Neel_Proshun_DXC

OpenLedger is addressing the challenge of today's AI. However, What If the Problem Changes Before the Solution?
I have an issue I can't sleep without though, regarding the entire data attribution space.
Not if OpenLedger's technology is viable. Don't ask me if Proof of Attribution can scale. Not if businesses will embrace it.
Something more fundamental.
What if the problem (to be solved) becomes the problem?
And here's the awkward situation.
The thesis of OpenLedger is based on a certain premise: AI requires data made by humans. There is a lack of good, diverse and quality human data. The contributors should be paid for their contribution to provide something of high value and in short supply.
This is still the case today. Mostly.
However, data generation with synthetics is moving forward quicker than attribution conversations realize.
The synthetic data which AI generated models produced was shunned for years as poor-quality data compared to real human data. If models train on their own output, then the argument goes, the quality of their output goes down, which leads to further degradation. GIGO–garbage in, garbage out, amplified.
The argument was basically accurate in 2022. It gets more and more out-of-fashion each passing year.
However, recent studies indicate that when properly designed and created under certain constraints and quality filters, synthetic data can be as good or even better than human-generated data in some areas. Medical imaging. Code generation. Mathematical reasoning. Structured financial data.
Not all domains. Not yet. However, the path is there to see.
This leaves a strategic question unanswered by OpenLedger, at least publicly.
The market for human data contribution begins to shrink when synthetic data quality keeps getting better and there doesn't seem to be any good reason why it shouldn't.
Not disappearing. In contrast to commodity data, the most valuable human data is rare expertise, lived experience, genuine novel perspective, may last longer than the commodity data. The hands-on experience of a doctor over the course of decades. Experimentally observed properties of materials by a materials scientist. A writer's unique style.
However, the majority of the training data is the vast quantity of generic text, images, and structured information that the majority of current models are trained on – and which can be synthetically generated much earlier.
If so, OpenLedger's time to make the case for the imperative of creating an attribution framework could be shorter than the current story indicates.
Infrastructure needs to be integrated into, not skipped over. This was because TCP/IP was the only protocol that would allow networks to be connected. When there were no alternatives, SWIFT became unskippable as it was already handling financial flows all around the world.
Before synthetic data makes human data unnecessary, OpenLedger has to integrate in the workflow of creating AI.
It is not inevitable that there is an opposing point of view to consider.
With the use of synthetic data there is, of course, less human data but not no human data, meaning that a human data attribution is still necessary.
Synthetic data is created from real-world data. Human contributions were used to train the models generating synthetic data. The attribution issue simply becomes one step higher, who contributed to the development of the models used to create the synthetic data?
If this is the case, Proof of Attribution is more difficult, and more complex: The more they contribute, the longer the chain. The need for verifiable lineage actually grows.
That's the positive interpretation. As AI systems become more recursive and self-referential, OpenLedger's infrastructure becomes of increased importance.
I'm not sure which will be the case.
The only thing I do know is that, the synthetic data question is the most important stress test to test the attribution thesis and it is virtually untouched in the ongoing discussion about $OPEN .
The projects which make the cut with technology change are not necessarily the most successful ones that are finding solutions to today's issues.
They are the ones who have foreseen problems in tomorrow's world while most of the rest of the world was worrying about the problems of today.
OpenLedger is creating the proper infrastructure for this time.
Whether this one will be followed by something else—that will be the most interesting thing to watch for me.
Would you believe that, in time, synthetic data will make it less important to have human data? If yes, then does that mean the importance of attribution infrastructure is diminished or not?
@OpenLedger $OPEN #OpenLedger

The Internet Was Built to Extract. OpenLedger Is Trying to Rebuild It to Distribute. History Says That's Almost Impossible.
I want to talk about a pattern that keeps repeating in technology.
Every major platform starts with a promise of empowerment.
Bloggers will have a voice. YouTubers will build audiences. Uber drivers will be their own bosses. Airbnb hosts will monetize their assets. App developers will reach billions of users directly.
The promise is always the same: we're giving power to individuals.
And for a brief, genuinely exciting window the promise is real.
Early bloggers did find audiences. Early YouTubers did build sustainable income. Early Uber drivers did earn more than taxi drivers. Early app developers did make life-changing money.
Then the platform matures. The algorithm changes. The revenue share shifts. The terms of service get updated quietly. And the value that was briefly flowing outward starts flowing upward again.
Every time.
Without exception.
This isn't cynicism. It's a structural observation.
Platforms extract value because extraction is more economically efficient than distribution in the short term. It's cheaper to take than to share. It's easier to optimize for platform growth than contributor welfare. And once a platform reaches scale once leaving costs more than staying contributors lose their negotiating power entirely.
The internet didn't create this dynamic. It just perfected it.
Google didn't set out to exploit content creators. It built infrastructure that made content valuable, then gradually captured that value for itself as its market position strengthened. The same story played out with Facebook, YouTube, Spotify, Amazon's marketplace, Apple's App Store.
The architecture of extraction isn't a bug. It's what these systems inevitably become when there's no structural constraint preventing it.
This is why OpenLedger's thesis is genuinely ambitious and genuinely difficult.
It's not trying to build a better platform. It's trying to change the underlying architecture.
Proof of Attribution isn't just a payment mechanism. It's an attempt to make extraction structurally impossible. If every data contribution is cryptographically recorded on-chain, if every model usage automatically triggers contributor compensation, if the payment flow is hardcoded into the protocol rather than controlled by a company's policy team then the platform can't quietly change the terms.
The value distribution isn't a feature that can be turned off. It's the infrastructure itself.
That's architecturally different from every platform that came before.
But here's where history makes me cautious.
Changing value flow architecture requires overcoming the resistance of everyone currently benefiting from the existing architecture.
OpenAI, Google DeepMind, Anthropic, Meta AI — these companies have built trillion-dollar valuations on the current model. Their investors, their employees, their entire economic structure depends on data being cheap or free.
They will not adopt attribution infrastructure voluntarily. Not because they're malicious. Because the economics don't work in their favor.
Which means OpenLedger's real challenge isn't technical. The Proof of Attribution system is genuinely innovative.
The real challenge is adoption against incumbent resistance.
For attribution infrastructure to matter, AI developers need to build on OpenLedger instead of or in addition to existing centralized systems. That requires either regulatory pressure forcing attribution compliance, or enough data contributors withholding their data from non-attributing systems to make the quality difference noticeable.
Neither of those conditions fully exists yet.
Regulatory pressure is building the EU AI Act, pending US legislation, multiple ongoing lawsuits. But "building" is different from "arrived."
Data contributor coordination is historically very hard. The internet is full of examples of creators knowing they're being exploited and continuing to create anyway, because the audience is where the platform is.
I'm not saying OpenLedger can't succeed.
I'm saying it's attempting something that has failed many times before in different forms — and understanding why it failed before is the only honest way to evaluate whether this attempt is different.
The difference this time might be the blockchain layer. Making attribution immutable and automatic removes the "we changed the terms" failure mode that killed every previous attempt at fair creator compensation.
The difference might be regulatory timing. AI's data problem is hitting legal and political systems simultaneously in a way that previous platform extraction never quite did.
Or the difference might not be enough.
History is full of elegant infrastructure that arrived before the conditions for adoption existed. Some waited long enough to matter. Most didn't.
OpenLedger is betting it can create those conditions, or arrive just as they're forming naturally.
That's either precise timing or optimistic timing.
I genuinely don't know which one yet.
Can blockchain actually break the extraction cycle that every major platform has followed? Or will OpenLedger eventually face the same pressures?
@OpenLedger $OPEN #OpenLedger

Gribu sākt ar atšķirību, ko gandrīz neviens neizdara.
Ir divas atsevišķas problēmas AI bojātajā datu ekonomikā.
Pirmais problēma ir atribūcija. Kas ieguldīja ko. Kuri datu kopas apmācīja kuri modeļi. Sekojot AI inteliģences izcelsmei atpakaļ līdz tās cilvēku avotiem.
OpenLedger strādā pie šīs problēmas. Atribūcijas pierādījums, datu tīkli, uz ķēdes ieguldījumu ieraksti. Reāla infrastruktūra reālai problēmai.
Bet ir otra problēma. Klusāka. Grūtāka. Gandrīz pilnīgi ignorēta pašreizējā sarunā.

Globālā naftas tirgus pāriet no akūtu, ģeopolitisku struktūras deficītu perioda uz laikmetu, ko raksturo makro pieprasījuma atdzišana un nepieredzēta ne-OPEC+ piegādes diversifikācija. Institucionālajiem ieguldītājiem un preču tirdzniecības galdiem, orientējoties šajā ainavā, ir jāskatās pāri īstermiņa svārstībām un jāanalizē divas atšķirīgas cilpas gaidāmajā ciklā.
1. fāze: Atlikušā saspringtība un ģeopolitiskā prēmija (Q2–Q4 2026)
Tuvākajā makro attēlā joprojām ir saistīts ar pēdējo infrastruktūras traucējumu un tranzīta sastrēgumu spriedzi Tuvajos Austrumos. Lai gan fiziskās un nākotnes cenu atšķirības ir sākušas normalizēties no pavasara maksimumiem, tirgus ienāk vasaras braukšanas sezonā struktūras deficitā, ar globālajām krājumām, kas agresīvi samazinās.

Gribu parunāt par kaut ko, kas mani moka jau mēnešiem.
Ne token cena. Ne tirgus kapitalizācija. Kaut kas strukturālāks.
Katrs lielais AI sasniegums pēdējo piecu gadu laikā ir balstīts uz to pašu pamatu - cilvēku zināšanas, cilvēku radošumu, cilvēku darbu, kas uzkrāts gadu desmitiem un brīvi pieejams internetā.
Grāmatas. Pētniecības darbi. Koda krātuves. Forumu diskusijas. Radošā rakstīšana. Medicīniskā literatūra. Juridiskā analīze. Personīgie emuāri.
Viss ir savākts, apstrādāts un iebarots modeļiem, kas tagad ģenerē miljardus ieņēmumos.

Es gribu sākt ar skaitli.
$500 miljardi.
Tas ir aplēstā globālās AI tirgus vērtība. Modeļi, kas to nodrošina, tika apmācīti uz desmitgadēm ilgas cilvēku zināšanu grāmatām, rakstiem, kodu, mākslu, pētījumiem, sarunām. Praktiski neviens no cilvēkiem, kuri radīja šo zināšanu, nesaņēma atlīdzību.
Tas nav pretrunīgi. AI kompānijas to patiesībā nenoliedz. Viņi vienkārši apgalvo, ka tas ir likumīgi. Vai nepieciešami. Vai ka koncepcija "maksāt par apmācību datiem" ir pārāk sarežģīta, lai to ieviestu masveidā.
OpenLedger cer, ka pēdējais arguments ir nepareizs.

Ir skaitlis, kas mani nepārtraukti moka. Globālā AI tirgus prognozes liecina, ka tas sasniegs 500 miljardus dolāru. Uzņēmumi, kas veido AI, ir novērtēti triljonos. Modeļi kļūst gudrāki katru mēnesi. Un cilvēki, kuru dati padarīja to visu iespējamu? Viņi nesaņem neko. Ne procentu. Ne kredītu. Pat ne atzinību. Tas nav sazvērestība. Tas ir tikai tā, kā sistēma tika veidota. Dati tika uzskatīti par izejvielu, kas ir bagāta, lēta, būtībā bezmaksas. Tu uzrakstīji bloga ierakstu, publicēji pētījumu, radīji mākslu, piedalījies atvērtā koda projektos. Šis darbs tika izsists, apstrādāts un iekļauts modeļos, kas tagad konkurē ar tevi tavā pašā jomā. Cilvēki, kas veidoja AI, nemaksāja par izejvielām. Viņi tās vienkārši ņēma. OpenLedger ir pirmais projekts, ko esmu redzējis, kas uzskata to par strukturālu problēmu, ko vērts risināt protokola līmenī, nevis ar politiku, nevis ar tiesas prāvu, bet ar infrastruktūru. Pamata ideja tiek saukta par Pierādījumu par atribūciju. Tas izklausās tehniski. Taču sekas ir visai atšķirīgas. Pierādījums par atribūciju nozīmē, ka katrs datu kopums, katrs modelis, katrs AI iznākums var tikt izsekots atpakaļ pie tā avota devējiem uz ķēdes. Ne aptuveni. Kriptogrāfiski. Ja tavi dati ietekmēja modeļa iznākumu, protokols to zina. Un, jo tas to zina, tas var maksāt. Automātiski. Katru reizi, kad šis modelis tiek izmantots. Tas ir "Maksājamais AI" koncepts, un tas ir radikālāks, nekā sākumā izskatās. Lielākā daļa AI monetizācijas šodien darbojas šādi: uzņēmums apmāca modeli uz taviem darbiem, ievieš to kā produktu un iekasē maksu no lietotājiem. Tu neesi tajā ieņēmumu lokā. Tu nekad nebiji. Maksājamais AI to apgriež. Ieņēmumu loks automātiski ietver devējus. Nevis kā labdarību. Kā strukturālu prasību, kā sistēma darbojas. Tagad, esmu godīgs par izaicinājumiem. Pierādījums par atribūciju ir tehniski ambiciozs. Precīzi izsekot, kuri dati ietekmēja kuru iznākumu, lielā mērogā, starp miljoniem devēju un miljardiem secinājumu - tas ir ārkārtīgi grūts uzdevums. Jūnija 2025. gada baltajā grāmatā ir aprakstītas divas pieejas mazākiem modeļiem. Kā tas paplašinās līdz robežu līmeņa sistēmām, joprojām ir atklāts jautājums. Ir arī pieņemšanas problēma. OpenLedger ir nepieciešami AI izstrādātāji, lai veidotu uz tās infrastruktūras, nevis pastāvošajiem centralizētajiem alternatīviem. Tas ir klasiskā vistas un olu izaicinājums. Devēji vēlas pievienoties, kad tīklu izmanto izstrādātāji. Izstrādātāji vēlas veidot, kad devēji ir piepildījuši Datanet'us. Panākt, lai abas puses pārvietotos vienlaicīgi, ir tas, kur lielākā daļa infrastruktūras projektu izgāžas. Tokenu dinamika ir vērta uzmanības. Ar 21.55% piedāvājuma pašlaik cirkulē un būtiskas kopienas/ekosistēmas atslēgšanas plānots 48 mēnešos, $OPEN sastop pastāvīgu piedāvājuma spiedienu. Vai organiskā pieprasījuma no faktiskas tīkla izmantošanas pieaugums ir pietiekami ātrs, lai uzsūktu šo piedāvājumu - tas ir jautājums, kas noteiks, vai token atspoguļo projekta patieso lietderību vai tikai tā naratīvu. Bet šeit ir tas, kas liek man ņemt OpenLedger nopietni, neskatoties uz šiem izaicinājumiem. Problēma, ko tas risina, ir reāla un kļūst arvien steidzamāka. AI apmācības datu tiesas prāvas pieaug. Regulatīvā spiediena ap datu izcelsmi pieaug - ES AI likums ir tikai sākums. Uzņēmumu pieņemšana AI paātrinās nozarēs, kur audita iespējamība nav opcija, tā ir likumīgi nepieciešama. OpenLedger neseko tendencei. Tas veido infrastruktūru problēmai, kas kļūs skaļāka, nevis klusāka. Polychain Capital vadīja sākotnējo kārtu. Tas nav garantija. Bet tas ir signāls, ka cilvēki, kas novērtē infrastruktūras likmes, nopietni domāja, ka šī ir tā vērta. Jautājums, ar kuru es turpinu sēdēt, ir šis. Mēs esam pavadījuši desmit gadu, būvējot finanšu infrastruktūru uz blokķēdes — DeFi, NFT, stabilās monētas. Lielākā daļa no tā kalpo salīdzinoši mazai grupai kripto-īpašnieku lietotāju. OpenLedger mēģina kaut ko citu. Infrastruktūra AI ekonomikā. Atribūcijas dzelzceļi pasaulei, kur datiem ir reāla, izmērāma, uz ķēdes vērtība. Ja tas izdosies - ja pat neliela daļa no AI nozares datu piegādes ķēdes pārvietojas caur pārbaudāmas atribūcijas infrastruktūru - $OPEN vēl nav novērtēts šajā pasaulē. Ja tas neizdodas - ja tehniskie izaicinājumi izrādās neatrisināmi lielā mērogā vai pieņemšana nekad neizveidojas, tad tas ir vēl viens ambiciozs teorētisks risinājums, kas nevarēja izdzīvot kontaktā ar realitāti. Es nezinu, kurš iznākums nāk nākamais. Bet es zinu, ka problēma ir reāla. Es zinu, ka lielākā daļa projektu pat nemēģina to risināt.

Bitcoin (BTC) tirgus analīze – 2026. gada 19. maijs
Pašreizējais tirgus
Bitcoin šobrīd tiek tirgots par $76,751.1 USDT, rādot ļoti šauru 24 stundu kustību ar nelielu pozitīvu noslieci +0.04% (+$30.7). Tirgus ir reģistrējis 24 stundu augstāko punktu $77,408 un zemāko punktu $76,044.8, kamēr kopējais tirdzniecības apjoms ir aptuveni 9,916.96 BTC (~$761M USDT).
Pēc tam, kad šī mēneša sākumā tika sasniegta $82,000 zona, BTC ir iegājis korekcijas un konsolidācijas fāzē, tagad stabilizējoties ap $76K reģionu, kur pircēji un pārdevēji aktīvi līdzsvaro likviditāti.