Искусственный интеллект — это деньги, и я объясню, как: Деньги — это просто запись того, кто выполнил ценную работу для кого и кто еще что должен. Например: в Гарварде я наблюдал, как полмиллиарда долларов в год перемещались только тогда, когда кто-то мог обосновать работу за каждым проектом. В Union Pacific каждая процентная точка лучшего планирования превращалась в десятки миллионов долларов на топливо, команды и своевременную доставку. Узким местом никогда не было хранение, а высококачественные решения в масштабе. Теперь давайте посмотрим на искусственный интеллект. Модели начинают находиться в центре кредитных проверок, логистических планов и исследовательских и опытно-конструкторских работ. Они выполняют ту же работу по принятию решений, только с тысячами запросов в секунду. Это хешмощность в экономическом смысле, которая представляет собой структурированные усилия, направленные на реальные проблемы. Если именно здесь находится ценность, нам понадобятся системы, которые будут измерять, проверять и оплачивать эту работу напрямую. Это и есть умственная модель Ambient. Мы рассматриваем выводы моделей как оплачиваемый, подлежащий аудиту труд, а не как бесплатную магию за ключом API. Как только вы увидите это таким образом, "Искусственный интеллект — это деньги" перестает быть слоганом и становится бухгалтерской проблемой ;)

Мне действительно нравится говорить, что AI — это деньги, и сегодня я хочу, чтобы вы увидели, что я на самом деле имею в виду под этим. Сейчас схема проста и выглядит примерно так: вы зарабатываете ETH, обмениваете его на USDC, и в какой-то момент это становится долларами, которые вы отправляете подрядчику, поставщику или сотруднику, чтобы в мире происходила настоящая работа. Деньги — это требование к человеческим усилиям. Все пути существуют только для того, чтобы перемещать это требование. С Ambient я пытаюсь направить камеру на саму работу. Proof of Logits имеет майнеров, работающих с большой открытой моделью и производящих логиты, которые действуют как отпечаток пальца его мышления. Дешевые повторные проверки позволяют сети доказать, что конкретная модель, в конкретном состоянии, выполнила честные вычисления для конкретного запроса. Та же консенсусная машина, которая защищает реестр, теперь также продает проверенную информацию агентам и приложениям. В этом мире заработанный токен Ambient можно обменять напрямую на работу, такую как: - Перебалансировка портфеля. - Составление контракта. - Проведение серии проверок рисков. - Запуск агента, который размещает капитал от вашего имени. Не будет обхода через манипулируемую промежуточную валюту. В полностью агентной экономике я думаю, что именно здесь мы и окажемся. Ambient AI — это деньги, потому что это измеритель, рынок и зарплата за машинный труд в одном месте.

Каждый раз, когда я вижу новый «современный» бенчмарк, я провожу простой мысленный эксперимент. Если ИИ — это деньги, то каждая точка точности на MMLU — это решение о зарплате, кредитный лимит, сделка, клинический флаг. Бенчмарки сегодня рассматривают модели как студентов на экзаменационной неделе. MMLU на уровне 88%, HumanEval на каком-то проценте, коэффициенты побед на арене, но почти никто не задает вопрос, который имеет значение, когда модель действительно выполняет оплачиваемую работу. Этот конкретный мозг, в этом конкретном состоянии, правильно ли ответил на этот вопрос? Мы уже знаем, что происходит, когда вы игнорируете этот уровень. Во время нехватки чипов в 2021–2022 годах модели цепочки поставок, которые были «достаточно хорошими» в течение многих лет, упали с обрыва. Они продолжали рекомендовать планы, которые не имели экономического смысла, потому что мир изменился, а никто не заметил этого достаточно быстро. Совсем недавно пользователи Claude обнаружили недели ухудшенных результатов, прежде чем Anthropic признал, что три отдельных инфраструктурных сбоя тихо портили ответы. Много таких случаев, о которых удобно (почти слишком удобно) не говорят. В Ambient мы начали рассматривать это как то, что можно измерить. Наши собственные эксперименты по математике начальной школы берут простую арифметику и показывают, как часто передовые модели колеблются в задачах, которые они должны рассматривать как базовые. Как только вы увидите, что некоторые слайды «доходов от ИИ» выглядят неполными без слайда-соседа: одного для проверенной инференции (которую я определяю простыми словами как способность доказать, какая модель с какими весами ответила на какой запрос в какое время). Если ИИ собирается находиться в центре расчета заработной платы, рисков и операций, бенчмарки должны повзрослеть, и точность — это входной билет. Проверяемое поведение в условиях экономических стимулов — это настоящий экзамен.