a16z: Kombinasi AI dan blockchain menciptakan empat model bisnis baru

Video asli: Web3 dengan a16z, AI & Crypto

Penulis: Dan Boneh (Profesor di Universitas Stanford, Penasihat Riset Senior a16z crypto), berfokus pada kriptografi, keamanan komputer, dan pembelajaran mesin; Ali Yahya (Mitra Umum a16z crypto), sebelumnya bekerja di Google Brain, dan juga merupakan mesin Google perpustakaan pembelajaran TensorFlow Salah satu kontributor inti.

Atur & kompilasi: Qianwen, ChainCatcher

Stephen King pernah menulis novel fiksi ilmiah berjudul “The Diamond Age”, di dalamnya terdapat perangkat kecerdasan buatan yang bertindak sebagai mentor bagi orang-orang sepanjang hidup mereka. Saat Anda lahir, Anda dipasangkan dengan AI yang sangat mengenal Anda—mengetahui suka dan tidak suka Anda, mengikuti Anda sepanjang hidup, membantu Anda membuat keputusan, dan mengarahkan Anda ke arah yang benar. Kedengarannya bagus, tetapi Anda tidak ingin teknologi seperti ini jatuh ke tangan perantara raksasa. Karena ini akan membawa banyak kontrol ke perusahaan, serta serangkaian masalah privasi dan kedaulatan.

**Kami ingin teknologi ini benar-benar milik saya, dan muncul visi bahwa Anda dapat melakukannya dengan blockchain. **Anda dapat menyematkan kecerdasan buatan dalam kontrak pintar. Jaga kerahasiaan data Anda dengan kekuatan pembuktian tanpa pengetahuan. Dalam beberapa dekade mendatang, teknologi ini hanya akan menjadi semakin pintar. Anda dapat memilih untuk melakukan apa pun yang Anda inginkan, atau mengubahnya dengan cara apa pun yang Anda inginkan.

Jadi apa hubungan antara blockchain dan kecerdasan buatan? Dunia seperti apa yang akan dibawa oleh kecerdasan buatan? Apa status dan tantangan kecerdasan buatan saat ini? Peran apa yang akan dimainkan blockchain dalam proses ini?

AI dan Blockchain: Bersaing satu sama lain

Perkembangan kecerdasan buatan, termasuk pemandangan yang dijelaskan dalam “Zaman Berlian”, selalu ada, dan baru belakangan ini mengalami lompatan ke depan.

**Pertama, AI sebagian besar merupakan teknologi top-down yang dikendalikan secara terpusat. **Teknologi enkripsi adalah teknologi kerja sama terdesentralisasi dari bawah ke atas. Dalam banyak hal, cryptocurrency adalah studi tentang bagaimana membangun sistem terdesentralisasi yang memungkinkan kerja sama manusia berskala besar tanpa pengontrol pusat dalam arti sebenarnya. Dalam hal itu, ini adalah cara alami di mana kedua teknologi ini dapat bersatu.

AI adalah inovasi berkelanjutan yang meningkatkan model bisnis perusahaan teknologi lama dan membantu mereka membuat keputusan dari atas ke bawah. Contoh terbaik dari hal ini adalah Google, yang dapat memutuskan konten apa yang akan disajikan kepada pengguna dari miliaran pengguna dan miliaran tampilan halaman. Cryptocurrency, di sisi lain, pada dasarnya adalah inovasi yang mengganggu yang model bisnisnya pada dasarnya bertentangan dengan perusahaan teknologi besar. **Jadi, ini adalah gerakan yang dipimpin oleh pemberontak pinggiran, bukan mereka yang berkuasa. **

Oleh karena itu, kecerdasan buatan mungkin terkait erat dengan semua aspek perlindungan privasi, dan keduanya saling mempromosikan dan berinteraksi. AI sebagai teknologi telah menciptakan berbagai insentif yang menyebabkan privasi pengguna semakin berkurang karena perusahaan ingin mendapatkan semua data kami. Dan model kecerdasan buatan yang dilatih dengan lebih banyak data akan menjadi lebih efektif. Di sisi lain, AI tidaklah sempurna, model dapat menjadi bias, dan bias dapat menyebabkan hasil yang tidak adil. Oleh karena itu, ada banyak makalah tentang keadilan algoritmik pada tahap ini.

Saya pikir kita sedang menuju ke AI di mana data semua orang dikumpulkan ke dalam pelatihan model besar-besaran ini untuk mengoptimalkan model. Cryptocurrency, di sisi lain, bergerak ke arah yang berlawanan, meningkatkan privasi pribadi dan memberdayakan pengguna untuk mengendalikan kedaulatan data mereka. **Bisa dibilang, enkripsi adalah teknologi yang menyaingi kecerdasan buatan karena membantu kita membedakan konten buatan manusia atau AI dari konten kaya, dan di dunia yang dibanjiri konten buatan AI, teknologi enkripsi akan menjadi alat penting untuk menjaga dan melestarikan konten manusia. **

Cryptocurrency adalah wild west karena sama sekali tanpa izin karena siapa pun dapat berpartisipasi. Anda harus berasumsi bahwa beberapa pihak ini jahat. **Jadi sekarang ada kebutuhan yang lebih besar akan alat untuk membantu Anda memilah pemain yang jujur dari pemain yang tidak jujur, dan pembelajaran mesin serta kecerdasan buatan, sebagai alat yang cerdas, sebenarnya bisa sangat bermanfaat dalam hal ini. **

Misalnya, ada proyek yang menggunakan pembelajaran mesin untuk mengidentifikasi transaksi mencurigakan yang dikirimkan ke dompet. Dengan cara ini, transaksi pengguna ini akan ditandai dan diserahkan ke blockchain. Ini bekerja dengan baik untuk mencegah pengguna mengirimkan semua dana mereka secara tidak sengaja ke penyerang, atau melakukan sesuatu yang akan mereka sesali nanti. Pembelajaran mesin juga dapat digunakan sebagai alat untuk membantu Anda menilai terlebih dahulu transaksi mana yang mungkin memiliki mev.

**Sama seperti model LLM yang dapat digunakan untuk mendeteksi data palsu atau aktivitas berbahaya, model ini juga dapat digunakan untuk menghasilkan data palsu. **Contoh paling umum adalah deepfake. Anda dapat membuat video seseorang mengatakan sesuatu yang belum pernah mereka katakan sebelumnya. Tapi blockchain sebenarnya bisa membantu meringankan masalah ini.

Misalnya, ada stempel waktu di blockchain, yang menunjukkan bahwa Anda mengatakan hal ini dan itu pada tanggal ini. Jika seseorang memalsukan video, Anda dapat menggunakan stempel waktu untuk menyangkal**. Semua data ini, data nyata nyata, direkam di blockchain dan dapat digunakan untuk membuktikan bahwa video deepfake ini benar-benar palsu. **Jadi menurut saya, blockchain dapat membantu memerangi pemalsuan.

Kami juga dapat mengandalkan perangkat keras tepercaya untuk melakukan ini. Perangkat seperti kamera dan ponsel kami menandai gambar dan video yang mereka tangkap sebagai standar. Ini disebut C2PA, dan menentukan bagaimana kamera dapat menandatangani data. Faktanya, salah satu kamera Sony kini dapat mengambil foto dan video, lalu menghasilkan tanda tangan C2PA pada video tersebut. Ini adalah topik yang kompleks dan kami tidak akan membahasnya di sini.

Biasanya, ketika surat kabar menerbitkan gambar, mereka tidak menerbitkan gambar yang diambil dengan kamera secara utuh. Mereka melakukan cropping, melakukan beberapa lisensi pada foto tersebut. Setelah Anda mulai mengedit gambar, itu berarti penerima, pembaca akhir, dan pengguna di browser tidak akan melihat gambar aslinya, dan verifikasi tanda tangan C2PA tidak dapat dilakukan.

Pertanyaannya adalah, bagaimana Anda membuat pengguna mengonfirmasi bahwa gambar yang mereka lihat benar-benar ditandatangani oleh kamera C2PA? Di sinilah teknik ZK masuk, Anda dapat membuktikan bahwa gambar yang diedit sebenarnya adalah hasil dari downsampling dan skala abu-abu dari gambar yang ditandatangani dengan benar. Dengan cara ini, kami dapat mengganti tanda tangan C2PA dengan bukti zk sederhana, dan sesuai dengan gambar ini satu per satu. Untuk saat ini, pembaca masih dapat memastikan bahwa yang mereka lihat adalah gambar sebenarnya. Oleh karena itu, teknologi zk dapat digunakan untuk menangkal informasi tersebut.

Bagaimana blockchain merusak permainan?

Kecerdasan buatan pada dasarnya adalah teknologi terpusat. Ini mendapat manfaat sebagian besar dari skala ekonomi, karena hal-hal yang jauh lebih efisien berjalan dari satu pusat data. Selain itu, data, model pembelajaran mesin, bakat pembelajaran mesin, dll biasanya dikendalikan oleh sejumlah kecil perusahaan teknologi,

** Jadi bagaimana cara memecahkan situasi? Cryptocurrency dapat membantu kita mencapai desentralisasi kecerdasan buatan dengan menggunakan teknologi seperti ZKML, yang dapat diterapkan ke pusat data, database, dan model pembelajaran mesin itu sendiri. Misalnya, dalam hal komputasi, dengan menggunakan bukti tanpa pengetahuan, pengguna dapat membuktikan bahwa proses melakukan inferensi atau pelatihan model benar.

Dengan begitu, Anda dapat mengalihdayakan proses ke komunitas besar. Di bawah proses terdistribusi ini, siapa pun yang memiliki GPU dapat menyumbangkan daya komputasi ke jaringan dan melatih model dengan cara ini, tanpa harus bergantung pada pusat data besar tempat semua GPU terkonsentrasi.

**Apakah ini masuk akal dari sudut pandang ekonomi masih belum pasti. Tapi setidaknya dengan insentif yang tepat, long tail bisa tercapai. **Anda dapat memanfaatkan semua kemungkinan kemampuan GPU. Memiliki semua orang ini menyumbangkan daya komputasi untuk memodelkan pelatihan atau menjalankan inferensi akan menggantikan perusahaan teknologi besar yang mengendalikan segalanya. Untuk mencapai hal ini, berbagai masalah teknis penting harus diselesaikan. Faktanya, sebuah perusahaan bernama Nvidia sedang membangun pasar komputasi GPU terdesentralisasi, terutama untuk melatih model pembelajaran mesin. Di pasar ini, siapa pun dapat menyumbangkan daya komputasi GPU mereka sendiri. Di sisi lain, siapa pun dapat memanfaatkan komputasi apa pun yang ada di jaringan untuk melatih model pembelajaran mesin besar mereka. Ini akan menjadi alternatif bagi perusahaan teknologi besar terpusat seperti openai, google, metadata, dll.

Bisa dibayangkan situasi di mana Alice memiliki model yang ingin dia lindungi. Dia ingin mengirim model ke Bob dalam bentuk terenkripsi. Bob sekarang menerima model terenkripsi dan perlu menjalankan datanya sendiri pada model terenkripsi. Bagaimana cara melakukannya? Kemudian gunakan apa yang disebut enkripsi homomorfik penuh untuk menghitung data terenkripsi. Jika pengguna memiliki model terenkripsi dan data plaintext, maka model terenkripsi dapat dijalankan pada data plaintext, dan hasil enkripsi dapat diterima dan diperoleh. Anda mengirim hasil terenkripsi kembali ke Alice, dan dia dapat mendekripsinya dan melihat hasil teks biasa.

**Ini sebenarnya teknologi yang sudah ada. Pertanyaannya adalah, teknologi saat ini berfungsi dengan baik untuk model berukuran sedang, bisakah kita meningkatkannya ke model yang lebih besar? **Ini cukup menantang dan membutuhkan upaya dari lebih banyak perusahaan.

Status, Tantangan dan Insentif

Saya pikir ini tentang desentralisasi dalam komputasi. Yang pertama adalah masalah verifikasi, Anda dapat menggunakan ZK untuk menyelesaikan masalah ini, tetapi saat ini teknik ini hanya dapat menangani model yang lebih kecil. **Tantangan yang kami hadapi adalah kinerja primitif kriptografi ini jauh dari cukup untuk pelatihan atau inferensi model yang sangat besar. **Jadi ada banyak pekerjaan yang dilakukan untuk meningkatkan kinerja proses pembuktian sehingga beban kerja yang semakin besar dapat dibuktikan secara efisien.

Pada saat yang sama, beberapa perusahaan juga menggunakan teknologi lain yang melampaui enkripsi. Alih-alih, dengan menggunakan teknik yang bersifat teori permainan, mereka membiarkan lebih banyak orang mandiri melakukan pekerjaannya. Ini adalah teori permainan, pendekatan optimis yang tidak bergantung pada kriptografi, tetapi masih konsisten dengan tujuan yang lebih besar untuk mendesentralisasikan AI atau membantu menciptakan ekosistem AI. Ini adalah tujuan yang diajukan oleh perusahaan seperti openai.

**Masalah besar kedua adalah masalah sistem terdistribusi. ** Seperti, bagaimana Anda mengoordinasikan komunitas besar untuk berkontribusi gp ke jaringan yang terasa seperti lapisan dasar komputasi yang terintegrasi dan terpadu? Akan ada banyak tantangan, seperti bagaimana memecah beban kerja pembelajaran mesin dengan cara yang masuk akal, dan menetapkan beban kerja yang berbeda ke node jaringan yang berbeda, dan bagaimana melakukan semua pekerjaan ini secara efisien.

Teknik saat ini pada dasarnya dapat diterapkan pada model berukuran sedang, tetapi tidak dapat diterapkan pada model sebesar gpt 3 atau gpt 4. Tentu saja, kami memiliki metode lain. Misalnya, kita dapat melatih banyak orang dan membandingkan hasilnya, jadi ada insentif teoretis permainan. Memberi insentif kepada orang-orang untuk tidak menipu. Jika seseorang curang, yang lain mungkin mengeluh bahwa mereka menghitung hasil pelatihan yang salah. Dengan begitu, orang yang curang tidak dibayar.

Kami juga dapat mendesentralisasikan sumber data di komunitas untuk melatih model pembelajaran mesin yang besar. Demikian pula, kami juga dapat mengumpulkan semua data dan melatih model sendiri alih-alih organisasi terpusat. Ini dapat dicapai dengan menciptakan semacam pasar. Ini mirip dengan pasar komputasi yang baru saja kami jelaskan.

Kita juga dapat melihatnya dalam bentuk insentif, mendorong orang untuk menyumbangkan data baru ke kumpulan data besar, yang kemudian digunakan untuk melatih model. Kesulitan di sini mirip dengan tantangan verifikasi. ** Anda harus memverifikasi bahwa data yang disumbangkan orang adalah data yang benar-benar bagus. Data tersebut bukan duplikat atau sampah yang dibuat secara acak, juga tidak dibuat secara tidak autentik. **

Selain itu, pastikan data tidak menumbangkan model dengan cara tertentu, atau kinerja model akan benar-benar menjadi semakin buruk. Mungkin kita harus mengandalkan campuran solusi teknis dan solusi sosial, dalam hal ini Anda juga dapat membangun kredibilitas dengan semacam metrik situs yang dapat diakses oleh anggota komunitas sehingga ketika mereka menyumbangkan data, ternyata lebih banyak. terpercaya.

Jika tidak, akan membutuhkan waktu yang sangat lama untuk benar-benar mencapai distribusi data cakupan. Salah satu tantangan pembelajaran mesin adalah bahwa model tersebut hanya dapat benar-benar mencakup distribusi yang dapat dijangkau oleh kumpulan data pelatihan. Jika ada beberapa masukan yang jauh di luar distribusi data pelatihan, model Anda mungkin benar-benar berperilaku tidak dapat diprediksi. Agar model dapat bekerja dengan baik pada kasus edge, titik data black swan, atau input data yang mungkin ditemui di dunia nyata, kita memerlukan kumpulan data yang sekomprehensif mungkin.

**Jadi, jika Anda memiliki pasar terbuka dan terdesentralisasi yang memberi makan data untuk kumpulan data, Anda dapat meminta siapa pun di dunia dengan data unik untuk menyumbangkan data tersebut ke jaringan, itu cara yang jauh lebih baik. Karena jika Anda mencoba melakukannya sebagai perusahaan pusat, Anda tidak akan tahu siapa pemilik datanya. **Jadi, jika Anda dapat menciptakan insentif bagi orang-orang ini untuk maju dan memberikan data ini, menurut saya Anda benar-benar dapat memperoleh cakupan yang jauh lebih baik dari data ekor panjang.

Jadi kami harus memiliki beberapa mekanisme untuk memastikan data yang Anda berikan adalah nyata. Salah satu caranya adalah mengandalkan perangkat keras tepercaya, biarkan sensor itu sendiri menyematkan beberapa perangkat keras tepercaya, dan kami hanya mempercayai data yang ditandatangani dengan benar oleh perangkat keras. Kalau tidak, kita harus memiliki mekanisme lain untuk membedakan keaslian data.

Saat ini ada dua tren penting dalam pembelajaran mesin. Pertama, metode pengukuran kinerja untuk model pembelajaran mesin terus meningkat, tetapi masih dalam tahap awal, dan secara praktis sulit untuk mengetahui seberapa baik kinerja model lain. Tren lainnya adalah kami semakin baik dalam menjelaskan cara kerja model.

Jadi berdasarkan dua poin ini, pada titik tertentu, saya mungkin dapat memahami dampak kumpulan data terhadap kinerja model pembelajaran mesin. **Jika kami dapat memahami apakah kumpulan data yang dikontribusikan oleh pihak ketiga berkontribusi pada performa model pembelajaran mesin, maka kami dapat menghargai kontribusi ini dan menciptakan momentum untuk keberadaan pasar ini. **

Bayangkan saja jika Anda dapat membuat pasar terbuka tempat orang menyumbangkan model terlatih yang memecahkan jenis masalah tertentu, atau jika Anda membuat kontrak cerdas yang menyematkan semacam pengujian di dalamnya, jika seseorang dapat menyediakan model menggunakan zkml, Dan buktikan bahwa model memecahkan tes, yang merupakan skenario hasil. Anda sekarang memiliki alat yang Anda butuhkan untuk menciptakan pasar yang diberi insentif saat orang menyumbangkan model pembelajaran mesin yang memecahkan masalah tertentu.

Bagaimana AI dan enkripsi membentuk model bisnis?

**Menurut saya, visi di balik persilangan mata uang kripto dan kecerdasan buatan adalah Anda dapat membuat seperangkat protokol yang mendistribusikan nilai yang ditangkap oleh teknologi baru kecerdasan buatan ini ke lebih banyak orang, semua orang dapat berkontribusi, semua orang dapat Manfaat dari teknologi baru ini teknologi dapat dibagi. **

**Dengan demikian, orang yang dapat memperoleh manfaat adalah mereka yang menyumbangkan daya komputasi, mereka yang menyumbangkan data, atau mereka yang menyumbangkan model pembelajaran mesin baru ke jaringan, sehingga model pembelajaran mesin yang lebih baik dapat dilatih untuk memecahkan masalah yang lebih penting. . **

Sisi permintaan jaringan juga bisa mendapatkan keuntungan. Mereka menggunakan jaringan ini sebagai infrastruktur untuk melatih model pembelajaran mesin mereka sendiri. Mungkin model mereka dapat berkontribusi pada sesuatu yang menarik, seperti alat obrolan generasi berikutnya. Dalam model ini, karena perusahaan ini akan memiliki model bisnisnya sendiri, mereka sendiri akan dapat mendorong penangkapan nilai.

Siapapun yang membangun jaringan ini juga diuntungkan. Misalnya membuat token untuk jaringan yang akan didistribusikan ke komunitas. Semua orang ini akan memiliki kepemilikan kolektif atas jaringan terdesentralisasi ini untuk menghitung data dan model, dan juga akan dapat menangkap beberapa nilai dari semua aktivitas ekonomi yang terjadi melalui jaringan ini.

Seperti yang dapat Anda bayangkan, setiap transaksi yang melewati jaringan ini, setiap metode pembayaran yang membayar komputasi, data, atau model, kemungkinan besar akan dikenakan biaya yang masuk ke brankas yang dikendalikan oleh seluruh jaringan. Pemegang Token bersama-sama memiliki jaringan. Ini pada dasarnya adalah model bisnis dari jaringan itu sendiri.

Kecerdasan buatan untuk keamanan kode

Banyak pendengar mungkin pernah mendengar tentang co-pilot, alat yang digunakan untuk menghasilkan kode. **Anda dapat mencoba menggunakan alat kogenerasi ini untuk menulis kontrak soliditas atau kode kriptografi. Yang ingin saya tekankan adalah melakukan hal itu sebenarnya sangat berbahaya. Karena berkali-kali, saat Anda mencoba menjalankannya, sistem ini sebenarnya menghasilkan kode yang berfungsi tetapi tidak aman. **

Faktanya, kami baru-baru ini menulis makalah tentang masalah ini, yang menyatakan bahwa jika Anda mencoba meminta co-pilot untuk menulis fungsi enkripsi sederhana, ini akan memberikan fungsi enkripsi yang benar. Tetapi menggunakan mode operasi yang salah, sehingga Anda berakhir dengan mode enkripsi yang tidak aman.

Anda mungkin bertanya, mengapa ini terjadi? Salah satu alasannya adalah model ini pada dasarnya dilatih dari kode yang ada, dilatih di repositori github. Banyak repositori github sebenarnya rentan terhadap berbagai serangan. Oleh karena itu, kode yang dipelajari oleh model ini berfungsi, tetapi tidak aman. Ini seperti sampah berkualitas buruk yang menghasilkan sampah. Jadi saya harap orang-orang berhati-hati saat membuat kode menggunakan model generatif ini, periksa kembali apakah kode tersebut benar-benar melakukan apa yang seharusnya dilakukan, dan melakukannya dengan aman.

**Anda dapat menggunakan model kecerdasan buatan, digabungkan dengan alat lain untuk menghasilkan kode, untuk memastikan seluruh proses bebas dari kesalahan. **Misalnya, satu ide adalah menggunakan model llm untuk menghasilkan spesifikasi sistem verifikasi formal dan meminta llm untuk menghasilkan spesifikasi alat verifikasi formal. Kemudian, minta contoh yang sama dari llm untuk membuat program yang sesuai dengan spesifikasi, lalu gunakan alat verifikasi formal untuk melihat apakah program benar-benar sesuai dengan spesifikasi. Jika ada kerentanan, alat akan menangkapnya. Kesalahan ini dapat diumpankan kembali ke llm sebagai umpan balik, dan idealnya, llm dapat memodifikasi pekerjaannya dan kemudian menghasilkan versi kode yang benar lainnya.

Pada akhirnya, jika Anda mengulanginya, Anda akan mendapatkan sepotong kode yang, idealnya, memenuhi nilai pengembalian ini dengan tepat, dan secara formal memverifikasi bahwa kode tersebut juga memenuhi nilai pengembalian ini. Dan, karena manusia dapat membaca backtrace, Anda dapat menelusuri backtrace dan melihat bahwa ini adalah program yang ingin saya tulis. Sebenarnya sudah banyak orang yang mencoba mengevaluasi kemampuan LLM dalam menemukan bug software, seperti smart contract Unity, C dan C plus.

**Jadi, apakah kita mencapai titik di mana kode yang dihasilkan LLM cenderung mengandung bug daripada kode yang dihasilkan manusia? **Misalnya, ketika kita berbicara tentang mengemudi otonom, apa yang kita pedulikan, apakah lebih kecil kemungkinannya untuk menabrak daripada pengemudi manusia? Saya pikir tren ini hanya akan menjadi lebih kuat dan lebih terintegrasi ke dalam toolchain yang ada.

Anda dapat mengintegrasikannya ke dalam rantai alat verifikasi formal, dan Anda dapat mengintegrasikannya ke alat lain, seperti alat yang disebutkan di atas untuk memeriksa masalah manajemen memori. Anda juga dapat mengintegrasikannya ke dalam unit testing dan integration testing toolchain sehingga llm tidak hanya bertindak dalam ruang hampa. Itu mendapat umpan balik waktu nyata dari alat lain yang menghubungkannya dengan kebenaran dasar.

**Saya pikir dengan menggabungkan model pembelajaran mesin yang sangat besar yang dilatih pada semua data di dunia, bersama dengan alat-alat lain ini, dimungkinkan untuk membuat program komputasi lebih baik daripada pemrogram manusia. Bahkan jika mereka masih melakukan kesalahan, mereka mungkin saja manusia super. Ini akan menjadi momen besar dalam rekayasa perangkat lunak. **

Kecerdasan Buatan dan Grafik Sosial

Kemungkinan lain adalah bahwa kita mungkin dapat membangun jejaring sosial terdesentralisasi yang benar-benar berperilaku sangat mirip dengan Weibo, tetapi grafik sosialnya sebenarnya sepenuhnya terhubung. Ini hampir seperti produk publik yang dapat dibuat oleh siapa saja. Sebagai pengguna, Anda mengontrol siapa diri Anda di grafik sosial. Anda mengontrol data Anda, siapa yang Anda ikuti dan siapa yang dapat mengikuti Anda. Selain itu, ada banyak sekali perusahaan yang membangun portal di grafik sosial yang memberi pengguna pengalaman seperti twitter, instagram, tik tok, atau apa pun yang ingin mereka buat.

Tapi itu semua dibangun di atas grafik sosial yang sama, dan tidak ada yang memilikinya, dan tidak ada satu pun perusahaan teknologi bernilai miliaran dolar di tengah yang sepenuhnya mengendalikannya.

**Ini adalah dunia yang menarik karena artinya bisa lebih hidup, bisa memiliki ekosistem orang yang membangun bersama. **Setiap pengguna memiliki kontrol lebih atas apa yang mereka lihat dan lakukan di platform.

**Tetapi pada saat yang sama pengguna juga perlu memfilter sinyal dari kebisingan. ** Misalnya, algoritme rekomendasi yang masuk akal perlu dikembangkan untuk memfilter semua konten dan menampilkan sumber berita yang benar-benar ingin Anda tonton. Ini akan membuka pintu ke seluruh pasar, lapangan bermain para pemain yang menyediakan layanan. Anda dapat menggunakan algoritme, menggunakan algoritme berbasis AI untuk membuat konten untuk Anda. Sebagai pengguna, Anda dapat memutuskan apakah akan menggunakan algoritme tertentu, mungkin yang dibuat oleh twitter, atau yang lainnya. Namun sekali lagi, Anda juga memerlukan alat seperti “pembelajaran mesin” untuk membantu Anda menyaring kebisingan, untuk membantu Anda menguraikan semua omong kosong di dunia di mana model generatif menciptakan semua omong kosong di dunia.

Mengapa bukti manusia penting?

Pertanyaan yang sangat relevan adalah bagaimana Anda membuktikan bahwa Anda memang manusia di dunia yang dibanjiri konten palsu buatan?

Biometrik adalah salah satu arah yang memungkinkan, salah satu proyeknya disebut Koin Dunia (World Coin), yang menggunakan pemindaian retina sebagai informasi biometrik untuk memverifikasi bahwa Anda adalah orang yang nyata, untuk memastikan bahwa Anda memang orang yang hidup, bukan hanya mata. foto. Sistem ini memiliki perangkat keras aman yang sangat sulit untuk dirusak, jadi bukti yang muncul di sisi lain, bukti tanpa pengetahuan yang menutupi biometrik Anda yang sebenarnya, sangat sulit dipalsukan dengan cara ini.

Di Internet, tidak ada yang tahu Anda adalah robot. Jadi saya kira di situlah proyek Proof of Humanity menjadi sangat penting, karena mengetahui apakah Anda berinteraksi dengan robot atau manusia akan menjadi sangat penting. Jika Anda tidak memiliki bukti manusia, Anda tidak dapat mengetahui apakah sebuah alamat milik satu orang, atau sekelompok orang, atau apakah 10.000 alamat benar-benar milik satu orang, atau apakah mereka hanya berpura-pura menjadi 10.000 orang yang berbeda.

**Ini sangat penting dalam tata kelola. Jika setiap peserta dalam sistem pemerintahan dapat membuktikan bahwa mereka benar-benar manusia, dan mereka dapat membuktikan bahwa mereka adalah manusia dengan cara yang unik, karena mereka hanya memiliki satu pasang bola mata, maka sistem pemerintahan akan lebih adil, dan itu tidak akan terjadi. Kemudian plutokratisasi (berdasarkan preferensi untuk jumlah terbesar yang dikunci dalam kontrak pintar tertentu). **

Kecerdasan Buatan dan Seni

Model AI berarti bahwa kita akan hidup di dunia dengan kelimpahan media yang tak terbatas, dunia di mana komunitas yang mengelilingi salah satu media tertentu atau narasi seputar media tertentu akan menjadi semakin penting.

Misalnya, Sound.xyz sedang membangun platform streaming musik terdesentralisasi yang memungkinkan artis, musisi mengunggah musik, lalu terhubung langsung dengan komunitas kami dengan menjual NFT kepada mereka. Misalnya, Anda dapat mengomentari trek di situs web sound dot xyz sehingga orang lain yang memutar lagu tersebut juga dapat melihat komentar tersebut. Ini mirip dengan fitur Sound Cloud sebelumnya. Tindakan pembelian NFT juga mendukung artis, membantu mereka mencapai pembangunan berkelanjutan dan menciptakan lebih banyak karya musik. **Tetapi keindahan dari semua itu adalah bahwa hal itu benar-benar memberi seniman sebuah platform untuk benar-benar terlibat dengan komunitas. Seniman adalah seniman semua orang. **

Karena apa yang dilakukan cryptocurrency di sini, Anda dapat membuat komunitas seputar karya musik yang tidak akan ada jika karya musik baru saja dibuat oleh model pembelajaran mesin tanpa elemen manusia.

Banyak musik yang akan kita lihat akan sepenuhnya dihasilkan oleh AI, dan alat untuk membangun komunitas dan bercerita seputar seni, seputar musik, seputar jenis media lainnya akan benar-benar penting, menyatukan apa yang benar-benar kita pedulikan dan benar-benar ingin kita investasikan dan Media yang membutuhkan waktu untuk terlibat dibedakan dari media lain pada umumnya.

**Mungkin ada sinergi di antara keduanya, seperti banyak musik yang akan ditingkatkan atau dihasilkan oleh AI. Tetapi jika ada juga unsur manusia yang terlibat, katakanlah seorang pencipta membuat karya musik baru menggunakan alat AI, mereka memiliki tanda suara mereka sendiri, mereka memiliki halaman artis mereka sendiri, mereka memiliki komunitas mereka sendiri, mereka memiliki pengikut mereka sendiri. **

Sekarang, ada sinergi antara dua dunia, dan Anda memiliki musik terbaik karena AI memberdayakan Anda dengan kekuatan super. Tetapi pada saat yang sama, Anda juga memiliki elemen dan cerita manusia yang dikoordinasikan dan diaktifkan melalui teknologi enkripsi yang memungkinkan Anda menyatukan semua orang ini dalam satu platform.

**Ini benar-benar dunia baru dalam hal pembuatan konten. Lantas bagaimana kita membedakan antara seni yang dihasilkan manusia dan seni yang dihasilkan mesin yang membutuhkan dukungan? **

Ini sebenarnya membuka pintu bagi seni kolektif, seni yang muncul melalui proses kreatif seluruh komunitas daripada satu seniman. Sudah ada proyek yang melakukan ini di mana komunitas memengaruhi rantai melalui beberapa prosedur pemungutan suara, menghasilkan karya seni berdasarkan isyarat dari model pembelajaran mesin. **Mungkin Anda menghasilkan bukan hanya satu karya seni, tetapi sepuluh ribu karya seni. Kemudian Anda menggunakan model pembelajaran mesin lain, juga dilatih tentang umpan balik dari komunitas, untuk memilih yang terbaik dari 10.000 itu. **