Verifiable AI-Inferenz und Konsensmechanismus auf Basis von Zero-Knowledge-Proofs @wardenprotocol , @inference_labs , @miranetwork Trotz der hohen Anwendbarkeit hat die KI-Inferenz strukturelle Einschränkungen, die es schwierig machen, die internen Abläufe zu überprüfen. Die Blackbox-Struktur, in der die Gewichte des Modells und die Trainingsdaten nicht offengelegt werden, die Unbestimmtheit aufgrund probabilistischer Stichproben und Fließkommaoperationen sowie das Problem der Ausführungsintegrität, bei dem nicht überprüft werden kann, ob tatsächlich das richtige Modell ausgeführt wurde, machen es schwierig, den Ausgabewert der KI allein zu vertrauen. Diese Eigenschaften wurden insbesondere in Bereichen wie Finanzen, Sicherheit und automatisierte Entscheidungsfindung, in denen die Fehlertoleranz gering ist, wiederholt als problematisch angeführt. Ein technischer Ansatz zur Lösung dieses Vertrauensproblems ist die Verwendung von Zero-Knowledge-Proofs in der maschinellen Lernstruktur, also zkML, um eine verifiable AI-Inferenz zu ermöglichen. zkML verfolgt einen Ansatz, bei dem die internen Berechnungsprozesse des Modells nicht nach außen offengelegt werden, während gleichzeitig kryptographisch bewiesen wird, dass diese Berechnungen gemäß den richtigen Gewichten und Regeln durchgeführt wurden. Dadurch kann der Benutzer die Gültigkeit der Ergebnisse auf der Grundlage des mathematischen Beweises selbst beurteilen, ohne dem Anbieter des Modells vertrauen zu müssen. In dieser Struktur übernimmt das Warden Protocol die Ausführungsschicht und wendet die statistische Ausführungsnachweismethode SPEX auf die von den KI-Agenten durchgeführten Inferenzarbeiten an. SPEX fasst den Berechnungszustand, der während des Inferenzprozesses erzeugt wird, in einem Bloom-Filter zusammen und validiert die Konsistenz der Ausführung durch zufällige Stichproben, anstatt die gesamte Berechnung erneut durchzuführen. Dieser Prozess funktioniert nur mit einem Paar von Solver und Validator und bietet mit einem sehr geringen Rechenaufwand im Vergleich zur vollständigen Wiederholung ein hohes Maß an probabilistischem Vertrauen. Dadurch bestätigt das Warden Protocol, dass die Ausführung tatsächlich mit mittleren Kosten und Verzögerungen stattgefunden hat. In der Validierungsschicht spielt Omron, betrieben von Inference Labs, eine zentrale Rolle. Omron ist eine zkML-spezifische Infrastruktur, die aus einem Subnetz des Bittensor-Netzwerks besteht und vollständig verifiziert, dass die tatsächliche KI-Modellinferenz gemäß den richtigen Gewichten und Berechnungsreihenfolgen ausgeführt wurde. Omron teilt große Modelle in DSperse-Methoden auf, kompiliert sie in DSIL-Dateien und verbessert die Verarbeitungsgeschwindigkeit durch parallele Beweisgenerierung. Durch diese Struktur wurden tatsächlich Hunderte Millionen von zkML-Beweisen erzeugt und validiert, und es gibt praktische Anwendungsfälle für kleine Modelle und mittelgroße neuronale Netze. Allerdings gibt es aufgrund der hohen Rechenkosten und des Speicherbedarfs realistische Einschränkungen für sehr große Modelle. In der Konsensschicht ergänzt das Mira Network die Vertrauenswürdigkeit der Ausgabewerte durch einen konsensbasierten Mechanismus auf Basis mehrerer Modelle. Mira Network akzeptiert nicht einfach die Ausgaben eines einzelnen Modells, sondern vergleicht die Ergebnisse mehrerer KI-Modelle mit unterschiedlichen Strukturen und Lernhintergründen. Die Ausgaben werden in unabhängig verifizierbare Behauptungseinheiten zerlegt, und die Faktizität wird durch den Konsens zwischen mehreren Modellen bewertet. Dieser Prozess kombiniert Elemente des Proof of Work, die beweisen, dass die tatsächliche Inferenz durchgeführt wurde, mit Elementen des Proof of Stake, bei denen Validatoren mit bestimmten Vermögenswerten teilnehmen. Wenn falsche Ergebnisse wiederholt genehmigt oder böswillige Handlungen festgestellt werden, werden wirtschaftliche Nachteile verhängt, um die Integrität des Konsenses aufrechtzuerhalten. Diese drei Schichten sind zwar getrennt, aber komplementär miteinander verbunden und bilden einen verifizierbaren AI-Stack. Das Warden Protocol bietet in der Ausführungsphase schnelle und kosteneffiziente statistische Ausführungsnachweise, und wenn ein hohes Maß an Vertrauen erforderlich ist, wird durch Omron eine vollständige zkML-basierte Validierung durchgeführt. Anschließend wird die Interpretation und Faktizität der Ergebnisse durch den Konsens des Mira Networks mit mehreren Modellen verstärkt, wobei die Echtheit der Ausführung, die Vertrauenswürdigkeit der Ausgaben und die wirtschaftliche Sicherheit des Konsenses jeweils durch unterschiedliche Mechanismen validiert werden. Diese Struktur zeigt im Gegensatz zu Ansätzen, die versuchen, alle KI-Inferenzen auf eine einheitliche Weise zu beweisen, ein realistisches Design, indem sie je nach Risikoniveau und Kostenstruktur unterschiedliche Validierungsmittel anwendet. Kryptographische Beweise werden für hochpreisige Inferenzanwendungen verwendet, die hohe Kosten in Kauf nehmen können, während statistische Validierung und konsensbasierte Validierung für großangelegte Verarbeitung und Skalierbarkeit zuständig sind. Durch diese hierarchische Kombination wird die verifiable AI-Inferenz zu einem tatsächlich umsetzbaren technischen System, das über theoretische Konzepte hinausgeht. $WARD $MIRA