Semua orang jelas, hambatan terbesar untuk penerapan model AI besar di bidang aplikasi vertikal seperti keuangan, medis, dan hukum adalah satu: masalah "ilusi" yang dihasilkan oleh AI tidak dapat mencocokkan ketepatan yang dibutuhkan dalam skenario aplikasi nyata. Bagaimana cara mengatasinya? Baru-baru ini, @Mira_Network meluncurkan Testnet, memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:
Pertama, alat model besar AI memiliki situasi "ilusi", yang dapat dirasakan oleh semua orang, terutama karena dua alasan:
1、Data pelatihan AI LLMs tidak cukup lengkap, meskipun ukuran datanya sudah sangat besar, tetapi masih tidak dapat mencakup informasi dari beberapa bidang yang kecil atau khusus, pada saat ini AI cenderung melakukan "penyelesaian kreatif" yang kemudian menyebabkan beberapa kesalahan real-time;
2、AI LLMs bekerja secara esensial bergantung pada "pengambilan sampel probabilitas", yang mengenali pola statistik dan keterkaitan dalam data pelatihan, bukan benar-benar "memahami". Oleh karena itu, ketidakpastian dalam pengambilan sampel probabilitas, inkonsistensi dalam hasil pelatihan dan inferensi, dan faktor lainnya dapat menyebabkan AI mengalami bias saat menangani masalah faktual yang sangat akurat;
Bagaimana cara mengatasi masalah ini? Di platform ArXiv Universitas Cornell, telah diterbitkan sebuah artikel yang memverifikasi bersama beberapa model untuk meningkatkan keandalan hasil LLM.
Secara sederhana, ini berarti pertama-tama membiarkan model utama menghasilkan hasil, kemudian mengintegrasikan beberapa model verifikasi untuk melakukan "analisis suara mayoritas" terhadap masalah tersebut, sehingga dapat mengurangi "ilusi" yang dihasilkan oleh model.
Dalam serangkaian pengujian, ditemukan bahwa metode ini dapat meningkatkan akurasi keluaran AI hingga 95,6%.
Oleh karena itu, pasti diperlukan platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang dirancang khusus untuk verifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan antara pengguna dan model AI dasar.
Dengan adanya jaringan lapisan verifikasi ini, layanan terintegrasi seperti perlindungan privasi, jaminan akurasi, desain yang dapat diperluas, dan antarmuka API yang terstandarisasi dapat direalisasikan, yang dapat memperluas kemungkinan penerapan AI di berbagai skenario aplikasi yang tersegmentasi dengan mengurangi ilusi output AI LLMs. Ini juga merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berfungsi dalam proses implementasi AI LLMs.
Misalnya, Mira Network membagikan beberapa contoh di bidang keuangan, pendidikan, dan ekosistem blockchain yang dapat membuktikan:
1）Gigabrain Setelah mengintegrasikan Mira ke dalam platform perdagangan, sistem dapat menambahkan satu lapisan verifikasi untuk menganalisis dan memprediksi akurasi pasar, menyaring saran yang tidak dapat diandalkan, sehingga dapat meningkatkan akurasi sinyal perdagangan AI, membuat AI LLMs lebih dapat diandalkan dalam skenario DeFai;
Learnrite menggunakan mira untuk memverifikasi pertanyaan ujian standar yang dihasilkan oleh AI, memungkinkan lembaga pendidikan untuk memanfaatkan konten yang dihasilkan AI secara besar-besaran, tanpa mempengaruhi akurasi konten pengujian pendidikan, untuk mempertahankan standar pendidikan yang ketat;
Proyek Kernel blockchain memanfaatkan mekanisme konsensus LLM dari Mira dan mengintegrasikannya ke dalam ekosistem BNB, menciptakan jaringan verifikasi terdesentralisasi DVN, sehingga akurasi dan keamanan dalam menjalankan komputasi AI di blockchain terjamin pada tingkat tertentu.
Di atas.
Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, tentu bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada banyak jalur alternatif seperti penguatan melalui pelatihan data, penguatan melalui interaksi model besar multimodal, dan penguatan komputasi privasi melalui teknologi kriptografi potensial seperti ZKP, FHE, TEE, dan sebagainya. Namun, dibandingkan dengan itu, solusi Mira berharga dalam penerapan praktik cepat dan memberikan hasil secara langsung.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Bagaimana Mira Network mengatasi masalah "ilusi" model besar dengan jaringan desentralisasi?
Semua orang jelas, hambatan terbesar untuk penerapan model AI besar di bidang aplikasi vertikal seperti keuangan, medis, dan hukum adalah satu: masalah "ilusi" yang dihasilkan oleh AI tidak dapat mencocokkan ketepatan yang dibutuhkan dalam skenario aplikasi nyata. Bagaimana cara mengatasinya? Baru-baru ini, @Mira_Network meluncurkan Testnet, memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:
Pertama, alat model besar AI memiliki situasi "ilusi", yang dapat dirasakan oleh semua orang, terutama karena dua alasan:
1、Data pelatihan AI LLMs tidak cukup lengkap, meskipun ukuran datanya sudah sangat besar, tetapi masih tidak dapat mencakup informasi dari beberapa bidang yang kecil atau khusus, pada saat ini AI cenderung melakukan "penyelesaian kreatif" yang kemudian menyebabkan beberapa kesalahan real-time;
2、AI LLMs bekerja secara esensial bergantung pada "pengambilan sampel probabilitas", yang mengenali pola statistik dan keterkaitan dalam data pelatihan, bukan benar-benar "memahami". Oleh karena itu, ketidakpastian dalam pengambilan sampel probabilitas, inkonsistensi dalam hasil pelatihan dan inferensi, dan faktor lainnya dapat menyebabkan AI mengalami bias saat menangani masalah faktual yang sangat akurat;
Bagaimana cara mengatasi masalah ini? Di platform ArXiv Universitas Cornell, telah diterbitkan sebuah artikel yang memverifikasi bersama beberapa model untuk meningkatkan keandalan hasil LLM.
Secara sederhana, ini berarti pertama-tama membiarkan model utama menghasilkan hasil, kemudian mengintegrasikan beberapa model verifikasi untuk melakukan "analisis suara mayoritas" terhadap masalah tersebut, sehingga dapat mengurangi "ilusi" yang dihasilkan oleh model.
Dalam serangkaian pengujian, ditemukan bahwa metode ini dapat meningkatkan akurasi keluaran AI hingga 95,6%.
Oleh karena itu, pasti diperlukan platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang dirancang khusus untuk verifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan antara pengguna dan model AI dasar.
Dengan adanya jaringan lapisan verifikasi ini, layanan terintegrasi seperti perlindungan privasi, jaminan akurasi, desain yang dapat diperluas, dan antarmuka API yang terstandarisasi dapat direalisasikan, yang dapat memperluas kemungkinan penerapan AI di berbagai skenario aplikasi yang tersegmentasi dengan mengurangi ilusi output AI LLMs. Ini juga merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berfungsi dalam proses implementasi AI LLMs.
Misalnya, Mira Network membagikan beberapa contoh di bidang keuangan, pendidikan, dan ekosistem blockchain yang dapat membuktikan:
1）Gigabrain Setelah mengintegrasikan Mira ke dalam platform perdagangan, sistem dapat menambahkan satu lapisan verifikasi untuk menganalisis dan memprediksi akurasi pasar, menyaring saran yang tidak dapat diandalkan, sehingga dapat meningkatkan akurasi sinyal perdagangan AI, membuat AI LLMs lebih dapat diandalkan dalam skenario DeFai;
Learnrite menggunakan mira untuk memverifikasi pertanyaan ujian standar yang dihasilkan oleh AI, memungkinkan lembaga pendidikan untuk memanfaatkan konten yang dihasilkan AI secara besar-besaran, tanpa mempengaruhi akurasi konten pengujian pendidikan, untuk mempertahankan standar pendidikan yang ketat;
Proyek Kernel blockchain memanfaatkan mekanisme konsensus LLM dari Mira dan mengintegrasikannya ke dalam ekosistem BNB, menciptakan jaringan verifikasi terdesentralisasi DVN, sehingga akurasi dan keamanan dalam menjalankan komputasi AI di blockchain terjamin pada tingkat tertentu.
Di atas.
Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, tentu bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada banyak jalur alternatif seperti penguatan melalui pelatihan data, penguatan melalui interaksi model besar multimodal, dan penguatan komputasi privasi melalui teknologi kriptografi potensial seperti ZKP, FHE, TEE, dan sebagainya. Namun, dibandingkan dengan itu, solusi Mira berharga dalam penerapan praktik cepat dan memberikan hasil secara langsung.