Mình được trải nghiệm trong chính công ty quản lý tài sản của mình một vấn đề rất mâu thuẫn

Nhiều nơi bắt đầu dùng AI để chấm điểm bài viết, thẩm định hồ sơ hay lọc ứng viên

Nhưng họ cũng thêm filter để trừ điểm những nội dung có dấu hiệu được tạo bởi AI

Nghĩ kỹ thì đó là một vòng lặp khá nhức đầu

AI tạo nội dung

Một AI khác kiểm tra xem nội dung đó có phải do AI tạo không?

Sau đó hệ thống dùng kết quả đó để quyết định ai xứng đáng được chọn

Nhưng nếu incentive đủ lớn, họ sẽ không còn tối ưu để viết tốt hơn nữa

Họ sẽ tối ưu để vượt qua hệ thống detect

Tức là cuộc đua dần biến thành: làm sao để output của AI trông đủ giống con người

Càng nghĩ mình càng thấy DeAI cũng đang đi vào vòng lặp này, chỉ ở quy mô lớn hơn

Ai cũng nói về agents, compute hay inference

Nhưng nhìn xuống ingestion layer, mình lại thấy vấn đề khó nhất là: làm sao biết dữ liệu nào còn là dữ liệu thật?

Vì nếu một mạng DeAI đủ lớn, sẽ có hàng triệu nguồn dữ liệu nhỏ được nạp vào mỗi ngày

Và nếu có reward, sẽ có người generate dữ liệu để farm incentive

Ban đầu mình nghĩ cứ verify là xong

Nhưng rồi nhận ra không ai audit thủ công nổi nữa

Nên cuối cùng hệ thống lại phải dùng AI để đánh giá dữ liệu do AI tạo ra và phân phối reward dựa trên kết quả đó

Cho tới khi mọi thứ bắt đầu tối ưu quanh “điều kiện được chấp nhận” thay vì chất lượng thật

Có lẽ đó cũng là nơi cách tiếp cận của @OpenLedger bắt đầu trở nên đáng chú ý

Có khi bottleneck lớn nhất của DeAI sau này không phải compute

Mà là chi phí để xác minh đâu mới là thứ đủ “thật” để hệ thống tiếp tục học từ nó
#openledger $OPEN $XLM $HYPE