Pēdējo nedēļu laikā esmu pavadījis vairāk laika, lasot par AI infrastruktūru, un kaut kas pastāvīgi izceļas.
Lielākā daļa diskusiju koncentrējas uz intelektu.
Kurš modelis darbojas labāk?
Kurš no tiem ģenerē visprecīzākās atbildes?
Kurš no tiem ir ātrāks?
Kurš no tiem spēj risināt sarežģītākas uzdevumus?
Šie jautājumi acīmredzami ir svarīgi.
Bet jo vairāk es par to domāju, jo vairāk es brīnos, vai cits jautājums galu galā kļūst vēl svarīgāks.
Kā mēs varam zināt, no kurienes patiesībā nāk atbilde?
Šī doma pirmo reizi man ienāca prātā, salīdzinot dažādu AI rīku rezultātus.
Dažas atbildes izklausījās neticami pārliecinoši.
Daži, iespējams, bija pareizi.
Dažas pat šķita vairāk pulētas nekā citas.
Tomēr, lasot tos, es sapratu, ka man bija ļoti maz redzamības par to, kas veidoja šīs atbildes pirmajā vietā.
Galīgais iznākums bija viegli redzams.
Ceļš aiz tā nebija.
Un patiesībā tas šķiet lielāks izaicinājums, nekā daudzi cilvēki apzinās.
Tas ir viens iemesls, kāpēc OpenLedger piesaistīja manu uzmanību.
Pirmajā acu uzmetienā koncepts šķiet vienkāršs.
Ieguldītāji sniedz datus, AI modeļi no tiem mācās, un dalībnieki var tikt atlīdzināti par vērtību, ko viņi palīdz radīt.
Bet jo vairāk es izpētīju ideju, jo mazāk interesējošs kļuva pats atlīdzības.
Tas, kas mani interesēja, bija atribūcija.
Jo atribūcija maina sarunu.
Vietā, lai tikai jautātu, vai atbilde ir laba, lietotāji var sākt jautāt, kā tā atbilde tika veidota.
Kur informācija ir radusies?
Kas ietekmēja rezultātu?
Vai procesu var pārbaudīt?
Kad AI ieiet dziļāk biznesā, finansēs, pētniecībā un lēmumu pieņemšanā, šie jautājumi var kļūt arvien svarīgāki.
Nedaudz labāka atbilde ir noderīga.
Verificējama atbilde var būt pat vērtīgāka.
Šī atšķirība man nāk atpakaļ prātā.
Tehnoloģiju tirgi parasti vispirms atlīdzina par sniegumu.
Bet galu galā snieguma atšķirības kļūst mazākas.
Kad tas notiek, rodas jauni konkurences veidi.
Uzticība kļūst svarīga.
Caurskatāmība kļūst svarīga.
Kredibilitāte kļūst svarīga.
Un tas liek man brīnīties, vai AI varētu galu galā sekot līdzīgu ceļu.
Varbūt nākotnes lietotāji neiztērēs visu savu laiku jautājot, kurš modelis ir visgudrākais.
Varbūt viņi jautās, kurš modelis ir visvieglāk pārbaudāms.
Kura modeļa dēļ var sniegt skaidrāku ceļu aiz tā iznākumiem.
Kura modeļa dēļ lietotāji var saprast, kas ietekmēja galīgo rezultātu.
Ja šī pārmaiņa notiek, projekti, kas darbojas atribūcijas slānī, var kļūt daudz svarīgāki nekā tie šķiet šodien.
Nevis tāpēc, ka tās rada intelektu.
Jo tie palīdz to izskaidrot.
Protams, es joprojām esmu piesardzīgs.
Aktivitātes ģenerēšana caur stimulācijām ir viena lieta.
Ilgtermiņa atkarības radīšana ir pilnīgi kas cits.
Daudzas tīklu var piesaistīt dalībai.
Daudz mazāk kļūst par infrastruktūru, kas būvētājiem patiešām ir nepieciešama.
Tas, iespējams, ir jautājums, kas ir visnozīmīgākais.
Vai atribūcija kļūs par prasību?
Vai tā paliks iezīme, ko lietotāji novērtē, bet var viegli ignorēt?
Es nedomāju, ka kāds vēl zina atbildi.
Bet es domāju, ka atšķirība ir svarīga.
Jo stimulācijas pievērš uzmanību.
Atkarība rada ilgmūžību.
Un tāpēc OpenLedger joprojām mani interesē.
Nevis tāpēc, ka tā mēģina izveidot labāku AI.
Bet tāpēc, ka tā, iespējams, mēģina izveidot kaut ko, kas kļūst arvien vērtīgāks, kad AI izplatās visur.
Veids, kā izmērīt uzticību.
Veids, kā izmērīt kredibilitāti.
Veids, kā padarīt procesu, kas stāv aiz intelekta, vieglāk saprotamu.
Tas negarantē panākumus.
Bet tas padara projektu interesantāku nekā vienkāršā naratīva "dati tiek atlīdzināti".
Lielāka iespēja varētu būt infrastruktūras izveide, kur uzticība kļūst mērāma.
Un, ja AI galu galā virzīsies šajā virzienā, modeļi nekonkurēs tikai uz intelektu.
Viņi sacentīsies arī par kredibilitāti.
Un tas var kļūt par vienu no vissvarīgākajiem tirgiem AI.
\u003cm-40/\u003e \u003cc-42/\u003e \u003ct-44/\u003e
