Att se @Mira_Network prata om ett mycket realistiskt problem, det vill säga att alla ägnar mycket uppmärksamhet åt problemet med AI-"hallucinationer", trots allt kan hallucinationer delvis lösas med tekniska medel. Till exempel kan användningen av kunskapsgrafer, hämtningsförbättringar och strikt urval av data minska uppkomsten av falsk information i viss utsträckning. Men fördomar är inte så enkla. Även om du väljer träningsdata noggrant kommer det fortfarande att finnas potentiella fördomar. Dessutom har personen som manuellt granskat ärendet också personliga åsikter och blinda fläckar, vilket är oundvikligt. Vad som är ännu mer problematiskt är att dessa AI-system ofta är koncentrerade i händerna på ett fåtal stora företag, och utvecklarnas värderingar kan också påverka resultaten, vilket gör det omöjligt att vara helt neutral. Detta leder till en mycket pinsam situation: ju kraftfullare och mer koncentrerad AI är, desto svårare är det att eliminera effekterna av partiskhet. Inte ens de verktyg som används för att upptäcka och korrigera fördomar kan undgå fördomarnas öde. Med andra ord, det vi använder för att lösa ett problem kan vara källan till själva problemet. Jag tror att detta påminner oss om att AI-utveckling inte bara är en teknisk utmaning, utan också en social och etisk fråga. Om man verkligen vill lösa bias är tekniken i sig värdelös, man måste involvera fler olika röster och göra AI mer öppen och transparent för att undvika omvägar. Nyckeln är att den har en listaktivitet på @KaitoAI, och projektet på @arbitrum är också mycket populärt, och du kan också vara uppmärksam på $ENERGY $SHOUT $Bane $Chao $BOOM $666 på @shoutdotfun