Kas man izceļas par pašreizējo AI tirgu, ir tas, cik ātri saruna pārtrūka uz aprēķinu sacensību.
Katrs saruna galu galā atgriežas pie GPU, modeļu lieluma, inferences ātruma, apmācību izmaksām vai tam, kurš ir savācis lielāko infrastruktūras kārtu. Pieņēmums, kas tam visam stāv aiz muguras, šķiet diezgan vienkāršs: kurš kontrolē visvairāk aprēķinu jaudas, galu galā kontrolē tirgu.
Un varbūt tas bija patiesi pirmajā AI paplašināšanās fāzē.
Bet es neesmu pilnībā pārliecināta, ka tas joprojām ir patiesi, kad šie sistēmas kļūst ekonomiski integrētas reālos darba procesos.
Jo tiklīdz AI pārstāj būt jaunums un sāk piedalīties operatīvajās vidēs, problēma mainās pilnībā. Šaurums vairs nav tikai ģenerēšanas kvalitāte. Tas kļūst par koordināciju. Atribūciju. Atļauju. Uzticību. Izcelsmi. Atbildību.
Tas izklausās smalki, līdz jūs paskatāties, kā patiesībā darbojas institūcijas.
Lielie uzņēmumi nepieņem sistēmas tikai tāpēc, ka tās ir inteliģentas. Viņi pieņem sistēmas, kuras var auditēt, atribūt, uzraudzīt, atļaut un pārvaldīt. Īpaši, ja rezultāti ietekmē naudas pārvietošanu, atbilstības lēmumus, klientu mijiedarbību, veselības aprūpes ieteikumus, finanšu izpildi vai iekšējās operācijas.
Tirgus joprojām runā par AI, it kā pati intelekts būtu trūkumā.
Es domāju, ka dziļākais trūkums var galu galā kļūt par uzticamu intelektu.
Un godīgi sakot, tās nav vienas un tās pašas lietas.
Internets jau parādīja, kas notiek, kad informācija attīstās ātrāk nekā pārbaudes sistēmas. Izplatīšana eksplodēja. Uzticība fragmentējās. Platformas kļuva pārslogotas ar atribūcijas problēmām, manipulācijām, sintētisko aktivitāti un stimulu izkropļojumiem.
AI var tagad paātrināties līdz līdzīgai fāzei, tikai ar daudz lielākām ekonomiskām sekām.
Jo šoreiz sistēmas ne tikai izplata informāciju. Tās arvien vairāk pieņem lēmumus, aktivizē darbības, koordinē darba plūsmas, sadala kapitālu, mijiedarbojas ar API, pārvalda likviditāti, optimizē operācijas un galu galā sarunājas ar citām autonomām sistēmām.
Tas pilnībā maina infrastruktūras prasības.
Interesantākais jautājums vairs nav, vai AI var ražot iznākumu.
Tas noteikti var.
Svarīgāks jautājums kļūst: kā tirgi nosaka, vai AI sistēmai vajadzētu uzticēties operatīvi?
Un es domāju, ka šeit daudzi cilvēki var būt kļūdījušies par @OpenLedger.
Lielākā daļa cilvēku joprojām kategorē to parasto kripto AI kategorijā. Vēl viena monēta pievienota vēl vienai AI naratīvam. Vēl viens tirgus. Vēl viens koordinācijas slānis. Vēl viens infrastruktūras protokols, kas cenšas tokenizēt datu ieguldījumu vai modeļa dalību.
Bet dziļāks maiņas process var patiesībā notikt kaut kur citur.
OpenLedger arvien vairāk izskatās nevis kā vienkāršs AI tirgus, bet gan kā infrastruktūra ekonomiskai atribūcijai.
Šī atšķirība ir svarīgāka, nekā cilvēki apzinās.
Jo atribūcija klusi kļūst par vienu no visgrūtākajiem jautājumiem mašīnu ekonomikā.
Ja AI aģents ģenerē vērtību multi-aģentu darba plūsmā, kurš tiek kreditēts?
Ja modelis tika apmācīts uz sadalītiem datu kopām, ko ieguldījuši vairāki subjekti, kas iegūst ekonomiskās tiesības uz rezultātiem?
Ja autonomas sistēmas sāk mijiedarboties ekonomiski savā starpā, kā reputācija uzkrājas laika gaitā?
Kā institūcijas pārbauda rezultātu izcelsmi?
Kā uzņēmumi atšķir uzticamu izpildes sistēmu no probabilistiskām melnām kastēm?
Un varbūt vissvarīgākais, kā izveidot ekonomiskās sistēmas, kur dalības kvalitāte ir svarīgāka par neapstrādātas izsūknēšanas ātrumu?
Es joprojām atgriežos pie šī pēdējā punkta.
Krypto vēsturiski cieta no stimulu ilgtspējas. Daudzi tīkli intensīvi optimizēja dalības daudzumu, kamēr nepietiekami novērtēja dalības kvalitāti. Tas uz kādu laiku radīja likviditāti, bet ne obligāti uzticamu koordināciju.
AI ievieš līdzīgu risku daudz lielākā mērogā.
Ja katrs aģents var lēti ģenerēt bezgalīgas iznākumus, tad iznākumu pārbagātība pati par sevi vairs nenes ekonomisku svaru. Tirgi galu galā vajag filtrēšanas sistēmas. Reputācijas sistēmas. Atļauju sistēmas. Ieguldījumu sistēmas.
Pretējā gadījumā mašīnu radītais troksnis vienkārši pārpludina mašīnu radīto vērtību.
Tas šķiet arvien aktuālāk, skatoties uz to, kur OpenLedger šķiet, ka tas pozicionējas.
Ne tikai ap AI hype cikliem, bet arī ap operatīvo slāni zem AI koordinācijas.
Pastāv svarīga atšķirība starp modeļa izveidošanu un infrastruktūras izveidi, kas spēj pārbaudīt, kurš ieguldījis, kurš izpildījis, kurš atļāvis, kurš apmācījis, kurš validējis un kuram vajadzētu ekonomiski gūt labumu no lejupējās aktivitātes.
Tie izklausās pēc backend problēmām, līdz lielu mērogu finanšu sistēmas sāk dziļāk integrēt AI.
Tad pēkšņi izcelsme kļūst operatīvi kritiska.
Piemēram, ņemiet uzņēmumu AI pieņemšanu.
Lielākā daļa uzņēmumu vairs nebaidās no AI, jo šaubās par modeļa spējām. Atturība arvien vairāk rodas no pārvaldības neskaidrības. Datu izcelsmes neskaidrības. Atbilstības neskaidrības. Atribūcijas neskaidrības.
Kas kļūst juridiski atbildīgs, kad autonomas sistēmas pieļauj kļūdas?
Kuras datu kopas ietekmēja lēmumu?
Vai rezultātus var izsekot?
Vai atļaujas var tikt segmentētas?
Vai iekšējie dati var palikt nodalīti?
Vai izpildes tiesības var būt ierobežotas?
Vai uzvedības vēstures var auditēt?
Šie nav izsmalcināti jautājumi, bet infrastruktūras tirgi bieži tiek veidoti ap neizsmalcinātiem šaurumiem.
Mākoņdatošana kļuva vērtīga, jo operatīvā skalējamība bija svarīga. Maksājumu tīkli kļuva vērtīgi, jo norēķinu koordinācija bija svarīga. Meklēšana kļuva vērtīga, jo informācijas filtrēšana bija svarīga.
AI infrastruktūra var attīstīties līdzīgi.
Un godīgi sakot, es aizdomājos, cik daudz tirgus joprojām nenovērtē, cik daudz institucionālā pieņemšana ir atkarīga no operatīvās uzticības slāņiem, nevis tikai no neapstrādātas intelekta slāņiem.
Tas ir daļēji iemesls, kāpēc es domāju, ka "AI aprēķinu pārākums" naratīvs var galu galā kļūt nepilnīgs.
Aprēķins, iespējams, joprojām ir ļoti svarīgs.
Bet laika gaitā pats aprēķins riskē kļūt par preču.
Atvērtā koda modeļi turpina uzlaboties. Iegūšanas izmaksas turpina samazināties. Mazākie specializētie modeļi kļūst arvien spējīgāki. Sadalītās apmācības pieejas strauji paplašinās. Pat robežspējas priekšrocības var sašaurināties ātrāk nekā gaidīts.
Ja šis trends turpinās, trūkums var pārvietoties uz koordinācijas infrastruktūru.
Nevis kurš var ģenerēt intelektu.
Bet kas var droši pārbaudīt, atļaut, pārvaldīt, koordinēt, atribūt un operacionizēt intelektu lielā mērogā.
Tas šķiet tuvāk tam, kur OpenLedger cenšas atrasties.
Tomēr šeit pastāv reālas neskaidrības.
Institucionālā AI pieņemšana rit lēnāk, nekā kripto tirgi vēlētos. Pārvaldības sistēmas paliek nenobriedušas. Atribūcijas ietvari joprojām juridiski un tehniski attīstās. Multi-aģentu koordinācija ievieš milzīgu sarežģītību. Reputācijas sistēmas pašas var kļūt manipulējamas. Atļauju slāņi var ieviest centralizācijas riskus.
Un token ekonomika ap AI infrastruktūru joprojām ir grūti precīzi novērtēt, jo vērtības uzkrāšanas mehānismi joprojām ir ļoti eksperimentāli.
Ir arī iespēja, ka uzņēmumi vienkārši izveido slēgtas iekšējās sistēmas, nevis paļaujas uz atvērtām koordinācijas ietvariem.
Šis risks ir reāls.
Bet pat slēgtas sistēmas galu galā prasa savstarpējās saskaņas standartus, kad ārējā koordinācija kļūst ekonomiski nepieciešama. Finanšu sistēmas to iemācījās. Interneta sistēmas to iemācījās. Piegādes ķēdes to iemācījās.
AI sistēmas, iespējams, arī darīs.
Īpaši, ja mašīnu ekonomikās turpinās attīstīties.
Jo autonomas sistēmas, kas ekonomiski mijiedarbojas ar citām autonomām sistēmām, rada pavisam jaunas uzticības prasības.
Cilvēks var daļēji paļauties uz intuīciju, juridiskām sistēmām vai sociālo kontekstu.
Mašīnas to nevar.
Mašīnām ir nepieciešami strukturēti uzticības ietvari.
Reputācijas ietvari.
Atļauju ietvari.
Atribūcijas ietvari.
Izpildes validācijas sistēmas.
Un godīgi sakot, tas var kļūt par vienu no lielākajiem infrastruktūras tirgiem nākamajā ciklā.
Nevis AI kā izklaidi.
Nevis AI kā jaunumu.
Bet mākslīgais intelekts kā operatīvā infrastruktūra, kas tieši iekļaujas ekonomiskajos sistemas.
Tirgus joprojām šķiet ļoti fokusēts uz intelekta ražošanu, jo tas ir vieglākais slānis vizualizēt. Lielāki modeļi rada redzamu progresu. Labāki iznākumi rada redzamu satraukumu.
Koordinācijas infrastruktūra ir mazāk redzama.
Bet vēsturiski neredzamie infrastruktūras slāņi bieži beidzas ar disproporcionālu ilgtermiņa vērtību, jo tie kļūst ekonomiski nepieciešami, kad sistēmas attīstās.
Internets galu galā vajadzēja identitātes slāņus.
Finansēm galu galā vajadzēja norēķinu slāņus.
Globālā tirdzniecība galu galā vajadzēja uzticības slāņus.
AI var galu galā vajadzēt atribūcijas un atļauju slāņus tādā pašā veidā.
Un varbūt tas ir tas, ko lielākā daļa cilvēku joprojām nesaprot par OpenLedger.
Nevis vai AI kļūst lielāks.
Bet kāda veida infrastruktūra kļūst neizbēgama, kad AI sāk tieši piedalīties reālā ekonomiskajā koordinācijā.