Mọi người đều rõ ràng rằng, trở ngại lớn nhất khi triển khai mô hình AI lớn vào các lĩnh vực ứng dụng như tài chính, y tế, pháp luật là một: vấn đề "ảo giác" trong kết quả đầu ra của AI không thể đáp ứng độ chính xác cần thiết cho các ứng dụng thực tế. Làm thế nào để giải quyết vấn đề này? Gần đây, @Mira_Network đã ra mắt mạng thử nghiệm công khai, đưa ra một giải pháp, để tôi nói cho bạn biết điều gì đang diễn ra:
Đầu tiên, các công cụ mô hình AI lớn có tình trạng "ảo giác", mọi người đều có thể cảm nhận được, nguyên nhân chủ yếu có hai điểm:
Dữ liệu huấn luyện AI LLMs không đủ hoàn chỉnh, mặc dù quy mô dữ liệu đã rất lớn, nhưng vẫn không thể bao phủ một số thông tin trong các lĩnh vực ngách hoặc chuyên môn, lúc này AI có xu hướng thực hiện "bổ sung sáng tạo" dẫn đến một số lỗi thời gian thực;
2、Các LLM AI về bản chất đều dựa vào "mẫu xác suất", nó nhận diện các mẫu thống kê và mối quan hệ trong dữ liệu đào tạo, chứ không phải là "hiểu" thực sự, do đó sự ngẫu nhiên của mẫu xác suất, sự không nhất quán trong kết quả đào tạo và suy luận, v.v. sẽ dẫn đến AI gặp sai lệch trong việc xử lý các vấn đề thực tế có độ chính xác cao;
Làm thế nào để giải quyết vấn đề này? Trên nền tảng ArXiv của Đại học Cornell, một bài báo đã được công bố về phương pháp xác minh tính đáng tin cậy của kết quả LLMs thông qua nhiều mô hình.
Hiểu đơn giản, đó là trước tiên để mô hình chính tạo ra kết quả, sau đó tích hợp nhiều mô hình xác thực để thực hiện "phân tích bỏ phiếu đa số" về vấn đề đó, từ đó có thể giảm thiểu "huyễn hoặc" mà mô hình tạo ra.
Trong một loạt các thử nghiệm, phương pháp này có thể nâng cao độ chính xác của đầu ra AI lên tới 95,6%.
Vì vậy, chắc chắn cần một nền tảng xác minh phân phối để quản lý và xác minh quá trình tương tác hợp tác giữa mô hình chính và mô hình xác minh. Mira Network chính là một mạng trung gian được xây dựng đặc biệt để xác minh AI LLMs, tạo ra một lớp xác minh đáng tin cậy giữa người dùng và các mô hình AI cơ bản.
Với sự tồn tại của mạng lớp xác minh này, các dịch vụ tích hợp bao gồm bảo vệ quyền riêng tư, đảm bảo độ chính xác, thiết kế có thể mở rộng, giao diện API được tiêu chuẩn hóa và các dịch vụ tích hợp khác có thể được hiện thực hóa và khả năng AI hạ cánh trong các kịch bản ứng dụng được chia nhỏ khác nhau có thể được mở rộng bằng cách giảm ảo ảnh đầu ra của AI LLM, đây cũng là một thực tiễn trong việc thực hiện các dự án AI LLM của mạng xác minh phân tán Crypto.
Ví dụ, Mira Network đã chia sẻ một số trường hợp trong tài chính, giáo dục, và hệ sinh thái blockchain mà có thể làm chứng.
1）Gigabrain sau khi tích hợp Mira vào một nền tảng giao dịch, hệ thống có thể thêm một vòng xác minh độ chính xác của phân tích và dự đoán thị trường, lọc bỏ những gợi ý không đáng tin cậy, có thể nâng cao độ chính xác của tín hiệu giao dịch AI, giúp các AI LLMs hoạt động trong các tình huống DeFi đáng tin cậy hơn.
2）Learnrite sử dụng mira để xác thực các đề thi chuẩn hóa do AI tạo ra, cho phép các tổ chức giáo dục có thể tận dụng quy mô nội dung do AI tạo ra mà không ảnh hưởng đến độ chính xác của nội dung kiểm tra giáo dục, nhằm duy trì các tiêu chuẩn giáo dục nghiêm ngặt;
Dự án Kernel blockchain đã sử dụng cơ chế đồng thuận LLM của Mira để tích hợp vào hệ sinh thái BNB, tạo ra mạng xác thực phi tập trung DVN, giúp đảm bảo một mức độ chính xác và an toàn trong việc thực hiện tính toán AI trên blockchain.
Trên đây.
Thực ra, Mira Network cung cấp dịch vụ mạng đồng thuận trung gian, chắc chắn không phải là con đường duy nhất để nâng cao khả năng ứng dụng AI. Thực tế, việc tăng cường thông qua đào tạo từ phía dữ liệu, tăng cường thông qua tương tác của các mô hình lớn đa phương thức, cũng như tăng cường tính toán riêng tư thông qua các công nghệ mật mã tiềm năng như ZKP, FHE, TEE, v.v. đều là những con đường tùy chọn. Nhưng so với các giải pháp khác, giải pháp của Mira có giá trị ở chỗ thực hiện nhanh chóng và mang lại hiệu quả ngay lập tức.
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Mira Network có thể giải quyết vấn đề "ảo giác" của mô hình AI lớn không?
Tác giả: Haotian
Mọi người đều rõ ràng rằng, trở ngại lớn nhất khi triển khai mô hình AI lớn vào các lĩnh vực ứng dụng như tài chính, y tế, pháp luật là một: vấn đề "ảo giác" trong kết quả đầu ra của AI không thể đáp ứng độ chính xác cần thiết cho các ứng dụng thực tế. Làm thế nào để giải quyết vấn đề này? Gần đây, @Mira_Network đã ra mắt mạng thử nghiệm công khai, đưa ra một giải pháp, để tôi nói cho bạn biết điều gì đang diễn ra:
Đầu tiên, các công cụ mô hình AI lớn có tình trạng "ảo giác", mọi người đều có thể cảm nhận được, nguyên nhân chủ yếu có hai điểm:
2、Các LLM AI về bản chất đều dựa vào "mẫu xác suất", nó nhận diện các mẫu thống kê và mối quan hệ trong dữ liệu đào tạo, chứ không phải là "hiểu" thực sự, do đó sự ngẫu nhiên của mẫu xác suất, sự không nhất quán trong kết quả đào tạo và suy luận, v.v. sẽ dẫn đến AI gặp sai lệch trong việc xử lý các vấn đề thực tế có độ chính xác cao;
Làm thế nào để giải quyết vấn đề này? Trên nền tảng ArXiv của Đại học Cornell, một bài báo đã được công bố về phương pháp xác minh tính đáng tin cậy của kết quả LLMs thông qua nhiều mô hình.
Hiểu đơn giản, đó là trước tiên để mô hình chính tạo ra kết quả, sau đó tích hợp nhiều mô hình xác thực để thực hiện "phân tích bỏ phiếu đa số" về vấn đề đó, từ đó có thể giảm thiểu "huyễn hoặc" mà mô hình tạo ra.
Trong một loạt các thử nghiệm, phương pháp này có thể nâng cao độ chính xác của đầu ra AI lên tới 95,6%.
Vì vậy, chắc chắn cần một nền tảng xác minh phân phối để quản lý và xác minh quá trình tương tác hợp tác giữa mô hình chính và mô hình xác minh. Mira Network chính là một mạng trung gian được xây dựng đặc biệt để xác minh AI LLMs, tạo ra một lớp xác minh đáng tin cậy giữa người dùng và các mô hình AI cơ bản.
Với sự tồn tại của mạng lớp xác minh này, các dịch vụ tích hợp bao gồm bảo vệ quyền riêng tư, đảm bảo độ chính xác, thiết kế có thể mở rộng, giao diện API được tiêu chuẩn hóa và các dịch vụ tích hợp khác có thể được hiện thực hóa và khả năng AI hạ cánh trong các kịch bản ứng dụng được chia nhỏ khác nhau có thể được mở rộng bằng cách giảm ảo ảnh đầu ra của AI LLM, đây cũng là một thực tiễn trong việc thực hiện các dự án AI LLM của mạng xác minh phân tán Crypto.
Ví dụ, Mira Network đã chia sẻ một số trường hợp trong tài chính, giáo dục, và hệ sinh thái blockchain mà có thể làm chứng.
1）Gigabrain sau khi tích hợp Mira vào một nền tảng giao dịch, hệ thống có thể thêm một vòng xác minh độ chính xác của phân tích và dự đoán thị trường, lọc bỏ những gợi ý không đáng tin cậy, có thể nâng cao độ chính xác của tín hiệu giao dịch AI, giúp các AI LLMs hoạt động trong các tình huống DeFi đáng tin cậy hơn.
2）Learnrite sử dụng mira để xác thực các đề thi chuẩn hóa do AI tạo ra, cho phép các tổ chức giáo dục có thể tận dụng quy mô nội dung do AI tạo ra mà không ảnh hưởng đến độ chính xác của nội dung kiểm tra giáo dục, nhằm duy trì các tiêu chuẩn giáo dục nghiêm ngặt;
Trên đây.
Thực ra, Mira Network cung cấp dịch vụ mạng đồng thuận trung gian, chắc chắn không phải là con đường duy nhất để nâng cao khả năng ứng dụng AI. Thực tế, việc tăng cường thông qua đào tạo từ phía dữ liệu, tăng cường thông qua tương tác của các mô hình lớn đa phương thức, cũng như tăng cường tính toán riêng tư thông qua các công nghệ mật mã tiềm năng như ZKP, FHE, TEE, v.v. đều là những con đường tùy chọn. Nhưng so với các giải pháp khác, giải pháp của Mira có giá trị ở chỗ thực hiện nhanh chóng và mang lại hiệu quả ngay lập tức.