البيانات موجودة في الخلفية. النموذج موجود خلف الشاشة. الأشخاص الذين ساعدوا في الإنشاء، والتحسين، والتنسيق، أو توفير المعرفة عادة ما لا يكونون جزءًا من القصة بعد الآن. هم هناك، بطريقة ما، لكنهم ليسوا مرئيين حقًا.
هذه واحدة من الأسباب التي تجعل OpenLedger تستحق الانتباه.
ليس لأن الأمر يتعلق ببساطة بدمج الذكاء الاصطناعي والبلوك تشين. تلك الجملة وحدها لم تعد تقول الكثير. الكثير من المشاريع تقول ذلك. قد يبني بعضها أشياء مفيدة، والبعض الآخر قد لا يفعل. الكلمات نفسها ليست كافية.
ما هو أكثر إثارة للاهتمام هو المشكلة التي يبدو أن OpenLedger تدور حولها.
يحتاج الذكاء الاصطناعي إلى الثقة، لكن الثقة صعبة عندما يكون كل شيء مخفيًا.
عندما يقدم نموذج الذكاء الاصطناعي إجابة، فإن معظم المستخدمين لا يعرفون ما الذي شكل تلك الإجابة. لا يعرفون أي بيانات ساعدت في تدريبه. لا يعرفون ما إذا كان النموذج قد تم تحسينه من خلال مدخلات الخبراء، البيانات العامة، مجموعات البيانات الخاصة، أو مزيج من كل شيء. كما أنهم لا يعرفون من يجب أن يحصل على القيمة عندما يصبح هذا النموذج مفيدًا.
بالنسبة لمعظم الناس، قد يبدو هذا وكأنه قضية تقنية بعيدة. لكنه يصبح أكثر واقعية عندما تفكر في كيفية انتقال الذكاء الاصطناعي إلى العمل اليومي.
قد ترغب شركة ما في استخدام الذكاء الاصطناعي المدرب على المعرفة الخاصة بالصناعة. قد يرغب منشئ محتوى ما في استخدام بياناته، لكن دون أن تختفي بدون ائتمان. قد يبني مطور وكيلًا يعتمد على نماذج ومجموعات بيانات مختلفة. قد ترغب شركة ما في معرفة ما إذا كان نظام الذكاء الاصطناعي موثوقًا بما يكفي للاستخدام في سير العمل الجاد.
في تلك النقطة، السؤال ليس فقط "هل يعمل الذكاء الاصطناعي؟"
تسأل السؤال: "هل يمكننا فهم ما يعتمد عليه؟"
هذه هي النقطة التي يبدأ فيها فكرة OpenLedger بالشعور بمزيد من العملية.
إنه يحاول إنشاء نظام حيث لا يتم التعامل مع البيانات والنماذج والوكلاء كأجزاء فضفاضة وغير مرئية. يمكن ربطهم. يمكن أن تكون لديهم سجلات. يمكن أن تحمل بعض التاريخ من أين أتوا وكيف يتم استخدامها.
قد يبدو ذلك صغيرًا، لكنه يغير طريقة تحرك القيمة.
في عالم الذكاء الاصطناعي اليوم، غالبًا ما يتم امتصاص البيانات في نظام أكبر، وعندما يحدث ذلك، يصبح من الصعب فصل المصدر عن النتيجة النهائية. قد تساعد مجموعة بيانات مفيدة في تحسين نموذج، لكن الشخص أو المجموعة وراء تلك المجموعة قد لا يكون لديهم طريقة واضحة للاستفادة من الاستخدام المستقبلي. قد يخدم نموذج أصغر غرضًا مهمًا، لكنه قد يكون مدفونًا تحت تطبيق أكبر. قد يؤدي وكيل مهمة بشكل جيد، لكن الموارد التي تدعمه قد تظل غير مرئية.
يبدو أن OpenLedger تسأل عما إذا كان يمكن جعل تلك الطبقات أكثر وضوحًا.
ليس واضحًا تمامًا. سيكون من السهل جدًا القول بذلك ومن المحتمل ألا يكون واقعيًا. لكن أوضح مما هي عليه الآن.
وربما يكون ذلك كافيًا للبدء.
لأن الذكاء الاصطناعي لا يحتاج فقط إلى المزيد من البيانات. يحتاج إلى أسباب أفضل للناس لمشاركة بيانات جيدة. يحتاج إلى أنظمة حيث لا يتم التعامل مع المساهمات المفيدة مثل المدخلات لمرة واحدة التي تختفي في آلة شخص آخر. يحتاج إلى طريقة تجعل الأجزاء المختلفة تعمل معًا دون أن يصبح كل شيء مغلقًا، خاصًا، وصعب التحقق منه.
يمكن أن تساعد تقنية البلوك تشين في جزء من ذلك، على الأقل من الناحية النظرية. يمكن أن توفر سجلات مشتركة، قابلة للتتبع، وصعب تغييرها بهدوء. هذا لا يحل كل مشكلة في الذكاء الاصطناعي. لا يجعل نموذجًا جيدًا تلقائيًا. لا ينشئ طلبًا سحريًا. لا يزيل الحاجة إلى منتجات قوية.
لكنه يمكن أن يساعد في التنسيق.
وتنسيق الأمور أكثر أهمية مما يعتقد الناس أحيانًا.
الذكاء الاصطناعي ليس شيئًا واحدًا. إنه مجموعة من العديد من الأشياء. البيانات، الحساب، النماذج، التقييم، الوكلاء، الواجهات، المستخدمون، التغذية الراجعة. كل طبقة تعتمد على طبقة أخرى. عندما تكون الروابط بينها غير واضحة، تصبح القيمة فوضوية. يتم مكافأة بعض المساهمين. يتم نسيان آخرين. تكسب بعض الأنظمة الثقة. تبدو أخرى كصناديق سوداء.
OpenLedger مثير للاهتمام لأنه ينظر إلى تلك المنطقة الفوضوية المتوسطة.
المكان بين البيانات الخام والذكاء الاصطناعي المفيد.
هذه هي النقطة التي قد تكون فيها القيمة المستقبلية.
ليس فقط في النموذج الأكبر. ليس فقط في الوكيل الأكثر بريقًا. ولكن في مجموعات البيانات المحددة، والمعرفة المتخصصة، والنماذج المضبوطة بدقة، والتحسينات الصغيرة التي تجعل الذكاء الاصطناعي مفيدًا في المواقف الحقيقية. النوع من القيمة التي من السهل أن تُغفل لأنها ليست دائمًا صاخبة.
يمكنك عادةً أن تخبر بذلك في التكنولوجيا بعد فترة. المرحلة الأولى تتعلق ببناء أدوات قوية. المرحلة التالية تتعلق بجعل تلك الأدوات قابلة للاستخدام، موثوقة، ومتصلة بالحوافز الحقيقية.
يبدو أن الذكاء الاصطناعي يدخل تلك المرحلة الثانية الآن.
يبدأ الناس في طرح أسئلة مختلفة. من أين جاءت هذه المعلومات؟ هل يمكن الوثوق بهذا النموذج؟ من يستفيد من مساهمتي؟ هل يمكن أن تصبح البيانات شيئًا أكثر نشاطًا من ملف يجلس في التخزين؟ هل يمكن للوكلاء إنشاء قيمة بينما لا يزالون متصلين بالموارد التي يستخدمونها؟
OpenLedger تجلس داخل تلك الأسئلة.
لا يحتاج إلى وصفه كإصلاح ثوري ليكون مثيرًا للاهتمام. أحيانًا تكون أفكار البنية التحتية الهادئة أكثر أهمية مما تبدو في البداية. لا تصدر دائمًا ضجيجًا. تحاول فقط إصلاح الفجوات التي تصبح واضحة بمجرد بدء السوق في النضوج.
وفي الذكاء الاصطناعي، واحدة من تلك الفجوات هي الملكية.
ليس الملكية بالمعنى البسيط لحيازة شيء. بل مثل معرفة كيفية إنشاء القيمة، وأين تسافر، وما إذا كان للأشخاص وراءها أي مكان في النظام بعد استخدام عملهم.
هذه مشكلة أصعب مما تبدو.
دور OpenLedger، على الأقل من هذه الزاوية، يتعلق بإعطاء أصول الذكاء الاصطناعي مسارًا أكثر وضوحًا. يمكن أن تصبح البيانات أكثر من مدخل مخفي. يمكن أن تحمل النماذج المزيد من السياق. يمكن ربط الوكلاء بالأنظمة التي تدعمهم. يمكن أن تتحرك القيمة مع مزيد من الذاكرة.
ربما يكون هذا هو الجزء الذي يستحق المراقبة.
ليس مجرد تسمية "بلوك تشين الذكاء الاصطناعي"، ولكن محاولة لجعل الطبقات المخفية من الذكاء الاصطناعي أكثر وضوحًا، وأكثر ارتباطًا، وربما أكثر عدلاً قليلاً.
ما زال الوقت مبكرًا. يعتمد الكثير على الاعتماد، وحالات الاستخدام الحقيقية، وما إذا كان الناس فعلاً يرغبون في البناء على هذا النوع من النظام.
لكن الحاجة وراء ذلك تبدو حقيقية بما فيه الكفاية.
مع استمرار انتشار الذكاء الاصطناعي، قد لا تختفي السؤال الهادئ تحت السطح.
من يُرى عندما تصبح الذكاء مفيدًا...
@OpenLedger #OpenLedger $OPEN $OPEN
