AI-læringstilladelse
Hvorvidt AI må lære, i hvilken dybde, til hvilke formål og under hvilke forpligtelser. At blive læst er ikke det samme som at blive lært af; "ikke forbudt" er ikke "lærbart". AIRS og AILP omdanner læringstilladelse til et gradueret, maskinlæsbart spektrum.
Spørgsmål under undersøgelse
01
Læringsdybde: indeksering, embedding, finjustering, træning, destillation
02
Hvorfor udefineret åbenhed bliver luget ud af træningspipelines
03
Protokolliseret åbenhed: at gøre goodwill maskinelt eksekverbar
04
Kompensationsmodeller knyttet til læringsdybde
Relaterede whitepapers
- AI-rettighedsspektrum: Fra robots.txt til en AI-læringstilladelsesprotokol AIRS og AILP udtrykker nuancerede AI-læringstilladelser ud over det binære tilladt/ikke tilladt — hvad AI må lære, i hvilken dybde, til hvilke formål og under hvilken kompensation.
- Protokolliseret åbenhed: Hvorfor "ikke forbudt" ikke betyder "lærbart" i AI'ens tidsalder Udefineret åbenhed opfattes som juridisk usikkerhed af AI-pipelines og bliver luget ud; kun protokolliseret, maskinlæsbar tilladelse gør indhold reelt lærbart.
- AGIRight.org Technical White Paper v0.2 — From AI Content Governance to Protocol-Native Agent & Authority Rights The site's current architecture document: six protocol drafts across two families (content & learning, agent & protocol rights), an integration layer, and an ethical-protection layer, plus the acceptance criteria this site update was built against.
- ARHG — Agent-Readable Hyperlink Graph and Permissioned Web Control Plane A machine-readable navigation graph alongside the ordinary site, answering what AICR/AILP and AARS/AADP both assume: can this resource even be found, by whom, and where does it lead.