Atualmente, um problema comum nos dados de treino de IA é: são demasiado baratos. Uma grande quantidade de opiniões copiadas e coladas, marcações mecânicas de alguns cêntimos, o resultado é que o ruído é amplificado de forma ilimitada, o modelo fica cada vez mais medíocre, e no final acaba por ser uma acumulação de valores médios.

Há uma ideia bastante interessante — transformar a marcação de dados de uma força de trabalho pura para um verdadeiro jogo económico. Utilizar um mecanismo de apostas para julgamento, onde os participantes têm ganhos e perdas reais, além de risco de reputação, assim os sinais tornam-se escassos, precisos e realmente confiáveis. Em suma, é fazer com que o próprio mecanismo de incentivo funcione como um filtro de sinais. Esta lógica é muito semelhante ao conceito de design económico na blockchain: otimizar a qualidade do sistema através do alinhamento de interesses.