a16z: AI와 블록체인의 통합을 기반으로 한 4가지 새로운 비즈니스 모델 탐색

원본 영상:Web3 with a16z, AI & Crypto

원저자: Dan Boneh(스탠포드 대학 교수, a16z crypto 수석 연구 컨설턴트), 암호화, 컴퓨터 보안 및 기계 학습에 중점을 두고 있으며, Ali Yahya(a16z crypto의 일반 파트너)는 Google Brain에서 근무했으며 Google 머신이기도 합니다. 학습 라이브러리 TensorFlow 핵심 기여자 중 하나입니다.

구성 및 컴파일: Qianwen, ChainCatcher

스티븐 킹은 한때 사람들의 멘토 역할을 하는 인공지능 장치가 등장하는 다이아몬드 시대라는 공상과학 소설을 쓴 적이 있습니다. 당신이 태어날 때 당신은 당신을 매우 잘 아는 AI와 짝을 이루게 됩니다. 당신이 좋아하는 것과 싫어하는 것을 알고, 평생 동안 당신을 따르며, 결정을 내리는 데 도움을 주고, 올바른 방향으로 당신을 안내합니다. 훌륭하게 들리지만, 이와 같은 기술이 거대 중개인의 손에 넘어가는 것을 결코 원하지 않을 것입니다. 이는 회사에 많은 통제권을 부여할 뿐만 아니라 일련의 개인 정보 보호 및 주권 문제를 가져올 것이기 때문입니다.

우리는 이 기술이 진정한 광산 소유가 되기를 바랐고, 블록체인을 통해 이를 실현할 수 있다는 비전이 나타났습니다.스마트 계약에 인공 지능을 포함시킬 수 있습니다. 영지식 증명의 힘으로 데이터를 비공개로 유지하세요. 향후 수십 년 동안 이 기술은 점점 더 똑똑해질 것입니다. 원하는 대로 선택하거나 원하는 방식으로 변경할 수 있습니다.

그렇다면 블록체인과 인공지능의 관계는 무엇일까? 인공지능이 우리를 어떤 세상으로 이끌 것인가? 인공지능의 현황과 과제는 무엇인가? 이 과정에서 블록체인은 어떤 역할을 하게 될까요?

AI와 블록체인: 서로 대결하다

『다이아몬드 시대』에서 묘사된 장면을 비롯해 인공지능의 발전은 언제나 존재해왔고, 최근에서야 비약적인 발전을 경험했다.

첫째, AI는 대체로 하향식, 중앙 제어 기술입니다.암호화 기술은 상향식, 분산형 협력 기술입니다. 여러 면에서 암호화폐는 진정한 의미에서 중앙 통제자 없이 대규모 인간 협력이 가능한 분산형 시스템을 구축하는 방법에 대한 연구입니다. 그런 점에서 이 두 기술이 결합되는 것은 자연스러운 방식입니다.

AI는 기존 기술 기업의 비즈니스 모델을 강화하고 하향식 결정을 내리는 데 도움을 주는 지속 가능한 혁신입니다. 이에 대한 가장 좋은 예는 수십억 명의 사용자와 수십억 개의 페이지 뷰를 통해 사용자에게 어떤 콘텐츠를 제공할지 결정할 수 있는 Google입니다. 반면에 암호화폐는 본질적으로 대규모 기술 회사의 비즈니스 모델과 근본적으로 상충되는 파괴적인 혁신입니다.따라서 이것은 권력을 가진 사람들이 아닌 주변 반군이 주도하는 운동입니다.

따라서 인공지능은 개인정보 보호의 모든 측면과 밀접하게 연관되어 있을 수 있으며, 이 둘은 서로를 촉진하고 상호 작용합니다. 기술로서의 AI는 기업이 우리의 모든 데이터를 얻기를 원하기 때문에 사용자의 개인 정보 보호가 점점 더 낮아지는 다양한 인센티브를 창출했습니다. 그리고 점점 더 많은 데이터에 대해 훈련된 인공 지능 모델이 더욱 효과적이 될 것입니다. 반면에 AI는 완벽하지 않고 모델이 편향될 수 있으며 편향이 불공정한 결과를 초래할 수 있습니다. 따라서 현재 단계에서는 알고리즘 공정성에 관한 많은 논문이 있습니다.

우리는 모델을 최적화하기 위해 모든 사람의 데이터가 대규모 모델 훈련으로 집계되는 AI로 향하고 있다고 생각합니다. 반면에 암호화폐는 반대 방향으로 이동하여 개인 정보 보호를 강화하고 사용자가 데이터 주권을 제어할 수 있도록 합니다.암호화 기술은 인간이나 인공지능이 만든 콘텐츠와 리치 콘텐츠를 구별할 수 있게 해준다는 점에서 인공지능과 경쟁하는 기술이라고 할 수 있다. 인간의 콘텐츠를 유지하고 보존하는 데 중요한 도구입니다.

암호화폐는 누구나 참여할 수 있기 때문에 완전히 무허가이기 때문에 황량한 서부입니다. 이러한 당사자 중 일부가 악의적이라고 가정해야 합니다.따라서 이제 부정직한 플레이어로부터 정직한 플레이어를 걸러내는 데 도움이 되는 일부 도구에 대한 필요성이 더 커지고 있으며, 지능형 도구인 기계 학습과 인공 지능은 실제로 이와 관련하여 큰 이점이 될 수 있습니다.

예를 들어 기계 학습을 사용하여 지갑에 제출된 의심스러운 거래를 식별하는 프로젝트가 있습니다. 이러한 방식으로 사용자의 이러한 거래는 표시되고 블록체인에 제출됩니다. 이는 사용자가 실수로 모든 자금을 공격자에게 제출하거나 나중에 후회할 일을 하는 것을 방지하는 데 효과적입니다. 기계 학습은 어떤 거래에 mev가 있을 수 있는지 미리 판단하는 데 도움이 되는 도구로도 사용할 수 있습니다.

LLM 모델을 사용하여 가짜 데이터나 악의적인 활동을 탐지할 수 있는 것처럼 이러한 모델을 사용하여 가짜 데이터를 생성할 수도 있습니다.가장 대표적인 예가 딥페이크다. 누군가가 이전에 한 번도 말한 적이 없는 말을 하는 영상을 만들 수 있습니다. 하지만 블록체인은 실제로 이 문제를 완화하는 데 도움이 될 수 있습니다.

예를 들어, 블록체인에는 당신이 이 날짜에 이런저런 말을 했다는 것을 보여주는 타임스탬프가 있습니다. 누군가가 비디오를 위조한 경우 타임스탬프를 사용하여 이를 거부할 수 있습니다.이 모든 데이터, 즉 실제 데이터는 블록체인에 기록되어 이 딥페이크 영상이 정말 가짜라는 것을 증명하는 데 사용될 수 있습니다.그래서 저는 블록체인이 위조 방지에 도움이 될 수 있다고 생각합니다.
또한 신뢰할 수 있는 하드웨어를 사용하여 이를 수행할 수도 있습니다. 카메라 및 휴대폰과 같은 장치는 표준으로 캡처한 이미지와 비디오에 서명합니다. C 2 PA라고 하며 카메라가 데이터에 서명하는 방법을 지정합니다. 실제로 Sony 카메라 중 하나는 이제 사진과 비디오를 촬영한 다음 비디오에 C 2 PA 서명을 생성할 수 있습니다. 이것은 복잡한 주제이므로 여기서는 다루지 않겠습니다.

보통 신문사에서는 사진을 게재할 때 카메라로 찍은 사진을 그대로 게재하지 않습니다. 그들은 사진을 자르고 라이센스를 부여합니다. 사진 편집을 시작하면 수신자, 최종 독자, 브라우저의 사용자는 원본 사진을 볼 수 없으며 C 2 PA 서명 확인을 수행할 수 없음을 의미합니다.

문제는 사용자가 자신이 보는 이미지가 실제로 C 2 PA 카메라에 의해 올바르게 서명되었는지 어떻게 확인할 수 있느냐는 것입니다. 여기서 ZK 기술이 사용됩니다. 편집된 이미지가 실제로 올바르게 서명된 이미지를 다운샘플링하고 그레이스케일 스케일링한 결과임을 증명할 수 있습니다. 이러한 방식으로 C 2 PA 서명을 간단한 zk 증명으로 대체할 수 있으며 이러한 이미지와 일대일 대응을 가질 수 있습니다. 현재 독자들은 자신이 보고 있는 것이 실제 이미지임을 확인할 수 있습니다. 따라서 zk 기술을 사용하여 이러한 정보에 대응할 수 있습니다.

블록체인은 어떻게 게임을 중단시키는가?

인공지능은 본질적으로 중앙집중화된 기술이다. 단일 데이터 센터에서 실행하는 것이 훨씬 더 효율적이기 때문에 규모의 경제로 인해 많은 이점을 얻습니다. 또한, 데이터, 머신러닝 모델, 머신러닝 인재 등은 대개 소수의 기술 기업이 통제하고 있으며,
그렇다면 상황을 깨는 방법은 무엇입니까? 암호화폐는 ZKML과 같은 기술을 사용하여 AI를 분산시키는 데 도움을 줄 수 있습니다.이는 데이터 센터, 데이터베이스 및 기계 학습 모델 자체에 적용될 수 있습니다. 예를 들어, 컴퓨팅 측면에서 영지식 증명을 사용하면 사용자는 실제로 추론을 수행하거나 모델을 훈련하는 과정이 정확하다는 것을 증명할 수 있습니다.

이렇게 하면 프로세스를 대규모 커뮤니티에 아웃소싱할 수 있습니다. 이러한 분산 프로세스에서는 GPU가 있는 사람이라면 누구나 모든 GPU가 집중되어 있는 대규모 데이터 센터에 의존하지 않고도 이러한 방식으로 네트워크에 컴퓨팅 성능을 제공하고 모델을 교육할 수 있습니다.

경제적 관점에서 보면,이것이 의미가 있는지 여부는 불확실합니다. 그러나 최소한 적절한 인센티브가 있다면 롱테일을 달성할 수 있습니다.가능한 모든 GPU 기능을 활용할 수 있습니다. 이 모든 사람들이 모델 훈련이나 추론 실행에 컴퓨팅 능력을 기여하게 되면 모든 것을 통제하는 거대 기술 회사를 대체하게 될 것입니다. 이를 달성하기 위해서는 다양한 중요한 기술적 문제를 해결해야 합니다. 실제로 Nvidia라는 회사는 주로 기계 학습 모델 훈련을 위해 분산형 GPU 컴퓨팅 시장을 구축하고 있습니다. 이 시장에서는 누구나 자신의 GPU 컴퓨팅 성능을 기여할 수 있습니다. 반면에 누구나 네트워크에 있는 모든 계산을 활용하여 대규모 기계 학습 모델을 훈련할 수 있습니다. 이는 openai, google, 메타데이터 등과 같은 중앙 집중식 거대 기술 기업에 대한 대안이 될 것입니다.

앨리스가 보호하고 싶은 모델이 있는 상황을 상상할 수 있습니다. 그녀는 모델을 암호화된 형식으로 Bob에게 보내려고 합니다. 이제 Bob은 암호화된 모델을 수신하고 암호화된 모델에서 자신의 데이터를 실행해야 합니다. 어떻게 해야 하나요? 그런 다음 소위 완전 동형 암호화를 사용하여 암호화된 데이터를 계산합니다. 사용자가 암호화된 모델과 일반 텍스트 데이터를 가지고 있는 경우 암호화된 모델은 일반 텍스트 데이터에서 실행될 수 있으며 암호화된 결과를 수신하고 얻을 수 있습니다. 암호화된 결과를 Alice에게 다시 보내면 Alice는 이를 해독하여 일반 텍스트 결과를 볼 수 있습니다.

이것은 실제로 이미 존재하는 기술입니다. 문제는 현재 기술이 중형 모델에 잘 작동하는데, 이를 더 큰 모델로 확장할 수 있느냐는 것입니다.이는 상당히 어려운 일이며 더 많은 기업의 노력이 필요합니다.

상태, 과제 및 인센티브

저는 이것이 컴퓨팅의 분산화에 관한 것이라고 생각합니다. 첫 번째는 ZK로 해결할 수 있는 검증 문제이지만 현재 이러한 기술은 더 작은 모델만 처리할 수 있습니다. 우리가 직면한 과제는 이러한 암호화 기본 요소의 성능이 매우 큰 모델의 훈련이나 추론에 충분하지 않다는 것입니다. 따라서 점점 더 커지는 워크로드를 효율적으로 증명할 수 있도록 증명 프로세스의 성능을 향상시키기 위한 많은 작업이 진행되고 있습니다.
동시에 일부 회사에서는 암호화 이상의 다른 기술도 사용하고 있습니다. 대신, 게임 이론적인 성격의 기술을 사용하여 더 독립적인 사람들이 작업을 수행할 수 있도록 했습니다. 이는 암호화에 의존하지 않는 게임 이론적이고 낙관적인 접근 방식이지만 AI를 분산시키거나 AI 생태계를 조성하는 데 도움을 준다는 더 큰 목표와 여전히 일치합니다. 이것이 openai 등의 기업들이 제안하는 목표입니다.

두 번째 큰 문제는 분산 시스템 문제입니다. 예를 들어, 통합된 컴퓨팅 언더레이처럼 느껴지는 네트워크에 gp를 기여하기 위해 대규모 커뮤니티를 어떻게 조정합니까? 어떻게 하면 머신러닝의 작업 부하를 합리적으로 분해하고, 네트워크의 여러 노드에 서로 다른 작업 부하를 할당하며, 이 모든 작업을 효율적으로 수행하는 방법 등 많은 과제가 있을 것입니다.

현재 기술은 기본적으로 중형 모델에는 적용이 가능하지만, gpt 3나 gpt 4만큼 큰 모델에는 적용이 불가능합니다. 물론 다른 방법도 있습니다. 예를 들어, 여러 사람이 훈련하고 결과를 비교할 수 있으므로 게임 이론적 인센티브가 있습니다. 사람들이 속임수를 쓰지 않도록 장려하십시오. 누군가 부정행위를 하면 다른 사람들은 자신이 잘못된 훈련 결과를 계산했다고 불평할 수 있습니다. 그러면 부정행위를 하는 사람은 돈을 받지 못합니다.
또한 커뮤니티의 데이터 소스를 분산화하여 대규모 기계 학습 모델을 교육할 수도 있습니다. 마찬가지로 중앙 집중식 조직 대신 모든 데이터를 수집하고 모델을 직접 교육할 수도 있습니다. 이는 일종의 시장을 만들어서 달성할 수 있습니다. 이는 방금 설명한 컴퓨팅 시장과 유사합니다.

또한 인센티브 측면에서 볼 수 있는데, 사람들이 대규모 데이터 세트에 새로운 데이터를 제공하고 모델을 훈련하는 데 사용되도록 장려할 수 있습니다. 여기서의 어려움은 검증 과제와 유사합니다. 사람들이 기여하는 데이터가 정말 좋은 데이터인지 어떻게든 검증해야 합니다. 데이터는 중복되지도 않고 무작위로 생성된 정크도 아니며 어떻게든 허위로 생성되지도 않습니다.

또한 데이터가 어떤 방식으로든 모델을 전복시키지 않는지 확인하세요. 그렇지 않으면 모델 성능이 실제로 점점 더 나빠질 것입니다. 아마도 우리는 기술적 솔루션과 소셜 솔루션의 혼합에 의존해야 할 것입니다. 이 경우 커뮤니티 구성원이 액세스할 수 있는 일종의 사이트 측정항목을 통해 신뢰도를 구축하여 데이터를 제공할 때 더 많은 결과를 얻을 수 있다는 것이 밝혀졌습니다. 믿을 만한.

그렇지 않으면 실제로 커버리지 데이터 배포를 달성하는 데 매우 오랜 시간이 걸립니다. 기계 학습의 과제 중 하나는 모델이 훈련 데이터 세트가 도달할 수 있는 분포만 실제로 다룰 수 있다는 것입니다. 훈련 데이터의 분포를 크게 벗어나는 일부 입력이 있는 경우 모델은 실제로 전혀 예측할 수 없는 동작을 할 수 있습니다. 모델이 현실 세계에서 접할 수 있는 엣지 케이스, 블랙 스완 데이터 포인트 또는 데이터 입력에서 잘 작동하려면 최대한 포괄적인 데이터 세트가 필요합니다.

따라서 데이터 세트에 대한 데이터를 제공하는 이러한 종류의 개방형 분산형 시장이 있다면 고유한 데이터를 가진 전 세계 누구나 ​​해당 데이터를 네트워크에 제공할 수 있으며 이는 훨씬 더 나은 방법입니다. 왜냐하면 중앙기업으로 하려고 하면 그 데이터의 주인이 누구인지 알 길이 없기 때문입니다. 따라서 이러한 사람들이 나서서 해당 데이터를 제공하도록 인센티브를 만들 수 있다면 실제로 롱테일 데이터에 대한 훨씬 더 나은 적용 범위를 얻을 수 있다고 생각합니다.

따라서 우리는 귀하가 제공하는 데이터가 실제인지 확인하는 몇 가지 메커니즘을 갖추어야 합니다. 한 가지 방법은 신뢰할 수 있는 하드웨어에 의존하고, 센서 자체에 신뢰할 수 있는 하드웨어를 내장하도록 하고, 하드웨어에서 올바르게 서명된 데이터만 신뢰하는 것입니다. 그렇지 않으면 데이터의 신뢰성을 구별하기 위한 다른 메커니즘이 있어야 합니다.
현재 머신러닝에는 두 가지 중요한 추세가 있습니다. 첫째, 머신러닝 모델의 성능 측정 방법은 지속적으로 개선되고 있지만 아직 초기 단계에 불과해 다른 모델의 성능이 어느 정도인지 알기가 현실적으로 어렵다. 또 다른 추세는 모델이 작동하는 방식을 더 잘 설명하고 있다는 것입니다.

따라서 이 두 가지 점을 바탕으로 어느 시점에서는 데이터 세트가 기계 학습 모델의 성능에 미치는 영향을 이해할 수 있을 것입니다. 제3자가 제공한 데이터 세트가 기계 학습 모델의 성능에 기여하는지 여부를 이해할 수 있다면 이러한 기여에 대해 보상하고 이 시장의 존재를 위한 모멘텀을 만들 수 있습니다.
사람들이 특정 유형의 문제를 해결하는 훈련된 모델을 제공하는 공개 시장을 만들 수 있거나 일종의 테스트를 포함하는 스마트 계약을 생성하고 누군가 zkml을 사용하여 모델을 제공할 수 있다고 상상해 보십시오. 모델은 결과 시나리오인 테스트를 해결합니다. 이제 사람들이 특정 문제를 해결하는 기계 학습 모델에 기여할 때 인센티브를 받는 시장을 만드는 데 필요한 도구가 있습니다.

AI와 암호화는 어떻게 비즈니스 모델을 형성하나요?

암호화폐와 인공지능의 교차점 뒤에 있는 비전은 인공지능이라는 신기술로 얻은 가치를 더 많은 사람들에게 분배하는 일련의 프로토콜을 만들고, 모두가 기여하고 공유할 수 있다는 것입니다. 이 신기술의 이점 .

따라서 이익을 얻을 수 있는 사람은 컴퓨팅 파워에 기여하는 사람, 데이터에 기여하는 사람 또는 네트워크에 새로운 머신러닝 모델을 기여하는 사람이 될 것이며, 이를 통해 더 나은 머신러닝 모델을 훈련하여 더 중요한 문제를 해결할 수 있습니다.

네트워크의 수요 측면에서도 이익을 얻을 수 있습니다. 그들은 이 네트워크를 자체 기계 학습 모델을 훈련하기 위한 인프라로 사용합니다. 어쩌면 그들의 모델이 차세대 채팅 도구와 같은 흥미로운 것에 기여할 수도 있습니다. 이러한 모델에서는 이들 기업이 자체 비즈니스 모델을 가지게 되므로 스스로 가치 창출을 추진할 수 있습니다.

이 네트워크를 구축하는 사람도 혜택을 받습니다. 예를 들어 커뮤니티에 배포할 네트워크에 대한 토큰을 만듭니다. 이 모든 사람들은 컴퓨팅 데이터와 모델을 위한 이 분산형 네트워크에 대한 공동 소유권을 갖게 되며, 또한 이 네트워크를 통해 발생하는 모든 경제 활동의 가치 중 일부를 포착할 수 있게 됩니다.

상상할 수 있듯이 이 네트워크를 통과하는 모든 거래, 계산, 데이터 또는 모델에 대한 비용을 지불하는 모든 지불 방법에는 전체 네트워크가 관리하는 금고에 들어가는 수수료가 부과될 가능성이 높습니다. 토큰 보유자는 네트워크를 공동으로 소유합니다. 이는 본질적으로 네트워크 자체의 비즈니스 모델입니다.

AI로 코드 보안 강화

많은 청취자들은 코드 생성에 사용되는 도구인 co-pilot에 대해 들어봤을 것입니다. 이러한 공동 생성 도구를 사용하여 견고성 계약 또는 암호화 코드를 작성할 수 있습니다. 제가 강조하고 싶은 것은 그렇게 하는 것이 실제로는 매우 위험하다는 것입니다. 왜냐하면 실행을 시도할 때 이러한 시스템은 실제로 작동하지만 안전하지 않은 코드를 생성하는 경우가 많기 때문입니다.

실제로 우리는 최근 이 문제에 대한 논문을 썼습니다. 부조종사가 간단한 암호화 기능을 작성하도록 하면 올바른 암호화 기능을 제공한다는 내용입니다. 하지만 잘못된 작동 모드를 사용하므로 결국 안전하지 않은 암호화 모드가 됩니다.

왜 이런 일이 발생하는지 물을 수 있습니다. 그 이유 중 하나는 이러한 모델이 기본적으로 기존 코드에서 훈련되고, github 저장소에서 훈련된다는 것입니다. 많은 github 저장소는 실제로 다양한 공격에 취약합니다. 따라서 이러한 모델에서 학습된 코드는 작동하지만 안전하지는 않습니다. 그것은 쓰레기를 생산하는 품질이 낮은 쓰레기와 같습니다. 따라서 사람들이 이러한 생성 모델을 사용하여 코드를 생성할 때 주의하고, 코드가 실제로 해야 할 일을 수행하고 있는지, 안전하게 수행하는지 다시 확인하기를 바랍니다.

인공 지능 모델을 다른 도구와 결합하여 코드를 생성하여 전체 프로세스에 오류가 없는지 확인할 수 있습니다. 예를 들어, 한 가지 아이디어는 LLM 모델을 사용하여 공식 검증 시스템에 대한 사양을 생성하고 LLM에 공식 검증 도구에 대한 사양을 생성하도록 요청하는 것입니다. 그런 다음 동일한 llm 인스턴스에 사양을 준수하는 프로그램을 생성하도록 요청한 다음 정식 검증 도구를 사용하여 프로그램이 실제로 사양을 준수하는지 확인합니다. 취약점이 있으면 도구가 이를 포착합니다. 이러한 오류는 피드백으로 llm에 다시 피드백될 수 있으며, 이상적으로는 llm이 작업을 수정한 다음 또 다른 올바른 버전의 코드를 생성할 수 있습니다.

결국 반복하면 이상적으로는 이 반환 값을 정확하게 만족시키고 이 반환 값도 충족하는지 공식적으로 확인하는 코드 조각이 생성됩니다. 그리고, 인간은 역추적을 읽을 수 있기 때문에 역추적을 통해 이것이 내가 작성하고 싶었던 프로그램임을 알 수 있습니다. 실제로 Unity 스마트 계약, C 및 C plus와 같은 소프트웨어 버그를 찾는 데 있어 LLM의 능력을 평가하려는 사람들이 이미 많이 있습니다.

그렇다면 LLM 생성 코드가 사람이 생성한 코드보다 버그를 포함할 가능성이 적은 지점에 도달하고 있습니까? 예를 들어, 자율주행에 관해 이야기할 때 우리가 관심을 두는 것은 인간 운전자보다 충돌 가능성이 적은가 하는 것입니다. 나는 이러한 추세가 더욱 강력해지고 기존 툴체인에 더욱 통합될 것이라고 생각합니다.

이를 정식 검증 도구 체인에 통합할 수 있고 앞서 언급한 메모리 관리 문제를 확인하는 도구와 같은 다른 도구에 통합할 수도 있습니다. 또한 LLM이 진공 상태에서 작동하지 않도록 단위 테스트 및 통합 테스트 도구 체인에 통합할 수도 있습니다. 실제 정보와 연결하는 다른 도구로부터 실시간 피드백을 받습니다.

저는 세상의 모든 데이터에 대해 훈련된 매우 큰 기계 학습 모델과 이러한 다른 도구를 결합함으로써 인간 프로그래머보다 더 나은 컴퓨팅 프로그램을 만드는 것이 가능할 수 있다고 생각합니다. 비록 그들이 여전히 실수를 하더라도 그들은 단지 초인적일 수도 있습니다. 이는 소프트웨어 엔지니어링에서 중요한 순간이 될 것입니다.

인공지능과 소셜 그래프

또 다른 가능성은 실제로 Weibo와 매우 유사하게 작동하지만 소셜 그래프가 실제로는 완전히 온체인인 분산형 소셜 네트워크를 구축할 수 있다는 것입니다. 누구나 구축할 수 있는 공개 제품과 거의 같습니다. 사용자는 소셜 그래프에서 자신이 누구인지 제어할 수 있습니다. 당신은 당신이 팔로우하는 사람과 당신을 팔로우할 수 있는 사람을 통제할 수 있습니다. 또한 소셜 그래프에는 사용자에게 트위터, 인스타그램, 틱톡 등 원하는 모든 경험을 제공하는 포털을 구축하는 수많은 회사가 있습니다.

하지만 이 모든 것은 동일한 소셜 그래프를 기반으로 구축되었으며 누구도 이를 소유하지 않으며 중간에 있는 수십억 달러 규모의 기술 회사도 이를 완전히 통제하지 않습니다.

세상은 더욱 활기차고, 사람들이 함께 만들어가는 생태계를 가질 수 있다는 것을 의미하기 때문에 흥미로운 세상입니다. 모든 사용자는 플랫폼에서 보고 수행하는 내용을 더 효과적으로 제어할 수 있습니다.

그러나 동시에 사용자는 잡음으로부터 신호를 필터링해야 합니다. 예를 들어, 모든 콘텐츠를 필터링하고 정말로 보고 싶은 뉴스 소스를 표시하려면 합리적인 추천 알고리즘을 개발해야 합니다. 이는 서비스를 제공하는 플레이어들의 경쟁의 장인 전체 시장에 대한 문을 열 것입니다. 알고리즘을 사용하고 AI 기반 알고리즘을 사용하여 콘텐츠를 선별할 수 있습니다. 사용자로서 귀하는 특정 알고리즘(예: 트위터에서 설정한 알고리즘 또는 기타 알고리즘)을 사용할지 여부를 결정할 수 있습니다. 그러나 다시 말하지만, 생성 모델이 세상의 모든 쓰레기를 생성하는 세상에서 소음을 걸러내고 모든 쓰레기를 구문 분석하는 데 도움이 되는 기계 학습과 같은 도구도 필요합니다.

인간 증명이 중요한 이유는 무엇입니까?

매우 적절한 질문은 인위적으로 가짜 콘텐츠가 넘쳐나는 세상에서 당신이 실제로 인간이라는 것을 어떻게 증명할 수 있느냐는 것입니다.

생체 인식은 가능한 방향 중 하나이며, 프로젝트 중 하나는 망막 스캔을 생체 정보로 사용하여 실제 사람인지 확인하고 단순한 눈이 아닌 실제로 살아있는 사람인지 확인하는 월드 코인(World Coin)입니다. 사진. 이 시스템은 변조하기가 매우 어려운 보안 하드웨어를 갖추고 있으므로 반대편에서 나오는 증거, 실제 생체 인식을 가리는 영지식 증명은 이런 방식으로 위조하기가 매우 어렵습니다.

인터넷에서는 당신이 로봇인 줄 아는 사람이 아무도 없습니다. 그래서 저는 인간성 증명 프로젝트가 정말 중요해지는 지점이 바로 여기라고 생각합니다. 왜냐하면 여러분이 로봇과 상호작용하는지 아니면 인간과 상호작용하는지 아는 것이 정말 중요하기 때문입니다. 인간의 증거가 없으면 주소가 한 사람의 것인지, 아니면 여러 사람의 그룹인지, 10,000개의 주소가 실제로 한 사람의 것인지, 아니면 단지 10,000개인 것처럼 가장하는 것인지 알 수 없습니다. 다른 사람들.

이는 거버넌스에서 매우 중요합니다. 거버넌스 시스템의 모든 참가자가 자신이 실제로 인간임을 증명할 수 있고, 눈알이 한 세트만 있기 때문에 고유한 방식으로 자신이 인간임을 증명할 수 있다면 거버넌스 시스템은 더 공정해질 것이며, 그렇지 않을 것입니다. 그런 다음 금권화(특정 스마트 계약에 고정된 최대 금액에 대한 선호를 기반으로 함).

AI와 예술

AI 모델은 우리가 무한한 미디어 풍부의 세계, 즉 특정 매체를 둘러싼 커뮤니티나 특정 매체를 둘러싼 내러티브가 점점 더 중요해지는 세계에 살게 될 것임을 의미합니다.

예를 들어, Sound.xyz는 아티스트, 음악가가 음악을 업로드한 다음 NFT를 판매하여 커뮤니티와 직접 연결할 수 있는 분산형 음악 스트리밍 플랫폼을 구축하고 있습니다. 예를 들어, Sound dot xyz 웹 사이트의 트랙에 댓글을 달면 해당 노래를 연주하는 다른 사람도 댓글을 볼 수 있습니다. 이는 이전 Sound Cloud 기능과 유사합니다. NFT를 구매하는 행위는 아티스트를 지원하여 그들이 지속 가능한 발전을 이루고 더 많은 음악 작품을 창작할 수 있도록 돕는 것이기도 합니다. 하지만 이 모든 것의 장점은 아티스트에게 실제로 커뮤니티에 참여할 수 있는 플랫폼을 제공한다는 것입니다. 예술가는 모두의 예술가이다.

암호화폐가 여기서 하는 일 때문에 인간의 요소 없이 기계 학습 모델에 의해 음악이 만들어졌다면 존재하지 않았을 음악을 중심으로 커뮤니티를 만들 수 있습니다.

우리가 접하게 될 많은 음악은 전적으로 AI로 생성될 것이며 예술, 음악, 기타 유형의 미디어에 대한 커뮤니티를 구축하고 이야기를 전달하는 도구는 실제로 AI로 생성될 것입니다. 중요한 점은 우리가 정말로 관심을 갖고 투자하고 싶은 것을 하나로 모으는 것과 참여하는 데 시간이 걸리는 미디어는 일반적으로 다른 미디어와 구별된다는 것입니다.

많은 음악이 인공 지능에 의해 향상되거나 생성되므로 둘 사이에는 시너지 효과가 있을 수 있습니다. 그러나 인간적인 요소도 관련되어 있다면, 예를 들어 창작자가 AI 도구를 사용하여 새로운 음악 작품을 만들고, 자신만의 음향 시그니처와 아티스트 페이지, 커뮤니티, 팔로어가 있는 등의 작업을 할 수 있습니다. .

이제 두 세계 사이에는 시너지 효과가 있으며 AI가 당신에게 초능력을 부여하기 때문에 최고의 음악을 즐길 수 있습니다. 그러나 동시에 이 모든 사람들을 하나의 플랫폼에 모을 수 있는 암호화 기술을 통해 조정되고 활성화되는 인간적 요소와 스토리도 있습니다.

콘텐츠 생성에 있어서는 확실히 완전히 새로운 세계입니다. 그렇다면 인간이 만든 예술과 지원이 필요한 기계가 만든 예술을 어떻게 구별할 수 있을까요?

이는 실제로 단일 예술가가 아닌 전체 커뮤니티의 창작 과정을 통해 나타나는 예술, 집단 예술의 문을 열어줍니다. 커뮤니티가 일부 투표 절차를 통해 체인에 영향을 미치고 기계 학습 모델의 신호를 기반으로 작품을 생성하는 프로젝트가 이미 있습니다. 어쩌면 당신은 예술 작품 한 점이 아니라 만 점을 만들어낼 수도 있습니다. 그런 다음 커뮤니티의 피드백을 바탕으로 훈련된 또 다른 기계 학습 모델을 사용하여 10,000개 중에서 가장 좋은 모델을 선택합니다.