Apa yang dikira sebagai bukti AI component
Nota: Dokumen ini adalah terjemahan automatik daripada versi asal bahasa Inggeris.
Apa yang dikira sebagai bukti AI component
Apabila DecAIHub menilai sama ada projek mempunyai AI component yang berfungsi, ia mencari artifak yang boleh disahkan — bukan salinan pemasaran, bukan janji, bukan perkaitan jenama. Halaman ini menyenaraikan jenis bukti yang menguatkan paksi AI reality dalam skor DecAI Fit, disusun daripada yang terkuat kepada yang terlemah.
Ringkasnya: bukti AI bermakna artifak yang boleh anda periksa, uji atau sahkan secara bebas — kod, dokumentasi, metrik dengan metodologi, demo yang berfungsi dan penilaian pihak ketiga.
Bukti Tier-1 (terkuat)
Sumber Tier-1 ialah artifak yang diterbitkan atau dikawal oleh projek itu sendiri. Bagi paksi AI reality, bukti Tier-1 yang terkuat termasuk:
- Repositori awam dengan kod AI/ML — skrip latihan model, logik inferens, saluran data, langkah prapemprosesan. Repositori dengan komit, keluaran dan ujian jauh lebih kukuh daripada repositori pemegang tempat dengan hanya README.
- Dokumentasi teknikal — huraian seni bina model, format input/output, versi model dan sejarah kemas kini. Ini menjawab "model apa, bagaimana ia berfungsi, dan versi apa yang sedang berjalan."
- Metrik kualiti dengan metodologi — penanda aras atau hasil penilaian yang diterbitkan yang menyatakan apa yang diukur, pada data apa, bila dan dengan versi model yang mana. Metrik tanpa konteks ini bukan bukti.
- Demo atau titik akhir yang berfungsi — antara muka, API atau kotak pasir yang boleh diakses secara awam di mana AI component boleh diuji. Demo yang memproses input sebenar dan mengembalikan output dipacu AI ialah bukti langsung.
- Laporan audit atau penilaian pihak ketiga — penilaian bebas terhadap kualiti, keadilan, keselamatan atau prestasi model oleh entiti yang diiktiraf.
Corak yang menguatkan bukti Tier-1
Bukan semua artifak Tier-1 sama meyakinkan. Beberapa corak yang boleh diperhatikan menjadikan bukti lebih kredibel:
- Kedalaman sejarah komit. Repositori dengan komit berperingkat selama berbulan-bulan atau bertahun-tahun, permintaan tarik, semakan kod dan keluaran berversi menunjukkan usaha kejuruteraan yang berterusan. Satu muat naik pukal membawa berat yang jauh lebih rendah.
- Liputan ujian dan saluran CI. Ujian automatik untuk inferens model, pengesahan data dan titik akhir integrasi menunjukkan sistem gred produksi dan bukan bukti konsep.
- Model berversi dan log perubahan. Apabila dokumentasi menjejaki versi model yang mana digunakan, apa yang berubah antara versi dan mengapa, ia menandakan sistem hidup dengan kitaran pembangunan yang aktif.
- Output boleh ulang. Jika demo atau API mengembalikan hasil yang konsisten dan boleh dijelaskan untuk input yang sama merentas sesi, ini lebih kukuh daripada pameran sekali sahaja.
- Pengasingan logik AI daripada kod rutin. Pangkalan kod di mana modul AI/ML dapat dikenal pasti dengan jelas — berasingan daripada perancah frontend, skrip penggunaan atau kontrak token — memudahkan pengesahan apa yang sebenarnya dilakukan oleh AI component.
Bukti Tier-2 (konteks, bukan bukti)
Sumber Tier-2 menyediakan konteks tetapi tidak membuktikan AI component yang berfungsi dengan sendirinya:
- Temu bual atau AMA di mana pasukan menerangkan pendekatan AI, seni bina atau proses latihan.
- Huraian agregator (CoinGecko, DeFiLlama, dll.) yang menyebut keupayaan AI.
- Pengumuman perkongsian dengan penyedia AI atau makmal penyelidikan.
Bukti Tier-2 boleh menyokong penemuan Tier-1 tetapi tidak boleh menggantikannya. Perkongsian dengan syarikat AI tidak membuktikan projek itu mempunyai AI berfungsi miliknya sendiri.
Bila bukti Tier-2 penting
Sumber Tier-2 menjadi relevan apabila ia menyokong artifak Tier-1 atau mengisi jurang yang dibiarkan kabur oleh Tier-1 sahaja:
- Temu bual teknikal di mana pasukan menerangkan langkah demi langkah seni bina yang diterangkan dalam dokumentasi mereka menambah kredibiliti kepada dokumen Tier-1.
- Penyenaraian agregator yang sepadan dengan keupayaan yang diterangkan dalam kertas putih projek itu sendiri menandakan konsistensi.
- Ceramah persidangan dengan demo langsung yang mencerminkan tingkah laku API awam projek mengukuhkan bahawa demo itu tidak berskrip.
Namun, tanpa artifak Tier-1 yang mendasari, sumber Tier-2 yang meyakinkan sekalipun kekal sebagai konteks — bernilai untuk pemahaman, tidak mencukupi untuk pengesahan.
Apa yang tidak dikira
Sesetengah artifak kelihatan seperti bukti tetapi tidak menunjukkan AI component yang berfungsi. Isyarat palsu yang biasa termasuk salinan pemasaran, repositori kosong, metrik tanpa metodologi, dan pembungkus API tanpa logik proprietari. Untuk senarai terperinci, lihat Apa yang tidak dikira sebagai bukti AI.
Cara DecAIHub merekodkan bukti AI: bendera AI_0 hingga AI_4
Paksi AI reality menggunakan lima bendera binari untuk merakamkan bukti yang telah ditemui:
| Bendera | Apa yang disemak | Nilai |
|---|---|---|
| AI_0 | Adakah terdapat sekurang-kurangnya pengisytiharan Tier-1 tentang niat AI (pelan hala tuju, kemas kini rasmi) | 1 / 0 |
| AI_1 | Adakah terdapat huraian tentang apa yang dilakukan AI | 1 / 0 |
| AI_2 | Adakah terdapat demo atau contoh yang berfungsi | 1 / 0 |
| AI_3 | Adakah terdapat metrik kualiti dengan konteks (apa, pada data apa, bila) | 1 / 0 |
| AI_4 | Adakah terdapat huraian teknikal, seni bina atau versi model | 1 / 0 |
Semakin banyak bendera bersamaan 1, semakin tinggi ai_score, dan semakin baik DecAI Fit projek itu. Jika tiada bendera ditetapkan, ai_score = 0 dan DecAI Fit tidak boleh melebihi 0.
Bagaimana gabungan bendera memetakan kepada keyakinan
Bendera individu menjawab soalan sempit, tetapi gabungannya melukiskan gambaran yang lebih penuh:
| Bendera yang ditetapkan | Tafsiran tipikal |
|---|---|
| AI_0 sahaja | Niat diisytiharkan; belum ada AI berfungsi yang disahkan |
| AI_0 + AI_1 | AI diterangkan dalam kata-kata; tiada demo, tiada metrik, tiada seni bina |
| AI_0 + AI_1 + AI_2 | Demo berfungsi wujud; masih tiada metrik atau kedalaman teknikal |
| AI_0 + AI_1 + AI_2 + AI_4 | Demo dan seni bina hadir; pengukuran kualiti tiada |
| Kesemua lima (AI_0 hingga AI_4) | Profil bukti terkuat: niat, huraian, demo, metrik dan seni bina |
Projek tidak perlu memenuhi kesemua lima bendera untuk menerima ai_score bukan sifar. AI_0 sahaja pun (niat dengan sumber Tier-1) menetapkan ai_score = 1. Namun, bendera yang lebih tinggi menyumbang kepada siling yang lebih tinggi untuk DecAI Fit.
Mengapa metodologi penting bagi metrik
Angka tersendiri — "ketepatan 95%", "kependaman rendah", "terkini dan terbaik" — bukan bukti tanpa konteks. DecAIHub menganggap metrik bermakna hanya apabila ia menjawab empat soalan: apa yang diukur (ketepatan, F1, kependaman, perplexity), pada data apa (penanda aras awam, set ujian proprietari, trafik produksi), bila (tarikh penilaian), dan versi apa model yang menghasilkan keputusan itu. Tanpa ini, metrik ialah dakwaan, bukan bukti.
Ujian empat soalan
Semasa menilai sebarang metrik yang diterbitkan, gunakan senarai semak ini:
- Apa — Adakah metrik dinamakan dan ditakrifkan? "Ketepatan" adalah kabur; "ketepatan pengelasan top-1" adalah khusus.
- Pada data apa — Adakah set data penilaian dikenal pasti? Penanda aras awam membolehkan pengulangan bebas; set ujian proprietari tidak, tetapi menamakannya lebih baik daripada berdiam diri.
- Bila — Adakah terdapat tarikh atau tag keluaran? Model berubah dari semasa ke semasa; metrik tanpa cap masa mungkin tidak mencerminkan sistem semasa.
- Versi apa — Adakah versi model atau sistem dinyatakan? Jika projek telah mengeluarkan berbilang iterasi model, metrik mesti terikat pada satu yang khusus.
Jika mana-mana daripada empat ini hilang, metrik itu turun daripada "bukti" kepada "dakwaan" dalam penilaian DecAIHub. Ia mungkin masih muncul dalam kad projek sebagai dakwaan yang dicatat, tetapi ia tidak akan menyumbang kepada penetapan bendera AI_3 kepada 1.
Cara menggunakan senarai semak ini
Semasa membaca kad projek, semak sama ada jadual Bukti merujuk artifak daripada senarai Tier-1 di atas. Jika kad menunjukkan ai_score = 0 atau menandakan kebimbangan AI-washing, ia bermakna artifak ini tidak ditemui setakat tarikh pengesahan — ini bukan tuduhan terhadap projek.
Apabila artifak Tier-1 baharu muncul, kad dikemas kini dan skor mungkin berubah.
Langkah praktikal untuk pembaca
- Mulakan dengan jadual Bukti. Cari pautan kepada repositori, dokumentasi atau demo. Jika jadual Bukti kosong atau hanya merujuk sumber Tier-2/3, dakwaan AI reality tidak disahkan.
- Klik ke artifak. Pautan repositori hanya sebaik apa yang ada di dalamnya. Bukanya dan cari kod AI/ML, bukan sekadar README atau skrip penggunaan.
- Semak tarikh pengesahan. Bukti ialah gambaran sesaat. Kad yang disahkan enam bulan lalu mungkin tidak mencerminkan keadaan semasa projek, itulah sebabnya DecAIHub mengenakan penalti kelapukan selepas 550 hari.
- Rujuk silang dengan senarai anti-corak. Jika anda melihat corak daripada Apa yang tidak dikira sebagai bukti AI, timbangkan bukti dengan sewajarnya.
Apa yang senarai semak ini semata-mata tidak buktikan
Soalan lazim
Apakah yang dikira sebagai bukti AI paling lengkap dalam projek kripto?
Repositori awam yang mengandungi kod AI/ML dengan sejarah komit yang bermakna, digabungkan dengan metrik kualiti yang diterbitkan yang merangkumi metodologi penuh (apa yang diukur, pada data apa, bila, dan versi model yang mana). Apabila kedua-duanya wujud dan disokong oleh demo atau titik akhir API yang berfungsi, profil bukti berada pada tahap paling lengkap. Tiada artifak tunggal yang muktamad dengan sendirinya — gabungan kod, metrik dan output boleh uji itulah yang membezakan AI yang disahkan daripada dakwaan yang tidak disahkan.
Bolehkah projek mempunyai AI sebenar tanpa kod sumber terbuka?
Ya. Kod sumber terbuka ialah bentuk bukti yang paling telus, tetapi ia bukan satu-satunya. Projek boleh menunjukkan AI melalui dokumentasi teknikal terperinci, penanda aras yang diterbitkan dengan metodologi, API berfungsi yang mengembalikan output dipacu AI yang boleh disahkan, atau penilaian pihak ketiga bebas. Namun, tanpa sekurang-kurangnya satu artifak yang boleh diperiksa — kod, demo atau penilaian — tiada apa yang boleh disahkan oleh DecAIHub (atau sesiapa sahaja). Semakin tertutup sesebuah projek, semakin ia bergantung pada sokongan Tier-2 (temu bual, data agregator, demonstrasi persidangan) untuk membina kredibiliti.
Adakah demo yang berfungsi membuktikan AI itu benar?
Demo yang berfungsi ialah bukti kukuh, tetapi ia bukan bukti muktamad dengan sendirinya. Frontend yang direka baik boleh mensimulasikan tingkah laku seakan-AI menggunakan respons berkod keras, hasil prakira atau panggilan tersembunyi ke API pihak ketiga. DecAIHub menganggap demo sebagai bukti lebih kukuh apabila ia disertai dokumentasi API, pengecam versi model atau output boleh ulang merentas input berbeza. Demo yang menerima input pengguna sewenang-wenangnya dan mengembalikan output yang pelbagai dan bersesuaian konteks lebih meyakinkan daripada pameran berpandu dengan contoh yang telah ditetapkan.
Apakah bukti minimum yang diperlukan untuk ai_score bukan sifar?
Minimumnya ialah pengisytiharan niat AI Tier-1 — entri pelan hala tuju, catatan blog rasmi atau halaman dokumentasi yang secara eksplisit menyatakan rancangan berkaitan AI. Ini menetapkan bendera AI_0 kepada 1 dan menghasilkan ai_score = 1. Walaupun ini skor bukan sifar yang paling rendah, ia membezakan projek yang secara rasmi komited kepada hala tuju AI daripada projek yang langsung tidak menyebut AI. Untuk mencapai skor lebih tinggi, projek perlu menyediakan artifak tambahan: huraian AI component (AI_1), demo (AI_2), metrik dengan metodologi (AI_3) dan perincian seni bina teknikal (AI_4).
Rujukan luaran
- CommonMark specification — piawaian penanda yang digunakan merentas semua halaman wiki DecAIHub, termasuk kad projek dan halaman penjelasan.
- Model Cards for Model Reporting (Mitchell et al., 2019) — rangka kerja asas untuk mendokumentasikan prestasi, kegunaan yang dimaksudkan dan had model AI; sejajar rapat dengan prinsip ketelusan di sebalik kriteria bukti DecAIHub.
- NIST AI Risk Management Framework — rangka kerja kerajaan A.S. untuk mengenal pasti dan mengurus risiko AI, termasuk panduan tentang dokumentasi, pengujian dan metodologi penilaian.
No comments to display
No comments to display