Znowu kawałek śmiechu między mną a AI 😂
Koło tygodnia temu, siedziałem i debatowałem z ChatGPT na temat finansów. Na początku chciałem tylko szybko zadać pytanie, ale rozmowa przeciągnęła się prawie na 20 minut.
Nie dlatego, że jest za mądra.
Ale dlatego, że się myli.
Zrobiłem poprawkę w jednym zdaniu, a ono odpowiedziało. Poprawiłem dalej. Kiedy przyszło do zamknięcia okna czatu, zrozumiałem, że poświęciłem więcej czasu na poprawę jego odpowiedzi niż na znalezienie odpowiedzi dla siebie.
Wtedy nie myślałem o tym zbyt wiele.
Ale kilka dni później przypomniałem sobie o tym.
I pojawia się dość dziwne pytanie.
Jeśli miliony ludzi robi to samo każdego dnia, co tak naprawdę się tutaj dzieje?
Używamy AI.
Czy AI uczy się od nas więcej, niż się wydaje?
Początkowo myślałem, że to po prostu historia o danych.
AI staje się silniejsze dzięki większej ilości danych.
Brzmi całkowicie sensownie.
Ale im więcej czytałem o tym, jak modele poprawiają się z czasem, tym bardziej widziałem, że to wyjaśnienie brakuje czegoś.
Bo to, co widzę każdego dnia, to nie tylko dane.
To bardzo konkretne wkłady ludzkie.
Ktoś poprawia odpowiedź.
Ktoś dodaje kontekst.
Ktoś odkrywa błąd w argumentacji.
Ktoś podzielił się bardzo specyficznym doświadczeniem, które model prawie nie jest w stanie samodzielnie nauczyć się z Internetu.
Im bardziej patrzę na te interakcje, tym bardziej wydają się one przypominać pracę umysłową niż surowe dane.
I to był moment, w którym zacząłem spojrzeć na wyścig AI w inny sposób.
Może największym problemem nie jest to, jak stworzyć więcej wiedzy.
Ale chodzi o to, jak wiedzieć, skąd naprawdę pochodzi ta wiedza.
Brzmi trochę abstrakcyjnie.
Też tak kiedyś myślałem.
Ale im dłużej myślałem, tym bardziej widziałem, że to nie jest pytanie filozoficzne.
To pytanie ekonomiczne.
Bo w prawie każdej branży, gdy coś staje się wartościowe, prędzej czy później ludzie znajdą sposób, aby określić, kto przyczynił się do stworzenia tej wartości.
Jeśli chodzi o AI, większość tych wkładów wciąż znika wewnątrz systemu.
Użytkownicy generują sygnały.
Model absorbuje sygnały.
Wartość jest tworzona.
Ale ścieżka wartości jest bardzo trudna do prześledzenia.
Ciekawe jest to, że próbując odpowiedzieć na to pytanie, zdaje się, że @OpenLedger zaczyna się od miejsca, które większość ludzi pomija.
Na początku myślałem, że to tylko kolejny projekt AI na rynku, który już jest pełen projektów AI.
Ale im więcej czytam, tym bardziej widzę, że stawiają oni na inne założenie.
Że przyszłość AI nie zależy tylko od tego, jak silny jest model.
To jeszcze zależy od zdolności do rejestrowania i dystrybucji wartości dla tych, którzy przyczynili się do uczynienia tego modelu użytecznym.
Patrząc z tej perspektywy, kawałki OpenLedger zaczynają łączyć się w bardziej logiczny sposób.
EigenLayer to nie tylko bezpieczeństwo.
Kaito to nie tylko mindshare.
Aethir to również nie tylko moc obliczeniowa.
To, co zwróciło moją uwagę, to sposób, w jaki są wciągane w ten sam problem.
Dane.
Obliczenia.
Model.
Przypisanie.
Rzeczy, które zwykle znajdują się w odrębnych ekosystemach, są łączone w dość kompletną pętlę wartości.
I szczerze mówiąc, to jest punkt widzenia, którego nie widziałem w wielu innych projektach AI.
Ale im więcej badałem, tym bardziej zmieniałem zdanie.
Wcześniej myślałem, że infrastruktura to najtrudniejsza część.
Teraz już nie jestem pewien.
Historia technologii pokazuje, że ludzie są całkiem dobrzy w budowaniu infrastruktury.
Znacznie trudniejsze jest często stworzenie powodu, aby inni nadal przyczyniali się do tej infrastruktury.
To wtedy OpenCircle SeedLab stało się dla mnie interesujące.
Na początku przypominało to znany program dotacyjny.
25.000 USD dla niezależnego dewelopera.
500.000 USD dla rozwiniętego startupu.
Na zewnątrz nie wygląda to zbyt różnie.
Ale w końcu zrozumiałem, że coś istotnego nie tkwi w pieniądzach.
Ale chodzi o rodzaj aplikacji, które chcą się pojawić.
Od portfeli AI po wyspecjalizowane modele trenowane na danych DeFi.
To sprawiło, że zdałem sobie sprawę z dość wyraźnej wiary.
Że największa wartość AI w przyszłości może nie leżeć w modelu bazowym.
Ale leży w warstwach aplikacji i specjalistycznej wiedzy budowanej na jej szczycie.
Innymi słowy, modele stają się coraz bardziej podobne do infrastruktury.
Podczas gdy wyspecjalizowana wiedza staje się coraz bardziej rzadkim zasobem.
Ale to, co najbardziej mnie zastanawia, tkwi w innej sprzeczności.
Jeśli @OpenLedger rzeczywiście rozwiązuje problem przypisania, co się stanie potem?
Na pierwszy rzut oka odpowiedź wydaje się dość prosta.
Osoby przyczyniające się będą lepiej uznawane.
Brzmi całkowicie sensownie.
Ale im więcej myślę, tym mniej jestem pewien, że wszystko będzie tak proste.
Większość wiedzy w Internecie jest tworzona w bardzo chaotyczny sposób.
Jedna osoba przedstawia pomysł.
Inny krytykuje.
Ktoś inny dodaje dane.
A potem ktoś połączył to wszystko z zupełnie inną dziedziną.
Ostatecznie, wartość pojawia się z nakładania się wielu małych wkładów.
Nikt nie posiada całej historii.
Ale to właśnie ten chaos często generuje nowe pomysły.
Jeśli przypisanie nie powiedzie się, większość wartości nadal będzie płynąć do platform, które posiadają system.
To dość łatwe do wyobrażenia.
Ale jeśli przypisanie się powiedzie w 100%, pojawia się inne pytanie.
Czy ludzie nadal są gotowi dzielić się niedokończonymi pomysłami, gdy każda idea może być wyceniana?
Czy przypadkowe debaty będą się nadal toczyć naturalnie, jeśli każdy wkład ma znaczenie ekonomiczne?
Czy zaczniemy traktować wiedzę jak aktywa finansowe, ujawniając ją tylko wtedy, gdy zrozumiemy jej wartość?
Nie sądzę, aby @OpenLedger stwarzało ten problem.
Jeśli tak, to próbują rozwiązać niesprawiedliwość, która trwa od dawna.
Ale to właśnie to sprawia, że ten temat staje się interesujący.
Bo może największa walka AI nie leży między modelami.
Nie znajduje się również między blockchainami.
Ale chodzi o znalezienie równowagi między dwoma pozornie przeciwstawnymi rzeczami.
Sprawiedliwe uznanie wkładów.
Ale nadal zachowując otwartość, która pomogła Internetowi generować niezliczone pomysły przez wiele dekad.
Do teraz nie jestem pewien, gdzie leży odpowiedź.
Może to jest powód, dla którego nadal śledzę projekty takie jak @OpenLedger .
Nie dlatego, że dostarczają ostatecznych odpowiedzi.
Nie dlatego, że zmuszają nas do stawienia czoła pytaniom, które wcześniej prawie nikt nie brał pod uwagę.
#openledger @OpenLedger $OPEN $XLM $HYPE