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

كتبت: هاوتيان

الجميع يدرك أن أكبر عائق أمام تطبيق نماذج الذكاء الاصطناعي الكبيرة في مجالات مثل المالية والطب والقانون هو مشكلة “الوهم” في نتائج الذكاء الاصطناعي التي لا تتناسب مع دقة التطبيقات العملية المطلوبة. كيف يمكن حل ذلك؟ مؤخرًا، أطلقت @Mira_Network شبكة اختبار عامة وقدمت مجموعة من الحلول، دعني أوضح الأمر:

أولاً، توجد حالات “هلوسة” في أدوات نموذج الذكاء الاصطناعي الكبيرة، ويمكن للجميع إدراك ذلك، والسبب الرئيسي لذلك هو نقطتان:

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

2، تعتمد نماذج اللغة الكبيرة للذكاء الاصطناعي في جوهرها على “عينات احتمالية”، حيث أنها تتعرف على الأنماط الإحصائية والارتباطات في بيانات التدريب، وليس “فهمًا” حقيقيًا، وبالتالي فإن عشوائية العينات الاحتمالية، وعدم اتساق نتائج التدريب والاستدلال، وغيرها، يمكن أن تؤدي إلى انحرافات في معالجة قضايا الحقائق الدقيقة؛

كيف يمكن حل هذه المشكلة؟ تم نشر مقال على منصة ArXiv بجامعة كورنيل يقدم طريقة للتحقق من موثوقية نتائج LLMs من خلال نماذج متعددة.

ببساطة، يعني ذلك أولاً السماح للنموذج الرئيسي بتوليد النتائج، ثم دمج عدة نماذج تحقق لإجراء “تحليل تصويت الأغلبية” على هذه المشكلة، مما يمكن أن يقلل من “الأوهام” التي ينشئها النموذج.

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

من المؤكد أنه يحتاج إلى منصة تحقق موزعة لإدارة والتحقق من عملية التفاعل التعاوني بين النموذج الرئيسي ونموذج التحقق، شبكة ميرا هي شبكة وسائط مصممة خصيصًا للتحقق من نماذج LLMs للذكاء الاصطناعي، حيث تبني طبقة تحقق موثوقة بين المستخدم ونموذج الذكاء الاصطناعي الأساسي.

مع وجود هذه الشبكة من طبقة التحقق، يمكن تحقيق خدمات متكاملة تشمل حماية الخصوصية، وضمان الدقة، وتصميم قابل للتوسع، وواجهات برمجة التطبيقات القياسية، مما يمكن من توسيع إمكانية تطبيق الذكاء الاصطناعي في مختلف سيناريوهات التطبيقات من خلال تقليل أوهام مخرجات نماذج اللغة الكبيرة، وهو أيضًا ممارسة يمكن أن تؤثر على عملية تنفيذ نماذج اللغة الكبيرة للذكاء الاصطناعي من خلال شبكة التحقق الموزعة للعملات المشفرة.

على سبيل المثال، شاركت شبكة ميرا بعض الحالات في مجالات المالية والتعليم والنظام البيئي للبلوكشين التي يمكن أن تدعم ذلك:

1. بعد دمج Gigabrain في منصة التداول مع Mira، يمكن للنظام إضافة حلقة تحقق من دقة تحليل السوق وتوقعاته، وتصفيه الاقتراحات غير الموثوقة، مما يمكن أن يعزز دقة إشارات التداول المدعومة بالذكاء الاصطناعي، مما يجعل استخدام نماذج اللغة الكبيرة للذكاء الاصطناعي في سيناريوهات DeFi أكثر موثوقية.

2. تستخدم Learnrite تقنية mira للتحقق من الأسئلة الموحدة التي تم إنشاؤها بواسطة الذكاء الاصطناعي، مما يمكّن 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 Blockchain Kernel استخدم آلية توافق LLM من Mira وأدمجها في نظام BNB البيئي، مما أدى إلى إنشاء شبكة تحقق لامركزية DVN، مما يضمن إلى حد ما دقة وأمان تنفيذ حسابات الذكاء الاصطناعي على البلوكشين.

ما سبق.

في الحقيقة، تقدم شبكة ميرا خدمة شبكة توافقية كوسيط، حيث لا تعتبر الطريقة الوحيدة لتعزيز قدرات تطبيقات الذكاء الاصطناعي. في الواقع، هناك طرق بديلة مثل تعزيز التدريب من خلال بيانات الطرف، وتعزيز التفاعل من خلال النماذج الكبيرة متعددة الوسائط، وتعزيز الحسابات الخصوصية من خلال تقنيات التشفير المحتملة مثل ZKP وFHE وTEE وغيرها. ومع ذلك، فإن الحل الذي تقدمه ميرا يتميز بسرعة التنفيذ وفاعلية النتائج المباشرة.