لفترة طويلة، كانت معظم المحادثات حول الذكاء الاصطناعي تركز على شيء واحد: جعل النماذج أكثر قوة.
نماذج أكبر.
المزيد من المعلمات.
المزيد من بيانات التدريب.
ولكن أثناء دراسة كيفية @Mira - Trust Layer of AI ، أدركت شيئًا مثيرًا للاهتمام.
قد لا تكون التحديات الحقيقية للذكاء الاصطناعي هي الذكاء.
قد تكون الثقة.
تولد أنظمة الذكاء الاصطناعي اليوم استجابات بناءً على الاحتمال. في معظم الأحيان تبدو الإجابات مقنعة، ولكن في بعض الأحيان يمكن أن تكون غير صحيحة بينما تبدو واثقة تمامًا.
تصبح هذه مشكلة خطيرة عندما تبدأ أنظمة الذكاء الاصطناعي في التأثير على أنظمة حقيقية مثل أدوات التداول، وتحليلات مالية، أو وكلاء آليين.
يمكن أن يتحول ناتج غير صحيح واحد بسرعة إلى قرار مكلف.
ما لفت انتباهي في Mira هو أن المشروع يتناول هذا التحدي من اتجاه مختلف.
بدلًا من بناء نموذج ذكاء اصطناعي آخر، تركز Mira على التحقق من مخرجات الذكاء الاصطناعي قبل أن تصبح موثوقة.
إن الفكرة بسيطة لكنها قوية.
يمكن تقسيم استجابات الذكاء الاصطناعي إلى ادعاءات أصغر والتحقق منها عبر نماذج مستقلة ضمن شبكة لامركزية. وعندما يصل العديد من المُراجعين إلى توافق، تصبح النتيجة أكثر موثوقية بكثير من الاعتماد على نموذج ذكاء اصطناعي واحد.
يُدخل ذلك تحولًا مثيرًا للاهتمام في طريقة تفكيرنا ببنية ذكاء اصطناعي.
بدلًا من السؤال فقط عن مدى قوة نموذج ذكاء اصطناعي، قد نبدأ بطرح سؤال آخر:
هل يمكن التحقق من ناتجه؟
مع استمرار اندماج الذكاء الاصطناعي في المنصات المالية والأدوات المؤسسية والأنظمة الآلية، قد يصبح الاعتمادية مهمة بقدر أهمية الذكاء.
وهذا هو الاتجاه الذي تستكشفه مشاريع مثل @mira_network.