原文作者： Alana Levin
原文编译：深潮 TechFlow
在过去两年里，新的 AI 模型层出不穷。这些 AI 模型能够完成许多类型的任务——从查找信息和回答问题，到提供客户支持、校对文档、生成内容等。
许多这样的任务是客观的，有明确的优化功能：找到正确的答案，识别最相关的信息，检测任何错误或异常等。
但也有一些模型的输出结果极为主观，比如制作“优秀”的艺术作品或开发“有趣”的视频。我称这些为“具有品味的模型”。基于品味的模型往往更难优化，因为它们是集体与个体决定的混合体；没有明显的答案或输出。因此，频繁的反馈对于帮助模型了解最新的文化偏好尤为宝贵。
如今，大致有两种方式可以培养模型的“品味”：
-
基于用户生成的内容/数据（如 Twitter 或 Reddit 的提要），这在理论上可以揭示人类关注的最新动向（从而充当品味的代表）。
-
利用人类“品味制定者”社区来帮助模型围绕他们的偏好进行主动训练。
第一种方法存在许多不理想的情况。数据可能是孤立的（例如 Reddit 关闭其 API）或引入了偏见（例如，只共享部分数据）。模型也可能过度适应特定平台的算法，尤其是如果它的数据来源选择有限。这可能听起来不重要，直到人们开始想象基于 Twitter 热门内容生成的大量新媒体。这并不理想。
后一种方法，一个由人类提供反馈的网络，避免了上述许多风险。可能仍然会有偏差，但仅在于它包括了选择加入帮助训练模型的社区成员的偏好。因此，关键在于确保这些社区成员，即制定“品味”的人，与模型真正培养出好品位息息相关。
加密轨道可以帮助促进这种一致性。在模型中提供所有权/给予参与成员模型输出的经济利益，可以激励他们真正参与。加密货币还使得参与变得更开放和容易：世界上任何地方的任何人都可以贡献，只要他们拥有链上钱包和网络连接。
一个值得注意的例子是 Botto 项目。Botto 是一个自治艺术家，$BOTTO 代币持有者有能力帮助每周训练模型。训练很简单：参与者对各种图片进行投赞成或反对票，Botto 从成员的偏好中学习。一周结束时，最受欢迎的作品会被拍卖，而那周帮助训练 Botto 的参与者将获得报酬。
艺术只是具有品味模型的一个类别。其他可能包括电影、电视、其他形式的故事讲述（小说、短篇小说）、喜剧和广告/品牌活动。即使是几年前，这些具有品味的模型也是不可能的。这些工具表现力较差，速度较慢，无法可靠地指望模型产生有凝聚力的或（在视频的情况下）逼真的输出。只有今天，这些才变得可能。
重要的是，具有品味的模型拥有大量（且不断增长的）潜在市场。艺术是一个价值数十亿美元的市场。线上消费的内容每年占据了数万亿小时的注意力。如果人们已经打算在这些娱乐形式上花时间和金钱，那么让他们在生产中拥有一定的份额似乎是合理的，这不仅会创造一个更积极的用户基础，还会创造一个满意度更高的用户基础。想象一下，在奥斯卡最佳影片奖中，主要的参与者是帮助训练并开发故事情节的观众，或者为社区创作的电影设立一个全新的奖项，那会非常酷。
我认为这是创造一种新的内容类别，而不是取代现有的创作。这类似于智能手机和 Instagram 使每个人都能成为摄影师，这些新技术的存在并没有消除实际摄影师的工作，实际上，可能反而让更多人欣赏摄影师的工作。具有品味的模型也是一样：它们通过利用新技术，这里指的是用于消费者所有权和经济对接的加密轨道，创造了一种新的参与形式，从而扩展了上述每个类别。
在过去几年中，我们已经看到了数千种新模型的出现。接下来的几年可能还会有数百万（甚至更多）的新模型出现，至少有一些模型应该努力以新的方式吸引利益相关者，从更大的开放性和可及性，到尝试激励措施的新型所有权结构。有品位的模型是特别适合这种创新的一个领域，但它们不可能是最后一个。
原文链接
