你成立公司的初衷是什麼？

我在前公司工作時，發現通用AI模型上搭建的應用程式不足以應付企業客戶在專業領域的工作需求，要搭建專有模型便需要對應的數據集，可它在市場上十分稀缺。

我們受到研究論文DATAINF的啟發。它是由史丹福大學生物醫學科技副教授James Zou等人撰寫的，說明了數據對AI模型的輸出結果的影響。我們在此之上建立了資料歸因協議，吸引用戶提供數據予開發者搭建及訓練AI模型。這個協議會按用戶的數據貢獻量及其對AI模型的推斷影響力給予報酬，讓AI模型開發人員與數據提供者分享部分利潤。這一切都運行在智能合約上，記錄在可驗證的分類賬。

平台現已有多款產品上線，例如開發者搭建AI模型的AI Studio、提供數據的Datanet、訓練AI模型的平台Model Factory。現時有12組開發團隊在我們的平台上搭建AI模型，涉及網絡數據使用、Solidity、健康、占星等領域。我們正在與不同的企業合作。

專有AI模型對高質量的數據有一定要求，需要人手反覆地清洗和標注數據，正如Scale.Ai等數據公司會高薪聘請醫學和律師等專業人士清洗數據。OpenLedger如何確保數據是高品質，並在商業上是可用的？又如何吸引用戶貢獻特定數據？

OpenLedger提供工具予開發者清洗數據。而大多數AI模型的開發團體都會有相應的專家團隊驗證數據，例如由醫療從業者開發的醫療AI模型，會有自己的醫生網絡。這種模式與AI模型開發平台HuggingFace相似，而最大的差別在於，我們會提供報酬激勵數據提供者，以確保數據品質。而HuggingFace其中99％的數據集都是沒用的。

相比起市場上的數據公司，他們往往是一次性買斷數據集的所有權。而在OpenLedger，數據提供者的數據擁有權被記錄在鏈上，每當有人使用你的數據，你就能得到對應的報酬。

我們的另一優勢在於能夠幫助企業客戶搭建更可解釋的AI模型。當企業用自己的數據集訓練AI模型時，可以使用我們的資料歸因工具，從而得知哪些數據實際上導致了AI模型的輸出。這種可追溯性能夠檢測訓練問題，讓他們刪除有問題的數據。市場上有大量的公司提供AI模型微調服務，但沒有一間公司像我們一樣提供AI模型的可解釋性。

你們的營收模式是怎樣的？

這有點像循環經濟。只有當用戶訓練的AI模型產生收入時，才會產生作報酬的加密貨幣。所以數據品質必須要好，必須有人在平台上構建好的AI模型，吸引更多人為了使用它而兌換貨幣，幣價隨著用量上升，從而產生更多報酬，為平台吸引更多的開發者、數據貢獻者和AI模型用戶。這種做法就像YouTube一樣：你有好的影片，有人看，拍片者得到了報酬，從而吸引更多人製作更好的影片，吸引更多用戶。

請問公司未來的發展目標是什麼？

主要目標是形成這種循環經濟。我們期望在今年內平台會有100個AI模型，並有相應的高品質數據集，為用戶提供實現訓練所需的工具和解決方案，並使這些AI模型能夠持續發展。長遠而言，我們希望擁有比HackingFace更大的影響力，取代它作為高品質數據集和構建AI模型的主要平台。──黃舜煬