Pirms dažām dienām draugs jautāja man, viņš teica, ka viņš kādā platformā augšupielādējis simtiem nozares datu, un rezultātā platforma tos izmantoja modeļa apmācībai, bet nekas viņam netika samaksāts. Es teicu, ka tas ir normāli, tagad gandrīz visas AI kompānijas tā rīkojas, tikai cilvēki vēl nav apzinājušies, cik absurdi tas ir.
Padomā, YouTube agrāk arī bija šī loģika. Saturu veidotāji augšupielādēja video, platforma izmantoja tavu saturu, lai piesaistītu lietotājus un pārdotu reklāmas, tu neko nesaņēmi. Vēlāk YouTube izveidoja dalīšanas mehānismu, un visa ekosistēma sāka darboties. Bet AI jomā datu devēju dalīšana joprojām ir tukša vieta. Openledger, ko viņi dara, būtībā ir mēģinājums aizpildīt šo caurumu protokola līmenī.
Es zinu, ka 'blockchain + AI' šis termins tagad ir kļuvis pārspīlēts, daudzi projekti izmanto šo naratīvu, lai piesaistītu uzmanību, bet OpenLedger pieeja, manuprāt, ir vērta nopietni aplūkot, jo tā ne tikai darbojas kā skaitļošanas slānis, ne arī kā glabāšanas slānis, bet mērķē uz augstāku jautājumu: no kurienes nāk dati, kurš tos izmanto, cik daudz, un kas šos norēķinus uzskaita.
Šeit ir viens sīks detaļas par dibinātāju komandu. Dibinātājs Pryce Yebesi 24 gadu vecumā jau bija piedzīvojis vienu iziešanu, viņš pārdeva savu kriptovalūtu maksājumu uzņēmumu Utopia Labs Coinbase. Tas nav tikai uz papīra uzskaitījums, Utopia Labs tajā laikā apstrādāja ievērojamu daudzumu uz ķēdes maksājumu datu grāmatvedības loģikas, šī pieredze deva viņam salīdzinoši dziļu izpratni par 'datu un naudas norēķinu attiecībām'. Viņš nav nācis no akadēmiskā viedokļa, bet gan no reālām biznesa sāpēm.
Paša projekta struktūrā es domāju, ka ir trīs slāņi, ko vajadzētu atdalīt.
Apakšā ir ķēdes daļa. OpenLedger ir būvēts uz OP Stack un EigenDA, tas ir Ethereum saderīgs L2, ar zemu maksu, augstu caurlaidspēju un drošību, kas balstīta uz Ethereum galveno tīklu. Šī izvēle nav nekas īpaši pārsteidzošs, bet izvēlēties EigenDA kā datu pieejamības slāni ir loģiski, jo AI apmācības datu apjoms ir liels, un uz ķēdes glabāšanas izmaksas ir reāla izmaksu problēma, EigenDA var samazināt šo izmaksu daļu.
Vidējais slānis ir Datanet, kas ir visas sistēmas kodols. Katrs Datanet būtībā ir uz ķēdes datu kopu primitīvs, un devēju augšupielādētie dati ir aprīkoti ar metadatiem, laika zīmogu un piederības informāciju, modeļa apmācības laikā tiks reģistrēti datu avoti no kuriem nāk Datanet, tādējādi nodrošinot noteiktu atribūciju izsekošanu. Un šie Datanet nav statiski, jo arvien vairāk devēju augšupielādē datus, un arvien vairāk modeļu tiek apmācīti uz tiem, katrs Datanet pakāpeniski attīstīsies par augstas kvalitātes vertikālo korpusu, ko atbalsta caurspīdīga izsekojamība, būtībā pārvēršoties par ekonomisku objektu, kas spēj pastāvīgi radīt atribūcijas atlīdzības. Šis dizaina domāšanas punkts man šķiet interesants, jo tas pārvērš datus no 'vienreizējas aktīvas' par 'pastāvīgi ienesošām aktīvām', loģiski tuvāk autoratlīdzībām nekā pirkšanai un pārdošanai.
Augšējais slānis ir atribūciju slānis, proti, Proof of Attribution. Agrāk es biju skeptisks attiecībā uz šāda veida mehānismiem, jo tehniski 'precīzi izmērīt noteiktas datu ietekmi uz modeļa rezultātiem' ir ļoti grūts jautājums. Bet pēc tam, kad izlasīju OpenLedger 2025. gada jūnijā izdoto PoA baltās grāmatas, viņu risinājums izrādās ar tehnisku specifiku: maziem modeļiem izmanto ietekmes funkciju tuvinājumus, bet lieliem valodas modeļiem izmanto tokenu atribūciju, kas balstīta uz suffix masīviem, lai pārbaudītu izejas tokenu un saspiestā treniņu korpusa atbilstību. [推断] Šīs divas metodes nav jaunas izgudrojums, akadēmiskajā pasaulē jau ir attiecīgas pētījumi, OpenLedger tās ir ieviesis sistēmā, kas var norēķināties uz ķēdes, šis solis ir viegli teikt, bet grūti izpildīt, grūtības ir saistītas ar lielo skaitļošanas izdevumu, par ko viņi pašlaik nav publiskojuši detalizētus slodzes testēšanas datus.
$OPEN funkciju pozicionēšanas ziņā oficiālā dokumentācija ir diezgan skaidra. Tas pilda trīs galvenās funkcijas: darbojas kā OpenLedger ķēdes visu aktivitāšu gāze, kalpo kā galvenā maksa par inferenci un jaunu AI modeļu veidošanu, kā arī caur Proof of Attribution sistēmu izplata atlīdzības datu devējiem. Ir arī mehānisms, ko sauc par IAO (Initial AI Offering), kas ļauj radītājiem tokenizēt savus AI modeļus, pārvēršot tos par uz ķēdes tirgojamiem aktīviem, atbalstot modeļu izstrādes pūļa finansējumu, kopienas pārvaldību un ieguldītāju likviditātes izbeigšanu. Šo funkciju es vēl neesmu redzējis daudz īstenošanas gadījumu, [推断] šobrīd, šķiet, ir agrīnā posmā.
Datu jomā no 2024. gada decembra līdz 2025. gada februārim stimulējošajā testnetā OpenLedger piesaistīja vairāk nekā 6000000 mezglu, 25000000 darījumu un vairāk nekā 20000 modeļu izvietojumu. 2025. gada septembrī galvenā tīkla palaišana, tajā pašā dienā Binance oficiāli tirgoja, un palaišanas dienā tokena cena pieauga par 200%. Bet šeit man jāpasaka kaut kas ne tik patīkams: strauja pieauguma un pēc tam ilgstoša krituma scenārijs ir Binance jauno projektu standarts, ...
2026. gada sākumā kāds kopienas dalībnieks norādīja, ka tokena cena ir samazinājusies par vairāk nekā 88% salīdzinājumā ar sākotnējo cenu. Tas nenozīmē, ka projektam ir problēmas, bet norāda, ka tirgus pacietība attiecībā uz 'AI + blockchain' šo naratīvu ir ierobežota, protokolam ir jāpierāda sevi ar reālu datu patēriņu un devēju aktivitāti.
No nesenajiem notikumiem ir viena lieta, ko es domāju, ka būtu vērts pievērst uzmanību: 2026. gada janvārī OpenLedger sadarbojās ar Story Protocol, lai ieviestu jaunu standartu juridiskai AI apmācībai, kas automātiski maksā autoru īpašniekiem. Šis virziens ir interesants, jo juridiskajā jomā ir viena no patiesajām vajadzībām specializētiem valodas modeļiem; advokātu biroji nevar sniegt gadījumu detaļas GPT, bet privātā apmācību sistēma, kas stingri garantē datu izsekojamību un izmantošanas tiesības, ir tā, par ko viņi ir gatavi maksāt.
Runājot par galveno, OpenLedger risina reālas problēmas, ar tehniski dziļu mehānismu dizainu un komandu ar patiesu biznesa pieredzi. Bet šobrīd tās lielākais izaicinājums nav tehnoloģija, bet gan aukstā starta fāze; datu devējiem jābūt pietiekami daudz un datu kvalitātei jābūt augstai, lai modeļu izstrādātāji nāktu ņemt datus; kad modeļu izstrādātāji ieradīsies, devēji turpinās augšupielādēt. Vai šis lidojošais ritenis spēs griezties, vēl ir nepieciešams laiks un vairāk vertikālo scenāriju, lai to pārbaudītu. Es turpināšu sekot.
@OpenLedger #OpenLeder #openledger
