Meccanismo di consenso e inferenza AI verificabile basato su prove a conoscenza zero @wardenprotocol , @inference_labs , @miranetwork Nonostante l'alta utilità, l'inferenza dell'intelligenza artificiale presenta limiti strutturali che rendono difficile verificare il funzionamento interno. La struttura a scatola nera, in cui i pesi del modello e i dati di addestramento non sono resi pubblici, l'indeterminatezza causata dal campionamento probabilistico e dalle operazioni in virgola mobile, e il problema dell'integrità dell'esecuzione che impedisce di verificare se è stato eseguito un modello corretto, rendono difficile fidarsi dei risultati dell'output dell'AI. Queste caratteristiche sono state ripetutamente segnalate come problematiche in aree con una bassa tolleranza agli errori, come la finanza, la sicurezza e le decisioni automatizzate. Una delle soluzioni tecniche per affrontare questo problema di fiducia è la struttura di inferenza AI verificabile che utilizza il machine learning basato su prove a conoscenza zero, ovvero zkML. zkML adotta un metodo che dimostra crittograficamente che le operazioni interne del modello sono state eseguite secondo pesi e regole corrette, senza rivelare il processo di calcolo all'esterno. In questo modo, gli utenti possono giudicare la legittimità dei risultati basandosi sulla prova matematica stessa, senza dover fidarsi del fornitore del modello. Nel livello di esecuzione, il Warden Protocol applica un metodo di prova di esecuzione statistica chiamato SPEX per le operazioni di inferenza eseguite dagli agenti AI. SPEX riassume lo stato di calcolo generato durante il processo di inferenza in un filtro di Bloom e verifica la coerenza dell'esecuzione attraverso campionamento casuale, invece di rieseguire l'intero calcolo. Questo processo funziona con una sola coppia di risolutore e verificatore, fornendo un alto livello di fiducia probabilistica con un sovraccarico computazionale molto basso rispetto alla riesecuzione totale. In questo modo, il Warden Protocol svolge il ruolo di confermare che l'esecuzione è avvenuta con costi e ritardi intermedi. Nel livello di verifica, Omron, gestito da Inference Labs, svolge un ruolo chiave. Omron è un'infrastruttura specializzata in zkML composta da subnet della rete Bittensor, che verifica completamente, attraverso prove a conoscenza zero, che l'inferenza del modello AI sia stata eseguita secondo pesi e sequenze di calcolo corretti. Omron suddivide modelli di grandi dimensioni in unità di file DSIL e migliora la velocità di elaborazione attraverso la generazione di prove parallele. Grazie a questa struttura, sono state effettivamente generate e verificate oltre centinaia di milioni di prove zkML, e sono stati accumulati casi operativi concreti per modelli di piccole e medie dimensioni. Tuttavia, a causa dei costi computazionali e delle richieste di memoria elevate, esistono limitazioni pratiche per modelli molto grandi. Nel livello di consenso, Mira Network integra la fiducia nei risultati attraverso un meccanismo di consenso basato su più modelli. Mira Network non adotta semplicemente l'output di un singolo modello, ma confronta i risultati di diversi modelli AI con strutture e background di apprendimento differenti. L'output viene scomposto in unità di affermazione verificabili in modo indipendente e la veridicità viene valutata attraverso il consenso tra più modelli. Questo processo combina elementi di prova di lavoro che dimostrano che l'inferenza è stata eseguita e elementi di prova di partecipazione in cui i verificatori partecipano con asset in garanzia. Se risultati errati vengono approvati ripetutamente o si verifica un comportamento malevolo, vengono imposti svantaggi economici per mantenere l'integrità del consenso. Questi tre livelli sono separati ma interconnessi in modo complementare, formando un unico stack AI verificabile. Il Warden Protocol fornisce prove di esecuzione statistica rapide ed economiche nella fase di esecuzione, mentre Omron esegue una verifica completa basata su zkML quando è richiesto un alto livello di fiducia. Successivamente, l'interpretazione dei risultati e la valutazione della veridicità sono rafforzate dal consenso multi-modello di Mira Network, e la veridicità dell'esecuzione, la fiducia nell'output e la sicurezza economica del consenso vengono verificate attraverso meccanismi diversi. Questa struttura mostra un design realistico, in quanto applica diversi mezzi di verifica a seconda del livello di rischio e della struttura dei costi, a differenza di un approccio che cerca di dimostrare tutte le inferenze AI in un unico modo. Le prove crittografiche vengono applicate a inferenze di alto valore che possono sostenere costi elevati, mentre le verifiche statistiche e basate su consenso si occupano dell'elaborazione su larga scala e della scalabilità. Attraverso questa combinazione gerarchica, l'inferenza AI verificabile si sta affermando come un sistema tecnologico operabile oltre il concetto teorico. $WARD $MIRA