AI文章 - 第3页 - 登链社区

FLock.io：人工智能民主化的基础层

文章探讨了当前AI行业缺乏透明度和信任，以及高准入门槛限制了AI应用扩展的问题。为了解决这些挑战，文章介绍了FLock.io，一个旨在通过将区块链元素与联邦学习方法相结合，实现AI模型生命周期民主化的平台，目标是创建一个更具创造性和可信赖的AI行业。

联邦学习区块链人工智能数据隐私模型训练 FLock.io

4pillars
发布于 2024-12-02
阅读 ( 39 )

哪个 AI 编程助手在 Solidity 语言上表现更出色

评估各个 AI 编程助手在 Solidity 语言上的表现

Solidity AI

Trail of Bits
发布于 2024-11-24
阅读 ( 1185 )
( 10 )

人工智能代理：研究与应用

这篇文章深入探讨了自主AI代理的概念，特别是基于大型语言模型（LLM）的代理在各个领域中的应用，包括游戏、治理、科学和机器人技术。文章详细介绍了代理的架构、记忆系统、感知能力、推理与规划，以及它们如何在复杂环境中动态互动和决策。通过多代理系统的框架，研究了如何利用这些代理实现智能协作和优化任务执行，同时也提出了在代理智能的发展中需要面对的伦理和社会问题。

AI代理语言模型智能系统多代理架构推理与规划记忆系统

accelxr
发布于 2024-11-21
阅读 ( 861 )

加密原生 AI 代理框架之战

这篇文章深入探讨了加密原生的人工智能代理框架，分析了它们如何结合区块链技术与人工智能进行创新。通过对比现有的框架，文章阐述了这些新框架的必要性及其对未来金融交易的影响，同时评估了各种框架的特点与设计。文章还提供了不同框架适合构建的多种AI代理类型，并展望了未来这些技术的发展趋势。

AI代理区块链加密技术 LangChain 自主代理代理框架

Shlok Khemani
发布于 2024-10-11
阅读 ( 494 )

Concrete ML v1.7：Transformer 模型微调与 DNA 祖源应用

Concrete ML v1.7 版本发布，引入了多项新功能，包括在加密数据上微调 LLM 模型和神经网络，利用 GPU 加速提升加密推理的性能（最高可达 1-2 倍），以及展示了一个通过加密 DNA 预测祖源的 Hugging Face space 示例。此外，该版本还支持 Python 3.11 和 PyTorch 2。

Concrete ML 同态加密 LLM GPU加速 DNA祖源分析加密推理

ZamaFHE
发布于 2024-10-09
阅读 ( 254 )

解决深度学习和LLM中的可复现性挑战：我们的旅程

本文讲述了在深度学习和LLM中实现可复现性的挑战，特别是使用Nvidia GPU时，浮点运算的非结合性以及硬件差异会导致结果不一致。文章分享了通过重写GEMM CUDA kernel，避免使用Tensor Cores，并确保运算顺序的确定性来解决这一问题，最终在不同硬件上实现了模型输出的一致性。

可复现性深度学习 LLM CUDA GEMM 量化

ingonyama
发布于 2024-09-23
阅读 ( 195 )

可证明的水印提取

本文介绍了 zkDL++ 框架，该框架旨在为可证明的 AI 提供支持。zkDL++ 解决了生成式 AI 水印技术中的关键问题：如何在保护隐私的同时确保可证明性。通过改进 Meta 开发的水印系统，zkDL++ 解决了需要对水印提取器进行保密以避免攻击的问题，并提供了一种更安全的解决方案。此外，zkDL++ 能够高效地证明任何深度神经网络（DNN）的完整性。

零知识证明深度神经网络水印技术 zkDL++ 密码学卷积神经网络

ingonyama
发布于 2024-09-12
阅读 ( 188 )

通过 Concrete ML 加速 ML 的 FHE：超越我们之前论文的基准测试结果

Zama团队使用Concrete ML加速了同态加密（FHE）在机器学习中的应用，并成功超越了之前论文中的基准测试结果。他们通过改进编译器，分离了机器学习和密码学任务，并采用了MLIR框架，支持多种硬件加速器。实验结果表明，新的Concrete ML在执行速度上有了显著提升，例如NN-20模型比2021年的结果快21倍。

同态加密机器学习 Concrete ML TFHE MLIR 神经网络

ZamaFHE
发布于 2024-07-24
阅读 ( 736 )

使用 Concrete ML 构建端到端加密的类 23andMe 基因测试应用程序

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

全同态加密 Concrete ML 基因测试隐私保护机器学习 DNA

ZamaFHE
发布于 2024-07-18
阅读 ( 206 )

Concrete ML v1.6：更大的神经网络和预训练的基于树的模型

Concrete ML v1.6 版本提升了大型神经网络的延迟，增加了对预训练的基于树模型的支持，并通过引入 DataFrame 模式和简化 Logistic 回归训练的部署，从而简化了协作计算。该版本还展示了深度 MLP 模型和 ResNet18 模型的延迟改进，并提供了加密训练和 DataFrame 模式的增强功能。此外，还包含用于Windows系统的GPU支持。

Concrete ML 预训练模型神经网络全同态加密 DataFrame 隐私计算