ما هو OpenLedger وما المشكلة التي يحلها

@Openledger هو منصة ذكاء اصطناعي قائمة على البلوكشين تهدف إلى تحقيق الشفافية، والنسب، والحوافز الاقتصادية لكامل مجموعة الذكاء الاصطناعي — خاصةً مزودي البيانات، ومطوري النماذج، وبناة الوكلاء. واحدة من الانتقادات المتكررة للعالم الحالي للذكاء الاصطناعي هي: لا يتم التعرف على المساهمين في البيانات ( أو مكافأتهم غالبًا عندما تُستخدم بياناتهم في تدريب النماذج أو الاستدلال. تصبح النماذج والوكلاء ذو قيمة، ولكن معظم المكافآت الاقتصادية تتدفق إلى المنظمات المركزية الكبيرة، وليس إلى كل من ساهم. هناك رؤية منخفضة حول كيفية تأثير البيانات على مخرجات النموذج ) أي أجزاء من البيانات دفعت حقًا إلى أي استجابات (. يسعى OpenLedger إلى معالجة هذه القضايا من خلال فتح السيولة في البيانات والنماذج والوكلاء. في هذا السياق، تعني “السيولة” جعلها قابلة للتداول أو التسييل بطريقة عادلة وقابلة للقياس وشفافة - بحيث يكسب المساهمون بمرور الوقت، وليس لمرة واحدة فقط.

الآليات الرئيسية التي تفتح بها OpenLedger السيولة وتحقيق الدخل إليك الأدوات والأنظمة الأساسية التي تستخدمها OpenLedger لتمكين تحقيق الدخل والعدالة: إثبات النسبة )PoA( في كل مرة ينتج فيها نموذج مخرجات )استنتاج(، يقوم آلية PoA في OpenLedger بتتبع نقاط البيانات )من مجموعات البيانات( التي كان لها تأثير على تلك المخرجات. بالنسبة للنماذج الأصغر، يمكن حساب التأثير عبر طرق تعتمد على التدرج؛ بالنسبة للنماذج الأكبر أو نماذج اللغة الكبيرة، قد تُستخدم طرق مثل نسب الرموز أو مصفوفات اللاحقة. هذا يعني أنه إذا كانت مجموعة البيانات الخاصة بك قد ساهمت بشكل كبير في مخرجات النموذج، فستتم مكافأتك بشكل رمزي. ليس فقط من خلال السمعة، ولكن من خلال الاستخدام القابل للقياس. تُعامل البيانات كأصل اقتصادي على السلسلة من الدرجة الأولى. DataNets / مجموعات البيانات كأصول تقدم OpenLedger “DataNets” - مجموعات بيانات هيكلية ومتخصصة في مجال معين تم المساهمة بها من قبل عدة مستخدمين. يتم تسجيل هذه DataNets على السلسلة مع بيانات التعريف والأصل. إنها تخدم في كل من تدريب النماذج ومهام الاستدلال.

لأن استخدام كل شبكة بيانات وتأثيرها يتم تتبعه، يمكن مكافأة مساهمات كل مشارك ) على سبيل المثال، شخص يقدم بيانات إلى شبكة بيانات (. وهذا يحفز على تقديم بيانات عالية الجودة وتخصص أكبر في المجال. نماذج تحقيق الدخل & الوكلاء يقوم مطورو النموذج بنشر النماذج على OpenLedger. يمكن استخدام هذه النماذج ) للاستعلام عنها، وتدريبها بشكل إضافي، إلخ.(. عندما يقوم المستخدمون باستدعاء تلك النماذج ) للاستدلال(، يدفعون رسومًا. تُقسم تلك الرسوم: جزء يذهب إلى مطور النموذج، وجزء إلى المساهمين في البيانات ) عبر آلية النسبة(، وجزء يدعم عمليات الشبكة. يمكن أيضًا أن يتم monetized برامج الذكاء الاصطناعي المستقلة ): إذا استخدم شخص ما أو نشر وكيلًا، أو استخدم الوكيل بيانات أو نماذج معينة، يتم تعويض تلك الموارد الأساسية. تضمن البنية المعمارية أن وصول الوكلاء إلى البيانات أو النماذج يحترم أيضًا تدفقات النسبة والمكافآت.

اقتصاديات الرموز: (Token

الرمز الأصلي OPEN هو الوحدة الاقتصادية الأساسية. يستخدم في:

رسوم الغاز / الشبكة )تسجيل النموذج، استدعاءات الاستدلال، نشر مجموعة البيانات$OPEN لذا يتم دفع عمليات الشبكة بـ $OPEN. مكافآت لمساهمي البيانات من خلال إثبات النسبة. المدفوعات لمطوري النماذج عند استخدام نماذجهم. الحوكمة: يمكن لحاملي OPEN المشاركة في اتخاذ القرارات بشأن معلمات البروتوكول، ونمو النظام البيئي، إلخ. تم هيكلة تخصيص الرموز لدعم المكافآت المستدامة: تم تخصيص جزء كبير من الإمدادات للمساهمات في النظام البيئي، منح DataNet، إثبات النسبة، إلخ. وهذا يضمن أن أولئك الذين يبنون فعلاً، يساهمون بالبيانات، يديرون النماذج، يشغلون الوكلاء، إلخ، متوافقون اقتصاديًا مع النجاح على المدى الطويل للشبكة.

الأسس التقنية والمعمارية التي تدعم السيولة والت Monetization إليك بعض خيارات البنية التحتية وتصميم النظام التي تجعل هذا التسييل موثوقًا وقابلًا للاستخدام: تسجيل السلسلة للمنشأ: يتم تسجيل أصل البيانات، وسلالة تدريب النموذج، وبيانات مجموعة البيانات على السلسلة، مما يجعل من الممكن تدقيق أو التحقق من البيانات التي أثرت على ما. بدون ذلك، ستكون نسبة الفضل غير واضحة. الشفافية والتحقق: لأن نظام إثبات النسبة هو على مستوى البروتوكول، وليس فقط خارج السلسلة أو ملكية خاصة، يمكن للمساهمين رؤية بالضبط كيف يتم حساب بياناتهم / استخدام النموذج. تدفق المكافآت المستمر: على عكس المدفوعات لمرة واحدة مقابل البيانات أو النماذج، فإن النظام يكافئ على مدى الزمن كلما تم استخدام البيانات أو النماذج. وهذا يخلق “السيولة” بمعنى أن أصل البيانات/النموذج يستمر في تحقيق العوائد. الحوكمة / الإشراف المجتمعي: من خلال السماح لحاملي الرموز، بما في ذلك مساهمي البيانات وبناة النماذج، بالمشاركة في الحوكمة، تأمل OpenLedger في الحفاظ على التوجهات متوافقة، وتجنب المركزية، وضمان أن آليات المكافأة عادلة وتتطور مع احتياجات المجتمع.

أمثلة / حالات استخدام: كيف يتم تحقيق الدخل في الممارسة العملية إذا كنت شخصًا قد قام بتجميع أو تنظيف مجموعة بيانات متخصصة (مثل التصوير الطبي، أو النصوص القانونية، أو البيانات المالية الخاصة بالمجال )، يمكنك المساهمة بهذه البيانات في DataNet. عندما يتم تدريب النماذج على بياناتك أو الاستدلال باستخدامها، ستتلقى (رموز مكافآت دورية أو قائمة على الاستخدام. إذا كنت تبني نموذج ذكاء اصطناعي )مثل نموذج لغة، نموذج رؤية، أو وكيل للمهام المستقلة$OPEN ، يمكنك نشره على المنصة OpenLedger. يدفع المستخدمون لاستخدامه؛ جزء من المدفوعات يعود إليك، وجزء يتم توزيعه على مقدمي البيانات. يمكن لوكلاء (برامج الذكاء الاصطناعي المستقلة) التي تستفيد من مصادر بيانات أو نماذج متعددة أيضًا إنشاء قيمة؛ كل قطعة مستخدمة يتم تتبعها ومكافأتها. لذا، يمكن لشخص يقوم ببناء وكيل، على سبيل المثال، للاستشارات القانونية أو الاستراتيجيات المالية أن يحقق ربحًا من منطق وكيله بالإضافة إلى مجموعات البيانات والنماذج التي يعتمد عليها. قد توجد أيضًا أسواق لشراء أو ترخيص أو رهن النماذج/الوكلاء اعتمادًا على سمعتهم واستخدامهم، مما يوفر سيولة إضافية. على سبيل المثال، قد يقوم مطورو النماذج بالرهان للإشارة إلى الجودة، أو قد تصبح مجموعات البيانات ذات التأثير العالي في النسبة أكثر “قيمة” أو طلبًا. لماذا هو مهم & التأثير المحتمل إنه ينقل اقتصاد الذكاء الاصطناعي من استحواذ القيمة من جانب واحد ( بشكل رئيسي من قبل المؤسسات الكبيرة ) إلى نموذج أكثر توزيعًا واهتمامًا بالمجتمع. يحصل المساهمون على مكافآت تتناسب مع الاستخدام الحقيقي. يشجع على بيانات ذات جودة أفضل: لأنه يتم مكافأة البيانات التي تؤثر فعليًا على سلوك النموذج فقط، هناك حافز للحصول على بيانات نظيفة، موثقة جيدًا، ذات صلة بالمجال، وغير زائدة. يعزز التخصص في مجموعات البيانات: قد تكون مجموعات البيانات المتخصصة التي بدت سابقًا أقل ربحية الآن تستحق المساهمة، لأن تأثيرها على النماذج المحددة لنطاق معين قد يكون مرتفعًا في تلك الحالة. يعزز الثقة والشفافية: يمكن لمستهلكي النماذج فحص الأصل والاعتراف، مما يمكن أن يساعد في قضايا مثل التحيز والخصوصية وقابلية التفسير - لأنه يمكنك رؤية مصدر مخرجات النموذج. يمكّن نماذج أعمال جديدة للذكاء الاصطناعي: بدلاً من التراخيص لمرة واحدة، يمكن أن تصبح نماذج/بيانات/أصول الذكاء الاصطناعي مصادر إيرادات مستمرة. يمكن أن تتسم النماذج بسلوك “شبيه بالإتاوة” - في كل مرة يتم استخدامها، يحصل شخص ما على جزء. القيود / التحديات التي يجب مراقبتها لجعل هذا النموذج يعمل بشكل جيد، ستحتاج بعض التحديات إلى التخفيف. دقة النسب: قياس أي نقاط بيانات أثرت حقًا على أي مخرجات نموذج ( وخاصة مع النماذج الكبيرة جدًا ) ليس بالأمر السهل. قد تكون طرق التأثير تقريبية وقد تحتوي على أخطاء أو تحيزات. التكلفة / النفقات العامة: يمكن أن تضيف تكلفة حسابية وتخزين عند تشغيل نسب تفصيلية، وتسجيل كميات كبيرة من البيانات الوصفية، وتخزين أصل البيانات، سواء على السلسلة أو في هياكل خارج السلسلة قابلة للتحقق. عدم التوازن في الحوافز: إذا كان هناك تركيز كبير على النسبة المئوية، فقد يحصل المساهمون الأصغر أو الجدد على القليل جداً، خاصة في البداية، ما لم تُستخدم مجموعات بياناتهم بشكل كبير. الحوكمة والعدالة: ماذا لو أصبحت نماذج معينة مهيمنة، أو هيمنت مزودات البيانات ذات الموارد الأكبر؟ سيكون من المهم ضمان المشاركة المساواتية ومنع استغلال النسب.

الكمون / القابلية للتوسع: مع تزايد الاستخدام، سيكون من الضروري ضمان أن تظل آليات النسب وتتبع استنتاج النموذج تعمل بكفاءة. تلخيص @Openledger تقوم بتصميم نظام يحاول اعتبار البيانات، نماذج الذكاء الاصطناعي، والوكلاء كأصول اقتصادية على السلسلة، وليس فقط مدخلات مملوكة لكيانات ضخمة. من خلال استخدام آليات مثل إثبات النسبة، DataNets، واقتصاد رمزي محلي مع مكافآت مرتبطة بالاستخدام الحقيقي، فإنه يفتح السيولة في هذه الأصول - مما يعني أن الأشخاص الذين يساهمون في البيانات، يبنون النماذج، أو ينشئون الوكلاء يمكنهم تحقيق الأرباح بشكل مستمر وشفاف. إنها رؤية طموحة: نسبة عادلة، أصالة شفافة، تدفقات مكافآت مشتركة، وامتلاك ديمقراطي لبنية الذكاء الاصطناعي. إذا نجحت، فقد تغير الطريقة التي يتم بها بناء الذكاء الاصطناعي وامتلاكه وتحقيق العائدات منه - من المنصات المركزية نحو النظم البيئية اللامركزية حيث يمكن لعدد أكبر من أصحاب المصلحة التقاط القيمة. #OpenLedger