什么是Mira？Mira功能、團隊、未來、路線圖介紹
什么是Mira？Mira有什么作用？2025 Mira發(fā)展路線圖是什么？
近年來，生成式人工智能的快速發(fā)展對基礎(chǔ)設(shè)施和工作流程提出了新的要求，特別是在驗證和評估方面。 Mira正在構(gòu)建一個創(chuàng)新的第1層網(wǎng)絡，為AI輸出提供無需信任、可擴展且準確的驗證。通過將復雜的AI輸出分解為更小的可驗證部分，并利用多個AI模型進行驗證，Mira顯著降低了錯誤率和幻覺。該平臺已為多個擁有20萬以上用戶的AI應用提供驗證服務。隨著生成式AI市場預計在2030年突破1萬億美元，Mira致力于成為所有AI應用的可信任驗證層，通過去中心化方式解決AI輸出可靠性這一關(guān)鍵挑戰(zhàn)。
長話短說
- 輸出驗證對于確保人工智能可靠運行至關(guān)重要。
- Mira 正在構(gòu)建一個第 1 層網(wǎng)絡，為 AI 輸出提供無需信任、可擴展且準確的驗證。
- 同時減少幻覺和偏見是一種微妙的平衡行為。 Mira 通過利用人工智能模型的集體智慧來做到這一點。
- Mira 的驗證系統(tǒng)建立在兩個基本設(shè)計原則之上：(1) 將人工智能輸出分解為更小的、易于驗證的部分，以及 (2) 使用模型集合來驗證每個部分。
- Mira 的初始市場規(guī)模與 LLMOps 相關(guān)，但其總體潛在市場可能會擴展到所有人工智能，因為每個人工智能應用程序都需要更可靠的輸出。
- Mira 已經(jīng)為多個擁有 20 萬以上用戶的 AI 應用程序提供 AI 驗證。
- 米拉的最終目標是成為 合成基礎(chǔ)模型，無縫插入每個主要提供商，通過單個 API 提供預先驗證的輸出。
幻覺： 一種對不存在的事物產(chǎn)生明顯感知的體驗
安德烈·卡帕蒂 (Andrej Karpathy) 將人工智能稱為“夢想機器”。他認為幻覺——人工智能自信地生成不真實事物的那些時刻——是一種特征，而不是一個錯誤。試圖完全消除它們是徒勞的。老實說，這有一些詩意。
大型語言模型（LLM）是一位藝術(shù)家，一位創(chuàng)造者。它用代碼做夢，憑空產(chǎn)生想法，并從數(shù)據(jù)中解讀意義。但為了讓人工智能從美好的白日夢轉(zhuǎn)向?qū)嶋H的日常應用，我們必須控制這些幻覺。
LLM 在許多任務中的錯誤率仍然很高，通常徘徊在 30% 左右。在這個水平上，LLM 仍然需要人工參與才能達到可用的準確性標準。
但是，當我們達到難以捉摸的 99.x% 準確率（即輸出在沒有人為監(jiān)督的情況下可靠）時，奇跡就會發(fā)生。這是人工智能實現(xiàn)人類水平可靠性的門檻，解鎖了以前無法實現(xiàn)的無窮無盡的用例。
然而，達到這種精度水平并非易事。它需要不懈的工程努力和創(chuàng)新。
@Mira_Network 的故事從這里開始。但在我們深入探討之前，讓我們花點時間討論一下 LLM 的發(fā)展，以及為什么驗證正在成為人工智能領(lǐng)域的下一個重大 事件。
LLM 是如何誕生的
LLM 開發(fā)是深度學習之旅的最新迭代，與我們過去 50 多年磨練的傳統(tǒng)軟件開發(fā)實踐不同。LLM 只存在了大約三年，完全翻轉(zhuǎn)了劇本，從 確定性思維 （如果 X，則 Y） 轉(zhuǎn)為概率推理 （如果 X，那么……也許是 Y？）。
這意味著人工智能驅(qū)動的世界的基礎(chǔ)設(shè)施需要一套全新的工具和工作流程。然而，其中許多工具仍然被鎖在創(chuàng)建 LLM 的研究實驗室內(nèi)。
好消息是，這些工具開始逐漸進入公共領(lǐng)域，為世界各地的開發(fā)人員打開了一個充滿可能性的世界。
在這個新工作流程的最后，存在著一個關(guān)鍵的難題： 評估和驗證。 今天，我們的焦點集中在這些方面。他們回答了一個基本問題： 人工智能運行良好嗎？
驗證=信任
信任是任何偉大人工智能產(chǎn)品的基礎(chǔ)。
隨著人工智能日益成為我們生活中不可或缺的一部分，該技術(shù)本身仍然脆弱。錯誤總會發(fā)生，當錯誤發(fā)生時，信任就會迅速消失。用戶期望人工智能準確、公正且真正有幫助，但如果沒有可靠的系統(tǒng)來確保這一點，他們的挫敗感就會增加，而挫敗感會導致客戶流失。
這就是驗證發(fā)揮作用的地方。
驗證起到保障作用。它們是開發(fā)人員賴以完善輸出和構(gòu)建用戶可以信任的系統(tǒng)的質(zhì)量保證層。
Mira 正在通過加密技術(shù)的去信任透明性來解決 Web2 的核心問題。通過利用去中心化的驗證節(jié)點網(wǎng)絡，Mira 確保人工智能輸出得到準確、獨立的驗證。
進入 Mira
假設(shè)您有一段關(guān)于巴黎市的 LLM 的輸出。你如何驗證它是否準確？這樣做很難，因為從主張到內(nèi)容結(jié)構(gòu)再到寫作風格，一切都存在很多細微差別。
這就是 Mira 介入的地方。
Mira 的愿景非常大膽：創(chuàng)建一個可提供以下功能的第 1 層網(wǎng)絡： 人工智能輸出的無需信任、可擴展且準確的驗證。通過利用集體智慧，Mira 減少偏見和幻覺，解決公平和成本等核心問題，同時證明區(qū)塊鏈如何真正增強人工智能。
來源：Mira
早期結(jié)果令人鼓舞。在最近的發(fā)表在 Arxiv 上的研究 Mira 證明，使用多個模型生成輸出并達成共識可顯著提高準確率。使用 三個模型時，準確率達到95.6% ，而單個模型輸出的準確率僅為73.1% 。
Mira 的方法有兩個關(guān)鍵設(shè)計元素：
- 內(nèi)容的分片和二值化：將復雜的人工智能輸出分解為更小的、可獨立驗證的部分。
- 型號多樣性： 利用多個模型來增強可靠性并最大限度地減少偏差。
#1：通過二值化和分片進行內(nèi)容轉(zhuǎn)換
由于內(nèi)容生成成本接近于零，人工智能生成的輸出范圍從簡單的陳述到龐大的論文。但這種豐富的復雜性帶來了一個挑戰(zhàn)：如何確保如此多樣化的輸出的準確性？
Mira 的解決方案很簡單： 分解它。
@Mira_Network 將復雜的人工智能生成的內(nèi)容轉(zhuǎn)換為更小的、易于理解的片段，人工智能模型可以在稱為分片的過程中客觀地審查這些片段。
通過標準化輸出并將其分解為離散的、可驗證的聲明，Mira 確保每個部分都可以得到一致的評估，從而消除經(jīng)常困擾評估的模糊性。
例如，考慮這個復合語句：
“植物中發(fā)生光合作用，將陽光轉(zhuǎn)化為能量，而蜜蜂通過在花朵之間轉(zhuǎn)移花粉，在授粉中發(fā)揮著關(guān)鍵作用。”
表面上看，驗證起來似乎很簡單。但當交給多個模型時，解釋怪癖可能會導致不同的答案。 Mira 通過分片進行內(nèi)容轉(zhuǎn)換，通過將聲明分成兩個獨立的聲明來解決這個問題：
- “植物中發(fā)生光合作用，將陽光轉(zhuǎn)化為能量。”
- “蜜蜂通過在花朵之間傳遞花粉，在授粉中發(fā)揮著關(guān)鍵作用。”
一旦分片，每個主張都會經(jīng)過二值化，轉(zhuǎn)換為多項選擇題。這些問題被分發(fā)到運行人工智能模型的節(jié)點網(wǎng)絡。使用 Mira 的整體驗證方法，模型可以協(xié)作評估并確認每個聲明的有效性。
目前，Mira 的內(nèi)容分片和二值化功能主要集中在文本輸入上。到 2025 年初，這些流程將擴展為支持多模式輸入，例如圖像和視頻
#2：集體行動，而非個人行動
Mira 開發(fā)了一種先進的驗證系統(tǒng)，結(jié)合了多種人工智能模型的優(yōu)勢來評估人工智能輸出的質(zhì)量。
讓我們來解開它。
傳統(tǒng)的自動化評估通常依賴于單一大型語言模型 (LLM)（例如 GPT-4）作為質(zhì)量的最終仲裁者。雖然有效，但這種方法存在重大缺陷：成本高昂、容易產(chǎn)生偏差，并且受到模型固有的怪癖和“個性”的限制。
Mira 的突破是從依賴單一大型模型轉(zhuǎn)變?yōu)槔?nbsp;不同 LLM 的集合。 該整體在事實準確性比創(chuàng)意天賦更重要的任務中表現(xiàn)出色，可降低錯誤率并提供更可靠、一致的驗證。
集成技術(shù)已經(jīng)在分類等機器學習任務中得到了充分研究，Mira 現(xiàn)在正在對其進行驗證。
Mira 系統(tǒng)的核心是 LLM 驗證者小組 (PoLL)——一個模型協(xié)作網(wǎng)絡，共同驗證輸出。將其視為一個多元化的專家小組對決定進行權(quán)衡，而不是將其交給單一的、可能存在偏見的法官。
這不僅僅是一廂情愿——它是有研究基礎(chǔ)的。看看下面的圖表：
Cohere 研究發(fā)布2024 年 4 月，一項研究證明，由三個較小模型（GPT-3.5、Claude-3 Haiku 和 Command R）組成的面板比單獨的 GPT-4 更接近人類判斷。值得注意的是，這種集成方法的成本也降低了 7 倍。
Mira 現(xiàn)在正在將這項研究付諸實踐，大規(guī)模部署其集成驗證方法。迄今為止，他們分享的內(nèi)部結(jié)果令人信服：
• 錯誤率從 80% 降低至 5% 用于復雜的推理任務。
• 速度和成本提高 5 倍 與人工驗證相比。
這是一個不小的壯舉。通過采用共識機制，Mira 的多樣化模型集合有效地過濾了幻覺并平衡了個體模型的偏差。它們共同提供的東西大于其各部分之和：更快、更便宜且更符合我們需求的驗證。
它是如何運作的——搭建設(shè)計
回顧一下，Mira 的驗證系統(tǒng)建立在兩個基本設(shè)計原則之上：
- 將人工智能輸出分解為更小的、易于驗證的部分。
- 使用不同的人工智能模型集合來驗證每一件作品。
維護多樣化的模型對于高質(zhì)量輸出至關(guān)重要，這使得 Mira 的設(shè)計非常適合去中心化架構(gòu)。消除單點故障對于任何驗證產(chǎn)品都至關(guān)重要。
Mira 使用基于區(qū)塊鏈的方法來確保沒有任何一個實體可以操縱結(jié)果。前提很簡單：人工智能生成的輸出應該像區(qū)塊鏈狀態(tài)變化一樣得到驗證。
驗證通過獨立節(jié)點網(wǎng)絡進行，運營商在經(jīng)濟上受到激勵來執(zhí)行準確的驗證。通過將獎勵與誠實相結(jié)合，Mira 的系統(tǒng)可以阻止不良行為者并確?？煽康慕Y(jié)果。
它的工作原理如下：
- AI 開發(fā)人員創(chuàng)建模型輸出數(shù)據(jù)集，并通過 API 將其提交給 Mira。
- Mira 將數(shù)據(jù)集轉(zhuǎn)換為多項選擇題（二值化），并將其分割成更小的、可管理的部分（分片）。
- 這些分片被分發(fā)到 Mira 的驗證者節(jié)點網(wǎng)絡。每個節(jié)點都會收到不同的分片進行驗證。
- 每個節(jié)點獨立審查其分配分片中的問題并將其結(jié)果提交回網(wǎng)絡。
- 分配到同一分片的節(jié)點對驗證結(jié)果達成共識，然后匯總到最終評估中。
- 最終驗證結(jié)果連同驗證證書（評估的加密證明）一起返回給人工智能開發(fā)人員。該證書存儲在區(qū)塊鏈上，創(chuàng)建可驗證、防篡改的驗證記錄。
Mira 通過將輸入數(shù)據(jù)分成更小的部分來確保數(shù)據(jù)機密性，確保沒有單個節(jié)點無法訪問完整的數(shù)據(jù)集。
為了提高安全性，Mira 支持動態(tài)隱私級別，允許用戶根據(jù)數(shù)據(jù)敏感性調(diào)整分片數(shù)量。雖然更高的隱私級別需要更多的分片（因此成本更高），但它們?yōu)樘幚砻舾行畔⒌挠脩籼峁┝烁叩臋C密性。
節(jié)點執(zhí)行的每次驗證都會記錄在區(qū)塊鏈上，從而創(chuàng)建驗證過程的透明且可審計的記錄。這種不可變的分類賬確保了傳統(tǒng)的非區(qū)塊鏈方法無法實現(xiàn)的信任和責任。
這為安全、公正的人工智能驗證設(shè)立了新標準。
確保節(jié)點完成其工作
在 Mira 的去中心化網(wǎng)絡中，誠實的工作會得到獎勵。
專家可以通過節(jié)點軟件部署專門的人工智能模型，并獲得準確驗證的代幣。反過來，人工智能開發(fā)人員為每次驗證支付費用，在需求和供應之間創(chuàng)建了一個自我維持的經(jīng)濟循環(huán)。
這種方法將 Web2 工作流程的真正價值連接到 Web3 生態(tài)系統(tǒng)，直接獎勵推理提供者和模型創(chuàng)建者等參與者。
但激勵措施也伴隨著挑戰(zhàn)。在任何去中心化系統(tǒng)中，不良行為者都會嘗試利用網(wǎng)絡，提交虛假結(jié)果以在不做任何工作的情況下獲得獎勵。
那么，我們?nèi)绾未_保節(jié)點實際上準確且誠實地執(zhí)行其任務？
為了保持誠信，Mira 采用了 驗證證明機制 —— 一種受比特幣工作量證明啟發(fā)但專為人工智能設(shè)計的機制。節(jié)點必須證明自己已經(jīng)完成了驗證任務才能參與共識過程，而不是挖掘區(qū)塊。
它的工作原理如下：
- 質(zhì)押要求： 每個節(jié)點都必須抵押代幣作為經(jīng)濟承諾。如果一個節(jié)點重復提交不正確的結(jié)果，其部分權(quán)益將被削減作為懲罰。這確保節(jié)點有參與其中的必要，并有理由誠實行事。
- 虛假工作的處罰： 提交虛假結(jié)果（例如跳過計算或生成隨機輸出）的節(jié)點將面臨處罰。當他們的結(jié)果始終顯著偏離共識時（假設(shè)大多數(shù)節(jié)點是誠實的），就會檢測到欺詐。
驗證證明創(chuàng)建了一個平衡的系統(tǒng)，在該系統(tǒng)中節(jié)點在經(jīng)濟上受到激勵來執(zhí)行高質(zhì)量的驗證。這種機制確保網(wǎng)絡隨著時間的推移保持安全可靠。
挑戰(zhàn)與權(quán)衡
問題在于： 如果 Mira 的方法如此有效，為什么不是每個人都這樣做呢？
答案在于在現(xiàn)實世界中實施這樣一個系統(tǒng)的權(quán)衡和復雜性。在快速、準確的評估和管理多個模型的復雜性之間實現(xiàn)完美平衡絕非易事。
Mira 最大的障礙之一是 延遲。 雖然使用模型集合可以并行運行驗證，但同步結(jié)果和達成共識會帶來延遲。該過程的速度取決于最慢的節(jié)點。
目前，這使得 Mira 成為人工智能輸出批量處理的理想選擇——不需要實時結(jié)果的用例。隨著網(wǎng)絡隨著更多的節(jié)點和計算可用性而增長，長期目標是實現(xiàn)實時驗證，將 Mira 的適用性擴展到更廣泛的場景。
除了延遲之外，其他挑戰(zhàn)還包括：
工程復雜性： 跨多個模型協(xié)調(diào)評估并確保共識機制順利運行需要大量的工程工作。
更高的計算要求： 即使使用較小的模型，在集成中一起運行它們也會增加計算需求。
良好的共識機制設(shè)計： 通過多數(shù)投票、加權(quán)評分或其他方法達成共識的方式對系統(tǒng)的可靠性起著至關(guān)重要的作用。在不明確的情況下，集成可能難以協(xié)調(diào)，從而導致結(jié)果不一致。
Mira 的應用程序和用例
來源：Mira
Mira 的 API 可以輕松地與任何應用程序集成，類似于 OpenAI 的 GPT-4o。它與消費者和 B2B 應用程序無關(guān)，使其成為適用于各種用例的多功能解決方案。如今，有十多個應用程序使用 Mira 的基礎(chǔ)設(shè)施。
消費者整合
在消費者方面，Mira 已經(jīng)為多個早期人工智能應用程序提供人工智能驗證：
- Creato：一款用于個性化每日報價和狀態(tài)消息的發(fā)現(xiàn)和共享應用程序，為超過 12 萬用戶提供服務。
- Astro247：用戶與人工智能占星師聊天以獲取個性化星座運勢和預測的平臺。
- Amor：一款人工智能伴侶應用程序，允許用戶與幻想人工智能角色進行沉浸式對話。
- Klok：Mira 推出的專注于加密貨幣的 ChatGPT，它使用 CoinMarketCap 等 API 以及從加密網(wǎng)站和新聞媒體收集的網(wǎng)絡數(shù)據(jù)來回答加密查詢。
Delphi Oracle 是最新的，也許是最先進的集成。這位人工智能驅(qū)動的研究助理允許 @Delphi_Digital 會員可以直接參與研究內(nèi)容、提出問題、澄清觀點、整合價格信息，并將內(nèi)容調(diào)整到不同的復雜程度。
Delphi Oracle 利用 Mira Network 的驗證技術(shù)來提供可靠且準確的響應。通過驗證多個模型的響應，Mira 將幻覺率從約 30% 降低到 5% 以下，確保了堅實的信任基礎(chǔ)。
Delphi Oracle 的核心是 高性能查詢路由器
- 價格查詢：直接路由到市場數(shù)據(jù)端點以獲得近乎即時的響應。
- 基本問題：由緩存響應系統(tǒng)處理，平衡速度和成本效益。
- 復雜查詢：針對專門的 LLM 處理流程，能夠綜合多個來源的信息。
這種智能路由系統(tǒng)與智能緩存相結(jié)合，通過平衡延遲、成本和質(zhì)量來確保最佳性能。
Mira 的測試表明，較小的、具有成本效益的模型幾乎可以像較大的模型一樣處理大多數(shù)查詢。這使得運營成本降低了 90%，同時保持了用戶期望的高質(zhì)量響應。
盡管其中許多消費者應用程序仍處于早期階段，但它們凸顯了 Mira 無縫集成和支持大型活躍用戶群的能力。不難想象，只要開發(fā)者體驗保持簡單且價值主張保持清晰，就會有數(shù)千個應用程序插入 Mira 的生態(tài)系統(tǒng)。
B2B 應用
在 B2B 方面，Mira 專注于信任和精確性至關(guān)重要的行業(yè)的專業(yè)集成，最初的重點是醫(yī)療保健和教育。
主要應用包括：
- 衛(wèi)生保?。喝斯ぶ悄苤痔峁┛煽康牡诙庖姴⒅С轴t(yī)生做出關(guān)鍵決策。
- 教育：個性化學習助手，可適應個別學生的需求，同時保持事實準確性并與課程保持一致。
- 法律服務：能夠準確總結(jié)判例法并預測法律結(jié)果以簡化法律工作流程的系統(tǒng)。
Miran 的終局
Mira 的最終目標是提供本地驗證的生成——用戶只需通過 API 連接，就像 OpenAI 或 Anthropic 一樣，并在返回之前接收預先驗證的輸出。
他們的目標是通過提供現(xiàn)有模型的高度可靠版本（例如 Mira-Claude-3.5-Sonnet 或 Mira-OpenAI-GPT-4o）來取代現(xiàn)有模型 API，并通過內(nèi)置的、基于共識的可靠性進行增強。
市場規(guī)模
生成式人工智能正在飛速發(fā)展。根據(jù)彭博，市場預計將以驚人的42% 復合年增長率增長，到 2030 年收入將超過1 萬億美元。在這股巨大的浪潮中，提高 AI 工作流程速度、準確性和可靠性的工具將占據(jù)重要地位。
隨著越來越多的企業(yè)將 LLM 集成到他們的工作流程中（從客戶支持聊天機器人到復雜的研究助理），對強大模型驗證的需求變得更加緊迫。
組織將尋求能夠（1）測量模型準確性和可靠性，（2）診斷提示和參數(shù)效率低下，（3）持續(xù)監(jiān)控性能和漂移，以及（4）確保遵守圍繞人工智能安全的新興監(jiān)管框架的工具。
聽起來很熟悉嗎？這是我們之前見過的 MLOps（“機器學習操作”的縮寫）的劇本。隨著機器學習在 2010 年代規(guī)?；?，部署、跟蹤和維護模型的工具變得至關(guān)重要，創(chuàng)造了一個價值數(shù)十億美元的市場。隨著生成式人工智能的興起， LLMOps 正在遵循相同的軌跡。
即使占據(jù)萬億美元市場的一小部分，也可能會在 2030 年將該子行業(yè)推至 100B+ 美元。
幾家 Web2 初創(chuàng)公司已經(jīng)做好了自己的定位，提供注釋數(shù)據(jù)、微調(diào)模型和評估性能的工具：
• Braintrust（籌集 3600 萬美元）
• Vellum AI（籌集 500 萬美元）
• Humanloop（籌集 280 萬美元）
這些先行者正在奠定基礎(chǔ)，但這個領(lǐng)域瞬息萬變。到 2025 年，我們可能會看到該領(lǐng)域的初創(chuàng)企業(yè)激增。有些公司可能專注于小眾評估指標（例如偏差檢測和穩(wěn)健性測試），而另一些公司則擴大其產(chǎn)品范圍，覆蓋整個 AI 開發(fā)生命周期。
大型科技公司（如主要云提供商和 AI 平臺）可能會將評估功能捆綁到其產(chǎn)品中。上個月，OpenAI在其平臺上直接引入了評估。為了保持競爭力，初創(chuàng)公司必須通過專業(yè)化、易用性和高級分析來脫穎而出。
Mira 并不是這些初創(chuàng)公司或現(xiàn)有企業(yè)的直接競爭對手。相反，它是一個基礎(chǔ)設(shè)施提供商，通過 API 與兩者無縫集成。關(guān)鍵是什么？它必須有效。
Mira 的初始市場規(guī)模與 LLMOps 相關(guān)，但其 總的潛在市場將擴展到所有人工智能領(lǐng)域 因為每個人工智能應用都需要更可靠的輸出。
從博弈論的角度來看，Mira 處于一個獨特的境地。與 OpenAI 等其他模型提供商不同，Mira 可以跨模型集成。這使得 Mira 成為人工智能的信任層，提供任何單一提供商都無法比擬的可靠性。
2025 年路線圖
Mira 的 2025 年路線圖旨在在完全去中心化的道路上平衡完整性、可擴展性和社區(qū)參與：
第一階段：引導信任（我們現(xiàn)在所處的位置）
在早期階段，經(jīng)過審查的節(jié)點運營商確保網(wǎng)絡可靠性。知名GPU計算提供商作為第一波運營商，處理初始運營并為增長奠定堅實的基礎(chǔ)。
第二階段：漸進式去中心化
Mira 引入了設(shè)計重復，其中同一驗證者模型的多個實例處理每個請求。雖然這會增加驗證成本，但對于識別和消除惡意操作者至關(guān)重要。通過比較節(jié)點之間的輸出，可以盡早發(fā)現(xiàn)不良行為者。
在成熟的形式下，Mira 將實施 隨機分片 分配驗證任務。這使得共謀在經(jīng)濟上不可行，并隨著網(wǎng)絡規(guī)模的擴大增強了網(wǎng)絡的彈性和安全性。
第三階段：合成基礎(chǔ)模型
Mira 將在這里提供經(jīng)過本地驗證的世代。用戶將通過類似于 OpenAI 或 Anthropic 的 API 進行連接，并接收預先驗證的輸出——可靠、隨時可用的結(jié)果，無需額外驗證。
在接下來的幾個月中，Mira 正在為實現(xiàn)幾個重大里程碑做準備：
- 推出人工智能工作流程產(chǎn)品 Mira Flows，允許開發(fā)人員快速構(gòu)建 API 驅(qū)動的人工智能應用程序
- 一月份的公共測試網(wǎng)。
- 代幣發(fā)行也即將推出，目標是 2024 年第一季度。
節(jié)點委托者計劃
Mira 正在通過其 節(jié)點委托者計劃。這一舉措使每個人都可以支持網(wǎng)絡——無需技術(shù)專業(yè)知識。
該過程很簡單：您可以租用計算資源并將其委托給一組精心策劃的節(jié)點運營商。捐款范圍從 35 美元到 750 美元不等，并為支持網(wǎng)絡提供獎勵。 Mira 管理所有復雜的基礎(chǔ)設(shè)施，因此節(jié)點委托者可以坐下來觀察網(wǎng)絡的發(fā)展并捕捉一些優(yōu)勢。
團隊
如今，Mira 擁有一支小而緊湊的團隊，主要以工程為主。
聯(lián)合創(chuàng)始人有3名：
- @karansirdesai（首席執(zhí)行官），曾在 Accel 的加密貨幣和人工智能投資團隊工作，并在 BCG 擔任咨詢顧問
- Sid Doddipalli (CTO) 是 IIT Madras 的校友，之前是 Stader Labs 的聯(lián)合創(chuàng)始人，Stader Labs 是以太坊上的流動質(zhì)押平臺，TVL 超過 4 億美元
- Ninad Naik （首席產(chǎn)品官）曾擔任 Uber 產(chǎn)品管理總監(jiān)和亞馬遜智能家居部門總經(jīng)理等領(lǐng)導職務。
他們將投資智慧、技術(shù)創(chuàng)新和產(chǎn)品領(lǐng)導力結(jié)合在一起，實現(xiàn)了 Mira 去中心化人工智能驗證的愿景。 Mira 籌集了 900 萬美元 種子輪 2024 年 7 月，由 BITKRAFT 和 Framework Ventures 牽頭。
我們的想法
看到加密人工智能團隊解決基本的 Web2 人工智能問題（讓人工智能變得更好）而不是在加密泡沫中玩投機游戲，這令人耳目一新。
- 驗證將成為 2025 年的人工智能流行詞
業(yè)界正在意識到驗證的重要性。僅僅依靠“直覺”已經(jīng)不夠了。每個人工智能應用程序和工作流程很快都需要適當?shù)尿炞C流程，并且不難想象未來的法規(guī)會強制執(zhí)行這些流程以確保安全。
Mira 的方法利用多個模型來獨立驗證輸出，避免依賴單個集中式模型。這種去中心化的框架增強了信任并降低了偏見和操縱的風險。
讓我們考慮一下如果我們在未來幾年內(nèi)實現(xiàn) AGI/通用人工智能（確實有可能）會發(fā)生什么。
如Canonical Anand Iyer (@AI 指出，如果人工智能可以巧妙地操縱決策和代碼，我們?nèi)绾涡湃螠y試這些行為的系統(tǒng)？聰明人都會提前思考。Anthropic的研究 強調(diào)了緊迫性，強調(diào)評估是在潛在危險的人工智能能力升級為問題之前識別它們的關(guān)鍵工具。
通過實現(xiàn)徹底的透明度，區(qū)塊鏈為防范惡意人工智能系統(tǒng)增加了一層強大的保護。無需信任的共識機制確保安全評估得到數(shù)千個獨立節(jié)點的驗證（如 Mira 上的驗證），從而大大降低了 Sybil 攻擊的風險。
- 雄心勃勃的愿景與執(zhí)行風險
Mira 正在追逐一個巨大的市場，該市場對有效的解決方案有明確的需求。但挑戰(zhàn)是真實存在的。提高延遲、精度和成本效率需要不懈的工程努力和時間。團隊需要不斷地證明他們的方法明顯優(yōu)于現(xiàn)有的替代方法。
核心創(chuàng)新在于Mira的二值化和分片過程。這種“秘密武器”有望解決可擴展性和信任挑戰(zhàn)。為了使 Mira 取得成功，這項技術(shù)需要兌現(xiàn)其承諾。
- 代幣設(shè)計和 Mira 的秘密武器
在任何去中心化網(wǎng)絡中，代幣和激勵設(shè)計都是成敗因素。 Mira 的成功將取決于這些機制在保持網(wǎng)絡完整性的同時如何協(xié)調(diào)參與者的利益。
雖然 Mira 代幣經(jīng)濟學的細節(jié)仍處于保密狀態(tài)，但我預計團隊將在 2025 年初代幣發(fā)行臨近時透露更多信息。
光明的未來
“我們發(fā)現(xiàn)，實施出色評估的工程團隊的行動速度明顯快于那些只是觀察生產(chǎn)中發(fā)生的情況并嘗試臨時修復問題的團隊，速度快了 10 倍，”- Ankur Goyal，Braintrust
在人工智能驅(qū)動的世界中，信任就是一切。
隨著模型變得越來越復雜，可靠的驗證將支撐每一個偉大的人工智能產(chǎn)品。它們幫助我們解決幻覺、消除偏見并確保人工智能輸出符合用戶的實際需求。
Mira 可以實現(xiàn)驗證自動化，降低成本并減少對人工干預的依賴。這可以實現(xiàn)更快的迭代、實時調(diào)整和無瓶頸的可擴展解決方案。
最終，Mira 的目標是成為信任的 API——一個去中心化的驗證框架，每個人工智能開發(fā)人員和應用程序都可以依賴它來獲得經(jīng)過驗證的答案。
它大膽、雄心勃勃，正是人工智能世界所需要的。
以上就是腳本之家小編給大家分享的是什么是Mira？Mira功能、團隊、未來、路線圖介紹了，希望大家喜歡！
你可能感興趣的文章
-
什么是Mira？Mira功能、團隊、未來、路線圖介紹
Mira 的愿景非常大膽：創(chuàng)建一個可提供以下功能的第 1 層網(wǎng)絡： 人工智能輸出的無需信任、可擴展且準確的驗證,通過利用集體智慧，Mira 減少偏見和幻覺，解決公平和成本等核…
2025-06-15 -
Pendle幣市場表現(xiàn)及2025年采用趨勢
Pendle Protocol 是 DeFi 固定收益領(lǐng)域的領(lǐng)先創(chuàng)新者,Pendle 的快速 TVL 增長、穩(wěn)定的收入以及包括跨鏈擴展和機構(gòu)合作伙伴關(guān)系在內(nèi)的戰(zhàn)略路線圖凸顯了其強大的經(jīng)濟模式和廣…
2025-06-15 -
磚形圖與平均線蠟燭圖，哪個更適合比特幣交易？
磚形圖可以過濾掉市場波動的噪音并識別持續(xù)的價格趨勢,平均線蠟燭圖表現(xiàn)出顯著較低的噪音，使其在趨勢分析中更加可靠,磚形圖和平均線蠟燭圖都能幫助交易者通過平滑數(shù)據(jù)和減…
2025-06-13 -
零手續(xù)費交易究竟意味著什么？為何如此重要？
每位加密貨幣交易者——無論是充滿好奇的新手，還是經(jīng)驗豐富的剝頭皮交易者——都只有一個目標：最大化收益,在本文中，我們將深入分析交易費用的運作方式、其重要性…
2025-06-13 -
穩(wěn)定幣賽道未來已來！十大未發(fā)幣穩(wěn)定幣項目盤點
穩(wěn)定幣下半場由監(jiān)管確定性、頭部合規(guī)化及市場創(chuàng)新三大變量重塑,聚焦支付效率、DeFi協(xié)議收益與RWA資產(chǎn)集成,十大新項目涵蓋多鏈支付、收益型穩(wěn)定幣及資產(chǎn)代幣化,或推動行業(yè)邁…
2025-06-13 -
幣安空投新手該怎么玩？想要白嫖一個月1000u的空投？（新手入門必讀指
幣安空投新手該怎么玩？對于剛注冊幣安的小白來說，最近總是看到幣安的空投活動，動不動就是幾百u，而且又有打新活動！一個月白嫖1000u+的利潤！而而這些都離不開：Alpha積…
2025-06-12 -
BSC鏈上轉(zhuǎn)幣Gas不足怎么辦?可以取消嗎?
BSC鏈推出旨在解決以太坊的高Gas費和低交易速度問題，同時補足幣安原生鏈缺乏智能合約功能的短板,隨著技術(shù)的發(fā)展，逐漸被交易者青睞，成為當下熱門的公鏈之一,下面我們來聊…
2025-06-12 -
什么是TON區(qū)塊鏈？TON區(qū)塊鏈如何運作？用途是什么？
TON由Telegram創(chuàng)始人Nikolai 和 Pavel Durov于2018年推出，是一條 Layer-1 區(qū)塊鏈，旨在將去中心化技術(shù)帶給數(shù)百萬用戶,本指南探討了TON的架構(gòu)、Toncoin的經(jīng)濟模型、其NFT和…
2025-06-12 -
Solana ETF是什么?如何運作?Solana ETF優(yōu)勢,風險與最新動態(tài)詳解
Solana ETF是一種將追蹤加密貨幣SOL價格的投資基金,它將使投資者能夠參與SOL的價格波動，而無需直接購買該加密貨幣,下面小編就來和大家詳細介紹一下Solana ETF吧…
2025-06-12 -
什么是 ETH Gas？降低以太坊 Gas 費技巧及Gwei 新手指南
如果您曾經(jīng)使用以太坊發(fā)送 ETH、鑄造 NFT 或與去中心化應用 (dApp) 交互，您可能聽說過“Gas 費”這個術(shù)語,但這究竟是什么意思呢？簡單來說，Gas 是您在以太坊區(qū)塊鏈上執(zhí)行…
2025-06-12
