a16z: поєднання ШІ та блокчейну створює чотири нові бізнес-моделі

Оригінальне відео: Web3 з a16z, AI & Crypto

Автор: Ден Боне (професор Стенфордського університету, старший науковий радник a16z crypto), який зосереджується на криптографії, комп’ютерній безпеці та машинному навчанні; Алі Ях’я (генеральний партнер a16z crypto), який працював у Google Brain, а також є машиною Google навчальна бібліотека TensorFlow Один із основних учасників.

Організація та компіляція: Qianwen, ChainCatcher

Колись Стівен Кінг написав науково-фантастичний роман під назвою «Діамантовий вік», у якому є пристрій штучного інтелекту, який діє як наставник для людей протягом усього їхнього життя. Коли ви народжуєтеся, вас об’єднує штучний інтелект, який так добре знає вас — знає, що вам подобається і що не подобається, стежить за вами по життю, допомагає вам приймати рішення та спрямовує вас у правильному напрямку. Це звучить чудово, але ви ніколи не хочете, щоб подібні технології потрапили в руки гігантських посередників. Тому що це принесе багато контролю компанії, а також низку проблем конфіденційності та суверенітету.

**Ми хотіли, щоб ця технологія справді належала мені, і з’явилося бачення, що це можна зробити за допомогою блокчейну. **Ви можете вбудовувати штучний інтелект у смарт-контракти. Зберігайте свої дані конфіденційними за допомогою доказів з нульовим знанням. У найближчі кілька десятиліть ця технологія ставатиме все розумнішою та розумнішою. Ви можете робити все, що забажаєте, або змінити це як завгодно.

Отже, який зв’язок між блокчейном і штучним інтелектом? До якого світу приведе нас штучний інтелект? Який поточний стан і виклики штучного інтелекту? Яку роль відіграватиме блокчейн у цьому процесі?

ШІ та блокчейн: конкуруйте один з одним

Розвиток штучного інтелекту, включаючи сцену, описану в «Діамантовому столітті», існував завжди, і лише нещодавно він пережив стрибок вперед.

**По-перше, штучний інтелект – це здебільшого централізована технологія, що ведеться зверху вниз. **Технологія шифрування – це децентралізована технологія взаємодії знизу вгору. У багатьох відношеннях криптовалюта — це дослідження того, як побудувати децентралізовану систему, яка забезпечує широкомасштабну людську співпрацю без центрального контролера в прямому сенсі. У цьому відношенні, це природний спосіб, у який ці дві технології можуть об’єднатися.

AI — це стійка інновація, яка покращує бізнес-моделі провідних технологічних компаній і допомагає їм приймати рішення «зверху вниз». Найкращим прикладом цього є Google, яка може вирішувати, який вміст надавати користувачам серед мільярдів користувачів і мільярдів переглядів сторінок. З іншого боку, криптовалюта — це, по суті, руйнівна інновація, бізнес-модель якої принципово суперечить моделям великих технологічних компаній. **Таким чином, це рух, який очолюють маргінальні повстанці, а не ті, хто при владі. **

Таким чином, штучний інтелект може бути тісно пов’язаний з усіма аспектами захисту конфіденційності, і вони сприяють і взаємодіють один з одним. AI як технологія створила різні стимули, які призводять до дедалі меншої конфіденційності для користувачів, оскільки компанії хочуть отримати всі наші дані. А моделі штучного інтелекту, які навчаються на все більшій кількості даних, стануть ефективнішими. З іншого боку, ШІ не ідеальний, моделі можуть бути упередженими, а упередження можуть призвести до несправедливих результатів. Тому на даному етапі є багато робіт про справедливість алгоритмів.

Я думаю, що ми йдемо по шляху до штучного інтелекту, де дані кожного агрегуються в це масштабне навчання моделей для оптимізації моделі. Криптовалюти, з іншого боку, рухаються в протилежному напрямку, підвищуючи особисту конфіденційність і даючи користувачам можливість контролювати суверенітет своїх даних. **Можливо, шифрування — це технологія, яка конкурує зі штучним інтелектом, оскільки вона допомагає нам відрізняти вміст, створений людиною або штучним інтелектом, від насиченого вмісту, і в світі, заповненому контентом, створеним штучним інтелектом, технологія шифрування буде важливим інструментом для підтримки та збереження людський зміст. **

Криптовалюта — це дикий захід, тому що вона повністю заборонена, оскільки кожен може брати участь. Ви повинні припустити, що деякі з цих сторін є зловмисними. **Тож зараз існує більша потреба в інструментах, які допоможуть вам відрізнити чесних гравців від нечесних гравців, і машинне навчання та штучний інтелект, будучи інтелектуальними інструментами, насправді можуть принести велику користь у цьому відношенні. **

Наприклад, є проекти, які використовують машинне навчання для виявлення підозрілих транзакцій, які надсилаються на гаманці. Таким чином ці транзакції користувачів будуть позначені та подані в блокчейн. Це добре працює, щоб запобігти користувачам випадково передати всі свої кошти зловмиснику або зробити щось, про що вони пізніше пошкодують. Машинне навчання також можна використовувати як інструмент, який допоможе вам заздалегідь визначити, які транзакції також можуть мати mev.

**Подібно до того, як моделі LLM можна використовувати для виявлення підроблених даних або зловмисної діяльності, у свою чергу, ці моделі також можна використовувати для створення підроблених даних. **Найхарактерніший приклад – дипфейки. Ви можете створити відео, на якому хтось говорить те, чого ніколи раніше не говорив. Але блокчейн насправді може допомогти полегшити цю проблему.

Наприклад, на блокчейні є позначка часу, яка показує, що ви сказали те-то те-то в цю дату. Якщо хтось фальсифікує відео, ви можете використовувати мітку часу, щоб відмовити**. Усі ці дані, реальні реальні дані, записуються в блокчейні та можуть бути використані, щоб довести, що це глибоке фейкове відео справді є фейком. **Тож я думаю, що блокчейн може допомогти в боротьбі з підробкою.

Для цього ми також можемо покластися на надійне обладнання. Такі пристрої, як камери та наші телефони, стандартно підписують зображення та відео, які вони знімають. Він називається C2PA і визначає, як камери можуть підписувати дані. Фактично, одна з камер Sony тепер може знімати фотографії та відео, а потім генерувати підпис C2PA на відео. Це складна тема, і ми не будемо на ній тут зупинятися.

Зазвичай, коли газети публікують фотографії, вони не публікують фотографії, зроблені камерами, неушкодженими. Вони роблять кадрування, роблять деякі ліцензії на фото. Щойно ви почнете редагувати зображення, це означає, що одержувачі, кінцеві читачі та користувачі браузера не бачитимуть оригінальні зображення, а перевірка підпису C2PA буде неможливою.

Питання полягає в тому, як змусити користувачів підтвердити, що зображення, які вони бачать, дійсно правильно підписані камерою C2PA? Ось де на допомогу приходить техніка ZK, ви можете довести, що відредаговане зображення насправді є результатом зменшення роздільної здатності та масштабування відтінків сірого правильно підписаного зображення. Таким чином ми можемо замінити підпис C2PA простим доказом zk і відповідати цим зображенням один до одного. Наразі читачі все ще можуть підтвердити, що вони бачать справжнє зображення. Тому для протидії цій інформації можна використовувати технологію zk.

Як блокчейн порушує гру?

Штучний інтелект — це, по суті, централізована технологія. Це значною мірою виграє від економії на масштабі, оскільки все набагато ефективніше працювати з одного центру обробки даних. Крім того, дані, моделі машинного навчання, таланти машинного навчання тощо зазвичай контролюються невеликою кількістю технологічних компаній,

**То як зламати гру? Криптовалюта може допомогти нам досягти децентралізації штучного інтелекту за допомогою таких технологій, як ZKML, які можна застосовувати до центрів обробки даних, баз даних і самих моделей машинного навчання. Наприклад, з точки зору обчислювальної техніки, використовуючи докази нульового знання, користувачі можуть довести, що процес фактичного висновку або навчання моделі є правильним.

Таким чином ви можете передати процес великій спільноті. У рамках цього розподіленого процесу будь-хто з графічним процесором може додавати обчислювальну потужність до мережі та таким чином навчати моделі, не покладаючись на великий центр обробки даних, де зосереджені всі графічні процесори.

**Невідомо, чи це має сенс з економічної точки зору. Але принаймні за наявності належних стимулів можна досягти довгого хвоста. **Ви можете скористатися всіма можливими можливостями GPU. Якщо всі ці люди внесуть обчислювальну потужність у навчання моделей або тестування висновків, це замінить великі технологічні компанії, які контролюють усе. Для цього необхідно вирішити різні важливі технічні проблеми. Фактично, компанія під назвою Nvidia будує децентралізований ринок обчислень GPU, головним чином для навчання моделей машинного навчання. На цьому ринку будь-хто може додати власну обчислювальну потужність GPU. З іншого боку, будь-хто може використовувати будь-які обчислення, наявні в мережі, для навчання своїх великих моделей машинного навчання. Це буде альтернатива централізованим великим технологічним компаніям, таким як openai, google, metadata тощо.

Можна уявити ситуацію, коли в Аліси є модель, яку вона хоче захистити. Вона хоче надіслати модель Бобу в зашифрованому вигляді. Тепер Боб отримує зашифровану модель і має запустити власні дані на зашифрованій моделі. Як це зробити? Потім використовуйте так зване повністю гомоморфне шифрування для обчислення зашифрованих даних. Якщо користувач має зашифровану модель і відкриті текстові дані, то зашифровану модель можна запустити на відкритих текстових даних, і зашифрований результат може бути прийнятий і отриманий. Ви надсилаєте зашифрований результат назад до Аліси, і вона може розшифрувати його та побачити результат відкритого тексту.

**Це фактично вже існуюча технологія. Питання в тому, що поточна технологія добре працює для моделей середнього розміру, чи можемо ми масштабувати її до більших моделей? **Це досить складний виклик і вимагає зусиль від більшої кількості компаній.

Статус, виклики та стимули

Я думаю, що йдеться про децентралізацію в обчисленнях. Перша — це проблема верифікації, ви можете використовувати ZK для вирішення цієї проблеми, але наразі ці методи можуть працювати лише з меншими моделями. **Проблема, з якою ми стикаємося, полягає в тому, що продуктивність цих криптографічних примітивів недостатня для навчання чи висновку дуже великих моделей. **Тож триває багато роботи, щоб покращити продуктивність процесу перевірки, щоб можна було ефективно перевіряти все більші й більші навантаження.

У той же час деякі компанії також використовують інші технології, які виходять за рамки шифрування. Натомість, використовуючи прийоми теоретико-ігрового характеру, вони дозволяють більш незалежним людям виконувати роботу. Це теоретико-ігровий, оптимістичний підхід, який не покладається на криптографію, але він все одно відповідає ширшій меті децентралізації ШІ або допомоги у створенні екосистеми ШІ. Це мета, яку пропонують такі компанії, як openai.

**Друга велика проблема — це проблема розподіленої системи. **Наприклад, як скоординувати велику спільноту, щоб зробити внесок gp у мережу, яка виглядає як інтегрована об’єднана обчислювальна основа? Виникне багато проблем, наприклад, як розумно розподілити робоче навантаження машинного навчання та призначити різні робочі навантаження різним вузлам мережі, а також як виконувати всю цю роботу ефективно.

Поточні методи в основному можуть бути застосовані до моделей середнього розміру, але не можуть бути застосовані до таких великих моделей, як gpt 3 або gpt 4. Звичайно, у нас є інші методи. Наприклад, ми можемо запропонувати кілька людей тренуватися та порівнювати результати, тож є теоретико-ігровий стимул. Стимулюйте людей не обманювати. Якщо хтось обманює, інші можуть скаржитися, що вони неправильно підрахували результати навчання. Таким чином, люди, які обманюють, не отримують грошей.

Ми також можемо децентралізувати джерела даних у спільноті для навчання великих моделей машинного навчання. Так само ми можемо збирати всі дані та навчати модель самостійно замість централізованої установи. Цього можна досягти, створивши своєрідний ринок. Це схоже на комп’ютерний ринок, який ми щойно описали.

Ми також можемо розглядати це з точки зору стимулів, заохочуючи людей вносити нові дані у великий набір даних, який потім використовується для навчання моделей. Складність тут подібна до завдання перевірки. **Треба якимось чином перевірити, чи дані, які надають люди, дійсно хороші. Дані не є ані дублікатами, ані випадково згенерованим сміттям і не є якимось чином згенерованим неавтентичним. **

Крім того, переконайтеся, що дані не руйнують модель якимось чином, інакше продуктивність моделі справді погіршуватиметься. Можливо, нам доведеться покладатися на поєднання технічних і соціальних рішень, і в цьому випадку ви також можете підвищити довіру за допомогою певних показників сайту, до яких члени спільноти мають доступ, щоб, коли вони надсилають дані, було більше. Виявилося, що більше правдоподібно.

В іншому випадку знадобиться дуже багато часу для фактичного розподілу даних охоплення. Одна з проблем машинного навчання полягає в тому, що модель може справді охопити лише розподіл, який може охопити навчальний набір даних. Якщо деякі вхідні дані знаходяться далеко за межами розподілу навчальних даних, ваша модель насправді може поводитися абсолютно непередбачувано. Для того, щоб модель добре працювала на граничних випадках, точках даних чорного лебедя або вхідних даних, які можуть зустрітися в реальному світі, нам потрібен набір даних, який є максимально повним.

**Тож якщо у вас є відкритий, децентралізований ринок, який подає дані для наборів даних, будь-хто у світі, маючи унікальні дані, може внести ці дані в мережу, це набагато кращий спосіб. Тому що якщо ви спробуєте зробити це як центральна компанія, ви не зможете дізнатися, хто володіє даними. **Отже, якщо ви зможете створити стимул для цих людей виступити та надати ці дані, тоді я думаю, що ви зможете отримати значно кращий охоплення даних довгого хвоста.

Тому ми повинні мати певний механізм, щоб переконатися, що дані, які ви надаєте, правдиві. Один із способів — покладатися на надійне обладнання, дозволити самому датчику вбудувати надійне обладнання, і ми довіряємо лише тим даним, які правильно підписані апаратним забезпеченням. В іншому випадку ми повинні мати інші механізми для визначення автентичності даних.

Зараз у машинному навчанні є дві важливі тенденції. По-перше, методи вимірювання продуктивності для моделей машинного навчання постійно вдосконалюються, але все ще знаходяться на ранніх стадіях, і практично важко дізнатися, наскільки добре працює інша модель. Ще одна тенденція полягає в тому, що ми все краще пояснюємо, як працюють моделі.

Отже, ґрунтуючись на цих двох пунктах, у якийсь момент я міг би зрозуміти вплив набору даних на продуктивність моделі машинного навчання. **Якщо ми зможемо зрозуміти, чи сприяють набори даних, надані третіми сторонами, продуктивності моделей машинного навчання, тоді ми зможемо винагородити цей внесок і створити імпульс для існування цього ринку. **

Лише уявіть, якби ви могли створити відкритий ринок, на якому люди пропонують навчені моделі, які вирішують певні типи проблем, або якщо ви створюєте смарт-контракт, який включає певне тестування, якщо хтось може надати модель за допомогою zkml, і довести, що модель вирішує тест, який є сценарієм результату. Тепер у вас є інструменти, необхідні для створення ринку, який стимулюється, коли люди вносять моделі машинного навчання, які вирішують певні проблеми.

Як ШІ та шифрування утворюють бізнес-модель?

**Я вважаю, що концепція перетину криптовалюти та штучного інтелекту полягає в тому, що ви можете створити набір протоколів, які розподілятимуть цінність, отриману цією новою технологією штучного інтелекту, серед більшої кількості людей, кожен може зробити свій внесок, кожен може Переваги цієї нової технології технологією можна поділитися. **

**Таким чином, люди, які можуть отримати вигоду, будуть ті, хто надає обчислювальну потужність, ті, хто надає дані, або ті, хто надає нові моделі машинного навчання в мережу, щоб краще моделі машинного навчання можна було навчити вирішувати важливіші проблеми Проблема . **

Сторона попиту в мережі також може отримати вигоду. Вони використовують цю мережу як інфраструктуру для навчання власних моделей машинного навчання. Можливо, їхня модель може сприяти створенню чогось цікавого, наприклад інструменту чату нового покоління. У цих моделях, оскільки ці компанії матимуть власні бізнес-моделі, вони самі зможуть стимулювати захоплення вартості.

Той, хто будує цю мережу, також виграє. Наприклад, створіть токен для мережі, який буде розповсюджено серед спільноти. Усі ці люди матимуть колективну власність на цю децентралізовану мережу для обчислення даних і моделей, а також зможуть отримати частину вартості всієї економічної діяльності, яка відбувається через цю мережу.

Як ви можете собі уявити, з кожної транзакції, що проходить через цю мережу, з кожного методу оплати, який оплачує обчислення, дані чи моделі, ймовірно, стягується комісія, яка надходить у сховище, яке контролюється всією мережею. Власники токенів спільно володіють мережею. По суті, це бізнес-модель самої мережі.

Штучний інтелект для захисту коду

Багато слухачів, мабуть, чули про co-pilot, інструмент, який використовується для створення коду. **Ви можете спробувати використати ці інструменти когенерації для написання контрактів надійності або коду криптографії. Хочу підкреслити, що робити це насправді дуже небезпечно. Тому що часто, коли ви намагаєтеся запустити, ці системи насправді генерують код, який працює, але не є безпечним. **

Насправді ми нещодавно написали статтю про цю проблему, в якій говориться, що якщо ви спробуєте змусити другого пілота написати просту функцію шифрування, вона забезпечить правильну функцію шифрування. Але він використовує неправильний режим роботи, тому ви отримуєте незахищений режим шифрування.

Ви можете запитати, чому це відбувається? Однією з причин є те, що ці моделі в основному навчаються з існуючого коду, вони навчаються в репозиторії github. Багато репозиторіїв github насправді вразливі до різних атак. Таким чином, коди, отримані цими моделями, працюють, але не безпечні. Це як неякісне сміття породжує сміття. Тож я сподіваюся, що люди будуть обережні під час генерації коду за допомогою цих генеративних моделей, ще раз перевірятимуть, чи дійсно код робить те, що він має робити, і робить це безпечно.

**Ви можете використовувати модель штучного інтелекту в поєднанні з іншими інструментами для створення коду, щоб забезпечити безпомилковий процес. **Наприклад, одна ідея полягає в тому, щоб використати модель llm для створення специфікації для формальної системи перевірки та попросити llm створити специфікацію для формального інструменту перевірки. Потім попросіть той самий екземпляр llm створити програму, яка відповідає специфікації, а потім скористайтеся формальним інструментом перевірки, щоб побачити, чи дійсно програма відповідає специфікації. Якщо є вразливість, інструмент її виявить. Ці помилки можуть бути передані назад до llm як зворотній зв’язок, і тоді в ідеалі llm може змінити свою роботу, а потім створити іншу правильну версію коду.

Зрештою, якщо ви виконуєте ітерацію, ви отримуєте фрагмент коду, який в ідеалі точно задовольняє це значення, що повертається, і формально перевіряє, що він також задовольняє це значення, що повертається. І, оскільки люди можуть читати зворотне трасування, ви можете пройти через зворотне трасування та побачити, що це програма, яку я хотів написати. Насправді вже багато людей намагаються оцінити здатність LLM знаходити програмні помилки, такі як смарт-контракти Unity, C і C plus.

** Отже, ми досягли точки, коли код, згенерований LLM, менш імовірно міститиме помилки, ніж код, створений людиною? **Наприклад, коли ми говоримо про автономне водіння, що нас хвилює, чи менша ймовірність аварії, ніж людина-водій? Я вважаю, що ця тенденція тільки посилюватиметься та буде більше інтегрована в існуючі інструменти.

Ви можете інтегрувати його в формальний ланцюжок інструментів перевірки, а також ви можете інтегрувати його в інші інструменти, як-от вищезгадані інструменти, які перевіряють проблеми з керуванням пам’яттю. Ви також можете інтегрувати його у свій інструментарій модульного тестування та інтеграційного тестування, щоб llm не діяв просто у вакуумі. Він отримує зворотний зв’язок у режимі реального часу від інших інструментів, які зв’язують його з основною правдою.

**Я думаю, що, об’єднавши дуже великі моделі машинного навчання, навчені всіма даними у світі, разом із цими іншими інструментами, можна зробити обчислювальні програми кращими, ніж люди-програмісти. Навіть якщо вони все ще роблять помилки, вони можуть бути просто надлюдьми. Це буде великий момент у розробці програмного забезпечення. **

Штучний інтелект і соціальний графік

Інша можливість полягає в тому, що ми зможемо побудувати децентралізовані соціальні мережі, які насправді ведуть себе дуже схоже на Weibo, але де соціальний графік фактично повністю в мережі. Це майже як суспільний продукт, на якому кожен може спиратися. Як користувач, ви контролюєте, ким ви є на соціальному графіку. Ви контролюєте свої дані, за ким слідкуєте та хто може стежити за вами. Крім того, існує ціла низка компаній, які створюють портали в соціальному графі, які надають користувачам такий досвід, як Twitter, Instagram, Tick Tock або будь-який інший, який вони хочуть створити.

Але все це побудовано на тому самому соціальному графіку, і ніхто не володіє ним, і жодна багатомільярдна технологічна компанія посередині не контролює його повністю.

**Це захоплюючий світ, тому що він може бути більш жвавим, у ньому може бути екосистема людей, які будують разом. **Кожен користувач має більше контролю над тим, що він бачить і робить на платформі.

**Але в той же час користувач також повинен фільтрувати сигнал від шуму. ** Наприклад, потрібно розробити розумний алгоритм рекомендацій, щоб фільтрувати весь вміст і показувати вам джерела новин, які ви дійсно хочете переглянути. Це відкриє двері до всього ринку, ігрового поля гравців, що надають послуги. Ви можете використовувати алгоритми, використовувати алгоритми на основі штучного інтелекту, щоб курувати вміст для вас. Як користувач, ви можете вирішувати, чи використовувати певний алгоритм, можливо, той, що встановлений твіттером, чи якийсь інший. Але знову ж таки, вам також потрібні такі інструменти, як «машинне навчання», щоб допомогти вам просіяти шум, щоб допомогти вам розібрати все лайно у світі, де генеративні моделі створюють усе лайно світу.

Чому людські докази важливі?

Дуже доречне запитання: як довести, що ти справді людина у світі, заповненому штучно підробленим контентом?

Біометрія – один із можливих напрямків, один із проектів називається World Coin (Світова монета), який використовує сканування сітківки ока як біометричну інформацію, щоб перевірити, що ви справжня людина, щоб переконатися, що ви справді жива людина, а не просто око. фото. Ця система має захищене обладнання, яке дуже важко підробити, тому доказ, який виходить на іншому кінці, доказ нульового знання, який маскує ваші фактичні біометричні дані, дуже важко підробити таким чином.

В Інтернеті ніхто не знає, що ти робот. Тож я вважаю, що саме тут проект «Доказ людяності» стає дуже важливим, тому що знати, чи ви взаємодієте з роботом, чи з людиною, буде дуже важливо. Якщо у вас немає людських доказів, ви не зможете визначити, чи належить адреса одній людині чи групі людей, чи 10 000 адрес справді належать одній людині, чи вони просто видають себе за 10 000 різні люди.

**Це критично важливо для управління. Якщо кожен учасник системи управління зможе довести, що він насправді людина, і він зможе довести, що він є людиною в унікальний спосіб, оскільки у нього є лише один набір очних яблук, тоді система управління буде більш справедливою, і вона не буде Потім плутократизація (на основі переваги найбільшої суми, заблокованої в певному розумному контракті). **

Штучний інтелект і мистецтво

Моделі штучного інтелекту означають, що ми будемо жити у світі нескінченної кількості медіа, у світі, де спільноти, що оточують будь-який окремий носій, або наративи, що оточують певний медіа, ставатимуть дедалі важливішими.

Наприклад, Sound.xyz створює децентралізовану платформу потокового передавання музики, яка дозволяє артистам і музикантам завантажувати музику, а потім напряму підключатися до нашої спільноти, продаючи їм NFT. Наприклад, ви можете прокоментувати трек на веб-сайті sound dot xyz, щоб інші люди, які грають цю пісню, також могли побачити коментар. Це схоже на попередню функцію Sound Cloud. Придбання NFT також підтримує митців, допомагає їм досягти сталого розвитку та створювати більше музичних творів. **Але принадність всього цього полягає в тому, що це фактично дає художникам платформу для справжньої взаємодії зі спільнотою. Художники для всіх митці. **

Завдяки тому, що тут робить криптовалюта, ви можете створити спільноту навколо музичного твору, якого б не існувало, якби музичний твір був просто створений за допомогою моделі машинного навчання без будь-якого людського елементу.

Багато музики, з якою ми будемо знайомитися, буде повністю створено штучним інтелектом, а інструменти для побудови спільноти та розповідання історій про мистецтво, музику та інші типи медіа справді будуть Важливо, що об’єднання того, що нам дійсно цікаво і в що ми дійсно хочемо інвестувати, і медіа, які виділяють час, відрізняються від інших медіа загалом.

**Між ними може бути певна синергія, наприклад, багато музики буде покращено або створено ШІ. Але якщо також задіяний людський фактор, скажімо, творець використовує інструмент ШІ для створення нового музичного твору, у нього є власний звуковий підпис, у нього є своя сторінка виконавця, у нього є своя спільнота, у нього є свої підписники . **

Тепер існує синергія між двома світами, і ви маєте найкращу музику, оскільки штучний інтелект наділяє вас надздібностями. Але в той же час у вас також є людські елементи та історії, які координуються та активуються за допомогою технології шифрування, яка дозволяє об’єднати всіх цих людей на одній платформі.

**Це безумовно новий світ, коли мова йде про створення контенту. Отже, як ми відрізнимо мистецтво, створене людиною, і мистецтво, створене машиною, яке потребує підтримки? **

Це фактично відкриває двері для колективного мистецтва, мистецтва, яке виникає через творчий процес цілої спільноти, а не одного художника. Уже є проекти, які роблять це, де спільнота впливає на ланцюг через певну процедуру голосування, створюючи художні роботи на основі підказок моделей машинного навчання. **Можливо, ви створюєте не один витвір мистецтва, а десять тисяч творів. Потім ви використовуєте іншу модель машинного навчання, також навчену відгуками спільноти, щоб вибрати найкращу з цих 10 000. **