提供卓越的性能。与此同时，去中心化解决方案提供成本效益和抗审查性，但承认可靠性和可用性挑战导致一些用户恢复使用传统的云服务。讨论以对新兴技术（如验证机制和隐私增强工具）作为更广泛采用去中心化计算的驱动因素的乐观态度结束。^[9]

AI的新纪元

2024年11月，Wang在NEAR Protocol的REDACTED会议上与Aethir的Mark Rydon、Gaib的Mathilda Sun和NEAR的Cameron Dennis一起参加了一个小组讨论，重点关注去中心化计算的未来。Wang讨论了他从量化建模到去中心化系统的转变，强调了OpenGradient为托管和将计算集成到应用程序中提供开箱即用解决方案的努力，包括GPU、TEE和CPU的交错定价模型。小组还讨论了其他参与者的角色，包括Gaib的GPU支持资产的金融层和Aethir的用于AI和游戏的企业级去中心化GPU基础设施，以及社区对延迟和服务可靠性的担忧。Wang提供了实际应用的例子，例如优化自动做市商交易费用和贷款协议风险模型，并解决了影响去中心化计算的监管考虑因素。他最后深入探讨了利用无需许可的计算来执行复杂的机器学习驱动任务的自主代理的潜力。^[7]