Jo vairāk laika es pavadu, pētot AI infrastruktūras projektus, jo vairāk es pamanīju vienu neērtu patiesību..... lielākā daļa sistēmu šodien ir obsesīvas attiecībā uz mērogojamību, bet ļoti maz ir obsesīvas attiecībā uz disciplīnu. Visi vēlas vairāk datu kopu, vairāk augšupielāžu, vairāk dalībnieku, vairāk modeļu. Bet gandrīz neviens neuzdod bīstamo jautājumu — kas notiek, kad neierobežota ieguldījuma radīšana rada neierobežotu troksni?
Tieši tur @OpenLedger sāka kļūt interesants man.
Pirmajā acu uzmetienā tas izskatās kā vēl viena AI + blokķēdes naratīvs. Datu dalībnieki, precizēšanas slāņi, modeļu ekosistēmas, atlīdzības. Mēs jau esam redzējuši šos vārdus visur. Bet, kad es iedziļinājos, kā arhitektūra patiesībā ir izstrādāta, noskaņa man pilnībā mainījās. Es sāku pamanīt, ka OpenLedger klusi eksperimentē ar kaut ko daudz grūtāku par decentralizāciju — kontrolētu decentralizāciju.
Un, godīgi sakot, tas sākotnēji izklausās pretrunīgi.
Jo Web3 kultūra mūs ir apmācījusi ticēt, ka atvērtība nozīmē 'atļaut visu'. Bet OpenLedger šķiet tic, ka atvērtība bez filtrēšanas galu galā iznīcina pašu vērtību. Tāpēc sistēma dažās vietās jūtas dīvaini stingra.
Piemēram, Datanets.
Līdzdalības sistēma necenšas kļūt par milzīgu krātuves atkritumu izgāztuvi, kur visi izliek nejaušas failus, cerot uz atlīdzību. Ir formātu robežas, validācijas slāņi, līdzdalības ierobežojumi, pieņemšanas filtrēšana, līderu dēļa svēršana. Sākumā es domāju, ka šie ir kaitinoši ierobežojumi. Bet tad es sapratu kaut ko — viņi cenšas aizsargāt līdzdalības ekonomisko nozīmi.
Tas pilnībā maina psiholoģiju.
Ja augšupielādes kļūst bezgalīgas, līdzdalība zaudē retumu.
Ja līdzdalība zaudē retumu, validācija kļūst neiespējama.
Un, ja validācija sabrūk, atlīdzību slānis kļūst bezjēdzīgs.
Tas nozīmē, ka reālais produkts šeit var nebūt 'datu vākšana' vispār...
tas var pat būt datu filtrēšana mērogā.
Un tas ir daudz grūtāka problēma.
Tas, kas man šķiet vēl interesantāk, ir tas, kā viņi izstrādāja līdzdalības stimulu sistēmu. Lielākā daļa sistēmu nejauši atlīdzina apjoma lauksaimniecību. OpenLedger šķiet, ka atlīdzina konsekvenci un kvalitāti. Šī niansētā maiņa ir svarīgāka, nekā cilvēki domā.
Jo zemas kvalitātes AI dati ir slēpts ekonomisks izmaksas.
Slikts datu kopums ne tikai izšķiež krātuvi.
Tas piesārņo modeļa uzvedību.
Tas ietekmē finetūninga rezultātus.
Tas rada halucinācijas.
Tas bojā secinājumu uzticamību.
Un galu galā tas samazina uzticību visai sistēmai.
Tas nozīmē, ka validācija vairs nav moderēšana...
tas kļūst par infrastruktūru.
Šeit projekts sāk justies mazāk kā 'platforma' un vairāk kā operētājsistēmas vide strukturētai inteliģencei.
Tad es iedziļinājos ModelFactory.
Godīgi sakot, šī daļa maina visa projekta virzienu.
Lielākā daļa AI sistēmu joprojām izturas pret finetūningu kā pret izcilu inženierijas aktivitāti, kas slēpjas aiz termināļiem, skriptiem, CUDA galvassāpēm, atkarību murgiem un pētniecības darba plūsmām, kuras parasti būvētāji nekad nesaskaras. OpenLedger cenšas samazināt šo sarežģītību līdz vizuālam operatīvajam slānim.
Tas izklausās vienkārši, līdz saproti, ko tas nozīmē.
Viņi ne tikai vienkāršo apmācību...
viņi standartizē eksperimentēšanu.
Šī atšķirība ir ļoti svarīga.
Jo, kad eksperimentēšana kļūst vizuāli pieejama, šaurā vieta pāriet no izejvielu tehniskajām prasmēm uz datu kvalitāti un iterācijas loģiku. Pēkšņi, mazāki būvētāji var konkurēt, izmantojot pilnveidošanu, nevis skaitļošanas jaudu.
Un tieši tāpēc LoRA un QLoRA atbalsts šķiet stratēģiski svarīgs šeit.
Cilvēki nenovērtē, cik svarīga kļūst viegla pielāgošana AI ekonomikā. Pilnīga finetūninga izmaksas ir augstas, neefektīvas un arvien mazāk reālas neatkarīgām komandām. Bet parametru efektīva pielāgošana pilnībā maina ekonomiku. Tā samazina ieejas izmaksas, vienlaikus saglabājot eksperimentēšanu dzīvotspējīgu.
Es patiesībā domāju, ka tas var kļūt par vienu no lielākajām pārmaiņām AI infrastruktūrā nākamo dažiem gadiem.
pāreja no 'milzu modeļu īpašumtiesībām' uz 'inteliģentu pielāgošanās slāņu kontroli'.
Un OpenLedger šķiet ir tieši tajā pārejā.
Vēl viena lieta, ko es pamanīju — viņu atbalstītā modeļu ekosistēma ir apzināti plaša.
DeepSeek.
Mistral.
Qwen.
LLaMA.
BLOOM.
GPT-2.
ChatGLM.
Sākumā tas izklausās nekārtīgs.
Bet tad tu saproti, ka viņi izvairās no ekosistēmu cilšu iznīcināšanas.
Lielākā daļa AI ekosistēmu ļoti ātri kļūst ideoloģiskas. Viena kopiena atbalsta tikai vienu arhitektūru un ignorē visu pārējo. Bet OpenLedger šķiet saprot, ka nākotnes AI infrastruktūra var vairāk balstīties uz savienojamību starp vairākiem atvērtiem ekosistēmām, nevis uz modeļu pārākumu.
Tas ir ļoti atšķirīgs filozofija.
Un, godīgi sakot, viena nenovērtēta lieta šeit ir sistēmas emocionālais dizains.
Jā, emocionāla.
Jo, kad līdzdalībnieki zina, ka noraidītas augšupielādes nekavējoties nesagrauj viņu rangu, eksperimentēšana kļūst psiholoģiski drošāka. Bailes samazinās. Zinātkāre palielinās. Tas var izklausīties mazsvarīgi, bet uzvedības dizains decentralizētās sistēmās dažreiz ir svarīgāks par tokenomiku.
Slikti stimulu struktūras rada manipulāciju.
Labi stimulu struktūras rada iterāciju.
OpenLedger šķiet, cenšas izstrādāt otro.
Visjautrākā bilde, kas man ienāk prātā, domājot par šo visu arhitektūru, patiesībā nav blokķēdes tīkls...
tas ir lidostas drošības sistēma😂
Ikviens var ieiet lidostā.
Bet neviens tieši neiet uz skrejceļa.
Katrs ieguldījums iziet caur kontrolpunktiem.
Katrs mijiedarbība iet caur validāciju.
Katrs process seko struktūrai.
Sākumā tas izklausās ierobežojoši.
Bet galu galā tu saproti, ka ierobežojums ir tas, kas ļauj visai sistēmai funkcionēt droši mērogā.
Un, godīgi sakot, es domāju, ka tas ir dziļākais filozofiskais spriedze OpenLedger iekšienē:
Vai decentralizētas sistēmas var izdzīvot ilgtermiņā, neattīstot centralizētus disciplīnas līmeņus?
Jo tīra atvērtība teorijā izklausās skaista...
līdz surogātpasta, manipulāciju, sintētisko datu piesārņojuma un zemas kvalitātes automatizācijas sāk iznīcināt signālu slāni.
Tāpēc OpenLedger jūtas mazāk kā sacelšanās pret struktūru un vairāk kā mēģinājums pārstrādāt pašu struktūru.
Pat viņu dokumentācijas stratēģija norāda uz šo virzienu.
Ideja par vaicājamu zināšanu slāņiem, nevis statiskām dokumentācijām, liecina, ka viņi domā vairāk par vienkāršu informācijas mitināšanu. Viņi cenšas padarīt sistēmas zināšanas interaktīvas, nevis tikai lasāmas.
Un tas kļūst ārkārtīgi svarīgi AI vietējās vidēs, kur statiskā dokumentācija ātri kļūst novecojusi.
Jo vairāk es analizēju visu šo, jo vairāk jūtu, ka OpenLedger patiesībā neprasa:
“Kā mēs monetizējam datus?”
Izskatās, ka dziļākais jautājums ir:
“Kā mēs saglabājam uzticību, kad dati paši kļūst par ekonomisko infrastruktūru?”
Un, godīgi sakot...
tas ir daudz nopietnāka problēma, nekā lielākā daļa cilvēku patlaban apzinās.
Jo nākotnes AI ekonomika var nepiederēt tam, kurš īpašumā ir visvairāk intelekta...
tas var piederēt tam, kurš uzbūvē labākās validācijas sistēmas ap intelektu.
Tas ir slānis, ko es domāju, ka daudzi cilvēki joprojām nenovērtē.
Varbūt OpenLedger gūs panākumus.
Varbūt tas neizdosies.
Pārāk agri, lai zinātu.
Bet viena lieta man jau šķiet skaidra.
viņi neizstrādā tikai interneta haosa dēļ.
Viņi cenšas izveidot noteikumus par to, kas notiek pēc tam, kad haoss kļūst pārāk dārgs, lai to pārvaldītu.
Un šis eksperiments ir daudz svarīgāks, nekā cilvēki domā 🚀
\u003cm-61/\u003e\u003cc-62/\u003e \u003ct-64/\u003e
\u003cc-237/\u003e\u003cm-238/\u003e\u003ct-239/\u003e