AI信任层的崛起：Mira网络解决AI偏见与幻觉问题

近日，Mira网络的公共测试网正式启动，旨在为AI构建一个可靠的信任层。这引发了人们对AI可信度问题的思考：为什么AI需要被信任？Mira又将如何应对这一挑战？

当前，人们在讨论AI时往往过于关注其强大的能力，而忽视了AI存在"幻觉"或偏见的问题。所谓AI的"幻觉"，简单来说就是AI有时会"胡编乱造"，给出看似合理但实际上毫无根据的解释。例如，如果有人询问月亮为什么是粉色的，AI可能会煞有介事地提供一系列貌似合理的解释。

AI出现"幻觉"或偏见与目前的一些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。换言之，AI学习的是人类语言模式，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。然而，如果发生在医疗、法律、航空、金融等要求高度严谨的领域，就可能产生严重后果。因此，解决AI幻觉和偏见问题成为AI发展过程中的核心挑战之一。

Mira项目正是针对这一问题提出了解决方案。它试图通过构建AI的信任层来减少AI偏见和幻觉，提升AI的可靠性。Mira的核心理念是通过多个AI模型的共识来验证AI输出。

Mira网络的关键在于去中心化的共识验证。它结合了加密领域的去中心化共识技术和多模型协同的优势，通过集体验证模式来降低偏见和幻觉的发生。

在验证架构方面，Mira协议支持将复杂内容转换为可独立验证的声明。节点运营商参与验证这些声明，并通过加密经济激励/惩罚机制来确保诚实行为。多个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三个主要部分。首先，系统将客户提交的候选内容分解成不同的可验证声明，并分发给节点进行验证。节点确定声明的有效性后，系统汇总结果达成共识，最后将结果返回给客户。为保护客户隐私，声明对会以随机分片的方式分发给不同节点，防止验证过程中的信息泄露。

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。他们参与验证的动力来自于可获得的收益。这些收益源于为客户创造的价值，即降低AI在医疗、法律、航空、金融等领域的错误率。为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为实现AI的可靠性提供了一种新的解决思路。它在多AI模型的基础上构建去中心化共识验证网络，为客户的AI服务带来更高的可靠性，降低AI偏见和幻觉，以满足更高准确度和精确率的需求。同时，它也为网络参与者创造了收益机会。

Mira网络的公共测试网已经启动。用户可以通过使用Klok（基于Mira的LLM聊天应用）来参与测试，体验经过验证的AI输出，并有机会赚取Mira积分。这一创新有望推动AI应用的深入发展，为构建更可靠、更值得信赖的AI系统铺平道路。