a16z: Сочетание ИИ и блокчейна создает четыре новые бизнес-модели

Оригинальное видео: Web3 с a16z, AI и Crypto

Автор: Дэн Боне (профессор Стэнфордского университета, старший научный сотрудник a16z crypto), специализирующийся на криптографии, компьютерной безопасности и машинном обучении; Али Яхья (генеральный партнер a16z crypto), работавший в Google Brain и являющийся также машиной Google. обучающая библиотека TensorFlow Один из основных участников.

Организация и компиляция: Qianwen, ChainCatcher

Стивен Кинг когда-то написал научно-фантастический роман под названием «Алмазный век», в котором есть устройство искусственного интеллекта, которое выступает наставником для людей на протяжении всей их жизни. Когда вы рождаетесь, вы в паре с ИИ, который так хорошо вас знает — знает ваши симпатии и антипатии, следует за вами по жизни, помогает вам принимать решения и направляет вас в правильном направлении. Звучит здорово, но вы же не хотите, чтобы подобная технология попала в руки гигантских посредников. Потому что это принесет компании много контроля, а также ряд проблем с конфиденциальностью и суверенитетом.

** Мы хотели, чтобы эта технология действительно принадлежала шахте, и появилось видение, что вы можете сделать это с помощью блокчейна. ** Вы можете встроить искусственный интеллект в смарт-контракты. Сохраняйте конфиденциальность своих данных с помощью доказательств с нулевым разглашением. В ближайшие несколько десятилетий эта технология будет становиться все умнее и умнее. Вы можете делать все, что хотите, или изменить это по своему усмотрению.

Итак, какова связь между блокчейном и искусственным интеллектом? В какой мир нас приведет искусственный интеллект? Каково текущее состояние и проблемы искусственного интеллекта? Какую роль в этом процессе будет играть блокчейн?

ИИ и блокчейн: конкурируют друг с другом

Развитие искусственного интеллекта, в том числе сцена, описанная в «Алмазном веке», существовало всегда, и только в последнее время оно пережило скачок вперед.

**Во-первых, искусственный интеллект — это централизованно управляемая технология, работающая по принципу «сверху вниз». **Технология шифрования — это технология децентрализованного сотрудничества «снизу вверх». Во многих смыслах криптовалюта — это исследование того, как построить децентрализованную систему, которая обеспечивает крупномасштабное человеческое сотрудничество без центрального контроллера в истинном смысле этого слова. В этом отношении это естественный способ объединения этих двух технологий.

ИИ — это устойчивая инновация, которая улучшает бизнес-модели действующих технологических компаний и помогает им принимать решения сверху вниз. Лучшим примером этого является Google, который может решать, какой контент представлять пользователям при миллиардах пользователей и миллиардах просмотров страниц. Криптовалюта, с другой стороны, по сути является прорывной инновацией, чья бизнес-модель в корне расходится с моделью крупных технологических компаний. ** Таким образом, это движение возглавляют маргинальные повстанцы, а не власть имущие. **

Таким образом, искусственный интеллект может быть тесно связан со всеми аспектами защиты конфиденциальности, и они продвигают и взаимодействуют друг с другом. ИИ как технология создал различные стимулы, которые приводят к тому, что конфиденциальность пользователей становится все меньше и меньше, потому что компании хотят получить все наши данные. И модели искусственного интеллекта, обученные на все большем количестве данных, станут более эффективными. С другой стороны, ИИ не идеален, модели могут быть предвзятыми, а предубеждения могут привести к несправедливым результатам. Поэтому на данном этапе существует много работ по алгоритмической справедливости.

Я думаю, что мы идем по пути к ИИ, где все данные объединяются в это масштабное обучение модели для оптимизации модели. Криптовалюты, с другой стороны, движутся в противоположном направлении, повышая личную конфиденциальность и предоставляя пользователям возможность контролировать суверенитет своих данных. **Возможно, шифрование — это технология, которая конкурирует с искусственным интеллектом, поскольку помогает нам отличать контент, созданный людьми или искусственным интеллектом, от богатого контента, и в мире, наполненном контентом, созданным искусственным интеллектом, технология шифрования станет важным инструментом для поддержания и сохранения содержание человека. **

Криптовалюта — это дикий запад, потому что она абсолютно не требует разрешений, потому что любой может участвовать. Вы должны предположить, что некоторые из этих сторон являются вредоносными. **Поэтому сейчас существует большая потребность в инструментах, которые помогут вам отличать честных игроков от нечестных, и машинное обучение и искусственный интеллект, будучи интеллектуальным инструментом, на самом деле могут принести большую пользу в этом отношении. **

Например, есть проекты, которые используют машинное обучение для выявления подозрительных транзакций, отправленных в кошельки. Таким образом, эти транзакции пользователей будут отмечены и отправлены в блокчейн. Это хорошо работает, чтобы пользователи не могли случайно отправить все свои средства злоумышленнику или сделать что-то, о чем они потом пожалеют. Машинное обучение также можно использовать в качестве инструмента, помогающего заранее определить, какие транзакции также могут иметь mev.

**Подобно тому, как модели LLM можно использовать для обнаружения поддельных данных или вредоносной активности, эти модели, в свою очередь, также можно использовать для создания поддельных данных. **Наиболее типичный пример — дипфейки. Вы можете создать видео, в котором кто-то говорит что-то, чего никогда раньше не говорил. Но блокчейн действительно может помочь решить эту проблему.

Например, в блокчейне есть временная метка, показывающая, что вы сказали то-то и то-то в этот день. Если кто-то фальсифицирует видео, вы можете использовать временную метку для отказа**. Все эти данные, настоящие настоящие данные, записываются в блокчейн и могут быть использованы для доказательства того, что это дипфейковое видео действительно фальшивое. **Поэтому я думаю, что блокчейн может помочь в борьбе с подделками.

Мы также можем положиться на надежное оборудование, чтобы сделать это. Такие устройства, как камеры и наши телефоны, подписывают изображения и видео, которые они снимают, в качестве стандарта. Он называется C2PA и определяет, как камеры могут подписывать данные. Фактически, одна из камер Sony теперь может снимать фотографии и видео, а затем генерировать подпись C2PA для видео. Это сложная тема, и мы не будем здесь на ней останавливаться.

Обычно, когда газеты публикуют фотографии, они не публикуют фотографии, снятые камерами, в целости и сохранности. Они делают кадрирование, лицензируют фотографии. Как только вы начинаете редактировать изображения, это означает, что получатели, конечные читатели и пользователи в браузере не видят исходных изображений, и проверка подписи C2PA не может быть выполнена.

Вопрос в том, как заставить пользователей подтвердить, что изображения, которые они видят, действительно должным образом подписаны камерой C2PA? Вот где вступает в действие техника ZK, вы можете доказать, что отредактированное изображение на самом деле является результатом субдискретизации и масштабирования в градациях серого правильно подписанного изображения. Таким образом, мы можем заменить подпись C2PA простым доказательством zk и сопоставить эти изображения один к одному. На данный момент читатели все еще могут подтвердить, что то, что они видят, является реальным изображением. Поэтому для противодействия этой информации можно использовать технологию zk.

Как блокчейн ломает игру?

Искусственный интеллект — это, по сути, централизованная технология. Это в значительной степени выигрывает от экономии за счет масштаба, поскольку все гораздо эффективнее работает в одном центре обработки данных. Кроме того, данные, модели машинного обучения, таланты машинного обучения и т. д. обычно контролируются небольшим количеством технологических компаний,

**Так как сломать игру? Криптовалюта может помочь нам добиться децентрализации искусственного интеллекта с помощью таких технологий, как ZKML, которые можно применять к центрам обработки данных, базам данных и самим моделям машинного обучения. Например, с точки зрения вычислений, используя доказательства с нулевым разглашением, пользователи могут доказать, что процесс фактического вывода или обучения модели является правильным.

Таким образом, вы можете передать этот процесс большому сообществу. В рамках этого распределенного процесса любой, у кого есть графический процессор, может вносить вычислительную мощность в сеть и обучать модели таким образом, не полагаясь на большой центр обработки данных, где сосредоточены все графические процессоры.

** Неизвестно, имеет ли это смысл с экономической точки зрения. Но, по крайней мере, с правильными стимулами можно добиться «длинного хвоста». **Вы можете использовать все возможные возможности графического процессора. Если бы все эти люди вкладывали вычислительную мощность в обучение моделей или прогоны логических выводов, это заменило бы крупные технологические компании, контролирующие все. Для этого необходимо решить ряд важных технических вопросов. Фактически, компания Nvidia строит рынок децентрализованных вычислений на GPU, в основном для обучения моделей машинного обучения. На этом рынке каждый может внести свой вклад в вычислительную мощность графического процессора. С другой стороны, любой может использовать любые вычисления, имеющиеся в сети, для обучения своих больших моделей машинного обучения. Это будет альтернатива централизованным крупным технологическим компаниям, таким как openai, google, метаданные и т. д.

Можно представить себе ситуацию, когда у Алисы есть модель, которую она хочет защитить. Она хочет отправить модель Бобу в зашифрованном виде. Теперь Боб получает зашифрованную модель и должен запустить свои собственные данные в зашифрованной модели. Как это сделать? Затем используйте так называемое полностью гомоморфное шифрование для вычисления зашифрованных данных. Если у пользователя есть зашифрованная модель и данные открытого текста, то зашифрованная модель может быть запущена на данных открытого текста, а зашифрованный результат может быть получен и получен. Вы отправляете зашифрованный результат обратно Алисе, и она может расшифровать его и увидеть результат в виде открытого текста.

**На самом деле это уже существующая технология. Вопрос в том, что текущая технология хорошо работает для моделей среднего размера, можем ли мы масштабировать ее до более крупных моделей? ** Это довольно сложная задача, требующая усилий от большего количества компаний.

Статус, вызовы и поощрения

Я думаю, что речь идет о децентрализации в вычислениях. Первая проблема связана с проверкой. Вы можете использовать ZK для решения этой проблемы, но в настоящее время эти методы подходят только для небольших моделей. ** Проблема, с которой мы сталкиваемся, заключается в том, что производительность этих криптографических примитивов далека от достаточной для обучения или вывода очень больших моделей. **Поэтому ведется большая работа по повышению производительности процесса проверки, чтобы можно было эффективно проверять все большие и большие рабочие нагрузки.

В то же время некоторые компании также используют другие технологии, выходящие за рамки шифрования. Вместо этого, используя техники теоретико-игрового характера, они позволяют работать более независимым людям. Это теоретико-игровой, оптимистичный подход, который не полагается на криптографию, но все же соответствует более широкой цели децентрализации ИИ или помощи в создании экосистемы ИИ. Это цель, предложенная такими компаниями, как openai.

**Вторая большая проблема — это проблема распределенной системы. **Например, как вы координируете большое сообщество, чтобы внести gp в сеть, которая выглядит как интегрированная, унифицированная вычислительная платформа? Будет много проблем, например, как разумно разбить рабочую нагрузку машинного обучения и назначить разные рабочие нагрузки разным узлам сети, а также как эффективно выполнять всю эту работу.

Текущие методы в основном могут быть применены к моделям среднего размера, но не могут быть применены к моделям размером с gpt 3 или gpt 4. Конечно, у нас есть и другие методы. Например, у нас может быть несколько человек, которые тренируются и сравнивают результаты, так что возникает теоретико-игровой стимул. Стимулируйте людей не обманывать. Если кто-то жульничает, другие могут пожаловаться на неправильные результаты тренировок. Таким образом, обманщики не получают денег.

Мы также можем децентрализовать источники данных в сообществе для обучения больших моделей машинного обучения. Точно так же мы можем собирать все данные и обучать модель самостоятельно, а не в централизованном учреждении. Этого можно достичь, создав своеобразный рынок. Это похоже на рынок компьютеров, который мы только что описали.

Мы также можем рассматривать это с точки зрения стимулов, поощряя людей вносить новые данные в большой набор данных, который затем используется для обучения моделей. Сложность здесь аналогична задаче проверки. **Вы должны каким-то образом убедиться, что данные, которые вносят люди, действительно достоверны. Данные не являются ни дубликатами, ни случайным образом сгенерированным мусором, ни каким-либо образом сгенерированными недостоверными. **

Кроме того, убедитесь, что данные не искажают модель каким-либо образом, иначе производительность модели будет становиться все хуже и хуже. Возможно, нам придется полагаться на сочетание технических решений и социальных решений, и в этом случае вы также можете завоевать доверие с помощью каких-то показателей сайта, к которым члены сообщества имеют доступ, чтобы, когда они вносят данные, это было больше. правдоподобно.

В противном случае для фактического распределения данных о покрытии потребуется очень много времени. Одна из проблем машинного обучения заключается в том, что модель может действительно охватывать только то распределение, которое может быть достигнуто обучающим набором данных. Если есть некоторые входные данные, которые находятся далеко за пределами распределения обучающих данных, ваша модель может фактически вести себя совершенно непредсказуемо. Чтобы модель хорошо работала в крайних случаях, точках данных черного лебедя или входных данных, которые могут встречаться в реальном мире, нам нужен как можно более полный набор данных.

**Поэтому, если у вас есть открытая децентрализованная торговая площадка, которая предоставляет данные для наборов данных, вы можете сделать так, чтобы любой человек в мире с уникальными данными добавлял эти данные в сеть, это гораздо лучший способ. Потому что, если вы попытаетесь сделать это как центральная компания, у вас не будет возможности узнать, кому принадлежат данные. **Поэтому, если вы можете создать стимул для этих людей, чтобы они выступили и предоставили эти данные, то, я думаю, вы действительно сможете значительно лучше охватить данные с длинным хвостом.

Поэтому у нас должен быть какой-то механизм, чтобы убедиться, что данные, которые вы предоставляете, реальны. Один из способов — положиться на надежное оборудование, позволить самому датчику встроить какое-то надежное оборудование, и мы доверяем только тем данным, которые правильно подписаны оборудованием. В противном случае у нас должны быть другие механизмы, чтобы отличить подлинность данных.

В настоящее время в машинном обучении существуют две важные тенденции. Во-первых, методы измерения производительности моделей машинного обучения постоянно совершенствуются, но все еще находятся на ранних стадиях, и практически сложно узнать, насколько хорошо работает другая модель. Другая тенденция заключается в том, что мы лучше объясняем, как работают модели.

Итак, основываясь на этих двух моментах, в какой-то момент я смогу понять влияние набора данных на производительность модели машинного обучения. **Если мы сможем понять, влияют ли наборы данных, предоставленные третьими сторонами, на производительность моделей машинного обучения, мы сможем вознаградить этот вклад и создать импульс для существования этого рынка. **

Только представьте, если бы вы могли создать открытый рынок, на котором люди вносили бы обученные модели, решающие определенные типы проблем, или если бы вы создали смарт-контракт, в который встраивалось бы какое-то тестирование, если бы кто-то мог предоставить модель, используя zkml, и доказать, что модель решает тест, который является исходным сценарием. Теперь у вас есть инструменты, необходимые для создания рынка, который поощряется, когда люди предлагают модели машинного обучения, решающие определенные проблемы.

Как искусственный интеллект и шифрование формируют бизнес-модель?

** Я думаю, что видение пересечения криптовалюты и искусственного интеллекта заключается в том, что вы можете создать набор протоколов, которые распределят ценность, полученную с помощью этой новой технологии искусственного интеллекта, среди большего числа людей, каждый может внести свой вклад, каждый может. Преимущества этого нового технологиями можно поделиться. **

** Таким образом, люди, которые могут получить пользу, будут теми, кто вносит свой вклад в вычислительную мощность, теми, кто вносит данные, или теми, кто вносит новые модели машинного обучения в сеть, чтобы можно было обучить лучшие модели машинного обучения для решения более важных задач. Проблема . **

Сторона спроса в сети также может выиграть. Они используют эту сеть в качестве инфраструктуры для обучения собственных моделей машинного обучения. Может быть, их модель поможет сделать что-то интересное, например, инструмент для чата нового поколения. В этих моделях, поскольку у этих компаний будут свои собственные бизнес-модели, они сами смогут управлять приростом стоимости.

Тот, кто строит эту сеть, также выигрывает. Например, создайте токен для сети, который будет распространяться среди сообщества. Все эти люди будут иметь коллективную собственность на эту децентрализованную сеть для обработки данных и моделей, а также смогут получать часть стоимости всей экономической деятельности, которая происходит через эту сеть.

Как вы можете себе представить, за каждую транзакцию, проходящую через эту сеть, за каждый способ оплаты за вычисления, данные или модели, скорее всего, будет взиматься комиссия, которая поступает в хранилище, контролируемое всей сетью. Владельцы токенов совместно владеют сетью. По сути, это бизнес-модель самой сети.

Искусственный интеллект для защиты кода

Многие слушатели, вероятно, слышали о co-pilot, инструменте, используемом для генерации кода. **Вы можете попробовать использовать эти инструменты когенерации для написания контрактов на солидность или криптографического кода. Я хочу подчеркнуть, что это на самом деле очень опасно. Потому что много раз, когда вы пытаетесь запустить, эти системы фактически генерируют код, который работает, но небезопасен. **

Фактически, мы недавно написали статью по этой проблеме, в которой говорится, что если вы попытаетесь заставить второго пилота написать простую функцию шифрования, он обеспечит правильную функцию шифрования. Но он использует неверный режим работы, так что вы получаете небезопасный режим шифрования.

Вы спросите, почему это происходит? Одна из причин в том, что эти модели в основном обучаются на существующем коде, они обучаются в репозитории github. Многие репозитории github на самом деле уязвимы для различных атак. Поэтому коды, изученные этими моделями, работают, но небезопасны. Это как некачественный мусор, производящий мусор. Поэтому я надеюсь, что люди будут осторожны при создании кода с использованием этих генеративных моделей, дважды проверяя, что код действительно делает то, что должен делать, и делает это безопасно.

**Вы можете использовать модель искусственного интеллекта в сочетании с другими инструментами для генерации кода, чтобы гарантировать, что весь процесс будет безошибочным. **Например, одна из идей состоит в том, чтобы использовать модель llm для создания спецификации формальной системы верификации и попросить llm создать спецификацию для инструмента формальной верификации. Затем попросите тот же экземпляр llm сгенерировать программу, которая соответствует спецификации, а затем используйте формальный инструмент проверки, чтобы увидеть, действительно ли программа соответствует спецификации. Если есть уязвимость, инструмент ее поймает. Эти ошибки могут быть переданы обратно в llm в качестве обратной связи, а затем, в идеале, llm может изменить свою работу, а затем создать другую правильную версию кода.

В конце концов, если вы выполните итерацию, вы получите фрагмент кода, который в идеале точно удовлетворяет этому возвращаемому значению и формально подтверждает, что он также удовлетворяет этому возвращаемому значению. И, поскольку люди могут читать обратную трассировку, вы можете просмотреть обратную трассировку и увидеть, что это именно та программа, которую я хотел написать. На самом деле уже есть много людей, пытающихся оценить способность LLM находить программные ошибки, такие как смарт-контракты Unity, C и C plus.

** Итак, достигаем ли мы точки, когда код, сгенерированный LLM, с меньшей вероятностью будет содержать ошибки, чем код, созданный человеком? **Например, когда мы говорим об автономном вождении, что нас волнует, меньше ли шансов попасть в аварию, чем у водителя-человека? Я думаю, что эта тенденция будет только усиливаться и все больше интегрироваться в существующие цепочки инструментов.

Вы можете интегрировать его в формальную цепочку инструментов проверки, а также в другие инструменты, такие как вышеупомянутые инструменты, которые проверяют наличие проблем с управлением памятью. Вы также можете интегрировать его в свою цепочку инструментов модульного и интеграционного тестирования, чтобы llm не работал в вакууме. Он получает обратную связь в режиме реального времени от других инструментов, которые связывают его с реальной правдой.

** Я думаю, что, объединив очень большие модели машинного обучения, обученные на всех данных в мире, вместе с этими другими инструментами, можно сделать вычислительные программы лучше, чем программисты-люди. Даже если они все еще совершают ошибки, они могут быть просто сверхчеловеческими. Это будет большой момент в программной инженерии. **

Искусственный интеллект и социальный граф

Другая возможность заключается в том, что мы могли бы создать децентрализованные социальные сети, которые на самом деле ведут себя во многом как Weibo, но где социальный граф фактически полностью находится в сети. Это почти как общедоступный продукт, на который может опираться каждый. Как пользователь, вы контролируете, кем вы являетесь в социальной сети. Вы контролируете свои данные, на кого вы подписаны и кто может подписаться на вас. Кроме того, существует множество компаний, создающих порталы в социальном графе, которые предоставляют пользователям такие возможности, как твиттер, инстаграм, тик-так или что-то еще, что они хотят создать.

Но все это построено на одном и том же социальном графе, и никто им не владеет, и ни одна многомиллиардная технологическая компания посередине полностью не контролирует его.

**Это захватывающий мир, потому что это означает, что он может быть более ярким, в нем может быть экосистема людей, строящихся вместе. **Каждый пользователь имеет больший контроль над тем, что он видит и делает на платформе.

**Но при этом пользователю также необходимо фильтровать сигнал от шума. ** Например, необходимо разработать разумный алгоритм рекомендаций, чтобы фильтровать весь контент и показывать вам источники новостей, которые вы действительно хотите смотреть. Это откроет дверь всему рынку, игровому полю игроков, предоставляющих услуги. Вы можете использовать алгоритмы, использовать алгоритмы на основе ИИ для подбора контента для вас. Как пользователь, вы можете решить, использовать ли определенный алгоритм, может быть, установленный Twitter, или что-то еще. Но опять же, вам также нужны такие инструменты, как «машинное обучение», чтобы помочь вам просеять шум, чтобы помочь вам проанализировать всю чушь в мире, где генеративные модели создают всю чушь в мире.

Почему важны человеческие доказательства?

Очень уместный вопрос: как вы докажете, что вы действительно человек в мире, наводненном искусственно поддельным контентом?

Биометрия — одно из возможных направлений, один из проектов называется World Coin (Мировая монета), который использует сканирование сетчатки глаза в качестве биометрической информации для проверки того, что вы реальный человек, чтобы убедиться, что вы действительно живой человек, а не просто глаз. Фото. Эта система имеет защищенное оборудование, которое очень трудно подделать, поэтому доказательство, которое выходит на другом конце, доказательство с нулевым разглашением, которое маскирует ваши настоящие биометрические данные, очень трудно подделать таким образом.

В Интернете никто не знает, что вы робот. Поэтому я думаю, что именно здесь проект Proof of Humanity становится действительно важным, потому что знание того, взаимодействуете ли вы с роботом или человеком, будет действительно важно. Если у вас нет человеческих доказательств, то вы не можете сказать, принадлежит ли адрес одному человеку или группе людей, или действительно ли 10 000 адресов принадлежат одному человеку, или они просто притворяются 10 000 различные люди.

** Это имеет решающее значение для управления. Если каждый участник системы управления сможет доказать, что он на самом деле человек, и сможет доказать, что он человек уникальным способом, потому что у него только одна пара глазных яблок, тогда система управления будет более справедливой, и она не будет Затем плутократизация (на основе предпочтения наибольшей суммы, зафиксированной в определенном смарт-контракте). **

Искусственный интеллект и искусство

Модели ИИ означают, что мы будем жить в мире бесконечного изобилия средств массовой информации, в мире, где сообщества, окружающие какое-либо конкретное средство массовой информации, или нарративы, окружающие данное средство массовой информации, будут становиться все более важными.

Например, Sound.xyz создает децентрализованную платформу потоковой передачи музыки, которая позволяет исполнителям и музыкантам загружать музыку, а затем напрямую подключаться к нашему сообществу, продавая им NFT. Например, вы можете прокомментировать трек на веб-сайте sound dot xyz, чтобы другие люди, которые слушают эту песню, также могли видеть этот комментарий. Это похоже на предыдущую функцию Sound Cloud. Приобретение NFT также поддерживает художников, помогая им достичь устойчивого развития и создавать больше музыкальных произведений. ** Но прелесть всего этого в том, что на самом деле это дает художникам платформу для реального взаимодействия с сообществом. Художники — художники для всех. **

Из-за того, что здесь делает криптовалюта, вы можете создать сообщество вокруг музыкального произведения, которое не существовало бы, если бы музыкальное произведение было просто создано с помощью модели машинного обучения без участия человека.

Большая часть музыки, с которой мы столкнемся, будет полностью сгенерирована искусственным интеллектом, а инструменты для создания сообщества и рассказывания историй об искусстве, музыке и других типах медиа будут действительно важно, объединяя то, что нам действительно небезразлично и во что мы действительно хотим инвестировать, и средства массовой информации, которым требуется время для участия, отличаются от других средств массовой информации в целом.

** Между ними может быть некоторая синергия, например, большая часть музыки будет улучшена или сгенерирована ИИ. Но если присутствует и человеческий фактор, скажем, создатель использует инструмент ИИ для создания нового музыкального произведения, у него есть своя звуковая подпись, у него есть собственная страница исполнителя, у него есть свое сообщество, у него есть свои последователи. . **

Теперь между двумя мирами существует синергия, и у вас есть лучшая музыка, потому что ИИ наделяет вас сверхспособностями. Но в то же время у вас также есть человеческие элементы и истории, которые координируются и активируются с помощью технологии шифрования, которая позволяет вам объединить всех этих людей на одной платформе.

** Это определенно совершенно новый мир, когда дело доходит до создания контента. Итак, как мы различаем искусство, созданное людьми, и искусство, созданное машиной, которое нуждается в поддержке? **

Это фактически открывает двери для коллективного искусства, искусства, которое возникает в результате творческого процесса всего сообщества, а не одного художника. Уже есть проекты, в которых сообщество влияет на цепочку посредством некоторой процедуры голосования, создавая произведения искусства на основе подсказок моделей машинного обучения. **Может быть, вы создадите не одно произведение искусства, а десять тысяч штук. Затем вы используете другую модель машинного обучения, также обученную на отзывах сообщества, чтобы выбрать лучшую из этих 10 000. **