Lại là một câu chuyện cười giữa mình và AI 😂
Khoảng tuần trước, mình ngồi tranh luận với ChatGPT về một chủ đề tài chính. Ban đầu chỉ định hỏi nhanh một câu thôi, nhưng rồi cuộc trò chuyện kéo dài gần 20 phút.
Không phải vì nó quá thông minh.
Mà vì nó sai.
Mình sửa một đoạn, nó trả lời lại. Mình sửa tiếp. Đến lúc đóng cửa sổ chat, mình mới nhận ra mình vừa dành nhiều thời gian để cải thiện câu trả lời của nó hơn là để tìm câu trả lời cho chính mình.
Lúc đó mình chẳng nghĩ gì nhiều.
Nhưng vài ngày sau, tự nhiên mình lại nhớ tới chuyện đó.
Và một câu hỏi khá kỳ lạ xuất hiện.
Nếu hàng triệu người cũng đang làm điều tương tự mỗi ngày thì chính xác chuyện gì đang diễn ra ở đây?
Chúng ta đang sử dụng AI.
Hay AI đang âm thầm học từ chúng ta nhiều hơn chúng ta tưởng?
Ban đầu mình nghĩ đây đơn giản là câu chuyện về dữ liệu.
AI mạnh lên vì có nhiều dữ liệu hơn.
Nghe hoàn toàn hợp lý.
Nhưng càng đọc về cách các mô hình được cải thiện theo thời gian, mình càng thấy lời giải thích đó thiếu một thứ gì đó.
Bởi điều mình nhìn thấy mỗi ngày không chỉ là dữ liệu.
Đó là những đóng góp rất cụ thể của con người.
Có người sửa câu trả lời.
Có người bổ sung ngữ cảnh.
Có người phát hiện lỗi lập luận.
Có người chia sẻ một kinh nghiệm rất đặc thù mà mô hình gần như không thể tự học được từ Internet.
Càng nhìn những tương tác đó, mình càng thấy chúng giống lao động trí tuệ hơn là dữ liệu thô.
Và đó là lúc mình bắt đầu nhìn cuộc đua AI theo một hướng khác.
Có lẽ vấn đề lớn nhất không phải làm sao tạo ra nhiều tri thức hơn.
Mà là làm sao biết tri thức đó thực sự đến từ đâu.
Nghe hơi trừu tượng.
Mình cũng từng nghĩ vậy.
Nhưng càng suy nghĩ, mình càng thấy đây không phải một câu hỏi triết học.
Nó là một câu hỏi kinh tế.
Bởi trong gần như mọi ngành công nghiệp, khi một thứ trở nên có giá trị, sớm hay muộn người ta cũng sẽ tìm cách xác định ai đã góp phần tạo ra giá trị đó.
Riêng với AI, phần lớn những đóng góp đó vẫn biến mất vào bên trong hệ thống.
Người dùng tạo ra tín hiệu.
Mô hình hấp thụ tín hiệu.
Giá trị được tạo ra.
Nhưng đường đi của giá trị lại rất khó lần theo.
Điều thú vị là khi cố trả lời câu hỏi đó, mình nhận ra @OpenLedger dường như đang bắt đầu từ chính nơi mà phần lớn mọi người bỏ qua
Ban đầu, mình nghĩ đây chỉ là thêm một dự án AI nữa trong một thị trường vốn đã đầy các dự án AI.
Nhưng càng đọc, mình càng thấy họ đang đặt cược vào một giả định khác.
Rằng tương lai của AI không chỉ phụ thuộc vào việc mô hình mạnh đến đâu.
Nó còn phụ thuộc vào khả năng ghi nhận và phân phối giá trị cho những người đã góp phần làm cho mô hình đó trở nên hữu ích.
Nhìn từ góc độ này, những mảnh ghép của OpenLedger bắt đầu kết nối với nhau theo cách hợp lý hơn.
EigenLayer không chỉ là bảo mật.
Kaito không chỉ là mindshare.
Aethir cũng không đơn thuần là năng lực tính toán.
Điều làm mình chú ý hơn là cách chúng được kéo vào cùng một bài toán.
Dữ liệu.
Tính toán.
Mô hình.
Attribution.
Những thứ vốn thường nằm ở các hệ sinh thái riêng biệt đang được ghép lại thành một vòng lặp giá trị tương đối hoàn chỉnh.
Và thành thật mà nói, đây là góc nhìn mình không thấy nhiều ở các dự án AI khác.
Nhưng càng tìm hiểu, mình lại đổi ý thêm một lần nữa.
Trước đó mình nghĩ hạ tầng là phần khó nhất.
Giờ thì không chắc nữa.
Lịch sử công nghệ cho thấy con người khá giỏi xây hạ tầng.
Thứ khó hơn thường là tạo ra lý do để người khác tiếp tục đóng góp vào hạ tầng đó.
Đó là lúc OpenCircle SeedLab trở nên thú vị với mình.
Ban đầu, nó giống một chương trình tài trợ quen thuộc.
25.000 USD cho nhà phát triển độc lập.
500.000 USD cho startup trưởng thành.
Nhìn bề ngoài không có gì quá khác biệt.
Nhưng rồi mình nhận ra thứ đáng chú ý không nằm ở số tiền.
Mà nằm ở loại ứng dụng họ muốn xuất hiện.
Từ AI wallet cho tới các mô hình chuyên biệt được huấn luyện trên dữ liệu DeFi.
Điều đó khiến mình nhận ra một niềm tin khá rõ ràng.
Rằng giá trị lớn nhất của AI trong tương lai có thể không nằm ở mô hình nền tảng.
Mà nằm ở những lớp ứng dụng và tri thức chuyên ngành được xây dựng phía trên nó.
Nói cách khác, mô hình ngày càng giống hạ tầng.
Trong khi hiểu biết chuyên biệt lại ngày càng trở thành tài sản khan hiếm.
Nhưng điều khiến mình suy nghĩ nhiều nhất lại nằm ở một nghịch lý khác.
Nếu @OpenLedger thực sự giải quyết được bài toán attribution thì điều gì sẽ xảy ra tiếp theo?
Thoạt nhìn, câu trả lời khá đơn giản.
Những người đóng góp sẽ được ghi nhận tốt hơn.
Nghe hoàn toàn hợp lý.
Nhưng càng nghĩ, mình càng không chắc mọi thứ sẽ đơn giản như vậy.
Phần lớn tri thức trên Internet được tạo ra theo một cách rất lộn xộn.
Một người đưa ra ý tưởng.
Người khác phản biện.
Người khác nữa bổ sung dữ liệu.
Rồi một ai đó kết nối tất cả lại với một lĩnh vực hoàn toàn khác.
Cuối cùng, giá trị xuất hiện từ sự chồng chéo của rất nhiều đóng góp nhỏ.
Không ai thực sự sở hữu toàn bộ câu chuyện.
Nhưng chính sự lộn xộn đó lại thường tạo ra những ý tưởng mới.
Nếu attribution thất bại, phần lớn giá trị sẽ tiếp tục chảy về những nền tảng sở hữu hệ thống.
Điều đó tương đối dễ hình dung.
Nhưng nếu attribution thành công tuyệt đối, một câu hỏi khác lại xuất hiện.
Liệu con người còn sẵn sàng chia sẻ những ý tưởng chưa hoàn thiện khi mọi ý tưởng đều có thể được định giá?
Liệu những cuộc tranh luận ngẫu nhiên có còn diễn ra tự nhiên nếu mọi đóng góp đều mang ý nghĩa kinh tế?
Hay chúng ta sẽ bắt đầu đối xử với tri thức giống như tài sản tài chính, chỉ công bố khi đã hiểu rõ giá trị của nó?
Mình không nghĩ @OpenLedger tạo ra vấn đề đó.
Nếu có, họ đang cố giải quyết một bất công đã tồn tại từ lâu.
Nhưng chính điều đó lại khiến chủ đề này trở nên thú vị.
Bởi có thể cuộc chiến lớn nhất của AI sẽ không nằm giữa các mô hình.
Cũng không nằm giữa các blockchain.
Mà nằm ở việc tìm ra điểm cân bằng giữa hai thứ tưởng như đối lập.
Ghi nhận đóng góp một cách công bằng.
Nhưng vẫn giữ được sự cởi mở đã giúp Internet tạo ra vô số ý tưởng trong nhiều thập kỷ qua.
Đến giờ mình vẫn chưa chắc câu trả lời nằm ở đâu.
Có lẽ đó là lý do mình tiếp tục theo dõi những dự án như @OpenLedger
Không phải vì chúng đưa ra câu trả lời cuối cùng.
Mà vì chúng buộc chúng ta phải đối mặt với những câu hỏi mà trước đây gần như chẳng ai nghĩ tới.
#openledger @OpenLedger $OPEN $XLM $HYPE