Bản trắng của Mạng Mira, được xuất bản bởi Ninad Naik, Sidhartha Doddipalli và Karan Sirdesai, trình bày một khung kỹ thuật cho một mạng blockchain phi tập trung được thiết kế để xác minh độ tin cậy của các đầu ra do AI tạo ra. Tài liệu tập trung vào việc giải quyết khoảng cách độ tin cậy của AI, nơi mà các mô hình AI hiện đại thường gặp phải ảo tưởng và thiên lệch.
Bản trắng đề xuất một hệ thống tận dụng sự đồng thuận giữa nhiều mô hình AI đa dạng để tạo ra bằng chứng tính toán về tính hợp lệ của các đầu ra AI. Bằng cách kết hợp các phương pháp tập hợp AI với các ưu đãi kinh tế dựa trên blockchain, Mira nhằm tạo ra một "tầng tin tưởng" phi tập trung cho AI.
Tài liệu được cấu trúc với một dòng chảy kỹ thuật rõ ràng, bao gồm các phần về tóm tắt, giới thiệu, kiến trúc mạng, mô hình bảo mật kinh tế, cơ chế bảo mật quyền riêng tư, sự tiến hóa của mạng và kết luận. Nó tích hợp các khái niệm từ lý thuyết trò chơi, hệ thống phân tán và học tập tập hợp AI để xây dựng một hạ tầng được thiết kế nhằm tăng cường độ tin cậy của AI.
Dưới đây là phân tích sâu hơn về các phần chính của tài liệu trắng.
Phân tích các Phần Cốt Lõi
1. Tóm tắt và Giới thiệu: Vấn đề cốt lõi và Giải pháp Đề xuất
Tài liệu trắng bắt đầu bằng việc xác định một vấn đề cơ bản với các hệ thống AI hiện đại: chúng mạnh mẽ nhưng không hoàn toàn đáng tin cậy. Hai nguồn gốc chính của lỗi được nêu bật:
• Ảo giác – Các mô hình AI tạo ra thông tin sai với độ tin cậy cao
• Thiên lệch – các lỗi hệ thống gây ra bởi dữ liệu đào tạo hoặc kiến trúc mô hình
Những vấn đề này phát sinh từ các đánh đổi vốn có trong việc đào tạo mô hình. Tăng độ chính xác có thể giảm độ tinh khiết, và ngược lại. Do đó, không có một mô hình AI nào có thể loại bỏ hoàn toàn lỗi.
Mira đề xuất một giải pháp phi tập trung lấy cảm hứng từ trí tuệ tập thể. Thay vì dựa vào một người quản lý hoặc xác minh tập trung, hệ thống phân phối các nhiệm vụ xác minh trên các nút độc lập chạy các mô hình AI khác nhau. Thông qua đồng thuận dựa trên blockchain và các động lực kinh tế, mạng có thể xác thực đầu ra AI trong một môi trường đáng tin cậy và minh bạch.
Cách tiếp cận này lấy cảm hứng từ công việc học thuật thảo luận về các rủi ro của các mô hình ngôn ngữ lớn và sự không thể tránh khỏi của những ảo giác trong các hệ thống AI. Mira cố gắng giải quyết hạn chế này bằng cách xây dựng một lớp hạ tầng xác minh đầu ra AI trước khi chúng được sử dụng trong các ứng dụng quan trọng.
Tuy nhiên, tài liệu trắng giả định rằng sự đa dạng của mô hình tự nhiên làm giảm tỷ lệ lỗi, mà không giải quyết đầy đủ rủi ro rằng thị trường AI có thể hội tụ quanh các kiến trúc tương tự, điều này có thể hạn chế hiệu quả của xác minh tập hợp.
2. Kiến trúc Mạng: Quy trình xác minh và Hạ tầng Nút
Tài liệu trắng mô tả kiến trúc của Mira thông qua một quy trình xác minh có cấu trúc.
Đầu tiên, các đầu ra AI phức tạp được phân tích thành các yêu cầu có thể xác minh nhỏ hơn. Ví dụ, một câu chứa nhiều sự thật được chia thành các tuyên bố độc lập có thể được xác minh một cách riêng biệt.
Quy trình xác minh theo các bước này:
1. Người dùng gửi nội dung và xác định các tham số xác minh (miền, ngưỡng đồng thuận, v.v.).
2. Mạng phân phối ngẫu nhiên các yêu cầu đến các nút xác minh.
3. Mỗi nút đánh giá yêu cầu bằng cách sử dụng mô hình AI của riêng nó.
4. Các kết quả được tổng hợp để xác định đồng thuận.
5. Mạng phát hành một chứng chỉ xác minh mã hóa chứa các kết quả xác minh và siêu dữ liệu về các mô hình tham gia.
Các nhà điều hành nút chạy các mô hình xác minh độc lập và phải đáp ứng các tiêu chuẩn hiệu suất để tham gia vào mạng.
Một trong những điểm mạnh của thiết kế này là nó không phụ thuộc vào nguồn, có nghĩa là khung xác minh có thể áp dụng không chỉ cho các đầu ra do AI tạo ra mà còn cho thông tin do con người tạo ra.
Về mặt kỹ thuật, kiến trúc này kết hợp logic xử lý ngôn ngữ tự nhiên với tính toán phân tán phi tập trung, cho phép Mira mở rộng các nhiệm vụ xác minh trên một mạng lưới toàn cầu.
So với các dự án tương tự, chẳng hạn như Bittensor, tập trung nhiều hơn vào đào tạo AI phi tập trung, Mira tập trung vào hạ tầng xác minh, điều này có thể giảm đáng kể chi phí tính toán.
Tuy nhiên, tài liệu trắng cung cấp thông tin hạn chế về các thuật toán được sử dụng cho việc chuyển đổi và phân tích yêu cầu, điều này có thể trở thành một nút thắt kỹ thuật nếu không được triển khai một cách hiệu quả. Thêm vào đó, hỗ trợ cho xác minh đa phương tiện (hình ảnh, video, âm thanh) được đề cập nhưng không được mô tả đầy đủ.
3. Mô hình Bảo mật Kinh tế: PoW và PoS Kết hợp
Mira giới thiệu một mô hình bảo mật kết hợp giữa Proof of Work và Proof of Stake.
Trong hệ thống này, “công việc” mà các nút thực hiện bao gồm các nhiệm vụ xác minh AI. Để đơn giản hóa việc xác thực, một số nhiệm vụ xác minh được tiêu chuẩn hóa thành các định dạng nhiều lựa chọn, cho phép đánh giá khách quan về các phản hồi.
Để ngăn chặn các nút chỉ đoán câu trả lời, hệ thống tăng số lượng lựa chọn có thể có. Ví dụ, nếu một nhiệm vụ có mười câu trả lời có thể, xác suất đoán chính xác một cách ngẫu nhiên trở nên cực kỳ thấp.
Các nút cũng phải đặt cược token để tham gia vào mạng. Nếu các phản hồi của họ lệch đáng kể khỏi đồng thuận hoặc cho thấy hành vi đáng ngờ, cược của họ có thể bị giảm.
Mô hình kinh tế phân phối các khoản phí xác minh do người dùng trả cho các nhà điều hành nút và nhà cung cấp dữ liệu. Điều này tạo ra một vòng lặp phản hồi:
Sử dụng mạng → phí → phần thưởng → nhiều nút hơn → bảo mật mạng mạnh mẽ hơn.
Tài liệu trắng sử dụng các nguyên tắc lý thuyết trò chơi để lập luận rằng các tác nhân hợp lý sẽ hành xử trung thực vì hành vi không trung thực sẽ bị phạt về mặt kinh tế.
Mặc dù thiết kế này, một số rủi ro vẫn tồn tại. Ví dụ, nếu một phần lớn các nút bị xâm phạm hoặc thông đồng, mạng có thể lý thuyết trải qua một cuộc tấn công đồng thuận tương tự như tấn công 51% trong các hệ thống blockchain truyền thống.
Tài liệu trắng thừa nhận rủi ro này nhưng không cung cấp mô hình định lượng chi tiết về các ngưỡng bảo mật.
4. Cơ chế Bảo mật và Sự Tiến hóa của Mạng
Mira cũng tích hợp các cơ chế bảo vệ quyền riêng tư. Các yêu cầu được chia thành các cặp thực thể-yêu cầu nhỏ hơn và phân phối ngẫu nhiên trên các nút. Điều này ngăn chặn bất kỳ nút nào đơn lẻ tái tạo toàn bộ tập dữ liệu đầu vào.
Các phản hồi được giữ bí mật cho đến giai đoạn đồng thuận, bảo vệ thông tin nhạy cảm.
Lộ trình mạng dự kiến bắt đầu với các lĩnh vực có nguy cơ cao như tài chính, chăm sóc sức khỏe và xác minh pháp lý trước khi mở rộng sang các lĩnh vực như xác thực mã phần mềm và xác minh nội dung đa phương tiện.
Trong dài hạn, Mira dự kiến phát triển từ một lớp xác minh sang một hệ thống tạo ra được xác minh, nơi đầu ra AI được tự động xác minh trong quá trình tạo ra chính nó.
Khái niệm này hiệu quả đặt Mira như một oracle kiểm tra sự thật cho các hệ thống AI, có khả năng cho phép các tác nhân AI tự động đáng tin cậy hơn.
5. Điểm mạnh và Điểm yếu của Tài liệu Trắng
Điểm mạnh
• Giới thiệu một lớp hạ tầng mới tập trung vào độ tin cậy của AI
• Kết hợp bảo mật blockchain với xác minh tập hợp AI
• Cung cấp một quy trình xác minh rõ ràng và mô hình kinh tế
• Áp dụng lý thuyết trò chơi để khuyến khích sự tham gia trung thực của mạng
• Giải quyết một vấn đề ngày càng quan trọng khi việc áp dụng AI gia tăng
Điểm yếu
• Chi tiết kỹ thuật hạn chế về các thuật toán chính như chuyển đổi yêu cầu
• Giả định sự đa dạng tự nhiên của các mô hình AI mà không giải quyết rủi ro tiềm năng về sự tập trung thị trường
• Thiếu dữ liệu thực nghiệm hoặc kết quả mô phỏng cho thấy giảm lỗi
• Cung cấp thảo luận hạn chế về các chỉ số khả năng mở rộng như thông lượng và hiệu quả chi phí
6. Ý nghĩa Chiến lược
Tài liệu trắng của Mira định vị dự án như một hạ tầng tin cậy cho các hệ thống AI.
Khi AI ngày càng được tích hợp vào các ngành công nghiệp quan trọng, nhu cầu về các lớp xác minh đáng tin cậy sẽ tăng lên. Cách tiếp cận của Mira có thể phục vụ như một xương sống xác minh AI, tương tự như cách các mạng oracle cung cấp hạ tầng dữ liệu cho các ứng dụng blockchain.
Bằng cách tập trung vào xác minh thay vì đào tạo mô hình, Mira cố gắng chiếm lĩnh một thị trường độc đáo trong hệ sinh thái AI-crypto.
Tuy nhiên, sự thành công của dự án sẽ phụ thuộc vào việc áp dụng trong thế giới thực, khả năng mở rộng và khả năng chứng minh những cải tiến có thể đo lường trong độ tin cậy của AI.
Đối với các nhà phát triển và nhà đầu tư, điều quan trọng là theo dõi các cập nhật trong tương lai, các triển khai nguyên mẫu và các kết quả thực nghiệm khi mạng tiến hóa.