إعادة توجيه العنوان الأصلي: Mira: الذكاء الاصطناعي الموثوق به بدون ثقة

TL;DR

• تحقق من النتائج هو أمر حاسم لضمان أن الذكاء الاصطناعي يعمل بشكل موثوق.
• تقوم Mira ببناء شبكة طبقة 1 توفر التحقق اللا مركزي والقابل للتوسعة والدقيق للمخرجات الذكية الاصطناعية.
• تقليل الهلوسة والتحيز في نفس الوقت هو عمل توازن حساس. تفعل ميرا ذلك عن طريق استغلال الحكمة الجماعية لنماذج الذكاء الاصطناعي.
• تعتمد نظام التحقق من Mira على مبدأي تصميم أساسيين: (1) تقسيم مخرجات الذكاء الاصطناعي إلى قطع صغيرة يمكن التحقق منها بسهولة، و (2) استخدام مجموعة من النماذج للتحقق من كل قطعة.
• حجم سوق Mira الأولي مرتبط بـ LLMOps ، ولكن حجم السوق القابل للوصول الكلي يمكن أن يتوسع ليشمل جميع تطبيقات الذكاء الاصطناعي لأن كل تطبيق للذكاء الاصطناعي سيحتاج إلى مخرجات أكثر موثوقية.
• ميرا بالفعل تعمل على تشغيل التحقق الذكي للعديد من تطبيقات الذكاء الاصطناعي مع أكثر من 200 ألف مستخدم.
• الهدف النهائي لميرا هو أن تصبح نموذج أساسي اصطناعي، متوصلاً بسلاسة إلى كل مزود رئيسي لتقديم الإخراجات المحققة مسبقًا من خلال واجهة برمجة تطبيقات واحدة.

الهلوسات: تجربة تشمل الإدراك الظاهري لشيء غير موجود.

أندريه كارباثي يطلق على الذكاء الاصطناعي "آلات الأحلام". يعتقد أن الهلوسات - تلك اللحظات عندما يولد الذكاء الاصطناعي بثقة أشياء غير حقيقية - هي ميزة، ليست خطأ. إنها عبثية محاولة القضاء عليها تمامًا. وبصراحة، هناك شيء شعري في ذلك.

النماذج اللغوية الكبيرة (LLMs) هي فنانة، خالقة. إنها تحلم بالشفرة، تولد أفكارًا من العدم، وتستخلص المعنى من البيانات. ولكن بالنسبة للذكاء الاصطناعي لينتقل من الأحلام الجميلة إلى التطبيقات العملية اليومية، يجب أن نروض تلك الهلوسات.

معدلات الأخطاء ل LLMs تظل مرتفعة عبر العديد من المهام - غالبًا ما تتراوح حوالي 30٪. في ذلك المستوى، لا تزال LLMs تتطلب وجود إنسان في الحلقة للوصول إلى مستوى قابل للاستخدام من الدقة.

ولكن عندما نصل إلى دقة 99.x% المترامية الذهنية - حيث تكون النتائج موثوقة دون إشراف بشري - يحدث السحر. هذا هو العتبة التي يحقق فيها الذكاء الاصطناعي موثوقية مستوى الإنسان، مفتحًا كونًا لامتناهيًا من حالات الاستخدام كانت خارجة عن النطاق مسبقًا.

الوصول إلى تلك الدقة، ومع ذلك، ليس أمرًا سهلاً. إنه يتطلب جهد هندسي لا هوادة فيه وابتكارًا.

قصة @Mira_Networkيبدأ هنا. ولكن قبل أن نغوص في ذلك، دعونا نتحدث لحظة عن تطوير LLM - ولماذا تشكل التحققات المصداقية الشيء الكبير التالي في الذكاء الاصطناعي.

كيف يولد LLM

تطوير LLM هو أحدث تطور في رحلة التعلم العميق - مختلف تمامًا عن ممارسات تطوير البرمجيات التقليدية التي تم تحسينها على مدار أكثر من 50 عامًا الماضية. تعكس LLMs ، التي لم تستمر سوى لمدة ثلاث سنوات تقريبًا ، السيناريو بالكامل ، حيث يتم التحول من التفكير المحتمل (إذا كان X ، فقد يكون Y) إلى التفكير الاحتمالي (إذا كان X ، فقد يكون Y؟)

هذا يعني أن البنية التحتية لعالم يدفعه الذكاء الاصطناعي تتطلب مجموعة جديدة تمامًا من الأدوات وسير العمل. ومع ذلك ، العديد من هذه الأدوات لا تزال مغلقة داخل مختبرات البحوث التي أنشأت LLMs.

والخبر السار هو أن هذه الأدوات بدأت تتسرب إلى المجال العام ، مما يفتح عالما من الاحتمالات للمطورين في كل مكان.

في نهاية هذه سلسلة العمل الجديدة يكمن جزء حاسم من اللغز: التقييمات والتحققات. اليوم، يتركز تركيزنا على هذه النقاط. إنها تجيب على سؤال أساسي: هل تعمل الذكاء الاصطناعي بشكل جيد؟

التحقق = الثقة

الثقة هي أساس أي منتج ذكاء اصطناعي عظيم.

مع تصبح الذكاء الاصطناعي جزءًا لا يتجزأ من حياتنا بشكل متزايد، تظل التكنولوجيا نفسها هشة. تحدث الأخطاء، وعندما يحدث ذلك، يتآكل الثقة بسرعة. يتوقع المستخدمون أن يكون الذكاء الاصطناعي دقيقًا وغير متحيز ومفيد حقًا، ولكن بدون نظم موثوقة لضمان ذلك، تتزايد الإحباطات - والإحباط يؤدي إلى فقدان العملاء.

هنا تأتي التحققات إلى اللعب.

التحققات تعمل كحماية. إنها طبقة ضمان الجودة التي يعتمد عليها المطورون لتحسين النتائج وبناء أنظمة يمكن للمستخدمين الاعتماد عليها.

تعمل Mira على معالجة مشكلة أساسية في الويب 2 بواسطة شفافية عملة مشفرة غير قابلة للثقة. من خلال استغلال شبكة مراقبة متميزة متمركزة ، تضمن Mira التحقق من نتائج الذكاء الاصطناعي بدقة وبشكل مستقل.

ادخل ميرا

لنفترض أن لديك فقرة من الناتج الخاص بنظام التعلم اللغوي الشديد عن مدينة باريس. كيف تتحقق من دقته؟ من الصعب القيام بذلك لأن هناك الكثير من التفاصيل الدقيقة حول كل شيء بدءًا من الادعاءات إلى هيكل المحتوى وأسلوب الكتابة.

هنا يأتي دور ميرا.

رؤية ميرا جريئة: إنشاء شبكة من الطبقة 1 توفر التحقق من الذكاء الاصطناعي بطريقة لا تحتاج إلى ثقة وقابلة للتوسعة ودقيقة. من خلال استغلال الحكمة الجماعية، تقلل ميرا من التحيزات والهلوسات، وتحل المشاكل الأساسية مثل العدالة والتكلفة مع إثبات كيف يمكن للبلوكشين تعزيز الذكاء الاصطناعي حقًا.

المصدر: ميرا

نتائج مبكرة واعدة. في الوقت الحاليدراسة نُشرت على Arxiv, أظهرت ميرا أن استخدام عدة نماذج لتوليد النتائج والحاجة إلى التوافق يعزز بشكل كبير الدقة. وصلت الدقة إلى 95.6% باستخدام ثلاث نماذج، مقارنة بـ 73.1% لناتج نموذج واحد.

عنصري تصميم رئيسيان يدعمان نهج Mira:

• تجزئة وتثنين المحتوى: تقسيم النتائج الذكاء الاصطناعي المعقدة إلى أجزاء أصغر قابلة للتحقق بشكل مستقل.
• تنوع النماذج: الاستفادة من عدة نماذج لتعزيز الموثوقية وتقليل التحيز.

#1: تحويل المحتوى عبر التثنين والتجزئة

تتراوح النتائج المولدة بواسطة الذكاء الاصطناعي من العبارات البسيطة إلى المقالات الواسعة ، بفضل تكلفة تكوين المحتوى قريبة من الصفر. ولكن هذا الوفرة من التعقيد يخلق تحديًا: كيف يمكنك ضمان دقة مخرجات متنوعة من هذا القبيل؟

الحل البسيط لميرا: تقسيمها.

@Mira_Networkيقوم بتحويل المحتوى المعقد الذي تم إنشاؤه بواسطة الذكاء الاصطناعي إلى قطع أصغر يمكن لنماذج الذكاء الاصطناعي مراجعتها بشكل موضوعي في عملية تسمى التجزئة.

من خلال توحيد المخرجات وتقسيمها إلى مطالب محددة وقابلة للتحقق، تضمن Mira أن يمكن تقييم كل قطعة بشكل متسق، مما يقضي على الغموض الذي ينتاب التقييمات في كثير من الأحيان.

على سبيل المثال، فكر في هذا البيان المركب:

يحدث التمثيل الضوئي في النباتات لتحويل أشعة الشمس إلى طاقة، وتلعب النحل دوراً حاسماً في التلقيح من خلال نقل اللقاح بين الزهور.

على السطح، يبدو أنه من السهل التحقق منه. ولكن عند تقديمها لعدة نماذج، قد يؤدي غرائز التفسير إلى إجابات مختلفة. يحل تحويل محتوى ميرا عبر الشرائح هذا عن طريق تقسيم البيان إلى ادعاءين مستقلين:

1. يحدث التمثيل الضوئي في النباتات لتحويل الضوء الشمسي إلى طاقة.
2. "تلعب النحل دوراً حاسماً في التلقيح من خلال نقل اللقاح بين الزهور."

بمجرد تجزئة كل مطالبة، يتم تحويلها إلى سؤال اختيار متعدد. يتم توزيع هذه الأسئلة على شبكة من العقد التي تعمل بنماذج الذكاء الاصطناعي. باستخدام طريقة التحقق من التجمع لدى Mira، تتعاون النماذج لتقييم وتأكيد صحة كل مطالبة.

حالياً، تتمحور قدرات تجزئة محتوى Mira وتثنيمه على مدخلات النص. بحلول مطلع عام 2025، ستتوسع هذه العمليات لدعم مدخلات متعددة الوسائط، مثل الصور ومقاطع الفيديو

#2: مجموعة، وليس فرد

طورت ميرا نظام التحقق المتقدم الذي يجمع بين قوة عدة نماذج للذكاء الاصطناعي لتقييم جودة النواتج الخاصة بالذكاء الاصطناعي.

دعنا نفتح ذلك.

غالبا ما تعتمد التقييمات الآلية التقليدية على نموذج لغة واحدة كبيرة (LLM) ، مثل GPT-4 ، كحكم نهائي للجودة. في حين أن هذا النهج وظيفي ، إلا أنه يحتوي على عيوب كبيرة: فهو مكلف ، وعرضة للتحيز ، ومحدود بالمراوغات و "الشخصية" المتأصلة في النماذج.

التقدم الكبير لـ Mira هو تحول من الاعتماد على نموذج ضخم واحد إلى استغلالتجمع من مجموعة متنوعة من LLMs. تتفوق هذه المجموعة في المهام التي تكون فيها الدقة الواقعية أكثر أهمية من البراعة الإبداعية، مما يقلل من معدلات الأخطاء ويقدم تحققات أكثر موثوقية وثباتًا.

تم دراسة تقنيات الانسجام بشكل جيد في مهام التعلم الآلي مثل التصنيف ، ويقوم Mira الآن بتقديم ذلك للتحقق من الصحة.

في قلب نظام ميرا يوجد لوحة من المحققين المعتمدين من المعهد القانوني الدولي (PoLL) - وهي شبكة تعاونية من النماذج التي تعمل معًا للتحقق من النتائج. فكر فيها كلوحة متنوعة من الخبراء يشاركون في اتخاذ قرار بدلاً من تركه لقاض واحد محتمل التحيز.

وهذا ليس مجرد تفكير تمنيات - إنه مستند إلى البحث. ألق نظرة على الرسم البياني أدناه:

دراسة Cohereنشرتفي أبريل 2024، أظهرت دراسة أن لوحة تضم ثلاثة نماذج أصغر - GPT-3.5، Claude-3 Haiku، وCommand R - كانت أقرب إلى تقييمات الإنسان من GPT-4 بمفرده. بشكل ملحوظ، كانت هذه الطريقة المجتمعة أيضًا أرخص بمقدار 7 مرات.

ميرا الآن تضع هذا البحث في التطبيق، وتنفيذ طريقة التحقق المجتمعة الخاصة بها على نطاق واسع. النتائج الداخلية التي شاركوها حتى الآن مقنعة:

• تم تقليل معدلات الأخطاء من 80٪ إلى 5٪ لمهام التفكير المعقدة.

• تحسينات 5x في السرعة والتكلفة مقارنة بالتحقق البشري.

هذا ليس إنجازًا صغيرًا. من خلال استخدام آليات التوافق ، يقوم تجمع موديلات Mira المتنوعة بفعالية بتصفية الهلوسات وتوازن تحيزات النموذج الفردي. معًا ، يقدمون شيئًا أكبر من مجموع أجزائهم: تحققات أسرع وأرخص وأكثر توافقًا مع احتياجاتنا.

كيف يعمل - التصميم المعماري

للإعادة، يعتمد نظام التحقق من Mira على مبدأي تصميم أساسيين:

• تقسيم مخرجات الذكاء الاصطناعي إلى قطع أصغر يمكن التحقق منها بسهولة.
• تحقق من كل قطعة باستخدام مجموعة من نماذج الذكاء الاصطناعي المتنوعة.

الحفاظ على مجموعة متنوعة من النماذج أمر أساسي للحصول على إخراج عالي الجودة، مما يجعل تصميم ميرا مثاليًا للهندسة المعمارية المتمركزة. إزالة نقاط الفشل المفردة ضروري لأي منتج للتحقق.

تستخدم ميرا نهجًا قائمًا على تقنية سلسلة الكتل لضمان عدم قدرة كيان واحد على التلاعب بالنتائج. الفكرة الأساسية بسيطة: يجب التحقق من الإخراجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي تمامًا كما يتم التحقق من تغييرات حالة سلسلة الكتل.

يحدث التحقق من خلال شبكة من العقد المستقلة، حيث يتم تحفيز المشغلين اقتصادياً لأداء عمليات التحقق بدقة. من خلال مواءمة المكافآت مع الصدق، ي desistem ي The Gate مشغلين سيئين ويضمن نتائج موثوقة.

وإليك كيف يعمل:

1. يُنشئ مُطوِّر الذكاء الاصطناعي مجموعة بيانات من مخرجات نموذجه ويُرسِلها إلى Mira عبر واجهة برمجة التطبيقات.
2. تحول ميرا مجموعة البيانات إلى أسئلة اختيارية متعددة (ثنائية) وتقسمها إلى قطع أصغر قابلة للإدارة (شاردينج).
3. يتم توزيع هذه السندات على شبكة عقدة ميرا. تتلقى كل عقدة سندًا مختلفًا للتحقق.
4. يستعرض كل عقدة الأسئلة في شريحته المعينة بشكل مستقل ويقدم نتائجها إلى الشبكة.
5. يتوصل العقد المعينة إلى نفس الشارد إلى توافق حول نتائج التحقق، التي يتم تجميعها بعد ذلك في التقييم النهائي.
6. تتم إرجاع نتائج التحقق النهائية إلى مطور الذكاء الاصطناعي، جنبًا إلى جنب مع شهادة التحقق - دليل تشفيري للتقييم. يتم تخزين هذه الشهادة على سلسلة الكتل، مما يخلق سجل تحقق قابل للتحقق وغير قابل للتلاعب.

تضمن ميرا سرية البيانات من خلال تقسيم البيانات الدخلية إلى قطع أصغر، مما يضمن عدم توافر وحدة واحدة للوصول إلى مجموعة البيانات الكاملة.

لضمان الأمان الإضافي، تدعم Mira مستويات الخصوصية الديناميكية، مما يتيح للمستخدمين ضبط عدد الشاردات بناءً على حساسية البيانات. في حين أن مستويات الخصوصية الأعلى تتطلب مزيدًا من التجزئة (وبالتالي تكاليف أعلى)، فإنها توفر سرية إضافية للمستخدمين الذين يتعاملون مع معلومات حساسة.

يتم تسجيل كل التحقق الذي يقوم به العقدة على سلسلة الكتل، مما يخلق سجلًا شفافًا وقابلًا للتدقيق لعملية التحقق. تضمن هذه الدفترية الغير قابلة للتغيير الثقة والمساءلة التي لا يمكن تحقيقها بواسطة النهج التقليدي وغير المبني على سلسلة الكتل.

هذا يضع معيارًا جديدًا للتحقق الآمن والمحايد للذكاء الاصطناعي.

ضمان أن العُقَد تقوم بعملها

في شبكة ميرا المركزية، يتم مكافأة العمل الشريف.

يمكن للخبراء نشر نماذج AI متخصصة عبر برامج العقدة وكسب الرموز للتحقق الدقيق. يدفع مطورو AI، بدورهم، رسومًا لكل تحقق، مما يخلق حلقة اقتصادية مستدامة بين الطلب والعرض.

تساهم هذه الطريقة في ربط القيمة الحقيقية من سير العمل Web2 في النظام البيئي Web3، وتكافئ المشاركين مباشرة مثل موفري الاستدلال ومبتكري النماذج.

ولكن التحفيزات تأتي مع تحديات. في أي نظام لامركزي، سيحاول الأشخاص السيئون استغلال الشبكة، وتقديم نتائج مزيفة لكسب المكافآت دون القيام بالعمل.

إذن، كيف نتأكد من أن العقدة تقوم فعلاً بأداء مهامها بدقة وصدق؟

للحفاظ على النزاهة ، يعتمد Mira Proof-of-Verification - وهو آلية مستوحاة من عمل Bitcoin's proof-of-work ولكنها مصممة للذكاء الاصطناعي. بدلاً من تعدين الكتل ، يجب على العقد أن يثبتوا أنهم أكملوا مهام التحقق للمشاركة في عملية التوافق.

هكذا يعمل:

• متطلبات الحصة: يجب على كل عقد أن يرهن الرموز كالتزام اقتصادي. إذا قدم العقد نتائج غير صحيحة بشكل متكرر ، يتم خصم جزء من رهانه كعقوبة. يضمن هذا أن تكون لدى العقد جلد في اللعبة وسبب للتصرف بصدق.
• العقوبات على العمل المزيف: العقد التي تقدم نتائج مزيفة - مثل تخطي الحسابات أو توليد النتائج عشوائية - تواجه عقوبات. يتم اكتشاف الاحتيال عندما تتباعد نتائجهم بشكل مستمر عن التوافق (بشرط أن تكون معظم العقد شريفة).

إن آلية الإثبات بالتحقق تخلق نظامًا متوازنًا يجعل العقد محفزة اقتصاديًا لأداء التحققات عالية الجودة. تضمن هذه الآلية أن الشبكة تبقى آمنة وموثوقة مع مرور الوقت.

التحديات وتنازلات التجارة

هنا السؤال: إذا كانت الطريقة التي تتبعها ميرا فعالة جدًا، فلماذا لا يقوم الجميع بفعلها؟

الإجابة تكمن في التنازلات والتعقيدات المترتبة على تنفيذ مثل هذا النظام في العالم الحقيقي. تحقيق التوازن المثالي بين التقييمات السريعة والدقيقة وإدارة تفاصيل النماذج المتعددة ليس أمرًا سهلاً.

واحدة من أكبر عقبات ميرا هي الكمون. في حين أن استخدام مجموعات من النماذج يسمح بإجراء عمليات التحقق بالتوازي ، فإن مزامنة النتائج والتوصل إلى توافق في الآراء يؤدي إلى تأخير. العملية هي فقط بنفس سرعة أبطأ عقدة.

حاليًا، يجعل ذلك ميرا مثاليًا لمعالجة الدُفعات من النتائج الذكية - حالات الاستخدام التي لا تتطلب نتائجًا فورية. مع نمو الشبكة مع المزيد من العُقد وتوافر الحساب، الهدف على المدى الطويل هو تحقيق التحقق الفوري، مما يوسع قابلية تطبيق ميرا لمجموعة أوسع من السيناريوهات.

بالإضافة إلى التأخير، تتضمن التحديات الأخرى:

تعقيد الهندسة: تنظيم التقييمات عبر عدة نماذج وضمان عمل آلية التوافق بسلاسة يتطلب جهد هندسي كبير.

متطلبات الحساب الأعلى: حتى عند استخدام النماذج الأصغر، يزيد تشغيلها معًا في الفرق يزيد من مطالب الحساب.

تصميم آلية التوافق الجيد: يلعب الطريقة التي يتم بها التوافق - من خلال التصويت الأغلبي ، أو التسجيل المرجح ، أو طرق أخرى - دورًا حاسمًا في موثوقية النظام. في الحالات الغامضة ، قد تواجه المجموعات صعوبة في التوافق ، مما يؤدي إلى نتائج غير متسقة.

التطبيقات وحالات الاستخدام لميرا

المصدر: ميرا

تتكامل واجهة برمجة التطبيقات (API) لشركة Mira بسهولة مع أي تطبيق، مثل تقنية OpenAI GPT-4o. إنها مستقلة عن التطبيقات الاستهلاكية والتجارية إلى جانب توفير حل متعدد الاستخدامات لمختلف الحالات. حاليًا، يستخدم أكثر من عشرة تطبيقات بنية التحتية لشركة Mira.

تكاملات المستهلك

في الجانب الاستهلاكي، تعمل ميرا بالفعل على تمكين التحقق الذكي من الذكاء الاصطناعي لعدة تطبيقات للذكاء الاصطناعي في مرحلة مبكرة:

• Creato: تطبيق لاكتشاف ومشاركة اقتباسات يومية مخصصة ورسائل حالة، يخدم أكثر من 120 ألف مستخدم.
• Astro247: منصة حيث يتواصل المستخدمون مع متنبئ فلكي ذكي للحصول على توقعات وتنبؤات شخصية للأبراج.
• Amor: تطبيق رفيق الذكاء الاصطناعي الذي يتيح للمستخدمين التفاعل مع شخصيات الذكاء الاصطناعي الخيالية لمحادثات غامرة.
• Klok: A crypto-focused ChatGPT by Mira that answers crypto queries using APIs like CoinMarketCap and web-scraped data from crypto sites and news outlets.

ديلفي أوراكلهو التكامل الأحدث وربما الأكثر تقدمًا. يسمح هذا المساعد البحثي المدعوم بالذكاء الاصطناعي @Delphi_Digitalعضوية للتفاعل مباشرة مع محتوى البحث، وطرح الأسئلة، وتوضيح النقاط، ودمج مصادر الأسعار، وضبط المحتوى لمستويات مختلفة من التعقيد.

تستفيد Delphi Oracle من تكنولوجيا التحقق من شبكة Mira لتقديم إجابات موثوقة ودقيقة. من خلال التحقق من الإجابات عبر نماذج متعددة ، يقلل Mira من معدلات الهلوسة من ~ 30٪ إلى أقل من 5٪ ، مما يضمن أساسًا قويًا من الثقة.

في صميم بوابة ديلفي Oracle يوجد موجه استعلامات عالية الأداء

• استعلامات السعر: موجهة مباشرة إلى نقاط بيانات السوق للحصول على ردود فعل فورية تقريبًا.
• Basic Questions: Handled by a cached response system, balancing speed and cost-effectiveness.
• استفسارات معقدة: موجهة إلى خط أنابيب معالجة LLM متخصص قادر على توليد معلومات من مصادر متعددة.

هذا النظام الذكي للتوجيه، بالإضافة إلى التخزين المؤقت الذكي، يضمن الأداء الأمثل من خلال موازنة التأخير والتكلفة والجودة.

كشفت اختبارات Mira أن النماذج الصغيرة والفعالة من حيث التكلفة يمكن أن تتعامل مع معظم الاستفسارات تقريبا بنفس كفاءة النماذج الأكبر. وقد أدى ذلك إلى تقليل تكاليف التشغيل بنسبة 90٪، مع الحفاظ في الوقت نفسه على استجابات عالية الجودة التي يتوقعها المستخدمون.

على الرغم من أن العديد من هذه التطبيقات الاستهلاكية لا تزال في مراحلها الأولى، إلا أنها تسلط الضوء على قدرة Mira على الاندماج بسلاسة ودعم قواعد مستخدمين كبيرة ونشطة. ليس من الصعب أن نتصور الآلاف من التطبيقات توصيل نفسها بنظام Mira - طالما أن تجربة المطور تظل بسيطة ومقترح القيمة واضحًا.

تطبيقات B2B

فيما يتعلق بالجانب التجاري إلى الأعمال (B2B)، تركز ميرا على التكاملات المتخصصة في الصناعات التي يكون فيها الثقة والدقة من أهمية قصوى، مع التركيز الأولي على الرعاية الصحية والتعليم.

تشمل التطبيقات الرئيسية:

• الرعاية الصحية: مساعدي الذكاء الاصطناعي يقدمون آراء ثانوية موثوقة ويدعمون الأطباء في اتخاذ القرارات الحاسمة.
• التعليم: مساعدين للتعلم شخصية يتكيفون مع احتياجات الطلاب الفردية مع الحفاظ على الدقة الواقعية والانسجام مع المناهج الدراسية.
• الخدمات القانونية: أنظمة قادرة على تلخيص القضايا القانونية بدقة وتوقع نتائجها لتبسيط سير العمل القانوني.

نهاية ميرا

الهدف النهائي لـ Mira هو تقديم أجيال موثقة بشكل أصلي - حيث يقوم المستخدمون ببساطة بالاتصال عبر واجهة برمجة التطبيقات (API) ، تمامًا مثل OpenAI أو Anthropic ، وتلقي النتائج الموثقة مسبقًا قبل أن يتم إرجاعها.

تهدف إلى استبدال واجهات برمجة تطبيقات النماذج الحالية من خلال توفير نسخ موثوقة للغاية من النماذج الحالية (على سبيل المثال، Mira-Claude-3.5-Sonnet أو Mira-OpenAI-GPT-4o)، المحسنة بموثوقية قائمة على التوافق.

حجم السوق

الذكاء الاصطناعي التوليدي في رحلة فضاء. وفقا لبلومبرغ، من المتوقع أن ينمو السوق بمعدل نمو سنوي مركب يبلغ 42٪، مع تجاوز الإيرادات 1 تريليون دولار بحلول عام 2030. في ظل هذه الموجة الضخمة، ستلتقط الأدوات التي تحسن سرعة ودقة وموثوقية سير العمل الذكي حصة معنوية.

بمجرد أن تتكامل المزيد من الشركات مع LLMs في سياق سير عملها - بدءًا من الروبوتات الدردشة لدعم العملاء إلى مساعدي البحث المعقدة - يصبح الحاجة إلى التحقق من النماذج القوية أكثر إلحاحاً.

سيكون المؤسسات تبحث عن أدوات يمكنها (1) قياس دقة النموذج وموثوقيته، (2) تشخيص الإخفاقات الفورية وعدم الكفاءة الإعدادية، (3) مراقبة الأداء والانجراف بشكل مستمر، و(4) ضمان الامتثال للأطر الرقابية الناشئة حول سلامة الذكاء الاصطناعي.

هل يبدو مألوفا؟ إنه دليل اللعب الذي رأيناه من قبل مع MLOps (اختصار لـ 'تشغيل العمليات الذكية'). مع توسع التعلم الآلي في العقد 2010 ، أصبحت الأدوات اللازمة لنشر وتتبع وصيانة النماذج أمرًا ضروريًا ، مما أدى إلى إنشاء سوق متعددة البليونات. مع ظهور الذكاء الاصطناعي المولد ، يتبع LLMOps نفس المسار.

التقاط حتى شظية صغيرة من السوق بقيمة تريليون دولار يمكن أن يدفع هذا القطاع الفرعي إلى 100 مليار دولار أو أكثر بحلول عام 2030.

عدة شركات ناشئة في ويب 2 بالفعل تتموضع، تقدم أدوات لتعليق البيانات، وضبط النماذج، وتقييم الأداء:

• Braintrust ($36M raised)

• Vellum AI ($5M raised)

• Humanloop (تم جمع 2.8 مليون دولار)

هؤلاء المتحركون المبكرين يضعون الأسس، لكن المجال متغير. في عام 2025، من المرجح أن نرى تكاثرًا للشركات الناشئة في هذا القطاع. قد تتخصص بعضها في مقاييس التقييم الفرعية (مثل اكتشاف التحيز واختبار الاستقرار)، بينما توسع البعض الآخر عروضه لتغطية دورة حياة تطوير الذكاء الاصطناعي بأكملهة.

من المرجح أن تدمج الشركات الكبيرة في مجال التكنولوجيا - مثل مزودي السحابة الرئيسيين ومنصات الذكاء الاصطناعي - ميزات التقييم في عروضهم. الشهر الماضي،OpenAIقدم تقييمات مباشرة على منصته. للبقاء في منافسة، يجب على الشركات الناشئة أن تميز نفسها من خلال التخصص، وسهولة الاستخدام، والتحليلات المتقدمة.

ميرا ليست منافسًا مباشرًا لهذه الشركات الناشئة أو الشركات الكبيرة. بدلاً من ذلك، فهي مزود للبنية التحتية الذي يدمج بسلاسة مع كلاهما عبر واجهات برمجة التطبيقات. المفتاح؟ أنه يجب أن يعمل فقط.

حجم سوق Mira الأولي مرتبط بـ LLMOps ، ولكن حجم السوق القابل للوصول الكلي سيتوسع ليشمل جميع التطبيقات الذكاء الاصطناعي لأن كل تطبيق ذكاء اصطناعي سيحتاج إلى مخرجات أكثر موثوقية.

من منظور نظرية الألعاب، تقع ميرا في وضع فريد. على عكس مقدمي النماذج الآخرين مثل OpenAI، الذين يتم تقييدهم بدعم أنظمتهم الخاصة، يمكن لميرا دمج النماذج بينها. يوضع ميرا بهذا كطبقة الثقة للذكاء الاصطناعي، مما يوفر موثوقية لا يمكن لأي مزود فردي مجاراتها.

خارطة طريق 2025

تهدف خارطة طريق ميرا لعام 2025 إلى تحقيق توازن بين النزاهة والقابلية للتوسع ومشاركة المجتمع على طريقها نحو اللامركزية الكاملة:

المرحلة 1: بدء الثقة (حيث نحن اليوم)

في المرحلة الأولية، يضمن مشغلو العقد المعتمدين موثوقية الشبكة. تعمل مزودات الحوسبة على وحدات المعالجة الرسومية المعروفة كموجة أولى من المشغلين، حيث يتولون العمليات الأولية ويضعون أسسا قوية للنمو.

المرحلة 2: اللامركزية التدريجية

تقدم ميرا التكرار المصمم ، حيث يقوم العديد من نماذج التحقق المتكررة بمعالجة كل طلب. على الرغم من أن هذا يزيد من تكاليف التحقق ، إلا أنه أمر ضروري لتحديد وإزالة المشغلين الخبيثين. من خلال مقارنة الإخراج عبر العقد ، يتم القبض على الأطراف السيئة في وقت مبكر.

في شكلها الناضج، ستقوم ميرا بتنفيذ تقسيم عشوائي لتوزيع مهام التحقق. وهذا يجعل التواطؤ غير مجدي اقتصاديًا ويعزز قدرة الشبكة على التحمل والأمان مع توسعها.

المرحلة 3: نموذج الأساس الاصطناعي

هنا ستقدم ميرا أجيالًا تم التحقق منها بشكل طبيعي. سيقوم المستخدمون بالاتصال عبر واجهة برمجة التطبيقات (API) ، على غرار OpenAI أو Anthropic ، وستتلقى النتائج المحققة مسبقًا - نتائج موثوقة وجاهزة للاستخدام دون التحقق الإضافي.

في الأشهر القادمة، تستعد ميرا لعدة نقاط مهمة رئيسية:

• إطلاق Mira Flows، منتج سير العمل الذكي الذي يتيح للمطورين بناء تطبيقات الذكاء الاصطناعي التي تعمل بواجهة برمجة التطبيقات بسرعة
• شبكة الاختبار العامة في يناير.
• إطلاق الرمز أيضًا في الأفق، مستهدفًا للربع الأول من عام 2024.

🌈 برنامج المندوب العقدة

تعمل ميرا على توسيع فرص المشاركة المجتمعية من خلالبرنامج المندوب للعقد. تجعل هذه المبادرة دعم الشبكة متاحًا للجميع - لا يلزم الخبرة الفنية.

العملية بسيطة: يمكنك استئجار موارد الحوسبة وتفويضها لمجموعة منتقاة من مشغلي العقد. يمكن أن تتراوح المساهمات من 35 دولارًا إلى 750 دولارًا، ويتم تقديم مكافآت لدعم الشبكة. تدير ميرا جميع البنية التحتية المعقدة، حتى يمكن للمفوضين للعقد الجلوس ومشاهدة نمو الشبكة والاستفادة منها.

فريق

اليوم، لديها ميرا فريق صغير ولكن متماسك يركز بشكل كبير على الهندسة.

هناك 3 مؤسسين:

1. @karansirdesai (الرئيس التنفيذي)، الذي كان في فريق الاستثمار في العملات المشفرة والذكاء الاصطناعي في أكسل والاستشارات في بوسطن كونسلتنج غروب
2. سيد دوديباللي (CTO) خريج جامعة IIT مدراس وكان سابقًا شريكًا مؤسسًا في Stader Labs ، وهي منصة للرهان السائل على إيثريوم بقيمة أكثر من 400 مليون دولار تلفزيوني
3. Ninad Naikلقد شغل (مدير المنتج الرئيسي) مناصب قيادية كمدير لإدارة المنتجات في أوبر وكمدير عام في قسم منتجات المنزل الذكي في أمازون.

معًا، يجمعون بين الفطنة في الاستثمار والابتكار التقني والقيادة في المنتجات لرؤية ميرا للتحقق من الذكاء الاصطناعي المتمركز. جمعت ميرا 9 مليون دولارجولة البذرةفي يوليو 2024، بقيادة BITKRAFT وFramework Ventures.

أفكارنا

من الرائع رؤية فريق Crypto AI يتناول مشكلة أساسية في الذكاء الصناعي Web2 - جعل الذكاء الاصطناعي أفضل - بدلاً من لعب ألعاب تخمينية في فقاعة العملات المشفرة.

1. سيكون التحقق من صحة كلمة البحث الذكاء الاصطناعي لعام 2025

تستيقظ الصناعة على أهمية عمليات التحقق. الاعتماد على "المشاعر" لم يعد كافيا. سيحتاج كل تطبيق وسير عمل الذكاء الاصطناعي قريبا إلى عملية تحقق مناسبة - وليس من المبالغة تخيل اللوائح المستقبلية التي تفرض هذه العمليات لضمان السلامة.

تعتمد النهج الذي تتبعه Mira على عدة نماذج للتحقق المستقل من النتائج، مما يسمح بتجنب الاعتماد على نموذج واحد مركزي. يعزز هذا الإطار غير المركزي الثقة ويقلل من مخاطر التحيز والتلاعب.

وفلننظر ماذا يحدث إذا وصلنا إلى الذكاء الاصطناعي العام في السنوات القليلة المقبلة (احتمال حقيقي).

كماأناند إير (@AIيشير من Canonical إلى أنه إذا كان بإمكان الذكاء الاصطناعي التلاعب بالقرارات والشفرة بشكل طفيف، فكيف يمكننا الثقة في الأنظمة التي تختبر هذه السلوكيات؟ يفكر الأشخاص الذكيون مسبقًا.أبحاث أنثروبيكيؤكد على الطارئية، مما يبرز التقييمات كأداة حرجة لتحديد القدرات الذكاء الاصطناعي الخطيرة بشكل محتمل قبل أن تتصاعد إلى مشاكل.

من خلال تمكين الشفافية الجذرية، تضيف سلاسل الكتل طبقة قوية من الحماية ضد أنظمة الذكاء الاصطناعي المارقة. تضمن آليات الاتفاق بدون ثقة أن تقييمات السلامة موثقة من قبل آلاف العقد المستقلة (مثل Mira)، مخفضة بشكل كبير من خطر هجمات Sybil.

1. رؤية طموحة مع مخاطر التنفيذ

ميرا تطارد سوقًا ضخمًا يوجد فيه طلب واضح على حل يعمل. ولكن التحديات حقيقية. سيتطلب تحسين التأخير والدقة وكفاءة التكلفة جهد هندسي لا هوادة فيه ووقتًا. سيحتاج الفريق إلى إظهار بشكل متواصل أن نهجهم أفضل بشكل قابل للقياس من البدائل القائمة.

الابتكار الأساسي يكمن في عملية تجزئة وتجزئة ميرا. يعد هذا "الصلصة السرية" وعود بمعالجة تحديات التوسع والثقة. لكي تنجح ميرا ، يجب أن تقدم هذه التكنولوجيا ما وعدت به.

1. تصميم الرمز & صلصة ميرا السرية

في أي شبكة لامركزية، تصميم الرمز والحوافز هما العوامل المحورية التي تحدد نجاح أو فشل المشروع. سيعتمد نجاح ميرا على مدى توافق هذه الآليات مع مصالح المشاركين مع الحفاظ على سلامة الشبكة.

بينما تبقى تفاصيل اقتصاديات Mira غير معروفة، أتوقع من الفريق أن يكشف المزيد عندما يقترب إطلاق الرمز في أوائل عام 2025.

مستقبل مشرق

وجدنا أن الفرق الهندسية التي تنفذ تقييمات رائعة تتحرك بسرعة كبيرة - تصل إلى 10 مرات أسرع - من تلك التي تراقب ما يحدث في الإنتاج وتحاول إصلاحها على الطاير - أنكور جويل، Braintrust

في عالم يحركه الذكاء الاصطناعي ، الثقة هي كل شيء.

مع تعقد النماذج، ستكون التحققات الموثوقة هي الأساس لكل منتج ذكاء اصطناعي عظيم. تساعدنا في التعامل مع الهلوسة، والقضاء على التحيزات، وضمان توافق نتائج الذكاء الاصطناعي مع احتياجات المستخدمين الفعلية.

تقوم Mira بتوتيرات التحقق، مما يقلل من التكاليف والاعتماد على التدخل البشري. يفتح هذا الباب أمام دورات أسرع، وتعديلات في الوقت الفعلي، وحلول قابلة للتوسيع دون عقبات.

في النهاية، تهدف ميرا إلى أن تكون واجهة برمجة التطبيقات للثقة - إطار تحقق مركزي يمكن الاعتماد عليه من قبل كل مطور وتطبيق للذكاء الاصطناعي للحصول على إجابات موثوقة.

إنها جريئة وطموحة وبالضبط ما يحتاجه عالم الذكاء الاصطناعي.

شكرا على قراءة، Teng Yan

تنصل:

1. يتم إعادة طبع هذه المقالة من [ تينغ يان]. إعادة توجيه العنوان الأصلي: Mira: Trustless Verified الذكاء الاصطناعي. جميع حقوق التأليف والنشر تنتمي إلى المؤلف الأصلي [تنغ يان]. إذا كان هناك اعتراضات على هذا النشر مرحباً اتصل ببوابة تعلمالفريق، وسيتولون على التعامل معها على الفور.
2. إخلاء المسؤولية عن الإلتزام: الآراء والآراء المعبر عنها في هذه المقالة هي فقط تلك للكاتب ولا تشكل أي نصيحة استثمارية.
3. يتم إجراء ترجمات المقال إلى لغات أخرى من قبل فريق بوابة التعلم. ما لم يرد ذكره، يُمنع نسخ أو توزيع أو نسخ المقالات المترجمة.