الكثير من الناس يستخدمون الآن الذكاء الاصطناعي، وفي الواقع يفترضون شيئًا واحدًا: عندما تظهر النتيجة، يعتبرونها صحيحة.

لكن حقًا إذا أدخلت ذلك في نظام رسمي، فالأمر يصبح خطيرًا جدًا. لا يمكنك التأكد من أنه يسير وفقًا للعملية التي تخيلتها، ناهيك عن القدرة على تتبعه لاحقًا.

#Inference Labs تكمن أهميتها في هذا. فهي لا تبتكر ذكاء اصطناعي أكثر ذكاءً، بل تحل مشكلة أساسية: هل يمكنك إثبات أن هذا الاستنتاج تم فعلاً وفقًا للعمليات؟ هم يحولون عملية الاستنتاج نفسها إلى شيء يمكن التحقق منه. بعد التنفيذ، يمكن فحصه، وإعادة إنتاجه، وإثباته، لكن النموذج والمدخلات لا يزالان سريين.

وهذا في الواقع أمر حاسم جدًا. ليس أنني أصدقك، بل أن النظام على مستوى النظام يعرف: أن هذه الخطوة لم تتعرض للتلاعب. لذلك، ما يتغير هو ليس تطبيقًا معينًا، بل طريقة إنتاج الذكاء الاصطناعي. سابقًا، كان يتم استخدامه أولًا، ثم يتم وضع الكثير من الضوابط الخارجية. الآن، عملية الاستنتاج نفسها تكون موثوقة. ولهذا السبب، فإن هذا النظام أكثر ملاءمة للبيئات الجادة. المالية، الرعاية الصحية، الأنظمة المؤسسية، وحتى البروتوكولات على السلسلة، لا يمكنها قبول أن تكون النتيجة تقريبًا صحيحة.

@inference_labs ما يفعله، بصراحة، هو إعادة الذكاء الاصطناعي من صندوق الظلام إلى حساب يمكن التحقق منه. هذه خطوة أساسية جدًا.

والذكاء الاصطناعي الذي يهدف إلى التطبيق طويل الأمد، لا بد أن يتجاوز هذه العقبة في النهاية.

@inference_labs #Yap @KaitoAI #KaitoYap #Inference