Mira Networkは大規模AIモデルの「錯覚」問題を解決できるのか?

文:ハオティアン

皆さんご存知の通り、AI大モデルが金融、医療、法律などの垂直アプリケーションシーンに落地する際の最大の障害は一つだけです：AIの出力結果に存在する「幻覚」問題が必要な精度の実際のアプリケーションシーンにマッチしないことです。これをどのように解決するのでしょうか？最近、@Mira_Networkが公共テストネットを立ち上げ、解決策を提示しました。私がその内容についてお話しします：

まず、AI大規模モデルツールには「幻覚」の状況が存在し、皆がそれを感知できる理由は主に2点あります：

1、AI LLMs のトレーニングデータは不十分です。既にデータの規模は非常に大きいですが、ニッチまたは専門的な分野の情報をカバーすることはできません。このような場合、AI は「創造的補完」を行う傾向があり、それによっていくつかのリアルタイムのエラーが発生します。

2、AI LLMの作業は本質的に「確率サンプリング」に依存しています。これは、トレーニングデータ内の統計的パターンや関連性を認識することに過ぎず、実際に「理解」するわけではありません。そのため、確率サンプリングのランダム性、トレーニングと推論結果の不一致などが、高精度な事実に関する問題を処理する際にAIに偏りをもたらす原因となります；

この問題をどのように解決するのでしょうか？コーネル大学のArXivプラットフォームに、複数のモデルを用いてLLMの結果の信頼性を向上させる方法が公開されました。

簡単に言えば、最初にメインモデルが結果を生成し、その後複数の検証モデルを統合して問題に対して「多数決分析」を行うことで、モデルが生み出す「幻覚」を減少させることができます。

一連のテストで、この方法はAIの出力精度を95.6%に向上させることができることが分かりました。

それなら、メインモデルと検証モデルの協調インタラクションプロセスを管理し、検証するための分散型検証プラットフォームが必要です。Mira Networkは、AI LLMsの検証を専門に構築したミドルウェアネットワークであり、ユーザーと基盤となるAIモデルの間に信頼できる検証レイヤーを構築しています。

この検証レイヤーネットワークの存在により、プライバシー保護、精度保証、拡張可能な設計、標準化APIインターフェースなどの統合サービスを実現できます。AI LLMsの出力の幻想を減少させることで、AIのさまざまな細分化されたアプリケーションシーンでの実現可能性を拡大することができ、Crypto分散検証ネットワークがAI LLMsの実装プロセスにおいて機能する実践の一つです。

例えば、Mira Networkは金融、教育、ブロックチェーンエコシステムにおけるいくつかの事例を共有しました。

1）GigabrainはMiraを統合した取引プラットフォームであり、システムは市場分析と予測の正確性を確認するための追加の検証を行うことができ、信頼できない提案をフィルタリングし、AI取引信号の正確性を向上させ、AI LLMがDeFiのシーンでより信頼性を持つようにします；

2）Learnriteは、教育機関がAI生成のコンテンツを大規模に利用できるように、miraを利用してAIが生成した標準化試験問題を検証し、教育テストの内容の正確性に影響を与えず、厳格な教育基準を維持します。

3）ブロックチェーン Kernel プロジェクトは、Mira の LLM コンセンサスメカニズムを利用して BNB エコシステムに統合し、分散型検証ネットワーク DVN を作成しました。これにより、ブロックチェーン上での AI 計算の精度と安全性が一定程度保障されるようになりました。

以上です。

実際、Mira Networkが提供するのはミドルウェアコンセンサスネットワークサービスであり、AIアプリケーションの能力を向上させる唯一の方法ではありません。実際には、データ端でのトレーニング強化や、マルチモーダル大規模モデルの相互作用強化、ZKP、FHE、TEEなどの潜在的な暗号技術によるプライバシー計算の強化など、選択肢は他にもあります。しかし、比較すると、Miraのソリューションは実践的な落地が早く、直接的な効果が得られる点が優れています。