Todennettavissa oleva tekoälypäättely ja konsensusmekanismi, joka perustuu nollatietotodistuksiin @wardenprotocol , @inference_labs , @miranetwork Korkeasta käytöstään huolimatta tekoälypäättelyllä on rakenteellinen rajoitus, jonka vuoksi sen sisäistä käyttäytymistä on vaikea tarkistaa. Koska mustan laatikon rakenne, jossa mallin painot ja harjoitustiedot eivät paljasteta, stokastisen otannan ja liukulukuoperaatioiden aiheuttaman epämääräisyyden, sekä suorituskyvyn eheysongelman vuoksi, joka ei voi vahvistaa, onko oikea malli todella suoritettu, on vaikea olettaa, että luottamuksen pelkkään tekoälyn tuloksiin perustuu. Tätä ominaisuutta on toistuvasti tuotu esiin ongelmana, erityisesti alueilla, joilla virheiden sietokyky on heikko, kuten taloudessa, turvallisuudessa ja automatisoidussa päätöksenteossa. Yksi teknisistä lähestymistavoista tämän luottamusongelman ratkaisemiseksi on nollatiedon todistuspohjainen koneoppiminen eli varmennettavissa olevat tekoälypäättelyrakenteet zkML:n avulla. zkML ei paljasta mallin sisäistä laskentaprosessia ulkomaailmalle, mutta osoittaa kryptografisesti, että laskenta tehtiin oikeiden painojen ja sääntöjen mukaisesti. Tämä mahdollistaa käyttäjien arvioida tulosten laillisuutta matemaattisten todistusten perusteella ilman, että heidän tarvitsee luottaa mallin tarjoajaan luottamaan tekoälyn tuloksiin. Tässä rakenteessa Warden Protocol, joka vastaa suorituskerroksesta, soveltaa SPEX-menetelmää, tilastollista suoritustodistusmenetelmää, tekoälyagenttien suorittamaan päättelytyöhön. Sen sijaan, että suoritettaisiin koko operaatio uudelleen, SPEX tiivistää päättelyprosessin aikana syntyvän laskennallisen tilan bloom-suodattimella ja varmistaa suorituksen johdonmukaisuuden satunnaisotannan avulla. Tämä prosessi toimii vain kahdella ratkaisijalla ja validoijalla, tarjoten korkean todennäköisyystason luotettavuuden hyvin pienellä laskentakuormalla verrattuna täyteen uudelleensuoritukseen. Tämä mahdollistaa Warden-protokollan toimimisen varmennuskeinona siitä, että teloitus on todella toteutettu kohtuullisin kustannuksin ja viivein. Varmennustasolla Inference Labsin operoima Omron on keskeisessä roolissa. Omron on zkML-spesifinen infrastruktuuri, joka koostuu Bittensor-verkon aliverkoista ja varmistaa täydellisillä nollatiedon todistuksilla, että todellinen tekoälymallin päättely suoritettiin oikeiden painojen ja laskennallisen järjestyksen mukaisesti. Omron jakaa suuret mallit DSIL-tiedostoyksiköiksi DSpersen avulla ja parantaa prosessointinopeutta tuottamalla rinnakkaisia todistuksia. Tämän rakenteen kautta on tuotettu ja vahvistettu yli satoja miljoonia zkML-todistuksia, ja käytännön käyttötapauksia on kertynyt pienille malleille ja keskisuurille neuroverkoille. Kuitenkin korkeiden laskentakustannusten ja muistivaatimusten vuoksi erittäin suurille malleille on käytännön rajoituksia. Konsensuskerroksessa Mira Network täydentää tulostulosten luotettavuutta monimallipohjaisella konsensusmekanismilla. Mira Network ei ota yksittäisen mallin tulosta sellaisena kuin se on, vaan vertaa useiden eri rakenteiden ja koulutustaustallisten tekoälymallien tuloksia. Tulokset jaetaan itsenäisesti todennettavissa oleviin väitteyksiköihin, ja faktoituvuus arvioidaan useiden mallien konsensuksen kautta. Prosessi toimii yhdistämällä proof-of-work-elementin, joka todistaa, että todellinen päättely on tehty, sekä proof-of-stake -elementin, johon validoijat osallistuvat vakuutena tietyille omaisuuserille. Jos väärät tulokset hyväksytään toistuvasti tai pahantahtoinen toiminta vahvistetaan, taloudellisia seuraamuksia määrätään sopimuksen rehellisyyden ylläpitämiseksi. Nämä kolme kerrosta ovat erillisiä mutta toisiaan täydentäviä, muodostaen yhden varmennettavan tekoälypinon. Warden-protokolla tarjoaa nopean ja kustannustehokkaan tilastollisen todistuksen suorituksesta suoritusvaiheessa, ja kun vaaditaan korkeaa luottamusta, Omronin kautta suoritetaan täysi zkML-pohjainen varmennus. Tämän jälkeen tulosten tulkintaa ja faktojen arviointia täydentää Mira Networkin monimallikonsensus, ja toteutuksen aitous, tulosten luotettavuus sekä konsensuksen taloudellinen turvallisuus varmistetaan eri mekanismilla. Tämä rakenne on realistinen siinä mielessä, että se soveltaa erilaisia varmennusmenetelmiä riskitason ja kustannusrakenteen mukaan, toisin kuin lähestymistapa, joka pyrkii todistamaan kaikki tekoälypäätökset yhdellä tavalla. Kryptografisia todistuksia sovelletaan korkean arvon päättelyyn, joka voi aiheuttaa suuria kustannuksia, kun taas tilastollinen varmennus ja konsensuspohjainen varmennus vastaavat laajamittaisesta prosessoinnista ja skaalautuvuudesta. Tämän hierarkkisen yhdistelmän kautta todennettavasta tekoälypäättelystä on tulossa tekninen järjestelmä, jota voidaan käytännössä käyttää teoreettisten käsitteiden ulkopuolella. $WARD $MIRA