a16z : La combinaison de l'IA et de la blockchain crée quatre nouveaux modèles commerciaux

Vidéo originale : Web3 avec a16z, IA et Crypto

Auteur : Dan Boneh (professeur à l’Université de Stanford, conseiller principal en recherche d’a16z crypto), spécialisé dans la cryptographie, la sécurité informatique et l’apprentissage automatique ; Ali Yahya (partenaire général d’a16z crypto), qui a travaillé chez Google Brain et est également la machine Google bibliothèque d’apprentissage TensorFlow L’un des principaux contributeurs.

Organiser et compiler : Qianwen, ChainCatcher

Stephen King a écrit un jour un roman de science-fiction intitulé “The Diamond Age”, dans lequel il y a un dispositif d’intelligence artificielle qui agit comme un mentor pour les gens tout au long de leur vie. Lorsque vous naissez, vous êtes associé à une IA qui vous connaît si bien - connaît vos goûts et vos dégoûts, vous suit tout au long de la vie, vous aide à prendre des décisions et vous oriente dans la bonne direction. Cela sonne bien, mais vous ne voulez jamais qu’une technologie comme celle-ci tombe entre les mains d’intermédiaires géants. Parce que cela apportera beaucoup de contrôle à l’entreprise, ainsi qu’une série de problèmes de confidentialité et de souveraineté.

** Nous voulions que cette technologie appartienne véritablement à la mine, et une vision a émergé selon laquelle vous pourriez le faire avec la blockchain. **Vous pouvez intégrer l’intelligence artificielle dans les contrats intelligents. Gardez vos données privées grâce à la puissance des preuves sans connaissance. Au cours des prochaines décennies, cette technologie ne fera que devenir de plus en plus intelligente. Vous pouvez choisir de faire ce que vous voulez ou de le modifier comme bon vous semble.

Quelle est donc la relation entre la blockchain et l’intelligence artificielle ? Dans quel monde l’intelligence artificielle nous mènera-t-elle ? Quel est l’état actuel et les défis de l’intelligence artificielle ? Quel rôle jouera la blockchain dans ce processus ?

IA et Blockchain : s’affrontent

Le développement de l’intelligence artificielle, y compris la scène décrite dans “The Diamond Age”, a toujours existé, et ce n’est que récemment qu’il a connu un bond en avant.

**Premièrement, l’IA est en grande partie une technologie descendante, contrôlée de manière centralisée. **La technologie de chiffrement est une technologie de coopération ascendante et décentralisée. À bien des égards, la crypto-monnaie est une étude sur la façon de construire un système décentralisé qui permet une coopération humaine à grande échelle sans contrôleur central au sens propre du terme. À cet égard, c’est une manière naturelle de combiner ces deux technologies.

L’IA est une innovation durable qui améliore les modèles commerciaux des entreprises technologiques en place et les aide à prendre des décisions descendantes. Le meilleur exemple en est Google, qui peut décider du contenu à présenter aux utilisateurs parmi des milliards d’utilisateurs et des milliards de pages vues. La crypto-monnaie, en revanche, est essentiellement une innovation de rupture dont le modèle commercial est fondamentalement en contradiction avec celui des grandes entreprises technologiques. **Ainsi, il s’agit d’un mouvement dirigé par des rebelles marginaux, pas ceux au pouvoir. **

Par conséquent, l’intelligence artificielle peut être étroitement liée à tous les aspects de la protection de la vie privée, et les deux se favorisent et interagissent l’un avec l’autre. L’IA en tant que technologie a créé diverses incitations qui conduisent à de moins en moins de confidentialité pour les utilisateurs, car les entreprises veulent obtenir toutes nos données. Et les modèles d’intelligence artificielle formés sur de plus en plus de données deviendront plus efficaces. D’un autre côté, l’IA n’est pas parfaite, les modèles peuvent être biaisés et les biais peuvent conduire à des résultats injustes. Par conséquent, il existe de nombreux articles sur l’équité algorithmique à ce stade.

Je pense que nous nous dirigeons vers l’IA où les données de chacun sont agrégées dans ces formations massives de modèles pour optimiser le modèle. Les crypto-monnaies, en revanche, évoluent dans la direction opposée, augmentant la confidentialité personnelle et permettant aux utilisateurs de prendre le contrôle de la souveraineté de leurs données. **On peut dire que le chiffrement est une technologie qui rivalise avec l’intelligence artificielle, car elle nous aide à distinguer le contenu créé par l’homme ou l’IA du contenu riche, et dans un monde inondé de contenu créé par l’IA, la technologie de chiffrement sera un outil important pour maintenir et préserver contenu humain. **

La crypto-monnaie est le Far West parce qu’elle est totalement sans autorisation car tout le monde peut y participer. Vous devez supposer que certaines de ces parties sont malveillantes. ** Alors maintenant, il y a un plus grand besoin d’outils pour vous aider à trier les joueurs honnêtes des joueurs malhonnêtes, et l’apprentissage automatique et l’intelligence artificielle, étant un outil intelligent, peuvent en fait être très bénéfiques à cet égard. **

Par exemple, certains projets utilisent l’apprentissage automatique pour identifier les transactions suspectes soumises aux portefeuilles. De cette manière, ces transactions des utilisateurs seront marquées et soumises à la blockchain. Cela fonctionne bien pour empêcher les utilisateurs de soumettre accidentellement tous leurs fonds à un attaquant ou de faire quelque chose qu’ils regretteront plus tard. L’apprentissage automatique peut également être utilisé comme un outil pour vous aider à déterminer à l’avance quelles transactions peuvent également avoir des effets positifs.

**Tout comme les modèles LLM peuvent être utilisés pour détecter de fausses données ou des activités malveillantes, ces modèles peuvent également être utilisés pour générer de fausses données. **L’exemple le plus typique est celui des deepfakes. Vous pouvez créer une vidéo de quelqu’un disant quelque chose qu’il n’a jamais dit auparavant. Mais la blockchain peut en fait aider à atténuer ce problème.

Par exemple, il y a un horodatage sur la blockchain, montrant que vous avez dit telle ou telle chose à cette date. Si quelqu’un falsifie la vidéo, vous pouvez utiliser l’horodatage pour refuser**. Toutes ces données, de vraies données réelles, sont enregistrées sur la blockchain et peuvent être utilisées pour prouver que cette vidéo deepfake est vraiment fausse. ** Je pense donc que la blockchain pourrait aider à lutter contre la contrefaçon.

Nous pouvons également compter sur du matériel de confiance pour ce faire. Des appareils comme les appareils photo et nos téléphones signent les images et les vidéos qu’ils capturent en standard. Il s’appelle C2PA et spécifie comment les caméras peuvent signer les données. En fait, l’un des appareils photo de Sony peut désormais prendre des photos et des vidéos, puis générer une signature C2PA sur la vidéo. C’est un sujet complexe et nous ne nous y attarderons pas ici.

Habituellement, lorsque les journaux publient des photos, ils ne publient pas intactes les photos prises par les appareils photo. Ils font des recadrages, font des licences sur la photo. Une fois que vous avez commencé à éditer des images, cela signifie que les destinataires, les lecteurs finaux et les utilisateurs du navigateur ne verront pas les images d’origine et que la vérification de la signature C2PA ne sera pas possible.

La question est de savoir comment faire en sorte que les utilisateurs confirment que les images qu’ils voient sont bien signées par une caméra C2PA ? C’est là qu’intervient la technique ZK, vous pouvez prouver que l’image éditée est en fait le résultat d’un sous-échantillonnage et d’une mise à l’échelle des niveaux de gris de l’image correctement signée. De cette manière, nous pouvons remplacer la signature C2PA par une simple preuve zk, et correspondre à ces images un à un. Pour l’instant, les lecteurs peuvent toujours confirmer que ce qu’ils voient est la vraie image. Par conséquent, la technologie zk peut être utilisée pour contrecarrer ces informations.

Comment la blockchain casse-t-elle le jeu ?

L’intelligence artificielle est essentiellement une technologie centralisée. Il bénéficie en grande partie d’économies d’échelle, car les choses fonctionnent beaucoup plus efficacement à partir d’un seul centre de données. De plus, les données, les modèles d’apprentissage automatique, les talents d’apprentissage automatique, etc. sont généralement contrôlés par un petit nombre d’entreprises technologiques,

** Alors, comment casser le jeu ? La crypto-monnaie peut nous aider à réaliser la décentralisation de l’intelligence artificielle en utilisant des technologies telles que ZKML, qui peuvent être appliquées aux centres de données, aux bases de données et aux modèles d’apprentissage automatique eux-mêmes. Par exemple, en termes d’informatique, en utilisant des preuves à connaissance nulle, les utilisateurs peuvent prouver que le processus d’inférence ou de formation du modèle est correct.

De cette façon, vous pouvez sous-traiter le processus à une grande communauté. Dans le cadre de ce processus distribué, toute personne disposant d’un GPU peut contribuer à la puissance de calcul du réseau et former des modèles de cette manière, sans avoir à s’appuyer sur un grand centre de données où tous les GPU sont concentrés.

** Il n’est pas certain que cela ait un sens d’un point de vue économique. Mais au moins avec les bonnes incitations, la longue traîne peut être atteinte. **Vous pouvez profiter de toutes les capacités GPU possibles. Le fait que toutes ces personnes contribuent à la puissance de calcul pour modéliser la formation ou les exécutions d’inférence remplacerait les grandes entreprises technologiques qui contrôlent tout. Pour y parvenir, divers problèmes techniques importants doivent être résolus. En fait, une société appelée Nvidia construit un marché de calcul GPU décentralisé, principalement pour la formation de modèles d’apprentissage automatique. Sur ce marché, n’importe qui peut apporter sa propre puissance de calcul GPU. D’autre part, n’importe qui peut tirer parti de n’importe quel calcul présent dans le réseau pour former ses grands modèles d’apprentissage automatique. Ce sera une alternative aux grandes entreprises technologiques centralisées telles que openai, google, metadata, etc.

On peut imaginer une situation où Alice a un modèle qu’elle veut protéger. Elle souhaite envoyer le modèle à Bob sous une forme chiffrée. Bob reçoit maintenant le modèle chiffré et doit exécuter ses propres données sur le modèle chiffré. Comment faire cela ? Utilisez ensuite le cryptage dit entièrement homomorphe pour calculer les données cryptées. Si l’utilisateur dispose du modèle crypté et des données de texte en clair, le modèle crypté peut être exécuté sur les données de texte en clair, et le résultat crypté peut être reçu et obtenu. Vous renvoyez le résultat crypté à Alice, et elle peut le décrypter et voir le résultat en clair.

**Il s’agit en fait d’une technologie déjà existante. La question est la suivante : la technologie actuelle fonctionne bien pour les modèles de taille moyenne, pouvons-nous l’étendre à des modèles plus grands ? ** C’est tout un défi et nécessite des efforts de la part d’un plus grand nombre d’entreprises.

Statut, défis et incitations

Je pense qu’il s’agit de la décentralisation de l’informatique. Le premier est le problème de vérification, vous pouvez utiliser ZK pour résoudre ce problème, mais actuellement ces techniques ne peuvent gérer que des modèles plus petits. **Le défi auquel nous sommes confrontés est que les performances de ces primitives cryptographiques sont loin d’être suffisantes pour l’entraînement ou l’inférence de très grands modèles. ** Il y a donc beaucoup de travail en cours pour améliorer les performances du processus de preuve afin que des charges de travail de plus en plus importantes puissent être prouvées efficacement.

Dans le même temps, certaines entreprises utilisent également d’autres technologies qui vont au-delà du cryptage. Au lieu de cela, en utilisant des techniques de nature théorique des jeux, ils ont laissé des personnes plus indépendantes faire le travail. Il s’agit d’une approche optimiste de la théorie des jeux qui ne repose pas sur la cryptographie, mais qui reste cohérente avec l’objectif plus large de décentralisation de l’IA ou d’aide à la création d’un écosystème d’IA. C’est l’objectif proposé par des entreprises comme openai.

** Le deuxième gros problème est le problème du système distribué. ** Par exemple, comment coordonnez-vous une grande communauté pour contribuer gp à un réseau qui ressemble à une sous-couche informatique intégrée et unifiée ? Il y aura de nombreux défis, tels que la façon de répartir la charge de travail de l’apprentissage automatique de manière raisonnable, et d’attribuer différentes charges de travail à différents nœuds du réseau, et comment faire tout ce travail efficacement.

Les techniques actuelles peuvent essentiellement être appliquées à des modèles de taille moyenne, mais ne peuvent pas être appliquées à des modèles aussi grands que gpt 3 ou gpt 4. Bien sûr, nous avons d’autres méthodes. Par exemple, nous pouvons demander à plusieurs personnes de s’entraîner et de comparer les résultats, il y a donc une incitation théorique au jeu. Inciter les gens à ne pas tricher. Si quelqu’un triche, d’autres peuvent se plaindre d’avoir calculé des résultats d’entraînement incorrects. De cette façon, les personnes qui trichent ne sont pas payées.

Nous pouvons également décentraliser les sources de données dans la communauté pour former de grands modèles d’apprentissage automatique. De même, nous pouvons également collecter toutes les données et former le modèle nous-mêmes au lieu d’une organisation centralisée. Cela peut être réalisé en créant une sorte de marché. Ceci est similaire au marché informatique que nous venons de décrire.

Nous pouvons également l’examiner en termes d’incitations, en encourageant les gens à fournir de nouvelles données à un grand ensemble de données, qui sont ensuite utilisées pour former des modèles. La difficulté ici est similaire au défi de la vérification. ** Vous devez d’une manière ou d’une autre vérifier que les données que les gens fournissent sont vraiment de bonnes données. Les données ne sont ni des doublons, ni des déchets générés de manière aléatoire, ni d’une manière ou d’une autre générées inauthentiques. **

Assurez-vous également que les données ne subvertissent pas le modèle d’une manière ou d’une autre, sinon les performances du modèle ne feront qu’empirer. Peut-être devons-nous compter sur un mélange de solutions techniques et de solutions sociales, auquel cas vous pouvez également renforcer votre crédibilité avec une sorte de métrique de site à laquelle les membres de la communauté ont accès afin que lorsqu’ils contribuent des données, c’est plus Il s’est avéré être plus croyable.

Sinon, il faudra beaucoup de temps pour parvenir à une distribution des données de couverture. L’un des défis de l’apprentissage automatique est que le modèle ne peut vraiment couvrir que la distribution que l’ensemble de données d’apprentissage peut atteindre. Si certaines entrées sont bien en dehors de la distribution des données d’apprentissage, votre modèle peut en fait se comporter de manière totalement imprévisible. Pour qu’un modèle fonctionne bien sur les cas extrêmes, les points de données du cygne noir ou les entrées de données susceptibles d’être rencontrées dans le monde réel, nous avons besoin d’un ensemble de données aussi complet que possible.

** Donc, si vous avez ce type de marché ouvert et décentralisé qui fournit des données pour des ensembles de données où vous pouvez avoir n’importe qui dans le monde avec des données uniques qui contribuent ces données au réseau, c’est une bien meilleure façon. Parce que si vous essayez de le faire en tant qu’entreprise centrale, vous n’avez aucun moyen de savoir à qui appartiennent les données. ** Donc, si vous pouvez créer une incitation pour que ces personnes se manifestent et fournissent ces données, alors je pense que vous pouvez réellement obtenir une bien meilleure couverture des données à longue traîne.

Nous devons donc disposer d’un mécanisme pour nous assurer que les données que vous fournissez sont réelles. Une façon consiste à s’appuyer sur du matériel de confiance, à laisser le capteur lui-même intégrer du matériel de confiance, et nous ne faisons confiance qu’aux données correctement signées par le matériel. Sinon, nous devons avoir d’autres mécanismes pour distinguer l’authenticité des données.

Il existe actuellement deux tendances importantes dans l’apprentissage automatique. Premièrement, les méthodes de mesure des performances des modèles d’apprentissage automatique s’améliorent constamment, mais en sont encore à leurs débuts, et il est pratiquement difficile de connaître les performances d’un autre modèle. Une autre tendance est que nous devenons meilleurs pour expliquer le fonctionnement des modèles.

Donc, sur la base de ces deux points, à un moment donné, je pourrais être en mesure de comprendre l’impact de l’ensemble de données sur les performances du modèle d’apprentissage automatique. ** Si nous pouvons comprendre si les ensembles de données fournis par des tiers contribuent à la performance des modèles d’apprentissage automatique, nous pouvons alors récompenser cette contribution et créer une dynamique pour l’existence de ce marché. **

Imaginez simplement si vous pouviez créer un marché ouvert où les gens contribuent à des modèles formés qui résolvent des types de problèmes spécifiques, ou si vous créez un contrat intelligent qui intègre une sorte de test, si quelqu’un peut fournir un modèle utilisant zkml, et prouver que le modèle résout le test, qui est un scénario de résultat. Vous disposez maintenant des outils dont vous avez besoin pour créer un marché qui est incité lorsque les gens contribuent à des modèles d’apprentissage automatique qui résolvent certains problèmes.

### Comment l’IA et le chiffrement forment-ils un modèle commercial ?

** Je pense que la vision derrière l’intersection de la crypto-monnaie et de l’intelligence artificielle est que vous pouvez créer un ensemble de protocoles qui distribuent la valeur capturée par cette nouvelle technologie d’intelligence artificielle à plus de personnes, tout le monde peut contribuer, tout le monde peut Les avantages de cette nouvelle la technologie peut être partagée. **

**Ainsi, les personnes qui peuvent en bénéficier seront celles qui contribuent à la puissance de calcul, celles qui contribuent aux données ou celles qui apportent de nouveaux modèles d’apprentissage automatique au réseau, afin que de meilleurs modèles d’apprentissage automatique puissent être formés pour résoudre des problèmes plus importants Le problème . **

Le côté demande du réseau peut également en bénéficier. Ils utilisent ce réseau comme infrastructure pour former leurs propres modèles d’apprentissage automatique. Peut-être que leur modèle peut contribuer à quelque chose d’intéressant, comme un outil de chat de nouvelle génération. Dans ces modèles, puisque ces entreprises auront leurs propres business models, elles seront elles-mêmes capables de piloter la captation de valeur.

Celui qui construit ce réseau en profite également. Par exemple, créez un jeton pour le réseau qui sera distribué à la communauté. Toutes ces personnes auront la propriété collective de ce réseau décentralisé pour le calcul des données et des modèles, et pourront également capturer une partie de la valeur de toute l’activité économique qui se produit à travers ce réseau.

Comme vous pouvez l’imaginer, chaque transaction qui passe par ce réseau, chaque méthode de paiement qui paie pour le calcul, les données ou les modèles, est susceptible de se voir facturer des frais qui vont dans un coffre-fort contrôlé par l’ensemble du réseau. Les détenteurs de jetons possèdent conjointement le réseau. Il s’agit essentiellement du modèle commercial du réseau lui-même.

L’intelligence artificielle pour la sécurité du code

De nombreux auditeurs ont probablement entendu parler de copilote, un outil utilisé pour générer du code. **Vous pouvez essayer d’utiliser ces outils de co-génération pour écrire des contrats de solidité ou du code de cryptographie. Ce que je veux souligner, c’est que cela est en fait très dangereux. Parce que souvent, lorsque vous essayez de vous lancer, ces systèmes génèrent en fait du code qui fonctionne mais qui n’est pas sûr. **

En fait, nous avons récemment écrit un article sur ce problème, qui stipule que si vous essayez de demander à un copilote d’écrire une fonction de cryptage simple, il fournit la fonction de cryptage correcte. Mais il utilise un mode de fonctionnement incorrect, vous vous retrouvez donc avec un mode de cryptage non sécurisé.

Vous pouvez demander, pourquoi cela se produit-il? L’une des raisons est que ces modèles sont essentiellement formés à partir de code existant, ils sont formés dans le référentiel github. De nombreux référentiels github sont en fait vulnérables à diverses attaques. Par conséquent, les codes appris par ces modèles fonctionnent, mais ne sont pas sûrs. C’est comme des ordures de mauvaise qualité produisant des ordures. J’espère donc que les gens feront attention lors de la génération de code à l’aide de ces modèles génératifs, vérifieront que le code fait réellement ce qu’il est censé faire et le fait en toute sécurité.

**Vous pouvez utiliser le modèle d’intelligence artificielle, combiné à d’autres outils pour générer du code, afin de vous assurer que l’ensemble du processus est sans erreur. **Par exemple, une idée consiste à utiliser le modèle llm pour générer une spécification pour un système de vérification formelle et demander à llm de générer une spécification pour un outil de vérification formelle. Ensuite, demandez à la même instance de llm de générer un programme conforme à la spécification, puis utilisez un outil de vérification formel pour voir si le programme est réellement conforme à la spécification. S’il y a une vulnérabilité, l’outil l’attrapera. Ces erreurs peuvent être renvoyées à llm sous forme de commentaires, puis idéalement, llm peut modifier son travail, puis produire une autre version correcte du code.

En fin de compte, si vous itérez, vous vous retrouvez avec un morceau de code qui satisfait idéalement exactement cette valeur de retour et vérifie formellement qu’il satisfait également cette valeur de retour. Et, puisque les humains peuvent lire le backtrace, vous pouvez parcourir le backtrace et voir que c’est le programme que je voulais écrire. En fait, de nombreuses personnes essaient déjà d’évaluer la capacité de LLM à trouver des bogues logiciels, tels que les contrats intelligents Unity, C et C plus.

**Alors, atteignons-nous un point où le code généré par LLM est moins susceptible de contenir des bogues que le code généré par l’homme ? **Par exemple, quand on parle de conduite autonome, qu’est-ce qui nous intéresse, y a-t-il moins de risques d’accident qu’un conducteur humain ? Je pense que cette tendance ne fera que se renforcer et s’intégrer davantage dans les chaînes d’outils existantes.

Vous pouvez l’intégrer dans une chaîne d’outils de vérification formelle, et vous pouvez l’intégrer dans d’autres outils, comme les outils susmentionnés qui vérifient les problèmes de gestion de la mémoire. Vous pouvez également l’intégrer dans votre chaîne d’outils de test unitaire et de test d’intégration afin que llm n’agisse pas simplement dans le vide. Il obtient des commentaires en temps réel d’autres outils qui le connectent à la vérité terrain.

** Je pense qu’en combinant de très grands modèles d’apprentissage automatique formés sur toutes les données du monde, avec ces autres outils, il peut être possible de rendre les programmes informatiques meilleurs que les programmeurs humains. Même s’ils font encore des erreurs, ils pourraient juste être surhumains. Ce sera un grand moment dans le génie logiciel. **

Intelligence artificielle et graphe social

Une autre possibilité est que nous puissions construire des réseaux sociaux décentralisés qui se comportent en fait un peu comme Weibo, mais où le graphe social est en fait entièrement en chaîne. C’est presque comme un produit public sur lequel n’importe qui peut s’appuyer. En tant qu’utilisateur, vous contrôlez qui vous êtes sur le graphe social. Vous contrôlez vos données, qui vous suivez et qui peut vous suivre. De plus, il existe toute une série d’entreprises qui créent des portails dans le graphe social qui offrent aux utilisateurs des expériences telles que Twitter, Instagram, tic-tac ou tout ce qu’ils souhaitent créer.

Mais tout est construit sur le même graphe social, et personne ne le possède, et aucune entreprise technologique multimilliardaire au milieu ne le contrôle entièrement.

**C’est un monde passionnant car cela signifie qu’il peut être plus dynamique, il peut avoir un écosystème de personnes qui se construisent ensemble. **Chaque utilisateur a plus de contrôle sur ce qu’il voit et fait sur la plateforme.

**Mais en même temps, l’utilisateur doit également filtrer le signal du bruit. ** Par exemple, un algorithme de recommandation raisonnable doit être développé pour filtrer tout le contenu et vous montrer les sources d’information que vous voulez vraiment regarder. Cela ouvrira la porte à l’ensemble du marché, terrain de jeu d’acteurs prestataires de services. Vous pouvez utiliser des algorithmes, utiliser des algorithmes basés sur l’IA pour organiser le contenu pour vous. En tant qu’utilisateur, vous pouvez décider d’utiliser un algorithme particulier, peut-être celui établi par Twitter, ou autre chose. Mais encore une fois, vous avez également besoin d’outils comme “l’apprentissage automatique” pour vous aider à passer au crible le bruit, pour vous aider à analyser toutes les conneries dans un monde où les modèles génératifs créent toutes les conneries du monde.

### Pourquoi la preuve humaine est-elle importante ?

Une question très pertinente est de savoir comment prouver que vous êtes bien humain dans un monde inondé de contenu artificiellement faux ?

La biométrie est une direction possible, l’un des projets s’appelle World Coin (World Coin), qui utilise des scans rétiniens comme informations biométriques pour vérifier que vous êtes une personne réelle, pour s’assurer que vous êtes bien une personne vivante, pas seulement un œil. photo. Ce système dispose d’un matériel sécurisé très difficile à falsifier, de sorte que la preuve qui sort à l’autre bout, la preuve à connaissance nulle qui masque vos données biométriques réelles, est très difficile à falsifier de cette manière.

Sur Internet, personne ne sait que vous êtes un robot. Donc je suppose que c’est là que le projet Proof of Humanity devient vraiment important, parce que savoir si vous interagissez avec un robot ou un humain va être vraiment important. Si vous n’avez pas de preuves humaines, vous ne pouvez pas dire si une adresse appartient à une personne ou à un groupe de personnes, ou si 10 000 adresses appartiennent réellement à une personne, ou si elles prétendent être 10 000 personnes différentes.

** Ceci est essentiel dans la gouvernance. Si chaque participant au système de gouvernance peut prouver qu’il est réellement humain, et qu’il peut prouver qu’il est humain d’une manière unique, parce qu’il n’a qu’un seul œil, alors le système de gouvernance sera plus juste, et il ne sera pas Puis la ploutocratisation (basée sur une préférence pour le plus gros montant bloqué dans un certain contrat intelligent). **

Intelligence Artificielle et Art

Les modèles d’IA signifient que nous vivrons dans un monde d’abondance médiatique infinie, un monde où les communautés entourant un média particulier ou les récits entourant un média donné deviendront de plus en plus importants.

Par exemple, Sound.xyz construit une plate-forme de streaming musical décentralisée qui permet aux artistes, aux musiciens de télécharger de la musique, puis de se connecter directement à notre communauté en leur vendant des NFT. Par exemple, vous pouvez commenter une piste sur le site Web sound dot xyz afin que les autres personnes qui écoutent la chanson puissent également voir le commentaire. Ceci est similaire à la fonctionnalité Sound Cloud précédente. L’acte d’achat de NFT soutient également les artistes, les aide à atteindre un développement durable et à créer davantage d’œuvres musicales. ** Mais la beauté de tout cela est que cela donne en fait aux artistes une plate-forme pour vraiment s’engager avec la communauté. Les artistes sont les artistes de tout le monde. **

En raison de ce que la crypto-monnaie fait ici, vous pouvez créer une communauté autour d’un morceau de musique qui n’existerait pas si un morceau de musique était simplement créé par un modèle d’apprentissage automatique sans aucun élément humain.

Une grande partie de la musique à laquelle nous allons être exposés sera entièrement générée par l’IA, et les outils pour créer une communauté et raconter des histoires autour de l’art, autour de la musique, autour d’autres types de médias vont être vraiment important, rassemblant ce qui nous tient vraiment à cœur et dans lequel nous voulons vraiment investir et les médias qui prennent le temps de s’engager se distinguent des autres médias en général.

** Il peut y avoir une certaine synergie entre les deux, comme beaucoup de musique sera améliorée ou générée par l’IA. Mais s’il y a aussi un élément humain impliqué, par exemple, un créateur utilise un outil d’intelligence artificielle pour créer un nouveau morceau de musique, ils ont leur propre signature sonore, ils ont leur propre page d’artiste, ils ont leur propre communauté, ils ont leurs propres followers . **

Maintenant, il y a une synergie entre les deux mondes, et vous avez la meilleure musique parce que l’IA vous donne des super pouvoirs. Mais en même temps, vous avez également des éléments humains et des histoires qui sont coordonnés et activés grâce à une technologie de cryptage qui vous permet de rassembler toutes ces personnes sur une seule plateforme.

** C’est définitivement un tout nouveau monde en matière de génération de contenu. Alors, comment faire la différence entre l’art généré par l’homme et l’art généré par la machine qui a besoin de soutien ? **

Cela ouvre en fait la porte à l’art collectif, un art qui émerge du processus créatif de toute une communauté plutôt que d’un seul artiste. Il existe déjà des projets qui le font, où la communauté influence la chaîne par le biais d’une procédure de vote, générant des illustrations basées sur des signaux de modèles d’apprentissage automatique. ** Peut-être que vous générez non pas une œuvre d’art, mais dix mille pièces. Ensuite, vous utilisez un autre modèle d’apprentissage automatique, également formé sur les commentaires de la communauté, pour choisir le meilleur parmi ces 10 000. **