Aureliusقیمت

(SN37)

Aurelius یک subnet تخصصی همسوسازی AI است که به شناسایی مواردی اختصاص یافته که در آن مدل‌های AI خروجی‌های مضر، نادرست یا غیراخلاقی تولید می‌کنند. این پروژه با ایفای نقش به عنوان یک لایه امنیتی، این یافته‌های عدم همسوسازی را به مجموعه‌داده‌های (datasets) آموزشی با کیفیت بالا تبدیل می‌کند. این داده‌ها سپس برای آموزش دقیق (fine-tune) مدل‌های AI آینده استفاده می‌شوند تا اطمینان حاصل شود که آن‌ها ضمن پایبندی به ارزش‌های اخلاقی انسانی، مفید، صادق و بی‌خطر باقی می‌مانند.

این پروژه توسط بنیان‌گذار آن، Austin McCaffrey، رهبری می‌شود. این پروژه در ابتدا به عنوان یک fine-tuning subnet تحت مدیریت تیم Macrocosmos تأسیس شد. از آن زمان به تیم Aurelius واگذار شده است تا به طور انحصاری بر همسوسازی AI تمرکز کند و زیرساخت‌های داده‌ای حیاتی مورد نیاز برای بهبود امنیت و قابلیت اطمینان هوش مصنوعی را در سراسر شبکه فراهم آورد.

ماینرها (miners) به عنوان «پرسش‌گران متخاصم» یا تیم‌های قرمز (red-teamers) فعالیت می‌کنند و وظیفه دارند راه‌هایی برای فریب دادن مدل‌های AI و وادار کردن آن‌ها به خطا پیدا کنند. ولیدیتورها (validators) به عنوان حسابرس عمل کرده و این یافته‌ها را تأیید می‌کنند. آن‌ها مشارکت‌های ماینرها را بر اساس مجموعه‌ای از قوانین خاص به نام «Constitution» امتیازدهی می‌کنند تا تأیید شود که آیا یک خطای همسوسازی واقعی کشف شده است یا خیر؛ این فرآیند تضمین می‌کند که تنها داده‌های با کیفیت بالا تولید شده و پاداش دریافت می‌کنند.

Tribunate یک ویژگی حاکمیتی منحصر‌به‌فرد در Aurelius است که به عنوان یک موتور قوانین یا «قانون اساسی» پویا عمل می‌کند. این سیستم چارچوب رفتارهای ایمن AI را تعریف کرده و بر اساس نظرات جامعه و کارشناسان تکامل می‌یابد. این سیستم تضمین می‌کند که استانداردهای قضاوت خروجی‌های AI به‌روز باقی مانده و در ترویج توسعه اخلاقی AI در سراسر stack غیرمتمرکز مؤثر باشند.

توکن SN37 که به عنوان یک dynamic TAO (dTAO) یا توکن Alpha عمل می‌کند، نشان‌دهنده سهمی از خروجی subnet است. این توکن برای حاکمیت در Tribunate، پاداش‌دهی به ماینرها برای red-teaming موفق و ایجاد انگیزه برای ولیدیتورها جهت امتیازدهی دقیق استفاده می‌شود. علاوه بر این، این توکن به شرکت‌کنندگان اجازه دسترسی به مجموعه‌داده‌های (datasets) همسوسازی ممتاز و در سطح سازمانی تولید شده توسط شبکه را می‌دهد.

Aurelius برای سازگاری بین subnetها طراحی شده است و از مدل‌های سایر subnetها به عنوان هدفی برای red-teaming استفاده می‌کند تا یک حلقه بازخورد ایجاد کند که کل اکوسیستم را تقویت نماید. در حالی که این پروژه داده‌هایی در سطح سازمانی تولید می‌کند، بر انتشار بنچمارک‌های (benchmarks) باز در مخازن عمومی نیز تمرکز دارد تا بهبودهای امنیتی مدل را اثبات کند و به عنوان یک دیدبان غیرمتمرکز برای صنعت هوش مصنوعی عمل نماید.