我一直在想，當系統互聯時，AI的價值到底來自哪裏，這個衡量真的很難。
一開始，一切看起來都很簡單。
一個模型生成答案。
用戶從中獲得價值。
平臺吸引了注意力。
從外部看，這看起來很簡單。
然而，隨着AI系統越來越深入實際流程，增值智能的位置就變得更加難以確定。
響應可能基於多年前的訓練數據。
這可能依賴於另一個模型所創造的上下文。
由於您之前的數千次互動，它也可以獲得精煉。
防火牆是計算機系統中一個重要且關鍵的組成部分，但有時它們的價值超出了其原始模型；事實上，周圍的系統在使輸出有用方面同樣重要。
複雜性影響人工智能經濟的行爲。
如果智能變得分層，將很難乾淨地追蹤貢獻。
標準化你的拼寫（包括字母/聲調），在懷疑時參考字典。儘量少用大寫字母，但如果不確定請再次覈對字典（因爲大寫對解決問題並不是必需的）。
當前人工智能世界的狀態假定價值創造是一件簡單易識別的事情。
模型的輸出被生成，因此價值被模型捕獲。
然而，人工智能系統在邏輯的關鍵時刻開始孤立失敗。
這在未來可能會更加互聯。
代理人與其他代理人互動。
影響輸出的外部層。
提供更大智能系統上下文的智能系統。
只過濾出好信息的驗證系統。
在這裏，可以更將智能視爲一種經濟，而不是一種產品，並開始感知許多無形的連接。
經濟通常需要會計系統。
這時OpenLedger對我變得更加重要。
這不是一個人工智能代幣的故事。
甚至不主要作爲一個貢獻者市場。
然而，當智能變得網絡化時，可能需要有一個協調層來跟蹤這種方式中價值的移動。
一旦你有很多不同的參與者，產生相同的輸出，你現在就有了一個困難的問題：
誰是價值的起源者？
在開始時，這非常哲學化。
然而，這在經濟方面是一個重大問題。
當激勵減弱，因爲貢獻者失去對他們所提供價值的連接時，這時他們資金的漣漪將變得明顯。此時，貢獻者所產生的價值變得清晰。系統變得提取性。智能的藝術和工藝在集中的收集點丟失，那裏大部分收益得以實現。
這種情況的許多實例已經在網絡世界中存在。
平臺擴展的一種方式是使得難以追蹤對記錄系統的貢獻。
人工智能可能是放大這個問題的發現。
基礎設施、數據操作員、存儲系統、驗證者和與機器及其他機器運行的先前交互等不可見貢獻，可能會在最終答案閃現時產生有用機器的輸出，而從未“獲得信用”。
這些關係試圖在OpenLedger中變得可見。
不是通過讓人工智能變慢。不是通過減緩人工智能。
通過開發基礎設施，使得在智能通過不同系統傳遞後，貢獻能夠在經濟上被讀取。
這與單純“獎勵用戶”的想法是不同的。
這更像是爲機器經濟創建一個會計層。
藝術家Winsdale認爲，會計層很重要，因爲它們影響激勵。
無論何時可能，能夠追蹤有用智能來源的系統有助於協調價值的分配。網絡可以識別毅力、準確性、驗證或有用的上下文評論，而不僅僅是終端界面的擁有者。
這改變了參與者的行爲。
如果與下游某處的價值存在經濟聯繫，人們更有可能提供“優質數據”。網絡越多次依賴於經過驗證的、有價值的基礎設施，提供者的價值就越高。
市場不會隨着時間的推移繼續對負輸出定價。
它在那些輸出下引入了可靠的貢獻分層，從定價開始。
這是我認爲值得注意的進展，因爲人工智能市場最近非常敏感。
大多數注意力集中在一個可見的層面。
最大的負擔是由隱藏的基礎設施承擔的。
然而，基礎設施往往在長期內假定更大的意義。
當這種情況發生時，系統相互依賴。
這是我在使用OpenLedger時反覆回想的一點。
如果人工智能的敘述得以維持。
剩下的似乎在這一點上是完全不言自明的。
當智能越來越豐富並交織在一起時，究竟會發生什麼的問題仍未解決。
那麼，有限的資源可能實際上並不是生成。
這可能是一個可靠的參考。
討論智能的起源。
理解使其成爲可能的系統。
理解某些人不斷在結果上取得進步，而不是單純吸引注意力。
如果歸因因爲缺乏基礎設施而變得模糊，人工智能經濟可能一天會變得過於“搖搖欲墜”，無法有效協調。
我覺得OpenLedger在早期就開始關注這個問題。
但如果需要這一層，長期利益可能不是建立最智能的。
系統可能是爲了在智能開始流動的各個方向上啓用經濟追蹤。
#OpenLedger #openledger $OPEN @OpenLedger
#HassettOilDropFedRateCutRoom #NEARMarketCapExceedsThreeBillion #USIranStraitOfHormuzDeal