#STBinancePreTGE Résumé. Alors que l'IA excelle à générer des sorties plausibles, elle produit souvent
des informations incorrectes en raison de la nature probabiliste des technologies basées sur des réseaux de neurones
tels que les grands modèles de langage et de diffusion. Cet article présente
un réseau qui vérifie les sorties générées par l'IA grâce à un consensus décentralisé. Le
réseau transforme les sorties de l'IA en revendications vérifiables de manière indépendante, permettant
à plusieurs modèles d'IA de déterminer collectivement la validité de chaque revendication. Les opérateurs de nœuds
réalisant ces vérifications basées sur l'inférence sont économiquement incités
par un mécanisme hybride de Preuve de Travail/Preuve d'Enjeu pour effectuer une vérification honnête. Au-delà de la vérification, notre vision s'étend à un modèle de fondation synthétique
livrant des sorties sans erreur. Cette infrastructure représente une étape cruciale
vers la possibilité pour les systèmes d'IA de fonctionner sans supervision humaine—une condition nécessaire
pour que l'IA puisse atteindre son potentiel transformateur à travers la société.
1. Introduction
L'Intelligence Artificielle est prête à devenir une force transformative comparable à la presse à imprimer, à la machine à vapeur,
à l'électricité et à Internet—des technologies qui ont fondamentalement remodelé la civilisation humaine. Cependant, l'IA d'aujourd'hui fait face
à des défis fondamentaux qui l'empêchent d'atteindre ce potentiel révolutionnaire. Bien que l'IA excelle à générer
des sorties créatives et plausibles, elle peine à fournir de manière fiable des sorties sans erreur. Ces limitations contraignent l'IA
principalement aux tâches supervisées par des humains ou à des applications de moindre conséquence comme les chatbots, tombant bien en deçà du potentiel de l'IA
pour gérer de manière autonome et en temps réel des tâches à enjeux élevés.
La principale barrière est la fiabilité de l'IA. Les systèmes d'IA souffrent de deux types d'erreurs principales : les hallucinations et les biais, qui
déterminent ensemble le taux d'erreur global d'un modèle. Les taux d'erreur actuels restent trop élevés pour une opération autonome dans
des scénarios conséquents, créant un fossé fondamental entre les capacités théoriques de l'IA et les applications pratiques.
#Mira
#MiraMurati