Tôi liên tục quay lại với một câu hỏi đơn giản mà có vẻ nằm dưới nhiều khía cạnh của crypto: chính xác thì cái gì đang được sở hữu khi một hệ thống nói rằng nó là “phi tập trung”? Trong thanh toán, quyền sở hữu thì đủ rõ ràng. Trong cho vay, nó là vốn. Trong các blockchain được xây dựng cho tính toán, câu trả lời trở nên khó khăn hơn, bởi vì điều quý giá nhất thường không phải là sổ cái mà là dữ liệu, mô hình và hệ thống phối hợp cung cấp cho nó. OpenLedger đang cố gắng làm cho lớp ẩn này trở nên rõ ràng. Trên trang web của mình, nó mô tả bản thân là một blockchain AI được thiết kế để mở khóa tính thanh khoản xung quanh dữ liệu, mô hình và tác nhân, và tài liệu trắng của nó định hình dự án xung quanh một cơ chế gọi là Proof of Attribution. Cách định hình đó đã cho tôi biết điều gì đó quan trọng: đây không chỉ là một tuyên bố rằng AI nên “onchain” theo một khái niệm trừu tượng nào đó, mà là một đề xuất rằng các đầu vào cho AI nên được theo dõi, ghi nhận và làm cho có thể nhìn thấy về mặt kinh tế.
Vấn đề mà nó đang giải quyết không xuất hiện qua đêm. Trong nhiều năm, các hệ thống AI đã cải thiện bằng cách hấp thụ một khối lượng dữ liệu khổng lồ từ các nguồn công cộng và tư nhân, nhưng những người đã tập hợp, làm sạch, gán nhãn hoặc chuyên môn hóa dữ liệu đó hiếm khi có bất kỳ con đường đáng tin cậy nào để được công nhận hoặc bồi thường. Tài liệu của OpenLedger nói điều này một cách rõ ràng: dữ liệu huấn luyện thường được coi là ẩn danh và tĩnh, trong khi những người đóng góp vẫn bị ngắt kết nối với giá trị mà dữ liệu của họ giúp tạo ra. Điều đó không chỉ là một phàn nàn về đạo đức. Nó cũng là một phàn nàn về cấu trúc, vì một khi dữ liệu bị giảm xuống thành một đầu vào vô hình, không có lý do gì cho những người bên ngoài tiếp tục đóng góp các tài liệu chất lượng cao, cụ thể về lĩnh vực. Kết quả là một mẫu crypto quen thuộc dưới một hình thức khác: giá trị tập trung ở trung tâm trong khi nguồn gốc trở thành một suy nghĩ sau.
Các nỗ lực trước đây để giải quyết vấn đề này thường thất bại vì một trong hai lý do. Một số hệ thống cố gắng xây dựng các thị trường cho các tập dữ liệu, nhưng dừng lại ở việc liệt kê hoặc cấp phép, mà không theo dõi cách một đóng góp cụ thể đã hình thành một đầu ra cụ thể. Những người khác tập trung vào tính minh bạch của mô hình theo một nghĩa rộng, điều này hữu ích, nhưng vẫn không trả lời câu hỏi khó hơn về gán ghép. Tài liệu trắng của OpenLedger rõ ràng rằng nó muốn có một liên kết có thể xác minh giữa hành vi mô hình và dữ liệu huấn luyện đã ảnh hưởng đến nó, với phần thưởng được phân phối từ liên kết đó. Đó là một tuyên bố tham vọng hơn so với đơn giản là sự cởi mở. Nó đang cố gắng biến gán ghép thành cơ sở hạ tầng, không chỉ là tài liệu. Sự khác biệt quan trọng, vì tài liệu có thể bị bỏ qua trong khi cơ sở hạ tầng thì khó bị lách quanh.
Kiến trúc mà OpenLedger mô tả có một vài phần linh hoạt, và logic thiết kế khá dễ theo dõi. Ở trung tâm là DataNets, mà tài liệu mô tả như là các cấu trúc tập dữ liệu trên chuỗi được xây dựng thông qua sự đóng góp của cộng đồng. Trong tài liệu của dự án, DataNets là nơi mà các cộng đồng cùng tạo ra, quản lý và đóng góp các tập dữ liệu mà sau này ảnh hưởng đến việc huấn luyện mô hình. Sau đó là lớp mô hình: OpenLedger mô tả một AI Studio, một Nhà Máy Mô Hình và OpenLoRA. Cái đầu tiên dành cho xây dựng, cái thứ hai dành cho điều chỉnh tinh vi, và cái thứ ba để triển khai rẻ hơn. Ý tưởng rộng lớn hơn là việc thu thập dữ liệu, huấn luyện mô hình và phục vụ mô hình không phải là những thế giới tách biệt; chúng được liên kết bởi nguồn gốc, gán ghép và phần thưởng. Sự liên kết đó là luận điểm cốt lõi của dự án.
Bằng chứng về Gán Ghép là nơi mà luận điểm đó trở nên cụ thể. Trong tài liệu trắng, OpenLedger nói rằng nó sử dụng hai phương pháp gán ghép khác nhau tùy thuộc vào kích thước mô hình: các xấp xỉ chức năng ảnh hưởng cho các mô hình nhỏ hơn và gán ghép token dựa trên mảng hậu tố cho các mô hình lớn hơn. Điều đó cho tôi biết rằng đội ngũ nhận thức rằng gán ghép không phải là một vấn đề kỹ thuật đồng nhất. Các mô hình nhỏ có thể được xử lý với các xấp xỉ dựa trên gradient về cách việc loại bỏ một điểm dữ liệu sẽ thay đổi mất mát, trong khi các mô hình ngôn ngữ lớn hơn cần một phương pháp khác mà so sánh các token đầu ra với một đại diện nén của tập huấn luyện. Logic là hợp lý, nhưng nó cũng tiết lộ khó khăn: hệ thống không chỉ đơn thuần là “chứng minh” một đóng góp theo nghĩa pháp lý. Nó đang ước lượng ảnh hưởng bằng cách sử dụng các công cụ tốt nhất có sẵn, sau đó sử dụng ước lượng đó để chia sẻ tín dụng và phần thưởng.
Tôi thấy sự phân biệt đó quan trọng vì nó giữ cho dự án trung thực. Rất nhiều cuộc trò chuyện về gán ghép AI nghe có vẻ chính xác hơn thực tế. Thiết kế của OpenLedger cẩn thận hơn thế. Tài liệu nói rằng đầu ra mô hình, siêu dữ liệu và dấu thời gian được cam kết trên chuỗi, và gán ghép được tính toán sau khi suy diễn để phần thưởng cho người đóng góp có thể được phân phối dựa trên ảnh hưởng tương đối. Điều đó làm cho hệ thống có thể kiểm tra, nhưng không hoàn hảo một cách kỳ diệu. Nó có thể cho thấy một chuỗi nguồn gốc và một con đường phần thưởng; nó không thể xóa bỏ sự mơ hồ luôn tồn tại bên trong các hệ thống học máy phức tạp. Gán ghép trong AI hiếm khi là một mục nhập sổ cái sạch. Nó thường là một xấp xỉ được bao bọc trong chính sách. OpenLedger dường như hiểu điều đó, ngay cả khi nó trình bày xấp xỉ như một nguyên tắc giao thức.
Điều này cũng là nơi mà dự án bắt đầu trông ít giống như một khẩu hiệu và nhiều hơn như một thí nghiệm nghiêm túc. OpenLedger nói rằng nó không phải là một chuỗi đa dụng. Nó tập trung vào AI và quy trình làm việc của mô hình, và thậm chí nó còn đối chiếu bản thân với các blockchain tổng quát bằng cách nhấn mạnh gán ghép dữ liệu bản địa, nguồn gốc và quản trị xung quanh chất lượng mô hình thay vì các thay đổi trong giao thức. Trên giấy tờ, sự chuyên môn hóa đó là hấp dẫn. Quá nhiều hệ thống crypto cố gắng trở thành mọi thứ cùng một lúc, điều đó thường có nghĩa là chúng trở nên mơ hồ vào đúng thời điểm mà chúng cần phải chính xác. Phạm vi hẹp hơn của OpenLedger mang lại cho nó một công việc rõ ràng hơn: theo dõi nơi dữ liệu AI xuất phát, ai đã đóng góp, nó đã ảnh hưởng như thế nào đến các mô hình và phần thưởng được phân phối như thế nào. Đó là một khung mạch lạc. Liệu nó có đủ hay không là một câu hỏi riêng.
Tuy nhiên, lời hứa về mặt kỹ thuật không loại bỏ những cân nhắc. Một hệ thống như vậy phải gánh chịu trọng lượng của việc đăng ký, xác minh, kế toán suy diễn, phân phối phần thưởng và quản trị, tất cả trong khi cố gắng giữ cho nó hữu ích đối với những người xây dựng có thể không muốn thêm ma sát trong quy trình làm việc của họ. Tài liệu gợi ý một đồ thị gán ghép công cộng và thậm chí ám chỉ rằng quyền quản trị sau này có thể phản ánh ảnh hưởng của một tập dữ liệu qua các mô hình. Điều đó là thú vị về mặt trí tuệ, nhưng cũng đặt ra những vấn đề quen thuộc: ai quyết định các quy tắc gán ghép, các tranh chấp được xử lý như thế nào, điều gì xảy ra khi một tập dữ liệu được tái sử dụng theo cách mà người đóng góp ban đầu không mong đợi, và hệ thống trở nên đắt đỏ như thế nào khi sử dụng mở rộng? Đây không phải là những vấn đề bên lề. Chúng là sự khác biệt giữa một khung mà có thể được ngưỡng mộ và một khung có thể được áp dụng.
Cũng có một mối quan tâm tinh tế hơn về những gì được đo lường. Nếu việc gán ghép trở thành cơ sở cho phần thưởng, thì khái niệm ảnh hưởng của giao thức bắt đầu định hình hành vi của người đóng góp. Điều đó có thể là tích cực, vì nó khuyến khích dữ liệu chất lượng cao hơn và việc quản lý có chủ ý hơn. Nó cũng có thể thu hẹp các động lực theo những cách không mong muốn, vì người đóng góp có thể tối ưu hóa cho ảnh hưởng có thể theo dõi thay vì sự hữu ích rộng rãi. Tài liệu của OpenLedger mô tả các dòng phần thưởng, khả năng giải thích và bằng chứng gắn liền với mỗi phản hồi, đây chính là loại cơ chế có thể cải thiện trách nhiệm giải trình. Nhưng cơ chế tương tự có thể tạo áp lực để đơn giản hóa những đóng góp phức tạp thành bất cứ điều gì mà hệ thống gán ghép có thể dễ dàng nhận diện nhất. Nói cách khác, giao thức có thể thưởng cho những gì nó có thể đo lường trước khi hoàn toàn hiểu điều gì quan trọng. Đó không phải là một khiếm khuyết riêng biệt của OpenLedger, nhưng đó là một ràng buộc thiết kế thực tế.
Việc chấp nhận là một trở ngại thầm lặng khác. Một dự án như thế này cần hơn một câu chuyện mạnh mẽ. Nó cần các tập dữ liệu đáng giá để đóng góp, những người xây dựng sẵn sàng huấn luyện hoặc điều chỉnh thông qua hệ thống của nó, và những người sử dụng mô hình quan tâm đủ về nguồn gốc để ưu tiên một hệ thống có trách nhiệm hơn so với một hệ thống đơn giản hơn. Các trang hệ sinh thái của OpenLedger chỉ ra các sản phẩm như Explorer, staking, AI Studio, và một lớp cộng đồng Open Circle, điều này gợi ý rằng nó đang cố gắng xây dựng bề mặt xã hội và kỹ thuật cần thiết cho sự tham gia bền vững. Điều đó có lý. Nhưng cơ sở hạ tầng chỉ quan trọng nếu những người sử dụng AI cảm thấy sự thiếu vắng của nguồn gốc như một chi phí thực sự. Nhiều người không cảm thấy như vậy, ít nhất là chưa. Vì vậy, khán giả đầu tiên cho một hệ thống như thế này có thể là những người đã gần gũi nhất với vấn đề: những người đóng góp dữ liệu, những người xây dựng mô hình ngách, kiểm toán viên và các cộng đồng đang cố gắng tạo ra AI cụ thể cho lĩnh vực với một số khả năng theo dõi.
Điều đó vẫn để lại một sự không chắc chắn lớn hơn, có lẽ là điều thú vị nhất về OpenLedger. Nó đang cố gắng biến dữ liệu thành một tài sản trên chuỗi hạng nhất, và ý tưởng đó thuyết phục hơn những gì ban đầu nghe có vẻ vì AI thực sự phụ thuộc vào một chuỗi đóng góp mà thường bị ẩn khỏi tầm nhìn. Tuy nhiên, càng khó khăn hơn khi dự án dồn sức vào việc gán ghép, nó càng phải chứng minh rằng hệ thống đủ chính xác, đủ nhẹ nhàng và đủ công bằng để tồn tại ngoài tài liệu trắng. Tôi có thể hiểu tại sao vấn đề này lại liên tục tái xuất hiện: AI tiếp tục tiêu thụ nhiều giá trị hơn nó có thể trả lại một cách minh bạch. OpenLedger là một nỗ lực để giải quyết sự mất cân bằng đó. Câu hỏi chưa được giải quyết là liệu tương lai của AI có thực sự thưởng cho các hệ thống làm cho sự đóng góp trở nên rõ ràng hay không, hoặc liệu sự minh bạch sẽ vẫn quá đắt đỏ để thị trường hoàn toàn chấp nhận.