AI的信任层：Mira网络如何解决AI的偏见和幻觉问题

近日，一个名为Mira的网络公共测试版推出，引起了业内关注。这个项目的目标是构建AI的信任层，解决AI偏见和幻觉的问题。那么，为什么AI需要被信任？Mira又是如何解决这个问题的呢？

在讨论AI时，人们往往更关注其强大的能力。然而，AI存在"幻觉"或偏见的问题却常常被忽视。所谓AI的"幻觉"，简单来说就是AI有时会"瞎编"，正儿八经地胡说八道。举个例子，如果你问AI为什么月亮是粉色的，它可能会煞有介事地给出一堆看似合理的解释。

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"的内容来实现连贯和合理性，但有时无法验证真伪。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。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加上数据驱动的模式，几乎不可避免地会导致AI产生幻觉。如果这种带有偏见或幻觉的输出仅限于普通知识或娱乐内容，暂时还不会造成直接后果。但如果发生在医疗、法律、航空、金融等需要高度严谨的领域，就可能产生重大影响。因此，解决AI幻觉和偏见问题成为AI发展过程中的核心问题之一。

Mira项目正是致力于解决这个问题，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的核心策略是通过多个AI模型的共识来验证AI输出。它本质上是一个验证网络，借助多个AI模型的共识来验证AI输出的可靠性。更重要的是，Mira采用了去中心化的共识验证方式。

Mira网络的关键在于去中心化的共识验证。这种方式不仅利用了加密领域的优势，还借助了多模型协同的优点，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，同时引入不同AI模型和分散的节点运营商参与，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部分，以此实现验证的可靠性。在这个架构中，内容转换是重要一环。Mira网络首先会将候选内容分解成不同的可验证声明，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。为了保护客户隐私，候选内容转换分解为声明对，它们会以随机分片的方式给到不同节点，防止验证过程中产生信息泄漏。

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。他们参与声明验证的动力来自于可以获得收益。这些收益源自为客户创造的价值。Mira网络的目的是降低AI的错误率（幻觉和偏见），一旦达成目的，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取巧行为，持续偏离共识的节点会被消减质押代币。

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，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试图构建AI的信任层，这将推动AI应用的深入发展。

目前，用户可以通过使用Klok参与Mira公共测试网。Klok是基于Mira的LLM聊天应用，用户可以体验经过验证的AI输出，并有机会赚取Mira积分。至于这些积分的未来用途，目前还未公布。