# AI信頼層の新しい試み：Miraネットワークの公共テストネットが開始最近、Miraという名前のネットワーク公共テストネットが正式に立ち上がりました。このプロジェクトの目標は、AIのために信頼層を構築し、現在のAIシステムが直面しているいくつかの重要な課題を解決することです。それでは、なぜAIは信頼を構築する必要があり、Miraはこの問題にどのように対処しているのでしょうか？AIの分野では、人々はしばしばその強力な能力にもっと注目します。しかし、興味深いがあまり議論されない問題は、AIの「幻覚」や偏見です。AIの「幻覚」とは、簡単に言うと、AIが時々「創作」情報を作り出し、一見理にかなったことを言っているように見えることです。例えば、AIに月がなぜピンクなのかを尋ねると、見かけ上合理的で実際には根拠のない一連の説明を提供するかもしれません。AIの「幻覚」や偏見は、現在のいくつかのAI技術のパスに関連しています。例えば、生成型AIは「最も可能性の高い」内容を予測することで出力の一貫性と合理性を実現しますが、この方法は時には真偽を検証することが難しいです。さらに、トレーニングデータ自体に誤りや偏見、さらには虚構の内容が含まれている場合があり、これがAIの出力品質に影響を与えます。言い換えれば、AIが学ぶのは人間の言語パターンであり、事実そのものではありません。現在の確率生成メカニズムとデータ駆動型モデルは、ほぼ避けられない形でAIに「幻想」を生じさせることがあります。一般的な知識やエンターテイメントコンテンツにおいては、このような偏見や幻想を含む出力は一時的には直接的な影響を及ぼさないかもしれません。しかし、医療、法律、航空、金融などの高度な厳密さが求められる分野で発生した場合には、深刻な結果をもたらす可能性があります。したがって、AIの幻想や偏見の問題を解決する方法は、AIの発展過程での重要な課題の一つとなっています。現在、業界にはさまざまな対策があります。中には、検索強化生成技術を採用し、AIとリアルタイムデータベースを組み合わせて、検証済みの事実を優先的に出力するものがあります。また、人間のフィードバックを取り入れ、人工的なラベリングと監視を通じてモデルのエラーを修正するものもあります。Miraプロジェクトは、AIの偏見や幻覚の問題を解決しようとしています。彼の核心的な考え方は、AIの信頼レイヤーを構築することで、AIの偏見や幻覚を減らし、AIの信頼性を向上させることです。それでは、Miraはどのようにこの目標を達成しているのでしょうか？Miraの核心的な考え方は、複数のAIモデルのコンセンサスを通じてAIの出力を検証することです。Miraは本質的に検証ネットワークであり、複数のAIモデルのコンセンサスを利用してAI出力の信頼性を検証します。さらに、Miraは検証のために分散型コンセンサスも導入しています。Miraネットワークの鍵は、分散型のコンセンサス検証にあります。この方法は暗号分野の技術を参考にしながら、多モデル協調の利点を活用し、集合的な検証モデルを通じて偏見や錯覚を減少させます。検証アーキテクチャの観点から、Miraプロトコルは複雑なコンテンツを独立して検証可能な声明に変換することをサポートしています。これらの声明は、ノードオペレーターの参加を必要とします。ノードオペレーターの誠実性を確保するために、Miraは暗号経済的なインセンティブ/ペナルティメカニズムを採用しています。異なるAIモデルと分散したノードオペレーターが共同で参加し、検証結果の信頼性を保証します。Miraのネットワークアーキテクチャは、内容変換、分散検証、コンセンサスメカニズムを含み、これにより検証の信頼性を実現します。このアーキテクチャにおいて、内容変換は重要なプロセスです。Miraネットワークは、候補内容（通常は顧客が提出する）を異なる検証可能な声明に分解し、モデルが同じ背景で内容を理解できるようにします。これらの声明は、システムによってノードに配布され、声明の有効性を検証し、結果を集約してコンセンサスを形成します。最終的に、これらの結果とコンセンサスは顧客に返されます。顧客のプライバシーを保護するために、候補内容は声明対に変換され、ランダムに分片化されて異なるノードに配布され、検証プロセス中の情報漏洩を防ぎます。ノードオペレーターはバリデーターモデルを運営し、声明を処理し、バリデーション結果を提出する責任があります。彼らがバリデーションに参加する意欲があるのは、報酬を得られるからです。この報酬は顧客に対して創造した価値から来ています。Miraネットワークの目標はAIのエラー率を下げること（幻覚や偏見を減少させること）であり、この目標が達成されれば、医療、法律、航空、金融などの分野で巨大な価値を生み出すことができます。したがって、顧客はそれに対して支払う意欲があります。もちろん、支払いの持続可能性と規模は、Miraネットワークが顧客に持続的に価値を提供できるかどうかに依存しています。ノードのランダムな応答による投機行動を防ぐために、合意から継続的に逸脱するノードはステーキングトークンを減少させられます。全体として、Miraは経済メカニズムのゲームを通じてノードオペレーターが誠実にバリデーションに参加することを確保しています。MiraはAIの信頼性を実現するための新しいアプローチを提供します：複数のAIモデルに基づいて分散型コンセンサス検証ネットワークを構築し、顧客のAIサービスにより高い信頼性をもたらし、AIの偏見や幻覚を減少させ、顧客のより高い正確性と精度のニーズを満たします。同時に、顧客に価値を提供することに基づいて、Miraネットワークの参加者に利益をもたらします。簡潔に言えば、MiraはAIの信頼レイヤーを構築しようとしており、これがAIアプリケーションの深い発展を促進します。現在、ユーザーはKlokを通じてMira公共テストネットに参加できます。KlokはMiraに基づくLLMチャットアプリで、ユーザーは確認済みのAI出力を体験し、それと未確認のAI出力の違いを比較できます。参加者はMiraポイントを獲得することもできますが、これらのポイントの将来の用途はまだ発表されていません。
Miraネットワークがパブリックテストを開始 AIの信頼層を構築し、偏見と幻覚を減少させる
AI信頼層の新しい試み：Miraネットワークの公共テストネットが開始
最近、Miraという名前のネットワーク公共テストネットが正式に立ち上がりました。このプロジェクトの目標は、AIのために信頼層を構築し、現在のAIシステムが直面しているいくつかの重要な課題を解決することです。それでは、なぜAIは信頼を構築する必要があり、Miraはこの問題にどのように対処しているのでしょうか？
AIの分野では、人々はしばしばその強力な能力にもっと注目します。しかし、興味深いがあまり議論されない問題は、AIの「幻覚」や偏見です。AIの「幻覚」とは、簡単に言うと、AIが時々「創作」情報を作り出し、一見理にかなったことを言っているように見えることです。例えば、AIに月がなぜピンクなのかを尋ねると、見かけ上合理的で実際には根拠のない一連の説明を提供するかもしれません。
AIの「幻覚」や偏見は、現在のいくつかのAI技術のパスに関連しています。例えば、生成型AIは「最も可能性の高い」内容を予測することで出力の一貫性と合理性を実現しますが、この方法は時には真偽を検証することが難しいです。さらに、トレーニングデータ自体に誤りや偏見、さらには虚構の内容が含まれている場合があり、これがAIの出力品質に影響を与えます。言い換えれば、AIが学ぶのは人間の言語パターンであり、事実そのものではありません。
現在の確率生成メカニズムとデータ駆動型モデルは、ほぼ避けられない形でAIに「幻想」を生じさせることがあります。一般的な知識やエンターテイメントコンテンツにおいては、このような偏見や幻想を含む出力は一時的には直接的な影響を及ぼさないかもしれません。しかし、医療、法律、航空、金融などの高度な厳密さが求められる分野で発生した場合には、深刻な結果をもたらす可能性があります。したがって、AIの幻想や偏見の問題を解決する方法は、AIの発展過程での重要な課題の一つとなっています。
現在、業界にはさまざまな対策があります。中には、検索強化生成技術を採用し、AIとリアルタイムデータベースを組み合わせて、検証済みの事実を優先的に出力するものがあります。また、人間のフィードバックを取り入れ、人工的なラベリングと監視を通じてモデルのエラーを修正するものもあります。
Miraプロジェクトは、AIの偏見や幻覚の問題を解決しようとしています。彼の核心的な考え方は、AIの信頼レイヤーを構築することで、AIの偏見や幻覚を減らし、AIの信頼性を向上させることです。それでは、Miraはどのようにこの目標を達成しているのでしょうか？
Miraの核心的な考え方は、複数のAIモデルのコンセンサスを通じてAIの出力を検証することです。Miraは本質的に検証ネットワークであり、複数のAIモデルのコンセンサスを利用してAI出力の信頼性を検証します。さらに、Miraは検証のために分散型コンセンサスも導入しています。
Miraネットワークの鍵は、分散型のコンセンサス検証にあります。この方法は暗号分野の技術を参考にしながら、多モデル協調の利点を活用し、集合的な検証モデルを通じて偏見や錯覚を減少させます。
検証アーキテクチャの観点から、Miraプロトコルは複雑なコンテンツを独立して検証可能な声明に変換することをサポートしています。これらの声明は、ノードオペレーターの参加を必要とします。ノードオペレーターの誠実性を確保するために、Miraは暗号経済的なインセンティブ/ペナルティメカニズムを採用しています。異なるAIモデルと分散したノードオペレーターが共同で参加し、検証結果の信頼性を保証します。
Miraのネットワークアーキテクチャは、内容変換、分散検証、コンセンサスメカニズムを含み、これにより検証の信頼性を実現します。このアーキテクチャにおいて、内容変換は重要なプロセスです。Miraネットワークは、候補内容（通常は顧客が提出する）を異なる検証可能な声明に分解し、モデルが同じ背景で内容を理解できるようにします。これらの声明は、システムによってノードに配布され、声明の有効性を検証し、結果を集約してコンセンサスを形成します。最終的に、これらの結果とコンセンサスは顧客に返されます。顧客のプライバシーを保護するために、候補内容は声明対に変換され、ランダムに分片化されて異なるノードに配布され、検証プロセス中の情報漏洩を防ぎます。
ノードオペレーターはバリデーターモデルを運営し、声明を処理し、バリデーション結果を提出する責任があります。彼らがバリデーションに参加する意欲があるのは、報酬を得られるからです。この報酬は顧客に対して創造した価値から来ています。Miraネットワークの目標はAIのエラー率を下げること（幻覚や偏見を減少させること）であり、この目標が達成されれば、医療、法律、航空、金融などの分野で巨大な価値を生み出すことができます。したがって、顧客はそれに対して支払う意欲があります。もちろん、支払いの持続可能性と規模は、Miraネットワークが顧客に持続的に価値を提供できるかどうかに依存しています。ノードのランダムな応答による投機行動を防ぐために、合意から継続的に逸脱するノードはステーキングトークンを減少させられます。全体として、Miraは経済メカニズムのゲームを通じてノードオペレーターが誠実にバリデーションに参加することを確保しています。
MiraはAIの信頼性を実現するための新しいアプローチを提供します：複数のAIモデルに基づいて分散型コンセンサス検証ネットワークを構築し、顧客のAIサービスにより高い信頼性をもたらし、AIの偏見や幻覚を減少させ、顧客のより高い正確性と精度のニーズを満たします。同時に、顧客に価値を提供することに基づいて、Miraネットワークの参加者に利益をもたらします。簡潔に言えば、MiraはAIの信頼レイヤーを構築しようとしており、これがAIアプリケーションの深い発展を促進します。
現在、ユーザーはKlokを通じてMira公共テストネットに参加できます。KlokはMiraに基づくLLMチャットアプリで、ユーザーは確認済みのAI出力を体験し、それと未確認のAI出力の違いを比較できます。参加者はMiraポイントを獲得することもできますが、これらのポイントの将来の用途はまだ発表されていません。