يعتقد معظم الناس أن أكبر مشكلة في الذكاء الاصطناعي هي الدقة.
لكنني بدأت أفكر أن المشكلة هي النسبة.
عندما يعطيك الذكاء الاصطناعي إجابة، ماذا تثق فيه حقًا؟
النموذج؟ البيانات؟ البنية التحتية؟ الشركة التي تديرها؟
مع دخول الذكاء الاصطناعي في المالية والرعاية الصحية والبحث والتعليم واتخاذ القرارات الشخصية، تصبح هذه المسألة أكثر أهمية.
وهذا أحد الأسباب التي جعلتني أراقب $OPG
تغرق صناعة الذكاء الاصطناعي في بناء نماذج أكبر، لكن الذكاء وحده لا يحل مشكلة الثقة.
تخيل أن تسأل الذكاء الاصطناعي لتحليل عقد ذكي، أو مراجعة بيانات طبية، أو تحديد أنماط في سنوات من المعلومات الشخصية.
قد تكون الإجابة ممتازة.
لكن كيف يمكنك التحقق:
✓ أي نموذج أنتجها؟ ✓ ما إذا كانت النتيجة قد تم تعديلها؟ ✓ ما إذا كانت الحسابات قد حدثت كما تم الادعاء؟ ✓ ما إذا كان السياق المستخدم أصليًا؟
هنا تأتي رؤية OpenGradient لتبدو مختلفة.
المشروع لا يركز ببساطة على مخرجات الذكاء الاصطناعي.
إنه يركز على جعل الذكاء قابلًا للتدقيق.
ما هو مثير للاهتمام بشكل خاص هو كيف يربط هذا عدة اتجاهات يتم مناقشتها غالبًا بشكل منفصل:
• استنتاج قابل للتحقق • ذاكرة مملوكة للمستخدم • النسبة • تنفيذ نموذج لامركزي • سياق الذكاء الاصطناعي المستمر
كل منها مفيد بمفرده.
معًا، يبدأون في تشكيل شيء أكبر:
طبقة بنية تحتية حيث يمكن فحص الذكاء بدلاً من الوثوق به بشكل أعمى.
أستمر في العودة إلى فكرة بسيطة.
أعطت الإنترنت العالم الوصول إلى المعلومات.
يمنح الذكاء الاصطناعي العالم الوصول إلى الذكاء.
قد تكون التحدي التالي هو إثبات من أين جاء هذا الذكاء.
وإذا أصبح الذكاء الاصطناعي بنية تحتية حيوية، فقد تصبح التحقق في النهاية بنفس أهمية الأداء.
ليس لأن الناس لا يثقون في الذكاء الاصطناعي.
لكن لأن الذكاء يصبح أكثر قيمة بكثير عندما يمكن تدقيقه.
ما يثير اهتمامي أكثر في OpenGradient هو أنه يقترب من هذه المشكلة من طبقة البنية التحتية بدلاً من طبقة التطبيق.
يبدو أن هذه فرصة أكبر بكثير مما يدركه الكثير من الناس اليوم.
#OPG #OpenGradient #VerifiableAI @OpenGradient