Interpretasi Teknologi Mira: Bagaimana Mengatasi Masalah 'Ilusi' yang Dihasilkan oleh Model AI Besar

Penulis: Haotian

Semua orang jelas, hambatan terbesar bagi model AI besar yang diterapkan dalam skenario aplikasi vertikal seperti keuangan, medis, dan hukum adalah satu: masalah “ilusi” yang ada pada hasil keluaran AI tidak dapat disesuaikan dengan skenario aplikasi nyata yang memerlukan akurasi. Bagaimana cara menyelesaikannya? Baru-baru ini, @Mira_Network meluncurkan jaringan pengujian publik, memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:

Pertama, alat model AI besar seringkali mengalami kondisi “ilusi”, yang dapat dirasakan oleh semua orang, dengan dua alasan utama:

1. Data pelatihan AI LLM tidak cukup lengkap, meskipun volume data yang ada sangat besar, namun tetap tidak dapat mencakup informasi dari beberapa bidang yang kecil atau khusus, pada saat seperti ini AI cenderung melakukan “penyelesaian kreatif” yang kemudian menyebabkan beberapa kesalahan waktu nyata;

2、AI LLMs pada dasarnya bergantung pada “pengambilan sampel probabilitas”, yang merupakan pengenalan pola statistik dan keterkaitan dalam data pelatihan, dan bukan “pemahaman” yang sebenarnya. Oleh karena itu, sifat acak dari pengambilan sampel probabilitas, inkonsistensi hasil pelatihan dan inferensi, dan faktor lainnya dapat menyebabkan AI mengalami bias saat menangani masalah fakta dengan akurasi tinggi.

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

Pemahaman sederhana adalah, pertama-tama biarkan model utama menghasilkan hasil, kemudian mengintegrasikan beberapa model verifikasi untuk melakukan “analisis 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%.

Karena itu, pasti diperlukan platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif 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 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 direalisasikan. Ini juga dapat memperluas kemungkinan penerapan AI dalam berbagai skenario aplikasi dengan mengurangi ilusi output dari AI LLMs, serta merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berperan dalam proses implementasi proyek AI LLMs.

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

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 meningkatkan akurasi sinyal perdagangan AI, membuat AI LLMs berfungsi lebih andal dalam skenario DeFai;

2. Learnrite menggunakan mira untuk memverifikasi soal ujian standar yang dihasilkan oleh AI, memungkinkan lembaga pendidikan untuk memanfaatkan konten yang dihasilkan oleh AI dalam skala besar, tanpa mempengaruhi akurasi konten pengujian pendidikan, untuk mempertahankan standar pendidikan yang ketat;

3）Proyek Kernel blockchain memanfaatkan mekanisme konsensus LLM Mira yang diintegrasikan ke dalam ekosistem BNB, menciptakan jaringan verifikasi terdesentralisasi (DVN), sehingga akurasi dan keamanan pelaksanaan komputasi AI di blockchain mendapatkan jaminan tertentu.

Di atas.

Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, yang pasti bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada jalur alternatif seperti penguatan melalui pelatihan data, penguatan melalui interaksi dengan model besar multimodal, serta penguatan perhitungan privasi menggunakan teknologi kriptografi potensial seperti ZKP, FHE, TEE, dan sebagainya. Namun, dibandingkan dengan itu, solusi Mira berharga pada implementasi praktis yang cepat dan memberikan hasil yang langsung.

Catatan: Saya pribadi sangat tertarik dengan filosofi teknis proyek ini, dari sisi teknis memang dapat menyelesaikan masalah penerapan yang ada pada AI LLMs saat ini, dan juga dapat menunjukkan nilai tambahan dari jaringan konsensus terdistribusi Crypto, apakah layak untuk berpartisipasi dalam pengalaman ini, apakah ini merupakan peluang potensi, silakan menilai sendiri. (Masuk untuk pengalaman uji publik)