kad pirmo reizi izlasīju @OpenLedger baltā grāmata, es pārlaidīju matemātiku tāpat kā lielākā daļa cilvēku. pēc tam es atgriezos. ir viena izteiksme, kas mierīgi atrodas 2.2.2 sadaļā, kas pārformulē visu, ko Web3 ir mēģinājusi uzbūvēt ap ieguldījumu un atlīdzību ∂L/∂θ, modeļa zaudējumu daļējā atvasinājuma attiecībā pret tā parametriem. šis gradients precīzi mēra, cik jutīga ir modeļa veiktspēja pret izmaiņām tā svaros. tas ir katra mūsdienu mašīnmācīšanās treniņa cikla kodols.
kas mani apturēja, ir tas, ko OpenLedger dara tālāk; tas reizināja šo gradientu ar otro, kas seko tam, cik daudz konkrēts datu punkts pārvietoja šīs svarus. Šis produkts dod skaitli, kas atbild uz kaut ko, ko internets nekad nav skaidri atbildējis: vai jūsu ieguldījums patiešām mainīja to, ko modelis zina?
ko es uzskatu par visnozīmīgāko, ir tas, kā tas pārformulē Web3. Šī joma ir pavadījusi gadus, atlīdzinot stake uptime un cOmput, visi ir vērtības aizstājēji, neviens no tiem nemēra faktisko lietu. AI ekonomikā ietekme uz modeļa izeju ir svarīgākais. Šis atvasinājums to precīzi fiksē. Lielākā daļa izstrādātāju uzskata atribūciju par pārvaldības jautājumu. OpenLedger to uzskata par kalkulācijas problēmu. Šī atšķirība nav kosmētiska. Tā ir visa pamats.
$OPEN
