Shaka Web3

31Publikācijas

Shaka Web3

7 Seko

10 Sekotāji

43 Patika

0 Kopīgots

Publikācijas

·

--

Skatīt tulkojumu

Finished the CreatorPad task a couple hours ago. Still thinking about one thing from it.
Genius, $GENIUS , @GeniusOfficial — the terminal angle made sense to me immediately. Multi-chain, signatureless, unified execution. Sure. But what actually slowed me down was the aggregator routing toggle. The part where the human explicitly chooses between speed and price optimization, rather than some opaque backend algo deciding silently. That's not a feature footnote. That's a philosophy.
The Genius Points Season 2 just kicked off — runs until August 10, 2026 — and the incentive structure leans hard into active trading volume across 11+ chains. On-chain, pool liquidity is still sitting shallow, around $500K per CoinGecko, which makes the high-velocity perp activity look a bit front-heavy relative to actual depth. Hold up — that's the part worth watching, not the price action.
What I kept circling back to: most "AI-enhanced" trading tools remove the human from the decision path. Genius seems to be doing the opposite. Keeping the human in the loop explicitly, even when that loop creates friction.
I thought that was a UX choice. But maybe it's actually the product thesis.
Hmm... I'm not sure how that holds when volume scales and traders just default to whatever the platform recommends anyway. That's usually what happens.
Whether explicit human control survives at speed — or quietly becomes decorative — that's the question I haven't answered yet.
#genius

·

--

Skatīt tulkojumu

OpenLedger and the idea of traceable data contributionMarket felt quieter than usual today. Not dead — just that weird in-between energy where nothing's pumping but nothing's really bleeding either. I ended up just... scrolling. Looking at things I'd bookmarked but never actually read. That's how I fell into OpenLedger. I wasn't looking for it specifically. I was thinking about the whole AI data problem — you know, the vague uncomfortable feeling that every model you use got smarter by consuming things people made, and nobody got anything for it. Writers, coders, researchers. Just... silent contributors to something they'll never own a piece of. So I started reading about $OPEN , and at first it felt like another "we're fixing AI" pitch. I almost closed the tab. But then something small caught my attention and I couldn't let it go. OpenLedger isn't just trying to pay people for data. It's trying to make data contribution traceable — like, permanently, verifiably traceable — to the models that actually used it. And I had to sit with that for a second. Because those are two very different things. Most people, when they hear "get paid for your data," picture something like a survey. You submit something, someone pays you a flat fee, done. Transactional. Disconnected from outcome. What OpenLedger seems to be reaching for is different: if a model trained on your dataset gets smarter, gets used more, generates value — you should have a claim on that. Not just the one-time submission fee. The contribution itself gets logged on-chain, tied to model performance, traceable forward in time. I thought this was just a nicer version of the same thing. But actually it's not. It's closer to how royalties work in music. You write a song once, it gets used a thousand times, you keep earning. Except the "song" here is a dataset. And the "times it gets used" is every inference run downstream. That realization sat a little uncomfortably. Because if that actually works — if contribution really is traceable at that level — then the entire way we think about AI data markets looks weirdly primitive right now. But here's the part that bothers me. Traceability sounds clean in theory. In practice, models don't use data one-to-one. They blend it, transform it, mix ten thousand contributors into a weight update that looks nothing like any single source. So how do you actually trace your contribution through that? Who decides how much credit your dataset gets versus the other 40,000 that trained alongside it? I'm not fully convinced this holds under pressure. The attribution problem in machine learning is genuinely hard — not "we need better tooling" hard, more like "this might be philosophically unresolvable" hard. And if the attribution model is even slightly gameable, the whole thing starts to look less like a royalty system and more like a points system that feels fair but isn't. That's not me saying it fails. I genuinely don't know yet. But I think people jumping into $OPEN without asking that question are skipping the most important one. What makes this interesting regardless — and I keep coming back to this — is who it affects if it works. It's not retail traders, really. It's the people who actually produce structured, high-quality data. Researchers. Niche domain experts. People in fields where good training data is genuinely scarce and genuinely valuable. If those people start getting compensated proportionally to how much their data improves model outputs... that changes the incentive structure around AI development in a way that's hard to fully think through right now. It also quietly repositions $OPEN from "crypto AI token" into something that might actually have recurring demand tied to real model usage. Not hype demand. Utility demand. The kind that doesn't disappear when the narrative rotates. I thought it was just another data marketplace. It's actually trying to be something closer to an attribution layer underneath AI. Whether that's achievable is a different question. Anyway. Charts still look unconvincing to me. I'll probably just keep watching this one from a distance for now — see how the data contributor side actually develops before forming a stronger view. Still thinking about the royalties thing though. That part hasn't left me. @Openledger #OpenLedger

OpenLedger and the idea of traceable data contribution

Market felt quieter than usual today. Not dead — just that weird in-between energy where nothing's pumping but nothing's really bleeding either. I ended up just... scrolling. Looking at things I'd bookmarked but never actually read.
That's how I fell into OpenLedger.
I wasn't looking for it specifically. I was thinking about the whole AI data problem — you know, the vague uncomfortable feeling that every model you use got smarter by consuming things people made, and nobody got anything for it. Writers, coders, researchers. Just... silent contributors to something they'll never own a piece of.
So I started reading about $OPEN , and at first it felt like another "we're fixing AI" pitch. I almost closed the tab.
But then something small caught my attention and I couldn't let it go.
OpenLedger isn't just trying to pay people for data. It's trying to make data contribution traceable — like, permanently, verifiably traceable — to the models that actually used it.
And I had to sit with that for a second. Because those are two very different things.
Most people, when they hear "get paid for your data," picture something like a survey. You submit something, someone pays you a flat fee, done. Transactional. Disconnected from outcome.
What OpenLedger seems to be reaching for is different: if a model trained on your dataset gets smarter, gets used more, generates value — you should have a claim on that. Not just the one-time submission fee. The contribution itself gets logged on-chain, tied to model performance, traceable forward in time.
I thought this was just a nicer version of the same thing. But actually it's not.
It's closer to how royalties work in music. You write a song once, it gets used a thousand times, you keep earning. Except the "song" here is a dataset. And the "times it gets used" is every inference run downstream.
That realization sat a little uncomfortably. Because if that actually works — if contribution really is traceable at that level — then the entire way we think about AI data markets looks weirdly primitive right now.
But here's the part that bothers me.
Traceability sounds clean in theory. In practice, models don't use data one-to-one. They blend it, transform it, mix ten thousand contributors into a weight update that looks nothing like any single source. So how do you actually trace your contribution through that? Who decides how much credit your dataset gets versus the other 40,000 that trained alongside it?
I'm not fully convinced this holds under pressure. The attribution problem in machine learning is genuinely hard — not "we need better tooling" hard, more like "this might be philosophically unresolvable" hard. And if the attribution model is even slightly gameable, the whole thing starts to look less like a royalty system and more like a points system that feels fair but isn't.
That's not me saying it fails. I genuinely don't know yet. But I think people jumping into $OPEN without asking that question are skipping the most important one.
What makes this interesting regardless — and I keep coming back to this — is who it affects if it works.
It's not retail traders, really. It's the people who actually produce structured, high-quality data. Researchers. Niche domain experts. People in fields where good training data is genuinely scarce and genuinely valuable. If those people start getting compensated proportionally to how much their data improves model outputs... that changes the incentive structure around AI development in a way that's hard to fully think through right now.
It also quietly repositions $OPEN from "crypto AI token" into something that might actually have recurring demand tied to real model usage. Not hype demand. Utility demand. The kind that doesn't disappear when the narrative rotates.
I thought it was just another data marketplace. It's actually trying to be something closer to an attribution layer underneath AI.
Whether that's achievable is a different question.
Anyway. Charts still look unconvincing to me. I'll probably just keep watching this one from a distance for now — see how the data contributor side actually develops before forming a stronger view.
Still thinking about the royalties thing though. That part hasn't left me.
@OpenLedger #OpenLedger

·

--

Šodien strādāju pie @OpenLedger CreatorPad uzdevuma — īpaši pētīju, kā $OPEN pozicionē savu datu cauruļvadu kā "caurspīdīgu pēc dizaina." Tas, kas mani apstādināja, nebija arhitektūras piedāvājums, bet datu ieguldījuma transakcija, kas tika reģistrēta apmēram blokā 22,601,000 (aptuveni 2026. gada 30. maijā), kur izcelsmes ceļš izskatījās tīrs virspusē, bet atribūtu slānis — kas ieguldīja ko, kādā svarā — joprojām tika atrisināts ārpus ķēdes, pirms kas pieskārās grāmatvedībai. Ķēde apstiprināja iznākumu. Tā neparādīja darbu. Tas attālums ir neliels, bet tieši tur dzīvo faktiskā caurspīdīguma jautājums, jo #OpenLedger princips ir tāds, ka AI apmācības datu plūsmām jābūt auditable, tomēr visvairāk apstrīdētā šīs plūsmas daļa, kuratoru un svēršanas lēmumi, notiek pirms ieraksta sākšanās. Es turpināju pielāgot savu skatījumu uzdevuma vidū, meklējot, kur on-chain žurnāls un faktiskais datu lēmums krustojas, un tie galvenokārt nesakrīt. Grāmatvedība ir reāla. Caurspīdīgums ir daļējs. Vai šis attālums samazinās, kad sistēma nobriest, vai vienkārši tiks aizpildīts ar labākiem rīkiem, ir tas, uz ko es vēl nevaru atbildēt.

·

--

Beidzot pabeidzu CreatorPad uzdevumu Genius Terminal, un kaut kas par HODLer Airdrop paziņojumu nepārtraukti pievērsa manu uzmanību.
29. maijā Binance apstiprināja @GeniusOfficial kā 65. HODLer Airdrop — 10 miljoni $GENIUS tokenu tika sadalīti BNB turētājiem, kuri bija novietojuši aktīvus Simple Earn vai On-Chain Yields trīs dienu snapshot logā (no 11. līdz 13. maijam). Balvas nonāca Spot kontos piecu stundu laikā pēc paziņojuma. Tīra izpilde, bez berzes.
Tas, kas patiesībā piesaistīja manu uzmanību, nebija mehānika — tas bija ietvara trūkums. Genius naratīvs ir par domāšanu, kas kļūst par tīkla vērtību… profesionālie tirgotāji, spoku pasūtījumi, multi-chain maršrutēšanas inteliģence. Bet pirmā lielā sadales viļņa iznākšana ārpus paša termina nonāca tieši pasīvo BNB stakeru rokās, kuri, iespējams, nekad nav atvēruši termināli vispār. Tas nav tieši pretrunīgs, bet tas ir spriedze. Cilvēki, kas izveidoja lietošanas datus, nav obligāti tie, kas šobrīd uzkrāj tokenus. #genius
Es to esmu redzējis iepriekš — platformas, kur "jaudīgā lietotāja" slānis rada koncepta pierādījumu, kamēr sadale plūst uz tiem, kas jau ir bijuši stāvējuši kaut kur blakus. Tas ir strukturāls jautājums, nevis ļaunprātīgs. Vēl joprojām...
Vai tīkls patiesi uztver inteliģenci, ko tas apgalvo, ka novērtē, vai tas beidzot atlīdzina tuvumu Binance esošajai gravitātei vairāk nekā patiesai on-chain domāšanai?

·

--

OpenLedger un datu īpašumtiesību sistēmu nākotne

Tirgus šodien šķita neparasti plakans. Nevis slikta veida plakans — vienkārši... gaida. Man bija atvērts tabs ar velām, ko es īsti neskatījos, un kaut kā nonācu dziļi OpenLedger dokumentācijā. Neplānoju to. Es patiesībā mēģināju atrast kaut ko citu.
Tātad, es sāku lasīt par to, kā $OPEN apstrādā datu atribūciju, un kaut kur ap trešo lapu mana domāšana par to nedaudz mainījās.
Šeit ir lieta, pie kuras es vienmēr atgriežos: mēs nepareizi formulējam AI datu problēmu. Saruna vienmēr ir par piekļuvi — kam ir dati, kurš var tos izmantot, kurš tiek bloķēts. Bet OpenLedger, @OpenLedger , #OpenLedger , klusi norāda uz citu problēmu. Nevis piekļuve. Izcelsme.

·

--

Kaut kas mani apturēja vidū uzdevuma OpenLedger, @OpenLedger , $OPEN , #OpenLedger — un tas nebija pierādījums par atribūciju balto grāmatu, kas patiesi ir interesants darbs. Tas bija Yapper Arena: 2 miljonu OPEN tokenu balvu fonds, kas atlīdzina 200 labākos dalībniekus Kaito līderu sarakstā sešu mēnešu laikā. Tas ir "cilvēku ieguldījumu tīkls" praksē šobrīd. Nevis dataneti. Nevis ModelFactory. Sociālie ieraksti, rangoti pēc uzmanības punktiem.
Apsolījums ir tāds, ka $OPEN plūst tiem, kuri bagātina tīkla inteliģenci — datu devējiem, modeļu apmācītājiem, būvētājiem. Dokumentos tas ir skaidri teikts. Bet dzīvais stimulu slānis, kas šodien piesaista visvairāk dalības, atlīdzina cilvēkiem par runāšanu par OpenLedger, nevis par tā barošanu. Tikmēr 24 stundu apjoms ir krities par 72% saskaņā ar CoinGecko, OPEN sēž aptuveni 90% zem tā visu laiku augstākā punkta $1.82, un komandas un investoru atbloķēšana nenotiks līdz 2026. gada septembrim — divpadsmit mēnešu krasta, tad lineāri trīs gadus. Iekšējie dalībnieki ir ilgtermiņa pozīcijās. Kopiena saņem tokenus, lai runātu.
Es nedomāju, ka tas ir cinisks pēc dizaina — uzmanības pievēršana pirms infrastruktūras nobriešanas ir tieši tā, kā tas darbojas. Bet tas liek man brīnīties: kad pierādījuma par atribūciju sistēma beidzot būs pietiekami daudz reālas dataneta aktivitātes, lai to izmērītu, vai šī cilvēku ieguldījuma kvalitāte patiesi atspoguļos tīklu, ko tā izveidoja… vai kopienu, kuru tā vispirms atlīdzināja?

·

--

Beidzot pabeidzu Genius CreatorPad uzdevumu un gandrīz pārgāju tālāk, tad apstājoties pie kaut kā, kas neiederējās naratīvā. $GENIUS @GeniusOfficial galvenokārt ir saistīts ar inteliģences balstītajām ekonomikām — kas izklausās liels un abstrakts, līdz sāc izsekot faktiskai uz ķēdes uzvedībai. Šīs nedēļas sākumā Genius fiksēja ievērojamu līgumu mijiedarbības pieaugumu, ar maku iesaistes rādītājiem pieaugot laikā, kas nesakrita ar kādu paziņotu notikumu vai mārketinga aktivitāti. Šī plaisa — aktivitāte bez redzama katalizatora — ir tā daļa, ko es turpināju apsvērt.
Lielākā daļa projektu šajā jomā pārvietojas, kad kaut kas tiek paziņots. Cena, apjoms, dalība. Signāls seko troksnim. Tas, kas šeit izcēlās, bija secība, kas skrēja pretējā virzienā: ķēdes aktivitāte vispirms, naratīvs pēc tam. Neatkarīgi no tā, vai tā ir organiskā koordinācija, agrā iekšējā pozicionēšana vai kaut kas, ko tokenomikas dizains klusi veicina — es patiešām nevarēju pateikt tikai no izpētes datiem.
Inteliģences ekonomikas ietvars izklausās saprotamāk, kad tu to lasi šādā veidā. Nevis kā solījums par AI un vērtību, bet kā strukturāls apgalvojums: ka dalība iepriekšējā secībā ir pirms atlīdzības. Es domāju, ka tas bija mārketinga valoda. Sēžot ar faktisko līgumu uzvedību, esmu mazāk pārliecināts, ka tā ir.
Tomēr viena nedēļa aktivitātes nepierāda dizaina filozofiju. Varētu būt troksnis, kas maskējas kā signāls. Es gribu vērot nākamos divus vai trīs mijiedarbības ciklus, pirms pieņemu lēmumu, kurš tas ir.
#genius

·

--

Kaut kas, ko es pamanīju, strādājot pie OpenLedger CreatorPad uzdevuma, bija tas, cik atšķirīgi projekts uzvedas atkarībā no tā, vai tu par to lasi vai patiesībā izseko tā arhitektūru. $OPEN galvenokārt tiek apspriests Web3 AI lokos kā decentralizēta skaitļošanas stāsts, kas ir precīzs, bet ne pilnīgs veidā, kas sāk justies apzināti. Tas, kas patiešām piesaistīja manu uzmanību, bija ieguldījumu atribūcija — ideja, ka on-chain ieraksti seko ne tikai tam, kurš izmantoja tīklu, bet arī tam, kurš to veidoja. Viens dizaina lēmums, kas man palika prātā: dalībnieki, kas sniedz apmācību datus vai validācijas atsauksmes, ģenerē pārbaudāmus izcelsmes ierakstus, kas nozīmē, ka vērtības ieguves mehānisms nav lejupvērsts no modeļa, tas ir iebūvēts tajā, kā tiek veidots modelis. Lielākā daļa platformu solās, ka šāda veida saskaņošana galu galā būs. OpenLedger @OpenLedger mēģina to strukturāli pieslēgt jau no paša sākuma. Vai tas izturēs reālas lietošanas spiedienu — kad datu kvalitāte svārstās, kad ieguldījumu apjoms neviendabīgi palielinās, kad tokenu stimulu dēļ tiek radīts troksnis atsauksmju ciklos — es patiešām vēl nezinu. Arhitektūra liecina par nodomu. Nodoms un rezultāts joprojām ir divas atšķirīgas lietas.
#OpenLedger

·

--

Kas padara OpenLedger atšķirīgu no tradicionālajām AI platformām

Tirgus šodien jutās diezgan stāvs. Ne bearish, ne bullish — tikai tāda dīvaina starpība, kur tu atsvaidzināsi lietas, negaidot neko īpašu.
Tāpēc es beigu beigās devos pa trušu caurumu uz OpenLedger. Ne tāpēc, ka kāds man to teica. Tikai tāpēc, ka $OPEN turpināja parādīties un es vēlējos saprast, kas tiešām ir domāts ar atšķirību.
Un es gandrīz aizvēru šo lapu pēc piecām minūtēm.
Jo virspusē tas izklausās kā katra cita "decentralizētā AI" prezentācija. Izkliedēta datu apstrāde, tokena stimuli, atvērta piekļuve. Esmu redzējis šo prezentāciju simts reizes. Tāpēc es sāku ātri pārskatīt — un tad kaut kas lika man apstāties.

·

--

Visi turpina spriest, vai AI nomainīs cilvēku spriedumu, un es to ilgu laiku noraidīju kā nepareizu jautājumu — līdz sāku pētīt Genius un pamanīju kaut ko par to, kā sistēma patiesībā iegūst to, ko tā zina. Tur ir slānis, kur cilvēku strukturēta ievade nav izvēles jautājums, tā ir nesošā daļa. Es domāju, ka AI kļūst gudrāks, apstrādājot vairāk, bet tas, ko es skatījos, liecināja, ka struktūras kvalitāte ir svarīgāka par apjomu. Tas manī kaut ko mainīja. Lielākā daļa modeļu, ko es pēdējā laikā izmantoju, šķiet pārliecināti veidos, kas neiztur — nevis tāpēc, ka dati būtu nepareizi, bet tāpēc, ka neviens nav sakārtojis loģiku aiz tā. $GENIUS šķiet, ka liek likmes uz to, ka kurācijas slānis ir produkts, nevis iznākums. Es neesmu pilnīgi pārliecināts, ka tas scale-ojas tā, kā viņi domā — tas ir tas, ko es turpinu apdomāt. Bet pieņēmums, ar kuru es ienācu, ka cilvēku ievade bija tikai pagaidu konstrukcija līdz AI nobriest, tagad šķiet grūtāk aizstāvēt. Varbūt tā nav fāze. Varbūt tā ir faktiskā arhitektūra. #genius @GeniusOfficial

·

--

OpenLedger un ideja par ieguldījumu balstītu digitālo vērtību

Tirgus šonedēļ ir bijusi dīvaina. Ne sabrūk, ne pumpējas — vienkārši tā kā peld. Tāds sesijas laiks, kad tu vairāk iegrimsti caurumos nekā skaties uz velām. Tāpēc es sāku pētīt OpenLedger, galvenokārt tāpēc, ka $OPEN nepārtraukti parādījās manā plūsmā, un es to atkārtoti noraidīju. Nolēmu beidzot paskatīties, ko tas dara.
Un kādu laiku es domāju, ka es to saprotu. Datu tirgus, AI apmācība, radītāji saņem atlīdzību par ieguldījumu. Labi. Standarta stāsts. Es jau gatavojos aizvērt šo cilni.

·

--

Izpētot OpenLedger laikā, veicot CreatorPad uzdevumu, es nepārtraukti atgriezos pie kaut kā maza, bet būtiska: platforma pozicionē $OPEN kā infrastruktūru AI datu izcelsmei, slāni, kas ļauj veidotājiem pieprasīt tiesības uz to, kas apmāca modeļus, taču faktiskais plūsmas process uzdevuma laikā atklāja, ka lielākā daļa nozīmīgās atribūcijas loģikas atrodas aiz konfigurācijām, kurām noklusējuma lietotāji nekad nepiekrīt. OpenLedger #OpenLedger @OpenLedger padara solījumu saprotamu virsmas līmenī, tīras paneļi, ieguldījumu izsekošana, redzami token atlīdzības, tomēr dziļākie mehānismi, lai pārbaudītu, kādi dati patiesi ietekmēja modeli un cik daudz, prasa līmeni iestatījumu, kas pieņem tehniski prasmīgu lietotāju, kuram, iespējams, nav nepieciešama iekļaušana. Atstarpe nav cyniska tieši, drīzāk kā produkts, kas izveidots, ņemot vērā to, kur AI ekonomika virzās, nevis kur pašlaik atrodas lielākā daļa veidotāju. Šī asimetrija ir vērta turēšanai. Ja vērtība vispirms pieaug lietotājiem, kuri ir pietiekami izsmalcināti, lai to pilnībā konfigurētu, plašā veidotāju narratīvs var darboties vairāk kā pieprasījuma ģenerēšana nekā tuvākas termiņa lietderība, kas ir labi kā stratēģija, bet pārveido to, kas patiesībā gūst labumu pirmajā vilnī.

·

--

Daļa, kas man palika prātā no GENIUS uzdevuma, nebija pati ieguldījumu stimulācija, bet specifiskā asimetrija, ko tā rada. $GENIUS #genius @GeniusOfficial Projekts pozicionē aktīvo ieguldījumu kā vērtīgāku nekā pasīvo izmantošanu, kas izklausās godīgi, līdz pamanāt, ko šis dizaina lēmums patiesībā dara praksē: tas padara tīkla kvalitāti atkarīgu no dalībnieku uzvedības, ko lielākā daļa cilvēku, lielāko daļu laika, nevēlas izvēlēties. Pasīva patēriņš ir dabiska stāvoklis. Cilvēki jautā, iegūst, pārvietojas tālāk. Dizaina pieņēmums, kas ir iekļauts GENIUS, ir tas, ka pietiekami daudz dalībnieku pāries no šī noklusējuma, lai uzturētu koordinācijas slāni — un ka stimulācijas struktūra ap $GENIUS ir pietiekama, lai radītu šo pāreju uzticami, ne tikai palaišanas brīdī, kad jaunums un agrīnie atlīdzības veic lielāko daļu motivācijas darba. Viena uzvedība, kas parādījās uzdevuma laikā: ieguldījumu interfeiss prasa apzinātu iesaisti, nevis nejaušu aktivitāti. Tev ir jābūt nolūkam ieguldīt. Kas ir vai nu kvalitātes filtrs, vai pieņemšanas griesti, un atšķirība starp šīm divām lietām, iespējams, ir atkarīga no tā, kā stimulācijas līkne turas, kad tīkls nobriest aiz tā agrīnās dalībnieku bāzes. Es neesmu atrisinājis, kura interpretācija ir precīzāka.

·

--

Kāpēc OpenLedger ir daļa no decentralizētā AI kustības

Kāds grupas tērzēšanā, kurā esmu, vakar izmeta frāzi "decentralizēts AI" trīs reizes vienā ziņojumā, un es sapratu, ka esmu piekritis šai terminoloģijai mēnešiem ilgi, neskatoties uz to, ka nekad neesmu patiesi pārbaudījis, ko tas nozīmē praksē. Nevis redzējums. Prakse.
Tātad, es devos un pavadīju kādu īstu laiku ar OpenLedger. $OPEN . Es to iepriekš skatījos, virspusēji, un mentāli to ieliku zem decentralizētā AI jumta, neskatoties uz to, vai šis apzīmējums patiešām veic kādu reālu darbu.
Šeit ir tas, kas mainījās.

·

--

Tas, kas mani pievēra OpenLedger uzdevumā, nebija ne blockchain komponents, ne AI aspekts atsevišķi — tas bija konkrētais funkcija, ko caurredzamības slānis patiesībā veic. $OPEN #OpenLedger @OpenLedger Rāmējums liecina, ka blockchain ir tur, lai padarītu AI attīstību atklātāku, pārbaudāmāku, uzticamāku kādā vispārējā nozīmē. Bet tas, ko tas faktiski dara, ir radīt auditu ierakstu par to, kuri dati pieskārās kuriem modeļiem un kad — nevis primāri lietotāja labā, bet lai padarītu ieguldījumu vērtību pietiekami saprotamu, lai to varētu novērtēt. Tas ir cita veida lieta. Viens dizaina uzvedības aspekts, kas to padarīja konkrētu: sistēma reģistrē izcelsmi nevis kā pasīvu ierakstu, bet kā aktīvu ieguldījumu tam, kā ieguldījumi tiek vērtēti tālāk. Caurspīdīgums šeit nav princips, tas ir cenu noteikšanas mehānisms. Mana klusā neērta sajūta ir šāda — kad caurredzamība kalpo novērtēšanai vairāk nekā atbildībai, grāmata sāk optimizēt to, kas ir izmērījams, nevis to, kas ir nozīmīgs. Vai šie divi aspekti laika gaitā OpenLedger arhitektūrā sakrīt vai klusi atšķiras, nav kaut kas, ko pašreizējā dokumentācija padara vieglu novērtēt.

·

--

Kādu radošo uzdevumu laikā par $OPEN , detaļa, kas nepārtraukti parādījās, nebija par datu apjomu vai tirgus mehānismiem, bet par to, kur patiesībā atrodas verifikācija plūsmā. OpenLedger un pieaugošā pieprasījuma pēc verificējamiem AI datiem #OpenLedger @OpenLedger pozicionē projektu stāstā, kas šķiet steidzams un reāls, jo pieprasījums pēc izcelsmes AI apmācībā patiešām pieaug. Bet dizaina uzvedība, pie kuras es atgriezos, ir tāda, ka verifikācija pašreizējā sistēmā šķiet, ka darbojas kā ieraksta īpašība, nevis patērētāja prasība. Tas nozīmē: dati tiek marķēti kā verificējami pie ieguldījuma punkta, bet nekas noklusētajā plūsmā neuzspiež AI izstrādātājam otrā pusē attiekties pret šo marķējumu kā lietošanas nosacījumu. Viens klusais novērojums, strādājot pie uzdevuma, ir tas, ka verifikācija bez izpildāmības ir tuvāk dokumentācijai nekā infrastruktūrai. Mana personīgā atspoguļojums ir tāds, ka šī atšķirība reti parādās tajā, kā projekti reklamē sevi, jo dokumentācija un infrastruktūra izskatās identiski, līdz kaut kas noiet greizi. Vai OpenLedger aizver šo plaisu, vai arī plaisa aizveras tikai tad, kad ārējais spiediens padara ieraksta ignorēšanu dārgu, paliek daļa no projekta, ko es vēl nevaru pilnībā atrisināt.

·

--

Kāpēc OpenLedger varētu kļūt nozīmīgs, kad AI pieņemšana paātrinās

Es jau kādu laiku sekoju AI naratīvam kriptovalūtās, un, godīgi sakot, lielākā daļa no tā joprojām šķiet kā dekorācija. Projekti pieliek "AI" kaut kur savā piedāvājumā, un tirgus reaģē, it kā tam būtu nozīme. Tāpēc es esmu diezgan labi iemācījusies to pārskatīt. Varbūt tieši tāpēc es gandrīz nepamanīju to, ko pamanīju ar $OPEN .
Es pat nebiju meklējusi to konkrēti. Es biju gājusi cauri Binance CreatorPad projektu sarakstam, galvenokārt no ieraduma, un OpenLedger pastāvīgi parādījās sarunās par AI infrastruktūru. Nevis troksnī, bet vairāk klusās sarunās, kur cilvēki mēģina noskaidrot, kas patiešām ir funkcionāls, nevis tikai tērpies ciklam.

·

--

Kādu laiku, veicot CreatorPad uzdevumu uz $GENIUS , mans uzmanību piesaistīja nevis pati stimulēšanas struktūra, bet gan secība, kādā tā aktivizējas. GENIUS veido ietvaru, lai stimulētu cilvēku intelektu. #genius @GeniusOfficial ietver sistēmu, kas balstās uz to, lai atlīdzinātu dalībniekiem par viņu ieguldījuma kvalitāti, kas izklausās pēc dalībnieku prioritātes. Tomēr novērojamā dizaina izvēle darbojas citādi: ietvars kvalificē ieguldījumus caur vērtēšanas slāni, kuru protokols kontrolē, pirms sākas jebkura atlīdzības aprēķināšana. Šī secība nozīmē, ka vērtīgā cilvēku intelekta definīcija netiek turēta pie cilvēkiem, kas to sniedz. To tur tas, kurš kalibrē vērtēšanas modeli. Viens konkrēts uzvedības piemērs, kas to atspoguļo: dalībnieki, kas strādā ar noklusējuma uzdevumu plūsmām, nav redzami, kāpēc iesniegums saņem konkrētu novērtējumu, tikai to, ka tāds ir bijis. Kritēriji paliek augšup un necaurredzami. Mana klusā pārdomāšana ir tāda, ka stimulētas intelekta ietvaros tendējas veidot to intelektu, ko tie apgalvo mērīt, un šī veidošanas virziens seko tam, kurš pieder rubrikai. Vai GENIUS galu galā atvērs šo slāni dalībnieku ietekmei, vai rubrika paliks fiksētu infrastruktūras izmaksu, ko dalībnieki vienkārši absorbē, šķiet, ka tas ir patiesais ilgtermiņa jautājums, uz kuru projekts vēl nav sniedzis redzamu atbildi.

·

--

Kas man palika prātā pēc šī ģeniālā uzdevuma, ir cenu problēma, ko ekonomikas ietvars manto, bet neatrisina. $GENIUS #Genius @GeniusOfficial veidojas ap noderīgas informācijas ekonomiku, un šī frāze ir precīzāka, nekā tā sākotnēji izskatās — noderīgums tur faktiski veic reālu darbu, ne tikai informāciju. Bet informācijai ir klasiskā novērtēšanas problēma: tās vērtība ir pilnībā zināma tikai pēc tam, kad to esi ieguvis un novērtējis, kas nozīmē, ka tu to nevar precīzi novērtēt apmaiņas brīdī. Ko es ievēroju ieguldījumu struktūrā, ir tas, ka atlīdzības ir obligāti saistītas ar aizvietotājiem — uzdevumu izpilde, kvalitātes rubrikas vērtējumi, konsekvences signāli — nevis ar demonstrētu noderīgumu modelim. Vai konkrēts ieguldījums patiešām uzlaboja modeļa veiktspēju, tiek noteikts apmācības laikā, ilgi pēc tam, kad ieguldītājs jau ir saņēmis atlīdzību vai nē. Ļoti noderīgs izņēmuma ieguldījums un kompetents, bet lieks var saņemt līdzīgu attieksmi iesniegšanas brīdī, jo sistēma vēl nevar zināt, kurš ir kurš. Šī atšķirība starp aizvietotāju balstītu atlīdzību un faktisko noderīgumu nav dizaina kļūda — tā var būt neizbēgama, ņemot vērā, kā darbojas informācijas ekonomika. Bet tas nozīmē, ka sistēma atlīdzina noderīgas informācijas izskatu, nevis pašu noderīgu informāciju, un šīs divas lietas nepilnīgi sakrīt.

·

--

Kāpēc OpenLedger koncentrējas uz datu caurskatāmību un atribūciju

Vakar bija dīvaina saruna ar čatbotu. Nevis dīvaina-jautra, bet dīvaina-nepareiza. Uzdevu tam kaut ko diezgan konkrētu par tēmu, ko labi pārzinu, un tas deva atbildi, kas bija pārliecināta, strukturēta un apmēram četrdesmit procenti nepareiza. Tā nepareizība ir grūti pamanāma, ja jau zini atbildi.
Es aizvēru cilni un uz brīdi apstājās. Tad, iemeslu dēļ, kas tajā brīdī šķita loģiskāki nekā tagad, es nonācu pie OpenLedger. $OPEN , #OpenLedger. Es jau biju plānojis atgriezties pie tā kādai CreatorPad uzdevumam, un kaut kas par to čatbota momentu lika just, ka laiks ir pareizs.

Pieraksties, lai skatītu citu saturu