AI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，引发了业内对AI可信度问题的关注。Mira网络的目标是构建AI的信任层，解决AI在使用过程中可能出现的偏见和"幻觉"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？

在讨论AI时，人们往往更关注其强大的能力。然而，AI存在的"幻觉"或偏见问题却常常被忽视。所谓AI的"幻觉"，简单来说就是AI有时会"瞎编"，一本正经地胡说八道。例如，当被问及月亮为什么是粉色时，AI可能会给出看似合理但完全虚构的解释。

AI出现"幻觉"或偏见与当前的一些AI技术路径有关。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幻觉的出现。虽然在普通知识或娱乐内容领域，这种带有偏见或幻觉的输出可能暂时不会造成直接后果，但在医疗、法律、航空、金融等高度严谨的领域，它可能会产生严重影响。因此，解决AI幻觉和偏见成为AI发展过程中的核心问题之一。

Mira项目正是致力于解决AI偏见和幻觉问题，构建AI的信任层，提升AI的可靠性。那么，Mira是如何实现这一目标的呢？

Mira的核心方法是通过多个AI模型的共识来验证AI输出。Mira本质上是一个验证网络，通过去中心化的共识验证来确保AI输出的可靠性。这种方法结合了加密领域擅长的去中心化共识验证和多模型协同的优势，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验证声明。节点运营商参与验证这些声明，并通过加密经济激励/惩罚机制来确保节点运营商的诚实性。不同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。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，并将结果返回给客户。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。

节点运营商通过运行验证器模型、处理声明和提交验证结果来获得收益。这些收益来自为客户创造的价值，即降低AI在各个领域的错误率。为防止节点随机响应，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。通过在多AI模型基础上构建去中心化共识验证网络，Mira旨在为客户的AI服务带来更高的可靠性，降低AI偏见和幻觉，满足更高准确度和精确率的需求。这种方法不仅为客户提供价值，也为Mira网络的参与者带来收益，有望推动AI应用的深入发展。

目前，用户可以通过Klok（一个基于Mira的LLM聊天应用）参与Mira公共测试网，体验经过验证的AI输出，并有机会赚取Mira积分。虽然积分的未来用途尚未公布，但这无疑为用户提供了一个亲身体验AI信任层的机会。