Bây giờ, mọi người đều biết rằng AI có một lỗi cấu trúc.

Chứng minh nguồn gốc của @OpenledgerHQ (PoA) thay đổi điều đó.

Dưới đây là quy trình đầy đủ, từ đầu đến cuối:

1. Góp phần Dữ liệu: Tải lên tập dữ liệu vào "Datanet" với hash trên chuỗi & địa chỉ người đóng góp.

2. Chỉ mục: Phân đoạn thành các "cửa sổ" n-gram để tìm kiếm nhanh.

3. Huấn luyện Mô hình: Các phiên bản mô hình cam kết nhật ký đào tạo + tham chiếu tập dữ liệu trên chuỗi.

4. Phục vụ ở quy mô lớn: Triển khai thông qua OpenLoRA, giữ cho việc kiểm tra quyền sở hữu đồng bộ với đầu ra.

5. Chạy Suy Diễn: Chia đầu ra thành các cửa sổ, khớp với các bộ dữ liệu trong chỉ số PoA.

6. Phí chia sẻ: Phân bổ phí Datanet cho các nhà đóng góp theo tỷ lệ.

7. Thanh toán & Hiển thị: Thanh toán trên chuỗi, hiển thị nguồn gốc trong giao diện người dùng với điểm số tin cậy.

-- 📌 Bước-Từng-Bước: Từ Dữ Liệu Đến Thanh Toán

1. Góp phần dữ liệu

Một tập dữ liệu được tải lên Datanet; @OpenledgerHQ là container cho các tập dữ liệu có chủ đề liên quan.

• Mỗi tập dữ liệu đều được băm để đảm bảo tính toàn vẹn.
• Địa chỉ người đóng góp được lưu trữ trên chuỗi.

Tùy chọn: đặt cược token để thể hiện chất lượng và cam kết tham gia.

2. Xây dựng chỉ số PoA

Dữ liệu được chia thành các cửa sổ token và được lập chỉ mục.

• Việc lập chỉ mục được tối ưu hóa cho các tìm kiếm trong mili giây.
• Khớp các phiên chạy trong thời gian suy diễn mà không làm chậm phản hồi.

3. Huấn luyện hoặc Tinh chỉnh một Mô hình

Các nhà phát triển liên kết các phiên bản mô hình của họ với các tập dữ liệu mà họ đã sử dụng.

• Nhật ký đào tạo được băm và lưu trữ.
• Các tham chiếu đến Datanets được nhúng để đối chiếu sau.

4. Phục vụ Mô hình ở quy mô lớn

Sử dụng OpenLoRA, các mô hình có thể:

• Bộ chuyển đổi LoRA có thể thay thế nóng.
• Stream token.
• Kết hợp nhiều bộ điều hợp trong thời gian thực.

Điều này quan trọng vì sự phân bổ phải hoạt động trên quy mô lớn, ngay cả khi các mô hình phục vụ hàng ngàn yêu cầu mỗi giây.

5. Chạy Suy Diễn + Khớp Thuộc Tính

Khi một yêu cầu được gửi đến:

• Đầu ra được chia thành các cửa sổ.
• Mỗi cửa sổ được so sánh với chỉ số của PoA.
• Các trận đấu mang theo một điểm số tự tin và trọng số ảnh hưởng.

6. Tính toán Phân chia Phí

Đây là một ví dụ về phân chia phí.
Giả sử:

Tổng phí Datanet: 10 $USDC

Trận đấu:

Tập dữ liệu A: 40% cửa sổ khớp, độ tin cậy 0.9, ảnh hưởng 1.0

Dataset B: 60% của các cửa sổ khớp, độ tin cậy 0.8, ảnh hưởng 0.95

Điểm số:

Score_A = 0.40 × 0.9 × 1.0 = 0.36
Score_B = 0.60 × 0.8 × 0.95 = 0.456
Tổng = 0.816

Cổ phiếu:

Share_A = 0.36 / 0.816 ≈ 44.1% → 4.41 $USDC
Share_B = 0.456 / 0.816 ≈ 55.9% → 5.59 $USDC

7. Giải quyết & Hiển thị Xuất xứ

Các khoản thanh toán được gửi đến các nhà đóng góp trên chuỗi.
Giao diện phía trước hiển thị:

• Cụm từ phù hợp.
• Tên tập dữ liệu và người đóng góp.
• Điểm số tự tin.

Điều này biến đầu ra AI không minh bạch thành một tài sản có thể xác minh và kiểm toán.

-- 📌 Tại sao nó quan trọng ngay bây giờ

• Khuyến khích cho Dữ liệu Chất lượng

Khi những người đóng góp được trả tiền, họ cung cấp dữ liệu tốt hơn.
Dữ liệu tốt hơn → mô hình tốt hơn → sử dụng nhiều hơn → trả thưởng nhiều hơn.
Vòng lặp tự cấp cho chính nó.

• Sẵn sàng cho Doanh nghiệp

Các ngành công nghiệp được quản lý không thể mạo hiểm với dữ liệu không có giấy phép hoặc không thể xác minh.
PoA cung cấp một dấu vết rõ ràng, có thể truy vấn.

• Tiềm năng token hóa

Quyền sở hữu có thể được mã hóa, cho phép những người đóng góp bán, đặt cọc hoặc sử dụng chúng làm tài sản thế chấp.

-- 📌 Bức tranh tổng thể

PoA không chỉ là một tính năng công bằng.
Đó là một nguyên thủy kinh tế.

Nếu AMMs trở thành mặc định cho việc hoán đổi token, PoA có thể trở thành lớp thanh toán mặc định cho các đóng góp AI.
Sở hữu các đường dẫn phân bổ có thể là một trong những vị trí phòng thủ nhất trong nền kinh tế AI.