Il piccolo polpo @OpenledgerHQ ha aggiornato una spiegazione importante del meccanismo di Proof of Attribution, che continua a coprire alcuni aspetti tecnici. Non capisco la tecnologia, quindi cercherò di scrivere la mia comprensione e il significato reale di questo meccanismo di attribuzione in modo semplice e comprensibile per tutti. Benvenuti a discutere con esperti di tecnologia. 🙋 Problemi esistenti nella tradizione: i modelli linguistici tradizionali utilizzano n-gram (sequenze di parole di lunghezza fissa) per prevedere la parola successiva, veloci ma privi di contesto, incapaci di tracciare l'origine delle previsioni o i contributori dei dati. 📖 Spiegazione del meccanismo Infini-gram: il meccanismo di Proof of Attribution (PoA) di OpenLedger utilizza Infini-gram, anziché il tradizionale n-gram, quindi Infini-gram supera i limiti di n-gram. È un motore di corrispondenza di simboli basato su un framework di attribuzione ∞-gram (lunghezza infinita) basato su array di suffissi, in grado di indicizzare sequenze di tutte le lunghezze nei dati di addestramento e supportare il tracciamento in tempo reale di ogni token nell'output del modello, localizzando con precisione la sua origine. Infini-gram supporta il sistema di Proof of Attribution di OpenLedger, realizzando un tracciamento preciso dalla risposta del modello ai dati di addestramento, senza dover accedere all'interno del modello, mantenendo velocità, trasparenza e riproducibilità. 👍 Significato reale di questo meccanismo: (interpretazione personale, se ci sono problemi, benvenuti a correggere) 1. Tracciamento preciso, trasparente e affidabile: Infini-gram supporta il tracciamento parola per parola dell'output del modello AI, dicendoti da quali dati di addestramento proviene realmente la risposta. È come se si fosse dotato l'AI di un "etichetta di origine", rendendo l'intero processo chiaro. Gli utenti possono vedere immediatamente cosa ha detto l'AI e perché, con una trasparenza totale e un sistema di tracciamento completo. 2. Riconoscimento equo dei contributori di dati: per i contributori che forniscono dati, Infini-gram può chiarire quali dati hanno aiutato l'AI a generare la risposta, i contributori di dati possono finalmente essere visti e riconosciuti. Questo approccio rende l'ecosistema AI più equo e può incentivare più persone a condividere dati di alta qualità. 3. Scalabilità + efficienza: il framework basato su array di suffissi di Infini-gram, indipendentemente dalla quantità di dati, può tracciare le origini in tempo reale, massimizzando l'efficienza. E non richiede calcoli di gradiente complessi, è semplice ed efficiente e può essere scalato a scenari di set di dati massivi. 4. Rendere l'AI più affidabile e conforme: Infini-gram può fornire all'AI un "documento d'identità verificabile", consentendo di determinare con precisione l'origine dei contenuti generati. Questo non solo aumenta la fiducia degli utenti nell'AI, ma soddisfa anche i requisiti normativi, aiutando l'AI a essere più conforme e in linea con i principi etici. 🤔 Queste sono le mie riflessioni e interpretazioni personali: attualmente alcune persone stanno effettivamente cercando di indurre l'AI a commettere errori, fornendo informazioni errate. Questa funzione del piccolo polpo ha un enorme potenziale applicativo per aiutare a tracciare dati errati e correggere gli errori dell'AI. Non vedo l'ora di vedere gli effetti futuri di questa funzione.