Jeeya_Awan
MPhil Student | 📚 🌍 Exploring crypto 💡 Excited to grow in digital finance | Let’s connect, learn & grow in blockchain 🚀
Otwarta transakcja
Trader systematyczny
Lata: 2.8
565 Obserwowani
20.6K+ Obserwujący
9.5K+ Polubione
234 Udostępnione
Posty
Portfolio
Wszystko
Cytaty
Na żywo
#robo
Większość ludzi myśli, że wyzwaniem w robotyce jest inteligencja.
Nie uważam, że to już prawdziwy problem.
Prawdziwym problemem jest własność i koordynacja.
Dziś roboty są własnością pojedynczych firm. Generują wartość, ale ta wartość pozostaje zamknięta. Gdy maszyny stają się ekonomicznie produktywne, ten model staje się niebezpieczny, a nie tylko nieefektywny.
ROBO reprezentuje inny kierunek.
Dzięki Fabric, roboty nie tylko wykonują zadania.
Weryfikują pracę.
Rozliczają transakcje.
Uczestniczą w otwartej sieci ekonomicznej.
Dzięki Proof of Robotic Work, nagrody są powiązane z rzeczywistą wydajnością maszyny, a nie spekulacjami, nie hype'em. Jeśli robot zakończy zweryfikowaną pracę, wartość zostaje stworzona. Proste.
ROBO to nie tylko token do płatności lub rządzenia.
To warstwa cenowa dla pracy maszyn.
Inteligencja fizyczna rozwija się szybko.
Prawdziwe pytanie nie brzmi, czy roboty będą pracować.
Brzmi, dla kogo będą pracować i kto zbiera korzyści.
@Fabric Foundation $ROBO
{alpha}(560x475cbf5919608e0c6af00e7bf87fab83bf3ef6e2)
Większość ludzi myśli, że wyzwaniem w robotyce jest inteligencja.
Nie uważam, że to już prawdziwy problem.
Prawdziwym problemem jest własność i koordynacja.
Dziś roboty są własnością pojedynczych firm. Generują wartość, ale ta wartość pozostaje zamknięta. Gdy maszyny stają się ekonomicznie produktywne, ten model staje się niebezpieczny, a nie tylko nieefektywny.
ROBO reprezentuje inny kierunek.
Dzięki Fabric, roboty nie tylko wykonują zadania.
Weryfikują pracę.
Rozliczają transakcje.
Uczestniczą w otwartej sieci ekonomicznej.
Dzięki Proof of Robotic Work, nagrody są powiązane z rzeczywistą wydajnością maszyny, a nie spekulacjami, nie hype'em. Jeśli robot zakończy zweryfikowaną pracę, wartość zostaje stworzona. Proste.
ROBO to nie tylko token do płatności lub rządzenia.
To warstwa cenowa dla pracy maszyn.
Inteligencja fizyczna rozwija się szybko.
Prawdziwe pytanie nie brzmi, czy roboty będą pracować.
Brzmi, dla kogo będą pracować i kto zbiera korzyści.
@Fabric Foundation $ROBO
{alpha}(560x475cbf5919608e0c6af00e7bf87fab83bf3ef6e2)
Kiedy Roboty Nie Tylko Pracują, Ale Również Uzgadniają
#ROBO
Większość ludzi myśli, że infrastruktura robotyki dotyczy lepszego sprzętu, lepszych czujników, szybszych silników, mądrzejszych chipów.
Ale co jeśli prawdziwy przełom nie polega na tym, jak poruszają się roboty…
jak się na to zgadzają?
Fabric nie tworzy kolejnego stosu robotyki. Tworzy warstwę koordynacyjną dla inteligencji fizycznej. System, w którym maszyny nie tylko wykonują zadania, ale również kryptograficznie uzgadniają, co zostało zrobione.
To zmienia wszystko.
Dziś, kiedy robot kończy dostawę, sprawdza magazyn lub wykonuje zadanie w fabryce, weryfikacja jest zewnętrzna. Firma to rejestruje. Człowiek to audytuje. Zcentralizowany system to potwierdza.
Większość ludzi myśli, że infrastruktura robotyki dotyczy lepszego sprzętu, lepszych czujników, szybszych silników, mądrzejszych chipów.
Ale co jeśli prawdziwy przełom nie polega na tym, jak poruszają się roboty…
jak się na to zgadzają?
Fabric nie tworzy kolejnego stosu robotyki. Tworzy warstwę koordynacyjną dla inteligencji fizycznej. System, w którym maszyny nie tylko wykonują zadania, ale również kryptograficznie uzgadniają, co zostało zrobione.
To zmienia wszystko.
Dziś, kiedy robot kończy dostawę, sprawdza magazyn lub wykonuje zadanie w fabryce, weryfikacja jest zewnętrzna. Firma to rejestruje. Człowiek to audytuje. Zcentralizowany system to potwierdza.
Mira: Kiedy AI Zaczyna Się Weryfikować
Przez długi czas myślałem, że głównym problemem z AI jest inteligencja, jak mądra może się stać, jak blisko może się zbliżyć do ludzkiego rozumowania.
Ale po dokładnym przyjrzeniu się Mirze, zdałem sobie sprawę, że prawdziwe wyzwanie nie leży w inteligencji.
To skala.
AI już czyta miliardy słów dziennie. Generuje streszczenia badań, kod, projekty prawne, sugestie medyczne. Wąskim gardłem nie jest już generacja, lecz weryfikacja. Kto sprawdza kontrolera, gdy wyniki mnożą się szybciej, niż ludzie mogą je przeglądać?
To tutaj Mira zmienia ramy.
Ale po dokładnym przyjrzeniu się Mirze, zdałem sobie sprawę, że prawdziwe wyzwanie nie leży w inteligencji.
To skala.
AI już czyta miliardy słów dziennie. Generuje streszczenia badań, kod, projekty prawne, sugestie medyczne. Wąskim gardłem nie jest już generacja, lecz weryfikacja. Kto sprawdza kontrolera, gdy wyniki mnożą się szybciej, niż ludzie mogą je przeglądać?
To tutaj Mira zmienia ramy.
#mira
Większość ludzi myśli, że AI musi stać się mądrzejsze.
Mira wybiera inną drogę, sprawiając, że AI jest odpowiedzialne.
Zamiast ufać wynikowi pojedynczego modelu, Mira dzieli odpowiedzi na weryfikowalne twierdzenia i pozwala niezależnym weryfikatorom osiągnąć konsensus. Prawda nie jest zakładana. Jest ekonomicznie egzekwowana.
To nie jest kolejny model AI.
To warstwa koordynacyjna dla inteligencji.
W świecie zalanym generowaną treścią, prawdziwą przewagą nie będzie ten, kto generuje szybciej, ale ten, kto weryfikuje lepiej.
Mira buduje tę warstwę zaufania.
@Mira - Trust Layer of AI $MIRA
Większość ludzi myśli, że AI musi stać się mądrzejsze.
Mira wybiera inną drogę, sprawiając, że AI jest odpowiedzialne.
Zamiast ufać wynikowi pojedynczego modelu, Mira dzieli odpowiedzi na weryfikowalne twierdzenia i pozwala niezależnym weryfikatorom osiągnąć konsensus. Prawda nie jest zakładana. Jest ekonomicznie egzekwowana.
To nie jest kolejny model AI.
To warstwa koordynacyjna dla inteligencji.
W świecie zalanym generowaną treścią, prawdziwą przewagą nie będzie ten, kto generuje szybciej, ale ten, kto weryfikuje lepiej.
Mira buduje tę warstwę zaufania.
@Mira - Trust Layer of AI $MIRA
#robo
Kiedy roboty mogą ufać sieci
Dla mnie przyszłość robotyki to nie tylko lepszy sprzęt czy mądrzejsza sztuczna inteligencja, ale zaufanie i koordynacja. Obecnie roboty działają w silosach, będąc własnością i aktualizowane w izolacji. Fabric zmienia to, umieszczając roboty w wspólnej, weryfikowalnej sieci. Gdy maszyny mogą ufać wzajemnym działaniom i zasadom, współpraca ludzi z robotami w końcu może się rozwijać.
@Fabric Foundation $ROBO
Kiedy roboty mogą ufać sieci
Dla mnie przyszłość robotyki to nie tylko lepszy sprzęt czy mądrzejsza sztuczna inteligencja, ale zaufanie i koordynacja. Obecnie roboty działają w silosach, będąc własnością i aktualizowane w izolacji. Fabric zmienia to, umieszczając roboty w wspólnej, weryfikowalnej sieci. Gdy maszyny mogą ufać wzajemnym działaniom i zasadom, współpraca ludzi z robotami w końcu może się rozwijać.
@Fabric Foundation $ROBO
Dlaczego Weryfikacja ROBO Zależy od Powiązania Dowodów
#ROBO
Podczas badania modelu weryfikacji ROBO, jedno spostrzeżenie wyróżnia się dla mnie: zweryfikowany wynik jest tylko tak silny, jak dowody do niego dołączone.
W rzeczywistych przepływach pracy, nawet paragony oznaczone jako zweryfikowane często nadal wymagają potwierdzenia przez człowieka. To niekoniecznie jest porażką modelu, to zazwyczaj porażka powiązania. Roszczenie nie ma wystarczającego kontekstu, aby mogło być niezależnie odtworzone. Gdy operatorzy nie mogą odtworzyć, jak wynik został wyprodukowany, weryfikacja staje się wiarą, a nie procesem.
ROBO staje się bardziej znaczący, gdy weryfikacja może być powtórzona. Wymaga to, aby każde roszczenie miało swoje źródło, migawkę, paragon narzędzia i stan polityki. Przy tych powiązaniach każdy w sieci może odtworzyć lub audytować wynik bez ręcznego odbudowywania kontekstu.
Podczas badania modelu weryfikacji ROBO, jedno spostrzeżenie wyróżnia się dla mnie: zweryfikowany wynik jest tylko tak silny, jak dowody do niego dołączone.
W rzeczywistych przepływach pracy, nawet paragony oznaczone jako zweryfikowane często nadal wymagają potwierdzenia przez człowieka. To niekoniecznie jest porażką modelu, to zazwyczaj porażka powiązania. Roszczenie nie ma wystarczającego kontekstu, aby mogło być niezależnie odtworzone. Gdy operatorzy nie mogą odtworzyć, jak wynik został wyprodukowany, weryfikacja staje się wiarą, a nie procesem.
ROBO staje się bardziej znaczący, gdy weryfikacja może być powtórzona. Wymaga to, aby każde roszczenie miało swoje źródło, migawkę, paragon narzędzia i stan polityki. Przy tych powiązaniach każdy w sieci może odtworzyć lub audytować wynik bez ręcznego odbudowywania kontekstu.
#mira
Sieć Mira nie tylko weryfikuje wyniki AI, ale koordynuje całą gospodarkę weryfikacyjną.
Od przekształcania treści kandydatów w ustrukturyzowane roszczenia, po dystrybucję ich w niezależnych węzłach weryfikujących, system zapewnia, że każde twierdzenie jest testowane, porównywane i uzgadniane.
Za kulisami zdecentralizowani operatorzy uruchamiają modele weryfikatorów, przetwarzają roszczenia i przyczyniają się do konsensusu, wszystko koordynowane przez samą sieć.
To jest to, co przekształca AI z probabilistycznego wyniku w weryfikowalną infrastrukturę prawdy.
@Mira - Trust Layer of AI $MIRA
Sieć Mira nie tylko weryfikuje wyniki AI, ale koordynuje całą gospodarkę weryfikacyjną.
Od przekształcania treści kandydatów w ustrukturyzowane roszczenia, po dystrybucję ich w niezależnych węzłach weryfikujących, system zapewnia, że każde twierdzenie jest testowane, porównywane i uzgadniane.
Za kulisami zdecentralizowani operatorzy uruchamiają modele weryfikatorów, przetwarzają roszczenia i przyczyniają się do konsensusu, wszystko koordynowane przez samą sieć.
To jest to, co przekształca AI z probabilistycznego wyniku w weryfikowalną infrastrukturę prawdy.
@Mira - Trust Layer of AI $MIRA
Dlaczego weryfikacja sieci Mira jest trudna i co umożliwia skala
#Mira
Myślę o tym, jak sieci weryfikacyjne mogą być manipulowane, a jednym oczywistym problemem jest skracanie. Operatorzy węzłów mogą próbować przechowywać wcześniejsze wyniki weryfikacji i ponownie je wykorzystywać zamiast przeprowadzać nową ocenę. W teorii, buforowanie mogłoby zmniejszyć wysiłek, jednocześnie zwracając odpowiedzi.
Ale w projekcie Mira ta strategia jest na początku ograniczona. Prośby o weryfikację są różnorodne, specyficzne dla kontekstu i ciągle się zmieniają. Roszczenia różnią się w sformułowaniach, zakresie i ograniczeniach domeny, więc wcześniej zapisane wyniki rzadko dokładnie pasują do nowych danych wejściowych. To sprawia, że proste bazy danych są nieskuteczne jako substytut prawdziwej weryfikacji.
Myślę o tym, jak sieci weryfikacyjne mogą być manipulowane, a jednym oczywistym problemem jest skracanie. Operatorzy węzłów mogą próbować przechowywać wcześniejsze wyniki weryfikacji i ponownie je wykorzystywać zamiast przeprowadzać nową ocenę. W teorii, buforowanie mogłoby zmniejszyć wysiłek, jednocześnie zwracając odpowiedzi.
Ale w projekcie Mira ta strategia jest na początku ograniczona. Prośby o weryfikację są różnorodne, specyficzne dla kontekstu i ciągle się zmieniają. Roszczenia różnią się w sformułowaniach, zakresie i ograniczeniach domeny, więc wcześniej zapisane wyniki rzadko dokładnie pasują do nowych danych wejściowych. To sprawia, że proste bazy danych są nieskuteczne jako substytut prawdziwej weryfikacji.
Dlaczego Mira czyni dostawców AI finansowo odpowiedzialnymi
Jednym z wzorców, które ciągle dostrzegam w większości infrastruktury AI, jest to, że dostawcy rzadko są bezpośrednio odpowiedzialni za dokładne wyniki, które produkują. Uruchamiają modele, dostarczają wnioski i są nagradzani za uczestnictwo lub przepustowość. Jeśli obliczenia są niedbałe, stronnicze lub niskiej jakości, konsekwencje są zazwyczaj pośrednie, może utrata reputacji później, może zmniejszenie popytu w czasie. Ale akt produkcji wniosków sam w sobie niesie prawie żadną natychmiastową odpowiedzialność. Mira podchodzi do tego zupełnie inaczej.
To, co uważam za przekonujące w architekturze Mira, to fakt, że nie stara się ona w perfekcyjny sposób monitorować każdego węzła przez cały czas. Takie podejście rzadko skalowalnie sprawdza się w systemach zdecentralizowanych.
Zamiast tego, Mira łączy wpływ weryfikacji z ekspozycją stawki.
Więc jeśli węzeł chce mieć większy wpływ na wyniki, musi zaangażować większą wartość ekonomiczną. A jeśli zachowuje się nieuczciwie, ta ekspozycja staje się zobowiązaniem.
To jest czystszy wzór projektowy: dostosować zachęty zamiast egzekwować zachowanie.
@Mira - Trust Layer of AI #Mira $MIRA
Zamiast tego, Mira łączy wpływ weryfikacji z ekspozycją stawki.
Więc jeśli węzeł chce mieć większy wpływ na wyniki, musi zaangażować większą wartość ekonomiczną. A jeśli zachowuje się nieuczciwie, ta ekspozycja staje się zobowiązaniem.
To jest czystszy wzór projektowy: dostosować zachęty zamiast egzekwować zachowanie.
@Mira - Trust Layer of AI #Mira $MIRA
Model Podstawowy Fabric dla Deterministycznej Interakcji Robotów
Gdy roboty zaczynają działać w wspólnych środowiskach, interakcja między maszynami nie może już opierać się na założeniach. Każdy robot potrzebuje przewidywalnych oczekiwań dotyczących tego, jak inne będą się zachowywać. To właśnie oznacza deterministyczna interakcja - wyniki kształtowane przez wspólne zasady, a nie ukrytą logikę platformy.
Model Podstawowy Fabric wprowadza to poprzez zakotwiczenie tożsamości, uprawnień i ról w wspólnym, weryfikowalnym stanie. Gdy roboty wchodzą w interakcję, odnoszą się do tych samych ograniczeń, zamiast polegać na wewnętrznych systemach innych. Tak interakcja staje się spójna między platformami.
Więc deterministyczna robotyka nie dotyczy sztywnych maszyn.
Chodzi o maszyny koordynujące się pod wspólną logiką.
@Fabric Foundation #ROBO $ROBO
Gdy roboty zaczynają działać w wspólnych środowiskach, interakcja między maszynami nie może już opierać się na założeniach. Każdy robot potrzebuje przewidywalnych oczekiwań dotyczących tego, jak inne będą się zachowywać. To właśnie oznacza deterministyczna interakcja - wyniki kształtowane przez wspólne zasady, a nie ukrytą logikę platformy.
Model Podstawowy Fabric wprowadza to poprzez zakotwiczenie tożsamości, uprawnień i ról w wspólnym, weryfikowalnym stanie. Gdy roboty wchodzą w interakcję, odnoszą się do tych samych ograniczeń, zamiast polegać na wewnętrznych systemach innych. Tak interakcja staje się spójna między platformami.
Więc deterministyczna robotyka nie dotyczy sztywnych maszyn.
Chodzi o maszyny koordynujące się pod wspólną logiką.
@Fabric Foundation #ROBO $ROBO
Fundacja Fabric wprowadza zasadę Web3 do robotyki
Jedną z największych zmian, które wprowadził Web3, była idea wspólnego stanu wśród niezależnych uczestników. Blockchainy pozwoliły systemom, które się nawzajem nie ufają, na zgodzenie się co do tego, co jest prawdą. Finanse były pierwszą dziedziną, która to przyjęła. Fundacja Fabric stosuje tę samą zasadę w robotyce.
Dziś większość robotów nadal działa w silosach platformowych. Ich tożsamość, uprawnienia i zasady zachowania żyją wewnątrz zastrzeżonych kontrolerów lub systemów chmurowych. Działa to, gdy maszyny pozostają w jednym ekosystemie. Jednak nowoczesne środowiska robotyczne to coraz bardziej fabryki wieloplatformowe, sieci logistyczne i systemy automatyzacji, które łączą roboty od różnych dostawców i stosów oprogramowania.
Dziś większość robotów nadal działa w silosach platformowych. Ich tożsamość, uprawnienia i zasady zachowania żyją wewnątrz zastrzeżonych kontrolerów lub systemów chmurowych. Działa to, gdy maszyny pozostają w jednym ekosystemie. Jednak nowoczesne środowiska robotyczne to coraz bardziej fabryki wieloplatformowe, sieci logistyczne i systemy automatyzacji, które łączą roboty od różnych dostawców i stosów oprogramowania.
Dlaczego wspólne zasady mają większe znaczenie niż inteligencja w robotyce autonomicznej
#ROBO
Robotyka autonomiczna często jest postrzegana jako problem inteligencji. Lepsza percepcja, planowanie i systemy decyzyjne są uważane za główną drogę naprzód. Jednak w miarę jak roboty wkraczają do środowisk dzielonych z ludźmi i innymi maszynami, inny problem staje się ważniejszy: współistnienie w ramach przewidywalnego zachowania.
W izolowanych warunkach robot musi jedynie przestrzegać swoich wewnętrznych ograniczeń. W momencie, gdy wiele robotów od różnych właścicieli działa razem, te prywatne ograniczenia przestają być wystarczające. Działania każdej maszyny muszą być zrozumiałe i godne zaufania dla innych, z którymi ma do czynienia. Bez wspólnych oczekiwań interakcja staje się niepewna, nawet jeśli każdy robot jest wysoce zdolny.
Robotyka autonomiczna często jest postrzegana jako problem inteligencji. Lepsza percepcja, planowanie i systemy decyzyjne są uważane za główną drogę naprzód. Jednak w miarę jak roboty wkraczają do środowisk dzielonych z ludźmi i innymi maszynami, inny problem staje się ważniejszy: współistnienie w ramach przewidywalnego zachowania.
W izolowanych warunkach robot musi jedynie przestrzegać swoich wewnętrznych ograniczeń. W momencie, gdy wiele robotów od różnych właścicieli działa razem, te prywatne ograniczenia przestają być wystarczające. Działania każdej maszyny muszą być zrozumiałe i godne zaufania dla innych, z którymi ma do czynienia. Bez wspólnych oczekiwań interakcja staje się niepewna, nawet jeśli każdy robot jest wysoce zdolny.
#robo
Koordynacja jest prawdziwym testem robotyki
Inteligentniejsze postrzeganie i ruch przyciągają większość uwagi w robotyce. Ale gdy roboty stają się powszechne, trudniejszym problemem jest koordynacja. Wiele maszyn z różnych systemów potrzebuje przewidywalnej interakcji. @Fabric Foundation podchodzi do tego jak do sieci rozproszonej, gdzie wspólne zasady definiują tożsamość i dozwolone działania. W skali robotyka przestaje być tylko inteligencją, staje się koordynacją.
$ROBO
Koordynacja jest prawdziwym testem robotyki
Inteligentniejsze postrzeganie i ruch przyciągają większość uwagi w robotyce. Ale gdy roboty stają się powszechne, trudniejszym problemem jest koordynacja. Wiele maszyn z różnych systemów potrzebuje przewidywalnej interakcji. @Fabric Foundation podchodzi do tego jak do sieci rozproszonej, gdzie wspólne zasady definiują tożsamość i dozwolone działania. W skali robotyka przestaje być tylko inteligencją, staje się koordynacją.
$ROBO
Dlaczego Mira dostosowuje zadania przed weryfikacją
#Mira
Kiedy po raz pierwszy zacząłem przyglądać się, jak wyniki AI są weryfikowane przez wiele modeli, założyłem coś prostego: jeśli tekst jest taki sam, to wszystkie modele weryfikują to samo. Ale im bardziej zwracałem uwagę na to, jak naprawdę działa język, tym bardziej uświadamiałem sobie, że to nie jest do końca prawda.
Tekst AI zawsze niesie ze sobą ukryte założenia i elastyczne znaczenie. Nawet gdy dwa modele czytają dokładnie to samo zdanie, każdy z nich wypełnia luki nieco inaczej, co do zakresu, co jest implikowane, co dokładnie jest twierdzone. Więc gdy modele się nie zgadzają, to nie zawsze dlatego, że widzą prawdę inaczej. Wiele razy oceniają tak naprawdę nieco różne zadania.
Kiedy po raz pierwszy zacząłem przyglądać się, jak wyniki AI są weryfikowane przez wiele modeli, założyłem coś prostego: jeśli tekst jest taki sam, to wszystkie modele weryfikują to samo. Ale im bardziej zwracałem uwagę na to, jak naprawdę działa język, tym bardziej uświadamiałem sobie, że to nie jest do końca prawda.
Tekst AI zawsze niesie ze sobą ukryte założenia i elastyczne znaczenie. Nawet gdy dwa modele czytają dokładnie to samo zdanie, każdy z nich wypełnia luki nieco inaczej, co do zakresu, co jest implikowane, co dokładnie jest twierdzone. Więc gdy modele się nie zgadzają, to nie zawsze dlatego, że widzą prawdę inaczej. Wiele razy oceniają tak naprawdę nieco różne zadania.
#mira
Mira stabilizuje to, co modele mają zweryfikować
Kusi, by sądzić, że weryfikacja AI poprawia się tylko dzięki używaniu silniejszych lub bardziej weryfikujących modeli. Ale im więcej studiuję, jak są zbudowane wyniki AI, tym bardziej widzę, że niestabilność nie tkwi w modelach, lecz w danych wejściowych, które otrzymują.
Tekst AI często łączy wiele twierdzeń, pozostawia założenia domyślne i utrzymuje elastyczny zakres. Tak więc każdy weryfikator kończy się nieco inaczej rekonstruując zadanie.
To jest warstwa, którą Mira naprawia jako pierwszą.
Zanim jakikolwiek model oceni cokolwiek, Mira dekomponuje wynik na atomowe twierdzenia i dostosowuje kontekst, tak aby zadanie stało się identyczne w różnych weryfikatorach. Teraz modele nie interpretują tekstu, który oceniają, lecz oceniają tę samą zdefiniowaną wypowiedź.
To jest to, co wyróżnia Mira:
nie zaczyna od wzmacniania weryfikatorów.
Stabilizuje to, co muszą zweryfikować.
A ta zmiana sprawia, że weryfikacja wielomodelowa jest naprawdę wiarygodna.
@Mira - Trust Layer of AI $MIRA
Mira stabilizuje to, co modele mają zweryfikować
Kusi, by sądzić, że weryfikacja AI poprawia się tylko dzięki używaniu silniejszych lub bardziej weryfikujących modeli. Ale im więcej studiuję, jak są zbudowane wyniki AI, tym bardziej widzę, że niestabilność nie tkwi w modelach, lecz w danych wejściowych, które otrzymują.
Tekst AI często łączy wiele twierdzeń, pozostawia założenia domyślne i utrzymuje elastyczny zakres. Tak więc każdy weryfikator kończy się nieco inaczej rekonstruując zadanie.
To jest warstwa, którą Mira naprawia jako pierwszą.
Zanim jakikolwiek model oceni cokolwiek, Mira dekomponuje wynik na atomowe twierdzenia i dostosowuje kontekst, tak aby zadanie stało się identyczne w różnych weryfikatorach. Teraz modele nie interpretują tekstu, który oceniają, lecz oceniają tę samą zdefiniowaną wypowiedź.
To jest to, co wyróżnia Mira:
nie zaczyna od wzmacniania weryfikatorów.
Stabilizuje to, co muszą zweryfikować.
A ta zmiana sprawia, że weryfikacja wielomodelowa jest naprawdę wiarygodna.
@Mira - Trust Layer of AI $MIRA
#mira
Mira tworzy identyczne dane wejściowe dla modeli weryfikacyjnych
Jednym z ukrytych problemów w weryfikacji AI jest to, że różne modele często nie oceniają dokładnie tego samego zadania, nawet gdy otrzymują ten sam tekst. Małe różnice w interpretacji, założonym kontekście lub zakresie mogą zmienić to, co każdy weryfikator uważa za oceniane.
Dlatego niezgodność między modelami nie zawsze dotyczy prawdy.
Często chodzi o niezgodność zadań.
Mira zajmuje się tym, zanim weryfikacja w ogóle się rozpocznie.
Zamiast wysyłać surowe wyjście AI do wielu weryfikatorów, Mira najpierw przekształca je w kanoniczną, strukturalną formę. Roszczenia są izolowane, założenia są wyjaśniane, a kontekst jest wyraźnie definiowany. Wynikiem tego jest to, że każdy model weryfikatora otrzymuje dane wejściowe, które nie tylko są podobne w sformułowaniu, ale identyczne w znaczeniu i zakresie.
To zmienia to, co reprezentuje konsensus. Zgoda teraz odzwierciedla ocenę tego samego zadania, a nie nałożonych interpretacji luźno podzielonego tekstu.
Mira nie tylko rozdziela weryfikację między modelami.
Zapewnia, że wszystkie modele najpierw weryfikują to samo.
@Mira - Trust Layer of AI $MIRA
Mira tworzy identyczne dane wejściowe dla modeli weryfikacyjnych
Jednym z ukrytych problemów w weryfikacji AI jest to, że różne modele często nie oceniają dokładnie tego samego zadania, nawet gdy otrzymują ten sam tekst. Małe różnice w interpretacji, założonym kontekście lub zakresie mogą zmienić to, co każdy weryfikator uważa za oceniane.
Dlatego niezgodność między modelami nie zawsze dotyczy prawdy.
Często chodzi o niezgodność zadań.
Mira zajmuje się tym, zanim weryfikacja w ogóle się rozpocznie.
Zamiast wysyłać surowe wyjście AI do wielu weryfikatorów, Mira najpierw przekształca je w kanoniczną, strukturalną formę. Roszczenia są izolowane, założenia są wyjaśniane, a kontekst jest wyraźnie definiowany. Wynikiem tego jest to, że każdy model weryfikatora otrzymuje dane wejściowe, które nie tylko są podobne w sformułowaniu, ale identyczne w znaczeniu i zakresie.
To zmienia to, co reprezentuje konsensus. Zgoda teraz odzwierciedla ocenę tego samego zadania, a nie nałożonych interpretacji luźno podzielonego tekstu.
Mira nie tylko rozdziela weryfikację między modelami.
Zapewnia, że wszystkie modele najpierw weryfikują to samo.
@Mira - Trust Layer of AI $MIRA
Dowód przed władzą: Dlaczego Mira redefiniuje zaufanie do AI
#Mira
Kiedy po raz pierwszy użyłem Mira, nie czułem potrzeby korzystania z innego narzędzia AI. Myślałem, że lepsze podpowiedzi są rozwiązaniem. Ale moja perspektywa zmieniła się, gdy uświadomiłem sobie, jak pewne AI może być w swojej zdolności do popełniania błędów. Wtedy zacząłem poważnie badać Mirę.
To, co zrobiło na mnie największe wrażenie, to jej odmowa traktowania wyników AI jako absolutnej prawdy. Mira nie akceptuje jednego, wszechogarniającego rozwiązania; zamiast tego dzieli odpowiedzi na mniejsze, bardziej szczegółowe stwierdzenia. Każde stwierdzenie jest weryfikowalne. Ta prosta zmiana zrewolucjonizowała wszystko. Przekształciła niejasne informacje w coś mierzalnego.
Kiedy po raz pierwszy użyłem Mira, nie czułem potrzeby korzystania z innego narzędzia AI. Myślałem, że lepsze podpowiedzi są rozwiązaniem. Ale moja perspektywa zmieniła się, gdy uświadomiłem sobie, jak pewne AI może być w swojej zdolności do popełniania błędów. Wtedy zacząłem poważnie badać Mirę.
To, co zrobiło na mnie największe wrażenie, to jej odmowa traktowania wyników AI jako absolutnej prawdy. Mira nie akceptuje jednego, wszechogarniającego rozwiązania; zamiast tego dzieli odpowiedzi na mniejsze, bardziej szczegółowe stwierdzenia. Każde stwierdzenie jest weryfikowalne. Ta prosta zmiana zrewolucjonizowała wszystko. Przekształciła niejasne informacje w coś mierzalnego.
Dlaczego autonomiczne roboty potrzebują weryfikowalnych zasad, aby współistnieć?
#ROBO
W miarę jak roboty stają się coraz bardziej autonomiczne, rozmowa często koncentruje się na modelach inteligencji i percepcji, systemach decyzyjnych oraz zdolności do adaptacji w rzeczywistym świecie. Ale sama autonomia nie rozwiązuje większego wyzwania, które pojawia się, gdy wiele maszyn działa razem: współistnienie.
W wspólnych środowiskach roboty nie działają tylko niezależnie. Interakcjonują z ludźmi, infrastrukturą i innymi robotami od różnych producentów i właścicieli. To stwarza problem koordynacji. Każda maszyna musi działać w granicach, którym inni mogą ufać, ale dziś te granice są głównie egzekwowane przez scentralizowane platformy oprogramowania.
W miarę jak roboty stają się coraz bardziej autonomiczne, rozmowa często koncentruje się na modelach inteligencji i percepcji, systemach decyzyjnych oraz zdolności do adaptacji w rzeczywistym świecie. Ale sama autonomia nie rozwiązuje większego wyzwania, które pojawia się, gdy wiele maszyn działa razem: współistnienie.
W wspólnych środowiskach roboty nie działają tylko niezależnie. Interakcjonują z ludźmi, infrastrukturą i innymi robotami od różnych producentów i właścicieli. To stwarza problem koordynacji. Każda maszyna musi działać w granicach, którym inni mogą ufać, ale dziś te granice są głównie egzekwowane przez scentralizowane platformy oprogramowania.
#robo
Roboty nie potrzebują tylko inteligencji - potrzebują zasad
Zwykle oceniamy roboty na podstawie tego, jak mądre są.
Ale w rzeczywistych środowiskach sama inteligencja nie wystarcza.
Gdy wiele robotów działa w pobliżu ludzi i innych maszyn, prawdziwym wyzwaniem staje się koordynacja. Kto decyduje, co robot może zrobić? Jak inne systemy wiedzą, że działa poprawnie? A co się dzieje, gdy maszyny od różnych właścicieli wchodzą w interakcję?
To właśnie tutaj pomysł Fabric ma dla mnie sens.
Zamiast ufać ukrytym warstwom oprogramowania, Fabric opiera tożsamość robota, uprawnienia i działania na wspólnym rejestrze. To oznacza, że zachowanie nie jest zakładane, lecz weryfikowalne.
Na dłuższą metę roboty nie będą potrzebować tylko lepszego AI.
Będą potrzebować wspólnych zasad, pod którymi mogą działać.
I to właśnie jest warstwa, którą buduje Fabric.
@Fabric Foundation $ROBO
{alpha}(560x475cbf5919608e0c6af00e7bf87fab83bf3ef6e2)
Roboty nie potrzebują tylko inteligencji - potrzebują zasad
Zwykle oceniamy roboty na podstawie tego, jak mądre są.
Ale w rzeczywistych środowiskach sama inteligencja nie wystarcza.
Gdy wiele robotów działa w pobliżu ludzi i innych maszyn, prawdziwym wyzwaniem staje się koordynacja. Kto decyduje, co robot może zrobić? Jak inne systemy wiedzą, że działa poprawnie? A co się dzieje, gdy maszyny od różnych właścicieli wchodzą w interakcję?
To właśnie tutaj pomysł Fabric ma dla mnie sens.
Zamiast ufać ukrytym warstwom oprogramowania, Fabric opiera tożsamość robota, uprawnienia i działania na wspólnym rejestrze. To oznacza, że zachowanie nie jest zakładane, lecz weryfikowalne.
Na dłuższą metę roboty nie będą potrzebować tylko lepszego AI.
Będą potrzebować wspólnych zasad, pod którymi mogą działać.
I to właśnie jest warstwa, którą buduje Fabric.
@Fabric Foundation $ROBO
{alpha}(560x475cbf5919608e0c6af00e7bf87fab83bf3ef6e2)
Zaloguj się, aby odkryć więcej treści