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

Penulis: Haotian

Semua orang tahu, hambatan terbesar untuk penerapan model AI besar di bidang keuangan, kesehatan, hukum, dan skenario aplikasi vertikal lainnya adalah masalah “ilusi” yang ada dalam output AI yang tidak dapat cocok dengan kebutuhan akurasi dari skenario aplikasi yang sebenarnya. Bagaimana cara menyelesaikannya? Baru-baru ini, @Mira_Network meluncurkan jaringan pengujian publik dan memberikan satu set solusi, saya akan menjelaskan bagaimana ini terjadi:

Pertama, alat model AI besar memiliki situasi “ilusi”, yang dapat dirasakan oleh semua orang, terutama karena dua alasan:

1. Data pelatihan AI LLM tidak cukup lengkap, meskipun skala data sudah sangat besar, tetapi masih tidak dapat mencakup informasi dari beberapa bidang yang kecil atau spesialis, pada saat ini AI cenderung melakukan “pengisian kreatif” yang kemudian mengakibatkan beberapa kesalahan real-time;

2、AI LLMs pada dasarnya bergantung pada “sampling probabilitas”, yang mengenali pola statistik dan relevansi dalam data pelatihan, dan bukan “pemahaman” yang sebenarnya. Oleh karena itu, sifat acak dari sampling probabilitas, ketidakkonsistenan dalam hasil pelatihan dan inferensi, dan sebagainya, dapat menyebabkan AI memiliki bias saat menangani masalah faktual yang memerlukan ketepatan tinggi;

Bagaimana cara menyelesaikan masalah ini? Platform ArXiv Universitas Cornell telah menerbitkan sebuah artikel yang memverifikasi peningkatan keandalan hasil LLMs melalui beberapa model.

Pemahaman sederhana adalah, pertama-tama biarkan model utama menghasilkan hasil, kemudian integrasikan 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 output AI hingga 95,6%.

Dengan demikian, pasti diperlukan platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang dirancang khusus untuk verifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan 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 distandarisasi dapat diwujudkan. Ini dapat memperluas kemungkinan penerapan AI di berbagai skenario aplikasi dengan mengurangi ilusi output dari AI LLMs, dan juga merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berperan dalam proses implementasi AI LLMs.

Misalnya, Mira Network berbagi beberapa contoh dalam ekosistem keuangan, pendidikan, dan blockchain yang dapat mendukung:

1. Setelah Gigabrain mengintegrasikan Mira ke dalam platform perdagangan, sistem dapat menambahkan satu lapisan verifikasi untuk menganalisis dan memprediksi akurasi pasar, menyaring saran yang tidak dapat diandalkan, sehingga dapat meningkatkan akurasi sinyal perdagangan AI, dan membuat AI LLMs lebih dapat diandalkan dalam skenario DeFai;

2. Learnrite menggunakan mira untuk memverifikasi soal ujian standar yang dihasilkan AI, sehingga lembaga pendidikan dapat memanfaatkan konten yang dihasilkan AI secara besar-besaran tanpa mempengaruhi akurasi konten tes pendidikan, untuk mempertahankan standar pendidikan yang ketat;

3）Proyek blockchain Kernel 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 mendapatkan jaminan dalam tingkat tertentu.

Di atas.

Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, tentu saja 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 perhitungan privasi melalui teknologi kriptografi potensial seperti ZKP, FHE, TEE, dan lainnya. Namun dibandingkan dengan itu, solusi Mira berharga karena cepat dalam praktik dan memberikan hasil yang langsung.