a16z: A combinação de IA e blockchain cria quatro novos modelos de negócios

Vídeo original: Web3 com a16z, AI e Crypto

Autor: Dan Boneh (professor da Universidade de Stanford, consultor sênior de pesquisa da criptografia a16z), com foco em criptografia, segurança de computadores e aprendizado de máquina; Ali Yahya (parceiro geral da criptografia a16z), que trabalhou no Google Brain e também é a máquina do Google biblioteca de aprendizado TensorFlow Um dos principais contribuidores.

Organizar e compilar: Qianwen, ChainCatcher

Stephen King escreveu uma vez um romance de ficção científica chamado “The Diamond Age”, no qual existe um dispositivo de inteligência artificial que atua como um mentor para as pessoas ao longo de suas vidas. Quando você nasce, você é emparelhado com uma IA que o conhece tão bem - conhece seus gostos e desgostos, segue você pela vida, ajuda a tomar decisões e o orienta na direção certa. Isso parece ótimo, mas você nunca quer que uma tecnologia como essa caia nas mãos de intermediários gigantes. Porque isso vai trazer muito controle para a empresa, além de uma série de questões de privacidade e soberania.

**Queríamos que essa tecnologia fosse realmente de minha propriedade, e surgiu uma visão de que você poderia fazer isso com o blockchain. **Você pode incorporar inteligência artificial em contratos inteligentes. Mantenha seus dados privados com o poder das provas de conhecimento zero. Nas próximas décadas, essa tecnologia ficará cada vez mais inteligente. Você pode escolher fazer o que quiser ou mudar da maneira que desejar.

Então, qual é a relação entre blockchain e inteligência artificial? A que tipo de mundo a inteligência artificial nos levará? Qual é o status atual e os desafios da inteligência artificial? Que papel o blockchain desempenhará nesse processo?

IA e Blockchain: competem entre si

O desenvolvimento da inteligência artificial, incluindo a cena descrita em “A Era do Diamante”, sempre existiu e só recentemente experimentou um salto adiante.

**Primeiro, a IA é em grande parte uma tecnologia controlada centralmente de cima para baixo. **A tecnologia de criptografia é uma tecnologia de cooperação descentralizada de baixo para cima. De muitas maneiras, a criptomoeda é um estudo de como construir um sistema descentralizado que permite a cooperação humana em larga escala sem um controlador central no verdadeiro sentido. A esse respeito, é uma maneira natural pela qual essas duas tecnologias podem se unir.

A IA é uma inovação sustentável que aprimora os modelos de negócios das empresas de tecnologia estabelecidas e as ajuda a tomar decisões de cima para baixo. O melhor exemplo disso é o Google, que pode decidir qual conteúdo apresentar aos usuários em bilhões de usuários e bilhões de visualizações de página. A criptomoeda, por outro lado, é essencialmente uma inovação disruptiva cujo modelo de negócios está fundamentalmente em desacordo com o das grandes empresas de tecnologia. ** Portanto, este é um movimento liderado por rebeldes marginais, não por aqueles que estão no poder. **

Portanto, a inteligência artificial pode estar intimamente relacionada a todos os aspectos da proteção da privacidade, e os dois se promovem e interagem entre si. A IA como tecnologia criou vários incentivos que levam a cada vez menos privacidade para os usuários porque as empresas querem obter todos os nossos dados. E os modelos de inteligência artificial treinados em mais e mais dados se tornarão mais eficazes. Por outro lado, a IA não é perfeita, os modelos podem ser tendenciosos e os vieses podem levar a resultados injustos. Portanto, existem muitos artigos sobre justiça algorítmica nesta fase.

Acho que estamos seguindo um caminho para a IA, onde os dados de todos são agregados nesse treinamento de modelo massivo para otimizar o modelo. As criptomoedas, por outro lado, movem-se na direção oposta, aumentando a privacidade pessoal e capacitando os usuários a assumir o controle de sua soberania de dados. **Indiscutivelmente, a criptografia é uma tecnologia que rivaliza com a inteligência artificial porque nos ajuda a distinguir conteúdo humano ou criado por IA de conteúdo rico e, em um mundo inundado com conteúdo criado por IA, a tecnologia de criptografia será uma ferramenta importante para manter e preservar conteúdo humano. **

A criptomoeda é o oeste selvagem porque é completamente sem permissão porque qualquer um pode participar. Você deve assumir que algumas dessas partes são maliciosas. **Portanto, agora há uma necessidade maior de ferramentas para ajudá-lo a separar jogadores honestos de jogadores desonestos, e o aprendizado de máquina e a inteligência artificial, sendo uma ferramenta inteligente, podem realmente ser de grande benefício a esse respeito. **

Por exemplo, existem projetos que usam aprendizado de máquina para identificar transações suspeitas enviadas para carteiras. Dessa forma, essas transações dos usuários serão marcadas e submetidas ao blockchain. Isso funciona bem para evitar que os usuários enviem acidentalmente todos os seus fundos para um invasor ou façam algo do qual se arrependerão mais tarde. O aprendizado de máquina também pode ser usado como uma ferramenta para ajudá-lo a julgar com antecedência quais transações também podem ter mev.

**Assim como os modelos LLM podem ser usados para detectar dados falsos ou atividades maliciosas, por sua vez, esses modelos também podem ser usados para gerar dados falsos. **O exemplo mais típico são os deepfakes. Você pode criar um vídeo de alguém dizendo algo que nunca disse antes. Mas o blockchain pode realmente ajudar a aliviar esse problema.

Por exemplo, há um carimbo de data/hora no blockchain, mostrando que você disse tal e tal coisa nesta data. Se alguém falsificar o vídeo, você pode usar o carimbo de data/hora para negar**. Todos esses dados, dados reais reais, são registrados no blockchain e podem ser usados para provar que esse vídeo deepfake é realmente falso. **Acho que blockchain pode ajudar no combate à falsificação.

Também podemos contar com hardware confiável para fazer isso. Dispositivos como câmeras e nossos telefones assinam as imagens e vídeos que capturam como padrão. Chama-se C2PA e especifica como as câmeras podem assinar dados. Na verdade, uma das câmeras da Sony agora pode tirar fotos e gravar vídeos e gerar uma assinatura C2PA no vídeo. Este é um tema complexo e não vamos nos deter nele aqui.

Normalmente, quando os jornais publicam fotos, eles não publicam fotos tiradas por câmeras intactas. Eles cortam, fazem alguns licenciamentos na foto. Depois de começar a editar as imagens, isso significa que os destinatários, leitores finais e usuários do navegador não verão as imagens originais e a verificação da assinatura C2PA não poderá ser realizada.

A questão é: como você faz com que os usuários confirmem que as imagens que eles veem são realmente assinadas por uma câmera C2PA? É aqui que entra a técnica ZK, você pode provar que a imagem editada é realmente o resultado de downsampling e escala de tons de cinza da imagem assinada corretamente. Dessa forma, podemos substituir a assinatura C2PA por uma simples prova zk e corresponder a essas imagens uma a uma. Por enquanto, os leitores ainda podem confirmar que o que estão vendo é a imagem real. Portanto, a tecnologia zk pode ser usada para neutralizar essas informações.

Como o blockchain quebra o jogo?

A inteligência artificial é essencialmente uma tecnologia centralizada. Ele se beneficia em grande parte das economias de escala, já que as coisas são muito mais eficientes operando em um único data center. Além disso, dados, modelos de aprendizado de máquina, talento de aprendizado de máquina etc. geralmente são controlados por um pequeno número de empresas de tecnologia,

** Então, como quebrar o jogo? A criptomoeda pode nos ajudar a alcançar a descentralização da inteligência artificial usando tecnologias como ZKML, que podem ser aplicadas em data centers, bancos de dados e nos próprios modelos de aprendizado de máquina. Por exemplo, em termos de computação, usando provas de conhecimento zero, os usuários podem provar que o processo de fazer inferência ou treinar o modelo está correto.

Dessa forma, você pode terceirizar o processo para uma grande comunidade. Nesse processo distribuído, qualquer pessoa com uma GPU pode contribuir com poder de computação para a rede e treinar modelos dessa maneira, sem precisar depender de um grande data center onde todas as GPUs estão concentradas.

**Se isso faz sentido do ponto de vista econômico é incerto. Mas pelo menos com os incentivos certos, a cauda longa pode ser alcançada. **Você pode aproveitar todos os recursos possíveis da GPU. Fazer com que todas essas pessoas contribuam com o poder de computação para modelar o treinamento ou as execuções de inferência substituiria as grandes empresas de tecnologia controlando tudo. Para conseguir isso, várias questões técnicas importantes devem ser resolvidas. Na verdade, uma empresa chamada Nvidia está construindo um mercado descentralizado de computação GPU, principalmente para treinar modelos de aprendizado de máquina. Nesse mercado, qualquer pessoa pode contribuir com seu próprio poder de computação de GPU. Por outro lado, qualquer pessoa pode aproveitar qualquer computação presente na rede para treinar seus grandes modelos de aprendizado de máquina. Esta será uma alternativa para grandes empresas de tecnologia centralizadas, como openai, google, metadados, etc.

Pode-se imaginar uma situação em que Alice tem um modelo que deseja proteger. Ela deseja enviar o modelo para Bob em um formato criptografado. Bob agora recebe o modelo criptografado e precisa executar seus próprios dados no modelo criptografado. Como fazer isso? Em seguida, use a chamada criptografia totalmente homomórfica para calcular os dados criptografados. Se o usuário tiver o modelo criptografado e os dados de texto simples, o modelo criptografado poderá ser executado nos dados de texto simples e o resultado criptografado poderá ser recebido e obtido. Você envia o resultado criptografado de volta para Alice, e ela pode descriptografá-lo e ver o resultado em texto simples.

**Esta é, na verdade, uma tecnologia já existente. A questão é, a tecnologia atual funciona bem para modelos de tamanho médio, podemos ampliá-la para modelos maiores? **Este é um grande desafio e requer esforços de mais empresas.

Status, Desafios e Incentivos

Acho que é sobre descentralização na computação. O primeiro é o problema de verificação, você pode usar o ZK para resolver esse problema, mas atualmente essas técnicas só podem lidar com modelos menores. **O desafio que enfrentamos é que o desempenho dessas primitivas criptográficas está longe de ser suficiente para treinamento ou inferência de modelos muito grandes. **Portanto, há muito trabalho em andamento para melhorar o desempenho do processo de prova para que cargas de trabalho cada vez maiores possam ser provadas com eficiência.

Ao mesmo tempo, algumas empresas também estão usando outras tecnologias que vão além da criptografia. Em vez disso, usando técnicas de natureza teórica dos jogos, eles permitem que pessoas mais independentes façam o trabalho. É uma abordagem otimista e teórica de jogos que não depende de criptografia, mas ainda é consistente com o objetivo maior de descentralizar a IA ou ajudar a criar um ecossistema de IA. Esse é o objetivo proposto por empresas como a openai.

**O segundo grande problema é o problema do sistema distribuído. **Tipo, como você coordena uma grande comunidade para contribuir com gp para uma rede que parece uma camada de computação unificada e integrada? Haverá muitos desafios, como dividir a carga de trabalho do aprendizado de máquina de maneira razoável e atribuir diferentes cargas de trabalho a diferentes nós da rede e como fazer todo esse trabalho com eficiência.

As técnicas atuais podem ser aplicadas basicamente a modelos de tamanho médio, mas não podem ser aplicadas a modelos tão grandes como gpt 3 ou gpt 4. Claro, temos outros métodos. Por exemplo, podemos ter várias pessoas treinando e comparando os resultados, então há um incentivo da teoria dos jogos. Incentive as pessoas a não trapacear. Se alguém trapacear, outros podem reclamar que calcularam resultados de treinamento incorretos. Dessa forma, as pessoas que trapaceiam não são pagas.

Também podemos descentralizar fontes de dados na comunidade para treinar grandes modelos de aprendizado de máquina. Da mesma forma, também podemos coletar todos os dados e treinar o modelo nós mesmos, em vez de uma organização centralizada. Isso pode ser alcançado através da criação de uma espécie de mercado. Isso é semelhante ao mercado de computação que acabamos de descrever.

Também podemos olhar para isso em termos de incentivos, incentivando as pessoas a contribuir com novos dados para um grande conjunto de dados, que é então usado para treinar modelos. A dificuldade aqui é semelhante ao desafio da verificação. **Você tem que verificar de alguma forma se os dados que as pessoas contribuem são dados realmente bons. Os dados não são duplicados, nem lixo gerado aleatoriamente, nem são gerados de forma inautêntica. **

Além disso, certifique-se de que os dados não subvertam o modelo de alguma forma, ou o desempenho do modelo ficará cada vez pior. Talvez tenhamos que contar com uma mistura de soluções técnicas e sociais, caso em que você também pode construir credibilidade com algum tipo de métrica do site que os membros da comunidade tenham acesso para que, quando contribuírem com dados, seja mais. crível.

Caso contrário, levará muito tempo para realmente alcançar a distribuição de dados de cobertura. Um dos desafios do aprendizado de máquina é que o modelo só pode realmente cobrir a distribuição que o conjunto de dados de treinamento pode alcançar. Se houver algumas entradas que estão muito fora da distribuição dos dados de treinamento, seu modelo pode se comportar completamente imprevisível. Para que um modelo tenha um bom desempenho em casos extremos, pontos de dados de cisnes negros ou entradas de dados que possam ser encontradas no mundo real, precisamos de um conjunto de dados o mais abrangente possível.

**Portanto, se você tem esse mercado aberto e descentralizado que alimenta dados para conjuntos de dados, pode fazer com que qualquer pessoa no mundo com dados exclusivos contribua com esses dados para a rede, essa é uma maneira muito melhor. Porque se você tentar fazer como uma empresa central, não tem como saber quem é o dono dos dados. ** Portanto, se você puder criar um incentivo para que essas pessoas se apresentem e forneçam esses dados, acho que você pode realmente obter uma cobertura significativamente melhor dos dados de cauda longa.

Portanto, precisamos ter algum mecanismo para garantir que os dados fornecidos sejam reais. Uma maneira é confiar em hardware confiável, deixar o próprio sensor incorporar algum hardware confiável e confiar apenas nos dados que são assinados corretamente pelo hardware. Caso contrário, devemos ter outros mecanismos para distinguir a autenticidade dos dados.

Atualmente, existem duas tendências importantes no aprendizado de máquina. Primeiro, os métodos de medição de desempenho para modelos de aprendizado de máquina estão melhorando constantemente, mas ainda estão em seus estágios iniciais e é praticamente difícil saber o desempenho de outro modelo. Outra tendência é que estamos melhorando em explicar como os modelos funcionam.

Com base nesses dois pontos, em algum momento, poderei entender o impacto do conjunto de dados no desempenho do modelo de aprendizado de máquina. **Se pudermos entender se os conjuntos de dados fornecidos por terceiros contribuem para o desempenho dos modelos de aprendizado de máquina, podemos recompensar essa contribuição e criar impulso para a existência desse mercado. **

Imagine se você pudesse criar um mercado aberto onde as pessoas contribuam com modelos treinados que resolvem tipos específicos de problemas, ou se você criar um contrato inteligente que incorpore algum tipo de teste nele, se alguém puder fornecer um modelo usando zkml e provar que o modelo resolve o teste, que é um cenário de resultado. Agora você tem as ferramentas necessárias para criar um mercado que é incentivado quando as pessoas contribuem com modelos de aprendizado de máquina que resolvem determinados problemas.

Como a IA e a criptografia formam um modelo de negócios?

**Acho que a visão por trás da interseção de criptomoeda e inteligência artificial é que você pode criar um conjunto de protocolos que distribua o valor capturado por essa nova tecnologia de inteligência artificial para mais pessoas, todos podem contribuir, todos podem Os benefícios dessa nova tecnologia pode ser compartilhada. **

**Assim, as pessoas que podem se beneficiar serão aquelas que contribuem com poder de computação, aquelas que contribuem com dados ou aquelas que contribuem com novos modelos de aprendizado de máquina para a rede, para que melhores modelos de aprendizado de máquina possam ser treinados para resolver problemas mais importantes O problema . **

O lado da demanda da rede também pode se beneficiar. Eles usam essa rede como infraestrutura para treinar seus próprios modelos de aprendizado de máquina. Talvez o modelo deles possa contribuir para algo interessante, como uma ferramenta de bate-papo de última geração. Nesses modelos, como essas empresas terão seus próprios modelos de negócios, elas próprias poderão conduzir a captura de valor.

Quem constrói essa rede também ganha. Por exemplo, crie um token para a rede que será distribuído para a comunidade. Todas essas pessoas terão propriedade coletiva dessa rede descentralizada para computar dados e modelos, e também poderão capturar parte do valor de toda a atividade econômica que ocorre por meio dessa rede.

Como você pode imaginar, toda transação que passa por essa rede, todo método de pagamento que paga por computação, dados ou modelos provavelmente será cobrado uma taxa que vai para um cofre controlado por toda a rede. Os detentores de token são proprietários da rede em conjunto. Esse é essencialmente o modelo de negócios da própria rede.

Inteligência artificial para segurança de código

Muitos ouvintes provavelmente já ouviram falar do co-piloto, uma ferramenta usada para gerar código. **Você pode tentar usar essas ferramentas de cogeração para escrever contratos de solidez ou código de criptografia. O que quero enfatizar é que fazer isso é realmente muito perigoso. Porque muitas vezes, quando você tenta executar, esses sistemas realmente geram um código que funciona, mas não é seguro. **

Na verdade, recentemente escrevemos um artigo sobre esse problema, afirmando que, se você tentar fazer com que um co-piloto escreva uma função de criptografia simples, ele fornecerá a função de criptografia correta. Mas ele usa um modo de operação incorreto, então você acaba com um modo de criptografia inseguro.

Você pode perguntar, por que isso está acontecendo? Um dos motivos é que esses modelos são basicamente treinados a partir de código existente, eles são treinados no repositório do github. Muitos repositórios github são realmente vulneráveis a vários ataques. Portanto, os códigos aprendidos por esses modelos estão funcionando, mas não são seguros. É como lixo de má qualidade produzindo lixo. Portanto, espero que as pessoas tenham cuidado ao gerar código usando esses modelos generativos, verifique novamente se o código está realmente fazendo o que deve fazer e com segurança.

**Você pode usar o modelo de inteligência artificial, combinado com outras ferramentas para gerar código, para garantir que todo o processo esteja livre de erros. **Por exemplo, uma ideia é usar o modelo llm para gerar uma especificação para um sistema de verificação formal e pedir ao llm para gerar uma especificação para uma ferramenta de verificação formal. Em seguida, peça à mesma instância de llm para gerar um programa que esteja em conformidade com a especificação e, em seguida, use uma ferramenta de verificação formal para ver se o programa realmente está em conformidade com a especificação. Se houver uma vulnerabilidade, a ferramenta a detectará. Esses erros podem ser realimentados para o llm como feedback e, idealmente, o llm pode modificar seu trabalho e produzir outra versão correta do código.

No final, se você iterar, acabará com um pedaço de código que idealmente satisfaz exatamente esse valor de retorno e verifica formalmente se ele também satisfaz esse valor de retorno. E, como os humanos podem ler o backtrace, você pode passar pelo backtrace e ver que este é o programa que eu queria escrever. Na verdade, já existem muitas pessoas tentando avaliar a capacidade do LLM em encontrar bugs de software, como contratos inteligentes Unity, C e C plus.

**Então, estamos chegando a um ponto em que o código gerado pelo LLM tem menos probabilidade de conter bugs do que o código gerado por humanos? **Por exemplo, quando falamos sobre direção autônoma, com o que nos importamos, é menos provável que haja um acidente do que um motorista humano? Acho que essa tendência só vai ficar mais forte e mais integrada às cadeias de ferramentas existentes.

Você pode integrá-lo a uma cadeia de ferramentas de verificação formal e integrá-lo a outras ferramentas, como as ferramentas mencionadas acima que verificam problemas de gerenciamento de memória. Você também pode integrá-lo em sua cadeia de ferramentas de teste de unidade e teste de integração para que o llm não atue apenas no vácuo. Ele obtém feedback em tempo real de outras ferramentas que o conectam à verdade absoluta.

**Acho que combinando modelos de aprendizado de máquina muito grandes treinados em todos os dados do mundo, junto com essas outras ferramentas, pode ser possível fazer programas computacionais melhores do que programadores humanos. Mesmo que eles ainda cometam erros, eles podem ser sobre-humanos. Este será um grande momento na engenharia de software. **

Inteligência Artificial e Social Graph

Outra possibilidade é que possamos construir redes sociais descentralizadas que realmente se comportem muito como o Weibo, mas onde o gráfico social é totalmente on-chain. É quase como um produto público que qualquer um pode construir. Como usuário, você controla quem você é no gráfico social. Você controla seus dados, quem você segue e quem pode te seguir. Além disso, há toda uma série de empresas construindo portais no gráfico social que fornecem aos usuários experiências como twitter, instagram, tick tock ou qualquer outra coisa que eles queiram construir.

Mas tudo é construído no mesmo gráfico social, e ninguém o possui, e nenhuma empresa de tecnologia multibilionária no meio o controla totalmente.

**É um mundo empolgante porque significa que pode ser mais vibrante, pode ter um ecossistema de pessoas construindo juntas. **Cada usuário tem mais controle sobre o que vê e faz na plataforma.

**Mas, ao mesmo tempo, o usuário também precisa filtrar o sinal do ruído. ** Por exemplo, um algoritmo de recomendação razoável precisa ser desenvolvido para filtrar todo o conteúdo e mostrar as fontes de notícias que você realmente deseja assistir. Isso abrirá as portas para todo o mercado, um campo de atuação de players que prestam serviços. Você pode usar algoritmos, usar algoritmos baseados em IA para selecionar o conteúdo para você. Como usuário, você pode decidir se deseja usar um determinado algoritmo, talvez o estabelecido pelo twitter ou outro. Mas, novamente, você também precisa de ferramentas como “aprendizado de máquina” para ajudá-lo a filtrar o ruído, para ajudá-lo a analisar toda a porcaria em um mundo onde modelos generativos criam toda a porcaria do mundo.

Por que a prova humana é importante?

Uma pergunta muito pertinente é como você prova que é realmente humano em um mundo inundado com conteúdo artificialmente falso?

A biometria é uma direção possível, um dos projetos se chama World Coin (Moeda do Mundo), que usa varreduras de retina como informação biométrica para verificar se você é uma pessoa real, para garantir que você é de fato uma pessoa viva, não apenas um olho. foto. Este sistema tem hardware seguro que é muito difícil de adulterar, então a prova que sai do outro lado, a prova de conhecimento zero que mascara sua biometria real, é muito difícil de falsificar dessa maneira.

Na Internet, ninguém sabe que você é um robô. Acho que é aí que o projeto Proof of Humanity se torna realmente importante, porque saber se você está interagindo com um robô ou um humano será muito importante. Se você não tiver evidências humanas, não poderá dizer se um endereço pertence a uma pessoa ou a um grupo de pessoas, ou se 10.000 endereços realmente pertencem a uma pessoa ou se estão apenas fingindo ser 10.000. pessoas diferentes.

**Isto é crítico na governança. Se cada participante do sistema de governança puder provar que é realmente humano, e puder provar que é humano de uma maneira única, porque só tem um par de olhos, então o sistema de governança será mais justo e não Em seguida, a plutocratização (com base na preferência pela maior quantia bloqueada em um determinado contrato inteligente). **

Inteligência Artificial e Arte

Os modelos de IA significam que viveremos em um mundo de abundância infinita de mídia, um mundo onde as comunidades que cercam qualquer meio específico ou as narrativas que cercam um determinado meio se tornarão cada vez mais importantes.

Por exemplo, a Sound.xyz está construindo uma plataforma de streaming de música descentralizada que permite que artistas, músicos façam upload de músicas e se conectem diretamente com nossa comunidade vendendo NFTs para eles. Por exemplo, você pode comentar uma faixa no site sound dot xyz para que outras pessoas que tocam a música também possam ver o comentário. Isso é semelhante ao recurso Sound Cloud anterior. O ato de comprar NFT também está apoiando artistas, ajudando-os a alcançar o desenvolvimento sustentável e a criar mais obras musicais. **Mas a beleza de tudo isso é que na verdade dá aos artistas uma plataforma para realmente se envolver com a comunidade. Os artistas são os artistas de todos. **

Por causa do que a criptomoeda faz aqui, você pode criar uma comunidade em torno de uma peça musical que não existiria se uma peça musical fosse criada apenas por um modelo de aprendizado de máquina sem nenhum elemento humano.

Muitas das músicas às quais seremos expostos serão totalmente geradas por IA, e as ferramentas para construir uma comunidade e contar histórias sobre a arte, a música e outros tipos de mídia serão realmente importante, reunir o que realmente nos interessa e realmente queremos investir e mídia que leva tempo para se envolver é diferenciada de outras mídias em geral.

**Pode haver alguma sinergia entre os dois, como muita música será aprimorada ou gerada por IA. Mas se também houver um elemento humano envolvido, digamos, um criador usa uma ferramenta de IA para criar uma nova peça musical, eles têm sua própria assinatura sonora, sua própria página de artista, sua própria comunidade, seus próprios seguidores . **

Agora, existe uma sinergia entre os dois mundos, e você tem a melhor música porque a IA o capacita com superpoderes. Mas, ao mesmo tempo, você também tem elementos humanos e histórias que são coordenadas e habilitadas por meio da tecnologia de criptografia que permite reunir todas essas pessoas em uma plataforma.

**É definitivamente um mundo totalmente novo quando se trata de geração de conteúdo. Então, como diferenciamos entre arte gerada por humanos e arte gerada por máquina que precisa de suporte? **

Na verdade, isso abre as portas para a arte coletiva, arte que surge por meio do processo criativo de toda uma comunidade, e não de um único artista. Já existem projetos fazendo isso em que a comunidade influencia a cadeia por meio de algum procedimento de votação, gerando obras de arte com base em sugestões de modelos de aprendizado de máquina. **Talvez você gere não uma obra de arte, mas dez mil peças. Em seguida, você usa outro modelo de aprendizado de máquina, também treinado com base no feedback da comunidade, para escolher o melhor entre esses 10.000. **