Populární témata
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Studie ověřování integrity výsledků off-chain AI inference prostřednictvím hybridního shardingu a blockchainového konsenzu
@inference_labs, @nesaorg, @miranetwork
Protože se velkoplošné modely umělé inteligence používají v různých prostředích, je stále běžnější mít struktury, ve kterých jsou skutečné inferenční operace prováděny mimo blockchain a ověřovány jsou pouze výsledky. Nejdůležitější výzvou v tomto procesu je, jak spolehlivě dokázat, že výsledky AI inference generované mimo řetězec nebyly upraveny a prošly konzistentním procesem pro stejný vstup. Strukturou, která vznikla k řešení těchto problémů, je Verifiable Hybrid-Sharded Inference Protocol, neboli VH-SIP, který si klade za cíl systematicky ověřovat integritu off-chain inference kombinací prvků ověřených v existujících distribuovaných AI sítích a blockchainových konsenzuálních mechanismů.
Výchozím bodem VH-SIP je vrstva vykonávání inference. Na této vrstvě je výchozím předpokladem spouštět kontejnerizované pracovní zátěže, jak je použito v modelu Infernet v Ritualu. Tisíce uzlů s různými hardwarovými charakteristikami jsou konfigurovány tak, aby běžely na stejném modelu, a determinismus operace je udržován pomocí pevného náhodného čísla seed využívaného v ORA opML a reprodukovatelném operátorovém systému Gensyn, RepOps. Na tento účel je aplikován hybridní shardingový rámec NESA, který rozděluje velké jazykové modely na bloky a provádí inferenci v rozsahu, který každý uzel zvládne, prostřednictvím dynamické kvantizace blok po bloku. Každý výstupní uzel generuje důkazní potvrzení, včetně hodnoty commitu pro vstup, výstupního hashe a použitých metrik zdrojů, které jsou kompatibilní s protokolem Relay od Gensyn a jsou předány do další ověřovací fáze.
Výsledek tohoto odvozu jde přímo do vrstvy střepin. Jádrem shardingové vrstvy je alokace shardů založená na VRF. Tato struktura je založena na mechanismu VRF shardingu, o kterém se diskutuje v Ethereum Research, a eliminuje předvídatelnost použitím více předchozích výstupů VRF jako vstupů pro určení dalšího rozdělení shardů. Struktura VRF založená na BLS implementovaná v Harmony je navržena tak, aby některým účastníkům ztížila ovlivnění výsledků, a nepřetržitý provoz sítě je zaručen za předpokladu, že většinu tvoří poctivé uzly. Uvnitř shardu je jednotka práce rozdělena pomocí modelově nezávislé shardingové techniky NESA a validátoři jsou také formováni do samostatné ověřovací komise aplikací principu kódového shardingu PolyShard. Metoda přesunu založená na predikci zátěže navržená v protokolu PSAP je zodpovědná za koordinaci zatížení mezi střepy.
Ověřování a konsenzus tvoří jádro VH-SIP. V této vrstvě se uplatňuje hybridní ověřovací strategie místo univerzálního přístupu. Pro vysokopropustné a relativně nízkorizikové inference je malý počet validátorů náhodně vybrán pro provádění stochastického ověřování vzorkování. Naopak u výsledků s velkou ekonomickou hodnotou nebo vysokým potenciálem sporů se provádí deterministické ověření, při kterém celý výbor opakuje stejný výpočet. Pokud jsou oba výsledky v rozporu, používá se metoda delegace intervencí a dichotomická vyhledávací hra studovaná v Gensynu, aby se postupně zúžilo místo, kde chyba nastala. Tento proces vychází z konceptu optimistické verifikace ORA, který v podstatě předpokládá legitimitu výsledků, ale když je vznesena námitka, zahajuje se interaktivní proces řešení sporů na řetězci. Operace s pevnou desetinnou čárkou a reprodukovatelné operátorové systémy hrají roli při minimalizaci odchylek v pohyblivé desetinné čárce způsobených hardwarovými rozdíly.
Ekonomická motivační vrstva je základem pro realistické fungování této ověřovací struktury. Řezání nastává, když účastníci vystaví určité kolaterální materiály a předloží zjevně nesprávné výsledky, současně prezentují protichůdné výstupy, nebo během ověřovacího procesu výsledky skrývají či předkládají neověřitelné důkazy TEE. Tyto podmínky vycházejí z verifikační metody Verde a principu ukotvení na řetězu. Stejně jako model přijatý společností Bittensor je navržen tak, aby udržel bezpečnost celé sítě i v případě, že je zde až polovina škodlivého podílu, a ekonomická životnost je prodloužena mechanismem recirkulace tokenů.
Koordinační a agregační hierarchie je zodpovědná za sdružování výsledků generovaných více shardy do jednoho koherentního stavu. Tato vrstva využívá závazky KZG k efektivnímu ověřování integrity dat mezi shard a zajišťuje, že náklady na ověřování se lineárně nezvyšují díky kódování PolyShard. Protokol RSTBP se používá k atomárnímu zpracování více vstupů a výstupů a výsledky stochastického ověření jsou agregovány podle pravidla většiny. Posilované učení s bezpečnostními omezeními navržené v rámci PSAP upravuje alokaci zdrojů, ale samotný validační proces je založen na reprodukci stejných výsledků na základě deterministických operací strojového učení.
Tato struktura také jasně ukazuje, jak reagovat na různé scénáře útoku. Situace, kdy jsou určité střepy dominovány, je zmírněna rotací úlomků založenou na VRF a strukturou váženou kolíkem, a falešně pozitivní výsledky způsobené nedeterministickými operacemi jsou řízeny pomocí operací s pevným bodem a nastavením statistických tolerancí. Útoky koluze jsou potlačovány škrty a ekonomickými nákladovými strukturami, a pokud je kvalita modelu skrytě zhoršena, je to odhaleno prostřednictvím ověření distribuce založenou na konsenzu. Koncepty Gensynu jako reprodukovatelné operátory, lokálně citlivé hashování a tolerance pásma jsou validační techniky používané v tomto procesu.
Shrnuto, VH-SIP navrhuje architekturu, která kombinuje prvky ověřené existujícími distribuovanými AI a ověřovacími systémy jako Nesa, Gensyn, Ora a Bittensor a integrálně ověřuje výsledky AI inference prováděné mimo řetězec v rámci blockchainové konsenzuální struktury. Hybridní sharding efektivně rozděluje výpočty a ověřování, zatímco konsenzus založený na VRF a optimistické ověřování vyvažují škálovatelnost a bezpečnost. Tuto strukturu lze chápat jako rozhodující případ, který splňuje realistické potřeby off-chain AI inference a zároveň zajišťuje ověřitelnost a ekonomickou odpovědnost.
$NESA $MIRA



Top
Hodnocení
Oblíbené
