Mọi người đều rõ ràng, trở ngại lớn nhất khi áp dụng mô hình AI lớn vào các lĩnh vực ứng dụng như tài chính, y tế, pháp lý là vấn đề "ảo giác" trong kết quả đầu ra của AI không thể phù hợp với các tình huống ứng dụng thực tế cần độ chính xác. Làm thế nào để giải quyết vấn đề này? Gần đây, @Mira_Network đã ra mắt Testnet, đưa ra một giải pháp, tôi sẽ nói về điều này:
Đầu tiên, các công cụ mô hình AI lớn có hiện tượng "ảo giác", mọi người đều có thể cảm nhận được, nguyên nhân chủ yếu có hai điểm:
1、Dữ liệu huấn luyện AI LLMs không đủ hoàn chỉnh, mặc dù đã có quy mô dữ liệu rất lớn, nhưng vẫn không thể bao phủ một số thông tin thuộc 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、AI LLMs về bản chất đều dựa vào "mẫu xác suất", nó nhận dạng các mẫu thống kê và mối quan hệ trong dữ liệu huấn luyện, chứ không phải là "hiểu" thực sự, do đó sự ngẫu nhiên của mẫu xác suất, sự không nhất quán trong kết quả huấn luyện và suy luận, v.v. sẽ dẫn đến việc AI gặp sai lệch trong việc xử lý các vấn đề thực tế với độ chính xác cao;
Làm thế nào để giải quyết vấn đề này? Trên nền tảng ArXiv của Đại học Cornell, đã có một bài viết công bố phương pháp xác thực kết quả LLMs bằng cách sử dụng 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 biểu quyết đa số" cho vấn đề đó, từ đó có thể giảm thiểu "ảo giác" 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%.
Vậy thì chắc chắn cần một nền tảng xác thực phân tán để quản lý và xác thực quá trình tương tác hợp tác giữa mô hình chính và mô hình xác thực, Mira Network chính là một mạng trung gian được xây dựng đặc biệt để xác thực AI LLMs, tạo ra một lớp xác thực đáng tin cậy giữa người dùng và các mô hình AI cơ bản.
Với sự tồn tại của mạng lớp xác minh này, có thể thực hiện các dịch vụ tích hợp như bảo vệ quyền riêng tư, đảm bảo độ chính xác, thiết kế có thể mở rộng, giao diện API chuẩn hóa, có thể mở rộng khả năng ứng dụng của AI trong các tình huống ứng dụng khác nhau bằng cách giảm thiểu ảo giác đầu ra của AI LLMs, đồng thời cũng là một thực tiễn mà mạng xác minh phân tán Crypto có thể thực hiện trong quá trình triển khai kỹ thuật AI LLMs.
Ví dụ, Mira Network đã chia sẻ một vài trường hợp trong lĩnh vực tài chính, giáo dục và hệ sinh thái blockchain có thể chứng minh:
1）Gigabrain Một nền tảng giao dịch tích hợp Mira, 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, khiến cho AI LLMs hoạt động trong bẫy DeFai đáng tin cậy hơn.
2）Learnrite sử dụng mira để xác minh các câu hỏi thi tiêu chuẩn hóa do AI tạo ra, cho phép các tổ chức giáo dục có thể sử dụng nội dung do AI tạo ra trên quy mô lớn, đồng thời không ảnh hưởng đến độ chính xác của nội dung kiểm tra giáo dục, nhằm duy trì các tiêu chuẩn giáo dục nghiêm ngặt;
3）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 cho 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 tăng cường khả năng ứng dụng AI. Thực tế, việc tăng cường thông qua đào tạo từ dữ liệu, tăng cường thông qua tương tác của các mô hình lớn đa mô hình, cũng như tăng cường thông qua tính toán riêng tư với các công nghệ mật mã tiềm năng như ZKP, FHE, TEE, v.v. đều là những con đường lựa chọn. Nhưng so với các phương án khác, giải pháp của Mira có giá trị ở chỗ thực hiện nhanh chóng và mang lại hiệu quả trực tiếp.
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 làm thế nào để dùng Phi tập trung mạng khắc phục bệnh "ảo giác" của mô hình lớn?
Mọi người đều rõ ràng, trở ngại lớn nhất khi áp dụng mô hình AI lớn vào các lĩnh vực ứng dụng như tài chính, y tế, pháp lý là vấn đề "ảo giác" trong kết quả đầu ra của AI không thể phù hợp với các tình huống ứng dụng thực tế cần độ chính xác. Làm thế nào để giải quyết vấn đề này? Gần đây, @Mira_Network đã ra mắt Testnet, đưa ra một giải pháp, tôi sẽ nói về điều này:
Đầu tiên, các công cụ mô hình AI lớn có hiện tượng "ảo giác", mọi người đều có thể cảm nhận được, nguyên nhân chủ yếu có hai điểm:
1、Dữ liệu huấn luyện AI LLMs không đủ hoàn chỉnh, mặc dù đã có quy mô dữ liệu rất lớn, nhưng vẫn không thể bao phủ một số thông tin thuộc 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、AI LLMs về bản chất đều dựa vào "mẫu xác suất", nó nhận dạng các mẫu thống kê và mối quan hệ trong dữ liệu huấn luyện, chứ không phải là "hiểu" thực sự, do đó sự ngẫu nhiên của mẫu xác suất, sự không nhất quán trong kết quả huấn luyện và suy luận, v.v. sẽ dẫn đến việc AI gặp sai lệch trong việc xử lý các vấn đề thực tế với độ chính xác cao;
Làm thế nào để giải quyết vấn đề này? Trên nền tảng ArXiv của Đại học Cornell, đã có một bài viết công bố phương pháp xác thực kết quả LLMs bằng cách sử dụng 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 biểu quyết đa số" cho vấn đề đó, từ đó có thể giảm thiểu "ảo giác" 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%.
Vậy thì chắc chắn cần một nền tảng xác thực phân tán để quản lý và xác thực quá trình tương tác hợp tác giữa mô hình chính và mô hình xác thực, Mira Network chính là một mạng trung gian được xây dựng đặc biệt để xác thực AI LLMs, tạo ra một lớp xác thực đáng tin cậy giữa người dùng và các mô hình AI cơ bản.
Với sự tồn tại của mạng lớp xác minh này, có thể thực hiện các dịch vụ tích hợp như bảo vệ quyền riêng tư, đảm bảo độ chính xác, thiết kế có thể mở rộng, giao diện API chuẩn hóa, có thể mở rộng khả năng ứng dụng của AI trong các tình huống ứng dụng khác nhau bằng cách giảm thiểu ảo giác đầu ra của AI LLMs, đồng thời cũng là một thực tiễn mà mạng xác minh phân tán Crypto có thể thực hiện trong quá trình triển khai kỹ thuật AI LLMs.
Ví dụ, Mira Network đã chia sẻ một vài trường hợp trong lĩnh vực tài chính, giáo dục và hệ sinh thái blockchain có thể chứng minh:
1）Gigabrain Một nền tảng giao dịch tích hợp Mira, 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, khiến cho AI LLMs hoạt động trong bẫy DeFai đáng tin cậy hơn.
2）Learnrite sử dụng mira để xác minh các câu hỏi thi tiêu chuẩn hóa do AI tạo ra, cho phép các tổ chức giáo dục có thể sử dụng nội dung do AI tạo ra trên quy mô lớn, đồng thời không ảnh hưởng đến độ chính xác của nội dung kiểm tra giáo dục, nhằm duy trì các tiêu chuẩn giáo dục nghiêm ngặt;
3）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 cho 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 tăng cường khả năng ứng dụng AI. Thực tế, việc tăng cường thông qua đào tạo từ dữ liệu, tăng cường thông qua tương tác của các mô hình lớn đa mô hình, cũng như tăng cường thông qua tính toán riêng tư với các công nghệ mật mã tiềm năng như ZKP, FHE, TEE, v.v. đều là những con đường lựa chọn. Nhưng so với các phương án khác, giải pháp của Mira có giá trị ở chỗ thực hiện nhanh chóng và mang lại hiệu quả trực tiếp.