Crypto Insight Bulletin

·

--

Saya telah memikirkan tentang infrastruktur AI terdesentralisasi dan saya terus berpikir betapa pentingnya verifikasi. Sekarang AI bisa membuat hal-hal yang terlihat sangat baik tetapi kita tidak selalu yakin apakah itu benar. Apa yang saya suka tentang pendekatan Mira adalah bahwa itu tidak hanya mengambil apa yang dikatakan AI sebagai kebenaran. Sebaliknya, ia menguji keluaran AI untuk memastikan bahwa itu benar. Pendekatan Mira mengubah hal-hal yang dikatakan AI menjadi klaim yang dapat diperiksa dan memungkinkan banyak model berbeda untuk melihat klaim ini sendiri. Ini membuat sistem lebih bertanggung jawab, yang merupakan sesuatu yang tidak dimiliki sebagian besar sistem AI saat ini. Saya pikir jaringan verifikasi semacam ini bisa sangat penting jika kita ingin AI berfungsi dengan baik di dunia. Pendekatan Mira dan jaringan verifikasinya adalah hal-hal yang sering saya pikirkan ketika saya mempertimbangkan infrastruktur AI terdesentralisasi dan bagaimana verifikasi akan menjadi lebih penting daripada generasi.

#Mira @Mira - Trust Layer of AI $MIRA

·

--

Mengapa AI Membutuhkan Infrastruktur Verifikasi. Pandangan Saya Setelah Mempelajari Desain Mira

Selama beberapa tahun terakhir, AI telah membuat kemajuan yang luar biasa. Model dapat menulis esai, menghasilkan kode, dan bahkan membuat gambar atau video. Namun semakin saya menjelajahi bagaimana sistem ini bekerja, semakin saya menyadari bahwa kecerdasan tanpa keandalan adalah fondasi. AI seperti bangunan yang membutuhkan dasar untuk berdiri.
Saat mempelajari ide-ide yang disajikan dalam Whitepaper Mira, satu tema terus terlintas dalam pikiran saya: AI tidak gagal karena kurang pengetahuan, tetapi gagal karena kurang verifikasi. Saya terus memikirkan tentang ide ini dan bagaimana hubungannya dengan AI.

·

--

Memikirkan Kembali Keandalan AI: Mengapa Verifikasi Terdesentralisasi Adalah Lapisan

Setelah saya membaca Whitepaper Mira, saya mulai berpikir tentang seberapa kuat AI, tetapi juga seberapa rapuhnya itu. Kita sering berbicara tentang model bahasa dan seberapa baik mereka dalam berbicara, menjadi kreatif, dan bekerja cepat. Tetapi jika kita melihat lebih dekat, kita dapat melihat bahwa sistem AI memiliki batasan: mereka berdasarkan probabilitas. Mereka tidak benar-benar "tahu" hal-hal seperti yang dilakukan manusia. Mereka hanya membuat prediksi. Prediksi, tidak peduli seberapa baik mereka, bisa saja salah. Terkadang kesalahan ini muncul sebagai sesuatu yang tidak benar. Kadang-kadang muncul sebagai bias.. Tidak peduli seberapa besar atau terlatihnya sebuah model tunggal, masalah ini tidak pernah benar-benar hilang.

·

--

Saya telah melihat bagaimana Mira bekerja dan apa yang saya perhatikan adalah bahwa ia menghadapi masalah dengan AI: itu tidak selalu dapat diandalkan. AI dapat memberikan jawaban yang terdengar baik. Itu tidak berarti mereka benar. Mira menangani masalah ini dengan cara tertentu.

* Ini memecah jawaban menjadi klaim yang dapat diperiksa.

* Kemudian ia membiarkan jaringan model menyetujui apa yang benar.

Apa yang saya pikir sangat kuat adalah cara ia menggunakan ekonomi untuk memastikan node jujur.

Node harus menempatkan sesuatu yang bernilai dalam risiko sehingga tidak masuk akal bagi mereka untuk berbohong.

Ini bukan tentang membuat AI lebih besar dan lebih baik; ini tentang membuat AI dapat dipertanggungjawabkan.

Bagi saya, ini tampak seperti langkah menuju memiliki AI yang dapat bekerja sendiri dan dapat dipercaya.

Mira membuat AI lebih dapat diandalkan.

Mira membuat AI lebih dapat dipercaya.

Pendekatan Mira berbeda.

Pendekatan Mira lebih dapat dipertanggungjawabkan.

$MIRA #Mira @Mira - Trust Layer of AI

·

--

Model Graf Hibrida adalah cara untuk memberi imbalan atas pekerjaan nyata

Ketika saya membaca dokumentasi dari Fabric Foundation, saya menemukan model Nilai Graf Hibrida. Itu benar-benar membuat saya berpikir.
Ini bukan sesuatu yang biasanya Anda lihat dalam sistem blockchain.
Model Graf Hibrida tidak memberi imbalan kepada orang-orang yang berpartisipasi berdasarkan seberapa banyak uang yang mereka hasilkan atau hanya berdasarkan seberapa banyak yang mereka lakukan.
Model Graf Hibrida memberikan imbalan kepada orang-orang berdasarkan kedua hal ini. Itu mengubah pentingnya masing-masing seiring dengan bertambahnya usia jaringan.
Pada awalnya, apa yang dilakukan orang lebih penting karena sistem masih berkembang.

·

--

Semakin saya belajar tentang Fabric, saya benar-benar suka bagaimana ia memeriksa apakah semuanya berfungsi dengan benar. Ia tidak mengasumsikan bahwa robot akan selalu bekerja dengan sempurna. Sebaliknya, ia mengasumsikan bahwa terkadang mereka mungkin gagal.

* Ini memastikan bahwa orang yang bertanggung jawab atas robot bertanggung jawab atas apa yang terjadi.

* Mereka harus memasukkan sejumlah uang sebagai jaminan.

* Orang lain mengawasi untuk memastikan semuanya baik-baik saja.

* Jika seseorang mencoba untuk curang, mereka akan mendapatkan masalah. Kehilangan uang.

Cara melakukan hal-hal ini tampak matang bagi saya. Ketika mesin mulai melakukan pekerjaan, Anda tidak dapat hanya mempercayai bahwa mereka akan bekerja.

Anda harus memastikan bahwa mereka dirancang untuk dapat dipercaya.

Fabric memiliki cara untuk memeriksa apakah robot bekerja dengan benar. Ia memberikan mereka tantangan untuk diselesaikan.

Jika mereka mencoba untuk curang, itu akan menghabiskan banyak uang bagi mereka.

Saya pikir ini adalah jenis pemikiran yang kita butuhkan jika robot akan bekerja di dunia.

Fabric mengasumsikan kegagalan adalah mungkin. Membangun aturan di sekitarnya.

Sistem berbasis tantangan Fabric menarik karena membuat kecurangan tidak berharga.

Saya pikir Fabric berada di jalur yang benar, dengan model verifikasinya.

Fabric benar-benar membuat saya berpikir tentang bagaimana robot dapat bekerja.

@Fabric Foundation #ROBO $ROBO

·

--

Fabric Foundation sedang bekerja menuju masa depan di mana manusia dan robot dapat tumbuh bersama

Akhir-akhir ini saya telah berpikir tentang bagaimana robotika dan kecerdasan buatan sedang berkembang. Sepertinya setiap bulan mesin menjadi lebih baik dan lebih baik dan menjadi bagian yang lebih besar dari kehidupan sehari-hari kita.. Saya terus bertanya-tanya siapa yang sebenarnya bertanggung jawab atas semua ini.
Itu adalah saat saya mulai melihat ke dalam Fabric Foundation.
@Fabric Foundation bukan proyek lain yang melibatkan robot. Apa yang saya pikirkan berbeda tentangnya adalah bahwa itu tidak memperlakukan robot sebagai sesuatu yang dapat dimiliki oleh satu perusahaan. Sebaliknya, itu mencoba menciptakan sistem di mana banyak orang dapat berkontribusi dan menjadi bagian dari cara kerjanya.

·

--

Satu hal yang tidak saya lihat banyak orang bicarakan di @Fabric Foundation adalah desain emisinya. Sebagian besar jaringan memiliki pasokan token tetap. Mereka berharap lebih banyak orang akan mulai menggunakannya.. Fabric melakukan hal-hal dengan cara yang berbeda. Emisi berubah berdasarkan bagaimana orang benar-benar menggunakan jaringan dan seberapa baik layanan berfungsi.

Ini adalah perubahan. Ini berarti bahwa hadiah didasarkan pada bagaimana jaringan sebenarnya berjalan, bukan pada apa yang orang pikir bisa dilakukan. Jika robot tidak banyak digunakan, sistem berusaha untuk mendapatkan lebih banyak orang untuk berpartisipasi. Jika kualitas layanan tidak baik, hadiah akan dikurangi.

Bagi saya, ini terasa lebih seperti sistem ekonomi nyata daripada sekadar banyak kegembiraan. Ini bukan tentang membangun robot. Ini tentang membangun sistem yang dapat berubah dan tumbuh seiring mesin dan manusia bekerja bersama. Fabric benar-benar tentang menciptakan sistem yang dapat berkembang seiring waktu. Itu yang saya pikir sangat menarik, tentang Fabric dan desain emisi adaptifnya.
#ROBO $ROBO

·

--

Desain Ekonomi Mira: Mengapa Insentif Lebih Penting daripada Model

Ketika orang melihat proyek infrastruktur AI, mereka fokus pada model. Dataset, desain yang lebih baik, lebih banyak detail. Saya pikir salah satu bagian yang paling diabaikan dari keandalan AI adalah desain insentif.
Itulah mengapa saya menemukan pengaturan ekonomi Mira menarik. Ini tidak hanya mencoba meningkatkan output AI di tingkat model. Ini membangun sistem di mana tekanan ekonomi mendorong peserta untuk memverifikasi dengan jujur.
Dalam crypto, insentif adalah segalanya.
Kelemahan Tersembunyi dari Verifikasi AI
Jika Anda meminta model AI untuk memverifikasi sebuah klaim, itu terdengar kuat. Tetapi ada sebuah masalah: tugas verifikasi sering kali menjadi pertanyaan terstruktur dengan jawaban terbatas. Dalam kasus ini, tebakan acak menjadi mungkin.

·

--

Semakin banyak saya belajar tentang Kecerdasan Buatan, semakin saya berpikir bahwa masalah besar bukanlah seberapa pintar ia. Tapi apakah kita bisa mempercayainya.

@Mira - Trust Layer of AI menangani masalah ini dengan cara yang sangat saya suka. Dengan membuat model besar lainnya dan berharap ia membuat lebih sedikit kesalahan, ia membangun sistem di mana banyak orang memeriksa pekerjaan AI. Inilah cara kerjanya:

* Setiap jawaban dipecah menjadi pernyataan

* Banyak model berbeda memeriksa pernyataan ini

* Para pemeriksa termotivasi untuk jujur karena mereka memiliki sesuatu yang dipertaruhkan

Apa yang saya temukan menarik adalah bahwa sistem ini membuatnya rasional bagi node untuk jujur. Mereka harus mempertaruhkan sesuatu yang bernilai agar tidak masuk akal bagi mereka untuk curang. Ini tampaknya menjadi langkah selanjutnya untuk cryptocurrency. Tidak hanya menjaga transaksi tetap aman tetapi juga menjaga AI tetap jujur.

$MIRA
#Mira

·

--

Mira: Mengapa Saya Yakin Verifikasi Terdesentralisasi adalah Lapisan untuk AI

Selama setahun terakhir, saya banyak memikirkan satu masalah inti dalam AI: kita masih belum bisa sepenuhnya mempercayai AI.
Saya memikirkan masalah ini setiap hari.
Model bahasa besar sangat kuat.
Mereka bisa menulis kode, menganalisis data, menyusun argumen dan menjelaskan topik yang kompleks dalam hitungan detik.
Pada saat yang sama, mereka bisa dengan percaya diri menghasilkan informasi yang salah.
Saya melihat ini sebagai sebuah masalah.
Halusinasi, bias, dan inkonsistensi bukanlah kasus pinggiran. Mereka adalah keterbatasan dari model probabilistik.
Itulah kesenjangan yang menarik perhatian saya ketika saya mempelajari Mira.

·

--

Saya baru saja mengetahui tentang @Mira - Trust Layer of AI . Ini sangat menakjubkan. Mira tidak hanya menerima apa yang dikatakan oleh satu kecerdasan buatan. Ia memecah apa yang dikatakan oleh kecerdasan buatan menjadi bagian-bagian dan memiliki banyak model kecerdasan buatan yang berbeda untuk memeriksa setiap bagian. Kami hanya mendapatkan jawaban yang kami tahu benar ketika semua model berbeda ini setuju. Ini membuat kemungkinan bahwa jawaban tersebut salah atau bias menjadi jauh lebih kecil.

Orang-orang yang memeriksa jawaban juga harus melakukan beberapa pekerjaan untuk memastikan bahwa mereka benar. Mereka harus mengeluarkan beberapa token mereka dan melakukan pemeriksaan untuk memastikan semuanya baik-baik saja. Jika mereka melakukan pekerjaan, maka mereka akan dibayar.

Saya pikir Mira adalah sebuah ide karena ia menggunakan banyak model kecerdasan buatan yang berbeda dan cara baru dalam menggunakan uang untuk memastikan jawaban benar. Ini membuat saya berpikir bahwa kita akhirnya dapat mempercayai apa yang dikatakan oleh kecerdasan buatan.

Saya sangat bersemangat tentang Mira karena ia menggunakan kecerdasan dan cara baru dalam menggunakan uang untuk memberi tahu kami apa yang benar. Ini adalah cara untuk memastikan kami mendapatkan jawaban yang tepat. Mira dan cara menggunakan kecerdasannya serta uang untuk mendapatkan kebenaran adalah sesuatu yang menurut saya sangat keren.
#Mira $MIRA

·

--

Apa yang saya suka tentang @Fabric Foundation bukanlah robot-robot yang mereka miliki. Melainkan cara mereka ingin menghasilkan uang dari itu. Fabric tidak ingin satu perusahaan mengendalikan semua mesin. Mereka ingin membuat jaringan di mana orang-orang dapat membantu dengan keterampilan, informasi untuk memeriksa apakah segala sesuatu benar atau perangkat keras. Dengan cara ini, orang bisa menjadi bagian dari bagaimana sistem tumbuh.

Saya pikir ini adalah ide bahwa robot dapat memiliki bagian yang dapat ditambahkan atau dihapus seperti balok. Bagian-bagian ini bisa seperti kemampuan yang dapat dipelajari oleh robot. Saya suka bahwa kemampuan ini dapat dikerjakan secara terbuka sehingga semua orang dapat melihat apa yang terjadi. Juga baik bahwa Fabric ingin memastikan bahwa pekerjaan yang dilakukan robot adalah nyata dan bahwa orang-orang bertanggung jawab atas apa yang mereka lakukan. Jika robot akan menjadi bagian dari hidup kita, saya ingin mereka dibuat dengan cara yang terbuka dan jujur seperti apa yang dilakukan Fabric dengan komunitas yang membantu.

$ROBO #ROBO

B

ROBO

Harga

0,038431

·

--

Saya sangat bersemangat tentang @Fabric Foundation . Ini berpikir bahwa robot harus berbagi pengetahuan dengan cepat sehingga robot baru dapat belajar dari ribuan robot lainnya.

Apa yang saya suka adalah bahwa mereka ingin membangun teknologi ini dengan cara yang bertanggung jawab. Mereka ingin memastikan robot mengikuti nilai-nilai saat mereka belajar dan menjadi lebih baik.

Ide menggunakan token untuk membantu orang bekerja sama dan berkontribusi tampaknya cerdas. Ini tidak terasa seperti hal yang sedang tren.

Ini terlihat seperti masa depan di mana teknologi dan orang bekerja sama dengan adil.

Membaca tentang ini sebenarnya membuat saya berharap dan terinspirasi.

Protokol Fabric tampaknya seperti sesuatu yang benar-benar dapat membuat perbedaan.

Ini tentang robot dan orang yang bekerja sama.

Fokusnya adalah pada memastikan robot selaras dengan apa yang dipikirkan orang sebagai hal yang benar.

Itu memberi saya harapan, untuk masa depan.

$ROBO #ROBO

B

ROBO

Harga

0,038431

·

--

Masa Depan Robotika Tidak Seharusnya Milik Monopoli

Rasanya seperti kita berkedip dan tiba-tiba robot melangkah keluar dari fiksi ilmiah dan masuk ke dalam realitas sehari-hari kita. Dengan kinerja AI yang meloncat cepat dan model bahasa besar sekarang secara aktif mengendalikan robot melalui kode sumber terbuka, garis antara data digital dan dunia fisik semakin memudar. Sebuah masa depan di mana kita hidup dan bekerja di samping mesin yang sangat mampu semakin jelas. Tetapi saat saya menyaksikan ini terjadi, kekhawatiran mendesak membayangi kegembiraan: otomatisasi fisik dan digital ini mengancam untuk mengkonsentrasikan kekuatan dan kekayaan yang belum pernah terjadi sebelumnya ke dalam tangan beberapa perusahaan besar. Kita berdiri di tepi ekonomi "pemenang mengambil semuanya", di mana infrastruktur robotik masa depan bisa dengan mudah menjadi ekosistem tertutup yang dikendalikan oleh satu entitas.

·

--

Kami semua menunggu Kecerdasan Buatan untuk menangani hal-hal dalam hukum dan kesehatan, tetapi halusinasi Kecerdasan Buatan masih menghalangi Kecerdasan Buatan. Mira menunjukkan sebuah kebenaran: sebuah model Kecerdasan Buatan tunggal akan selalu memiliki batas. Anda tidak dapat memiliki presisi tanpa memperkenalkan bias ke dalam sistem Kecerdasan Buatan. Pendekatan Mira berbeda. Mereka tidak mencoba membangun Kecerdasan Buatan tetapi lebih kepada jaringan terdesentralisasi untuk memverifikasi Kecerdasan Buatan. Ini tentang bergerak melewati titik di mana Kecerdasan Buatan hanya cukup baik, ke titik di mana Kecerdasan Buatan terbukti dapat diandalkan.
@Mira - Trust Layer of AI #Mira $MIRA

·

--

Memikirkan Kembali Keandalan AI sebagai Masalah Konsensus

Saya telah membaca kertas putih Miras dan satu hal terus teringat di benak saya adalah kertas putih Mira dan masalah halusinasi AI serta bias. Kertas putih Mira mengatakan bahwa ini bukan hanya masalah dengan model atau datanya. Ini adalah masalah yang membutuhkan solusi yang melibatkan seluruh sistem.
Setiap model bahasa besar memiliki masalah saat dilatih. Jika Anda membuatnya lebih tepat, ia akan memiliki bias sistemik. Jika Anda mencoba mengurangi bias, itu akan kurang tepat. Kertas putih Miras membantu saya memahami ini. Ia mengatakan bahwa halusinasi adalah ketika model tidak tepat dan memberikan jawaban yang tidak konsisten atau terlalu percaya diri. Di sisi lain, bias adalah ketika model tidak akurat dan memberikan jawaban yang tidak benar.

·

--

Sangat bersemangat dengan masa depan AI dan @Mira - Trust Layer of AI ! Sistem verifikasi terdesentralisasi mereka adalah pengubah permainan yang lengkap, mengkhayalkan AI nuklir di kepala. Bayangkan dunia di mana semua output AI berlaku. Itulah yang dibangun oleh $MIRA . Temukan mesin untuk AI yang lebih bertanggung jawab!

#mira $MIRA

·

--

Menguraikan Transformasi Konten Mira: Bagaimana Data Mentah Menjadi Kebenaran yang Diverifikasi

Sangat penting di dunia cepat Kecerdasan Buatan untuk dapat mengandalkan hasil yang diberikan AI kepada kita. AI akan menyusun konten yang kreatif dan menarik, namun juga akan menghasilkan halusinasi dan menunjukkan prasangka. Jaringan Mira melakukan ini dengan menerapkan proses Transformasi Konten baru yang mengubah keluaran AI yang tidak jelas menjadi informasi yang dapat diverifikasi.
Masalah Keandalan AI Tradisional.
Model bahasa besar (LLM), yang merupakan jenis model AI, didasarkan pada menebak kata atau urutan yang paling mungkin untuk diikuti. Karena ini, produksi mereka mungkin memiliki ketidakakuratan fakta atau tidak terkait dengan kenyataan. Inferensi ini membuat verifikasi langsung terhadap jawaban menjadi sulit dan biasanya memerlukan bantuan manusia, yang merusak upaya AI yang sepenuhnya otonom. Jaringan Mira mengubah cara kita berpikir tentang keluaran AI. Sebagai lawan dari menerima segala sesuatu yang ditawarkan AI sebagai kebenaran mutlak, Mira memeriksanya dengan serangkaian tingkat verifikasi yang dimulai dengan membagi materi secara cerdas menjadi unit-unit yang lebih kecil.