AI信任层的新尝试：Mira网络公共测试网启动

近日，一个名为Mira的网络公共测试网正式上线。这个项目的目标是为AI构建一个信任层，以解决当前AI系统面临的一些关键挑战。那么，为什么AI需要建立信任，Mira又是如何应对这一问题的呢？

在AI领域，人们往往更多地关注其强大的能力。然而，一个有趣但较少被讨论的问题是AI的"幻觉"或偏见。所谓AI的"幻觉"，简单来说就是AI有时会"编造"信息，看似有理有据地胡说八道。例如，如果你问AI为什么月亮是粉色的，它可能会给出一系列看似合理但实际上毫无根据的解释。

AI出现"幻觉"或偏见与当前的一些AI技术路径有关。比如，生成式AI通过预测"最可能"的内容来实现输出的连贯性和合理性，但这种方法有时难以验证真伪。此外，训练数据本身可能包含错误、偏见甚至虚构内容，这些都会影响AI的输出质量。换句话说，AI学习的是人类的语言模式，而非事实本身。

目前的概率生成机制和数据驱动模式几乎不可避免地会导致AI产生"幻觉"。对于普通知识或娱乐内容，这种带有偏见或幻觉的输出可能暂时不会造成直接后果。但如果发生在医疗、法律、航空、金融等要求高度严谨的领域，则可能产生严重后果。因此，如何解决AI的幻觉和偏见问题，成为AI发展过程中的核心问题之一。

目前，业界已有多种应对方案。有的采用检索增强生成技术，将AI与实时数据库结合，优先输出已验证的事实。有的引入人类反馈，通过人工标注和监督来纠正模型的错误。

Mira项目也在尝试解决AI偏见和幻觉的问题。它的核心思路是通过构建AI的信任层，来减少AI偏见和幻觉，提升AI的可靠性。那么，Mira是如何实现这一目标的呢？

Mira的核心思路是通过多个AI模型的共识来验证AI输出。Mira本质上是一个验证网络，它利用多个AI模型的共识来验证AI输出的可靠性。此外，Mira还引入了去中心化共识来进行验证。

Mira网络的关键在于去中心化的共识验证。这种方法借鉴了加密领域的技术，同时利用了多模型协同的优势，通过集体验证模式来减少偏见和幻觉。

在验证架构方面，Mira协议支持将复杂内容转换为独立可验证的声明。这些声明需要节点运营商参与验证。为了确保节点运营商的诚实性，Mira采用了加密经济激励/惩罚机制。不同的AI模型和分散的节点运营商共同参与，以保证验证结果的可靠性。

Mira的网络架构包括内容转换、分布式验证和共识机制，以此实现验证的可靠性。在这个架构中，内容转换是重要环节。Mira网络首先将候选内容（通常由客户提交）分解成不同的可验证声明，以确保模型能在相同背景下理解内容。这些声明由系统分发给节点进行验证，以确定声明的有效性，并汇总结果达成共识。最终，这些结果和共识会返回给客户。为了保护客户隐私，候选内容被转换分解为声明对，并以随机分片的方式分发给不同节点，防止验证过程中出现信息泄露。

节点运营商负责运行验证器模型，处理声明并提交验证结果。他们之所以愿意参与验证，是因为可以获得收益。这些收益来自为客户创造的价值。Mira网络的目标是降低AI的错误率（减少幻觉和偏见），一旦达成这个目标，就能在医疗、法律、航空、金融等领域产生巨大价值。因此，客户愿意为此付费。当然，付费的可持续性和规模取决于Mira网络能否持续为客户带来价值。为了防止节点随机响应的投机行为，持续偏离共识的节点会被扣减质押代币。总的来说，Mira通过经济机制的博弈来确保节点运营商诚实参与验证。

Mira为实现AI的可靠性提供了一种新思路：在多AI模型基础上构建去中心化共识验证网络，为客户的AI服务带来更高可靠性，降低AI偏见和幻觉，满足客户对更高准确度和精确率的需求。同时，在为客户提供价值的基础上，为Mira网络的参与者带来收益。简而言之，Mira正在尝试构建AI的信任层，这将推动AI应用的深入发展。

目前，用户可以通过Klok参与Mira公共测试网。Klok是一个基于Mira的LLM聊天应用，用户可以体验经过验证的AI输出，并比较它与未经验证的AI输出的区别。参与者还可以赚取Mira积分，不过这些积分的未来用途目前尚未公布。