a16z: La combinación de IA y blockchain crea cuatro nuevos modelos de negocio

Video original: Web3 con a16z, AI y Crypto

Autor: Dan Boneh (profesor de la Universidad de Stanford, asesor principal de investigación de a16z crypto), centrado en criptografía, seguridad informática y aprendizaje automático; Ali Yahya (socio general de a16z crypto), que trabajó en Google Brain y también es la máquina de Google biblioteca de aprendizaje TensorFlow Uno de los contribuyentes principales.

Organizar y compilar: Qianwen, ChainCatcher

Stephen King escribió una vez una novela de ciencia ficción llamada “La era del diamante”, en la que hay un dispositivo de inteligencia artificial que actúa como mentor para las personas a lo largo de sus vidas. Cuando naces, estás emparejado con una IA que te conoce muy bien: conoce tus gustos y aversiones, te sigue a lo largo de la vida, te ayuda a tomar decisiones y te guía en la dirección correcta. Eso suena genial, pero nunca querrás que una tecnología como esta caiga en manos de intermediarios gigantes. Porque esto traerá mucho control a la empresa, además de una serie de problemas de privacidad y soberanía.

**Queríamos que esta tecnología fuera verdaderamente mía, y surgió la visión de que se podía hacer esto con la cadena de bloques. **Puede incorporar inteligencia artificial en contratos inteligentes. Mantenga sus datos privados con el poder de las pruebas de conocimiento cero. En las próximas décadas, esta tecnología se volverá cada vez más inteligente. Puedes elegir hacer lo que quieras, o cambiarlo de la forma que desees.

Entonces, ¿cuál es la relación entre blockchain y la inteligencia artificial? ¿A qué tipo de mundo nos conducirá la inteligencia artificial? ¿Cuál es el estado actual y los desafíos de la inteligencia artificial? ¿Qué papel jugará blockchain en este proceso?

AI y Blockchain: compiten entre sí

El desarrollo de la inteligencia artificial, incluida la escena descrita en “La era del diamante”, siempre ha existido y solo recientemente ha experimentado un salto adelante.

**Primero, la IA es en gran medida una tecnología de arriba hacia abajo controlada centralmente. **La tecnología de cifrado es una tecnología de cooperación descentralizada ascendente. En muchos sentidos, la criptomoneda es un estudio de cómo construir un sistema descentralizado que permita la cooperación humana a gran escala sin un controlador central en el verdadero sentido. En ese sentido, es una forma natural en la que estas dos tecnologías pueden unirse.

La IA es una innovación sostenible que mejora los modelos comerciales de las empresas de tecnología establecidas y las ayuda a tomar decisiones de arriba hacia abajo. El mejor ejemplo de esto es Google, que puede decidir qué contenido presentar a los usuarios entre miles de millones de usuarios y miles de millones de páginas vistas. La criptomoneda, por otro lado, es esencialmente una innovación disruptiva cuyo modelo de negocio está fundamentalmente en desacuerdo con el de las grandes empresas de tecnología. **Por lo tanto, este es un movimiento liderado por rebeldes marginales, no por los que están en el poder. **

Por lo tanto, la inteligencia artificial puede estar estrechamente relacionada con todos los aspectos de la protección de la privacidad, y los dos se promueven e interactúan entre sí. La IA como tecnología ha creado varios incentivos que conducen a una privacidad cada vez menor para los usuarios porque las empresas quieren obtener todos nuestros datos. Y los modelos de inteligencia artificial entrenados con más y más datos serán más efectivos. Por otro lado, la IA no es perfecta, los modelos pueden estar sesgados y los sesgos pueden conducir a resultados injustos. Por lo tanto, hay muchos artículos sobre equidad algorítmica en esta etapa.

Creo que nos dirigimos por un camino hacia la IA donde los datos de todos se agregan en este entrenamiento masivo de modelos para optimizar el modelo. Las criptomonedas, por otro lado, se mueven en la dirección opuesta, aumentando la privacidad personal y permitiendo a los usuarios tomar el control de la soberanía de sus datos. ** Podría decirse que el cifrado es una tecnología que rivaliza con la inteligencia artificial porque nos ayuda a distinguir el contenido humano o creado por IA del contenido enriquecido, y en un mundo inundado de contenido creado por IA, la tecnología de cifrado será una herramienta importante para mantener y preservar contenido humano. **

La criptomoneda es el salvaje oeste porque no requiere ningún permiso porque cualquiera puede participar. Tienes que asumir que algunas de estas partes son maliciosas. **Así que ahora hay una mayor necesidad de herramientas que te ayuden a diferenciar a los jugadores honestos de los deshonestos, y el aprendizaje automático y la inteligencia artificial, al ser una herramienta inteligente, en realidad pueden ser de gran beneficio en este sentido. **

Por ejemplo, hay proyectos que utilizan el aprendizaje automático para identificar transacciones sospechosas enviadas a billeteras. De esta forma, estas transacciones de los usuarios serán marcadas y enviadas a la cadena de bloques. Esto funciona bien para evitar que los usuarios envíen accidentalmente todos sus fondos a un atacante o hagan algo de lo que se arrepientan más tarde. El aprendizaje automático también se puede utilizar como una herramienta para ayudarlo a juzgar de antemano qué transacciones también pueden tener mev.

**Así como los modelos LLM pueden usarse para detectar datos falsos o actividad maliciosa, a su vez, estos modelos también pueden usarse para generar datos falsos. **El ejemplo más típico son los deepfakes. Puede crear un video de alguien que diga algo que nunca antes haya dicho. Pero blockchain en realidad puede ayudar a aliviar este problema.

Por ejemplo, hay una marca de tiempo en la cadena de bloques que muestra que dijiste tal o cual cosa en esta fecha. Si alguien falsifica el video, puede usar la marca de tiempo para negarlo**. Todos estos datos, datos reales reales, se registran en la cadena de bloques y se pueden usar para demostrar que este video falso es realmente falso. **Creo que blockchain podría ayudar a combatir la falsificación.

También podemos confiar en hardware confiable para hacer esto. Dispositivos como cámaras y nuestros teléfonos firman las imágenes y videos que capturan como estándar. Se llama C2PA y especifica cómo las cámaras pueden firmar datos. De hecho, una de las cámaras de Sony ahora puede tomar fotos y videos y luego generar una firma C2PA en el video. Este es un tema complejo y no nos detendremos aquí.

Por lo general, cuando los periódicos publican imágenes, no publican imágenes tomadas por cámaras intactas. Hacen recortes, hacen algunas licencias en la foto. Una vez que comience a editar imágenes, significa que los destinatarios, los lectores finales y los usuarios del navegador no verán las imágenes originales y no se podrá realizar la verificación de la firma C2PA.

La pregunta es, ¿cómo logra que los usuarios confirmen que las imágenes que ven están firmadas correctamente por una cámara C2PA? Aquí es donde entra en juego la técnica ZK, puede probar que la imagen editada es en realidad el resultado de la reducción de resolución y la escala de grises de la imagen firmada correctamente. De esta manera, podemos reemplazar la firma C2PA con una prueba zk simple y corresponder a estas imágenes uno a uno. Por ahora, los lectores aún pueden confirmar que lo que están viendo es la imagen real. Por lo tanto, la tecnología zk se puede utilizar para contrarrestar esta información.

¿Cómo rompe el juego la cadena de bloques?

La inteligencia artificial es esencialmente una tecnología centralizada. Se beneficia en gran parte de las economías de escala, ya que las cosas son mucho más eficientes si se ejecutan desde un único centro de datos. Además, los datos, los modelos de aprendizaje automático, el talento de aprendizaje automático, etc. suelen estar controlados por un pequeño número de empresas de tecnología,

** Entonces, ¿cómo romper la situación? Las criptomonedas pueden ayudarnos a lograr la descentralización de la inteligencia artificial mediante el uso de tecnologías como ZKML, que se pueden aplicar a centros de datos, bases de datos y modelos de aprendizaje automático. Por ejemplo, en términos de computación, usando pruebas de conocimiento cero, los usuarios pueden probar que el proceso de inferencia o entrenamiento del modelo es correcto.

De esa manera, puede subcontratar el proceso a una gran comunidad. Bajo este proceso distribuido, cualquier persona con una GPU puede aportar poder de cómputo a la red y entrenar modelos de esta manera, sin tener que depender de un gran centro de datos donde se concentran todas las GPU.

** No se sabe si esto tiene sentido desde un punto de vista económico. Pero al menos con los incentivos correctos, se puede lograr la larga cola. **Puedes aprovechar todas las capacidades GPU posibles. Tener a todas estas personas contribuyendo con poder de cómputo para modelar el entrenamiento o las ejecuciones de inferencia reemplazaría a las grandes compañías tecnológicas que controlan todo. Para lograr esto, se deben resolver varios problemas técnicos importantes. De hecho, una empresa llamada Nvidia está construyendo un mercado de computación GPU descentralizado, principalmente para entrenar modelos de aprendizaje automático. En este mercado, cualquiera puede contribuir con su propio poder de cómputo GPU. Por otro lado, cualquiera puede aprovechar cualquier computación presente en la red para entrenar sus grandes modelos de aprendizaje automático. Esta será una alternativa a las grandes empresas tecnológicas centralizadas como openai, google, metadata, etc.

Uno puede imaginar una situación en la que Alice tiene un modelo que quiere proteger. Ella quiere enviar el modelo a Bob en forma encriptada. Bob ahora recibe el modelo encriptado y necesita ejecutar sus propios datos en el modelo encriptado. ¿Como hacer esto? Luego use el llamado cifrado totalmente homomórfico para calcular los datos cifrados. Si el usuario tiene el modelo encriptado y los datos de texto sin formato, entonces el modelo encriptado puede ejecutarse en los datos de texto sin formato y el resultado encriptado puede recibirse y obtenerse. Envías el resultado encriptado a Alice, y ella puede descifrarlo y ver el resultado en texto sin formato.

**Esta es una tecnología que ya existe. La pregunta es, la tecnología actual funciona bien para modelos medianos, ¿podemos escalarla a modelos más grandes? **Esto es todo un desafío y requiere esfuerzos de más empresas.

Estado, desafíos e incentivos

Creo que se trata de la descentralización en la informática. El primero es el problema de verificación, puede usar ZK para resolver este problema, pero actualmente estas técnicas solo pueden manejar modelos más pequeños. **El desafío al que nos enfrentamos es que el rendimiento de estas primitivas criptográficas está lejos de ser suficiente para el entrenamiento o la inferencia de modelos muy grandes. ** Por lo tanto, se está trabajando mucho para mejorar el rendimiento del proceso de prueba para que las cargas de trabajo cada vez más grandes se puedan probar de manera eficiente.

Al mismo tiempo, algunas empresas también están utilizando otras tecnologías que van más allá del cifrado. En cambio, utilizando técnicas de naturaleza teórica de juegos, permiten que personas más independientes hagan el trabajo. Es un enfoque optimista basado en la teoría de juegos que no se basa en la criptografía, pero sigue siendo coherente con el objetivo más amplio de descentralizar la IA o ayudar a crear un ecosistema de IA. Este es el objetivo que se proponen empresas como openai.

**El segundo gran problema es el problema del sistema distribuido. **Por ejemplo, ¿cómo se coordina una gran comunidad para contribuir gp a una red que se siente como una base informática unificada e integrada? Habrá muchos desafíos, como desglosar la carga de trabajo del aprendizaje automático de manera razonable y asignar diferentes cargas de trabajo a diferentes nodos de la red, y cómo hacer todo este trabajo de manera eficiente.

Las técnicas actuales se pueden aplicar básicamente a modelos de tamaño mediano, pero no se pueden aplicar a modelos tan grandes como gpt 3 o gpt 4. Por supuesto, tenemos otros métodos. Por ejemplo, podemos hacer que varias personas entrenen y comparen los resultados, por lo que hay un incentivo de teoría de juegos. Incentivar a las personas para que no hagan trampa. Si alguien hace trampa, otros pueden quejarse de que calcularon resultados de entrenamiento incorrectos. De esa manera, a las personas que hacen trampa no se les paga.

También podemos descentralizar fuentes de datos en la comunidad para entrenar grandes modelos de aprendizaje automático. Del mismo modo, también podemos recopilar todos los datos y entrenar el modelo nosotros mismos en lugar de una institución centralizada. Esto se puede lograr mediante la creación de una especie de mercado. Esto es similar al mercado informático que acabamos de describir.

También podemos verlo en términos de incentivos, alentando a las personas a contribuir con nuevos datos a un gran conjunto de datos, que luego se utiliza para entrenar modelos. La dificultad aquí es similar al desafío de verificación. **Tienes que verificar de alguna manera que los datos que la gente aporta son realmente buenos datos. Los datos no son duplicados ni basura generada aleatoriamente ni se generan de alguna manera no auténticos. **

Además, asegúrese de que los datos no subviertan el modelo de alguna manera, o el rendimiento del modelo empeorará cada vez más. Tal vez tengamos que confiar en una combinación de soluciones técnicas y soluciones sociales, en cuyo caso también puede generar credibilidad con algún tipo de métrica del sitio a la que los miembros de la comunidad tengan acceso para que cuando aporten datos, sea más. Resultó ser más creíble.

De lo contrario, llevará mucho tiempo lograr realmente la distribución de datos de cobertura. Uno de los desafíos del aprendizaje automático es que el modelo solo puede cubrir realmente la distribución que puede alcanzar el conjunto de datos de entrenamiento. Si hay algunas entradas que están fuera de la distribución de los datos de entrenamiento, su modelo puede comportarse de manera completamente impredecible. Para que un modelo funcione bien en casos extremos, puntos de datos de cisne negro o entradas de datos que podrían encontrarse en el mundo real, necesitamos un conjunto de datos que sea lo más completo posible.

** Entonces, si tiene este mercado abierto y descentralizado que alimenta datos para conjuntos de datos, puede hacer que cualquier persona en el mundo con datos únicos aporte esos datos a la red, esa es una manera mucho mejor. Porque si intenta hacerlo como una empresa central, no tiene forma de saber quién es el propietario de los datos. ** Entonces, si puede crear un incentivo para que estas personas se presenten y proporcionen estos datos, entonces creo que en realidad puede obtener una cobertura significativamente mejor de los datos de cola larga.

Entonces, debemos tener algún mecanismo para asegurarnos de que los datos que proporciona sean reales. Una forma es confiar en hardware de confianza, dejar que el propio sensor integre algún hardware de confianza, y solo confiamos en los datos que están correctamente firmados por el hardware. De lo contrario, debemos tener otros mecanismos para distinguir la autenticidad de los datos.

Actualmente hay dos tendencias importantes en el aprendizaje automático. En primer lugar, los métodos de medición del rendimiento para los modelos de aprendizaje automático mejoran constantemente, pero aún se encuentran en sus primeras etapas y es prácticamente difícil saber qué tan bien funciona otro modelo. Otra tendencia es que cada vez explicamos mejor cómo funcionan los modelos.

Entonces, en base a estos dos puntos, en algún momento, podría comprender el impacto del conjunto de datos en el rendimiento del modelo de aprendizaje automático. **Si podemos entender si los conjuntos de datos aportados por terceros contribuyen al rendimiento de los modelos de aprendizaje automático, entonces podemos recompensar esta contribución y crear impulso para la existencia de este mercado. **

Imagínese si pudiera crear un mercado abierto en el que las personas contribuyan con modelos capacitados que resuelven tipos específicos de problemas, o si crea un contrato inteligente que incluye algún tipo de prueba, si alguien puede proporcionar un modelo usando zkml, y probar que el modelo resuelve la prueba, que es un escenario de resultado. Ahora tiene las herramientas que necesita para crear un mercado que se incentiva cuando las personas contribuyen con modelos de aprendizaje automático que resuelven ciertos problemas.

¿Cómo la IA y el cifrado forman un modelo de negocio?

**Creo que la visión detrás de la intersección de las criptomonedas y la inteligencia artificial es que puedes crear un conjunto de protocolos que distribuyan el valor capturado por esta nueva tecnología de inteligencia artificial a más personas, todos pueden contribuir, todos pueden Los beneficios de esta nueva La tecnología se puede compartir. **

**Así, las personas que se pueden beneficiar serán las que aporten poder de cómputo, las que aporten datos, o las que aporten nuevos modelos de aprendizaje automático a la red, de modo que se puedan entrenar mejores modelos de aprendizaje automático para resolver problemas más importantes El problema . **

El lado de la demanda de la red también puede beneficiarse. Utilizan esta red como infraestructura para entrenar sus propios modelos de aprendizaje automático. Tal vez su modelo pueda contribuir a algo interesante, como una herramienta de chat de última generación. En estos modelos, dado que estas empresas tendrán sus propios modelos de negocios, ellas mismas podrán impulsar la captura de valor.

Quien construye esta red también se beneficia. Por ejemplo, cree un token para la red que se distribuirá a la comunidad. Todas estas personas tendrán la propiedad colectiva de esta red descentralizada para computar datos y modelos, y también podrán capturar parte del valor de toda la actividad económica que ocurre a través de esta red.

Como puede imaginar, cada transacción que pasa a través de esta red, cada método de pago que paga por computación, datos o modelos, es probable que se le cobre una tarifa que se deposita en una bóveda controlada por toda la red. Los titulares de tokens son propietarios conjuntos de la red. Este es esencialmente el modelo de negocio de la propia red.

Inteligencia artificial para la seguridad del código

Muchos oyentes probablemente han oído hablar de copiloto, una herramienta utilizada para generar código. **Puede intentar usar estas herramientas de cogeneración para escribir contratos de solidez o código criptográfico. Lo que quiero enfatizar es que hacerlo es realmente muy peligroso. Porque muchas veces, cuando intenta ejecutar, estos sistemas en realidad generan código que funciona pero no es seguro. **

De hecho, recientemente escribimos un artículo sobre este problema, que establece que si intenta que un copiloto escriba una función de cifrado simple, proporciona la función de cifrado correcta. Pero utiliza un modo de operación incorrecto, por lo que termina con un modo de cifrado inseguro.

Usted puede preguntarse, ¿por qué está sucediendo esto? Una de las razones es que estos modelos se entrenan básicamente a partir del código existente, se entrenan en el repositorio de github. Muchos repositorios de github son en realidad vulnerables a varios ataques. Por lo tanto, los códigos aprendidos por estos modelos funcionan, pero no son seguros. Es como producir basura de mala calidad. Así que espero que la gente tenga cuidado al generar código usando estos modelos generativos, verifique dos veces que el código realmente esté haciendo lo que se supone que debe hacer y que lo haga de manera segura.

**Puede usar el modelo de inteligencia artificial, combinado con otras herramientas para generar código, para garantizar que todo el proceso esté libre de errores. **Por ejemplo, una idea es usar el modelo llm para generar una especificación para un sistema de verificación formal y pedirle a llm que genere una especificación para una herramienta de verificación formal. Luego, pídale a la misma instancia de llm que genere un programa que cumpla con la especificación y luego use una herramienta de verificación formal para ver si el programa realmente cumple con la especificación. Si hay una vulnerabilidad, la herramienta la detectará. Estos errores se pueden enviar a llm como retroalimentación y luego, idealmente, llm puede modificar su trabajo y luego producir otra versión correcta del código.

Al final, si itera, termina con un fragmento de código que idealmente satisface exactamente este valor de retorno y verifica formalmente que también satisface este valor de retorno. Y, dado que los humanos pueden leer el backtrace, puedes revisar el backtrace y ver que este es el programa que quería escribir. De hecho, ya hay muchas personas que intentan evaluar la capacidad de LLM para encontrar errores de software, como los contratos inteligentes de Unity, C y C plus.

** Entonces, ¿estamos llegando a un punto en el que es menos probable que el código generado por LLM contenga errores que el código generado por humanos? **Por ejemplo, cuando hablamos de conducción autónoma, ¿qué nos importa, es menos probable que choque que un conductor humano? Creo que esta tendencia solo se fortalecerá y se integrará más en las cadenas de herramientas existentes.

Puede integrarlo en una cadena de herramientas de verificación formal y puede integrarlo en otras herramientas, como las herramientas mencionadas anteriormente que verifican problemas de administración de memoria. También puede integrarlo en su cadena de herramientas de prueba de unidad y prueba de integración para que llm no actúe solo en el vacío. Obtiene retroalimentación en tiempo real de otras herramientas que lo conectan con la verdad del terreno.

**Creo que al combinar modelos de aprendizaje automático muy grandes entrenados en todos los datos del mundo, junto con estas otras herramientas, puede ser posible hacer programas computacionales mejores que los programadores humanos. Incluso si todavía cometen errores, podrían ser sobrehumanos. Este será un gran momento en la ingeniería de software. **

Inteligencia artificial y gráfico social

Otra posibilidad es que podamos construir redes sociales descentralizadas que en realidad se comporten de manera muy parecida a Weibo, pero donde el gráfico social esté completamente en cadena. Es casi como un producto público sobre el que cualquiera puede construir. Como usuario, controlas quién eres en el gráfico social. Tú controlas tus datos, a quién sigues y quién puede seguirte. Además, hay una gran cantidad de empresas que crean portales en el gráfico social que brindan a los usuarios experiencias como Twitter, Instagram, tick tock o cualquier otra cosa que quieran construir.

Pero todo está construido sobre el mismo gráfico social, y nadie lo posee, y ninguna compañía tecnológica multimillonaria en el medio lo controla por completo.

**Es un mundo emocionante porque significa que puede ser más vibrante, puede tener un ecosistema de personas que construyen juntas. **Cada usuario tiene más control sobre lo que ve y hace en la plataforma.

**Pero al mismo tiempo, el usuario también necesita filtrar la señal del ruido. ** Por ejemplo, se debe desarrollar un algoritmo de recomendación razonable para filtrar todo el contenido y mostrarle las fuentes de noticias que realmente desea ver. Esto abrirá la puerta a todo el mercado, un campo de juego de jugadores que brindan servicios. Puede usar algoritmos, usar algoritmos basados en IA para seleccionar contenido para usted. Como usuario, puedes decidir si usar un algoritmo en particular, tal vez el establecido por twitter, u otro. Pero nuevamente, también necesita herramientas como el “aprendizaje automático” para ayudarlo a filtrar el ruido, para ayudarlo a analizar toda la basura en un mundo donde los modelos generativos crean toda la basura del mundo.

¿Por qué es importante la prueba humana?

Una pregunta muy pertinente es ¿cómo demuestras que eres humano en un mundo inundado de contenido artificialmente falso?

La biometría es una dirección posible, uno de los proyectos se llama World Coin (World Coin), que utiliza escaneos de retina como información biométrica para verificar que eres una persona real, para garantizar que eres una persona viva, no solo un ojo. foto. Este sistema tiene un hardware seguro que es muy difícil de manipular, por lo que la prueba que sale del otro lado, la prueba de conocimiento cero que enmascara su biometría real, es muy difícil de falsificar de esta manera.

En Internet, nadie sabe que eres un robot. Así que supongo que ahí es donde el proyecto Prueba de humanidad se vuelve realmente importante, porque saber si estás interactuando con un robot o un humano va a ser realmente importante. Si no tiene evidencia humana, entonces no puede saber si una dirección pertenece a una persona o a un grupo de personas, o si 10,000 direcciones realmente pertenecen a una persona, o si solo pretenden ser 10,000 Gente diferente.

**Esto es crítico en la gobernabilidad. Si todos los participantes en el sistema de gobierno pueden probar que son realmente humanos, y pueden probar que son humanos de una manera única, porque solo tienen un par de ojos, entonces el sistema de gobierno será más justo y no Luego, la plutocratización (basada en una preferencia por la mayor cantidad bloqueada en un determinado contrato inteligente). **

Inteligencia Artificial y Arte

Los modelos de IA significan que viviremos en un mundo de abundancia infinita de medios, un mundo donde las comunidades que rodean a un medio en particular o las narrativas que rodean a un medio determinado serán cada vez más importantes.

Por ejemplo, Sound.xyz está construyendo una plataforma de transmisión de música descentralizada que permite a los artistas y músicos cargar música y luego conectarse directamente con nuestra comunidad vendiéndoles NFT. Por ejemplo, puede comentar una pista en el sitio web de sound dot xyz para que otras personas que reproduzcan la canción también puedan ver el comentario. Esto es similar a la característica anterior de Sound Cloud. El acto de comprar NFT también apoya a los artistas, ayudándolos a lograr un desarrollo sostenible y crear más obras musicales. **Pero la belleza de todo esto es que en realidad brinda a los artistas una plataforma para interactuar realmente con la comunidad. Los artistas son los artistas de todos. **

Debido a lo que hace la criptomoneda aquí, puede crear una comunidad en torno a una pieza musical que no existiría si una pieza musical simplemente fuera creada por un modelo de aprendizaje automático sin ningún elemento humano.

Gran parte de la música a la que estaremos expuestos será totalmente generada por IA, y las herramientas para construir una comunidad y contar historias sobre el arte, la música y otros tipos de medios serán realmente importante, reunir lo que realmente nos importa y en lo que realmente queremos invertir y los medios que se toman el tiempo para participar se distinguen de otros medios en general.

** Puede haber cierta sinergia entre los dos, como que la IA mejorará o generará mucha música. Pero si también hay un elemento humano involucrado, digamos, un creador usa una herramienta de IA para crear una nueva pieza musical, tiene su propia firma sónica, tiene su propia página de artista, tiene su propia comunidad, tiene sus propios seguidores. . **

Ahora, hay una sinergia entre los dos mundos y tienes la mejor música porque la IA te otorga superpoderes. Pero al mismo tiempo, también tiene elementos humanos e historias que se coordinan y habilitan a través de tecnología de encriptación que le permite reunir a todas estas personas en una sola plataforma.

**Definitivamente es un mundo completamente nuevo cuando se trata de generación de contenido. Entonces, ¿cómo diferenciamos entre el arte generado por humanos y el arte generado por máquinas que necesita apoyo? **

En realidad, esto abre la puerta al arte colectivo, el arte que emerge a través del proceso creativo de toda una comunidad en lugar de un solo artista. Ya hay proyectos que hacen esto en los que la comunidad influye en la cadena a través de algún procedimiento de votación, generando obras de arte basadas en señales de modelos de aprendizaje automático. **Tal vez generes no una obra de arte, sino diez mil piezas. Luego, usa otro modelo de aprendizaje automático, también capacitado con los comentarios de la comunidad, para elegir el mejor de esos 10,000. **