هذه النماذج غالبًا ما تخرج معلومات خاطئة بثقة كاملة - ما يسمى بـ "الهلاوس" - أو تظهر تحيزًا منهجيًا بسبب انحياز بيانات التدريب.
ميرا من خلال تقديم إطار العمل المبتكر "Flows"، تقوم بتجريد البنية التحتية للذكاء الاصطناعي، وتجميع النماذج والبيانات والحوسبة في وحدات معيارية، مما يسمح للمطورين بالتركيز على حل مشاكل المستخدمين بدلاً من الانغماس في إدارة البنية التحتية المعقدة؛
Mira تعمل على شبكة اللامركزية، وقد أنشأت نظامًا بيئيًا مفتوحًا حيث يشارك المساهمون Flows، مما يشكل سوقًا نابضًا لموارد الذكاء الاصطناعي، مع التأكيد على الثقة والمشاركة بدون عوائق;
يكمن جوهر Mira في آلية التحقق القائمة على الإجماع، والتي تهدف إلى تعزيز موثوقية مخرجات الذكاء الاصطناعي
على عكس LLM التقليدي الذي يعتمد على نموذج واحد، تعتمد Mira عملية تحقق متعددة النماذج لتخفيف "الهلاوس" - أي الأخطاء العشوائية ولكن الواثقة - والانحياز، أي الميل النظامي نحو وجهة نظر معينة. على سبيل المثال، قد يؤدي الانحياز إلى أن تميل الذكاء الاصطناعي بشكل دقيق نحو مواقف سياسية معينة أو أن تكون "ودية" أكثر تجاه بعض الفئات، مما يمثل مخاطر اجتماعية محتملة أكبر من الأخطاء العرضية. تتكون آلية التحقق في Mira من ثلاث خطوات رئيسية: ثنائية (Binarization): يتم تفكيك مخرجات الذكاء الاصطناعي إلى عبارات مستقلة وقابلة للتحقق. على سبيل المثال، "تدور الأرض حول الشمس، وتدور القمر حول الأرض" سيتم تقسيمها إلى عبارتين منفصلتين، يتم التحقق منهما واحدة تلو الأخرى، لمنع الإجابات التي تبدو صحيحة بشكل عام ولكن بها أخطاء في التفاصيل من التسلل.
▶️التحقق الموزع: يتم تخصيص هذه البيانات إلى عقد التحقق المختلفة في شبكة ميرا، حيث يتكون كل عقدة من نموذج واحد أو أكثر، وتقوم فقط بتقييم البيانات المخصصة لها دون الوصول إلى السياق الكامل، مما يضمن حيادية التقييم.
▶️آلية الإجماع: تعتمد Mira نظامًا مشابهًا لإثبات العمل، حيث يجب على نماذج التحقق أن تقوم بالتحصيص للمشاركة في التقييم. يقوم كل عقدة باستنتاج صحة العبارات، ولا تعتبر العبارة موثوقة إلا عندما تتفق جميع النماذج تقريبًا. ستواجه العقد غير الدقيقة أو غير الموثوقة عقوبة خصم الرموز لتحفيز الاستنتاج الدقيق.
تستخدم هذه الطريقة المدفوعة بالإجماع حكم جماعي متعدد النماذج للاقتراب من الحقيقة، مما يوازن بين دقة و偏见. كلما كانت بيانات التدريب أكثر شمولاً، قد يقل偏见 ولكن تزداد مخاطر الوهم؛ وإذا كانت عملية تنظيف البيانات صارمة للغاية، فقد يؤدي ذلك إلى تضخيم ميول معينة. يوفر تحقق Mira المتعدد النماذج حلاً متوازنًا، يركز على الدقة بدلاً من مجرد الدقة، مع إدراك أن المخرجات المتماسكة منطقيًا ولكنها خاطئة الاتجاه لا قيمة لها.
ميزت ميرا بين الهلوسة والانحياز: الهلوسة تشبه رامي السهام الذي ينحرف أحيانًا عن الهدف، فهي واضحة ولكن يمكن التعرف عليها؛ أما الانحياز فيشبه السهام التي تستمر في الانحراف إلى جانب واحد، فهي خفية ولكن تأثيرها عميق. ومن حيث النظامية، من المرجح أن يشكل الأخير بشكل صامت الإدراك الاجتماعي والقرارات، وبالتالي يجب معالجته بشكل أولوي. تستخدم ميرا توافق النماذج المتعددة لتحقيق توازن بين الانحيازات الفردية، مما يقربنا من الحقيقة من خلال "الاقتراع الجماعي"، والطريقة دقيقة وموثوقة.
خلال أكثر من نصف عام فقط، حققت ميرا تقدمًا ملحوظًا، حيث جذبت عدة فرق لاستخدام سوق فلو الخاص بها، لتطوير منتجات أصلية تعتمد على الذكاء الاصطناعي في مجالات مثل العملات المشفرة، والألعاب، والبرمجيات كخدمة، والتعليم، والسلع الاستهلاكية. تطبيقها الرائد كلوق - وهو مساعد تشفير مدفوع بالذكاء الاصطناعي في مرحلة الاختبار المغلق، يقدم للمستخدمين رؤى عميقة، وبيانات منظمة، واستراتيجيات محفظة، وهو الآن مفتوح لمزيد من المستخدمين.
تظهر شهرة Mira العالية على منصة @Arbitrum بالإضافة إلى أنشطة قائمة @KaitoAI تأثيرها بشكل أكبر.
استشراف المستقبل، تخطط ميرا لإعادة تعريف آلية الثقة في تطوير الذكاء الاصطناعي من خلال المزيد من الأبحاث والمنتجات الرائدة.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
【بناء نظام بيئي للذكاء الاصطناعي اللامركزي -- ميرا @Mira_Network 】
Mira(@Mira_Network)由@karansirdesai 和@hapchap88 的洞见孕育而生,旨在应对人工智能(الذكاء الاصطناعي)开发中的一大难题:大型语言模型(LLM)在确保输出准确性和neutral性方面的固有所屬所屬限.
هذه النماذج غالبًا ما تخرج معلومات خاطئة بثقة كاملة - ما يسمى بـ "الهلاوس" - أو تظهر تحيزًا منهجيًا بسبب انحياز بيانات التدريب.
ميرا من خلال تقديم إطار العمل المبتكر "Flows"، تقوم بتجريد البنية التحتية للذكاء الاصطناعي، وتجميع النماذج والبيانات والحوسبة في وحدات معيارية، مما يسمح للمطورين بالتركيز على حل مشاكل المستخدمين بدلاً من الانغماس في إدارة البنية التحتية المعقدة؛
Mira تعمل على شبكة اللامركزية، وقد أنشأت نظامًا بيئيًا مفتوحًا حيث يشارك المساهمون Flows، مما يشكل سوقًا نابضًا لموارد الذكاء الاصطناعي، مع التأكيد على الثقة والمشاركة بدون عوائق;
يكمن جوهر Mira في آلية التحقق القائمة على الإجماع، والتي تهدف إلى تعزيز موثوقية مخرجات الذكاء الاصطناعي
على عكس LLM التقليدي الذي يعتمد على نموذج واحد، تعتمد Mira عملية تحقق متعددة النماذج لتخفيف "الهلاوس" - أي الأخطاء العشوائية ولكن الواثقة - والانحياز، أي الميل النظامي نحو وجهة نظر معينة. على سبيل المثال، قد يؤدي الانحياز إلى أن تميل الذكاء الاصطناعي بشكل دقيق نحو مواقف سياسية معينة أو أن تكون "ودية" أكثر تجاه بعض الفئات، مما يمثل مخاطر اجتماعية محتملة أكبر من الأخطاء العرضية. تتكون آلية التحقق في Mira من ثلاث خطوات رئيسية: ثنائية (Binarization): يتم تفكيك مخرجات الذكاء الاصطناعي إلى عبارات مستقلة وقابلة للتحقق. على سبيل المثال، "تدور الأرض حول الشمس، وتدور القمر حول الأرض" سيتم تقسيمها إلى عبارتين منفصلتين، يتم التحقق منهما واحدة تلو الأخرى، لمنع الإجابات التي تبدو صحيحة بشكل عام ولكن بها أخطاء في التفاصيل من التسلل.
▶️التحقق الموزع: يتم تخصيص هذه البيانات إلى عقد التحقق المختلفة في شبكة ميرا، حيث يتكون كل عقدة من نموذج واحد أو أكثر، وتقوم فقط بتقييم البيانات المخصصة لها دون الوصول إلى السياق الكامل، مما يضمن حيادية التقييم.
▶️آلية الإجماع: تعتمد Mira نظامًا مشابهًا لإثبات العمل، حيث يجب على نماذج التحقق أن تقوم بالتحصيص للمشاركة في التقييم. يقوم كل عقدة باستنتاج صحة العبارات، ولا تعتبر العبارة موثوقة إلا عندما تتفق جميع النماذج تقريبًا. ستواجه العقد غير الدقيقة أو غير الموثوقة عقوبة خصم الرموز لتحفيز الاستنتاج الدقيق.
تستخدم هذه الطريقة المدفوعة بالإجماع حكم جماعي متعدد النماذج للاقتراب من الحقيقة، مما يوازن بين دقة و偏见. كلما كانت بيانات التدريب أكثر شمولاً، قد يقل偏见 ولكن تزداد مخاطر الوهم؛ وإذا كانت عملية تنظيف البيانات صارمة للغاية، فقد يؤدي ذلك إلى تضخيم ميول معينة. يوفر تحقق Mira المتعدد النماذج حلاً متوازنًا، يركز على الدقة بدلاً من مجرد الدقة، مع إدراك أن المخرجات المتماسكة منطقيًا ولكنها خاطئة الاتجاه لا قيمة لها.
ميزت ميرا بين الهلوسة والانحياز: الهلوسة تشبه رامي السهام الذي ينحرف أحيانًا عن الهدف، فهي واضحة ولكن يمكن التعرف عليها؛ أما الانحياز فيشبه السهام التي تستمر في الانحراف إلى جانب واحد، فهي خفية ولكن تأثيرها عميق. ومن حيث النظامية، من المرجح أن يشكل الأخير بشكل صامت الإدراك الاجتماعي والقرارات، وبالتالي يجب معالجته بشكل أولوي. تستخدم ميرا توافق النماذج المتعددة لتحقيق توازن بين الانحيازات الفردية، مما يقربنا من الحقيقة من خلال "الاقتراع الجماعي"، والطريقة دقيقة وموثوقة.
خلال أكثر من نصف عام فقط، حققت ميرا تقدمًا ملحوظًا، حيث جذبت عدة فرق لاستخدام سوق فلو الخاص بها، لتطوير منتجات أصلية تعتمد على الذكاء الاصطناعي في مجالات مثل العملات المشفرة، والألعاب، والبرمجيات كخدمة، والتعليم، والسلع الاستهلاكية. تطبيقها الرائد كلوق - وهو مساعد تشفير مدفوع بالذكاء الاصطناعي في مرحلة الاختبار المغلق، يقدم للمستخدمين رؤى عميقة، وبيانات منظمة، واستراتيجيات محفظة، وهو الآن مفتوح لمزيد من المستخدمين.
تظهر شهرة Mira العالية على منصة @Arbitrum بالإضافة إلى أنشطة قائمة @KaitoAI تأثيرها بشكل أكبر.
استشراف المستقبل، تخطط ميرا لإعادة تعريف آلية الثقة في تطوير الذكاء الاصطناعي من خلال المزيد من الأبحاث والمنتجات الرائدة.
#Mira # KAITO #KaitoAI # KaitoYappers #yapperseason