AI信任層的新嘗試：Mira網路公共測試網啓動

近日，一個名爲Mira的網路公共測試網正式上線。這個項目的目標是爲AI構建一個信任層，以解決當前AI系統面臨的一些關鍵挑戰。那麼，爲什麼AI需要建立信任，Mira又是如何應對這一問題的呢？

在AI領域，人們往往更多地關注其強大的能力。然而，一個有趣但較少被討論的問題是AI的"幻覺"或偏見。所謂AI的"幻覺"，簡單來說就是AI有時會"編造"信息，看似有理有據地胡說八道。例如，如果你問AI爲什麼月亮是粉色的，它可能會給出一系列看似合理但實際上毫無根據的解釋。

AI出現"幻覺"或偏見與當前的一些AI技術路徑有關。比如，生成式AI通過預測"最可能"的內容來實現輸出的連貫性和合理性，但這種方法有時難以驗證真僞。此外，訓練數據本身可能包含錯誤、偏見甚至虛構內容，這些都會影響AI的輸出質量。換句話說，AI學習的是人類的語言模式，而非事實本身。

目前的概率生成機制和數據驅動模式幾乎不可避免地會導致AI產生"幻覺"。對於普通知識或娛樂內容，這種帶有偏見或幻覺的輸出可能暫時不會造成直接後果。但如果發生在醫療、法律、航空、金融等要求高度嚴謹的領域，則可能產生嚴重後果。因此，如何解決AI的幻覺和偏見問題，成爲AI發展過程中的核心問題之一。

目前，業界已有多種應對方案。有的採用檢索增強生成技術，將AI與實時數據庫結合，優先輸出已驗證的事實。有的引入人類反饋，通過人工標注和監督來糾正模型的錯誤。

Mira項目也在嘗試解決AI偏見和幻覺的問題。它的核心思路是通過構建AI的信任層，來減少AI偏見和幻覺，提升AI的可靠性。那麼，Mira是如何實現這一目標的呢？

Mira的核心思路是通過多個AI模型的共識來驗證AI輸出。Mira本質上是一個驗證網路，它利用多個AI模型的共識來驗證AI輸出的可靠性。此外，Mira還引入了去中心化共識來進行驗證。

Mira網路的關鍵在於去中心化的共識驗證。這種方法借鑑了加密領域的技術，同時利用了多模型協同的優勢，通過集體驗證模式來減少偏見和幻覺。

在驗證架構方面，Mira協議支持將復雜內容轉換爲獨立可驗證的聲明。這些聲明需要節點運營商參與驗證。爲了確保節點運營商的誠實性，Mira採用了加密經濟激勵/懲罰機制。不同的AI模型和分散的節點運營商共同參與，以保證驗證結果的可靠性。

Mira的網路架構包括內容轉換、分布式驗證和共識機制，以此實現驗證的可靠性。在這個架構中，內容轉換是重要環節。Mira網路首先將候選內容（通常由客戶提交）分解成不同的可驗證聲明，以確保模型能在相同背景下理解內容。這些聲明由系統分發給節點進行驗證，以確定聲明的有效性，並匯總結果達成共識。最終，這些結果和共識會返回給客戶。爲了保護客戶隱私，候選內容被轉換分解爲聲明對，並以隨機分片的方式分發給不同節點，防止驗證過程中出現信息泄露。

節點運營商負責運行驗證器模型，處理聲明並提交驗證結果。他們之所以願意參與驗證，是因爲可以獲得收益。這些收益來自爲客戶創造的價值。Mira網路的目標是降低AI的錯誤率（減少幻覺和偏見），一旦達成這個目標，就能在醫療、法律、航空、金融等領域產生巨大價值。因此，客戶願意爲此付費。當然，付費的可持續性和規模取決於Mira網路能否持續爲客戶帶來價值。爲了防止節點隨機響應的投機行爲，持續偏離共識的節點會被扣減質押代幣。總的來說，Mira通過經濟機制的博弈來確保節點運營商誠實參與驗證。

Mira爲實現AI的可靠性提供了一種新思路：在多AI模型基礎上構建去中心化共識驗證網路，爲客戶的AI服務帶來更高可靠性，降低AI偏見和幻覺，滿足客戶對更高準確度和精確率的需求。同時，在爲客戶提供價值的基礎上，爲Mira網路的參與者帶來收益。簡而言之，Mira正在嘗試構建AI的信任層，這將推動AI應用的深入發展。

目前，用戶可以通過Klok參與Mira公共測試網。Klok是一個基於Mira的LLM聊天應用，用戶可以體驗經過驗證的AI輸出，並比較它與未經驗證的AI輸出的區別。參與者還可以賺取Mira積分，不過這些積分的未來用途目前尚未公布。