Apakah Jaringan Mira dapat menyelesaikan masalah "ilusi" pada model AI besar?

Mira Network adalah jaringan middleware yang dirancang khusus untuk membangun verifikasi AI LLMs, yang membangun lapisan verifikasi yang andal antara pengguna dan model AI dasar.

Ditulis oleh: Haotian

Semua orang tahu bahwa hambatan terbesar bagi penerapan model AI besar dalam skenario aplikasi vertikal seperti keuangan, kesehatan, dan hukum adalah satu: masalah “ilusi” yang dihasilkan oleh AI tidak dapat memenuhi kebutuhan akurasi dari skenario aplikasi nyata. Bagaimana cara mengatasinya? Baru-baru ini, @Mira_Network meluncurkan jaringan pengujian publik dan memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:

Pertama, alat model besar AI memiliki situasi “ilusi” yang dapat dirasakan oleh semua orang, dan alasan utamanya ada dua poin:

1. Data pelatihan AI LLM tidak cukup lengkap, meskipun ukuran datanya sudah sangat besar, tetapi masih belum dapat mencakup informasi dari beberapa bidang yang kurang umum atau khusus, pada saat seperti ini, AI cenderung melakukan “pelengkapan kreatif” yang kemudian menyebabkan beberapa kesalahan real-time;

2、AI LLMs pada dasarnya bergantung pada “sampling probabilitas”, yang merupakan pengenalan pola statistik dan korelasi dalam data pelatihan, dan bukan “pemahaman” yang sebenarnya. Oleh karena itu, sifat acak dari sampling probabilitas, ketidakkonsistenan dalam hasil pelatihan dan inferensi, dll., dapat menyebabkan AI mengalami bias saat menangani masalah faktual yang membutuhkan akurasi tinggi.

Bagaimana cara menyelesaikan masalah ini? Di platform ArXiv Universitas Cornell, telah dipublikasikan sebuah artikel yang memverifikasi bersama beberapa model untuk meningkatkan keandalan hasil LLMs.

Pemahaman sederhana, yaitu pertama-tama membiarkan model utama menghasilkan hasil, kemudian mengintegrasikan beberapa model verifikasi untuk melakukan “analisis pemungutan suara mayoritas” terhadap masalah tersebut, sehingga dapat mengurangi “ilusi” yang dihasilkan oleh model.

Dalam serangkaian pengujian, ditemukan bahwa metode ini dapat meningkatkan akurasi keluaran AI hingga 95,6%.

Jika demikian, pasti diperlukan sebuah platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaborasi antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang dibangun khusus untuk verifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan di antara pengguna dan model AI dasar.

Dengan adanya jaringan lapisan verifikasi ini, layanan terintegrasi seperti perlindungan privasi, jaminan akurasi, desain yang dapat diperluas, dan antarmuka API yang distandardisasi dapat direalisasikan. Hal ini dapat memperluas kemungkinan penerapan AI dalam berbagai skenario aplikasi yang tersegmentasi dengan mengurangi ilusi yang dihasilkan oleh keluaran AI LLMs, dan juga merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berperan dalam proses implementasi teknik AI LLMs.

Misalnya, Mira Network membagikan beberapa kasus di bidang keuangan, pendidikan, dan ekosistem blockchain yang dapat membuktikan:

1）Gigabrain sebuah platform perdagangan yang terintegrasi dengan Mira, sistem dapat menambahkan satu lapisan verifikasi terhadap akurasi analisis dan prediksi pasar, menyaring saran yang tidak dapat diandalkan, dapat meningkatkan akurasi sinyal perdagangan AI, sehingga AI LLMs berfungsi dalam skenario DeFi menjadi lebih dapat diandalkan;

2）Learnrite menggunakan mira untuk memverifikasi soal ujian standar yang dihasilkan oleh AI, memungkinkan lembaga pendidikan untuk secara besar-besaran memanfaatkan konten yang dihasilkan oleh AI, tanpa mempengaruhi akurasi konten ujian pendidikan, untuk menjaga standar pendidikan yang ketat;

3）Proyek Kernel blockchain memanfaatkan mekanisme konsensus LLM dari Mira dan mengintegrasikannya ke dalam ekosistem BNB, menciptakan jaringan verifikasi terdesentralisasi DVN, sehingga akurasi dan keamanan pelaksanaan komputasi AI di blockchain terjamin sampai tingkat tertentu.

Demikian.

Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, yang pasti bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada jalur alternatif seperti peningkatan melalui pelatihan di sisi data, peningkatan melalui interaksi model besar multimodal, serta peningkatan komputasi privasi melalui teknologi kriptografi potensial seperti ZKP, FHE, TEE, dan lain-lain. Namun, dibandingkan dengan itu, solusi Mira berharga karena praktiknya cepat dan langsung memberikan hasil.