Mākslīgās inteliģences sistēmas arvien biežāk tiek lūgtas komentēt pašreizējo brīdi. Tās apkopo tirgus, kad tie pārvietojas, izskaidro notikumus, kad tie attīstās, un vada automatizētas lēmumus, kas nes reālas sekas. Tomēr zem viņu plūstošajiem atbildēm slēpjas klusa ierobežojuma sajūta. Lielākā daļa AI modeļu ir vēsturnieki, nevis liecinieki. Tie pamatojas uz pagātnē iemācītām shēmām un aizpilda nepilnības ar varbūtību. Tas, kas viņiem trūkst, ir disciplinēta veida apstiprināt, ka tas, ko viņi saka, joprojām atbilst realitātei.
Šeit ideja par AI orakulu kļūst interesanta un kur APRO pozicionē sevi atšķirīgi no parastās diskusijas par datu plūsmām. Parastā narrativa uzskata orakulus par vienkāršām caurulēm. Dati ieplūst, dati iznāk, un gudrie līgumi reaģē. Šāda ietvara konteksts izslēdz dziļāku strukturālu problēmu. Patiesais izaicinājums nav piekļuve informācijai, bet gan pārliecība par to. Vidēs, kur lēmumi tiek automatizēti, pārliecības kļūda bieži ir dārgāka nekā lēnas rīcības izmaksas.
APRO pieeja problēmai ir pārformulēt datus kā procesu, nevis produktu. Nevis jautājot, vai viens avots ir ātrs vai cienījams, tas jautā, kā tiek veidota vienošanās, kad avoti nesakrīt. Tas ir svarīgi, jo realitāte reti ir tīra. Cenas atšķiras starp vietām. Likviditāte pārvietojas nevienmērīgi. Uz ķēdes aktivitāte var izskatīties mierīga vienā datu kopā un haotiska citā. AI sistēma, kas patērē vienu skatu bez konteksta, riskē veidot secinājumus uz daļējas patiesības.
APRO aprakstītā arhitektūra uzsver agregāciju un validāciju pirms interpretācijas. Daudzi neatkarīgi datu ievadi tiek apkopoti nevis lai radītu redundanci paša dēļ, bet lai atklātu nesakritību. Tīkls tad pielieto konsensa slāni, kas ir izstrādāts, lai izturētu defektīvus vai ļaunprātīgus dalībniekus. Šeit svarīgā atziņa ir niansēta. Decentralizācija nav ideoloģija. Tā ir par varbūtības samazināšanu, ka viena kļūda izplatās automatizētā rīcībā.
Vēl viens aspekts, kas bieži paliek nepamanīts, ir tas, kā tas maina paša AI lomu. Kad modeļi darbojas bez verificējamiem ievadiem, viņi ir spiesti kompensēt ar valodu. Viņi izlīdzina nenoteiktību uz ticamiem skanošiem atbildēm. Kad tiek sniegti validēti dati, viņu uzdevums pāriet no izgudrošanas uz loģisko domāšanu. Tas viņus nepadara neapstrīdamus, bet sašaurina telpu, kurā rodas halucinācijas. Modelis kļūst mazāk par stāstnieku un vairāk par analītiķi, kas strādā, pamatojoties uz pierādījumiem.
Kryptogrāfiskā verifikācija pievieno vēl vienu disciplīnas slāni. Hashēšana un paraksti dara vairāk nekā nodrošina pārraidi. Tie rada audita pēdas, kas izdzīvo laika gaitā. Tas ļauj izstrādātājiem un auditoriem jautāt ne tikai to, kāda vērtība tika piegādāta, bet arī kā tā tika ražota un kurš to apliecināja. Sistēmās, kas mijiedarbojas ar kapitālu, atbildība nav abstrakta vērtība. Tā ir praktiska prasība uzticībai.
Fokuss uz AI optimizētu piegādi ir arī nozīmīgs. Dati, kas veidoti mašīnām, kas domā probabilistiski, atšķiras no datiem, kas veidoti stingrai izpildei. Konteksts, svaigums un konsekvence ir svarīgāki par vienkāršu ātrumu. Atzīstot to, APRO netieši atzīst, ka nākotnes slānis ir hibrīds. AI aģenti analizēs un ieteiks. Gudri līgumi un roboti izpildīs. Robežai starp tiem jābūt uzticamai, citādi visa sistēma manto trauslumu.
Redzot šo veidu, APRO vienkārši nepagarina orakula infrastruktūru. Tā eksperimentē ar trūkstošu slāni starp uztveri un rīcību. Blokķēdes nodrošināja verifikāciju darījumiem. AI ieviesa modeļu atpazīšanu informācijā. AI orakuls cenšas nodrošināt, ka, kad šie divi domēni krustojas, neviens no tiem nepastiprina otra vājības.
Plašāks jautājums, ko tas uzdod, nav tas, vai mašīnas var piekļūt realitātei, bet gan cik rūpīgi mēs projektējam šo piekļuvi. Pieaugot automatizācijai, datu integritātes kluss raksturs var būt svarīgāks par jebkuru redzamu funkciju. Sistēmas, kas mācās apstāties, salīdzināt un verificēt, galu galā var pārspēt tās, kas steidzas atbildēt. Šajā ziņā visvērtīgākais progress var būt neredzams, notiekot ne skaļākajos rezultātos, bet labāk nostiprinātajos.