هل يمكن لشبكة ميرا حل مشكلة "الهلاوس" في نماذج الذكاء الاصطناعي الكبيرة؟

شبكة ميرا هي شبكة وسيطة متخصصة في بناء التحقق من نماذج LLMs الذكية، حيث أنشأت طبقة تحقق موثوقة بين المستخدم ونموذج الذكاء الاصطناعي الأساسي.

كتابة: هاوتيان

الجميع يعرف أن أكبر عائق أمام تطبيق نماذج الذكاء الاصطناعي في مجالات مثل المالية والرعاية الصحية والقانون هو مشكلة “الوهم” في نتائج الذكاء الاصطناعي، والتي لا تتناسب مع الحاجة إلى الدقة في التطبيقات العملية. كيف نحل هذه المشكلة؟ مؤخراً، أطلقت @Mira_Network شبكة اختبار عامة، وقدمت مجموعة من الحلول، سأشرح ما حدث:

أولاً، توجد حالات من “الهلوسة” في أدوات نماذج الذكاء الاصطناعي الكبيرة، ويمكن للجميع أن يشعر بذلك، والسبب الرئيسي لذلك يعود إلى نقطتين:

1، بيانات تدريب AI LLMs ليست مكتملة بما فيه الكفاية، على الرغم من أن حجم البيانات كبير جداً، إلا أنها لا تزال غير قادرة على تغطية بعض المعلومات في المجالات النادرة أو المتخصصة، وفي هذه الحالة تميل الذكاء الاصطناعي إلى القيام بـ “الإكمال الإبداعي” مما يؤدي إلى بعض الأخطاء في الوقت الحقيقي؛

2، تعتمد نماذج اللغة الكبيرة للذكاء الاصطناعي في جوهرها على “عينات احتمالية”، حيث يتم التعرف على الأنماط الإحصائية والارتباطات في بيانات التدريب، وليس “فهمًا” حقيقيًا، وبالتالي فإن عشوائية العينات الاحتمالية، وعدم الاتساق في نتائج التدريب والاستدلال، وما إلى ذلك، يمكن أن تؤدي إلى انحرافات في معالجة الذكاء الاصطناعي للمسائل الواقعية ذات الدقة العالية؛

كيف نحل هذه المشكلة؟ تم نشر مقال على منصة ArXiv بجامعة كورنيل يحقق في طريقة لتحسين موثوقية نتائج LLMs من خلال التحقق من عدة نماذج.

ببساطة، يعني ذلك السماح للنموذج الرئيسي بتوليد النتائج أولاً، ثم دمج عدة نماذج تحقق لتحليل المشكلة من خلال “التحليل بالأغلبية”، مما يمكن أن يقلل من “الأوهام” التي تنتجها النماذج.

أظهرت سلسلة من الاختبارات أن هذه الطريقة يمكن أن تزيد من دقة مخرجات الذكاء الاصطناعي إلى 95.6%.

إذا كان الأمر كذلك، فبالتأكيد نحتاج إلى منصة تحقق موزعة لإدارة والتحقق من عملية التفاعل التعاوني بين النموذج الرئيسي ونموذج التحقق، فإن شبكة ميرا هي شبكة وسيطة مصممة خصيصًا للتحقق من نماذج AI LLMs، وقد أنشأت طبقة تحقق موثوقة بين المستخدم والنموذج الأساسي للذكاء الاصطناعي.

مع وجود هذه الشبكة من طبقة التحقق، يمكن تحقيق خدمات متكاملة تشمل حماية الخصوصية، وضمان الدقة، وتصميم قابل للتوسع، وواجهات برمجة التطبيقات القياسية، ويمكن توسيع إمكانية تطبيق الذكاء الاصطناعي في مختلف السيناريوهات الفرعية من خلال تقليل الهلوسة الناتجة عن مخرجات نماذج اللغة الكبيرة للذكاء الاصطناعي، كما أنها تعتبر تجربة لكيفية تأثير الشبكة الموزعة للتحقق في تنفيذ عمليات نماذج اللغة الكبيرة للذكاء الاصطناعي.

على سبيل المثال، شاركت شبكة ميرا عددًا من الحالات في القطاع المالي، والتعليم، وإيكولوجيا blockchain يمكن أن تدعم ذلك:

1. بعد دمج Gigabrain مع Mira، يمكن للنظام إضافة حلقة للتحقق من دقة التحليل السوقي والتنبؤات، وتصفيه الاقتراحات غير الموثوقة، مما يحسن دقة إشارات التداول المعتمدة على الذكاء الاصطناعي، ويساعد على جعل استخدام LLMs الذكاء الاصطناعي في سيناريوهات DeFi أكثر موثوقية.

2）Learnrite تستفيد من mira للتحقق من أسئلة الامتحانات الموحدة التي تم إنشاؤها بواسطة الذكاء الاصطناعي، مما يمكن المؤسسات التعليمية من الاستفادة من المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي على نطاق واسع، دون التأثير على دقة محتوى الاختبارات التعليمية، للحفاظ على معايير التعليم الصارمة؛

3）مشروع Kernel blockchain استخدم آلية توافق LLM الخاصة بـ Mira ودمجها في نظام BNB البيئي، مما أنشأ شبكة التحقق اللامركزية DVN، مما يضمن درجة معينة من دقة وأمان تنفيذ حسابات الذكاء الصناعي على blockchain.

فوق.

في الواقع، توفر شبكة ميرا خدمة شبكة توافقية كوسيط، وهي بالتأكيد ليست الطريقة الوحيدة لتعزيز قدرات تطبيقات الذكاء الاصطناعي. في الحقيقة، هناك طرق بديلة مثل تعزيز التدريب من خلال بيانات الطرف، وتعزيز التفاعل من خلال نماذج متعددة الوسائط الكبيرة، وتعزيز الحساب الخاص من خلال تقنيات التشفير المحتملة مثل ZKP وFHE وTEE وغيرها. ولكن بالمقارنة، فإن حل ميرا يتميز بسرعة التنفيذ العملي، ويحقق نتائج مباشرة.