Rozproszona inferencja zmieniła krzywą wydajności AI. A rozproszony dowód zmieni w ten sam sposób zkML. Jakie były problemy zkML w przeszłości? Jeden weryfikator musiał dźwigać cały model, co prowadziło do eksplozji pamięci, niekontrolowanego czasu, a ostatecznie do zatrzymania się na etapie eksperymentalnym. To nie tak, że teoria nie działa, ale inżynieria nie daje rady. Jakie jest podejście DSperse? Rozdzielić model na weryfikowalne fragmenty, aby każdy węzeł odpowiadał tylko za swoją małą część. Im więcej węzłów, tym szybsze dowody; obciążenie każdego węzła jest mniejsze, a zasoby bardziej stabilne. W połączeniu z wydajnym backendem dowodowym JSTprove, wyniki są bardziej kontrolowanym systemem; czas dowodu skraca się liniowo wraz z liczbą węzłów, zużycie pamięci pozostaje stabilne, a prędkość weryfikacji zbliża się do rzeczywistego czasu, co po raz pierwszy spełnia warunki do wejścia w środowisko produkcyjne. To jest sposób, w jaki weryfikowalna AI może wejść na rynek przemysłowy. Nie chodzi o posiadanie większych maszyn, ani o to, by jeden weryfikator dźwigał wszystko, ale o to, by więcej weryfikatorów zajmowało się tylko tym, co naprawdę ważne. Przyszłość zkML to nie scentralizowany silnik dowodowy, ale rozproszona sieć dowodowa. DSperse + JSTprove przekształcają tę drogę w rzeczywistość. #KaitoYap @KaitoAI #Yap @inference_labs