a16z Crypto новое исследование: при слиянии AI и блокчейна четыре новых бизнес-модели

Исходное видео：Web3 с a16z, AI \& Crypto

Автор: Дэн Бонех (профессор Стэнфордского университета, старший научный консультант a16z crypto), сосредоточенный на исследованиях в области криптографии, компьютерной безопасности и машинного обучения; Али Яхья (партнер a16z crypto), ранее работал в Google Brain и был одним из основных разработчиков библиотеки машинного обучения Google TensorFlow.

Собрано и скомпилировано: Цяньвэнь, ChainCatcher

Стивен Кинг написал научно-фантастический роман под названием «Алмазный век», в котором есть устройство искусственного интеллекта, которое служит наставником людям на протяжении всей их жизни. Когда вы рождаетесь, вы связываетесь с искусственным интеллектом, который очень хорошо вас знает — знает ваши предпочтения, сопровождает вас на протяжении всей жизни, помогает принимать решения и направляет вас в правильном направлении. Это звучит неплохо, но вы определенно не хотите, чтобы такая технология попала в руки гигантов-посредников. Потому что это даст этой компании огромную власть, а также приведет к ряду проблем с конфиденциальностью и суверенитетом.

Мы надеемся, что эта технология действительно будет принадлежать всем, и так возникло видение, что вы можете реализовать это с помощью блокчейна. Вы можете встроить искусственный интеллект в смарт-контракты. С помощью силы нулевых знаний сохранить конфиденциальность данных. В течение следующих десятилетий эта технология станет все более умной. Вы можете выбрать делать все, что хотите, или изменить это любым желаемым образом.

Так какова связь между блокчейном и искусственным интеллектом? Какой мир приведет нас искусственный интеллект? Каково текущее состояние и вызовы искусственного интеллекта? Какую роль будет играть блокчейн в этом процессе?

ИИ и блокчейн: взаимное противостояние

Развитие искусственного интеллекта, включая описанную в «Алмазном веке» картину, на самом деле всегда существовало, просто в последнее время оно претерпело значительный скачок.

Во-первых, искусственный интеллект в значительной степени является технологией централизованного управления сверху вниз. А криптография — это технология децентрализованного сотрудничества снизу вверх. Во многих отношениях криптовалюта — это наука о том, как построить децентрализованные системы, которые могут обеспечить массовое сотрудничество людей без реального централизованного контроля. С этой точки зрения, это естественный способ объединить эти две технологии.

Искусственный интеллект — это устойчивое новшество, которое может укрепить бизнес-модели существующих технологических компаний, помогая им принимать решения сверху вниз. Лучший пример в этой области — Google, который может решать, какой контент показывать пользователям среди миллиардов пользователей и миллиардов просмотров страниц. А криптовалюта по своей сути является разрушительным новшеством, ее бизнес-модель совершенно противоречит бизнес-моделям крупных технологических компаний. Таким образом, это движение возглавляется маргинальными бунтовщиками, а не теми, кто находится у власти.

Поэтому искусственный интеллект может быть тесно связан с защитой конфиденциальности, оба аспекта взаимно усиливают и влияют друг на друга. Искусственный интеллект как технология уже создал различные стимулы, которые приводят к тому, что у пользователей становится все меньше конфиденциальности, потому что компании хотят получить все наши данные. Модели искусственного интеллекта, обученные на все большем количестве данных, также станут более эффективными. С другой стороны, искусственный интеллект не идеален, модели могут иметь предвзятости, которые могут привести к несправедливым результатам. Поэтому в настоящее время существует много статей о справедливости алгоритмов.

Я считаю, что мы движемся по пути искусственного интеллекта, на котором данные каждого человека будут собираться для обучения этих огромных моделей, чтобы оптимизировать модели. А криптовалюта движется в противоположном направлении, увеличивая личную конфиденциальность и наделяя пользователей контролем над суверенитетом данных. Можно сказать, что криптография является технологией, противостоящей искусственному интеллекту, потому что она помогает нам различать контент, созданный человеком или искусственным интеллектом, в мире, переполненном контентом, созданным искусственным интеллектом, криптография станет важным инструментом для защиты и сохранения человеческого контента.

Криптовалюта — это дикий запад, потому что здесь нет никаких разрешений, и любой может участвовать. Вы должны предположить, что некоторые из участников могут быть злонамеренными. Поэтому сейчас больше всего нужны инструменты, которые помогут вам отфильтровать честных участников от нечестных, и машинное обучение и искусственный интеллект как интеллектуальные инструменты могут действительно помочь в этом.

Например, есть проекты, которые используют машинное обучение для выявления подозрительных транзакций, отправляемых в кошельки. Таким образом, эти транзакции пользователей будут отмечены и отправлены в блокчейн. Это может хорошо предотвратить случайное отправление всех средств злоумышленникам или совершение действий, о которых потом пожалеете. Машинное обучение также может служить инструментом, который поможет вам заранее определить, какие транзакции могут содержать mev.

Как модели LLM могут использоваться для обнаружения поддельных данных или злонамеренной активности, так и наоборот, эти модели могут использоваться для генерации поддельных данных. Наиболее典型ный пример — это глубокая подделка. Вы можете создать видео, в котором кто-то говорит что-то, что он никогда не говорил. Но блокчейн на самом деле может помочь смягчить эту проблему.

Например, в блокчейне есть временные метки, которые показывают, что в этот день вы сказали то или иное. Если кто-то подделает видео, вы сможете использовать временную метку для опровержения. Все эти данные, действительно реальные данные, записаны в блокчейне и могут быть использованы для доказательства того, что это видео с глубокой подделкой действительно является подделкой. Поэтому я считаю, что блокчейн может помочь в борьбе с подделками.
Мы также можем полагаться на надежное оборудование для достижения этой цели. Камеры и наши устройства, такие как мобильные телефоны, будут подписывать снятые изображения и видео в качестве стандарта. Это называется C2PA, которое определяет, как камеры должны подписывать данные. На самом деле, сейчас одна из камер Sony может делать фотографии и видео, а затем генерировать подпись C2PA на видео. Это довольно сложная тема, и мы не будем углубляться в нее здесь.

Обычно газеты, публикуя изображения, не публикуют их в неизменном виде, как они были сняты камерой. Они обрезают их и обрабатывают фотографии. Как только вы начинаете редактировать изображение, это означает, что получатель, конечный читатель или пользователь на браузере видят не оригинальное изображение, и не могут провести проверку подписи C2PA.

Вопрос в том, как заставить пользователей подтвердить, что они видят изображение, которое действительно было правильно подписано камерой C2PA? Вот где технологии ZK могут быть полезны, вы можете доказать, что отредактированное изображение на самом деле является результатом уменьшения и градации правильного подписанного изображения. Таким образом, мы можем использовать простое доказательство zk вместо подписи C2PA и сопоставить его с этими изображениями. Теперь читатели все еще могут подтвердить, что они видят реальное изображение. Поэтому технологии zk могут быть использованы для борьбы с этой информацией.

Как блокчейн может решить проблему?

Искусственный интеллект по своей сути является централизованной технологией. Он в значительной степени выигрывает от эффекта масштаба, потому что работа с единственным дата-центром делает вещи более эффективными. Кроме того, данные, модели машинного обучения, таланты в области машинного обучения и т. д. обычно контролируются несколькими технологическими компаниями.
Так как же решить эту проблему? Криптовалюта может помочь нам децентрализовать искусственный интеллект, используя такие технологии, как ZKML, которые могут быть применены в дата-центрах, базах данных, самих моделях машинного обучения. Например, в вычислениях, используя доказательства нулевых знаний, пользователи могут доказать, что процесс вывода или обучения модели является правильным.

Таким образом, вы можете передать этот процесс большому сообществу. В этом распределенном процессе любой, у кого есть GPU, может внести свой вклад в вычислительную мощность сети и таким образом обучить модель, не полагаясь на крупный дата-центр, который контролирует все GPU.

С экономической точки зрения, имеет ли это смысл, неясно. Но, по крайней мере, с правильными стимулами можно достичь эффекта длинного хвоста. Вы можете использовать всю возможную мощность GPU. Позволяя всем этим людям вносить свой вклад в обучение или вывод модели, это может заменить контроль крупных технологических компаний. Для достижения этого необходимо решить множество важных технических вопросов. На самом деле, есть компания под названием Nvidia, которая создает децентрализованный рынок вычислений на GPU, в основном для обучения моделей машинного обучения. На этом рынке любой может внести свой вклад в свою вычислительную мощность GPU. С другой стороны, любой может использовать любое вычисление, доступное в сети, для обучения своих крупных моделей машинного обучения. Это станет альтернативой централизованным крупным технологическим компаниям, таким как openai, Google и Meta.

Можно представить себе ситуацию, когда Алиса имеет модель, которую она хочет защитить. Она хочет отправить модель в зашифрованном виде Бобу, который теперь получил зашифрованную модель и должен запустить свои данные на этой зашифрованной модели. Как это сделать? Для этого необходимо использовать так называемое вычисление с полным гомоморфным шифрованием. Если у пользователя есть зашифрованная модель и открытые данные, он может запустить зашифрованную модель на открытых данных, получить и вернуть зашифрованный результат. Вы отправляете зашифрованный результат обратно Алисе, и она может расшифровать и увидеть открытый результат.

На самом деле это уже существующая технология. Проблема в том, что текущие технологии эффективны для средних моделей, можем ли мы масштабировать их на более крупные модели? Это довольно большая проблема, требующая усилий со стороны большего числа компаний.

Текущее состояние, вызовы и стимулы

Я считаю, что необходимо достичь децентрализации в вычислениях. Первый вопрос — это вопрос верификации, вы можете использовать ZK для решения этой проблемы, но в настоящее время эти технологии могут обрабатывать только небольшие модели. Мы сталкиваемся с вызовом, что производительность этих криптографических примитивов далеко не удовлетворяет потребностям в обучении или выводе сверхбольших моделей. Поэтому проводится много работы по повышению производительности процесса доказательства, чтобы можно было эффективно доказывать все большие объемы работы.
В то же время некоторые компании также используют другие технологии, которые не являются только криптографическими. Это технологии с игровыми свойствами, которые позволяют большему количеству независимых людей работать. Это оптимистичный подход, не зависящий от криптографии, но он все же согласуется с более крупной целью децентрализованного искусственного интеллекта или помощи в создании экосистемы искусственного интеллекта. Это цель, предложенная такими компаниями, как openai.

Вторая большая проблема — это проблема распределенных систем. Например, как вы можете координировать большое сообщество, чтобы они вносили свой вклад в сеть, обеспечивая ее интегрированным и единым вычислительным уровнем? Здесь будет много вызовов, например, как разумно разбить рабочую нагрузку машинного обучения и распределить разные рабочие нагрузки между различными узлами сети, а также как эффективно завершить всю эту работу.

Текущие технологии в основном могут применяться к средним моделям, но не могут применяться к таким большим моделям, как gpt 3 или gpt 4. Конечно, у нас есть и другие методы. Например, мы можем обучить несколько человек, а затем сравнить результаты, создавая тем самым стимулы в игровом теоретическом смысле. Стимулируя людей не обманывать. Если кто-то обманет, другие могут пожаловаться, что результаты их вычислений неверны. Таким образом, обманщик не получит вознаграждение.
Мы также можем распределить источники данных в сообществе для обучения крупных моделей машинного обучения. Точно так же мы можем собрать все данные и затем обучить модель самостоятельно, а не полагаться на централизованный орган. Это можно реализовать, создав рынок. Это похоже на рынок вычислений, который мы только что описали.

Мы также можем рассматривать это с точки зрения стимулов, побуждая людей вносить новые данные в какой-то большой набор данных, которые затем будут использованы для обучения модели. Проблемы, связанные с этим, аналогичны вызовам верификации. Вы должны каким-то образом проверить, что данные, которые люди вносят, действительно являются хорошими данными. Эти данные не должны быть дублирующимися, не должны быть случайно сгенерированным мусором и не должны быть каким-либо образом поддельными данными.

Кроме того, необходимо убедиться, что данные не подрывают модель, иначе производительность модели на самом деле будет только ухудшаться. Возможно, нам придется полагаться на сочетание технических решений и социальных решений, в этом случае вы также можете установить доверие через некоторые метрики, доступные членам сообщества, так что когда они вносят данные, эти данные будут более надежными, чем раньше.

В противном случае действительно достичь охвата распределения данных займет очень много времени. Одна из больших проблем машинного обучения заключается в том, что модель может охватывать только диапазон распределения, который может быть достигнут набором данных для обучения. Если есть какие-то входные данные, которые выходят далеко за пределы распределения обучающих данных, ваша модель на самом деле может вести себя совершенно непредсказуемо. Чтобы модель хорошо работала в крайних случаях, черных лебедях или данных, с которыми она может столкнуться в реальном мире, нам нужен как можно более полный набор данных.

Таким образом, если у вас есть такой открытый, децентрализованный рынок, предоставляющий данные для наборов данных, вы можете позволить любому, у кого есть уникальные данные, предоставить эти данные в сеть, это будет лучшим способом. Потому что если вы пытаетесь сделать это от имени централизованной компании, вы не сможете знать, кто владеет этими данными. Поэтому, если можно создать стимулы, чтобы эти люди активно выходили и предоставляли эти данные, тогда, я думаю, вы на самом деле можете достичь значительно лучшего охвата данных длинного хвоста.

Поэтому нам необходимо иметь какой-то механизм, чтобы гарантировать, что предоставленные вами данные являются подлинными. Один из способов — полагаться на надежное оборудование, позволяя датчикам встраивать некоторые надежные аппаратные средства, мы доверяем только данным, которые правильно подписаны оборудованием. В противном случае нам необходимо иметь другие механизмы для различения подлинности данных.
В настоящее время в машинном обучении есть две важные тенденции. Во-первых, методы измерения производительности моделей машинного обучения постоянно улучшаются, но все еще находятся на ранней стадии, и на самом деле трудно судить о производительности другой модели. Вторая тенденция заключается в том, что мы становимся все более искусными в объяснении того, как работают модели.

Таким образом, основываясь на этих двух моментах, в какой-то момент я, возможно, смогу понять, как набор данных влияет на производительность модели машинного обучения. Если мы сможем понять, помогает ли набор данных, предоставленный третьей стороной, производительности модели машинного обучения, тогда мы можем вознаградить этот вклад и создать стимулы для существования этого рынка.
Представьте себе, если вы сможете создать открытый рынок, позволяющий людям вносить обученные модели, чтобы решить определенные типы проблем, или если будет создан смарт-контракт, в который встроены какие-то тесты, если кто-то сможет использовать zkml, чтобы предоставить модель и доказать, что эта модель может решить этот тест, это будет решением. Теперь у вас есть инструменты, необходимые для создания рынка, когда люди вносят модели машинного обучения, которые могут решать определенные проблемы, рынок будет стимулирован.

Как ИИ и криптовалюта формируют бизнес-модели?

Я считаю, что видение, стоящее за пересечением криптовалюты и искусственного интеллекта, заключается в том, что вы можете создать набор протоколов, которые распределяют ценность, полученную от этой новой технологии искусственного интеллекта, среди большего числа людей, все могут вносить свой вклад, все могут делиться преимуществами, которые приносит эта новая технология.

Таким образом, те, кто сможет извлечь выгоду, будут те, кто вносит вычислительную мощность, те, кто вносит данные или те, кто вносит новые модели машинного обучения в сеть, что позволит обучить лучшие модели машинного обучения и решить более важные проблемы.

Сторона, нуждающаяся в сети, также может извлечь выгоду. Они используют эту сеть как инфраструктуру для обучения своих моделей машинного обучения. Возможно, их модели смогут внести что-то интересное, например, инструменты для общения следующего поколения. В этих моделях, поскольку у этих компаний будут свои бизнес-модели, они сами смогут способствовать получению ценности.

Создатели этой сети также получат выгоду. Например, создавая токен для сети, токен будет распределяться среди сообщества. Все эти люди будут обладать коллективной собственностью на эту децентрализованную сеть, используемую для вычислений данных и моделей, а также смогут получать определенную ценность от всех экономических действий, происходящих через эту сеть.

Вы можете представить, что каждая транзакция, проходящая через эту сеть, каждый способ оплаты за вычислительные расходы, данные или расходы на модели, может облагаться определенной платой, которая будет поступать в казну, контролируемую всей сетью. А держатели токенов совместно владеют этой сетью. Это, по сути, бизнес-модель самой сети.

Искусственный интеллект и безопасность кода

Многие слушатели, возможно, слышали о совместном пилоте (co pilot), это инструмент для генерации кода. Вы можете попробовать использовать эти инструменты для совместной генерации, чтобы писать контракты на Solidity или криптографический код. Я хочу подчеркнуть, что это на самом деле очень опасно. Потому что очень часто, когда вы пытаетесь запустить, эти системы на самом деле генерируют код, который может работать, но не является безопасным.

На самом деле, мы недавно написали статью по этой проблеме, в которой указали, что если вы попытаетесь заставить совместного пилота написать простую криптографическую функцию, то предоставленная им криптографическая функция будет правильной. Но он использует неправильный режим операции, поэтому в конечном итоге вы получите небезопасный криптографический режим.

Вы можете спросить, почему это происходит? Одна из причин заключается в том, что эти модели в основном обучены на существующем коде, они обучены на репозиториях GitHub. Многие репозитории GitHub на самом деле подвержены различным атакам. Поэтому код, который эти модели изучают, может нормально работать, но не является безопасным. Это похоже на то, что низкокачественный мусор производит мусор. Поэтому я надеюсь, что люди будут очень осторожны, используя эти генеративные модели для генерации кода, тщательно проверяя, действительно ли код выполняет то, что он должен делать, и делает это безопасно.

Вы можете использовать модели искусственного интеллекта в сочетании с другими инструментами для генерации кода, чтобы гарантировать, что весь процесс не приведет к ошибкам. Например, одна из идей заключается в том, чтобы использовать модели LLM для генерации спецификаций для систем формальной верификации, требуя от LLM сгенерировать спецификацию для инструмента формальной верификации. Затем требуется, чтобы тот же экземпляр LLM сгенерировал программу, соответствующую спецификации, а затем с помощью инструмента формальной верификации проверить, действительно ли программа соответствует спецификации. Если возникают уязвимости, инструмент также их поймает. Эти ошибки могут быть использованы как обратная связь для LLM, и в идеале, мы надеемся, что LLM сможет изменить свою работу и сгенерировать другую правильную версию кода.

В конце концов, если вы повторите процесс, вы в конечном итоге получите код, который, в идеале, полностью соответствует этому возвращаемому значению и прошел формальную верификацию, также соответствуя этому возвращаемому значению. И поскольку человек может прочитать этот обратный путь, вы можете увидеть, что это именно то, что я хотел написать. На самом деле, уже много людей пытаются оценить способности LLM в поиске уязвимостей программного обеспечения, таких как смарт-контракты, C и C++.

Так достигнем ли мы уровня, когда код, сгенерированный LLM, будет менее подвержен ошибкам, чем код, сгенерированный человеком? Например, когда мы говорим об автономном вождении, нас интересует, будет ли оно менее подвержено авариям, чем вождение человека? Я считаю, что эта тенденция только усилится, и степень интеграции технологий искусственного интеллекта в существующие инструменты также будет расти.

Вы можете интегрировать это в инструменты формальной верификации, вы также можете интегрировать это в другие инструменты, такие как инструменты для проверки проблем управления памятью, упомянутые ранее. Вы также можете интегрировать это в цепочку инструментов для юнит-тестирования и интеграционного тестирования, так что LLM не будет действовать в вакууме. Он может получать обратную связь в реальном времени от других инструментов, которые связывают его с реальной ситуацией.

Я считаю, что использование сверхбольших моделей машинного обучения, обученных на всех данных в мире, в сочетании с этими другими инструментами, может сделать вычисление программ более выдающимся, чем у человеческих программистов. Даже если они все еще будут ошибаться, они могут быть суперменами. Это будет важный момент в программной инженерии.

Искусственный интеллект и социальные графы

Еще одна возможность заключается в том, что мы, возможно, сможем создать децентрализованную социальную сеть, которая на самом деле будет очень похожа на Weibo, но социальный граф будет полностью на блокчейне. Это почти как общественный продукт, на котором любой может строить. Как пользователь, вы можете контролировать свою идентичность в социальном графе. Вы можете контролировать свои данные, контролировать, на кого вы подписываетесь, кто может подписаться на вас. Кроме того, существует множество компаний, которые создают порталы в социальном графе, предоставляя пользователям опыт, похожий на Twitter, Instagram, TikTok или любой другой, который они хотят создать.

Но все это строится на том же социальном графе, который никто не контролирует, и ни одна компания стоимостью в миллиарды долларов не контролирует его полностью.

Это захватывающий мир, потому что это означает, что он может быть более динамичным, может быть экосистема, созданная людьми. Каждый пользователь может иметь больше контроля над тем, что он видит и делает на платформе.

Но одновременно пользователи также должны фильтровать сигнал из шума. Например, необходимо разработать разумные алгоритмы рекомендаций, которые отфильтровывают весь контент и показывают вам действительно интересные источники новостей. Это откроет двери для всего рынка, создавая конкурентную среду, состоящую из участников, предоставляющих услуги. Вы можете использовать алгоритмы, использовать алгоритмы на основе искусственного интеллекта для курирования контента. Как пользователь, вы можете решить, использовать ли определенный алгоритм, возможно, алгоритм, созданный Twitter, или другой алгоритм. Но также вам нужны такие инструменты, как "машинное обучение", чтобы помочь вам отфильтровать шум, помочь вам разобрать всю мусорную информацию, в мире, где генеративные модели могут создавать все мусорные данные.

Почему человеческое доказательство важно?

Очень актуальный вопрос заключается в том, как доказать, что вы действительно человек в мире, переполненном подделками, созданными искусственным интеллектом?

Биометрические технологии — это возможное направление, один из проектов называется World Coin, использующий сканирование сетчатки как биометрическую информацию для проверки, являетесь ли вы реальным человеком, чтобы убедиться, что вы действительно живы, а не просто фотографией глаза. Эта система имеет надежное оборудование, которое трудно подделать, поэтому доказательство, которое появляется на другой стороне, то есть нулевое знание, скрывающее вашу настоящую биометрическую информацию, трудно подделать таким образом.

В интернете никто не знает, что вы робот. Поэтому я думаю, что именно здесь проекты по доказательству человечности становятся очень важными, потому что знать, взаимодействуете ли вы с роботом или с человеком, станет очень важным. Если у вас нет доказательства человечности, вы не сможете определить, принадлежит ли адрес человеку, группе людей или тысяче адресов, действительно принадлежащих одному человеку, или это просто притворство тысячи разных людей.

Это имеет решающее значение для управления. Если каждый участник в системе управления может доказать, что они на самом деле люди, и они могут уникальным образом доказать, что они люди, потому что у них есть только одна пара глаз, тогда система управления станет более справедливой и не будет такой олигархической (основанной на предпочтениях, зафиксированных в каком-то смарт-контракте с максимальной суммой).

Искусственный интеллект и искусство

Модели искусственного интеллекта означают, что мы будем жить в мире, богатом медиа, в котором сообщества вокруг любого конкретного медиа или нарратива вокруг конкретного медиа станут все более важными.

Например, Sound.xyz создает децентрализованную платформу потоковой музыки, позволяя артистам и музыкантам загружать музыку, а затем напрямую взаимодействовать с нашим сообществом, продавая им NFT. Например, можно комментировать треки на сайте sound dot xyz, чтобы другие, кто слушает эту песню, также могли видеть комментарии. Это похоже на функции SoundCloud. Покупка NFT также поддерживает артистов, помогая им достичь устойчивости и создавать больше музыкальных произведений. Но вся прелесть в том, что это на самом деле предоставляет артистам настоящую платформу для взаимодействия с сообществом. Артисты — это артисты всех.

Благодаря роли криптовалюты вы можете создать сообщество вокруг одной песни, а если песня создана только моделью машинного обучения без какого-либо человеческого элемента, то этого сообщества не будет.

Много музыки, с которой мы столкнемся, будет полностью сгенерировано искусственным интеллектом, и инструменты, которые создают сообщества, рассказывая истории вокруг искусства, музыки и других типов медиа, будут очень важны, чтобы отличить медиа, которые нам действительно важны, в которые мы хотим инвестировать и тратить время, от других обычных медиа.

Между этими двумя аспектами могут возникнуть некоторые синергии, например, много музыки будет улучшено или сгенерировано искусственным интеллектом. Но если также есть человеческий элемент, например, создатель использует инструменты искусственного интеллекта для создания новой музыки, у них есть свои уникальные особенности, у них есть своя страница артиста, свое сообщество и свои последователи.

Теперь между этими двумя мирами возникла синергия, у всех есть лучшая музыка, потому что искусственный интеллект наделил всех мощными способностями. Но одновременно у всех есть человеческий элемент и истории, которые были согласованы и реализованы с помощью криптографических технологий, позволяя собрать всех этих людей на одной платформе.

В области генерации контента это определенно новый мир. Так как же нам различать искусство, созданное людьми, которое требует поддержки, и искусство, созданное машинами?

Это на самом деле открывает дверь для коллективного искусства, создаваемого через процесс творчества всего сообщества, а не отдельного художника. Уже есть несколько проектов, которые делают это, в которых сообщество влияет на цепочку через некоторые процедуры голосования, генерируя произведения искусства на основе подсказок модели машинного обучения. Возможно, вы не создаете одно произведение искусства, а десять тысяч. Затем вы используете другую модель машинного обучения, которая также обучена на основе обратной связи от сообщества, чтобы выбрать лучшее из этих 10 000 произведений.