TechFlow Logo
ログイン/ 登録
ETHガス
Gwei
恐怖
gas
Mira NetworkはAI大規模モデルの「ハルシネーション」問題を解決できるのか?

Mira NetworkはAI大規模モデルの「ハルシネーション」問題を解決できるのか?

2025.03.27
共有先
Mira Networkは、AIのLLMを検証するための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。

執筆:Haotian

誰もが理解している通り、AI大規模モデルを金融、医療、法務などの垂直領域に適用する際の最大の障壁は一つだけです。それは、「ハルシネーション(幻覚)」問題により、正確さが求められる実際の応用シナリオと一致しないという点です。この問題をどう解決するか?最近、@Mira_Network はパブリックテストネットをリリースし、一連のソリューションを提示しました。その内容について説明します。

まず、AI大規模モデルツールが「ハルシネーション」を起こす状況は誰もが感じ取れるものであり、主な原因は二つあります。

1. AI LLMの訓練データが不完全であることです。既存のデータ規模は非常に大きいものの、ニッチまたは専門分野の情報までは網羅できていないため、AIは「創造的な補完」を行う傾向があり、それによって最新性のない誤りが生じます。

2. AI LLMの動作原理が本質的に「確率的サンプリング」に依存している点です。これは訓練データ内の統計的パターンや相関関係を認識することに基づいており、真に「理解」しているわけではありません。そのため、確率的サンプリングのランダム性や、訓練・推論結果の不整合などが発生しやすく、高精度を要する事実に関する問題処理において偏りが生じるのです。

この問題をどう解決するのか?コネル大学のArXivプラットフォームに、複数のモデルによる共同検証を通じてLLM出力の信頼性を高める手法に関する論文が公開されています。

簡単に言えば、まず主モデルが出力を生成し、その後複数の検証モデルがその回答に対して「多数決分析」を行うことで、モデルの「ハルシネーション」を低減できるという仕組みです。

一連のテスト結果によると、この手法によりAI出力の正確性は95.6%まで向上することが確認されています。

そうであれば、当然ながら主モデルと検証モデルの協働プロセスを管理・検証するための分散型検証プラットフォームが必要になります。Mira NetworkはまさにAI LLM検証に特化したミドルウェアネットワークであり、ユーザーと基盤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、正確性の保証、拡張性設計、標準化されたAPIインターフェースなどの統合サービスが実現され、AI LLMの出力におけるハルシネーションを削減することで、さまざまな特定アプリケーション分野へのAI導入可能性を広げることが可能になります。これはCryptoの分散型検証ネットワークがAI LLMエンジニアリングプロセスに実際に活用された一例でもあります。

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紹介しています。

1)Gigabrainという取引プラットフォームはMiraを統合することで、市場分析や予測の正確性を検証する追加のステップを設け、信頼性の低い提言をフィルタリングし、AI取引シグナルの正確性を高めました。これにより、DeFiシナリオにおけるAI LLMの利用がより信頼性の高いものになっています。

2)LearnriteはMiraを利用してAIが生成する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活用しつつも、教育評価の内容の正確性を損なわず、厳しい教育基準を維持できるようにしています。

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BNBエコシステムに統合し、分散型検証ネットワーク(DVN)を構築することで、ブロックチェーン上でAI計算を実行する際の正確性と安全性を一定程度確保しています。

以上です。

実際、Mira Networkが提供するのはミドルウェア型コンセンサスネットワークサービスであり、AIアプリケーション能力を強化する唯一の手段ではありません。データサイドでのトレーニング強化、マルチモーダル大規模モデル間のインタラクション強化、あるいはZKP、FHE、TEEなどの潜在的な暗号技術を活用したプライバシープレサーバー計算の強化など、他の選択肢も存在します。しかし、それらと比較してMiraのソリューションの価値は、迅速な実装と即効性にあると言えるでしょう。