Dulu aku pikir AI yang dibangun oleh komunitas terdengar lebih hangat daripada yang sebenarnya.
Frasa ini punya bentuk yang menarik. Ini bikin kamu membayangkan orang-orang berkumpul di sekitar model yang sama, masing-masing menambahkan pengetahuan, masing-masing memperbaiki sesuatu yang lebih besar daripada diri mereka sendiri. Tapi kebanyakan waktu, kenyataan terasa lebih tipis. Sebuah komunitas menyumbang prompt, umpan balik, file, koreksi, mungkin beberapa dataset, dan kemudian sistem menyerap semua itu ke dalam mesin yang tidak bisa benar-benar diperiksa. Komunitas hanya terlihat di awal. Setelah itu, mereka menghilang.
Itulah ketidaknyamanan yang tampaknya direspon oleh Datanets OpenLedger.
Bagian pentingnya bukan sekadar bahwa orang dapat berkontribusi data. Itu sudah terjadi di mana-mana. Setiap platform dibangun secara diam-diam dari jejak manusia. Pertanyaan yang lebih menarik adalah apakah jejak-jejak itu tetap terhubung dengan orang-orang dan kelompok yang menyediakannya. Dalam sebagian besar sistem AI, data menjadi anonim setelah memasuki jalur pelatihan. Itu dibersihkan, dicampur, dikompres, dan diubah hingga terlihat kurang seperti kontribusi dan lebih seperti bahan mentah. Orang yang membantu membentuk model menjadi suara latar belakang.
Datanets mencoba untuk menolak hilangnya itu.
Saya memikirkan mereka lebih sebagai wadah sosial untuk pengetahuan daripada sekadar penyimpanan. Datanet memberikan komunitas tempat yang terdefinisi untuk mengumpulkan data berguna di sekitar domain tertentu daripada melempar semuanya ke dalam tumpukan besar yang serba guna. Itu penting karena AI yang dibangun oleh komunitas tidak menjadi berarti hanya karena ukuran. Itu menjadi berarti melalui konteks. Sebuah kelompok yang memahami bahasa medis, ekonomi permainan, frasa hukum, budaya lokal, perilaku kode, pola pertanian, atau kebiasaan penelitian dapat membangun sesuatu yang lebih tajam daripada sekadar pengambilan acak dari internet.
Tapi ada ketegangan yang tenang di sini. Pengetahuan komunitas itu berantakan. Orang-orang mengirimkan data yang tidak merata. Beberapa kontribusi hati-hati, beberapa malas, beberapa salah, dan beberapa mencoba mengakali sistem. Jadi, ujian sebenarnya untuk Datanets bukanlah apakah mereka bisa mengumpulkan informasi. Pengumpulan itu mudah. Tugas yang lebih sulit adalah mengubah partisipasi menjadi sesuatu yang bisa digunakan tanpa meratakan orang-orang di baliknya.
Di situlah validasi dan atribusi menjadi lebih dari sekadar fitur teknis. Mereka adalah bagian dari arsitektur moral. Jika dataset diterima, dinilai, dilacak, dan kemudian terhubung dengan perilaku model, maka kontribusi tidak lagi menghilang ke dalam mesin. Itu memiliki jejak. Itu memiliki bobot. Itu dapat dipertanyakan. Itu dapat dihargai. Itu juga dapat dinilai.
Ini mengubah perasaan pengembangan AI. Alih-alih memperlakukan komunitas sebagai sumber input mentah yang tidak dibayar, struktur OpenLedger menyarankan bahwa komunitas dapat menjadi pembangun lapisan kecerdasan itu sendiri. Bukan hanya pengguna yang menunggu model untuk melayani mereka. Bukan hanya penguji yang membantu perusahaan meningkatkan produknya. Pembangun.
Tapi saya tidak akan memberikan keyakinan buta pada ide ini. Ini masih harus membuktikan bahwa ia dapat menangani masalah dasar tetapi sulit seperti kualitas data, imbalan kontributor yang adil, moderasi, lisensi, kerja tim, dan apakah imbalan benar-benar sesuai dengan dampak nyata. Konsepnya kuat, tetapi konsep bersih karena belum sepenuhnya kotor oleh skala.
Itulah mengapa Datanets menarik bagi saya. Mereka tidak secara ajaib menyelesaikan masalah kepemilikan AI, tetapi mereka menunjukkan bagian dari masalah yang paling orang lebih suka lewatkan. AI tidak hanya dibuat dari komputasi dan model. Itu dibuat dari pengetahuan manusia yang terorganisir. Jika pengetahuan itu dibangun oleh komunitas, maka komunitas tidak boleh menjadi tidak terlihat pada saat model mulai bekerja.
Mungkin itulah janji sebenarnya di sini. Bukan jawaban yang sempurna. Sebuah penolakan untuk membiarkan kontribusi menghilang dengan tenang.
@OpenLedger #OpenLedger $OPEN $SWARMS $XLM
