أتمتة التحقق من استنتاج التعلم الآلي بدون معرفة في شبكات الحوسبة اللامركزية @inference_labs ، @OpenGradient ، @nesaorg مشكلة التحقق من أن نتائج استنتاج الذكاء الاصطناعي محسوبة بشكل صحيح في شبكة الحوسبة الموزعة لها قيود معقدة تختلف عن بيئة الخادم المركزي. وذلك لأنه في هيكل يشغل فيه عدة مشاركين نفس النموذج في بيئات مختلفة من الأجهزة والبرمجيات، يصعب افتراض موثوقية نتائج الحساب مسبقا. في هذا السياق، ظهر التعلم الآلي بدون معرفة كتقنية تثبت تشفيريا أن مخرجا محددا تم تولده عن طريق معالجة مدخل محدد بطريقة ثابتة عبر نموذج ثابت. يتم تقييم هذه الطريقة كوسيلة مناسبة للبيئة الموزعة من حيث يمكنها التحقق من شرعية التنفيذ دون الكشف عن عملية الحساب للعالم الخارجي. ومع ذلك، فإن التفكير في الذكاء الاصطناعي بطبيعته غير محدد. نظرا لطبيعة العمليات الفاصلة الفاصلة العائمة، حتى نفس العملية لها اختلافات طفيفة في النتائج حسب ترتيب الحساب أو تنفيذ الأجهزة، وهذا الاختلاف يكون أكثر وضوحا في بيئات GPU التي تستخدم العمليات المتوازية. تشمل الشبكات الموزعة مجموعة واسعة من المعدات، من وحدات معالجة الرسومات الاستهلاكية إلى المسرعات المتخصصة، مما يؤدي إلى انحرافات حسابية بسبب اختلافات أنظمة التشغيل والتعريفات وهياكل الذاكرة ومجموعات التعليمات. نظرا لأن التحقق الشفرتي يتطلب اتفاقيات بتية، فإن هذه الاختلافات البيئية قد تؤدي إلى فشل في التحقق. لحل هذه المشكلة، يقوم نظام zkML بتكميم العمليات العائمة إلى نقطة ثابتة ويحول عمليات الشبكة العصبية إلى أشكال دوائر حسابية. تمثل أطر مثل JSTprove وEZKL وRISC Zero الالتفافات، وضرب المصفوفات، ودوال التفعيل كمجموعات من القيود، مما يجعل عملية الاستنتاج قابلة للإثبات. تزداد هذه العملية بسرعة مع عمق وحجم النموذج، كما يزداد الوقت والذاكرة اللازمة لإنشاء البراهين بشكل غير خطي. تظهر القياسات الفعلية أن براهين zkML للنموذج بأكمله تتطلب تكاليف أعلى بآلاف إلى عشرات الآلاف من المرات مقارنة بإعادة حساب نفس الاستنتاج. يعد هيكل التكلفة هذا قيدا رئيسيا عند تصميم التحقق الآلي للاستدلال على شبكة موزعة. إذا كانت تكلفة توليد البرهان أكبر من الشك في نتيجة الاستدلال، يفقد التحقق معناه الاقتصادي. نتيجة لذلك، تتبنى الأنظمة الواقعية استراتيجية التحقق الانتقائي فقط من العمليات الرئيسية أو الأجزاء الحساسة بدلا من إثبات النموذج بأكمله. يقلل DSperse من مختبرات الاستدلال بشكل كبير من استهلاك الذاكرة وتكاليف الإثبات من خلال تقسيم النموذج إلى شرائح متعددة وتقسيم الدوائر وإثبات الأجزاء التي تكون فيها الموثوقية مهمة بشكل خاص. هذه الطريقة لا توفر دليلا كاملا على الحساب بالكامل، لكنها تساهم في ضمان كفاءة التحقق مقارنة بالتكلفة. يعتمد خط أنابيب التحقق الآلي على استراتيجية التحقق الاختيارية هذه. يقوم خط أنابيب JSTprove من مختبرات الاستدلال بتحويل النموذج إلى نقطة ثابتة، ويجمع الرسم البياني بصيغة ONNX إلى دائرة حسابية، ويولد براهين من خلال نظام إثبات قائم على GKR. يتم التحقق من البراهين المولدة داخل السلسلة أو خارجها، وفي الواقع، يتم معالجة عدد كبير من الإثباتات بشكل دوري على شبكة لامركزية محددة. تم تصميم OpenGradient لمعالجة عدة طلبات استنتاج في نفس الوقت من خلال هيكل تنفيذ متوازي يسمى PIPE، ويمكن لكل طلب الاختيار بين zkML أو بيئة تنفيذ موثوقة أو تنفيذ غير موثق. هذا يضبط تكاليف التحقق بحيث لا تصبح عنق زجاجة مباشر لمنع التوليد أو معدل النقل العام. تتبع NESA نهجا يجمع بين أتمتة التحقق من الصحة والحماية الحاسوبية. يستخدم هيكلا يوزع بيانات الإدخال عبر عقد متعددة أثناء التشفير، ويجري الاستدلال في أجزاء مشفرة، ثم يجمع النتائج. في هذه العملية، يتم تنسيق اختيار العقد وتخصيص الأدوار من خلال أرقام عشوائية قابلة للتحقق وتشفير حرج، ويتم ردع الغش من خلال عملية الالتزام وخطوات الإفصاح. يضمن هذا النهج ليس فقط سلامة نتائج الاستدلال، بل أيضا سرية المدخلات ومعلمات النموذج. يوضح دمج التحقق القائم على zkML في شبكات الحوسبة اللامركزية الفصل بين الأدوار بين التنفيذ والتحقق. تسمح استراتيجية التوازي في OpenGradient بمعالجة عدة استنتاجات في نفس الوقت مع إدارة عملية التحقق بشكل منفصل، بينما طبقة التنسيق في NESA مسؤولة عن توزيع الأدوار والتحفيز بين العقد. طبقة الإثبات في مختبرات الاستدلال مسؤولة عن التحقق تشفيريا من أن الحسابات الفعلية أجريت بشكل صحيح. مع فصل كل طبقة، يتم تنفيذ التحقق الآلي من خلال دمج عدة مكونات بدلا من تقنية واحدة. هيكل الحوافز هو أيضا عنصر أساسي في الأتمتة. تشجع NESA العقد المشاركة على التصرف بصدق من خلال هيكل الإفصاح عن التخزين والالتزام، بينما توزع مختبرات الاستدلال مكافآت بناء على قدرة ودقة توليد الأدلة. تقوم خدمات OpenGradient الرقمية المعتمدة على التوائم بتحويل الحق في الوصول إلى نتائج الاستنتاج المؤكدة إلى قيمة اقتصادية. تم تصميم هذه الهياكل للحفاظ على مستوى معين من الثقة حتى بدون وجود مدير مركزي. ومع ذلك، فإن التحقق الآلي من الاستدلال في zkML له قيود واضحة. عدم التماثل بين تكلفة توليد نتيجة خاطئة وتكلفة إثبات نتيجة صحيحة يترك إمكانية حدوث هجوم. لا يمكن القضاء تماما على أخطاء في عملية تحويل الدوائر، وتأخيرات توليد الإثباتات، والتواطؤ بين العقد، والانحرافات الحسابية الناتجة عن أخطاء الأجهزة باستخدام التكنولوجيا الحالية. تخفف الأنظمة من هذه المخاطر من خلال ممارسات التكرار، والسمعة، والعقوبات الاقتصادية، لكنها لا تقضي عليها بشكل جذري. مجتمعة، تظهر تقنيات التعلم الآلي بدون معرفة واستدلال، وأتمتة التحقق في شبكات الحوسبة اللامركزية إنجازات تقنية واضحة كمحاولة لتأمين موثوقية العمليات الحسابية تشفيريا. وفي الوقت نفسه، يكشف عن القيود الهيكلية لتكاليف الإثبات العالية، والقيود البيئية، وعدم التماثل الاقتصادي. يطبق النهج الحالي الأتمتة العملية من خلال دمج البراهين الانتقائية، التنفيذ المتوازي، الحوسبة المشفرة، وتصميم الحوافز، وهو ما يعتبر مثالا على رفع قابلية التحقق من استدلالات الذكاء الاصطناعي إلى نطاق واقعي في بيئة موزعة. $NESA