Zgoda na Uczenie AI
Czy AI może się uczyć, na jakiej głębokości, do jakich celów i z jakimi zobowiązaniami. Bycie odczytanym nie oznacza bycia wykorzystanym do uczenia; „niezabronione” nie oznacza „możliwe do nauczenia się”. AIRS i AILP zamieniają zgodę na uczenie w stopniowane, czytelne maszynowo spektrum.
Badane pytania
01
Głębokość uczenia: indeksowanie, embedding, dostrajanie, trenowanie, destylacja
02
Dlaczego niezdefiniowana otwartość jest usuwana z potoków trenowania
03
Usystematyzowana otwartość: czynienie dobrej woli wykonalną maszynowo
04
Modele wynagrodzenia powiązane z głębokością uczenia
Powiązane białe księgi
- AI Rights Spectrum: From robots.txt to an AI Learning Permission Protocol AIRS i AILP wyrażają zniuansowane uprawnienia do uczenia AI wykraczające poza binarne dozwól/zabroń — czego AI może się uczyć, na jakiej głębokości, do jakich zastosowań i na jakich warunkach wynagrodzenia.
- Protocolized Openness: Why "Not Prohibited" Does Not Mean "Learnable" in the Age of AI Niezdefiniowana otwartość jest odczytywana przez potoki AI jako niepewność prawna i zostaje usuwana; tylko usystematyzowana, czytelna maszynowo zgoda sprawia, że treść jest naprawdę możliwa do wykorzystania w uczeniu.
- 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.