اجازهٔ یادگیری هوش مصنوعی
اینکه آیا هوش مصنوعی می‌تواند بیاموزد، در چه عمقی، برای چه اهدافی، و تحت چه تعهداتی. خوانده‌شدن به‌معنای مورد یادگیری قرارگرفتن نیست؛ «ممنوع نبودن» به‌معنای «قابل‌یادگیری‌بودن» نیست. AIRS و AILP اجازهٔ یادگیری را به طیفی درجه‌بندی‌شده و ماشین‌خوان تبدیل می‌کنند.
پرسش‌های مورد بررسی
01
عمق یادگیری: نمایه‌سازی، embedding، تنظیم‌دقیق، آموزش، تقطیر
02
چرا گشودگی نامشخص از خط‌لوله‌های آموزشی پاک‌سازی می‌شود
03
گشودگی پروتکل‌محور: قابل‌اجراکردن حسن‌نیت برای ماشین
04
مدل‌های جبران خسارت مرتبط با عمق یادگیری
کتاب‌های سفید مرتبط
- طیف حقوق هوش مصنوعی: از robots.txt تا پروتکل اجازهٔ یادگیری هوش مصنوعی AIRS و AILP اجازههای یادگیری هوش مصنوعی را با ظرافتی فراتر از مجاز/غیرمجاز دوگانه بیان می‌کنند — اینکه هوش مصنوعی چه چیزی را، در چه عمقی، برای چه کاربردهایی و تحت چه جبران خسارتی می‌تواند بیاموزد.
- گشودگی پروتکل‌محور: چرا «ممنوع نبودن» در عصر هوش مصنوعی به‌معنای «قابل‌یادگیری‌بودن» نیست گشودگی نامشخص برای خط‌لوله‌های هوش مصنوعی بهصورت عدمقطعیت حقوقی خوانده می‌شود و پاک‌سازی می‌شود؛ فقط اجازهٔ پروتکل‌محور و ماشین‌خوان است که محتوا را واقعاً قابلیادگیری میکند.
- 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.