AI tagad ir dīvaina problēma.

Ir pārāk daudz no tā.

Pārāk daudz rīku. Pārāk daudz modeļu. Pārāk daudz aģentu. Pārāk daudz datu kopu ar skaistiem nosaukumiem un neskaidru vērtību. Katra nedēļa atnes kaut ko jaunu. Jauns asistents. Jauns darba plūsmas modelis. Jauns modelis, kas apgalvo, ka ir ātrāks, lētāks, gudrāks vai specializētāks par iepriekšējo.

Sākumā tas šķiet aizraujoši.

Pēc tam tas kļūst nogurdinoši.

Jo, kad viss apgalvo, ka ir noderīgs, noderību kļūst grūtāk saskatīt.

Tas ir viens leņķis, kur @OpenLedger sāk šķist interesants. Ne tikai kā AI blokķēde. Ne tikai kā veids, kā monetizēt datus, modeļus un aģentus. Bet arī kā iespējamā atbilde uz pieaugošo troksni ap AI.

Problēma nav tā, ka cilvēki būvē pārāk daudz. Būvēšana ir labi. Eksperimentēšana ir laba. Daudz progresu nāk no cilvēkiem, kuri mēģina dīvainas, šauras, nepabeigtas lietas. Problēma ir tāda, ka AI telpa sāk piepildīties ar aktīviem, kurus no malas ir grūti novērtēt.

Datu kopas var šķist vērtīgas, bet neviens nezina, vai tās ir tīras.
Modelis var izskatīties iespaidīgs, bet neviens nezina, kur tas darbojas vislabāk.
Aģents var solīt automatizēt uzdevumu, bet neviens nezina, vai cilvēki to patiesi izmanto.
Projektam var būt uzmanība, bet uzmanība nav tas pats, kas lietderība.

Parasti var pateikt, kad tirgus kļūst trokšņains. Cilvēki pārstāj jautāt, ko kaut kas dara, un sāk jautāt, vai kāds var pierādīt, ka tas ir svarīgi.

Tas ir cits jautājums.

#OpenLedger izskatās, ka tas ir tuvu šim jautājumam. Ja AI aktīvus var izsekot caur īpašumtiesībām, lietošanas un ieguldījumu ierakstiem, tad tie var sākt nest signālus, kas ir spēcīgāki par vienkāršām prasībām. Ne perfekti signāli. Nekas AI nav tik tīrs. Bet labāki signāli nekā nolaišanās lapa, pavediena vai īss demonstrācijas video.

Tas ir svarīgi, jo AI pārpilnība rada savu sajukumu.

Kad bija tikai dažas lielas AI sistēmas, cilvēki galvenokārt salīdzināja tās virsmas līmenī. Kurš raksta labāk? Kurš kodē labāk? Kurš ir lētāks? Bet, kad AI kļūst modularāks, salīdzināšana kļūst grūtāka. Tagad cilvēkiem ir jāsalīdzina mazākas daļas.

Kura datu kopa palīdz modelim uzlaboties?
Kurš modelis vislabāk darbojas šauram uzdevumam?
Kurš aģents turpina darboties pēc pirmā testa?
Kurš ieguldītājs turpina pievienot vērtību laika gaitā?

Šie jautājumi nav vienmēr redzami parastajiem lietotājiem. Bet būvētājiem tie ir svarīgi. Uzņēmumiem tie ir svarīgi. Ikviens, kurš cenšas izveidot uzticamu AI darba plūsmu, galu galā rūpējas par tiem.

Jo nepareizs AI aktīvs var klusi iztērēt laiku.

Tas var neizdoties skaļi. Tas var būt tikai nedaudz neprecīzs, nedaudz novecojis, nedaudz nekārtīgs, nedaudz grūti savienojams. Un šīs mazās problēmas sakrājas. Slikta datu kopa var vājināt modeli. Vājš modelis var padarīt aģentu neuzticamu. Neuzticams aģents var likt cilvēkiem pārtraukt uzticēties visai darba plūsmai.

Tātad problēma nav tikai piekļuve.

Tā ir izvēle.

OpenLedger ideja par AI aktīvu pārvēršanu lietojamos, izmērāmās un atlīdzinošos objektos var palīdzēt radīt dabiski filtrus. Ja kaut kas ir noderīgs, tam vajadzētu rādīt izmantošanas pazīmes. Ja kaut kas turpina palīdzēt citiem sistēmām, tam vajadzētu kļūt par daļu no tā ieraksta. Ja kaut kas nav aktivitātes, skaidra avota un reālas pieprasījuma, tam vajadzētu būt redzamam arī.

Tas izklausās vienkārši, bet tas maina tirgus noskaņu.

Vietā, lai katrs AI aktīvs tiktu vērtēts tikai pēc tā apraksta, to var vērtēt pēc tā uzvedības laika gaitā. Nevis to, ko tas saka, ka var darīt. Ko tas patiesībā ir bijis daļa. Kur tas ir ticis izmantots. Vai citi turpina atgriezties pie tā.

Šeit lietas kļūst interesantas.

Klusa datu kopa ar atkārtotu lietošanu var būt svarīgāka nekā skaļa, kurai nav ieraksta. Mazs modelis, kas tiek izmantots reālās darba plūsmās, var būt svarīgāks nekā lielāks ar neskaidriem apgalvojumiem. Aģents, kas uzticami veic vienu garlaicīgu uzdevumu, var kļūt vērtīgāks nekā aģents, kas mēģina darīt visu slikti.

AI varētu nepieciešams šāda veida pazemība.

Telpa bieži atlīdzina plašo solījumu. Bet reālais darbs parasti atlīdzina šauru lietderību. Rīks, kas dara vienu lietu labi, var būt vērtīgāks nekā instruments, kas apgalvo, ka dara visu. Tīra datu kopa var būt svarīgāka nekā liela. Vienkāršs aģents, kas strādā katru dienu, var būt svarīgāks nekā sarežģīts, kas izskatās iespaidīgs tikai vienu reizi.

OpenLedger varētu palīdzēt ieviest daļu no šī praktiskā novērtējuma atklātībā.

Protams, lietošana viena pati nav pietiekama. Kaut kas var tikt izmantots bieži nepareizu iemeslu dēļ. Populārs aktīvs var joprojām būt zemas kvalitātes. Tīklu var joprojām spēlēt. Rādītāji var kļūt trokšņaini arī. Tātad sistēmai būtu nepieciešams vairāk nekā tikai neapstrādāta aktivitāte. Tai būtu nepieciešams konteksts, reputācija un veids, kā atšķirt reālu vērtību no mākslīgas kustības.

Tas nav viegli.

Bet vajadzība ir reāla.

Kā AI aug, cilvēkiem nebūs nepieciešami tikai vairāk modeļu vai vairāk datu. Viņiem būs nepieciešami labāki veidi, kā zināt, kuras daļas ir uzticības vērti ar savu laiku. Visgrūtākais var nebūt izveidot vēl vienu AI rīku. Tas var būt izvēlēties pareizās daļas no pārpildīta plaukta.

$OPEN kā tokens, kas saistīts ar OpenLedger, iederas šajā tikai tad, ja tīkls rada reālas iemeslus cilvēkiem izmantot un uzlabot AI aktīvus. Tokenam nevajadzētu būt galvenajai stāstam pats par sevi. Labākais stāsts ir, vai vērtība var sekot lietderībai. Ja resurss turpina palīdzēt cilvēkiem veidot labākas sistēmas, tad tam vajadzētu būt veidam, kā šī lietderība parādās un pārvietojas caur tīklu.

Tas ir mierīgāks veids, kā domāt par monetizāciju.

Nepiespiežot vērtību uz visu. Nepretendējot, ka katrs fails vai modelis ir svarīgs. Vairāk kā ļaujot noderīgām lietām lēnām atdalīties no trokšņa.

Un varbūt tas ir tas, kas AI nepieciešams nākamajā laikā.

Ne tikai vairāk inteliģences. Ne tikai vairāk automatizācijas. Ne tikai vairāk rīku, kas parādās katru dienu.

Tam ir nepieciešami veidi, kā pamanīt, kas patiešām darbojas.

OpenLedger cenšas būvēt ap šo kluso vajadzību. Pasaulē, kur AI kļūst pārpilns, reta lieta var nebūt piekļuve vairs. Tā var būt pārliecība, ka kaut kas ir vērts izmantot.

@OpenLedger #OpenLedger $OPEN