Inferensi AI yang dapat diverifikasi dan mekanisme konsensus berdasarkan bukti tanpa pengetahuan @wardenprotocol , @inference_labs , @miranetwork Meskipun pemanfaatannya tinggi, inferensi kecerdasan buatan memiliki keterbatasan struktural sehingga sulit untuk memeriksa perilaku internalnya. Karena struktur kotak hitam di mana bobot model dan data pelatihan tidak diungkapkan, indeterminisme yang disebabkan oleh pengambilan sampel stokastik dan operasi floating-point, dan masalah integritas eksekusi yang tidak dapat mengkonfirmasi apakah model yang benar telah benar-benar dieksekusi, sulit untuk mengandaikan kepercayaan pada hasil keluaran AI saja. Karakteristik ini telah berulang kali ditunjukkan sebagai masalah, terutama di bidang dengan toleransi rendah terhadap kesalahan, seperti keuangan, keamanan, dan pengambilan keputusan otomatis. Salah satu pendekatan teknis untuk mengatasi masalah kepercayaan ini adalah pembelajaran mesin berbasis bukti tanpa pengetahuan, atau struktur inferensi AI yang dapat diverifikasi menggunakan zkML. zkML tidak mengungkapkan proses perhitungan di dalam model ke dunia luar, tetapi secara kriptografis membuktikan bahwa perhitungan dilakukan sesuai dengan bobot dan aturan yang benar. Hal ini memungkinkan pengguna untuk menilai legitimasi hasil berdasarkan bukti matematis itu sendiri, tanpa harus mempercayai penyedia model untuk mempercayai hasil AI. Dalam struktur ini, Warden Protocol, yang bertanggung jawab atas lapisan eksekusi, menerapkan SPEX, metode bukti eksekusi statistik, untuk pekerjaan inferensi yang dilakukan oleh agen AI. Alih-alih melakukan ulang seluruh operasi, SPEX merangkum status komputasi yang dihasilkan selama proses inferensi dengan filter bloom dan memverifikasi konsistensi eksekusi melalui pengambilan sampel acak. Proses ini bekerja hanya dengan sepasang pemecah dan validator, memberikan tingkat kepercayaan probabilistik yang tinggi dengan overhead komputasi yang sangat rendah dibandingkan dengan pengulangan penuh. Hal ini memungkinkan Protokol Warden berfungsi sebagai verifikasi bahwa eksekusi benar-benar telah terjadi dengan biaya dan penundaan sedang. Di lapisan verifikasi, Omron, yang dioperasikan oleh Inference Labs, memainkan peran kunci. Omron adalah infrastruktur khusus zkML yang terdiri dari subnet jaringan Bittensor, yang memverifikasi dengan bukti pengetahuan nol lengkap bahwa inferensi model AI nyata dieksekusi sesuai dengan bobot dan urutan komputasi yang benar. Omron membagi model besar menjadi unit file DSIL menggunakan DSperse dan meningkatkan kecepatan pemrosesan dengan menghasilkan bukti paralel. Melalui struktur ini, lebih dari ratusan juta bukti zkML telah dihasilkan dan diverifikasi, dan kasus operasi praktis telah diakumulasikan untuk model kecil dan jaringan saraf berukuran sedang. Namun, karena biaya komputasi dan persyaratan memori yang tinggi, ada batasan praktis untuk model yang sangat besar. Di lapisan konsensus, Mira Network melengkapi keandalan hasil output melalui mekanisme konsensus berbasis multi-model. Mira Network tidak mengambil output dari satu model apa adanya, tetapi membandingkan hasil beberapa model AI dengan struktur dan latar belakang pelatihan yang berbeda. Output dipecah menjadi unit klaim yang dapat diverifikasi secara independen, dan factability dievaluasi melalui konsensus antara beberapa model. Proses ini beroperasi dengan menggabungkan elemen proof-of-work yang membuktikan bahwa inferensi aktual telah dilakukan dan elemen proof-of-stake di mana validator berpartisipasi sebagai jaminan untuk aset tertentu. Jika hasil yang salah berulang kali disetujui atau perilaku jahat dikonfirmasi, hukuman ekonomi dikenakan untuk menjaga kejujuran perjanjian. Ketiga lapisan ini berbeda namun saling melengkapi, membentuk satu tumpukan AI yang dapat diverifikasi. Protokol Warden memberikan bukti statistik eksekusi yang cepat dan hemat biaya selama fase eksekusi, dan ketika tingkat kepercayaan tinggi diperlukan, verifikasi berbasis zkML penuh dilakukan melalui Omron. Selanjutnya, interpretasi hasil dan evaluasi fakta ditambah dengan konsensus multi-model Mira Network, dan keaslian eksekusi, keandalan output, dan keamanan ekonomi konsensus diverifikasi oleh mekanisme yang berbeda. Struktur ini adalah desain yang realistis karena menerapkan metode verifikasi yang berbeda tergantung pada tingkat risiko dan struktur biaya, tidak seperti pendekatan yang mencoba membuktikan semua kesimpulan AI dalam satu cara. Bukti kriptografi diterapkan pada inferensi bernilai tinggi yang dapat menanggung biaya tinggi, sedangkan verifikasi statistik dan verifikasi berbasis konsensus bertanggung jawab atas pemrosesan dan skalabilitas skala besar. Melalui kombinasi hierarkis ini, inferensi AI yang dapat diverifikasi menjadi sistem teknis yang dapat dioperasikan dalam praktik di luar konsep teoretis. $WARD $MIRA