Luottamuksen varmistusrakenne läpinäkyvään hajautettuun tekoälymallin koulutukseen ja verifiointiin @gensynai , @nesaorg , @DeepNodeAI Ensimmäinen oletus, kun koulutetaan ja validoidaan tekoälymalleja hajautetussa ympäristössä, on se, että on mahdotonta olettaa, että kaikki osallistujat käyttäytyisivät aina rehellisesti. Todellisissa tutkimus- ja operaatiotapauksissa on tunnistettu erityisiä virheitä, kuten vapaa käyttö, jossa laskentasolmut tuottavat uskottavia mutta vahvistamattomia tuloksia laskennallisten kustannusten vähentämiseksi, datan myrkytys haitallisen koulutusdatan syöttämisen vuoksi, manipuloitu suorituslauseen lähettäminen vahvistusoppimisprosessissa, gradienttien manipulointi, jota ei ole tilastollisesti julkistettu, sekä tilanteet, joissa useat solmut tekevät yhteistyötä vääristääkseen konsensusrakennetta. Nämä riskit tarjoavat lähtökohdan selittämään, miksi mekanismit, jotka teknisesti takaavat läpinäkyvyyden ja luottamuksen takaamisen, ovat tarpeen. Tämän ongelman ratkaisemiseksi Gensyn ehdottaa suoritukseen perustuvaa rakennetta, joka ottaa laskennan itsensä varmistuksen kohteeksi. Tässä rakenteessa koneoppimistehtävä jaetaan toistettaviksi operaattoritason deterministisiksi laskennallisiin graafeihin, ja sama operaatio on suunniteltu toistamaan yhtä paljon bitti kerrallaan eri laitteistoympäristöissä. Verde-protokolla yhdistää välimiesmenettelyn delegoinnin kaksijakoiseen peliin löytääkseen ensimmäisen toimintapisteen, jossa laskentatulos on väärässä kohdassa, ja tehdä se uudelleen minimaalisella kiistanalaisen osan uudelleensuorituksella, säilyttäen tehokkuuden. Taloudelliset muutokset hoidetaan Ethereum-pohjaisilla rollupeilla, ja todelliset laajamittaiset operaatiot suoritetaan off-chainissa, mutta tärkeintä on, että tulosten tarkkuus on kryptografisesti taattu, jos ainakin yksi rehellinen solmu on olemassa. Saman pinon sisällä Gensynin Delphi vastaa mallin toimivuuden varmistamisesta, ei siitä, miten laskelmat on tehty. Delphi järjestää mallien suorituskyvyn arvioinnit ennustemarkkinoiden muodossa, antaa osallistujille mahdollisuuden lyödä vetoa suoritustuloksista ja määrittää tulokset läpinäkyvästi ketjun päättelylogiikan avulla. Tämä prosessi perustuu tilastolliseen varmennukseen ja taloudellisiin kannustimiin kryptografisten todistusten sijaan, mutta toimii mekanismina, joka takaa läpinäkyvyyden arviointikriteerien ja tulosten julkisuudessa. NESA puolestaan ottaa rakenteen, joka asettaa yksityisyyden suojan läpinäkyvyyden edelle. NESA käyttää lohkoketjupohjaista sekventiaalista neuroverkon shardingia jakaakseen mallin useisiin osiin ja soveltaa isomorfisia salaisen jakelun tekniikoita isomorfiseen salaukseen ja salattuihin upotuksiin, jotta yksikään solmu ei näe koko mallia tai koko dataa. Tämä lähestymistapa keskittyy tehokkaaseen parametrien hienosäätöön sovittimien avulla sen sijaan, että koko malli koulutettaisiin alusta alkaen, ja sille on ominaista yksityisyyden rajojen ylläpitäminen menettelyillä, jotka varmistavat ketjun ulkopuolella tehdyn päättelyn tulokset. Koska laskentaprosessi on salattu, on myös rakenteellinen rajoitus, että operaation suora kopioiminen tai varmentaminen ulkopuolelta on vaikeaa. DeepNode AI käsittelee läpinäkyvyyttä toiseen suuntaan. Järjestelmä hyödyntää markkinamekanismia, joka perustuu keskinäiseen arviointiin ja stakingiin solmujen välillä, eikä kryptografisiin todistuksiin laskennallisista prosesseista. Jokainen älykäs järjestelmä arvioi toisen järjestelmän tulostiedot, ja palkinto jaetaan panoksen painotetun tappiofunktion mukaan. Maine muodostuu toistuvien vuorovaikutusten kautta, virheellisestä lähetyksestä määrätään rangaistuksia, ja tämä taloudellinen paine auttaa vastaamaan osallistujien käyttäytymistä. Tämä rakenne erottuu siinä, että vaikka se ei tarjoa kryptografista todistusta, se rakentaa luottamusta tavalla, joka avoimesti paljastaa osallistumisen motiivin. Yhdessä nämä lähestymistavat osoittavat, että läpinäkyvyys hajautetussa tekoälyn koulutuksessa ja varmennuksessa ei ole yksittäinen käsite, vaan toteutetaan useissa kerroksissa. Gensynin Verde varmistaa, suoritetaanko tehtävä, Delphi arvioi tulosten suorituskyvyn ja DeepNode arvioi osallistujien panoksen ja rehellisyyden eri tavoin, joista Nesa keskittyy minimoimaan datan ja mallien altistumisen prosessin aikana. Samaan aikaan jännite on myös selvä: salatut laskennat rajoittavat toistettavuutta ja suoraa auditoitavuutta, ja rakenteet, jotka vaativat täydellistä toistettavuutta, tarjoavat vain vähän tietosuojaa. Tämän seurauksena nykyistä hajautettua tekoälypinoa arvioidaan siten, ettei se täysin käsittele esimerkiksi koulutusdatan alkuperää ja aitoutta, gradienttien synkronointia globaalissa ympäristössä sekä eri talousjärjestelmien välistä koordinointia. Siitä huolimatta on melko selvää, mitkä rakenteelliset elementit koostuvat läpinäkyvästä hajautetusta tekoälymallin koulutuksesta ja verifioinnista, sillä erilaiset mekanismit, kuten laskennallinen varmennus, suorituskyvyn arviointi, taloudelliset kannustimet ja yksityisyyden suoja, tarjoavat läpinäkyvyyttä todennettavuuden puitteissa. $NESA