حتى الآن، أصبح من المعروف أن الذكاء الاصطناعي لديه عيب هيكلي.

تغيير إثبات النسبة @OpenledgerHQ (PoA).

إليك العملية الكاملة، من البداية إلى النهاية:

1. المساهمة بالبيانات: رفع مجموعة البيانات إلى "Datanet" مع تجزئة على السلسلة & عنوان المساهم.

2. الفهرس: تحويل إلى ن-جرام "نوافذ" للتطابق السريع.

3. تدريب النماذج: إصدارات النموذج تسجل سجلات التدريب + مراجع مجموعة البيانات على السلسلة.

4. الخدمة على نطاق واسع: نشر عبر OpenLoRA، مع الحفاظ على فحوصات النسبة في الخط مع المخرجات.

5. تنفيذ الاستدلال: تقسيم المخرجات إلى نوافذ، ومطابقتها مع مجموعات البيانات في فهرس PoA.

6. رسوم الانقسام: تخصيص رسوم Datanet للمساهمين بشكل نسبي.

7. التسوية والعرض: الدفع على السلسلة، عرض المصدر في واجهة المستخدم مع درجات الثقة.

-- 📌 خطوة بخطوة: من البيانات إلى الدفع

1. المساهمة بالبيانات

تم رفع مجموعة بيانات إلى Datanet؛ حاوية @OpenledgerHQ لمجموعات البيانات ذات الصلة الموضوعية.

• يتم تجزئة كل مجموعة بيانات لضمان سلامتها.
• يتم تخزين عنوان المساهم على السلسلة.

اختياري: رهن الرموز للإشارة إلى الجودة والمشاركة في اللعبة.

2. بناء مؤشر PoA

تُقسم البيانات إلى نوافذ رمزية وتُفهرس.

• تم تحسين الفهرسة لعمليات البحث بالمللي ثانية.
• المطابقة تتم في وقت الاستدلال دون إبطاء الاستجابة.

3. تدريب أو تحسين نموذج

يربط المطورون إصدارات نماذجهم بمجموعات البيانات التي استخدموها.

• يتم تجزئة سجلات التدريب وتخزينها.
• تم تضمين الإشارات إلى Datanets للمطابقة لاحقًا.

4. تقديم النموذج على نطاق واسع

باستخدام OpenLoRA، يمكن للنماذج:

• محولات LoRA قابلة للتبديل الساخن.
• توكنات البث.
• دمج عدة محولات في الوقت الحقيقي.

هذا مهم لأن التخصيص يجب أن يعمل على نطاق واسع، حتى عندما تخدم النماذج آلاف الطلبات في الثانية.

5. تشغيل الاستدلال + مطابقة النسبة

عندما تأتي طلبية:

• يتم تقسيم الإخراج إلى نوافذ.
• يتم مطابقة كل نافذة مع فهرس PoA.
• تحمل المباريات درجة ثقة ووزن تأثير.

6. احسب تقسيم الرسوم

إليك مثال على تقسيم الرسوم.
افترض:

إجمالي رسوم داتانيت: 10 $USDC

المباريات:

مجموعة البيانات A: 40% من النوافذ المتطابقة، الثقة 0.9، التأثير 1.0

مجموعة البيانات ب: 60% من النوافذ المتطابقة، الثقة 0.8، التأثير 0.95

التسجيل:

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

الأسهم:

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

7. استقر وعرض الأصل

تُرسل المدفوعات إلى المساهمين على السلسلة.
واجهة المستخدم تظهر:

• العبارات المطابقة.
• اسم مجموعة البيانات والمساهم.
• درجات الثقة.

هذا يحول مخرجات الذكاء الاصطناعي غير الشفافة إلى مادة قابلة للتحقق والتدقيق.

-- 📌 لماذا هو مهم الآن

• حوافز للبيانات عالية الجودة

عندما يحصل المساهمون على أجر، يقدمون بيانات أفضل.
بيانات أفضل → نماذج أفضل → المزيد من الاستخدام → المزيد من المدفوعات.
الحلقة تغذي نفسها.

• جاهزية المؤسسات

لا يمكن للصناعات المنظمة المخاطرة ببيانات غير مرخصة أو غير قابلة للتحقق.
توفر PoA مسارًا واضحًا وقابلًا للاستعلام.

• إمكانات التوكنيزا

يمكن تحويل حقوق الإسناد إلى رموز، مما يسمح للمساهمين ببيعها أو رهنها أو استخدامها كضمان.

-- 📌 الصورة الكبيرة

PoA ليست مجرد ميزة للعدالة.
إنه بدائي اقتصادي.

إذا أصبحت AMMs هي الافتراضية لتبادل الرموز، يمكن أن تصبح PoA هي طبقة التسوية الافتراضية لمساهمات الذكاء الاصطناعي.
امتلاك سكَك النسب يمكن أن يكون أحد أكثر المراكز الدفاعية في اقتصاد الذكاء الاصطناعي.