لماذا تنظر الأموال الذكية إلى توكن OPEN قبل أن تضرب طفرة الذكاء الاصطناعي المتخصص
لقد كنت مخطئًا من قبل. اشتريت في قصص بدت نظيفة على الورق وسقطت عندما تحرك السوق. لذلك عندما أقول إنني أركز على $OPEN توكن، لا أقول ذلك من باب الضجيج. أقول ذلك من نوع القناعة الهادئة التي تأتي فقط بعد أن تجلس مع ورقة بيضاء لفترة كافية لتجد الجزء الذي يهم حقًا. الجزء الذي يهم هنا هو التوقيت. الذكاء الاصطناعي المتخصص ليس اتجاهًا مستقبليًا. إنه قيد الإنشاء، يتم تمويله ونشره بالفعل. البنية التحتية التي تحت ذلك، الطبقة التي تتتبع الإسهام وتخصص الملكية وتوزع الإيرادات، هذا هو ما يمثله توكن OPEN. ومعظم السوق لم يضع ذلك في الحسبان بعد.
فيه أداة داخل @OpenLedger اسمها ModelFactory وأغلب الناس ما يتكلمون عنها. هي منصة للتعديل الكامل مع واجهة مستخدم. ما تحتاج سطر أوامر. ولا تصارع API. تختار نموذج، وتحمل بياناتك، وتقوم بتدريبه، وتقييمه، وتطلقه، كل هذا من واجهة وحدة. وهذا الشيء وحده يغير من يقدر يشارك. مو لازم تكون مهندس تعلم الآلة عشان تبني نموذج ذكاء اصطناعي متخصص على هالسلسلة بعد. لكن الجزء اللي كان له تأثير مختلف هو شرط منحنى الربط. النموذج ما ينشأ لمجرد أن أحد اقترحه. لازم تتجمع بيانات كافية أول. لازم يُوصل للمنحنى. هذا يعني أنه ما فيه نموذج ينطلق بدون دعم حقيقي من المجتمع. العرض يتحكم فيه الطلب الحقيقي. وهذا مو شائع.
حصة المجتمع 51% في OpenLedger: الملكية تبدأ عندما يبني الناس
كنت أعتقد أن تخصيص مجتمع كبير كان كافيًا لجعل الرموز تبدو عادلة، لكن كلما نظرت إلى الأمر أكثر، كلما ظننت أن القصة الحقيقية أعمق من ذلك. رقم مثل 51% يبدو قويًا في البداية، لكن بالنسبة لي، الأمر لا يتعلق فقط بامتلاك حصة كبيرة. بل يتعلق بما يفعله المجتمع بتلك الحصة مع مرور الوقت. الملكية تصبح حقيقية فقط عندما يظهر الناس، يبنون، يصوتون، يختبرون، يدعمون، ويستمرون في إضافة القيمة عندما تهدأ الإثارة الأولية. لهذا السبب، يبدو لي أن رمز OpenLedger مثير للاهتمام.
كنت أنظر إلى الرموز عادةً من خلال السعر، الضجة، والحركات القصيرة في السوق، لكن هذه @OpenLedger جعلتني أفكر بشكل مختلف ببطء. ما ظل في ذهني لم يكن فقط الشارت بل فكرة البنية التحتية الهادئة وراءها.
أراها أقل كاتجاه سريع وأكثر كطبقة يمكن أن تدعم نشاطًا حقيقيًا على المدى الطويل. عندما تكون الرموز مرتبطة بالاستخدام، التنسيق، المكافآت، والمشاركة، تبدأ بالشعور بأنها أكبر من مجرد رمز سوق بسيط.
هذا لا يعني أن كل شيء سهل أو مضمون. لا زلت أعتقد أن الصبر مهم وأن القيمة الحقيقية يجب أن تثبت نفسها من خلال الطلب، الثقة، والبناء الثابت. لكنني أحب عندما يمنحني مشروع ما سببًا للتفكير بما يتجاوز رد الفعل الأول.
بالنسبة لي، الجزء المتفائل بسيط. أحيانًا تكون أقوى القصص ليست الأكثر ضجيجًا في البداية. بل هي التي تستمر في أن تصبح أكثر وضوحًا بعد أن يلاحظ الناس أخيرًا الأساس. #OpenLedger
ما أعتقد أن أقوى قصة تدور حول التوكن تبدأ بالسعر. السعر سهل الرؤية، سهل التفاعل معه، وسهل التحول إلى ضجيج. ما يبدو لي أكثر أهمية هو شيء أكثر هدوءًا: ما يختاره النظام لتذكره، وكيف يمكن لذاكرة النظام أن تساعد المبدعين في الحصول على قيمة مقابل العمل الذي يقدمونه في الاقتصاد الرقمي. عندما أفكر في تعويض المبدعين، لا أراه مجرد سؤال عن الدفع. أراه سؤال ثقة. يمكن للكثير من الناس المساهمة بالأفكار، البيانات، الجهد، المعرفة، الاختبار، التعليقات، والتوجيه المفيد، لكن الجزء الصعب هو إثبات من ساهم في إنشاء ماذا. هنا يصبح الموضوع مثيرًا للاهتمام. يجب أن يكون النظام الجيد ليس فقط مكافأة الصوت الأعلى. يجب أن يساعد في التعرف على أثر القيمة الحقيقية وراء المخرجات المفيدة.
#OpenLedger لقد نظرت أولاً إلى @OpenLedger توكن كفكرة سوق عادية، لكنني أدركت ببطء أن ذلك لم يكن صحيحًا بالكامل. الجزء الذي ظل معي هو مشكلة المحاسبة التي تحتها، كيف يمكن قياس العمل المفيد بدلاً من أن يختفي بعد نتيجة واحدة. أرى استخداماته أقل كضجة وأكثر كتنسيق. البيانات، النماذج، الوكلاء، المدفوعات، الحوكمة والتخصيص جميعها تحتاج إلى وسيلة أنظف للتواصل. بدون ذلك، يمكن أن تتحرك القيمة عبر نظام ما ولكن الأشخاص وراءها يظلون شبه غير مرئيين. بالنسبة للمستثمر الجديد، هذا يهم لأن التوكن ليس فقط حول الوصول أو المكافآت. بل يتعلق أيضًا بما إذا كان الاستخدام الحقيقي يمكن أن يُنشئ سجلات عادلة، قابلة للتتبع ومشتركة. يبدو ذلك بسيطًا لكنه ليس سهلًا، وسيظل الطلب هو الاختبار الحقيقي. أحب هذه الفكرة لأنها تعطي لي طريقة أكثر واقعية للنظر إلى المستقبل. لا ينبغي أن تتلاشى كل مساهمة مفيدة. بعض الأعمال تستحق أثرًا مرئيًا، وربما يحاول توكن OpenLedger جعل هذا الأثر مهمًا.
لماذا L/θ هو المشتق الأهم اللي محدش في Web3 بيتكلم عنه
#OpenLedger لما قرأت لأول مرة ورقة @OpenLedger البيضاء، تخطيت الرياضيات زي ما معظم الناس بيعملوا. بعدين رجعت. في تعبير واحد قاعد بهدوء في القسم 2.2.2 بيعيد صياغة كل شيء حاول Web3 يبنيه حول المساهمة والمكافأة ∂L/∂θ، المشتق الجزئي لفقدان النموذج بالنسبة لبرامجه. هذا التدرج يقيس بالضبط مدى حساسية أداء النموذج للتغييرات في أوزانه. إنه الإشارة الأساسية لكل حلقة تدريب في التعلم الآلي الحديث.
《خط الموت والحياة لحساب ذو علامة صفراء: قبل 28 مايو، نريد انتظار إجابة من Binance》
أختي، ريتشارد، كيف حالكما. هذه رسالة طلب حول "الحب" و"الرفقة"، وأنا أيضاً أشاركها على X. آمل أن نتمكن من استخدام أصواتنا الضعيفة للحصول على فرصة لفهم واستماع لشريك قديم في بناء نظام Binance. شكراً.@CZ
إلى @Yi He الأخت، @Richard Teng السيد: 520، الكثيرون يعبرون عن "الحب".
وأنا اليوم أخرج لأعبر عن حبي لـ Binance. رسالة من بناة Binance الأصليين، من KOL في ساحة Binance ذو العلامة الصفراء، ومن العديد من الذين رافقوا المنصة خلال نموها، حب لا يكاد يوصف لهذا النظام البيئي.
الزاوية: درجة القابلية للتفسير V() داخل دالة مكافأة RLHF في OpenLedger
ما جذب انتباهي أثناء قراءة قسم التعلم المعزز لـ @OpenLedger هو دالة يتخطاها معظم الناس تمامًا. V(yi, fθ(xi)) هي درجة المُصادق المخصصة التي تقيس ليس فقط ما إذا كان مخرجات النموذج صحيحة ولكن أيضًا ما إذا كانت قابلة للتفسير لمراجعي البشر. كلا البعدين يتغذيان مباشرة في إشارة المكافأة التي تشكل تحديث التدريب التالي. القابلية للتفسير هنا ليست ميزة واجهة مستخدم أو مقياس تقرير، بل هي تدرج. إنها تغير كيفية تعلم النموذج. ما أعتقد أنه يعني في الممارسة العملية هو أن النماذج المتخصصة في OpenLedger لا يمكنها البقاء فقط على الدقة. في الرعاية الصحية، القانون والمالية - القطاعات الدقيقة التي تستهدفها هذه البنية - فإن مخرجات لا يمكن تدقيقها وشرحها من قبل خبير في المجال هي مخرجات لا يمكن استخدامها. دالة المكافأة تعرف ذلك بالفعل.
من خلال ملاحظتي الشخصية، فإن تحسين نموذج لغة دائمًا ما كان يتطلب الوصول إلى سطر الأوامر، وبيئات بايثون، وساعات من تصحيح الأخطاء. تزيل ModelFactOry @OpenLedger كل تلك التعقيدات من خلال تقديم منصة قائمة على واجهة المستخدم الرسومية حيث يمكنني اختيار مجموعة بيانات، واختيار نموذج، وتعيين معلمات التدريب، ونشر كل شيء من خلال واجهة المتصفح. لم أعد بحاجة إلى لمس محطة أو كتابة سكريبتات، مما يعني أن الحاجز الفني الذي كان يمنع غير المهندسين من تطوير النماذج قد اختفى بشكل فعال.
ما يهمني أكثر هو كيف empowers هذا التغيير الأشخاص الذين يمتلكون أكثر المعرفة القيمة في مجالاتهم مثل الأطباء، والمحامين، والمحللين الماليين، والباحثين الذين نادرًا ما يمتلكون الخلفية اللازمة لإدارة مجموعات المعالجة الرسومية. تغلق ModelFactory تلك الفجوة من خلال السماح للخبراء في الموضوع بالمساهمة ليس فقط بالبيانات، ولكن أيضًا بالنماذج المدربة بالكامل في نظام OpenLedger. أعتقد أن هذا التحول يضمن أن الذكاء الاصطناعي الأكثر تخصصًا سيتم بناؤه الآن من قبل أكثر البشر تخصصًا، مباشرةً بما يتماشى مع القدرات التقنية والخبرة في العالم الحقيقي.
دالة التأثير المدفونة في ورقة عمل OpenLedger يمكن أن تغير كيفية تسعير البيانات إلى الأبد
لما أول مرة نظرت في كنت متوقع أرى مجرد بروتوكول بلوكشين آخر، لكن الشيء اللي جذب انتباهي كان الرياضيات المدفونة في ورقة العمل. مدفونة في الوثائق التقنية يوجد دالة التأثير اللي تضرب مشتقتين جزئيتين: التغيير في الخسارة بالنسبة لبارامترات النموذج والتغيير في هذه البارامترات بالنسبة لنقطة بيانات معينة. كل واحدة منهم تقيس ديناميكيات التحسين القياسية، لكن لما تتبعت كيف يعملوا مع بعض، أدركت إنهم ينتجون شيء الإنترنت ما قدمه بشكل موثوق: مقياس موثق على السلسلة quantifies بالضبط كم نقطة بيانات واحدة شكلت مخرجات النموذج.