Lần đầu tiên tôi thực sự hiểu mô hình AI có thể thanh toán của OpenLedger, nó không cảm thấy như một câu chuyện AI.
Nó giống như một câu chuyện về hóa đơn.
Có lẽ đó là điều cốt lõi.
OpenLedger chia hệ thống thành các phần mà người ta thường giả vờ là một thứ. Nguồn dữ liệu không phải là mô hình. Mô hình không phải là bộ chuyển đổi. Bộ chuyển đổi không phải là tác nhân. Đầu ra của tác nhân không phải là toàn bộ hóa đơn. Datanets mang dữ liệu đóng góp. PoA cố gắng truy vết những gì đã hình thành đầu ra. OpenLoRA làm cho các bộ chuyển đổi chuyên biệt trở nên rẻ đến mức có thể sử dụng thường xuyên. ModelFactory biến cả đống hỗn độn thành thứ mà một builder có thể triển khai mà không trở thành nô lệ của hạ tầng.
Và vâng, nó thanh lịch.
AI thường nhồi mọi thứ vào một câu trả lời và sau đó tỏ ra ngạc nhiên khi không ai có thể giải thích ai đã tạo ra giá trị, ai đã sử dụng máy tính, ai đã đào tạo cái gì, ai xứng đáng được ghi nhận, và tại sao nền tảng lại giữ tiền. Đầu ra, dữ liệu, suy diễn, công việc mô hình, định hướng đại lý, giá trị người đóng góp, tất cả đều phẳng vào một hộp phản hồi nhỏ gọn. Tuyệt vời. Rất hiệu quả nếu mô hình kinh doanh của bạn là "hãy tin chúng tôi, mọi người khác là ngẫu nhiên."
OpenLedger đang cố gắng tách các chức năng đó ra.
Datanets mang lớp nguồn.
PoA của OpenLedger mang lớp ghi nhận.
OpenLoRA mang lớp phục vụ chuyên biệt.
ModelFactory mang lớp triển khai.
Về lý thuyết, điều đó có nghĩa là các nhà phát triển có thể ngừng coi đầu ra AI như phép thuật và bắt đầu định giá các mảnh ghép thực sự đã làm cho nó xảy ra. Các người đóng góp có thể được ghi nhận. Các đại lý có thể được kiếm tiền. Dữ liệu có thể ngừng được coi là nguyên liệu thô miễn phí chỉ vì một số nền tảng đã thu thập nó trước và mặc áo hoodie đẹp trong khi làm điều đó.
Phần đó khiến tôi cảm thấy hợp lý.
Điều mà tôi luôn băn khoăn là điều gì sẽ xảy ra với trực giác khi người dùng ngừng thấy ngăn xếp phía sau câu trả lời.
Trên hầu hết các sản phẩm AI, ngay cả những sản phẩm xấu xí, mối quan hệ là tâm lý đơn giản. Bạn hỏi điều gì đó, mô hình trả lời, có thể bạn trả một khoản phí đăng ký, có thể bạn đốt tín dụng, có thể nền tảng ăn biên độ và gọi đó là tăng trưởng. Ngốc nghếch, nhưng đơn giản.
OpenLedger đang cố gắng làm cho câu trả lời đó trung thực hơn.
Tốt.
Nhưng trung thực không phải lúc nào cũng có nghĩa là trực giác.
Một người dùng thấy một đầu ra. Các hoạt động của nhà phát triển thấy năm trung tâm chi phí lặng lẽ cố gắng vừa vặn bên trong nó.
Sử dụng Datanet.
Gọi bộ chuyển đổi.
Tải suy diễn.
Thanh toán cho người đóng góp.
Biên độ của đại lý.
Đó là phần mà tôi luôn quay lại vì tôi đã thấy "rẻ" tồn tại cho đến khi ai đó mở ra việc sử dụng theo lớp. Một truy vấn cảm giác như một thứ trên bề mặt. Backend không trải nghiệm nó theo cách đó.
Nếu thứ tạo ra câu trả lời cũng đang định hướng giá trị qua các người đóng góp, mạng dữ liệu, các bộ chuyển đổi chuyên biệt, và thực thi đại lý, thì chi phí ngừng xuất hiện theo cách thông thường. Nó không biến mất. Chỉ trở nên khó giải thích hơn trong thời gian thực.
Đối với người dùng, điều đó có thể cảm thấy mượt mà.
Đối với các nhà phát triển và vận hành, nó tạo ra một vấn đề khác... mô hình nhu cầu, hành vi định giá, và giải thích chi phí thực sự của đầu ra AI khi giá trị đang được tiêu thụ trải rộng qua lớp dữ liệu, lớp mô hình, và lớp đại lý.
Kiến trúc của OpenLedger đang làm việc thực sự bên trong. Đó là toàn bộ điểm.
Sự trừu tượng đó có thể giúp.
Nó cũng có thể ẩn áp lực cho đến khi ai đó cuối cùng phải tính toán cho nó.
Giả sử một ứng dụng có thể làm cho một đại lý nghiên cứu chuyên biệt cảm thấy rẻ tại thời điểm sử dụng. Được rồi. Người dùng hỏi, đại lý trả lời, giao diện trông dịu dàng. Không ai muốn thấy một biên lai chi tiết mỗi khi họ hỏi một câu hỏi. Đó sẽ là cách bạn giết một sản phẩm và gọi đó là sự minh bạch.
Nhưng cuối cùng ai đó vẫn phải suy nghĩ về nhu cầu Datanet, phục vụ bộ chuyển đổi, chi phí suy diễn, thanh toán cho người đóng góp, và liệu giá của câu trả lời thực sự có bao phủ hệ thống đã sản xuất nó không.
Đó là nơi câu chuyện trơn tru bắt đầu trở nên khó chịu.
Một Datanet ngách trở nên phổ biến nhanh hơn mong đợi.
Con đường OpenLoRA bị ảnh hưởng nặng hơn mức mà mô hình định giá giả định.
Đại lý vẫn tiếp tục trả lời, nhưng ngăn xếp thanh toán bắt đầu nghiêng theo cách mà không ai định giá đúng.
Người dùng vẫn thấy một câu trả lời.
Bảng điều khiển thấy một sự cố kế toán nhỏ mặc trang phục AI.
Không ai đã nói dối. Truy vấn chỉ chạm vào nhiều lớp đắt tiền hơn mức mà giao diện thừa nhận.
Đó là phần xấu xí nhỏ mà mọi người yêu thích bỏ qua.
AI phải trả tiền nghe có vẻ sạch sẽ vì vấn đề đạo đức là rõ ràng. Các người đóng góp dữ liệu không nên chỉ biến mất vào tập huấn luyện như bụi nền. Công việc mô hình không nên biến mất đằng sau biên độ của nền tảng. Các đại lý không nên kiếm tiền từ đầu ra trong khi các nguồn đã làm cho những đầu ra đó hữu ích được trả bằng sự phơi bày, điều này là ngôn ngữ tài chính cho việc làm ơn hãy vỗ tay.
OpenLedger chống lại điều đó. Tốt.
Nhưng một khi con đường đóng góp trở thành phải trả, mọi đầu ra có nhiều khía cạnh kinh tế hơn mức mà giao diện muốn thừa nhận.
Một câu trả lời rẻ có thể rẻ vì Datanet nông.
Hoặc vì con đường bộ chuyển đổi đã được tái sử dụng một cách mạnh mẽ.
Hoặc vì thanh toán cho người đóng góp đã bị trì hoãn, trung bình, giới hạn, gộp, hoặc theo cách nào đó trở nên ít rõ ràng hơn.
Hoặc vì nhà phát triển đang trợ cấp việc sử dụng bây giờ và hy vọng khối lượng làm cho bảng tính ít xấu hổ hơn sau này.
Thú vị làm sao "định giá đơn giản" thường có nghĩa là ai đó chưa mở tab xấu xí.
Câu hỏi mà tôi luôn quay lại không phải là liệu mô hình AI phải trả của OpenLedger có thông minh hay không.
Nó là.
Câu hỏi khó hơn là liệu việc làm cho sự đóng góp AI phải trả tiền có làm cho hệ thống dễ hiểu hơn, hay chỉ chuyển độ mờ giá cả vào nơi mà các nhà phát triển nhận thấy sau.
Bởi vì một khi câu trả lời AI ngừng là "nền tảng đã tạo ra điều này" và trở thành "đầu ra này lấy từ một Datanet, sử dụng một con đường chuyên biệt, kích hoạt suy diễn, tạo ra ghi nhận, và có thể định hướng giá trị quay trở lại qua ngăn xếp," ai đó vẫn phải trả lời câu hỏi nhàm chán.
Câu trả lời đó thực sự tốn bao nhiêu?
Ai đã hấp thụ nó?
Câu hỏi dễ thương. Thời điểm xấu xí.
Lớp nào đã bị chèn ép?
Và khi nào mọi người nhận ra rằng đại lý trông có lợi chỉ vì kế toán chậm hơn việc sử dụng?
Đó là nơi điều này trở nên nghiêm trọng hơn phiên bản sạch sẽ của bài thuyết trình.
OpenLedger không chỉ cố gắng sửa quyền sở hữu. Nó đang biến quyền sở hữu thành một bề mặt kế toán trực tiếp.
Hữu ích.
Cũng là một cơn đau đầu.
Bởi vì một hệ thống trả thù lao cho các người đóng góp một cách hợp lý phải quyết định cái gì là "hợp lý" trong khi nhu cầu đang biến động, các bộ chuyển đổi đang được tái sử dụng, Datanets không đồng đều, và đầu ra của đại lý đang được đóng gói như thể chúng là một đơn vị giá trị gọn gàng.
Chúng không phải.
Đó là lời nói dối mà hầu hết các sản phẩm AI thoát khỏi.
Một câu trả lời.
Một giá.
Một nền tảng.
Không có nợ công khai với mọi người, dữ liệu và các mô hình bên dưới nó.
OpenLedger đang cố gắng làm cho nợ đó trở nên đủ rõ ràng để giải quyết.
Được rồi.
Sau đó đến vấn đề thứ hai.
Một khi bạn làm cho nợ trở nên rõ ràng, ai đó phải quản lý nó.
Và điều đó không bao giờ thanh lịch như sơ đồ.
Một nhà phát triển muốn định giá có thể dự đoán.
Một người đóng góp muốn được ghi nhận công bằng.
Một Datanet muốn giá trị của nó được công nhận.
Một người dùng muốn câu trả lời cảm thấy rẻ.
Một nhà điều hành đại lý muốn biên độ.
Mọi người đều hợp lý. Đó thường là lý do bảng tính trở nên xấu xí.
Ops, một cách tự nhiên, có bảng điều khiển nơi tất cả những mong muốn đó ngừng giả vờ là tương thích.
Đó có lẽ là nơi OpenLedger trở nên thú vị với tôi.
Không phải ở "dữ liệu AI nên được sở hữu." Chắc chắn. Câu đó là đúng và đã chết một nửa vì lạm dụng.
Vấn đề sâu sắc hơn là điều gì xảy ra sau khi quyền sở hữu trở nên lập trình đủ để chạm vào hóa đơn.
Bởi vì một khi đầu ra phải trả, câu hỏi không còn chỉ là ai đã đóng góp.
Đó là ai trả tiền, bao nhiêu, bao lâu một lần, và điều gì xảy ra khi một câu trả lời AI mượt mà mang theo nhiều yêu cầu backend hơn mức giá có thể giữ thoải mái.
Sự trừu tượng đó có thể làm cho AI cảm thấy sạch sẽ hơn.
Nó cũng có thể làm cho mô hình chi phí cảm thấy ít rõ ràng ngay khi các nhà phát triển cần nhất.
Tại một số thời điểm, ai đó vẫn phải mở bảng điều khiển và hỏi câu hỏi ít hào nhoáng nhất trong toàn bộ thiết kế:
Tại sao điều này lại cảm thấy như một đầu ra AI sạch sẽ cho đến khi hóa đơn backend bắt đầu cãi lại?