a16z Crypto 最新研究：AIとブロックチェーンの共存における4つの新しいビジネスモデル

原视频：Web3 with a16z, AI \& Crypto

作者：Dan Boneh（スタンフォード大学教授、a16z crypto 上級研究顧問）、暗号学、コンピュータセキュリティ、機械学習を専門としています；Ali Yahya（a16z crypto 一般パートナー）、Google Brainに勤務していたことがあり、Googleの機械学習ライブラリTensorFlowの主要な貢献者の一人です。

整理 \& 編纂：倩雯、ChainCatcher

スティーヴン・キングは『ダイヤモンド時代』というSF小説を書いた。その中には、人々の人生の中で彼らのメンターとして機能する人工知能装置が登場する。あなたが生まれると、あなたは一つの人工知能とペアリングされ、それはあなたを非常によく理解している------あなたの好みを理解し、一生を通じてあなたを追いかけ、決定を下す手助けをし、正しい方向に導いてくれる。これは素晴らしいことのように思えるが、あなたはそのような技術が中間業者の巨人の手に渡ることを望まない。なぜなら、それはその会社に大きなコントロールをもたらし、一連のプライバシーと主権の問題を引き起こすからだ。

私たちはこの技術が本当に私たちのものであることを望んでおり、そのためのビジョンが生まれた。それは、ブロックチェーンを使ってそれを実現できるということだ。あなたはスマートコントラクトに人工知能を埋め込むことができる。ゼロ知識証明の力を借りて、データのプライバシーを保つことができる。今後数十年の間に、この技術はますます賢くなるだろう。あなたは自分がやりたいことを何でも選ぶことができるし、望む方法でそれを変えることができる。

では、ブロックチェーンと人工知能の関係はどうだろう？人工知能は私たちをどのような世界に導くのか？人工知能の現状と課題はどうなっているのか？ブロックチェーンはその過程でどのような役割を果たすのか？

AIとブロックチェーン：相互対立

人工知能の発展、特に『ダイヤモンド時代』で描かれているような光景は、実際にはずっと存在しており、最近になって飛躍的な発展を遂げた。

まず第一に、人工知能は大部分がトップダウンで集中管理された技術である。一方、暗号技術はボトムアップで分散型の協力を促進する技術である。多くの面で、暗号通貨は分散型システムを構築する方法を研究する学問であり、そのようなシステムは人類の大規模な協力を実現し、真の意味での中心的な管理者を持たない。これに関しては、これら二つの技術が一つに統合される自然な方法がある。

人工知能は持続可能な革新であり、既存の技術企業のビジネスモデルを強化し、彼らがトップダウンの決定を下す手助けをする。これに関する最良の例はGoogleであり、数十億のユーザーと数十億のページビューの中からユーザーに提示するコンテンツを決定することができる。一方、暗号通貨は本質的に破壊的な革新であり、そのビジネスモデルは大規模なテクノロジー企業のビジネスモデルとは根本的に対立している。したがって、これは権力者によってではなく、周辺の反逆者によって主導される運動である。

したがって、人工知能はプライバシー保護と密接に関連しており、両者は相互に促進し、相互作用する可能性がある。人工知能は技術として、さまざまなインセンティブメカニズムを構築し、企業が私たちのすべてのデータを取得したいと考えるため、ユーザーのプライバシーはますます少なくなっている。一方、ますます多くのデータで訓練された人工知能モデルは、ますます効果的になるだろう。逆に、人工知能は完璧ではなく、モデルにはバイアスが存在し、そのバイアスが不公平な結果を引き起こす可能性がある。そのため、現在、多くのアルゴリズムの公平性に関する論文が存在している。

私は、私たちが人工知能の道を進むことになると考えている。この道では、すべての人のデータがこれらの巨大なモデルの訓練に集約され、モデルを最適化することになる。一方、暗号通貨は逆の方向に進んでおり、個人のプライバシーを増加させ、ユーザーにデータの主権を掌握させる。暗号技術は、人工知能と対抗する技術であると言える。なぜなら、それは私たちが豊富なコンテンツの中から人間または人工知能によって創造されたコンテンツを識別するのを助けるからだ。人工知能によって生成されたコンテンツが氾濫する世界では、暗号技術は人間のコンテンツを維持し保存するための重要なツールとなる。

暗号通貨は西部開拓時代のようなもので、完全に権限がなく、誰でも参加できる。あなたは、参加者の中には悪意のある者がいると仮定せざるを得ない。したがって、今こそ、不誠実な参加者から誠実な参加者を選別するためのツールが必要であり、機械学習と人工知能はその知的ツールとして実際に大いに役立つ。

例えば、あるプロジェクトは機械学習を利用して、ウォレットに提出された疑わしい取引を識別している。このようにして、ユーザーの取引はマークされ、ブロックチェーンに提出される。これにより、ユーザーが不注意で攻撃者にすべての資金を送信したり、後で後悔するようなことをするのを防ぐことができる。機械学習はまた、どの取引がmevの可能性があるかを事前に判断するためのツールとして機能することもできる。

LLMモデルが虚偽のデータや悪意のある活動を検出するために使用できるように、逆にこれらのモデルは虚偽のデータを生成するためにも使用できる。最も典型的な例はディープフェイクであり、あなたは誰かが言ったことのないことを言わせる動画を作成することができる。しかし、ブロックチェーンは実際にこの問題を緩和するのに役立つ。

例えば、ブロックチェーンにはタイムスタンプがあり、あなたがこの日付に何を言ったかを示すことができる。誰かが動画を偽造した場合、あなたはタイムスタンプを利用して否定することができる。すべてのデータ、実際に真実のデータはブロックチェーンに記録されており、そのデータを使用してこのディープフェイク動画が本当に偽物であることを証明することができる。 したがって、私はブロックチェーンが偽造を打撃するのに役立つ可能性があると考えている。
私たちはまた、信頼できるハードウェアに依存してこれを実現することができる。カメラや私たちのスマートフォンなどのデバイスは、撮影した画像や動画に署名を行い、それを基準とする。これをC2PAと呼び、カメラがデータに署名する方法を規定している。実際、今、ソニーのカメラの一つは写真や動画を撮影し、その動画にC2PA署名を生成することができる。これは非常に複雑な話題であり、ここでは詳しく述べない。

通常、新聞は画像を掲載する際、カメラで撮影した画像をそのまま掲載することはない。彼らはトリミングを行い、写真にいくつかの権限処理を施す。一度でも画像を編集し始めると、受信者、最終的な読者、ブラウザ上のユーザーが見るのは元の画像ではなく、C2PA署名の検証ができなくなる。

問題は、ユーザーが見ている画像が本当にC2PAカメラによって正しく署名されたものであることを確認するにはどうすればよいかということだ。これがまさにZK技術の出番であり、編集された画像が実際に正しい署名の画像に対してダウンサンプリングとグレースケール変換の結果であることを証明できる。こうして、私たちはシンプルなzk証明をC2PA署名の代わりに使用し、これらの画像と一対一で対応させることができる。現在、読者は自分が見ているのが本物の画像であることを確認できる。したがって、zk技術はこれらの情報に対抗するために使用できる。

ブロックチェーンはどのように打破するのか？

人工知能は本質的に集中型の技術である。それは大部分が規模の経済の恩恵を受けており、単一のデータセンターに依存することで、物事をより効率的にすることができる。また、データ、機械学習モデル、機械学習の人材などは通常、少数のテクノロジー企業によって管理されている。
では、どのように打破するのか？暗号通貨はZKMLなどの技術を使用することで、私たちが人工知能の去中心化を実現するのを助けることができる。これはデータセンター、データベース、機械学習モデル自体に適用できる。例えば、計算の面では、ゼロ知識証明を使用することで、ユーザーは実際に推論またはモデルの訓練が正しいプロセスであることを証明できる。

こうして、あなたはこのプロセスを大規模なコミュニティにアウトソーシングすることができる。この分散型プロセスの下では、GPUを持つ誰もがネットワークに計算能力を提供し、この方法でモデルを訓練することができ、大規模なデータセンターに依存する必要がなくなる。

経済学的な観点から見て、これは意味があるかどうかは不明だが、少なくとも正しいインセンティブを通じてロングテール効果を実現することができる。あなたは存在するすべてのGPU能力を利用することができる。すべての人がモデルの訓練や推論のために計算能力を提供することができ、これによりすべてを支配する大規模なテクノロジー企業の代わりとなる。これを実現するためには、さまざまな重要な技術的問題を解決する必要がある。実際、NVIDIAという会社が去中心化されたGPU計算市場を構築しており、主に機械学習モデルの訓練に使用されている。この市場では、誰でも自分のGPU計算能力を提供できる。一方、誰でもネットワーク内の任意の計算を利用して、大規模な機械学習モデルを訓練することができる。これはopenai、Google、Metaなどの集中型大手テクノロジー企業の代替選択肢となるだろう。

次のような状況を想像してみてほしい：アリスは保護したいモデルを持っている。彼女はそのモデルを暗号化された形でボブに送信したいと考えている。ボブは今、暗号化されたモデルを受け取り、その暗号化されたモデルで自分のデータを実行する必要がある。どうすればよいのか？それは、いわゆる完全同型暗号計算を利用して暗号化データを計算する必要がある。ユーザーが暗号化されたモデルと平文データを持っている場合、平文データ上で暗号化されたモデルを実行し、暗号化された結果を受け取ることができる。あなたは暗号化された結果をアリスに返送し、彼女はそれを解読して平文の結果を見ることができる。

これは実際にはすでに存在する技術である。問題は、現在の技術が中型モデルには非常に効果的であるが、より大きなモデルに拡張できるかどうかである。これはかなりの挑戦であり、より多くの企業の努力が必要である。

現状、課題とインセンティブメカニズム

私は計算の去中心化を実現する必要があると考えている。最初の問題は検証問題である。あなたはZKを使用してこの問題を解決できるが、現在これらの技術は小型モデルしか処理できない。私たちが直面している課題は、これらの暗号原理の性能が超大型モデルの訓練や推論のニーズを満たすには遠く及ばないということである。そのため、証明プロセスの性能を向上させるための多くの作業が進行中であり、ますます大きな作業量を効率的に証明できるようにする必要がある。
同時に、いくつかの企業は他の技術を使用しており、これらの技術は単なる暗号技術ではない。むしろ、ゲーム理論的な性質の技術を採用し、より多くの相互独立な人々に作業を行わせている。これは暗号学に依存しないゲーム理論的な楽観的アプローチであるが、それでも去中心化された人工知能や人工知能エコシステムの構築を助けるというより大きな目標と一致している。これはopenaiなどの企業が提唱している目標である。

第二の大きな問題は分散システムの問題である。例えば、どのようにして巨大なコミュニティを調整し、彼らにネットワークにGPUを提供させ、統合された一つの計算基盤のように感じさせるのか？この中には多くの挑戦があり、例えば、機械学習の作業量を合理的な方法で分解し、異なる作業量をネットワークの異なるノードに割り当て、すべての作業を効率的に完了させる方法が含まれる。

現在の技術は基本的に中型モデルに適用できるが、GPT-3やGPT-4のような大きなモデルには適用できない。当然、他の方法もある。例えば、複数の人々に訓練を行わせ、結果を比較することで、ゲーム理論的なインセンティブメカニズムを持つことができる。人々が不正を行わないようにインセンティブを与える。もし誰かが不正を行えば、他の人々は彼らの計算結果が正しくないと不満を言うかもしれない。そうなると、不正を行った人は報酬を得られなくなる。
私たちはまた、コミュニティ内でデータソースを分散させ、大規模な機械学習モデルを訓練することができる。同様に、すべてのデータを収集し、自分たちでモデルを訓練することもできる。これは中央集権的な機関が責任を持つのではなく、市場を作ることで実現できる。これは、先ほど説明した計算市場に似ている。

私たちはまた、インセンティブの観点から、新しいデータを大規模データセットに貢献するよう人々を促し、そのデータを使ってモデルを訓練することができる。この中の困難は、検証の課題に似ている。あなたは人々が提供するデータが本当に良いデータであることを何らかの方法で検証しなければならない。これらのデータは、重複データでもなく、ランダムに生成されたゴミデータでもなく、何らかの方法で生成された不正確なデータでもない。

さらに、データが何らかの方法でモデルを覆すことがないようにしなければならない。さもなければ、モデルの性能は実際にはますます悪化するだけである。おそらく、私たちは技術的解決策と社会的解決策の組み合わせに依存する必要がある。この場合、コミュニティのメンバーが得られるサイト指標を通じて信頼性を構築することができる。こうすれば、彼らがデータを提供する際、そのデータは元のものよりも信頼性が高くなる。

さもなければ、実際にデータ分布をカバーするには非常に長い時間がかかる。機械学習の大きな課題は、モデルが実際には訓練データセットが達成できる分布範囲しかカバーできないことである。もし入力が訓練データの分布範囲を大きく超えている場合、あなたのモデルは実際には完全に予測不可能な動作をするかもしれない。モデルがエッジケース、ブラックスワンデータポイント、または現実世界で遭遇する可能性のあるデータ入力において優れた性能を発揮するためには、できるだけ包括的なデータセットが必要である。

したがって、もしあなたがデータセットにデータを提供するためのオープンで去中心化された市場を持っているなら、世界中のユニークなデータを持つ誰もがそのデータをネットワークに提供できるようになる。これはより良い方法である。なぜなら、もしあなたが中央集権的な企業としてこのことを試みるなら、誰がそのデータを持っているのかを知ることはできないからだ。したがって、もし人々が自発的にそのデータを提供するようなインセンティブメカニズムを作ることができれば、実際には明らかにより良いロングテールデータカバレッジを得ることができると考えている。

したがって、私たちは提供されたデータが本物であることを確認するためのメカニズムを持つ必要がある。一つの方法は信頼できるハードウェアに依存し、センサー自体がいくつかの信頼できるハードウェアを組み込むことで、私たちはハードウェアが正しく署名したデータのみを信頼する。さもなければ、データの真偽を見分けるための他のメカニズムを持たなければならない。
機械学習には現在、二つの重要なトレンドがある。まず、機械学習モデルの性能測定方法が継続的に改善されているが、まだ初期段階にあり、実際には他のモデルの性能を判断することが難しい。もう一つのトレンドは、私たちがモデルの動作原理を説明する能力が高まっていることである。

したがって、これら二つの点に基づいて、ある時点で、私はデータセットが機械学習モデルの性能に与える影響を理解できるかもしれない。もし私たちが第三者が提供するデータセットが機械学習モデルの性能に寄与するかどうかを理解できれば、その貢献に報いることができ、その市場の存在に動機を与えることができる。
想像してみてほしい、もしあなたがオープンな市場を作成し、人々が訓練されたモデルを提供して特定の問題を解決することができるなら、あるいは、特定のテストを埋め込んだスマートコントラクトを作成し、誰かがzkmlを使用してモデルを提供し、そのモデルがそのテストを解決できることを証明できれば、それは一つの解決策となる。あなたは今、市場を作成するために必要なツールを持っており、人々が特定の問題を解決できる機械学習モデルを提供する際に、市場はインセンティブを受けることになる。

AIと暗号はどのようにビジネスモデルを形成するのか？

私は、暗号通貨と人工知能の交差点にあるビジョンは、人工知能という新技術から得られる価値をより多くの人々に分配するためのプロトコルを作成できるということだと考えている。すべての人が貢献でき、すべての人がこの新技術から得られる利益を共有できる。

したがって、利益を得ることができるのは、計算能力を提供する人々、データを提供する人々、またはネットワークに新しい機械学習モデルを提供する人々であり、これによりより良い機械学習モデルを訓練し、より重要な問題を解決することができる。

ネットワークの需要側も利益を得ることができる。彼らはこのネットワークを自分の機械学習モデルを訓練するためのインフラとして利用するかもしれない。もしかしたら、彼らのモデルは次世代のチャットツールなど、興味深いものを提供するかもしれない。これらのモデルの中で、これらの企業は自らのビジネスモデルを持っているため、彼ら自身が価値の取得を推進することができる。

このネットワークを構築する人々も同様に利益を得る。例えば、ネットワークのためにトークンを作成し、そのトークンをコミュニティに配布することができる。これらの人々はすべて、この去中心化ネットワークの共同所有権を持ち、データとモデルの計算に使用され、またこのネットワークを通じて行われるすべての経済活動の一部の価値を得ることができる。

あなたは、このネットワークを通じて行われるすべての取引、計算費用、データ費用、モデル費用の支払い方法に対して、一定の手数料が徴収され、その手数料がネットワーク全体によって管理される金庫に入る可能性があると想像できる。そして、トークンの保有者はこのネットワークを共同で所有することになる。これは本質的にネットワーク自体のビジネスモデルである。

人工知能がコードの安全性を促進する

多くの聴衆はコパイロット（co pilot）について聞いたことがあるかもしれない。これはコードを生成するためのツールである。あなたはこれらの協同生成ツールを使用してsolidityコントラクトや暗号学コードを書くことを試みることができる。私はこれが非常に危険であることを強調したい。なぜなら、多くの場合、あなたが実行しようとすると、これらのシステムは実際には実行可能だが安全ではないコードを生成するからだ。

実際、私たちは最近この問題に関する論文を書いた。その中で、もしあなたがコパイロットに簡単な暗号関数を作成させようとすると、提供される暗号機能は正しいが、不正確な操作モードを使用するため、最終的には安全でない暗号モードを得ることになる。

あなたは、なぜこのようなことが起こるのかと尋ねるかもしれない。その一つの理由は、これらのモデルが基本的に既存のコードに基づいて訓練されており、GitHubリポジトリで訓練されているからである。多くのGitHubリポジトリは実際にはさまざまな攻撃に対して脆弱である。そのため、これらのモデルが学習したコードは正常に動作するが、安全ではない。これは質の低いゴミがゴミを生むようなものである。したがって、私は人々がこれらの生成モデルを使用してコードを生成する際には慎重に行動し、そのコードが本当にその機能を果たしているか、そして安全に行われているかを注意深く確認することを望んでいる。

あなたは人工知能モデルを使用し、他のツールと組み合わせてコードを生成し、全体のプロセスが間違わないようにすることができる。例えば、一つのアイデアは、LLMモデルを使用して形式検証システムの仕様を生成し、LLMに形式検証ツールの仕様を生成させることである。そして、同じLLMインスタンスに仕様に従ったプログラムを生成させ、そのプログラムが本当に仕様に従っているかを形式的検証ツールで確認する。もし脆弱性が見つかれば、ツールはそれをキャッチする。このようなエラーはフィードバックとしてLLMに返され、理想的にはLLMがその作業を修正し、別の正しいコードバージョンを生成することを期待する。

最終的に、もしあなたがこの操作を繰り返すなら、理想的には、あなたはこの戻り値を完全に満たすコードを得ることになる。そして、人間がこの戻り値を読むことができるため、あなたはこの戻り値を通じて、これが私が書きたかったプログラムであることを見ることができる。実際、すでに多くの人々がLLMがソフトウェアの脆弱性を見つける能力を評価しようと試みている。例えば、スマートコントラクト、C、C++などである。

では、私たちはLLMが生成したコードが人間が生成したコードよりもバグを含む可能性が低いという高みに達するのだろうか？例えば、自動運転について話すとき、私たちが気にするのは、それが人間の運転手よりも事故を起こしにくいかどうかである。私はこの傾向がますます強くなり、人工知能技術が既存のツールチェーンに統合される程度も高まると考えている。

あなたはそれを形式検証ツールチェーンに統合することができ、また、前述のメモリ管理問題をチェックするツールなど、他のツールに統合することもできる。あなたはそれをユニットテストや統合テストのツールチェーンに統合することもでき、これによりLLMは真空の中で行動するのではなくなる。LLMは他のツールからリアルタイムのフィードバックを受け取り、これらのツールが地上の現実と接続することができる。

私は、世界中のすべてのデータを使用して訓練された超大型機械学習モデルを組み合わせ、これらの他のツールを加えることで、計算プログラムが人間のプログラマーよりも優れている可能性があると考えている。たとえ彼らが依然として間違いを犯すことがあっても、彼らは超人であるかもしれない。これはソフトウェア工学の重要な瞬間となるだろう。

人工知能とソーシャルグラフ

もう一つの可能性は、私たちが去中心化されたソーシャルネットワークを構築できるかもしれないということだ。その行動は実際には微博のようなもので、ソーシャルグラフは完全にチェーン上に存在する。それはほぼ公共財のようであり、誰もがその上に構築できる。ユーザーとして、あなたはソーシャルグラフ上の自分のアイデンティティを制御できる。あなたは自分のデータを制御し、誰をフォローするか、誰があなたをフォローできるかを制御できる。さらに、多くの企業がソーシャルグラフの中にポータルを構築し、ユーザーにTwitter、Instagram、TikTok、または他のどんな体験を提供したいかを提供している。

しかし、これらすべては同じソーシャルグラフの上に構築されており、誰もそれを所有せず、数十億ドルの価値を持つテクノロジー企業がその中間に完全にコントロールしているわけではない。

これは刺激的な世界であり、より活気に満ち、人々が共同で構築したエコシステムを持つことを意味する。各ユーザーは、プラットフォーム上で見るものや行うことに対してより多くのコントロールを持つことができる。

しかし同時に、ユーザーはノイズから信号をフィルタリングする必要がある。例えば、合理的な推薦アルゴリズムを策定し、すべてのコンテンツをフィルタリングして、あなたが本当に見たいニュースソースを表示する必要がある。これにより、市場全体にサービスを提供する参加者で構成された競争環境が開かれる。あなたはアルゴリズムを使用し、人工知能に基づくアルゴリズムを使用してコンテンツをキュレーションすることができる。ユーザーとして、あなたは特定のアルゴリズム、例えばTwitterが構築したアルゴリズム、または他のアルゴリズムを使用するかどうかを決定できる。しかし同様に、あなたは「機械学習」のようなツールを使用してノイズをフィルタリングし、生成モデルが世界中のすべてのゴミ情報を生成できるこの世界で、すべてのゴミ情報を解析する手助けをする必要がある。

人間の証明がなぜ重要なのか？

非常に関連性の高い問題は、人工知能によって偽造されたコンテンツが氾濫する世界で、どのようにしてあなたが本当に人間であることを証明するのかということだ。

生体認証技術は一つの可能な方向であり、その中の一つのプロジェクトはワールドコイン（World Coin）と呼ばれ、網膜スキャンを生体認証情報として使用して、あなたが本当に生きている人間であることを確認する。これは、あなたがただの目の写真ではなく、実際に生きている人間であることを保証する。このシステムは安全なハードウェアを持ち、改ざんが難しいため、もう一方の端に現れる証明、つまりあなたの実際の生体認証情報を隠すゼロ知識証明は、この方法で偽造することが非常に難しい。

インターネット上では、誰もあなたがロボットであるかどうかを知ることができない。したがって、私は人間の証明プロジェクトが非常に重要になる理由は、あなたがロボットと対話しているのか、人間と対話しているのかを知ることが非常に重要になるからだと考えている。もしあなたが人間の証拠を持っていなければ、あなたはあるアドレスが一人のものであるのか、一群のものであるのか、あるいは一万のアドレスが本当に一人のものであるのか、それともただ一万の異なる人々のふりをしているのかを判断することができない。

これはガバナンスにおいて非常に重要である。もしガバナンスシステムのすべての参加者が実際に人間であることを証明でき、彼らが独自の方法で人間であることを証明できるなら、彼らは一組の眼球しか持っていないため、ガバナンスシステムはより公平になり、財閥化（特定のスマートコントラクトにロックされた最大金額に基づく偏好）も減少する。

人工知能とアート

人工知能モデルは、私たちがメディアが無限に豊富な世界に住むことを意味する。このような世界では、特定のメディアを中心にしたコミュニティや特定のメディアを巡る物語がますます重要になる。

例えば、Sound.xyzはアーティストやミュージシャンが音楽をアップロードし、NFTを販売することでコミュニティと直接つながることができる去中心化された音楽ストリーミングプラットフォームを構築している。例えば、sound.xyzのウェブサイトでトラックにコメントを残すことができ、他の人がその曲を再生する際にコメントを見ることができる。これは以前のSoundCloudの機能に似ている。NFTを購入する行為は、アーティストを支援し、アーティストが持続可能な形でより多くの音楽作品を創作する手助けをすることでもある。しかし、このすべての素晴らしさは、実際にアーティストにコミュニティと真に対話するプラットフォームを提供することにある。アーティストは皆のアーティストである。

暗号通貨がここで果たす役割により、あなたは一曲の音楽を中心にコミュニティを形成することができ、もしその音楽が単に機械学習モデルによって生成されたもので、人間の要素がなければ、そのコミュニティは存在しないだろう。

私たちが接触する多くの音楽は完全に人工知能によって生成されるだろう。アートや音楽、他のタイプのメディアを巡る物語を語るためのツールが非常に重要であり、それは私たちが本当に関心を持ち、投資したいと思うメディアを他の一般的なメディアと区別することになる。

この二つの間にはいくつかの相乗効果が生まれる可能性があり、多くの音楽が人工知能によって強化または生成されるだろう。しかし、もし人間の要素が関与しているなら、例えば、クリエイターが人工知能ツールを使用して新しい音楽を創作し、彼ら自身の声の特徴を持ち、彼ら自身のアーティストページ、コミュニティ、フォロワーを持っているなら。

今、この二つの世界の間に相乗効果が生まれ、皆が最高の音楽を手に入れることができる。なぜなら、人工知能が皆に超強力な能力を与えたからだ。しかし同時に、皆は人間の要素と物語を持っており、これらの要素と物語は暗号技術によって調整され、実現され、すべての人々を一つのプラットフォームに集めることができる。

コンテンツ生成の面では、これは確かに新しい世界である。では、私たちはどのようにして支援が必要な人間生成のアートと機械生成のアートを区別するのか？

これは実際には、コミュニティ全体の創作プロセスを通じて生まれるアートのための集団アートの扉を開く。すでにいくつかのプロジェクトがこのことを行っており、これらのプロジェクトでは、コミュニティが投票プロセスを通じてチェーンに影響を与え、機械学習モデルのヒントに基づいてアート作品を生成している。もしかしたら、あなたが生成するのは一つのアート作品ではなく、一万の作品かもしれない。そして、あなたは別の機械学習モデルを使用し、そのモデルもコミュニティのフィードバックに基づいて訓練されており、その一万の作品の中から最も良いものを選び出すことができる。