Todos estão cientes de que o maior obstáculo para a implementação de grandes modelos de IA em cenários de aplicação vertical, como finanças, saúde e direito, é um: o problema das "alucinações" nos resultados da IA que não conseguem corresponder à precisão necessária nos cenários de aplicação real. Como resolver isso? Recentemente, @Mira_Network lançou o Testnet, apresentando uma solução. Deixe-me explicar o que está acontecendo:
Primeiro, as ferramentas de grandes modelos de IA apresentam situações de "ilusão", o que todos conseguem perceber, e as razões principais são duas:
Os dados de treinamento dos LLMs de IA não são suficientemente completos. Embora a quantidade de dados já seja muito grande, ainda não conseguem cobrir informações de nichos ou áreas especializadas. Nesse caso, a IA tende a fazer "complementação criativa", levando a alguns erros de temporalidade.
2、Os LLMs de IA dependem essencialmente de "amostragem probabilística", que identifica padrões estatísticos e correlações nos dados de treinamento, e não de uma verdadeira "compreensão". Portanto, a aleatoriedade da amostragem probabilística, a inconsistência nos resultados de treinamento e inferência, entre outros, podem levar a desvios da IA ao lidar com questões factuais de alta precisão;
Como resolver este problema? Foi publicada uma artigo na plataforma ArXiv da Universidade de Cornell que valida, através de múltiplos modelos, um método para aumentar a fiabilidade dos resultados dos LLMs.
Entender de forma simples é que primeiro o modelo principal gera resultados, em seguida, vários modelos de validação são integrados para realizar uma "análise de votação majoritária" sobre o problema, reduzindo assim as "ilusões" geradas pelo modelo.
Em uma série de testes, foi descoberto que este método pode aumentar a precisão da saída da IA para 95,6%.
Dado isso, é certamente necessário uma plataforma de validação distribuída para gerenciar e verificar o processo de interação colaborativa entre o modelo principal e o modelo de validação. A Mira Network é uma rede de middleware construída especificamente para a validação de AI LLMs, criando uma camada de validação confiável entre os usuários e os modelos de IA fundamentais.
Com a existência desta armadilha de rede de validação, é possível implementar serviços integrados, incluindo proteção de privacidade, garantia de precisão, design escalável e interfaces API padronizadas. Isso amplia a possibilidade de aplicação da IA em vários cenários de aplicação segmentados, reduzindo as alucinações geradas por modelos de linguagem de IA, e também representa uma prática de como a rede de validação distribuída Crypto pode atuar no processo de implementação de IA LLMs.
Por exemplo, a Mira Network compartilhou alguns casos nas áreas de finanças, educação e ecossistema de blockchain que podem servir de evidência:
1）Após a integração do Mira na plataforma de negociação Gigabrain, o sistema pode adicionar uma camada de validação à precisão da análise de mercado e previsões, filtrando sugestões não confiáveis, o que pode aumentar a precisão dos sinais de negociação de IA, tornando os LLMs de IA mais confiáveis em cenários DeFai;
2）Learnrite utiliza a mira para validar questões de exames padronizados geradas por IA, permitindo que as instituições educacionais utilizem em larga escala conteúdo gerado por IA, sem comprometer a precisão do conteúdo dos testes educacionais, a fim de manter padrões educacionais rigorosos;
O projeto Kernel da blockchain utilizou o mecanismo de consenso LLM da Mira e integrou-o no ecossistema BNB, criando a rede de validação descentralizada DVN, que garante uma certa medida de precisão e segurança na execução de cálculos de IA na blockchain.
Acima.
Na verdade, a Mira Network oferece um serviço de rede de consenso de middleware, que definitivamente não é a única maneira de aumentar a capacidade de aplicação da IA. De fato, existem caminhos alternativos, como o aumento através do treinamento de dados, o aumento através da interação com grandes modelos multimodais, e o aumento da computação privada através de potenciais tecnologias criptográficas como ZKP, FHE e TEE. Contudo, em comparação, a solução da Mira se destaca pela rápida implementação prática e resultados diretos.
Ver original
O conteúdo serve apenas de referência e não constitui uma solicitação ou oferta. Não é prestado qualquer aconselhamento em matéria de investimento, fiscal ou jurídica. Consulte a Declaração de exoneração de responsabilidade para obter mais informações sobre os riscos.
Como a Mira Network utiliza a Descentralização para resolver o problema "ilusão" dos grandes modelos?
Todos estão cientes de que o maior obstáculo para a implementação de grandes modelos de IA em cenários de aplicação vertical, como finanças, saúde e direito, é um: o problema das "alucinações" nos resultados da IA que não conseguem corresponder à precisão necessária nos cenários de aplicação real. Como resolver isso? Recentemente, @Mira_Network lançou o Testnet, apresentando uma solução. Deixe-me explicar o que está acontecendo:
Primeiro, as ferramentas de grandes modelos de IA apresentam situações de "ilusão", o que todos conseguem perceber, e as razões principais são duas:
2、Os LLMs de IA dependem essencialmente de "amostragem probabilística", que identifica padrões estatísticos e correlações nos dados de treinamento, e não de uma verdadeira "compreensão". Portanto, a aleatoriedade da amostragem probabilística, a inconsistência nos resultados de treinamento e inferência, entre outros, podem levar a desvios da IA ao lidar com questões factuais de alta precisão;
Como resolver este problema? Foi publicada uma artigo na plataforma ArXiv da Universidade de Cornell que valida, através de múltiplos modelos, um método para aumentar a fiabilidade dos resultados dos LLMs.
Entender de forma simples é que primeiro o modelo principal gera resultados, em seguida, vários modelos de validação são integrados para realizar uma "análise de votação majoritária" sobre o problema, reduzindo assim as "ilusões" geradas pelo modelo.
Em uma série de testes, foi descoberto que este método pode aumentar a precisão da saída da IA para 95,6%.
Dado isso, é certamente necessário uma plataforma de validação distribuída para gerenciar e verificar o processo de interação colaborativa entre o modelo principal e o modelo de validação. A Mira Network é uma rede de middleware construída especificamente para a validação de AI LLMs, criando uma camada de validação confiável entre os usuários e os modelos de IA fundamentais.
Com a existência desta armadilha de rede de validação, é possível implementar serviços integrados, incluindo proteção de privacidade, garantia de precisão, design escalável e interfaces API padronizadas. Isso amplia a possibilidade de aplicação da IA em vários cenários de aplicação segmentados, reduzindo as alucinações geradas por modelos de linguagem de IA, e também representa uma prática de como a rede de validação distribuída Crypto pode atuar no processo de implementação de IA LLMs.
Por exemplo, a Mira Network compartilhou alguns casos nas áreas de finanças, educação e ecossistema de blockchain que podem servir de evidência:
1）Após a integração do Mira na plataforma de negociação Gigabrain, o sistema pode adicionar uma camada de validação à precisão da análise de mercado e previsões, filtrando sugestões não confiáveis, o que pode aumentar a precisão dos sinais de negociação de IA, tornando os LLMs de IA mais confiáveis em cenários DeFai;
2）Learnrite utiliza a mira para validar questões de exames padronizados geradas por IA, permitindo que as instituições educacionais utilizem em larga escala conteúdo gerado por IA, sem comprometer a precisão do conteúdo dos testes educacionais, a fim de manter padrões educacionais rigorosos;
Acima.
Na verdade, a Mira Network oferece um serviço de rede de consenso de middleware, que definitivamente não é a única maneira de aumentar a capacidade de aplicação da IA. De fato, existem caminhos alternativos, como o aumento através do treinamento de dados, o aumento através da interação com grandes modelos multimodais, e o aumento da computação privada através de potenciais tecnologias criptográficas como ZKP, FHE e TEE. Contudo, em comparação, a solução da Mira se destaca pela rápida implementação prática e resultados diretos.