OpenLedger nav tikai "blockchain AI". Tas ir ambiciozs mēģinājums atrisināt visstrīdīgāko decentralizētā mašīnmācīšanās problēmu: vērtības atribūciju.
Atribūcijas tests (PoA) ir viņu zvaigžņu piedāvājums. Atšķirībā no tradicionālajiem datu agregatoriem, kas maksā par apjomu, PoA cenšas izsekot, kā katra individuālā ieguldījuma ietekmē modeļa galīgo sniegumu.
Tehniskais izaicinājums
Praksē tas saduras ar apmācības matemātiku. Kad modelis tiek apmācīts, ne visi dati ir vienādi. Daži tiek izsijāti dēļ trokšņa, citi tiek izmantoti tikai statistikai, un tikai neliela daļa patiešām uzlabo precizitāti. Lai noteiktu, kurš pelnījis atlīdzību, teorija prasa aprēķināt Šapleja svarīgumu: novērtēt modeli ar visām iespējamām datu kombinācijām. 70B parametru LLM izmaksas ir astronomiskas un pilnīgi neiespējamas on-chain.
Praktiskais risinājums
OpenLedger izvēlas hibrīdpieejas: ietekmes funkcijas, kas balstītas uz gradientiem, apvienojumā ar OP Stack + EigenDA rollup, lai skalotu. Dataneti nodrošina strukturētu izejvielu, ModelFactory atvieglo precizēšanu, un OpenLoRA ļauj apkalpot tūkstošiem modeļu vienā GPU. PoA reģistrē pilnu plūsmu (kāds datanets tika izmantots, kāds mikro-modelis tika aktivizēts, kāda inferencija tika veikta), bet ekonomiskā kompensācija balstās uz marginālajiem ieguldījumiem.
Sybil risks
Lielākais drauds nav tehnisks, bet gan ekonomisks. Bez robustas aizsardzības ļaunprātīgi dalībnieki var farmot atlīdzības, injicējot lētas sintētiskas datu plūsmas, kas pārpludina likumīgos ieguldītājus. Tas ir vecais "liquidity mining" jautājums, kas pārcelts uz datu telpu: lielākais farmotājs, nevis lielākais ieguldītājs, saņem baseinu.
OpenLedger ir atbalstīts no Polychain un HashKey Capital. Pamattehnoloģija ir stabila. Bet atklāts jautājums ir, vai viņu atribūcijas mehānisms var izturēt ekonomisko exploiteru uzbrukumus, nesamazinot zinātnisko precizitāti.
Vai domā, ka PoA skalosies vai paliks noderīga, bet nepilnīga pieeja?