Klim s777

В 2026 году OpenAI привлекла внимание математического сообщества работой, связанной с задачей Эрдёша о единичных расстояниях. Интерес вызвал не только результат, но и сам способ его получения.
Согласно опубликованным материалам, модель использовала перенос идей между различными разделами математики для построения новой конструкции. В центре обсуждения оказался не ответ как таковой, а происхождение рассуждения, которое привело к этому ответу.
Этот случай оказался показательным для более глубокого процесса, который сегодня происходит в индустрии искусственного интеллекта.
На протяжении многих лет развитие AI оценивалось через характеристики самих моделей:
количество параметров;объём обучающих данных;вычислительные мощности;результаты тестов и бенчмарков.
Неявно предполагалось, что интеллект находится внутри модели.
Однако архитектура современных AI-систем постепенно меняется.
Всё более заметную роль начинает играть Retrieval-Augmented Generation (RAG) — подход, при котором модель использует внешние источники знаний непосредственно во время генерации ответа.
Это означает, что всё большая часть интеллектуального результата формируется не только параметрами модели, но и информацией, извлечённой извне.
Разница принципиальна.
Если ответ создаётся исключительно на основе обучения модели, происхождение результата относительно прозрачно:
разработчик модели;обучающий датасет;вычислительная инфраструктура;процесс обучения.
Но при использовании RAG появляется дополнительный уровень происхождения знания.
Ответ может зависеть от:
научных публикаций;корпоративных баз знаний;специализированных архивов;отраслевых датасетов;экспертных сообществ;внешних документов, извлечённых системой в момент запроса.
В результате возникает новый вопрос.
Не:
какая модель дала ответ?
А:
какое знание сформировало этот ответ?
Две одинаковые модели способны выдать разные результаты, если используют разные источники информации.
Качество ответа всё чаще определяется не только качеством модели, но и качеством знаний, к которым она получила доступ.
Фактически интеллект начинает распределяться между моделью и внешней средой знаний.
Это меняет саму архитектуру AI.
Если раньше интеллект рассматривался как свойство модели, то теперь он всё чаще становится результатом взаимодействия между:
моделью;системой поиска;датасетами;специализированными сетями знаний;внешними источниками информации.
Из этого изменения вытекает следующий вопрос.
Если знания извлекаются во время работы системы, становится возможным спросить:
какой источник использовался;какой документ повлиял на ответ;какой набор данных оказался наиболее значимым;чей вклад фактически вошёл в итоговый результат.
Так появляется задача происхождения знания — Knowledge Provenance.
Её цель заключается не только в прозрачности.
Речь идёт о возможности установить происхождение интеллектуального результата и проследить путь информации от источника до конечного ответа.
Параллельно развивается ещё одно направление.
AI постепенно перестаёт быть исключительно инструментом генерации контента и всё чаще становится участником действий.
Современные AI-агенты уже способны:
выполнять задачи автономно;взаимодействовать с программными интерфейсами;анализировать данные;управлять рабочими процессами;инициировать транзакции;координировать выполнение других систем.
Вместе с этим возникает вторая проблема происхождения.
Если первая звучит как:
откуда пришло знание?
то вторая формулируется иначе:
кто совершил действие?
По мере распространения автономных агентов идентичность начинает превращаться в инфраструктурную задачу.
Для любой системы становится важно понимать:
какой агент выполнил действие;какими полномочиями он обладал;какие источники данных использовал;какие модели лежали в основе его решений;кто санкционировал его работу.
Именно поэтому в последние годы активно развивается направление Agent Identity и Verifiable Agent Credentials.
Речь идёт не о повышении интеллектуальных способностей агентов.
Речь идёт о возможности установить происхождение их действий.
На этом этапе начинают пересекаться два независимых процесса.
RAG Attribution отвечает на вопрос:
какое знание повлияло на результат?
Agent Identity отвечает на вопрос:
какая сущность совершила действие?
Обе задачи требуют одного и того же.
Прослеживаемости происхождения.
Прослеживаемости связей.
Прослеживаемости вклада.
Именно здесь появляется необходимость в новых системах атрибуции.
В традиционном программном обеспечении подобные вопросы редко становились критичными, поскольку большинство процессов контролировались централизованно.
AI-экосистемы устроены иначе.
Источников знаний могут быть тысячи.
Участников могут быть тысячи.
Агентов могут быть тысячи.
Количество взаимосвязей между ними растёт экспоненциально.
В экосистеме @OpenLedger развитие идёт именно в этом направлении.
Datanets предназначены для формирования специализированных сетей знаний.
RAG Attribution позволяет отслеживать происхождение информации, используемой при генерации ответов.
Proof of Attribution связывает между собой источники данных, участников, знания и результаты работы AI-систем.
В этой архитектуре $OPEN выступает координационным уровнем между знаниями, атрибуцией, участниками сети и сервисами искусственного интеллекта.
На протяжении последнего десятилетия главный вопрос AI звучал так:
Насколько умной может стать модель?
Развитие RAG, специализированных сетей знаний и автономных агентов постепенно смещает фокус к другому вопросу:
Насколько точно можно установить происхождение знания, использованного системой в момент принятия решения?
Именно вокруг этого вопроса сегодня начинает формироваться новый инфраструктурный слой экономики искусственного интеллекта.
$OPEN
#OPEN #OpenLedger

A maior parte da discussão pública em torno da IA ainda foca em: chatbots, geração de imagens ou assistentes de produtividade.
Mas a camada de infraestrutura por trás dos sistemas de IA está mudando muito mais rápido.
Os recentes sistemas de raciocínio da OpenAI demonstraram raciocínio matemático interdisciplinar conectado ao problema da distância unitária de Erdős. O detalhe importante não era a geração de texto, mas a construção de uma nova abordagem matemática que foi posteriormente revisada por matemáticos.
Ao mesmo tempo, sistemas de IA autônomos em blockchain já estão operando dentro de ambientes de blockchain ao vivo.

Recentemente, a OpenAI publicou uma pesquisa relacionada ao problema da distância unitária de Erdős — uma das questões bem conhecidas na geometria discreta.
O que tornou o evento significativo não foi apenas que um modelo de IA simplesmente 'adivinhou uma resposta'.
O modelo de raciocínio supostamente construiu uma nova abordagem matemática transferindo ideias entre diferentes ramos da matemática. Matemáticos humanos depois revisaram e verificaram a estrutura.
Esse detalhe importa muito mais do que as manchetes em si.
Por anos, a maioria dos sistemas de IA foram tratados principalmente como: assistentes, mecanismos de busca, geradores de conteúdo ou software de produtividade.

A maioria das pessoas ainda acha que o futuro da AI será definido por quem criar o modelo mais "inteligente".
Mas cada vez mais me parece que o verdadeiro conflito será em outro lugar:
quem vai conseguir o controle sobre datasets de qualidade realmente humana depois que a internet começar a ser inundada por conteúdo sintético gerado por AI.

A maioria dos projetos de cripto relacionados à IA ainda compete em torno de produtos visíveis: chatbots, interfaces, agentes de IA, ferramentas de automação ou narrativas especulativas sobre “o futuro da IA.”
Mas quanto mais estudo @OpenLedger , mais sinto que o projeto está mirando algo muito maior: infraestrutura de coordenação para economias nativas da IA.
Essa distinção é importante porque os sistemas de IA em larga escala falham cada vez mais não por modelos fracos, mas sim pela coordenação fragmentada entre: dados, computação, liquidez, execução, implantação e sistemas de atribuição.

A maioria das discussões sobre IA ainda gira em torno de aplicações:
chatbots,
agentes,
geração de imagens,
ferramentas de automação.
Mas a estrutura mais profunda por trás
foi construída em torno de uma suposição diferente:
o gargalo de longo prazo da IA pode não ser a inteligência do modelo em si, mas a atribuição, a propriedade dos conjuntos de dados, a economia da inferência e a coordenação entre contribuidores, modelos e infraestrutura de computação.
#OpenLedger foi fundada em 2024 por Pryce Adade-Yebesi, Ashtyn Bell e Ram Kumar. Antes de lançar o projeto, Pryce Adade-Yebesi co-fundou a Utopia Labs, uma plataforma de tesouraria e pagamento cripto que foi posteriormente adquirida pela Coinbase. Esse histórico é importante porque a arquitetura da OpenLedger foi projetada menos como uma aplicação de IA para varejo e mais como uma infraestrutura programável para economias de máquinas.