OpenLedger un AI slēptās piegādes ķēdes jautājums
Kad cilvēki runā par mākslīgo intelektu, viņi parasti koncentrējas uz gala rezultātu. Atbilde parādās, aģents veic uzdevumu, modelis ģenerē kaut ko noderīgu, un sistēma šķiet gandrīz bez piepūles. Bet varbūt īstā problēma nav tajā, ko AI ražo. Varbūt dziļākā problēma ir piegādes ķēde aiz paša intelekta.
Katrs AI sistēma balstās uz ieguldījumu slāņiem, kurus ir grūti saskatīt. Ir dati, kas savākti no dažādiem avotiem, modeļi, kas laika gaitā apmācīti un pielāgoti, izstrādātāji, kas veido ietvarus, lietotāji, kas rada atsauksmju ciklus, un aģenti, kas apvieno atsevišķus rīkus vienā automatizētā procesā. Izeja var izskatīties tīra, bet ceļš aiz tā reti ir tīrs vai redzams.
Šī ir problēma, uz kuru norāda OpenLedger. AI ekonomika kļūst arvien vērtīgāka, bet struktūra, kas slēpjas aiz šīs vērtības, paliek neskaidra. Daudzi ieguldītāji palīdz veidot pamatu, taču tikai neliels skaits platformu parasti kontrolē interfeisu, ieņēmumus un ierakstus. Šī nelīdzsvarotība nav jauna, bet AI padara to nopietnāku.
Pirms šāda veida infrastruktūras tika apspriests, AI sistēmas galvenokārt tika vērtētas pēc snieguma. Labāks modelis bija tas, kas reaģēja ātrāk, apstrādāja vairāk uzdevumu vai radīja precīzākus rezultātus. Šie mērķi bija svarīgi, bet tie izvairījās no grūtāka jautājuma: ja inteliģence tiek veidota no daudziem ievadiem, kā šos ievades atpazīt?
Iemesls, kāpēc šis jautājums palika neatrisināts, ir tas, ka AI ieguldījumu ir grūti atdalīt. Datu kopums var uzlabot modeli netieši. Mazāks modelis var atbalstīt lielāku lietojumprogrammu, neizceļoties. Aģents var vienlaikus paļauties uz vairākiem rīkiem. Viens noderīgs rezultāts var nākt no daudziem fona elementiem, un tradicionālās sistēmas nebija izstrādātas, lai izsekotu šo sarežģītību.
Iepriekšējās pieejas mēģināja atrisināt problēmas daļas, bet ne visu struktūru. Datu tirgi deva cilvēkiem vietu, kur pārdot informāciju, taču bieži vien tie izturējās pret datiem kā pret kaut ko pabeigtu un statisku. Licencēšanas modeļi palīdzēja formālās situācijās, bet tie nebija pietiekami elastīgi ātri mainīgajām AI tīklām. Centralizētās AI platformas sniedza lietotājiem ērtības, taču lielāko daļu atribūtu saglabāja privātajās sistēmās.
Blokķēde arī solīja caurredzamību, taču caurredzamība pati par sevi nav pietiekama. Blokķēde var ierakstīt, ka kaut kas pastāv, bet tā nevar automātiski pierādīt, ka aktīvs ir noderīgs, oriģināls vai nozīmīgs. Vienkārši pievienojot datus vai modeļus ķēdē, neatrisina dziļāku izaicinājumu mērīt reālo ieguldījumu.
OpenLedger var uzskatīt par vienu no mēģinājumiem izveidot specifiskāku slāni šai problēmai. Tā uzsvars uz datiem, modeļiem un aģentiem norāda, ka AI vērtība nedrīkst tikt uztverta kā viens galīgs produkts. Tā vietā vērtība varētu būt jāizseko visām dažādām komponentēm, kas padara AI sistēmas funkcionālas.
Vienkāršiem vārdiem sakot, OpenLedger cenšas padarīt AI fona ekonomiku saprotamāku. Ja datu kopums atbalsta apmācību, ja modelis kļūst par daļu no citas sistēmas, vai ja aģents veic uzdevumu, izmantojot vairākus resursus, projekta plašā ideja ir tāda, ka šīm aktivitātēm nevajadzētu pazust klusumā. Tām vajadzētu atstāt skaidrāku ierakstu.
Tas ir svarīgi, jo nākotnes AI var kļūt mazāk par vienu modeli, kas atbild uz vienu lietotāju. Tas var kļūt par aģentu tīklu, kas izmanto modeļus, aicina datu avotus, pieņem lēmumus un pabeidz darbu dažādās sistēmās. Šādā vidē būs arvien svarīgāk zināt, kas tika izmantots, no kurienes tas nāca un kurš piedalījās.
Tomēr šai pieejai ir reāli ierobežojumi. Ieguldījumu nav viegli izmērīt godīgi. Daži dati var būt reti un vērtīgi, kamēr citi dati var būt atkārtojoši. Daži modeļi var pievienot patiesu spēju, kamēr citi var radīt tikai troksni. Ja sistēma atlīdzina katru reģistrēto ievadi vienādi, tā var veicināt daudzumu, nevis kvalitāti.
Ir arī uzticības problēma. Ieraksts ir noderīgs tikai tad, ja informācija aiz tā ir uzticama. Ja zemas kvalitātes dati, kopēts darbs vai vāji modeļi iekļūst sistēmā, tad ierakstu slānis var radīt caurredzamības izskatu, neatrisinot patiesības problēmu. Verifikācija var būt tikpat svarīga kā īpašumtiesības.
Vēl viena baža ir piekļuve. Cilvēki, kuri visvairāk cieš no AI ekstrakcijas, ne vienmēr ir tie, kuri ir vislabāk pozicionēti izmantot blokķēdes rīkus. Vietējie eksperti, mazie radītāji, pētnieki, valodu kopienas un neatkarīgi būvētāji var būt vērtīgi resursi, bet viņiem var nebūt tehniskās spējas reģistrēt, pārvaldīt vai monetizēt to caur sarežģītu infrastruktūru.
Grupas, kuras visdrīzāk gūs labumu pirmās, visticamāk, ir AI dzimtie būvētāji. Datu kopu īpašnieki, modeļu izstrādātāji, aģentu radītāji un infrastruktūras komandas var atrast vērtību sistēmā, kas palīdz viņiem izsekot lietojumam un ieguldījumam. Viņiem OpenLedger var nodrošināt organizētāku veidu, kā piedalīties AI ekonomikā, kas pašlaik šķiet fragmentēta.
Tomēr projektu nevajadzētu uztvert kā ideālu atbildi. Tas uzdod svarīgu jautājumu, taču izpilde noteiks, vai tas kļūs noderīgs. Risinājums nav tikai radīt ierakstus, bet padarīt tos uzticamus, saprotamus un saistītus ar reālu pieprasījumu.
Interesantākais veids, kā skatīties uz OpenLedger, nav kā uz vienkāršu monetizācijas platformu, bet kā uz eksperimentu AI atbildības jomā. Tas uzdod jautājumu, vai neredzamās inteliģences daļas var kļūt pietiekami redzamas, lai atbalstītu taisnīgāku sistēmu. Atvērtais jautājums ir šāds: kad AI kļūst patstāvīgāks, vai tā piegādes ķēde kļūs skaidrāka, vai automatizācija vienkārši paslēps cilvēku un mašīnu ieguldījumus vēl dziļāk?