Actualmente, un problema común en los datos de entrenamiento de IA es que son demasiado baratos. Una gran cantidad de opiniones copiadas y pegadas, etiquetado mecánico a unos pocos céntimos, el resultado es que el ruido se amplifica indefinidamente, el modelo se vuelve cada vez más mediocre y, al final, solo se acumulan valores promedios.

Una idea bastante interesante es convertir la etiquetación de datos de una simple mano de obra en un verdadero juego económico. Utilizar un mecanismo de apuestas para juzgar, donde los participantes tengan ganancias o pérdidas reales y riesgos de reputación, de modo que las señales sean escasas, precisas y realmente confiables. En pocas palabras, hacer que el propio mecanismo de incentivos sirva como filtro de señales. Esta lógica es muy similar a la idea de diseño económico en blockchain: optimizar la calidad del sistema mediante la alineación de intereses.