Jedna rzecz dotycząca AI ciągle mnie niepokoi.
Branża spędza ogromne ilości czasu na dyskusji o inteligencji, a zaskakująco mało czasu na omawianie pomiarów.
Wszyscy chcą lepszych modeli.
Szybsze modele.
Mądrzejsze modele.
Bardziej zaawansowane modele.
To ma sens.
Inteligencja jest widoczna.
Ludzie mogą od razu zobaczyć lepszą odpowiedź, lepszą prognozę lub lepszy wynik.
Pomiar jest inny.
Pomiar jest niewidoczny.
A ponieważ jest niewidoczny, rzadko staje się centrum uwagi.
Ale im więcej patrzę na projekty takie jak OpenLedger, tym bardziej myślę, że pomiar może stać się jednym z najważniejszych wyzwań w całej gospodarce AI.
Nie dlatego, że inteligencja jest mało ważna.
Ponieważ inteligencja bez pomiaru tworzy martwe punkty.
Pomyśl, jak większość systemów AI działa dzisiaj.
Model generuje wartość.
Użytkownicy wchodzą z nim w interakcje.
Programiści to poprawiają.
Dane przyczyniają się do jego wzrostu.
Ale gdy ktoś zadaje proste pytanie, odpowiedź często staje się zaskakująco niejasna.
Skąd dokładnie pochodzi ta wartość?
Który zbiór danych miał największe znaczenie?
Który uczestnik poprawił wydajność?
Która informacja miała największy wpływ?
Ile wartości powinno być przypisane każdemu uczestnikowi?
Te pytania brzmią prosto.
W praktyce są niesamowicie trudne.
Im większy staje się system AI, tym trudniejsza staje się atrybucja.
Wkłady mieszają się ze sobą.
Wkłady stają się niemożliwe do czystego oddzielenia.
Wartość wyłania się z tysięcy interakcji zachodzących jednocześnie.
W końcu wynik staje się widoczny, podczas gdy pochodzenie staje się coraz trudniejsze do zidentyfikowania.
To tworzy interesujący problem ekonomiczny.
Ponieważ gospodarki generalnie funkcjonują najlepiej, gdy tworzenie wartości można mierzyć.
Jeśli wartość nie może być mierzona, zachęty stają się słabsze.
Jeśli zachęty stają się słabsze, jakość wkładu często maleje.
A jeśli jakość wkładu spada, wzrost w końcu staje się trudniejszy do utrzymania.
Tutaj OpenLedger zaczyna wydawać się różne od wielu narracji AI.
Projekt nie jest tylko zainteresowany generowaniem inteligencji.
Interesuje się pomiarem składników, które tworzą inteligencję.
To rozróżnienie ma znaczenie.
Dużo.
Ponieważ pomiar zmienia zachowanie.
Gdy ludzie wiedzą, że ich wkład może być zidentyfikowany, śledzony i powiązany z wynikami, zaczynają myśleć inaczej o uczestnictwie.
Dostawcy danych myślą inaczej.
Programiści myślą inaczej.
Budowniczowie myślą inaczej.
System zaczyna nagradzać wkład, a nie tylko konsumpcję.
I to tworzy zupełnie inny typ ekosystemu.
Co mnie najbardziej fascynuje, to że OpenLedger efektywnie traktuje atrybucję jako infrastrukturę.
Większość ludzi postrzega atrybucję jako zadanie administracyjne.
Coś, co dzieje się po stworzeniu wartości.
OpenLedger wydaje się postrzegać to jako coś bardziej fundamentalnego.
Coś, co siedzi bezpośrednio wewnątrz procesu tworzenia wartości.
To subtelna zmiana, ale ma ogromne implikacje.
Ponieważ gdy atrybucja staje się infrastrukturą, pomiar staje się ekonomiczny.
A gdy pomiar staje się ekonomiczny, zachęty stają się łatwiejsze do dostosowania.
Oczywiście, nic z tego nie jest łatwe.
Systemy pomiarowe mogą być manipulowane.
Atrybucja może stać się hałaśliwa.
Uczestnicy mogą próbować maksymalizować nagrody, a nie maksymalizować użyteczność.
Te wyzwania są realne.
Ale istnienie tych wyzwań nie czyni problemu mniej ważnym.
Jeśli już, to podkreśla, jak ważny jest ten problem.
Ponieważ AI zmierza w stronę przyszłości, w której inteligencja staje się coraz bardziej obfita.
Modele się poprawią.
Możliwości będą się rozszerzać.
Wyniki staną się bardziej potężne.
Pytanie brzmi, czy systemy wokół tych modeli również się rozwiną.
Czy pozostaną czarnymi skrzynkami, które pochłaniają wkłady bez wyraźnej atrybucji?
Czy opracują przejrzyste mechanizmy łączące tworzenie wartości z jej dystrybucją?
To właśnie dlatego wciąż zwracam uwagę na OpenLedger.
Nie dlatego, że obiecuje mądrzejsze AI.
Mądrzejsze AI już powstaje wszędzie.
Co wydaje się ciekawsze, to próba rozwiązania czegoś pod warstwą inteligencji.
Warstwa pomiaru.
Ponieważ w dłuższej perspektywie inteligencja może tworzyć wartość.
Ale pomiar określa, gdzie ta wartość płynie.
I podejrzewam, że to rozróżnienie będzie miało znacznie większe znaczenie niż większość ludzi obecnie zdaje sobie sprawę.