數據標註這門“苦活累活”，正在悄悄變成香餑餑？這個由Polychain領投，獲得超過1,120萬美元融資的 @OpenledgerHQ ，用PoA+infini-gram的獨特機制，瞄準的正是“數據價值分配”這個被長期忽視的痛點。來，從技術視角科普下： 1）說實話，當前AI行業最大的"原罪"就是數據價值分配的不公。OpenLedger的PoA（貢獻證明）要做的，就是給數據貢獻建立一套"版權追蹤系統"。 具體而言：數據貢獻者將內容上傳到特定領域的DataNets，每個數據點都會與貢獻者元數據和內容哈希一起被永久記錄。 當模型基於這些數據集訓練後，歸因過程會在推理階段進行也就是模型生成輸出的時刻。PoA通過分析匹配範圍或影響分數來追蹤哪些數據點影響了該輸出，這些記錄決定了每個貢獻者數據的比例影響。 當模型通過推理產生費用時，PoA確保利潤根據每個貢獻者的影響準確分配——創建了一個透明、公平且鏈上的獎勵機制。 換句話說，PoA解決的是數據經濟學的根本矛盾。過去的邏輯很簡單粗暴——AI公司免費獲取海量數據，然後靠模型商業化賺得盆滿缽滿，數據貢獻者卻什麼都拿不到。但PoA通過技術手段實現了"數據私有化"，讓每個數據點都能產生明確的經濟價值。 我覺得，這種從"白嫖模式"到"按勞分配"的轉換機制一旦跑通，數據貢獻的激勵邏輯就完全變了。 而且，PoA採用了分層策略來解決不同規模模型的歸因問題：幾百萬參數的小模型，可以通過分析模型影響函數來估算每個數據點的影響程度，計算量還能勉強承受，而中大型參數模型用這種方法在計算上變得不可行且低效。這時候就必須祭出Infini-gram這個大殺器了。 2）問題來了，何為infini-gram技術？它要解決的問題聽起來就很變態：在中大型參數的黑盒模型中，精確追蹤每個輸出Token的數據來源。 傳統歸因方法主要靠分析模型影響函數，但在大模型面前基本歇菜。原因很簡單：模型越大，內部計算越複雜，分析成本就指數級增長，在計算上變得不可行且低效。這在商業應用中完全不現實。 Infini-gram完全換了個思路：既然模型內部太複雜，那就直接在原始數據中找匹配。它基於後綴數組構建索引，用動態選擇的最長匹配後綴替代傳統的固定窗口n-gram。簡單理解，就是當模型輸出某個序列時，Infini-gram會為每個Token上下文識別訓練數據中最長的精確匹配。 這樣一來帶來的性能數據著實很驚豔，1.4萬億Token數據集，查詢只需20毫秒，存儲每Token僅7字節。更關鍵的是無需分析模型內部結構，無需複雜計算，就能精確歸因。對那些視模型為商業機密的AI公司來說，這簡直是量身定製的解決方案。 要知道，市面上的數據歸因方案要麼效率低下，要麼精度不夠，要麼需要訪問模型內部。Infini-gram算是在這三個維度都找到了平衡點， 3）除此之外，我感覺OpenLedger提出的dataNets鏈上數據集概念特別新潮。不同於傳統數據交易的一錘子買賣，DataNets讓數據貢獻者可持續享有數據被使用時在推理中的收益分成。 過去數據標註是苦差事，收益微薄且一次性。現在變成了持續收益的資產，激勵邏輯完全不同。 當大部分AI+Crypto項目還在做算力租賃、模型訓練這些相對成熟的方向時，OpenLedger選擇了數據歸因這塊最硬的骨頭。這套技術棧可能會重新定義AI數據的供給端。 畢竟在數據質量為王的時代，誰能解決數據價值分配問題，誰就能吸引到最優質的數據資源。 以上。 總的來說，OpenLedgerPoA + Infini-gram的組合不僅解決了技術難題，更重要的是為整個行業提供了全新的價值分配邏輯。 在算力軍備賽逐漸降溫、數據質量競爭愈發激烈的當下，這類技術路線肯定不會是孤品。這個賽道會出現多種方案並行競爭的局面——有的專注歸因精度，有的主打成本效率，有的則在易用性上做文章。各自都在探索數據價值分配的最優解。 最終哪家才能跑出來，說到底還是要看能不能真正吸引到足夠多的數據提供者和開發者。