
科技行者 5月22日 北京消息 互联网的出现使得消费者得以创造、分享及收听比以往多得多的音乐作品。但与此同时,音乐行业也为此头痛,特别是在考虑如何在复杂的全球经济当中追踪版权并准确向艺术家及唱片公司发放版税方面。
来自伦敦的技术初创企业JAAK公司希望利用更多与金融相关的技术手段——而非娱乐性技术——解决这一难题,而答案正是区块链。
区块链绝不仅仅是像比特币这样的加密货币。虽然加密货币确实需要区块链以追踪及记录交易信息,但作为其底层技术,区块链亦可用于解决其它挑战。
区块链的作用就像一套巨大的数字分类账本,其能够在全局、去中心化公共(通常)网络上实现信息的记录与存储。这意味着只要遵循网络管理规则与协议,任何人都能够向其中添加信息。这同时意味着只要信息被分享至区块链处,即可得到严格保护且无法以欺诈方式进行变更或篡改。
这项技术可应用于加密货币之外的多种场景之下。2016的美国纳斯达克证券单据即利用区块链试行一套系统,确保投资者能够在股东大会上实现安全投票。在医疗卫生方面,有些企业正利用区块链追踪患者的病史,或焦虑及分享临床试验结果。
如今,JAAK公司正在设计一种新的方法,旨在帮助音乐行业建立知识产权领域的全球性视野。
JAAK公司首席执行官Vaughn McKenzie-Landell表示,“从历史角度讲,版权的传递一直非常困难,因为其会随着时间推移发生变化,且从来没能真正在物理框架当中实现具体表达。以往的许多努力都太过分散,且一直无法带来理想的吸引力。”
音乐行业面临的挑战尤为复杂,因为每一首歌曲往往都拥有多种不同版权。
首先是主版权,其涉及完整唱片——此版权通常由唱片公司拥有,且可将其授权给位于它国开展业务的子公司。此外,主版权可能会随时间推移进行转让或重新包装。
接下来是作曲版权。如果不同音乐家在同一曲目中合作,或者某首歌曲成为专辑中的封面曲,那么其版权最终会以多种方式进行拆分。另外,如果该艺术家委派所在地或地区性表演权组织担任其代表,那么这些组织也将享有一定权利。
McKenzie-Landell补充称,“每当您希望使用一首歌曲(可以想想Spotify的情况,其拥有400万首歌曲),那么您必须弄清作者是谁、由谁发行、涉及哪些表演权组织,以及该作品曾出现在哪些专辑当中。”
流媒体的人气逐渐高涨,这意味着人们能够在全球各地随意收听更多音乐。但这同时也给出版及唱片公司带来挑战,他们很难确保版税能够以合适的数额被支付给正确的对象。
JAAK公司给出的解决方案为KORD——一套运行在区块链之上的公有数据网络。其允许用户将自己的权利信息添加到数据库当中,由网络规则检测其中的冲突信息。音乐行业对此表示高度关注,而McKenzie-Landell也因此被《福布斯》评选为今年的“30岁以下三十大杰出人物”,旨在表彰其给整个经济体系带来的颠覆性变革。
McKenzie-Landell指出,“我们正尝试解决一个基于软件的基础设施问题,即利用这套基础设施为用户提供全球性的版权归属视野。其能够实现的功能其实并不复杂,总结起来就是以极具可扩展性的方式实现全球授权。”
5月2日,JAAK公司宣布首个KORD试点项目获得成功。来自音乐价值链各个层面的主要行业领导者也参与其中,包括BMG、全球音乐版权组织、凤凰音乐国际、Outdustry以及华纳音乐集团等等——其为此次试点提供了版权信息。
音乐发行商BMG公司首席技术官Sebastian Hentzschel表示,“从工作室到流媒体网站,更清晰的录音与版权图片可能为艺术家及创作者带来更多收益——而JAAK公司正在带来令人兴奋的光明前景。”
除了测试区块链技术在追踪版权方面的实际表现之外,该公司还希望KORD能够为音乐的商业化与授权方式带来新的实现方向。
JAAK公司首席执行官补充称,“着眼于下一个阶段,区块链这项技术是否真的能够以自动化方式解决这一切?从目前来看,我们正在进行大量测试。我们正在采集数据,着手实施,并对协议及应用程序做出大量调整。在这些工作完成之后,我们将期待这种能够充分证明版权事实的方案真正吸引到行业的广泛参与。”
为了让KORD取得全面成功,全世界的利益相关者需要进行全行业的广泛合作。
“我们的想法是随时间推移逐步渗透,并在过程中真正为每位利益相关者解决给其带来困扰的商业难题。”
这套框架的未来应用将非常广泛,用户将可以利用其管理电视、电影乃至出版物的版税问题。
对于个人来说,大家可以利用其将个人作品及版权添加到网络当中,而后要求其他使用者通过区块链自动实现付款使用。
根据McKenzie-Landell的说法,公有链符合企业利益,并将带来巨大的影响。这项技术与音乐行业相结合之后,似乎将迸发出令人无法忽视的澎湃能量。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。