Letzten Monat habe ich einen Onlinekurs belegt. In der letzten Stunde hat die Lehrerin mich gebeten, einen Abstract für eine Arbeit zu schreiben. Ich hatte keine Lust, mir selbst den Kopf zu zerbrechen, also habe ich den Originaltext kopiert und der KI zum Zusammenfassen gegeben. Als ich es abgeschickt hatte, kam die Antwort der Lehrerin sofort: Sie fragte mich, ob der Stil dieses Abstracts nicht anders sei als bei meinen bisherigen Hausaufgaben – und ob ich ihn wirklich selbst geschrieben hätte. Da ging mir innerlich kurz der Boden weg, ich habe dann verlegen herumgeeiert und gesagt, ich hätte ein paar Versionen geändert. Die Lehrerin hat nicht weiter nachgehakt, aber ich wusste: Sie hat es gesehen.
Dieser Absatz-Satz läuft zu glatt, das Wendewort kommt nach dem anderen, ohne jede Umgangssprache, und auch ohne diese Art von „eigentlich…“, „sag mal“, die ich sonst so gern verwende. Die Lehrerin unterrichtet seit zehn Jahren – sie kann auf einen Blick unterscheiden, was von Menschen geschrieben ist und was von Maschinen zusammengebaut wurde.
Diese Sache bringt mich dazu, über eine Frage nachzudenken: Wo genau verläuft die Grenze zwischen KI-generierten Inhalten und echter Kreativarbeit von Menschen? Wenn ich mit KI einen Text erstelle, aber ein paar Sätze darin stecken, die von mir selbst stammen, wem gehört dann eigentlich der Erfolg – der Verdienst – für dieses Werk? Das ist dieselbe Frage, die auch bei dem @OpenLedger Proof of Attribution Mechanismus gestellt wird: Wenn ein Datensatz zum Trainieren eines Modells verwendet wird und das Modell dann ein Ergebnis ausspuckt – wie verteilt man dann den Anteil am Verdienst?
Ihre Antwort lautet: mit Mathematik. Wenn deine Beitragsdaten dazu führen, dass die Modellgenauigkeit um beispielsweise 0,5 Prozent steigt, dann bekommst du in Zukunft 0,5 Prozent von den Einnahmen, die bei jedem Aufruf des Modells entstehen. Nicht weil du mit anderen diskutiert oder gestritten hast, sondern weil der Code das automatisch ausführt. Dieser Algorithmus heißt „Einflussfunktions-Approximation“. In einfachen Worten: Du gibst jeder Datenportion so eine Art Beitragsmessgerät. Wenn das Modell ein Ergebnis ausgibt, meldet dieses Messgerät, welchen Anteil deine Daten daran hatten.
Früher habe ich gerne erst hier ein Stück kopiert, dort ein Stück geändert – am Ende sah das Ergebnis ganz okay aus. Aber wenn man mich dann ernsthaft fragt, woher jeder einzelne Satz eigentlich stammt, kann ich es nicht sagen. Was OpenLedger macht, ist viel strenger: Jede Dateneingabe wird schon von der Quelle an getaggt, und später hinterlässt jede Nutzung Spuren. Das ist strenger, als wenn ich selbst bei einer Arbeit mich ständig selbst daranhalte, korrekt zu überprüfen und doppelt zu vergleichen.
Außerdem OpenLoRA. Ich betreibe im Alltag auch ein paar kleinere Übersetzungsmodelle, aber die monatliche Pauschale für Cloud-Server tut mir weh. Pro Monat kann ich es kaum ein paar Mal laufen lassen, aber die Rechnung kommt stur jeden Monat. OpenLoRA macht das per Nutzungsabrechnung: Du rufst es auf, du zahlst – wie bei einem Taxi: einsteigen, fahren, aussteigen, abrechnen. Wenn man es nicht nutzt, entstehen keine Kosten. Für jemanden wie mich, der nur gelegentlich rumprobiert, muss man endlich nicht mehr für ungenutzte Rechenleistung mitzahlen.
Manche Dinge müssen aber klar beim Namen genannt werden. Dieses Attribution-System läuft derzeit vor allem auf mittelgroßen bis kleinen Modellen. So wie das Übersetzungsmodell, das ich nutze. Wenn man es auf ein riesiges Modell mit mehreren hundert Milliarden Parametern ansetzen wollte, wären die Rechenkosten zu hoch – und die Rechnung könnte am Ende sogar nicht mal reichen, um die Stromrechnung zu bezahlen. OpenLedger ist da ziemlich pragmatisch: Man beißt sich erst an den Knochen spezialisierter Modelle ab. Im Testnet gibt es einige Millionen Knoten. Wer in der Krypto-Welt rumgeschwommen ist, weiß: Wie viele davon eigentlich nur wegen Airdrops da sind. Wie viele Nutzer nach dem Mainnet-Launch wirklich langfristig beitragen, wird man sehen müssen.
Bei der Verteilung der Token gehen über 60% an Community- und Netzwerkaufbau; das Team wird ein Jahr lang gesperrt und gibt dann in drei Jahren frei. Dieses Tempo ist in so einem Quick-In-Quick-Out-Kosmos schon ziemlich geduldig. Aber ich muss auch sagen: Auf dem Marktplatz wollen natürlich alle Brüder kurzfristiges schnelles Geld. Doch Menschen, die vier Jahre warten können, um es freizuschalten, sind nicht so viele.
Ich schaue nebenbei auch oft auf die Kursentwicklung von Bitcoin und Ethereum – schließlich sind das die grundlegendsten Koordinaten für unser Feld. Aber ganz ehrlich: lieber als den ganzen Tag auf Kline-Kurven zu starren und Top und Bottom zu erraten, möchte ich Projekte im Blick behalten wie OpenLedger, die Beiträge sauber abrechnen. Möglichkeiten, schnell Geld zu verdienen, gibt es genug. Aber wer am Ende wirklich am Tisch sitzen bleibt, sind meist die Dinge, die echte Probleme lösen.
Den Artikel, der mithilfe von KI einen Zusammenfassungs-Text bekommen hat, habe ich danach selbst nochmal neu geschrieben. Die Sätze waren nicht ganz so rund, aber die Lehrerin hat eine gute Bewertung gegeben. Sie sagte, das sei jetzt eher so, als würdest du es selbst schreiben – mit echter „Menschenenergie“.