أثناء استخدام الذكاء الاصطناعي، نسأله سؤالًا، فيجيب بشكل منطقي، لكن لا يمكننا معرفة من أين جاءت هذه العبارة، هل تم "تخمينها"، أم أنها حقًا موجودة في مجموعة بيانات التدريب. هذا يشبه عندما تسأل شخصًا سؤالًا، فيخبرك بالإجابة، وكل عبارة يقول "أعتقد أنها صحيحة"، لكنه لا يقدم مصدرًا.

فهم بسيط، تستخدم نماذج اللغة التقليدية تقنية n-gram
1️⃣uni-gram هو النظر إلى كلمة واحدة
2️⃣bi-gram هو عبارة عن كلمتين متصلتين معًا
3️⃣tri-gram هو مزيج من ثلاثة كلمات

ستوفر منطق اللغة أعلاه جزءًا من السياق، ولكن المحتوى محدود جدًا، فقط من خلال النظر في المشكلات الحالية، سيتم الإجابة بناءً على ارتباط الجمل الصغيرة، مع تجاهل منطق السؤال الحالي في الحوار بأكمله.

وإن إنفيني-جرام هو فكرة أخرى. فهو لا ينظر فقط إلى المشكلات الحالية، بل يستخدم طريقة مشابهة لـ "مطابقة الرموز"، حيث يتم مقارنة كل جزء من مخرجات النموذج بجميع "العبارات" المحتملة الموجودة في مجموعة التدريب، لمعرفة من أين تعلم ذلك، وما هي المساهمات المتعلقة بذلك.

على سبيل المثال، إذا سألت النموذج: "كيف يمكن تحديد ما إذا كانت المحفظة هي بوت؟"
النموذج العام سيخبرك: "هذا العنوان عادةً ما يتداول بشكل عالي التردد عبر عدة عقود DEX في فترة زمنية قصيرة جدًا."

التقنية التي تقف وراءها في الحقيقة قوية جداً، حيث تستخدم إطار ∞-gram المبني على suffix-array - في جوهرها، تقوم بإنشاء فهارس لجميع المقاطع في مجموعة التدريب مسبقًا، وعند الخروج تتم المقارنة مباشرة، دون الحاجة لتشغيل النموذج مرة أخرى، ولا تعتمد على حساب التدرجات. وهذا يعني أنها سريعة، مستقرة، وقابلة للتكرار.

بالنسبة للمستخدمين، يمكنك معرفة ما إذا كانت إجابة النموذج "أصلية" أم "منقولة".
بالنسبة لمساهمي البيانات، يمكنك الحصول على "حقوق الإسناد" المستحقة لك أو حتى "تحفيز اقتصادي".
يوفر هذا "واجهة قابلة للتفسير" للهيئات التنظيمية

ما تفعله OpenLedger ليس لجعل النموذج أكثر "ذكاءً"، بل لجعله أكثر "مسؤولية" - حيث يمكنه توضيح كل جملة: "لماذا أقول ذلك، ومن أين تعلمت؟"

من وجهة نظري، فإن نظام إثبات النسبة الذي اقترحته OpenLedger هو خطوة حاسمة نحو "الذكاء الاصطناعي الموثوق"، وقد يكون أيضًا البنية التحتية الأساسية لبناء ملكية البيانات ونسب المساهمات.