Ověřitelná AI inference a konsenzuální mechanismus založený na důkazech bez znalostí @wardenprotocol, @inference_labs, @miranetwork Navzdory vysokému využití má inference umělé inteligence strukturální omezení, že je obtížné kontrolovat její vnitřní chování. Kvůli černé skříňce, kde nejsou zveřejněny váhy a trénovací data modelu, indeterminismu způsobenému stochastickým vzorkováním a operacími s plovoucí desetinnou čárkou, a problému s integritou vykonání, který nemůže potvrdit, zda byl správný model skutečně vykonán, je obtížné předpokládat důvěru pouze ve výstupní výsledky AI. Tato vlastnost byla opakovaně poukazována jako problém, zejména v oblastech s nízkou tolerancí k chybám, jako jsou finance, bezpečnost a automatizované rozhodování. Jedním z technických přístupů k řešení tohoto problému důvěry je strojové učení založené na důkazech bez znalostí, tedy ověřitelné AI inferenční struktury využívající zkML. zkML neprozrazuje proces výpočtu uvnitř modelu vnějšímu světu, ale kryptograficky dokazuje, že výpočet byl proveden podle správných vah a pravidel. To umožňuje uživatelům posuzovat legitimitu výsledků na základě matematických důkazů sami, aniž by museli důvěřovat poskytovateli modelu, že důvěřuje výsledkům AI. V této struktuře Warden Protocol, který je zodpovědný za vykonávací vrstvu, aplikuje SPEX, statistickou metodu důkazu provedení, na inferenční práci prováděnou AI agenty. Místo opakovaného provedení celé operace SPEX shrnuje výpočetní stav generovaný během inferenčního procesu pomocí bloom filtru a ověřuje konzistenci provedení pomocí náhodného vzorkování. Tento proces funguje pouze s dvojicí řešičů a validátorů, což poskytuje vysokou úroveň pravděpodobnostní jistoty s velmi nízkým výpočetním přetížením ve srovnání s plným opakováním. To umožňuje protokolu Warden sloužit jako ověření, že provedení skutečně proběhlo s mírnými náklady a zpožděním. Na ověřovací úrovni hraje klíčovou roli společnost Omron, provozovaná Inference Labs. Omron je infrastruktura specifická pro zkML složená z podsítí sítě Bittensor, která s úplnými důkazy nulových znalostí ověřuje, že skutečná inference AI modelů byla provedena podle správných vah a výpočetního pořadí. Omron rozděluje velké modely do DSIL souborových jednotek pomocí DSperse a zlepšuje rychlost zpracování generováním paralelních důkazů. Díky této struktuře bylo vytvořeno a ověřeno více než stovky milionů důkazů zkML a byly shromážděny praktické operační případy pro malé modely a středně velké neuronové sítě. Nicméně kvůli vysokým výpočetním nákladům a požadavkům na paměť existují praktická omezení pro velmi velké modely. V konsenzuální vrstvě Mira Network doplňuje spolehlivost výstupních výsledků prostřednictvím konsenzuálního mechanismu založeného na více modelech. Mira Network nebere výstupy jednoho modelu tak, jak jsou, ale porovnává výsledky více AI modelů s různými strukturami a tréninkovými zázemími. Výstup je rozdělen na nezávisle ověřitelné jednotky nároků a faktovatelnost je hodnocena konsenzem mezi více modely. Proces funguje kombinací prvku proof-of-work, který dokazuje, že byla provedena skutečná inference, a proof-of-stake, na kterém se validátoři podílejí jako zajištění určitých aktiv. Pokud jsou opakovaně schvalovány chybné výsledky nebo je potvrzeno škodlivé chování, jsou ukládány ekonomické sankce za zachování poctivosti dohody. Tyto tři vrstvy jsou odlišné, ale zároveň se doplňují, tvoří jeden ověřitelný AI stack. Warden Protocol poskytuje rychlý a nákladově efektivní statistický důkaz provedení během fáze provádění a když je vyžadována vysoká úroveň spolehlivosti, je provedena plná verifikace založená na zkML prostřednictvím Omronu. Následně je interpretace výsledků a hodnocení faktů doplněna multimodelovým konsenzem sítě Mira a autentičnost realizace, spolehlivost výstupu a ekonomická bezpečnost konsenzu jsou ověřovány různými mechanismy. Tato struktura je realistická v tom, že používá různé metody ověřování v závislosti na úrovni rizika a nákladové struktuře, na rozdíl od přístupu, který se snaží dokázat všechny AI závěry jedním způsobem. Kryptografické důkazy se aplikují na vysoce hodnotové inference, které mohou nést vysoké náklady, zatímco statistické ověřování a ověřování založené na konsensu jsou zodpovědné za rozsáhlé zpracování a škálovatelnost. Díky této hierarchické kombinaci se ověřitelná AI inference stává technickým systémem, který lze v praxi provozovat i nad rámec teoretických konceptů. $WARD $MIRA