Viens lietas aspekts šķiet nepabeigts pašreizējā AI uzplaukumā. Visi runā par ātrākiem modeļiem, gudrākiem aģentiem un labāku automatizāciju, bet ļoti daudzi cilvēki neuzdod lēnāku jautājumu: kā AI sistēma atceras cilvēkus un resursus, kas palīdzēja radīt tās vērtību? Neatcerēties sentimentālā veidā. Atcerēties ekonomiskā veidā.
Šis jautājums ir svarīgs, jo AI netiek radīts no tukšas telpas. Tas tiek veidots no datiem, uzvedības, nozares zināšanām, modeļu dizaina, testēšanas, labojumiem un atkārtotas lietošanas. Noderīgs AI produkts var izskatīties vienkārši uz virsmas, bet zem tā parasti ir dziļa slēptā darba kaudze. Problēma ir tāda, ka, kad šis darbs kļūst par daļu no lielākas sistēmas, tas bieži zaudē savu identitāti.
Pirms OpenLedger šī bija jau vāja vieta visā AI tirgū. Dati var kļūt vērtīgi pēc to izmantošanas apmācībā, bet sākotnējam devējam var nebūt skaidra pierādījuma par viņu turpmāko lomu. Modelis var tikt uzlabots, atkārtoti izmantots vai apvienots ar citām sistēmām, tomēr vērtības ķēde aiz tā var palikt neskaidra. Aģenti var veikt uzdevumus un radīt rezultātus, bet ekonomiskais saikne starp aģentu, modeli un avota materiālu var būt grūti izsekot.
Tas nenotika, jo nozare aizmirsusi pievienot maksājuma pogu. Problēma ir dziļāka. AI vērtība pārvietojas caur daudzām kārtām. Datu kopas var tieši neradīt vērtību. Tās var uzlabot modeli. Šis modelis var uzlabot lietojumprogrammu. Šī lietojumprogramma var atbalstīt aģentu. Aģents var piegādāt kaut ko noderīgu lietotājam. Līdz brīdim, kad galīgā vērtība parādās, sākotnējais ieguldījums ir vairāku soļu attālumā.
Iepriekšējie risinājumi risināja daļas no tā, bet ne pilnu ķēdi. Centralizētās AI platformas padarīja izvietošanu vieglāku, tomēr tās arī saglabāja lielāko daļu izmantošanas datu iekšējās privātās sistēmās. Datu tirgi ļāva pirkt un pārdot, bet bieži vien uzskatīja datus par vienreizēju produktu, nevis kaut ko, kas var turpināt radīt vērtību ilgtermiņā. Atvērtā koda modeļu centri uzlaboja piekļuvi, bet tie ne vienmēr atrisināja ilgtermiņa atribūcijas vai kompensācijas jautājumus.
Šeit OpenLedger, pazīstams kā OPEN, piedāvā interesantu pieeju. Tas sevi raksturo kā AI blokķēdi, kas izstrādāta, lai atbloķētu likviditāti ap datiem, modeļiem, lietojumprogrammām un aģentiem. Uzmanīgāk to var lasīt kā "blokķēde neizlabo AI." Tas ir, ka OpenLedger cenšas sniegt AI aktīviem kopīgu ierakstu, lai to kustību un ieguldījumu būtu vieglāk izsekot.
Šis ieraksts varētu būt nozīmīgs. Normālā AI darba plūsmā daudzi ieguldījumi kļūst neredzami, kad tie tiek absorbēti gatavā produktā. OpenLedger ideja ir padarīt šos ieguldījumus redzamākus, savienojot tos ar on-chain infrastruktūru. Ja to izdarīs labi, tas varētu palīdzēt veidotājiem saprast, kuri aktīvi tiek izmantoti, kur vērtība pārvietojas un kam varētu būt tiesības uz atzinību.
Projekta dizaina izvēles šķiet nākušas no vienkārša uzskata: AI nepieciešams vairāk nekā uzglabāšana. Tam nepieciešama izcelsme. Tam nepieciešama veids, kā izsekot, kā kaut kas tika izveidots, kur tas tika izmantots un kā tas veicināja vēlākās sistēmas. Tas ir īpaši aktuāli, kad AI pāriet no vienkāršiem modeļiem uz specializētu modeļu un autonomo aģentu tīkliem.
Tomēr ideja nāk ar ierobežojumiem. Blokķēde var ierakstīt attiecības, bet tā nevar automātiski izlemt, vai datu kopa ir tīra, likumīga, oriģināla vai noderīga. Tā var parādīt, ka kaut kas ir reģistrēts, bet reģistrācija nav tas pats, kas kvalitāte. Šis atstarpe ir svarīgs, jo AI sistēmas ir tik stipras, cik spēcīgs ir materiāls, kas tās atbalsta.
Ir arī risks, ka monetizācija maina uzvedību. Ja katra datu kopa, modelis vai aģents var kļūt par aktīvu, daži dalībnieki var koncentrēties uz daudzumu, nevis lietderību. Tīklā, kas piepildīts ar vājš datiem un virspusējiem modeļiem, nebūtu labums nopietnai AI attīstībai. OpenLedger būtu nepieciešami stingri sistēmas filtrēšanai, reputācijai un verifikācijai, nevis tikai atvērta durvju politika iesniegumiem.
Vēl viena baža ir privātums. AI atribūcija izklausās pozitīvi, bet izsekojamība var kļūt jutīga. Uzņēmumi var nevēlēties, lai katra viņu modeļa caurule būtu redzama. Individuāli var nevēlēties, lai viņu datu vēsture tiktu atklāta. Izstrādātāji var vēlēties kredītu, nesniedzot visu, ko viņi izveidojuši. Grūtā līdzsvara jautājums ir pierādīt ieguldījumu, nepadarot caurredzamību par uzraudzību.
Visstiprākie ieguvēji varētu būt mazāki AI veidotāji, kuri šobrīd ir iespiesti starp lielajām platformām un ierobežotu izplatīšanu. Niche datu sniedzējs, neatkarīgs modeļu veidotājs vai aģentu izstrādātājs var gūt labumu no skaidrāka pierādījuma, ka viņu darbs ir vērtīgs. Viņiem atribūcija nav greznība. Tas ir izdzīvošanas jautājums.
Tomēr piekļuve var būt nevienmērīga. Tehniskie lietotāji vispirms sapratīs sistēmu. Lieli devēji var sniegt labākas datu kopas un spēcīgākas tīklus. Mazāki dalībnieki var joprojām cīnīties, lai pierādītu kvalitāti vai iegūtu uzmanību. Decentralizēta sistēma var samazināt daļu no vārtiem, bet tā automātiski neizņem visus varas atšķirības.
OpenLedger arī uzdod plašāku jautājumu par īpašumtiesībām. AI jomā īpašumtiesības ne vienmēr ir vienkāršas. Viens modelis var būt atkarīgs no tūkstošiem avotu. Viens aģents var izmantot daudz rīku. Viena lietojumprogramma var apvienot darbu no vairākiem slāņiem. Ja vērtība tiek dalīta visā šajā pakāpē, tad atlīdzību sistēmām jābūt detalizētākām nekā tradicionālās platformu izmaksas.
Tas padara OpenLedger mazāk interesantu kā saukli un vairāk interesantu kā eksperimentu. Tas pārbauda, vai AI ieguldījums var tikt padarīts pietiekami redzams, lai atbalstītu jaunu ekonomikas veidu. Tā ir nopietna ideja, bet tā būs nozīmīga tikai tad, ja infrastruktūra piesaistīs reālu izmantošanu un risinās nekārtīgus reālās pasaules strīdus.
Projektu vajadzētu vērtēt ar pacietību, nevis satraukumu. Tā mērķis norāda uz reālu problēmu, bet risinājums būs atkarīgs no izpildes, pieņemšanas, pārvaldības un uzticības. AI jomā tīra teorija bieži kļūst sarežģīta, kad sistēmā ienāk reāli dati, reāli lietotāji un reālas motivācijas.
Varbūt nākotnes AI ekonomiku definēs ne tikai tas, kurš izveido visgudrāko modeli. Tā var tikt definēta arī ar to, kurš spēj izveidot visgodīgāku atmiņu ap šo modeli. Ja mašīnas mācās no daudziem avotiem, kā sistēmai būtu jāatceras vērtība, kas nāca pirms atbildes?