Variant Fund：加密世界如何塑造更有品味的AI模型？
原文作者： Alana Levin
原文編譯：深潮 TechFlow
在過去兩年裡，新的 AI 模式層出不窮。這些 AI 模型能夠完成許多類型的任務——從尋找資訊和回答問題，到提供客戶支援、校對文件、生成內容等。
許多這樣的任務是客觀的，有明確的優化功能：找到正確的答案，識別最相關的訊息，檢測任何錯誤或異常等。
但也有一些模型的輸出結果極為主觀，例如製作「優秀」的藝術作品或開發「有趣」的影片。我稱這些為「具有品味的模型」。基於品味的模型往往更難優化，因為它們是集體與個體決定的混合體；沒有明顯的答案或輸出。因此，頻繁的回饋對於幫助模型了解最新的文化偏好尤其寶貴。
如今，大致有兩種方式可以培養模型的「品味」：
基於用戶生成的內容/數據（如 Twitter 或 Reddit 的提要），這在理論上可以揭示人類關注的最新動向（從而充當品味的代表）。
利用人類「品味制定者」社群來幫助模型圍繞他們的偏好進行主動訓練。
第一種方法存在許多不理想的情況。數據可能是孤立的（例如 Reddit 關閉其 API）或引入了偏見（例如，隻共享部分數據）。模型也可能過度適應特定平台的演算法，尤其是如果它的資料來源選擇有限。這可能聽起來不重要，直到人們開始想像基於 Twitter 熱門內容產生的大量新媒體。這並不理想。
後一種方法，一個由人類提供回饋的網絡，避免了上述許多風險。可能仍然會有偏差，但僅在於它包括了選擇加入幫助訓練模型的社群成員的偏好。因此，關鍵在於確保這些社群成員，即制定「品味」的人，與模型真正培養出好品味息息相關。
加密軌道可以幫助促進這種一致性。在模型中提供所有權/給予參與成員模型輸出的經濟利益，可以激勵他們真正參與。加密貨幣也使得參與變得更加開放和容易：世界上任何地方的任何人都可以貢獻，只要他們擁有鏈上錢包和網路連線。
一個值得注意的例子是Botto專案。 Botto 是一位自治藝術家，$BOTTO 代幣持有者有能力幫助每週訓練模型。訓練很簡單：參與者對各種圖片進行投贊成或反對票，Botto 從成員的偏好中學習。一週結束時，最受歡迎的作品會被拍賣，而那週幫助訓練 Botto 的參與者將獲得報酬。
藝術只是具有品味模型的一個類別。其他可能包括電影、電視、其他形式的故事敘述（小說、短篇小說）、喜劇和廣告/品牌活動。即使是幾年前，這些具有品味的模型也是不可能的。這些工具表現力較差，速度較慢，無法可靠地指望模型產生有凝聚力的或（在視訊的情況下）逼真的輸出。只有今天，這些才變成可能。
重要的是，具有品味的模型擁有大量（且不斷增長的）潛在市場。藝術是一個價值數十億美元的市場。線上消費的內容每年佔了數兆小時的注意力。如果人們已經打算在這些娛樂形式上花時間和金錢，那麼讓他們在生產中擁有一定的份額似乎是合理的，這不僅會創造一個更積極的用戶基礎，還會創造一個滿意度更高的用戶基礎。想像一下，在奧斯卡最佳影片獎中，主要的參與者是幫助訓練並開發故事情節的觀眾，或者為社區創作的電影設立一個全新的獎項，那會非常酷。
我認為這是創造一個新的內容類別，而不是取代現有的創作。這類似於智慧型手機和 Instagram 讓每個人都能成為攝影師，這些新技術的存在並沒有消除實際攝影師的工作，實際上，反而可能讓更多人欣賞攝影師的工作。具有品味的模型也是一樣：它們透過利用新技術，這裡指的是用於消費者所有權和經濟對接的加密軌道，創造了一種新的參與形式，從而擴展了上述每個類別。
在過去幾年中，我們已經看到了數千種新模型的出現。接下來的幾年可能還會有數百萬（甚至更多）的新模型出現，至少有一些模型應該努力以新的方式吸引利益相關者，從更大的開放性和可及性，到嘗試激勵措施的新型所有權結構。有品味的模型是特別適合這種創新的一個領域，但它們不可能是最後一個。
