Mira Networkはどのように分散化ネットワークで大モデルの"幻覚"の悪癖を根治するのか？

皆さんもご存知の通り、AIの大規模モデルが金融、医療、法律などの垂直アプリケーションシーンに展開される際の最大の障害は一つです。それは、AIが出力する結果に存在する「幻覚」問題が、正確さが求められる実際のアプリケーションシーンと一致しないということです。これをどう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。これについてお話ししましょう。

まず、AI大規模モデルツールには「幻覚」が存在する状況があり、誰もがそれを感じることができます。その主な理由は2つあります：

1、AI LLMsのトレーニングデータは十分ではなく、データの規模は非常に大きいにもかかわらず、一部のニッチまたは専門分野の情報をカバーできていないため、このような場合、AIは「創造的補完」を行う傾向があり、その結果、リアルタイムなエラーが発生する。

2、AI LLMs の作業は本質的に「確率サンプリング」に依存しており、これはトレーニングデータの統計的パターンや関連性を認識するものであり、実際に「理解」してい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やトレーニング、推論結果の不一致などが、AI が高精度の事実問題を処理する際に偏りを引き起こすことがあります。

この問題をどのように解決すればよいのでしょうか？コーネル大学のArXivプラットフォームには、複数のモデルを共同で検証してLLMsの結果の信頼性を向上させる方法に関する論文が発表されています。

簡単に言うと、まずメインモデルに結果を生成させ、その後複数の検証モデルを統合してその問題について「多数決分析」を行うことで、モデルが生み出す「幻影」を減少させることができます。

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

そうであれば、主モデルと検証モデルの協力的な相互作用プロセスを管理し、検証するために分散型の検証プラットフォームが必要に決まっています。Mira Networkは、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する、AI LLMsの検証のために特別に構築されたミドルウェアネットワークです。

この罠の検証層ネットワークの存在により、プライバシー保護、精度保証、スケーラブルな設計、標準化されたAPIインターフェースなどの統合サービスを実現でき、AI LLMsの出力の幻覚を減少させることで、さまざまな細分化されたアプリケーションシーンでのAIの実現可能性を拡大することができます。また、Cryptoの分散検証ネットワークがAI LLMsのエンジニアリング実装プロセスにおいて機能する実践でもあります。

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、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加え、不確かな提案をフィルタリングすることができ、AI 取引信号の正確性を向上させ、AI LLMs が DeFai シーンでより信頼できるようになります；

2）Learnriteはmiraを利用してAIが生成した標準化試験問題を検証し、教育機関がAI生成コンテンツを大規模に利用できるようにしつつ、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 計算の正確性と安全性が一定程度保証されます。

上。

実際、Mira Networkが提供するのはミドルウェアの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強化する唯一の方法ではありません。実際には、データエンドでのトレーニング強化や、マルチモーダル大モデルのインタラクション強化、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、選択肢はいくつもあります。しかし、比較すると、Miraのソリューションは実践が迅速に行われ、直接的な効果が得られる点が優れています。