Игры в профессию · событийный слой

События как стресс-тест рамки: AI vs Open Source

Что внутри

Машиночитаемый слой сигналов: как AI меняет производство, происхождение и контроль в open source — и в смежных доменах (музыка, книги, академия, supply chain). Каждое событие — дата, primary URL, уровень доказательств A/B/C/D, привязка к 10 осям. Сверху — теоретико-игровая интерпретация двух равновесий.

1. Стрела времени и паттерн отката

Дорожки — домены (где идёт борьба). Ось времени нелинейна: 2013–2022 сжаты (5 событий), 2025–2026 растянуты (88). Точки — события (цвет = уровень доказательств; крупные с обводкой — узлы нарратива, участвующие в связях). Дуги связывают пары. Жирные дуги — кросс-доменные: половина связей пересекает границы доменов, и это главное, что видно — паттерн не локален, он перетекает из legal в код, из supply в music. Клик по точке — карточка.

Пары: исходное заявление → реальный исход

Дуги связывают первоначальное событие с откатом, эскалацией или уточнением. Клик по строке — карточка поверх.

Split-решения: один вопрос, разные исходы

Отдельная геометрия: одна проблема расщепляется на разнонаправленные ветви. Право и рынок начинают делить явление на классы.

2. Каталог событий с фильтрами

Все сигналы с фильтрами по региону, оси, году и уровню доказательств. Карточка — один проверяемый факт. Машиночитаемая основа — ai_oss_signals.jsonl.

регион
evidence
ось

3. Десять осей напряжения

Каждое событие привязано к одной или нескольким из 10 осей. Длина полосы — плотность сигналов. Видно ядро (platform power, externalization, copyright) и тонкий контр-нарратив (security uplift). Клик — раскрыть.

4. Матрица: ось × год

Плотность событий по каждой оси во времени. Цвет ячейки — насыщенность сигналов. Видно миграцию напряжения: ранние годы — инфраструктура и копирайт, поздние — platform power, provenance-labeling, data-licensing.

5. Два равновесия