Ich habe kürzlich mit einem Freund über Algorithmen gesprochen, und er hat einen Satz gesagt, über den ich lange nachdenken musste. Er meinte: „Die heutigen KI-Modelle haben im Bauch nur Gebrauchtware.“ Was heißt das? Die großen Modelle auf dem Markt werden heute mit Trainingsdaten trainiert, die auf Umwegen aus dem Internet zusammengeklaut wurden: Manche stammen aus Foren wie Baidu Tieba, andere von Marketing-Accounts – und manche sind sogar einfach von einem anderen KI-System generierte „Secondhand“-Ware. Wie es ein Freund von mir ausdrückte: Du bringst einer KI bei, Brötchen zu essen, die jemand anderes schon gekaut hat. Wie sollte das, was man daraus trainiert, nicht zum Blödsinn neigen?
Der Fall des Anwalts, der 2024 von KI reingelegt wurde, ist nur die Spitze des Eisbergs. Das wirklich Unheimliche ist: Du weißt überhaupt nicht, welcher Satz, den die KI sagt, verlässlich ist – und welcher einfach erfunden.
Darum schaue ich mir den KI-Bereich gerade vor allem danach an, nicht welches Modell die besten Benchmarks liefert, sondern wer dieses Problem wirklich löst: die Frage, ob das überhaupt stimmt.
@OpenLedger Dieses Projekt greift genau diesen Schmerzpunkt an. Es hat ein System für Zugehörigkeitsnachweise entwickelt: Es versieht jede Dateneinheit mit einer Herkunftskennung. Wenn die KI diese Daten nutzt, bekommst du Belohnungen in Form von $OPEN Token. Technisch baut es auf einem OpenLoRA-Framework auf, sodass man mit nur einer einzigen GPU sehr viele Modelle laufen lassen kann – die Einstiegshürde sinkt deutlich. Auf der Basisebene nutzt es eine EigenDA-„Doppel-Schicht“-Architektur plus einen stichprobenbasierten Verifikationsprozess: Nicht jede einzelne Dateneinheit wird starr und vollständig geprüft, sondern es wird stichprobenartig geprüft, und wenn dabei ein Fehler gefunden wird, gibt es eine Strafe. Das klingt auf den ersten Blick logisch und rund.
Natürlich gibt es auch Risiken. Je größer die Anreize, desto mehr Leute versuchen, sich durchzuschummeln; man muss sich gegen Müll-Daten und Angriffe mit Fake-Accounts absichern.
Als alter Hase beobachte ich erst mal. KI braucht verlässliche Wahrheit – diese Branche lohnt sich zu beobachten. Aber bevor man einsteigt, sollte man genau prüfen, ob ihr Verifizierungsmechanismus mit der echten Umgebung standhält. #OpenLedger
Der Fall des Anwalts, der 2024 von KI reingelegt wurde, ist nur die Spitze des Eisbergs. Das wirklich Unheimliche ist: Du weißt überhaupt nicht, welcher Satz, den die KI sagt, verlässlich ist – und welcher einfach erfunden.
Darum schaue ich mir den KI-Bereich gerade vor allem danach an, nicht welches Modell die besten Benchmarks liefert, sondern wer dieses Problem wirklich löst: die Frage, ob das überhaupt stimmt.
@OpenLedger Dieses Projekt greift genau diesen Schmerzpunkt an. Es hat ein System für Zugehörigkeitsnachweise entwickelt: Es versieht jede Dateneinheit mit einer Herkunftskennung. Wenn die KI diese Daten nutzt, bekommst du Belohnungen in Form von $OPEN Token. Technisch baut es auf einem OpenLoRA-Framework auf, sodass man mit nur einer einzigen GPU sehr viele Modelle laufen lassen kann – die Einstiegshürde sinkt deutlich. Auf der Basisebene nutzt es eine EigenDA-„Doppel-Schicht“-Architektur plus einen stichprobenbasierten Verifikationsprozess: Nicht jede einzelne Dateneinheit wird starr und vollständig geprüft, sondern es wird stichprobenartig geprüft, und wenn dabei ein Fehler gefunden wird, gibt es eine Strafe. Das klingt auf den ersten Blick logisch und rund.
Natürlich gibt es auch Risiken. Je größer die Anreize, desto mehr Leute versuchen, sich durchzuschummeln; man muss sich gegen Müll-Daten und Angriffe mit Fake-Accounts absichern.
Als alter Hase beobachte ich erst mal. KI braucht verlässliche Wahrheit – diese Branche lohnt sich zu beobachten. Aber bevor man einsteigt, sollte man genau prüfen, ob ihr Verifizierungsmechanismus mit der echten Umgebung standhält. #OpenLedger