O pequeno polvo @OpenledgerHQ atualizou uma importante explicação sobre o mecanismo de prova de atribuição, que, como sempre, abrange alguns conteúdos técnicos. Eu não entendo de tecnologia, então tentarei escrever de forma simples e compreensível a minha interpretação e o significado prático deste mecanismo de prova de atribuição. Professores que entendem de tecnologia são bem-vindos para trocar ideias. 🙋 Problemas tradicionais: os modelos de linguagem tradicionais usam n-gram (sequências de palavras de comprimento fixo) para prever a próxima palavra, são rápidos, mas carecem de contexto e não conseguem rastrear a origem da previsão ou os contribuidores de dados. 📖 Explicação do mecanismo Infini-gram: o mecanismo de prova de atribuição (Proof of Attribution, PoA) da OpenLedger utiliza Infini-gram, em vez do tradicional n-gram, portanto, o Infini-gram quebra as limitações do n-gram. É um motor de correspondência de símbolos baseado em um quadro de atribuição ∞-gram (comprimento infinito) baseado em arrays de sufixos, capaz de indexar sequências de todos os comprimentos nos dados de treinamento e suportar o rastreamento em tempo real de cada token na saída do modelo, localizando com precisão sua origem. O Infini-gram suporta o sistema de prova de atribuição da OpenLedger, permitindo um rastreamento preciso da resposta do modelo aos dados de treinamento, sem a necessidade de acessar o interior do modelo, mantendo a rapidez, transparência e reprodutibilidade. 👍 O significado prático deste mecanismo: (interpretação pessoal, se houver problemas, sinta-se à vontade para corrigir) 1. Rastreio preciso, transparente e confiável: o Infini-gram permite rastrear a saída do modelo de IA palavra por palavra, informando de onde realmente vem a resposta nos dados de treinamento. Isso é como colocar uma "etiqueta de origem" na IA, tornando todo o processo claro. O usuário pode ver facilmente o que a IA disse e por que disse isso, com total transparência e um sistema de rastreamento completo. 2. Reconhecimento justo dos contribuidores de dados: para aqueles que fornecem dados, o Infini-gram pode identificar claramente quais dados ajudaram a IA a gerar a resposta, permitindo que os contribuidores de dados finalmente sejam vistos e reconhecidos. Essa abordagem torna o ecossistema de IA mais justo e pode incentivar mais pessoas a compartilhar dados de qualidade. 3. Escalabilidade + eficiência em equilíbrio: a estrutura baseada em arrays de sufixos do Infini-gram pode rastrear a origem em tempo real, independentemente do tamanho dos dados, com eficiência máxima. Além disso, não requer cálculos de gradiente complexos, sendo simples e eficiente para escalar para cenários de conjuntos de dados massivos. 4. Tornar a IA mais confiável e em conformidade: o Infini-gram pode fornecer à IA um "documento de identidade verificável", permitindo que o conteúdo gerado tenha sua origem determinada com precisão. Isso não apenas aumenta a confiança dos usuários na IA, mas também atende aos requisitos regulatórios, ajudando a IA a ser mais conforme e ética. 🤔 Acima estão meus pensamentos e interpretações pessoais: atualmente, algumas pessoas realmente têm a intenção de induzir a IA a cometer erros, injetando informações erradas nos dados. A funcionalidade do pequeno polvo para ajudar a rastrear dados errados e corrigir erros da IA tem um grande potencial prático.