Hôm qua tôi short “bánh mì” ở 74120, mở đòn bẩy 3x. Vừa vừa mở xong “bánh mì” đã bị kéo ngược lại một cách gượng ép, “bánh mì” cũng bật lên tới 76200. Tôi tự cắt lỗ thủ công, chém 15%—xót xa một khoản tiền.
Sau khi cắt xong, tôi lật lại công việc mình từng làm trên một nền tảng gắn nhãn dữ liệu. Nền tảng đó bắt tôi gắn nhãn ba nghìn tấm ảnh, tổng cộng trả 200 USD. Kết quả sau nửa năm, tôi phát hiện họ bán lô dữ liệu đó cho ba công ty AI, công ty nào cũng dùng. Tôi không nhận được thêm một xu nào sau đó. Cảm giác bị “ăn chùa” trắng trợn này còn khó chịu hơn cả cảnh cháy tài khoản.
Chuyện này khiến tôi nhìn lại thiết kế Datanets của OpenLedger. Họ yêu cầu mỗi lần nộp một dataset phải kèm đầy đủ version hash và timestamp. Và mỗi lần sau đó được dùng để fine-tune hoặc suy luận, đều tạo ra một bản ghi liên kết mới trên chuỗi. Nói đơn giản là: dữ liệu của bạn được ai dùng, dùng bao nhiêu lần, mỗi lần tạo ra bao nhiêu chi phí suy luận—tất cả đều tra được $OPEN .
Tôi còn đi tra cách họ hiện thực “bằng chứng quy trách nhiệm/attribution”. Mỗi khi mô hình xuất ra kết quả, họ sẽ tính ngược những điểm dữ liệu đóng góp nhiều nhất. Và lịch sử đóng góp của các điểm dữ liệu đó là không thể sửa đổi. Bạn không thể như các nền tảng Web2, nói một câu “dữ liệu đã ẩn danh” rồi phủi trách nhiệm chia lợi nhuận nữa. Bản ghi on-chain nằm đó; phần nào ra phần đó.
So với mô hình UTXO của “bánh mì”, mỗi đồng tiền đều truy ra được nguồn gốc. OpenLedger áp dụng logic tương tự lên dòng dữ liệu: dữ liệu của bạn giống như UTXO—chuyển tới đâu là truy được tới đó. Các bản ghi chuyển tiền theo chuẩn ERC20 của “bánh mì” cũng minh bạch, nhưng đó là luồng đi của tiền; còn đây là luồng đi của giá trị dữ liệu—khó định lượng hơn. Thế nhưng OpenLedger vẫn “cứng” rút ra bằng điểm ảnh hưởng.
Tất nhiên tôi cũng có lo lắng: việc truy vết toàn lượng sẽ tốn yêu cầu lưu trữ trên chuỗi rất cao. Mỗi lần suy luận đều ghi lại điểm số của tất cả dữ liệu đóng góp, lượng dữ liệu sẽ bùng nổ. Sách trắng có nhắc tới việc dùng thuật toán xấp xỉ để nén lưu trữ, nhưng nén liệu có làm mất độ chính xác không? Tôi chưa thấy dữ liệu thực nghiệm. @OpenLedger
Nếu không giữ được độ chính xác, việc phân chia có thể phát sinh tranh cãi. Tôi sẽ đợi khi họ lên mạng, thử kiểm chứng vài bản ghi suy luận thực tế rồi mới quyết định có đầu tư hay không.
Hôm nay có hai vấn đề, các bạn chọn một: #OpenLedger