作者：Messari
编译：Elponcho，链新闻
在生成式 AI 蓬勃发展的今天，我们仍难以解决一个根本问题：AI 有时会一本正经地胡说八道。这种现象在业界被称为“幻觉”（hallucination）。而 Mira，一个专为 AI 输出验证而设计的去中心化协议，正试图透过多模型共识机制与加密审计，为 AI 增加“事实可信度”。以下，我们来看 Mira 是如何运作的、为什么它比传统做法更有效，以及它目前在真实应用中的成果。
本报导内容根据 Messari 发布的研究报告整理撰写。
去中心化的事实验证协议：Mira 的基本运作原理
Mira 并不是一个 AI 模型，而是一个嵌入式的验证层。当一个 AI 模型产出回应后（例如 chatbot 回答、摘要、自动化报告等），Mira 会将输出拆解成一连串独立的事实主张。这些主张会被送往其分散式验证网路，每个节点（即验证者）各自运行不同架构的 AI 模型，来评估这些主张是否为真。
每个节点都会针对主张给出“正确”、“错误”或“不确定”的判断，最后系统依据多数共识来做出总体决策。若大多数模型认可某个主张为真，该主张就会被核准；否则就会被标注、驳回，或提示警告。
这个过程完全透明、可审计。每一笔验证都会产生一个加密证书，标明验证过程中参与的模型、投票结果、时间戳记等，供第三方查验。
为什么 AI 需要像 Mira 这样的验证系统？
生成式 AI 模型（如 GPT、Claude）并不是决定论式的工具，它们是依照机率预测下一个字元，并不具备内建的“事实感知”。这样的设计让它们可以写诗、讲笑话，但也意味着：它们可能一本正经地制造虚假资讯。
Mira 提出的验证机制，正是要解决 AI 目前的四大核心问题：
-
幻觉泛滥：AI 编造政策、虚构历史事件、乱引文献的案例层出不穷。
-
黑箱运作：使用者不知道 AI 的答案从何而来，无法追溯。
-
非一致性输出：同样的问题，AI 可能给出不同答案。
-
中心化控制：目前大多数 AI 模型由少数几家公司垄断，用户无法查证其逻辑或争取第二意见。
传统验证方法的局限
目前的替代方案，例如人类审查（Human-in-the-loop）、规则式过滤器、模型自我校验等，都各有不足：
-
人工审查难以规模化，速度慢且成本高。
-
规则式过滤局限于预定场景，对创造性错误无能为力。
-
模型自审效果差，AI 经常对错误答案过度自信。
-
集中式 Ensemble虽然能交叉检查，但缺乏模型多样性，容易形成“集体盲点”。
Mira 的创新机制：结合共识机制与 AI 分工
Mira 的关键创新是将区块链共识概念引入 AI 验证。每一笔 AI 输出，在经过 Mira 后，会变成多个独立的事实陈述，由各式 AI 模型进行“投票”。只有在超过一定比例模型达成一致时，该内容才会被视为可信。
Mira 核心设计优势包括：
-
模型多样性：来自不同架构与数据背景的模型，降低集体偏误。
-
错误容忍：即使部分节点出错，也不会影响整体结果。
-
全链透明：验证纪录上链，可供审计。
-
可扩展性强：每日可验证超过 30 亿 tokens（约等于数百万段文字）。
-
无需人为干预：自动化进行，不需人工验证。
去中心化基础建设：节点与计算资源由谁提供？
Mira 的验证节点由全球去中心化计算贡献者提供。这些贡献者被称为 Node Delegators (节点委任者)，他们不直接操作节点，而是将 GPU 运算资源出租给经过认证的节点营运者。这种“计算即服务”模式大幅扩展了 Mira 的可处理规模。
主要合作节点供应商包括：
-
Io.Net：提供 DePIN 架构 GPU 计算网。
-
Aethir：专注于 AI 与游戏的分散式云端 GPU。
-
Hyperbolic、Exabits、Spheron：多家区块链计算平台，也为 Mira 节点提供基础设施。
节点参与者需通过一项 KYC 视讯验证程序，以确保网路唯一性与安全性。
Mira 验证让 AI 正确率提升至 96%
根据 Messari 报告中的 Mira 团队数据，透过其验证层过滤后，大型语言模型的事实正确率从 70% 提升至 96%。在教育、金融、客服等实际场景中，幻觉内容的出现频率下降了 90%。重要的是，这些改进完全不需重新训练 AI 模型，仅透过“过滤”就能达成。
目前 Mira 已整合至多个应用平台中，包括：
-
教育工具
-
金融分析产品
-
AI chatbot
-
第三方 Verified Generate API 服务
整个 Mira 生态系涵盖超过 450 万名用户，每日活跃使用者达 50 万人以上。虽多数人未直接接触 Mira，但他们的 AI 回应，早已悄悄经过其背后的验证机制。
Mira 打造 AI 的可信任基础层
在 AI 产业日益追求规模与效率的同时，Mira 提供了一个新方向：不靠单一 AI 决定答案，而是靠一群独立模型来“投票定真”。这样的架构不仅让输出结果更可信，也建立起一种“可验证的信任机制”，并且具备高度可扩展性。
随著用户规模扩大与第三方审核渐趋普及，Mira 有潜力成为 AI 生态中不可或缺的基础设施。对于任何希望其 AI 能在真实世界应用中站得住脚的开发者与企业，Mira 所代表的“分散式验证层”或许正是关键拼图之一。
