آلية الاستنتاج والتوافق الذكاء الاصطناعي القابلة للتحقق بناء على براهين المعرفة الصفرية @wardenprotocol ، @inference_labs ، @miranetwork على الرغم من استخدامه الكبير، فإن استنتاج الذكاء الاصطناعي لديه قيد هيكلي يصعب فيه التحقق من سلوكه الداخلي. نظرا لهيكل الصندوق الأسود حيث لا يتم الكشف عن أوزان النموذج وبيانات التدريب، وعدم الحتمية الناتجة عن عمليات العينة العشوائية والعمليات العائمة، ومشكلة سلامة التنفيذ التي لا يمكن تأكيد ما إذا كان النموذج الصحيح قد تم تنفيذه فعليا، يصعب افتراض الثقة في نتائج الذكاء الاصطناعي فقط. وقد تم الإشارة إلى هذه الصفة مرارا كمشكلة، خاصة في المجالات ذات تحمل منخفض للأخطاء، مثل المالية والأمن واتخاذ القرار الآلي. أحد الأساليب التقنية لمعالجة هذه المشكلة هو التعلم الآلي القائم على إثبات المعرفة الصفرية، أو هياكل الاستدلال الذكاء الاصطناعي القابلة للتحقق باستخدام zkML. لا يكشف zkML عن عملية الحساب داخل النموذج للعالم الخارجي، لكنه يثبت تشفيريا أن الحساب تم وفقا للأوزان والقواعد الصحيحة. يتيح ذلك للمستخدمين الحكم على شرعية النتائج بناء على البراهين الرياضية بأنفسهم، دون الحاجة للثقة في مزود النموذج للثقة بنتائج الذكاء الاصطناعي. في هذا الهيكل، يطبق بروتوكول واردن، المسؤول عن طبقة التنفيذ، SPEX، وهي طريقة إثبات إحصائي للتنفيذ، على أعمال الاستنتاج التي يقوم بها وكلاء الذكاء الاصطناعي. بدلا من إعادة تنفيذ العملية بأكملها، يلخص SPEX الحالة الحسابية الناتجة أثناء عملية الاستدلال باستخدام مرشح بلوم ويتحقق من اتساق التنفيذ من خلال أخذ عينات عشوائية. تعمل هذه العملية مع زوج فقط من المحللين والمدققين، مما يوفر مستوى عاليا من الثقة الاحتمالية مع عبء حسابي منخفض جدا مقارنة بإعادة التشغيل الكاملة. وهذا يسمح لبروتوكول واردن بأن يكون بمثابة تحقق من أن التنفيذ قد تم فعليا بتكلفة وتأخير معتدلين. في طبقة التحقق، تلعب شركة عمرون، التي تديرها مختبرات الاستدلال، دورا رئيسيا. أومرون هو بنية تحتية خاصة ب zkML تتكون من شبكات فرعية لشبكة Bittensor، والتي تتحقق من خلال إثباتات كاملة بدون معرفة صفرية على أن استنتاج نموذج الذكاء الاصطناعي الحقيقي تم تنفيذه وفقا للأوزان الصحيحة والترتيب الحسابي. يقوم أومرون بتقسيم النماذج الكبيرة إلى وحدات ملفات DSIL باستخدام DSperse ويحسن سرعة المعالجة من خلال توليد براهين متوازية. من خلال هذا الهيكل، تم إنتاج والتحقق من مئات الملايين من براهين zkML، وتم تجميع حالات تشغيلية عملية للنماذج الصغيرة والشبكات العصبية متوسطة الحجم. ومع ذلك، وبسبب التكلفة الحاسوبية العالية ومتطلبات الذاكرة، هناك قيود عملية للنماذج الكبيرة جدا. في طبقة الإجماع، تكمل شبكة ميرا موثوقية نتائج النتائج من خلال آلية توافق قائمة على عدة نماذج. لا تأخذ شبكة ميرا نتائج نموذج واحد كما هو، بل تقارن نتائج نماذج الذكاء الاصطناعي المتعددة ذات هياكل وخلفيات تدريبية مختلفة. يتم تقسيم النتائج إلى وحدات مطالبات يمكن التحقق منها بشكل مستقل، ويتم تقييم القابلية للتحقق من خلال التوافق بين عدة نماذج. تعمل العملية من خلال دمج عنصر إثبات العمل الذي يثبت أن الاستدلال الفعلي قد تم إجراؤه، وعنصر إثبات الحصة الذي يشارك فيه المدققون كضمان لأصول معينة. إذا تمت الموافقة على نتائج خاطئة مرارا أو تم تأكيد سلوك خبيث، تفرض عقوبات اقتصادية للحفاظ على نزاهة الاتفاقية. هذه الطبقات الثلاث متميزة لكنها مكملة لبعضها، وتشكل تكديس واحد يمكن التحقق من الذكاء الاصطناعي. يوفر بروتوكول واردن إثباتا إحصائيا سريعا وفعالا من حيث التكلفة للتنفيذ خلال مرحلة التنفيذ، وعندما يتطلب الأمر مستوى عاليا من الثقة، يتم إجراء التحقق الكامل القائم على zkML عبر أومرون. بعد ذلك، يتم تعزيز تفسير النتائج وتقييم الحقائق بتوافق شبكة ميرا متعدد النماذج، كما يتم التحقق من صحة التنفيذ، وموثوقية الإنتاج، والأمان الاقتصادي للإجماع بواسطة آليات مختلفة. هذا الهيكل تصميم واقعي لأنه يطبق طرق تحقق مختلفة حسب مستوى المخاطر وهيكل التكلفة، على عكس النهج الذي يحاول إثبات جميع استنتاجات الذكاء الاصطناعي بطريقة واحدة. تطبق البراهين التشفيرية على الاستدلال عالي القيمة الذي قد يتحمل تكاليف عالية، بينما يتحمل التحقق الإحصائي والتحقق القائم على التوافق مسؤولية المعالجة واسعة النطاق وقابلية التوسع. من خلال هذا التركيبة الهرمية، أصبح استدلال الذكاء الاصطناعي القابل للتحقق نظاما تقنيا يمكن تشغيله عمليا خارج المفاهيم النظرية. $WARD $MIRA