深入了解Mira Network：增强AI的信任度

介绍

当前的人工智能系统面临着研究人员所说的“训练困境”——一个不可改变的限制，它阻止了任何单一模型同时修复幻觉和偏差。当工程师选择训练数据来提高精确度并减少幻觉时，他们总是通过他们的选择引入偏差。另一方面，在多样化的数据上进行训练以减少偏差会导致精确度降低和幻觉增加。这种基本限制产生了一个最小误差率，任何单一模型都无法克服，无论它多么庞大或先进。

2012 年，Knight Capital 的交易算法出现了 45 分钟的错误，损失了 4.4 亿美元 并摧毁了公司。Zillow 的 AI 定价算法 导致了 8.81 亿美元的损失和 2,000 个裁员。这些事件显示了一个基本问题：虽然人工智能擅长创造创造性的输出，但它往往会由于神经网络的随机运作方式而产生错误的信息。

当前的人工智能模型面临着“幻觉”——它们创造听起来完全合理但完全是虚构的信息的时刻，在 3% 到 91% 的人工智能交互中发生，具体取决于任务难度。

进入 Mira Network ——一个旨在通过群体验证而非个体完美来解决这一基本挑战的去中心化系统。通过将 AI 输出转换成可以独立检查的声明，并在多个 AI 模型之间使用分布式共识，Mira 代表着向着可以在高风险场景中自主运行的无需信任的 AI 系统的巨大转变。

Mira Network 通过建立一个人工智能的“信任层”来解决这个关键的可靠性差距。Mira 并没有接受人工智能必须保持不可靠的观点，而是构建了去中心化的基础设施，改变了我们验证和信任人工智能输出的方式。该网络已经显示出了显著的成功，将复杂推理任务的首次错误率从大约 30% 降低到仅仅 5%，并且正在进行将错误率目标定为低于 0.1% 的研究。这不仅仅代表了技术上的改进——它是一种基本的转变，使人工智能系统能够在高风险场景中自主运行，在这些场景中，准确性不是可选项，而是必需品。

了解 Mira Network

Mira Network 是一个去中心化平台，它改变了我们验证和信任 AI 生成的输出的方式。Mira 的核心解决了技术领域最紧迫的挑战之一：虽然 AI 系统擅长生成创造性和可信的内容，但它们往往会由于神经网络的随机性而产生不正确的信息。

该网络作为人工智能的“信任层”运行，通过不同 AI 模型之间的分布式共识建立可靠的验证。Mira 并没有接受人工智能必须保持不可靠的观点，而是构建了基础设施，使多个 AI 模型能够在向用户提供结果之前集体验证彼此的输出。

网络的主要目标：

Mira 的使命着重于消除阻碍 AI 在重要场景中自主运行的基本瓶颈——可靠性问题，该问题主要将 AI 限制在人工监督的任务或低后果的应用中。该网络旨在：

• 转变 AI 可靠性：通过群体验证将 AI 输出的准确率从大约 70% 提高到 96-97%
• 实现独立运行：消除在 AI 决策中对持续人工监督的需求
• 创造经济价值：通过降低 AI 错误率并将奖励分配给网络参与者来创造可持续的价值
• 建立无需信任的基础设施：构建能够抵抗中心化控制和操纵的验证系统

该平台已取得显著成功，为超过 400 万用户提供服务，每天活跃用户超过 50 万，每天在其生态系统应用中处理超过 30 亿个 token。这种规模表明，去中心化 AI 验证不仅仅是理论上的——它在实践中可行，并且正在积极地改变现实世界的应用。

网络的核心组件

1. 区块链层

Mira 在一个专门为 AI 验证任务设计的专用区块链上运行。与为金融交易优化的传统区块链不同，这种基础设施能够在保持高吞吐量和安全性的同时实时验证 AI 输出。验证基础设施由运行不同 AI 模型的独立节点组成，包括 GPT-4o、Llama 3.1 405B 和 Claude 3.5 Sonnet。这些节点独立运行，但必须保持特定的性能和可靠性标准才能参与网络。

该网络采用了一种称为“二元化 (binarization)”的复杂流程，该流程将复杂 AI 生成的内容分解为离散的、可独立验证的声明。例如，像“阿森纳是伦敦的一家俱乐部，曾三次赢得欧洲冠军联赛冠军”这样的复合语句会被转换成单独的可验证的组成部分：（1）“阿森纳是伦敦的一家俱乐部”和（2）“阿森纳曾三次赢得欧洲冠军联赛冠军。”

区块链技术在维护信任和安全中的作用

区块链为每个协议交易创建一个不可更改的审计跟踪，提供高风险应用所需的透明度和问责制。区块链组件在传统分布式账本功能之外发挥着至关重要的作用，能够实现可追溯的验证结果并建立验证过程的加密证明。

节点基础设施组件包括：

• 验证器模型：专门用于独立评估声明的 AI 模型
• 节点运营者：运行验证基础设施的独立参与者
• 节点委托者：在不直接运营节点的情况下提供 GPU 计算资源的贡献者

2. 共识机制

Mira 采用了一种新颖的混合工作量证明/权益证明机制，专门为 AI 验证而设计。与传统的区块链网络中 PoW 涉及解决随机的加密难题不同，Mira 将验证转换为标准化多项选择题，这些问题需要实际的推理而不是计算蛮力。

协议流程通过“二元化”运作——将复杂 AI 生成的内容分解为离散的、可独立验证的声明。这种转换确保每个验证器模型以相同的上下文和视角处理完全相同的问题，从而能够在不同的 AI 架构中进行系统验证。然后，分布式验证流程将这些声明路由到独立节点，在独立节点中，专门的 AI 模型在达成协议之前评估每个声明的有效性。

与传统 AI 验证方法的比较

传统的 AI 验证依赖于人工监督或中心化机构来验证输出。这种方法会产生瓶颈，引入人为偏差，并且无法扩展以处理独立运行所需的 AI 生成内容量。Mira 的去中心化协议机制通过将验证分配给多个独立的 AI 模型来消除这些限制，每个模型都有经济激励措施来提供准确的评估。

该网络的安全模型要求节点质押价值才能参与验证。始终偏离协议或显示出表明随机响应而不是实际推理的模式的节点将面临通过 stake slashing（罚没质押）进行的经济处罚。这种机制确保了试图攻击系统在经济上变得不合理，同时只要诚实的运营者控制着大部分质押价值，就能维持网络安全。

3. 去中心化验证流程

验证工作流程通过几个阶段系统地进行。当客户提交候选内容时，他们会指定验证要求，例如领域专业知识和协议阈值。该网络在保留逻辑关系的同时将此内容转换为可验证的声明，然后将这些声明分发到各个节点以进行独立评估。

隐私保护通过内容分片内置于架构中。复杂内容被分解为实体-声明对，并随机分发到各个节点，确保没有单个节点运营者可以重建完整的候选内容。验证响应保持私有，直到达成协议，并且最终证书仅通过数据最小化原则包含必要的验证详细信息。

协议聚合流程通过不同模型之间的分布式协议确定有效性。当无法达成协议时，系统会请求额外的验证或报告不确定性，而不是提供可能不正确的结果。这种保守的方法优先考虑准确性而不是速度，从而确保用户收到可靠的信息。

可扩展性和性能

1. 减少错误和幻觉

该网络减少 AI 幻觉的方法在数学上既优雅又实际有效。单个 AI 模型通常达到大约 70% 的准确率，但是当多个模型必须在交付结果之前达成协议时，准确率会大幅跃升至 96-97%。

数学基础引人注目。通过二元验证选择，单个模型有 50% 的机会猜测正确。但是，随着独立验证者数量的增加，随机成功的概率呈指数下降。通过五次验证，随机成功的概率降至 3.1%。通过十次验证，在 0.1% 时几乎不可能。

2. 对 AI 输出的准确性和可靠性的影响

Mira 的系统在实践中已显示出显著的成功，将复杂推理任务的首次错误率从大约 30% 降低到仅仅 5%，并且正在进行将错误率目标定为低于 0.1% 的研究。该网络将大型语言模型的事实准确率从 70% 提高到 96%，同时在教育、金融和客户服务等实际场景中将幻觉内容的频率降低了 90%。这代表了 AI 可靠性方面的突破，使得在错误会带来重大后果的领域中进行独立运行成为可能。

3. 系统性能指标

Mira Network 已经达到了显著的规模，为超过 400 万用户提供服务，每天活跃用户超过 50 万。该平台每天在其生态系统应用中处理超过 30 亿个 token，相当于维基百科内容的大约一半。最近的指标显示，该网络每周处理 1900 万个查询，表明其产品套件的用户参与度很高。

4. 未来的可扩展性计划和预期挑战

该网络的基础设施合作伙伴关系通过与领先的去中心化物理基础设施提供商进行战略合作来支持这种规模。与 io.net、Aethir、Spheron、Hyperbolic 和 Exabits 的合作提供了协议运营所需的分布式 GPU 计算能力。仅 Aethir 就贡献了企业级分布式 GPU 云，拥有超过 40,000 个优质 GPU，包括 3,000 个 NVIDIA H100。

AI 模型与 Mira 生态系统的集成

1. Klok：智能聊天应用

Klok 是 Mira Network 构建的世界上第一个无需信任的多 LLM 聊天应用。把它想象成一个更智能的 ChatGPT 版本，它同时使用多个 AI 模型来给你更好的答案。

Klok 的特别之处：

• 使用多个 AI 模型，包括 GPT-4o mini、Llama 3.3 70B Instruct 和 DeepSeek-R1
• 你可以在一个地方免费与所有这些 AI 模型聊天（直到达到每日限制）
• 每个答案都会在你看之前由多个 AI 模型检查
• 如果答案错误，系统会将其丢弃并创建一个新答案
• 用户每天只需使用该应用即可赚取“Mira 积分”

它是如何工作的：

用户可以提出问题并同时从不同的 AI 模型获得回复。该应用会检查所有回复，以确保它们在向用户显示之前是正确的。如果你推荐 20 位朋友，你将解锁“Klok PRO”，它会给你更多的每日使用量和额外的功能，如搜索和图像处理。

用户福利：

• 免费访问多个高级 AI 模型
• 由于验证，答案更可靠
• 赚取可能带来未来奖励的积分
• 简单易用的界面

2. Learnrite：通过 AI 改善教育

Learnrite 是一个教育应用，它使用 AI 技术帮助学校和教师创建更好的测试和学习材料。

Learnrite 的作用：

• 使用 AI 创建标准化考试题
• 检查所有 AI 生成的问题，以确保它们是正确的
• 帮助学校使用 AI 内容，同时保持高教育标准
• 在 AI 生成的试题中达到 90% 的准确率

它如何帮助教育：

在 Learnrite 之前，学校担心使用 AI 创建测试，因为 AI 可能会犯错误或给出错误信息。Learnrite 通过让多个 AI 模型检查每个问题，然后才能在实际测试中使用来解决这个问题。

学校的福利：

• 节省创建测试和学习材料的时间
• 保持高质量和准确性
• 降低教育机构的成本
• 帮助教师专注于教学而不是制作测试

3. Gigabrain：智能加密货币交易

Gigabrain 是一个 AI 驱动的加密货币交易平台，可帮助交易者在加密货币市场中做出更好的决策。它被称为加密货币交易的新“彭博终端”。

Gigabrain 提供的功能：

• 涵盖超过 2,500 种不同的加密货币
• 跟踪巨鲸钱包地址和新币趋势
• 以简单的语言提供实时市场分析
• 支持在区块链上进行一键交易

实际成功数据：

• 在一周内产生了超过 1000 万美元的实际交易量
• 创建了一个 AI 管理的基金，成功率为 92%
• 与 Mira 的验证系统集成，以获得可信的交易信号

Mira 如何使其更好：

传统的 AI 交易应用经常给出错误的信号或错误的建议，因为它们会“产生幻觉”（编造信息）。Gigabrain 使用 Mira 的验证系统来实时检查所有 AI 建议。这意味着：

• 没有虚假的价格信息
• 没有错误的 token 数据
• 没有不一致的交易建议
• 只有经过验证、可靠的交易信号才能到达用户

为什么这很重要：

在加密货币交易中，错误的信息可能会让交易者损失数千甚至数百万美元。Gigabrain 与 Mira 验证相结合，成为第一个机构可以真正信任的 AI 交易应用，为加密货币交易带来专业级别的可靠性。

这些应用如何协同工作

所有三个应用都展示了 Mira Network 的验证技术如何使 AI 在不同行业中更可靠：

• Klok 展示了日常用户如何获得更好的 AI 聊天体验
• Learnrite 证明了 AI 在经过适当验证后可以在教育领域得到信任
• Gigabrain 证明了 AI 可以通过正确的验证处理高风险的财务决策

每个应用都利用了 Mira 的核心技术：使用多个 AI 模型来检查彼此的工作，然后才能向用户提供最终答案。这创建了一个单个人工智能系统无法独自实现的信任和可靠性水平。

Mira 识别和减轻偏差所采用的策略

Mira Network 解决了人工智能最持久的挑战之一：精确度和准确性之间的基本折衷，这会在 AI 输出中产生系统性偏差。如前所述，传统 AI 系统面临着“训练困境”——一种不可能的选择，即优化一种类型的准确性不可避免地会损害另一种。

1. 集体智慧方法

Mira 的解决方案的核心在于一个深刻的见解：虽然没有单个模型可以最大限度地减少幻觉和偏差，但集体智慧提供了一条前进的道路。通过协议机制，多个模型协同工作可以实现单个模型无法实现的目标——通过集体验证过滤掉幻觉，同时通过不同的视角平衡个人偏差。

2. 包含多样化数据集和模型的重要性

该网络的方法通过要求去中心化参与而不是中心化模型选择来确保真正的多样性。这可以防止因中心化管理而出现的系统性错误，在中心化管理中，单个机构的选择不可避免地会反映特定的观点和局限性。验证器模型的自然多样性创造了一种统计优势，在这种优势中，个人模型偏差倾向于通过集体决策相互抵消。

3. 成功监控和指标。

Mira 的验证系统通过严格的测量框架实现了 AI 可靠性的已记录改进。该平台已显示出复杂推理任务的错误率降低了 90% 以上，从而将 AI 输出的准确率从大约 70% 提高到 96-97% 的可靠性。

4. 持续评估框架到位。

该网络通过以下几种机制实施持续评估：用于系统审查节点行为以识别异常的响应模式分析、用于衡量协议结果与基本事实对齐程度的协议质量指标，以及自动标记验证结果中潜在系统性偏差的偏差检测算法。

经济和激励模型

Token 在网络中的作用

Mira 采用了一种新颖的混合工作量证明/权益证明机制，专门为 AI 验证而设计。与传统的区块链网络中 PoW 涉及解决随机加密难题，随机成功的概率极低不同，Mira 网络将验证转换为标准化的多项选择题。

该网络通过验证减少 AI 错误率来产生切实的经济价值。客户支付网络费用以获得经过验证的输出，网络通过验证奖励将这些费用分配给参与者——节点运营者和数据提供商。

用户和开发者的激励结构

为了通过随机响应来缓解游戏化，节点必须抵押价值才能参与验证。如果节点始终偏离协议或显示出表明随机响应而不是实际推理的模式，则可能会削减其抵押。这种经济处罚确保了试图通过随机响应来游戏化系统在经济上变得不合理。

对 AI 开发和商业化的潜在影响

Mira Network 吸引了大量的机构支持，于 2024 年 6 月筹集了 900 万美元的种子资金，由 BITKRAFT Ventures 和 Framework Ventures 共同领投。其他投资者包括 Accel、Mechanism Capital、Folius Ventures，以及包括 Balaji Srinivasan 在内的著名天使投资人。

长期可持续性考虑因素

该网络的经济模型创造了多个增强周期。随着网络使用量的增长，费用收入的增加能够实现更好的验证奖励，从而吸引更多的节点运营者并推动准确性、成本和延迟的改进。2025 年 2 月，Magnum Opus 资助计划启动，提供 1000 万美元，以加速生成式 AI、独立系统和去中心化技术交叉领域的发展。

结论

Mira Network 代表了解决实际问题的实际解决方案。今天的人工智能系统犯错的频率太高，无法信任它们来做出重要决策。Mira 并没有试图构建完美的人工智能模型，而是采取了一种不同的方法——它让多个人工智能模型在给你答案之前互相检查工作。

这个简单的想法奏效了。该网络已发展到数百万用户，每天处理数十亿个任务。Gigabrain 等应用已经产生了实际的交易利润，而 Learnrite 帮助学校创建更好的测试。这些不仅仅是实验——它们是人们每天都在使用的工作系统。

突破不在于技术本身，而在于认识到可靠性来自验证，而不是完美。通过让人工智能模型拿钱来赌它们是对的，并惩罚它们犯错，Mira 通过经济激励而不是寄希望于它来创造诚实的行为。

• 原文链接： medium.com/@tobs.x/a-dee...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～