a16z: AI とブロックチェーンの組み合わせが 4 つの新しいビジネス モデルを生み出す

元のビデオ: Web3、a16z、AI、暗号化

著者: Dan Boneh (スタンフォード大学教授、a16z 暗号の上級研究顧問)、暗号化、コンピュータ セキュリティ、機械学習に重点を置く、Ali Yahya (a16z 暗号のゼネラル パートナー)、Google Brain で勤務し、Google マシンでもある学習ライブラリ TensorFlow 中心的な貢献者の 1 つ。

整理とコンパイル: Qianwen、ChainCatcher

スティーヴン・キングはかつて「ダイアモンド時代」という SF 小説を書きましたが、その中では、人々の生涯を通して指導者として機能する人工知能デバイスが登場します。あなたが生まれたとき、あなたはあなたのことをよく知っている AI とペアになっています。AI はあなたの好き嫌いを理解し、人生を通じてあなたをフォローし、あなたの意思決定を助け、あなたを正しい方向に導いてくれます。それは素晴らしいことのように聞こえますが、このようなテクノロジーが巨大な仲介業者の手に渡ることは決して望ましくありません。なぜなら、これにより企業に多くの管理が及ぶことになるだけでなく、一連のプライバシーと主権の問題も生じるからである。

**私たちはこのテクノロジーを真に鉱山所有のものにしたいと考えており、ブロックチェーンを使用してこれを実現できるというビジョンが生まれました。 **人工知能をスマート コントラクトに組み込むことができます。ゼロ知識証明の力でデータのプライバシーを保ちます。今後数十年で、このテクノロジーはますますスマートになるでしょう。やりたいことを何でも選択することも、好きなように変更することもできます。

では、ブロックチェーンと人工知能の間にはどのような関係があるのでしょうか?人工知能は私たちをどのような世界に導くのでしょうか？人工知能の現状と課題は何ですか？このプロセスにおいてブロックチェーンはどのような役割を果たすのでしょうか?

AI とブロックチェーン: 相互に競争する

『ダイアモンド時代』で描かれた場面を含め、人工知能の発展は常に存在していましたが、飛躍的に進歩したのはつい最近のことです。

**まず、AI は主にトップダウンで集中管理されるテクノロジーです。 **暗号化技術はボトムアップの分散型連携技術です。多くの意味で、暗号通貨は、本当の意味で中央制御装置なしで大規模な人間の協力を可能にする分散型システムを構築する方法の研究です。その点で、これら 2 つのテクノロジーを組み合わせるのは自然な方法です。

AI は、既存のテクノロジー企業のビジネス モデルを強化し、トップダウンの意思決定を支援する持続可能なイノベーションです。この最良の例は Google です。Google は、数十億のユーザーと数十億のページビューにわたって、ユーザーにどのコンテンツを表示するかを決定できます。一方、仮想通貨は本質的に破壊的イノベーションであり、そのビジネスモデルは大手テクノロジー企業のビジネスモデルとは根本的に相容れません。 **したがって、これは権力者ではなく、非主流の反政府勢力によって主導された運動です。 **

したがって、人工知能はプライバシー保護のあらゆる側面と密接に関係しており、この 2 つは相互に促進し、相互作用する可能性があります。テクノロジーとしての AI は、企業が私たちのデータをすべて取得したいと考えているため、ユーザーのプライバシーがますます低下するさまざまなインセンティブを生み出しています。そして、より多くのデータに基づいてトレーニングされた人工知能モデルは、より効果的になるでしょう。一方で、AI は完璧ではなく、モデルにはバイアスがかかる可能性があり、バイアスによって不公平な結果が生じる可能性があります。したがって、現段階ではアルゴリズムの公平性に関する論文が数多くあります。

私たちは、全員のデータがこれらの大規模なモデル トレーニングに集約されてモデルを最適化する AI への道を進んでいると思います。一方、暗号通貨は逆の方向に進み、個人のプライバシーを強化し、ユーザーがデータ主権を制御できるようにします。 **おそらく暗号化は、人間または AI が作成したコンテンツとリッチ コンテンツを区別するのに役立つため、人工知能に匹敵するテクノロジーです。AI が作成したコンテンツがあふれる世界では、暗号化テクノロジーは維持および保存するための重要なツールとなるでしょう。人間的な内容。 **

暗号通貨は完全にパーミッションレスで誰でも参加できるため、まさに西部開拓時代です。これらの当事者の一部は悪意があると想定する必要があります。 **そのため、現在、正直なプレイヤーと不誠実なプレイヤーを選別するのに役立つツールの必要性が高まっており、インテリジェントなツールである機械学習と人工知能は、この点で実際に大きな利益をもたらす可能性があります。 **

たとえば、機械学習を使用してウォレットに送信された不審なトランザクションを特定するプロジェクトがあります。このようにして、ユーザーのこれらのトランザクションはマークされ、ブロックチェーンに送信されます。これは、ユーザーが誤ってすべての資金を攻撃者に送信したり、後で後悔するような行為をしたりすることを防ぐのに効果的です。機械学習は、どのトランザクションにも mev が含まれる可能性があるかを事前に判断するのに役立つツールとしても使用できます。

**LLM モデルを使用して偽のデータや悪意のあるアクティビティを検出できるのと同様に、これらのモデルを使用して偽のデータを生成することもできます。 **最も典型的な例はディープフェイクです。誰かがこれまでに言ったことがないことを言っているビデオを作成できます。しかし、ブロックチェーンは実際にこの問題を軽減するのに役立ちます。

たとえば、ブロックチェーンにはタイムスタンプがあり、この日付にこれこれを言ったことを示します。誰かがビデオを改ざんした場合、タイムスタンプを使用して拒否できます**。このデータはすべて、本物の本物のデータであり、ブロックチェーンに記録されており、このディープフェイクビデオが本当に偽物であることを証明するために使用できます。 **したがって、ブロックチェーンは偽造品との戦いに役立つかもしれないと思います。

これを行うには、信頼できるハードウェアを利用することもできます。カメラや携帯電話などのデバイスは、標準としてキャプチャした画像やビデオに署名します。これは C2PA と呼ばれ、カメラがデータに署名する方法を指定します。実際、ソニーのカメラの 1 つは写真やビデオを撮影し、そのビデオに C2PA 署名を生成できるようになりました。これは複雑なトピックなので、ここでは詳しく説明しません。

通常、新聞が写真を掲載する場合、カメラで撮影した写真をそのまま掲載することはありません。彼らは写真をトリミングし、ライセンスを取得します。画像の編集を開始すると、受信者、最終読者、ブラウザ上のユーザーは元の画像を見ることができなくなり、C2PA 署名検証を実行できなくなります。

問題は、ユーザーが見ている画像が実際に C2PA カメラによって適切に署名されていることをどのように確認できるかということです。ここで ZK テクニックが登場します。編集された画像が実際に正しく署名された画像のダウンサンプリングとグレースケール スケーリングの結果であることを証明できます。このようにして、C2PA 署名を単純な zk 証明に置き換えて、これらの画像を 1 対 1 に対応させることができます。今のところ、読者は自分が見ているものが実像であることを確認できます。したがって、zk テクノロジーを使用してこの情報を打ち消すことができます。

ブロックチェーンはどのようにゲームを破壊するのでしょうか?

人工知能は本質的に集中化されたテクノロジーです。単一のデータセンターから実行するほうがはるかに効率的であるため、スケールメリットの恩恵が大きく受けられます。さらに、データ、機械学習モデル、機械学習人材などは通常、少数のテクノロジー企業によって管理されており、

**それでは、どうやってゲームを突破するのでしょうか?暗号通貨は、データセンター、データベース、機械学習モデル自体に適用できる ZKML などのテクノロジーを使用することで、人工知能の分散化を実現するのに役立ちます。たとえば、コンピューティングの観点では、ゼロ知識証明を使用すると、ユーザーは実際に推論を行ったり、モデルをトレーニングしたりするプロセスが正しいことを証明できます。

そうすれば、プロセスを大規模なコミュニティにアウトソーシングできます。この分散プロセスでは、GPU を持っている人なら誰でも、すべての GPU が集中している大規模なデータセンターに依存することなく、ネットワークにコンピューティング能力を提供し、この方法でモデルをトレーニングできます。

**これが経済的な観点から合理的かどうかは不明です。しかし、少なくとも適切なインセンティブがあれば、ロングテールを達成することができます。 **可能なすべての GPU 機能を活用できます。これらすべての人々がモデルのトレーニングや推論の実行にコンピューティング能力を提供できるようになれば、すべてを管理する大手テクノロジー企業に取って代わることになります。これを達成するには、さまざまな重要な技術的問題を解決する必要があります。実際、Nvidia と呼ばれる企業は、主に機械学習モデルのトレーニングを目的とした分散型 GPU コンピューティング市場を構築しています。この市場では、誰もが独自の GPU コンピューティング能力に貢献できます。一方で、ネットワーク内に存在するあらゆる計算を誰でも利用して、大規模な機械学習モデルをトレーニングできます。これは、openai、google、metadata などの中央集権的な大手テクノロジー企業に代わるものになります。

アリスには守りたいモデルがいる、という状況が想像できます。彼女はモデルを暗号化された形式でボブに送信したいと考えています。ボブは暗号化されたモデルを受け取り、暗号化されたモデル上で自分のデータを実行する必要があります。これを行う方法？次に、いわゆる完全準同型暗号化を使用して、暗号化されたデータを計算します。ユーザーが暗号化されたモデルと平文データを持っている場合、暗号化モデルを平文データに対して実行し、暗号化された結果を受信して取得することができます。暗号化された結果をアリスに送り返すと、アリスはそれを復号して平文の結果を見ることができます。

**これは実際にはすでに存在するテクノロジーです。問題は、現在のテクノロジーは中型モデルではうまく機能しますが、それをより大型のモデルにスケールアップできるかということです。 **これはかなりの挑戦であり、より多くの企業の努力が必要です。

ステータス、課題、インセンティブ

それはコンピューティングにおける分散化だと思います。 最初のの問題は検証問題です。 この問題を解決するには ZK を使用できますが、現時点ではこれらの技術はより小さなモデルしか処理できません。 **私たちが直面している課題は、これらの暗号プリミティブのパフォーマンスが、非常に大規模なモデルのトレーニングや推論には十分とは程遠いことです。 **したがって、ますます大規模なワークロードを効率的に証明できるように、証明プロセスのパフォーマンスを向上させるために多くの作業が行われています。

同時に、一部の企業は暗号化を超える他のテクノロジーも使用しています。代わりに、ゲーム理論的な性質のテクニックを使用して、より独立した人々に仕事をさせます。これは、暗号化に依存しないゲーム理論に基づいた楽観的なアプローチですが、それでも AI の分散化や AI エコシステムの構築を支援するという大きな目標と一致しています。これは、openai などの企業が提案する目標です。

** 2 番目の大きな問題は、分散システムの問題です。 **たとえば、大規模なコミュニティを調整して、統合されたユニファイド コンピューティングの基盤のように感じられるネットワークに GP を提供するにはどうすればよいでしょうか?機械学習のワークロードを合理的な方法で分割し、ネットワークの異なるノードに異なるワークロードを割り当てる方法、これらすべての作業を効率的に実行する方法など、多くの課題が存在します。

現在の技術は基本的に中規模のモデルには適用できますが、gpt 3 や gpt 4 ほどの大きなモデルには適用できません。もちろん、他の方法もあります。たとえば、複数の人にトレーニングして結果を比較させることができるため、ゲーム理論的なインセンティブが生まれます。人々に不正行為をしないように奨励します。誰かが不正行為をした場合、他の人は間違ったトレーニング結果を計算したと苦情を言うかもしれません。そうすれば、不正行為をした人には報酬が支払われなくなります。

また、コミュニティ内のデータ ソースを分散化して、大規模な機械学習モデルをトレーニングすることもできます。同様に、中央集権的な組織ではなく、すべてのデータを収集してモデルをトレーニングすることもできます。これは、一種のマーケットプレイスを作成することで実現できます。これは、先ほど説明したコンピューティング市場と似ています。

また、これをインセンティブの観点から見ることもできます。つまり、大規模なデータセットに新しいデータを提供するよう人々に奨励し、モデルのトレーニングに使用されます。ここでの難しさは検証チャレンジと似ています。 **人々が投稿したデータが本当に優れたデータであることを何らかの方法で検証する必要があります。データは重複したものでも、ランダムに生成されたジャンクでも、何らかの方法で生成された不正なものでもありません。 **

また、データが何らかの形でモデルを破壊しないようにしてください。そうしないと、実際にはモデルのパフォーマンスがますます悪化するだけです。おそらく、技術的ソリューションとソーシャル ソリューションの組み合わせに依存する必要があります。その場合、コミュニティ メンバーがアクセスできるある種のサイト指標を使用して信頼性を構築することもできるため、コミュニティ メンバーがデータを提供する際に、より多くの価値があることが判明しました。信じられる。

そうしないと、実際にカバレッジ データの配布を実現するまでに非常に長い時間がかかります。機械学習の課題の 1 つは、モデルが実際にカバーできるのは、トレーニング データセットが到達できる分布のみであることです。トレーニング データの分布から大きく外れている入力がいくつかある場合、モデルは実際にはまったく予測できない動作をする可能性があります。現実世界で遭遇する可能性のあるエッジケース、ブラックスワンのデータポイント、またはデータ入力でモデルが適切にパフォーマンスを発揮するには、可能な限り包括的なデータセットが必要です。

**つまり、データセットにデータを供給するオープンな分散型マーケットプレイスがある場合、独自のデータを持つ世界中の誰でもそのデータをネットワークに提供できるようになり、これははるかに優れた方法です。なぜなら、中央企業としてそれを行おうとすると、データの所有者が誰であるかを知る方法がないからです。 **したがって、これらの人々が名乗り出てこのデータを提供するインセンティブを作り出すことができれば、実際にロングテールデータをより適切にカバーできるようになると思います。

したがって、提供されたデータが本物であることを確認するための何らかのメカニズムが必要です。 1 つの方法は、信頼できるハードウェアに依存し、センサー自体に信頼できるハードウェアを埋め込み、ハードウェアによって正しく署名されたデータのみを信頼することです。それ以外の場合は、データの信頼性を区別するための他のメカニズムが必要になります。

現在、機械学習には 2 つの重要なトレンドがあります。まず、機械学習モデルのパフォーマンス測定方法は常に改善されていますが、まだ初期段階にあり、別のモデルのパフォーマンスを知ることは事実上困難です。もう 1 つの傾向は、モデルがどのように機能するかを説明するのがより上手になっているということです。

したがって、これら 2 つの点に基づいて、ある時点で、機械学習モデルのパフォーマンスに対するデータセットの影響を理解できるかもしれません。 **サードパーティによって提供されたデータセットが機械学習モデルのパフォーマンスに貢献しているかどうかを理解できれば、この貢献に報い、この市場の存在に勢いを生み出すことができます。 **

特定のタイプの問題を解決するトレーニング済みモデルを人々が提供するオープン マーケットを作成できるかどうか、または何らかのテストを組み込んだスマート コントラクトを作成できるかどうか、誰かが zkml を使用してモデルを提供できるかどうかを想像してみてください。モデルはテストを解決します。これは結果シナリオです。これで、人々が特定の問題を解決する機械学習モデルを貢献するとインセンティブが与えられるマーケットプレイスを作成するために必要なツールが手に入りました。

AI と暗号化はどのようにビジネス モデルを形成するのでしょうか?

**暗号通貨と人工知能の交差点の背後にあるビジョンは、人工知能のこの新しいテクノロジーによって獲得された価値をより多くの人に分配する一連のプロトコルを作成でき、誰もが貢献でき、誰もが参加できるということだと思います。技術を共有できる。 **

**したがって、恩恵を受けることができるのは、コンピューティング能力に貢献する人、データに貢献する人、または新しい機械学習モデルをネットワークに提供する人であり、より重要な問題を解決するためにより優れた機械学習モデルをトレーニングできるようになります。 。 **

ネットワークの需要側にもメリットがあります。彼らはこのネットワークを独自の機械学習モデルをトレーニングするためのインフラストラクチャとして使用します。おそらく彼らのモデルは、次世代チャット ツールなどの興味深いものに貢献できるでしょう。これらのモデルでは、これらの企業は独自のビジネス モデルを持っているため、自ら価値の獲得を推進することができます。

このネットワークを構築する人にもメリットがあります。たとえば、コミュニティに配布されるネットワークのトークンを作成します。これらの人々は全員、データとモデルを計算するためのこの分散型ネットワークの共同所有権を持ち、このネットワークを通じて発生するすべての経済活動の価値の一部を獲得することもできます。

ご想像のとおり、このネットワークを通過するすべてのトランザクション、計算、データ、またはモデルの支払いに使用されるすべての支払い方法には、ネットワーク全体が管理する保管庫に保管される料金が請求される可能性があります。トークン所有者は共同でネットワークを所有します。これは本質的にネットワーク自体のビジネス モデルです。

コードセキュリティのための人工知能

多くのリスナーはおそらく、コードを生成するために使用されるツールである co-pilot について聞いたことがあるでしょう。 **これらのコージェネレーション ツールを使用して、Solidity コントラクトまたは暗号コードを作成してみることができます。私が強調したいのは、そうすることは実際には非常に危険であるということです。多くの場合、これらのシステムを実行しようとすると、実際には機能するものの安全ではないコードが生成されるからです。 **

実際、私たちは最近、この問題に関して論文を書きました。その論文では、副操縦士に簡単な暗号化関数を書いてもらうと、正しい暗号化関数が提供されると述べています。ただし、誤った操作モードが使用されるため、安全でない暗号化モードが使用されてしまいます。

なぜこんなことが起こるのかと疑問に思うかもしれません。理由の 1 つは、これらのモデルは基本的に既存のコードからトレーニングされ、github リポジトリでトレーニングされることです。多くの github リポジトリは、実際にはさまざまな攻撃に対して脆弱です。したがって、これらのモデルによって学習されたコードは機能しますが、安全ではありません。質の悪いゴミがゴミを生み出すようなものです。したがって、これらの生成モデルを使用してコードを生成するときは注意し、コードが実際に期待どおりに動作していること、およびそれが安全に実行されていることを再確認してほしいと思います。

**人工知能モデルを他のツールと組み合わせて使用してコードを生成すると、プロセス全体でエラーが発生しないようにできます。 **たとえば、1 つのアイデアは、llm モデルを使用して形式検証システムの仕様を生成し、llm に形式検証ツールの仕様を生成するよう依頼することです。次に、llm の同じインスタンスに仕様に準拠するプログラムを生成するよう依頼し、正式な検証ツールを使用してプログラムが実際に仕様に準拠しているかどうかを確認します。脆弱性がある場合、ツールがそれを検出します。これらのエラーはフィードバックとして llm にフィードバックでき、理想的には llm はその作業を修正して、コードの別の正しいバージョンを生成できます。

反復すると、最終的には、理想的にはこの戻り値を正確に満たし、この戻り値も満たすことを正式に検証するコードが完成します。そして、人間はバックトレースを読むことができるので、バックトレースを調べて、これが私が書きたかったプログラムであることを確認できます。実際、Unity スマート コントラクト、C および C プラスなど、ソフトウェアのバグを発見する LLM の能力を評価しようとしている人がすでにたくさんいます。

**では、LLM で生成されたコードは、人間が生成したコードよりもバグが含まれる可能性が低くなる段階に達しているのでしょうか? **たとえば、自動運転について話すときに私たちが気にするのは、人間のドライバーよりも衝突する可能性が低いかどうかです。この傾向はさらに強まり、既存のツールチェーンにさらに統合されると思います。

これを正式な検証ツールチェーンに統合したり、メモリ管理の問題をチェックする前述のツールなどの他のツールに統合したりできます。また、llm が単独で動作しないように、単体テストおよび統合テストのツールチェーンに統合することもできます。他のツールからリアルタイムのフィードバックを取得し、それを地上の真実に結び付けます。

**世界中のすべてのデータで訓練された非常に大規模な機械学習モデルとこれらの他のツールを組み合わせることで、人間のプログラマーよりも優れた計算プログラムを作成できる可能性があると私は考えています。たとえまだ間違いを犯したとしても、彼らは超人なのかもしれません。これはソフトウェア エンジニアリングにおいて大きな瞬間となるでしょう。 **

人工知能とソーシャルグラフ

もう 1 つの可能性は、実際には Weibo とよく似た動作をするが、ソーシャル グラフが実際には完全にオンチェーンである分散型ソーシャル ネットワークを構築できるかもしれないということです。これは、誰でも構築できる公開製品のようなものです。ユーザーは、ソーシャル グラフ上で自分が誰であるかをコントロールします。自分のデータ、誰をフォローするか、誰をフォローできるかを管理するのはあなたです。さらに、ツイッター、インスタグラム、チクタクなど、ユーザーが構築したいものなら何でもできるエクスペリエンスをユーザーに提供するポータルをソーシャル グラフ内に構築している企業が数多くあります。

しかし、それはすべて同じソーシャル グラフ上に構築されており、誰もそれを所有しておらず、その中間にいる数十億ドル規模のハイテク企業がそれを完全に管理しているわけでもありません。

**この世界はエキサイティングな世界です。なぜなら、それはより活気に溢れ、人々が一緒に構築するエコシステムを持つことができるからです。 **各ユーザーは、プラットフォーム上で何を表示し、何を行うかをより詳細に制御できます。

**しかし同時に、ユーザーはノイズから信号をフィルタリングする必要もあります。 ** たとえば、すべてのコンテンツをフィルタリングして、本当に見たいニュース ソースを表示するには、合理的な推奨アルゴリズムを開発する必要があります。これにより、サービスを提供するプレーヤーの競争の場である市場全体への扉が開かれます。アルゴリズムを使用したり、AI ベースのアルゴリズムを使用してコンテンツを厳選したりできます。ユーザーは、特定のアルゴリズム、おそらく twitter によって確立されたアルゴリズム、またはその他のものを使用するかどうかを決定できます。しかし、繰り返しになりますが、ノイズを選別し、生成モデルが世界中のすべてのくだらないことを生み出す世界のすべてのくだらないことを解析するのに役立つ「機械学習」のようなツールも必要です。

人間による証明が重要なのはなぜですか?

非常に適切な質問は、人工的に偽造されたコンテンツが氾濫する世界で、自分が本当に人間であることをどのように証明するかということです。

生体認証は考えられる方向性の 1 つで、そのプロジェクトの 1 つは World Coin (World Coin) と呼ばれるもので、生体認証情報として網膜スキャンを使用して、あなたが本物の人間であることを確認し、あなたが単なる目ではなく、実際に生きている人間であることを確認します。写真。このシステムには改ざんが非常に困難な安全なハードウェアが組み込まれているため、相手側で得られる証拠、つまり実際の生体認証をマスクするゼロ知識証明をこの方法で偽造することは非常に困難です。

インターネット上では、あなたがロボットであることは誰も知りません。つまり、Proof of Humanity プロジェクトが本当に重要になるのはここだと思います。なぜなら、対話しているのがロボットなのか人間なのかを知ることが非常に重要になるからです。人間による証拠がなければ、アドレスが 1 人に属しているのか、それとも複数のグループに属しているのか、あるいは 10,000 個のアドレスが本当に 1 人に属しているのか、あるいは単に 10,000 個であるふりをしているだけなのかを判断することはできません。違う人たち。

**これはガバナンスにおいて重要です。ガバナンスシステムの参加者全員が、自分たちが実際に人間であることを証明でき、また、彼らは一組の眼球しか持っていないため、独自の方法で人間であることを証明できれば、ガバナンスシステムはより公平になりますが、そうではありません。次に、金権政治（特定のスマートコントラクトにロックされている最大額の優先に基づく）。 **

人工知能とアート

AI モデルは、私たちが無限にメディアが豊富な世界、つまり特定のメディアを取り巻くコミュニティや特定のメディアを取り巻く物語がますます重要になる世界に住むことを意味します。

たとえば、Sound.xyz は、アーティストやミュージシャンが音楽をアップロードし、NFT を販売することでコミュニティと直接つながることを可能にする分散型音楽ストリーミング プラットフォームを構築しています。たとえば、サウンド ドット xyz Web サイト上のトラックにコメントすると、その曲を再生する他の人もそのコメントを見ることができます。これは、以前の Sound Cloud 機能に似ています。 NFTを購入するという行為はアーティストをサポートすることにもなり、アーティストが持続可能な発展を達成し、より多くの音楽作品を生み出すのに役立ちます。 **しかし、そのすべての美しさは、アーティストが実際にコミュニティと関わるためのプラットフォームを実際に提供していることです。アーティストはみんなのアーティストです。 **

ここでの暗号通貨の役割により、音楽が人間の要素をまったく含まずに機械学習モデルによってのみ作成された場合には存在しないであろう、音楽を中心としたコミュニティを作成できます。

私たちが触れることになる音楽の多くは完全に AI によって生成されることになり、コミュニティを構築し、アート、音楽、その他の種類のメディアに関するストーリーを伝えるためのツールが非常に充実したものになるでしょう。私たちが本当に気にかけているもの、本当に投資したいものをひとつにまとめることは重要であり、時間をかけて取り組んでいるメディアは一般的に他のメディアとは区別されます。

**多くの音楽が AI によって強化または生成されるなど、この 2 つの間には相乗効果が生じる可能性があります。しかし、人間の要素も関与している場合、たとえば、クリエイターが AI ツールを使用して新しい音楽を作成すると、独自のサウンドの特徴があり、独自のアーティスト ページがあり、独自のコミュニティがあり、独自のフォロワーがいます。 。 **

AI がスーパーパワーを与えてくれるので、2 つの世界の間には相乗効果があり、最高の音楽を手に入れることができます。しかし同時に、人間の要素やストーリーもあり、これらすべての人々を 1 つのプラットフォームにまとめることができる暗号化テクノロジーによって調整され、実現されます。

**コンテンツ生成に関しては、まったく新しい世界であることは間違いありません。では、人間が生み出したアートと、サポートが必要な機械が生み出したアートをどのように区別すればよいのでしょうか? **

これは実際、集団芸術、つまり単一のアーティストではなくコミュニティ全体の創造的なプロセスを通じて現れる芸術への扉を開きます。コミュニティが何らかの投票手順を通じてチェーンに影響を与え、機械学習モデルからの手がかりに基づいてアートワークを生成する、これを行うプロジェクトがすでにあります。 **おそらく、あなたは 1 つの芸術作品ではなく、1 万の作品を生み出すでしょう。次に、同じくコミュニティからのフィードバックに基づいてトレーニングされた別の機械学習モデルを使用して、それらの 10,000 の中から最適なものを選択します。 **