OpenGradient präsentiert sich als Strategie auf Datenebene: dezentrale Mitwirkende speisen die Modelle, die schließlich on-chain laufen. $OPG @OpenGradient verkauft das als eine Pipeline, in die jeder einsteigen kann. Verbringt man jedoch Zeit damit, tatsächliche Deployments nachzuverfolgen, wirkt die Datenebene dünner als die Inferenzebene, die sie stützt. Die meisten Live-Modelle verweisen auf eine kleine, immer wieder zitierte Menge kuratierter Datensätze – statt auf einen wachsenden Pool von Einreichungen aus der Community. Das Contributor-Dashboard zeigt steigende Einreichungszahlen, aber die Modelle, die tatsächlich für bezahlte Inferenz ausgewählt werden, schöpfen aus demselben kleinen Kreis von Quellen, Zyklus für Zyklus. Die frühen Kuratoren, deren Datensätze früh in Referenzmodelle eingebrannt wurden, sind also diejenigen, die jetzt Belohnungen auf Zinseszins-Ebene anhäufen, während neuere Mitwirkende weiterhin hören, dass ihre Daten irgendwann an Bedeutung gewinnen werden, sobald „die Nachfrage nachzieht“. Live ist die Inferenz-Ökonomie; die Daten-Ökonomie ist größtenteils noch ein Wartezimmer. Ich frage mich immer wieder, ob sich diese Lücke schließt, wenn die Nutzung skaliert, oder ob der Vorteil der frühen Kuratierung – wie anderswo – einfach dauerhaft wird. Und ob überhaupt jemals jemand außerhalb des ersten Datensatz-Kohorten wirklich in ein Modell einbezogen wird, das dafür bezahlt.
#OPG