2026. gadā OpenAI piesaistīja matemātiķu uzmanību ar darbu, kas saistīts ar Erdosa uzdevumu par vienāda attāluma punktiem. Interesi izraisīja ne tikai rezultāts, bet arī paša procesa iegūšana.
Saskaņā ar publicētajiem materiāliem, modelis izmantoja ideju pārnesi starp dažādām matemātikas jomām, lai izveidotu jaunu konstrukciju. Diskusijas centrā izrādījās nevis atbilde kā tāda, bet gan domāšanas izcelsme, kas noveda pie šīs atbildes.
Šis gadījums izrādījās izcils dziļākam procesam, kas šodien notiek mākslīgā intelekta nozarē.
Gadu gaitā AI attīstību novērtēja pēc pašu modeļu raksturojumiem:
parametru skaits;
mācību datu apjoms;
aprēķinu jauda;
testēšanas un benchmarku rezultāti.
Nepārprotami tika pieņemts, ka intelekts atrodas modeļa iekšienē.
Tomēr mūsdienu AI sistēmu arhitektūra pakāpeniski mainās.
Aizvien nozīmīgāku lomu sāk spēlēt Retrieval-Augmented Generation (RAG) — pieeja, kurā modelis izmanto ārējās zināšanu avotus tieši atbildes ģenerēšanas laikā.
Tas nozīmē, ka aizvien lielākā daļa intelektuālā rezultāta tiek veidota ne tikai ar modeļa parametriem, bet arī ar ārēji iegūtām informācijām.
Atšķirība ir būtiska.
Ja atbilde tiek radīta tikai uz modeļa apmācības pamata, rezultāta izcelsme ir salīdzinoši caurredzama:
modeļa izstrādātājs;
mācību datu kopums;
aprēķinu infrastruktūra;
mācību process.
Bet, izmantojot RAG, parādās papildu izcelsmes līmenis zināšanām.
Atbilde var būt atkarīga no:
zinātniskām publikācijām;
korporatīvām zināšanu bāzēm;
specializētiem arhīviem;
nozares datu kopām;
ekspertu kopienām;
ārējiem dokumentiem, kurus sistēma ieguva pieprasījuma brīdī.
Kā rezultātā rodas jauns jautājums.
Nē:
kura modele sniedza atbildi?
A:
kādas zināšanas veidoja šo atbildi?
Divas identiskas modeļi var dot atšķirīgus rezultātus, ja izmanto atšķirīgus informācijas avotus.
Atbilde kvalitāte arvien biežāk tiek noteikta ne tikai ar modeļa kvalitāti, bet arī ar zināšanām, kurām tā ir piekļuvusi.
Faktiski intelekts sāk tikt sadalīts starp modeli un ārējo zināšanu vidi.
Tas maina pašu AI arhitektūru.
Ja agrāk intelekts tika uzskatīts par modeļa īpašību, tad tagad tas arvien biežāk kļūst par rezultātu mijiedarbībā starp:
modeles;
meklēšanas sistēma;
datu kopas;
specializētiem zināšanu tīkliem;
ārējiem informācijas avotiem.
No šīs izmaiņas izriet nākamais jautājums.
Ja zināšanas tiek iegūtas darba laikā, ir iespējams uzdot jautājumu:
kāds avots tika izmantots;
kāds dokuments ietekmēja atbildi;
kāds datu kopums izrādījās nozīmīgākais;
kāds ieguldījums faktiski iekļāvās galīgajā rezultātā.
Tādējādi rodas zināšanu izcelsmes problēma — Knowledge Provenance.
Tās mērķis ir ne tikai caurredzamība.
Tā ir runa par iespēju noteikt intelektuāla rezultāta izcelsmi un izsekot informācijas ceļu no avota līdz galīgajai atbildei.
Vienlaikus attīstās vēl viens virziens.
AI pakāpeniski pārstāj būt tikai satura ģenerēšanas instruments un arvien biežāk kļūst par darbību dalībnieku.
Mūsdienu AI aģenti jau spēj:
veikt uzdevumus autonomi;
sadarboties ar programmatūras saskarnēm;
analizēt datus;
pārvaldīt darba plūsmas;
sākt transakcijas;
koordinēt citu sistēmu izpildi.
Kopā ar to rodas otra problēma — izcelsme.
Ja pirmais izklausās kā:
no kurienes nāca zināšanas?
tad otra formulējums ir citādāks:
kurš veica darbību?
Ar autonomo aģentu izplatīšanos identitāte sāk kļūt par infrastruktūras uzdevumu.
Jebkurai sistēmai kļūst svarīgi saprast:
kurš aģents veica darbību;
kādas pilnvaras viņam bija;
kādus datu avotus viņš izmantoja;
kuras modeļi stāvēja pie viņa lēmumiem;
kurš apstiprināja viņa darbu.
Tāpēc pēdējos gados aktīvi attīstās aģenta identitātes un pārbaudāmo aģentu kredītu virziens.
Tā ir runa nevis par aģentu intelektuālo spēju paaugstināšanu.
Tā ir runa par iespēju noteikt viņu darbību izcelsmi.
Šajā posmā sāk krustoties divi neatkarīgi procesi.
RAG atribūcija atbild uz jautājumu:
kādas zināšanas ietekmēja rezultātu?
Aģenta identitāte atbild uz jautājumu:
kura būtne veica darbību?
Abas uzdevums prasa to pašu.
izcelsmes izsekojamība.
Savienojumu izsekojamība.
Ieguldījumu izsekojamība.
Tieši šeit parādās nepieciešamība pēc jauniem atribūcijas sistēmām.
Tradicionālajā programmatūrā šādi jautājumi reti kļuva kritiski, jo vairums procesu tika kontrolēti centralizēti.
AI ekosistēmas ir iekārtotas citādāk.
Zināšanu avoti var būt tūkstošiem.
Dalībnieku var būt tūkstošiem.
Aģentu var būt tūkstošiem.
Savstarpējo attiecību skaits starp tiem pieaug eksponenciāli.
Ekosistēmā @OpenLedger attīstība notiek tieši šajā virzienā.
Datanets ir paredzēti specializētu zināšanu tīklu veidošanai.
RAG atribūcija ļauj izsekot informācijas izcelsmi, kas tiek izmantota atbilžu ģenerēšanā.
Atribūcijas pierādījums sasaista kopā datu avotus, dalībniekus, zināšanas un AI sistēmu darba rezultātus.
Šajā arhitektūrā $OPEN darbojas kā koordinācijas līmenis starp zināšanām, atribūciju, tīkla dalībniekiem un mākslīgā intelekta pakalpojumiem.
Pēdējā desmitgadē galvenais jautājums AI izskanēja šādi:
Cik gudra var kļūt modele?
RAG, specializēto zināšanu tīklu un autonomo aģentu attīstība pakāpeniski novirza fokusu uz citu jautājumu:
Cik precīzi var noteikt zināšanu izcelsmi, ko sistēma izmanto lēmuma pieņemšanas brīdī?
Tieši ap šo jautājumu šodien sāk veidoties jauns infrastruktūras slānis mākslīgā intelekta ekonomikā.