Доказуемая AI-инференция и механизм консенсуса на основе нулевых знаний @wardenprotocol , @inference_labs , @miranetwork Несмотря на высокую полезность, инференция искусственного интеллекта имеет структурные ограничения, которые затрудняют проверку ее внутренней работы. Структура черного ящика, в которой веса модели и обучающие данные не раскрываются, неопределенность, вызванная вероятностным выбором и операциями с плавающей запятой, а также проблема целостности выполнения, из-за которой невозможно проверить, была ли фактически выполнена правильная модель, делают результаты вывода AI трудными для доверия сами по себе. Эти характеристики неоднократно поднимались как проблемы в областях, где допустимый уровень ошибок низок, таких как финансы, безопасность и автоматизированное принятие решений. Одним из технических подходов к решению этой проблемы доверия является структура проверяемой AI-инференции с использованием машинного обучения на основе нулевых знаний, то есть zkML. zkML использует криптографические доказательства для подтверждения того, что вычисления выполнялись в соответствии с правильными весами и правилами, не раскрывая при этом внутренние операции модели. Это позволяет пользователям оценивать законность результатов на основе самого математического доказательства, не полагаясь на доверие к поставщику модели. В этой структуре протокол Warden, отвечающий за уровень выполнения, применяет статистический метод доказательства выполнения, известный как SPEX, к инференционным задачам, выполненным AI-агентом. SPEX вместо повторного выполнения всех вычислений обобщает состояния вычислений, создаваемые в процессе инференции, с помощью фильтра Блума и проверяет согласованность выполнения через случайную выборку. Этот процесс работает только с парой решателя и проверяющего и обеспечивает высокий уровень вероятностного доверия с очень низкими вычислительными накладными расходами по сравнению с полным повторным выполнением. Таким образом, протокол Warden выполняет роль подтверждения того, что выполнение действительно произошло, с промежуточными затратами и задержками. На уровне проверки ключевую роль играет Omron, управляемый Inference Labs. Omron представляет собой инфраструктуру, специализированную на zkML, состоящую из подсети сети Bittensor, и полностью проверяет, что фактическая инференция AI выполнялась в соответствии с правильными весами и порядком операций с помощью полного доказательства нулевых знаний. Omron разбивает крупные модели на единицы файлов DSIL с помощью метода DSperse и улучшает скорость обработки через параллельное создание доказательств. Благодаря этой структуре было фактически создано и проверено более сотни миллионов доказательств zkML, и накоплен практический опыт для малых моделей и средних нейронных сетей. Однако из-за больших вычислительных затрат и требований к памяти существуют реальные ограничения для очень больших моделей. На уровне консенсуса сеть Mira дополняет надежность результатов вывода с помощью механизма консенсуса на основе нескольких моделей. Mira Network не принимает вывод единственной модели, а сравнивает результаты нескольких AI-моделей с различной структурой и фоном обучения. Вывод разбивается на независимо проверяемые утверждения, и фактическость оценивается через консенсус между несколькими моделями. Этот процесс управляется сочетанием элементов доказательства работы, подтверждающих, что фактическая инференция была выполнена, и элементов доказательства доли, в которых проверяющие участвуют с определенными активами в качестве залога. В случае повторного одобрения неверных результатов или подтверждения злонамеренных действий налагаются экономические санкции, что поддерживает честность консенсуса. Эти три уровня отделены друг от друга, но взаимно дополняют друг друга, образуя единую проверяемую AI-структуру. Протокол Warden предоставляет быстрые и экономически эффективные статистические доказательства выполнения на этапе выполнения, а в случаях, когда требуется высокий уровень доверия, полная проверка на основе zkML выполняется через Omron. Затем интерпретация результатов и оценка фактическости усиливаются консенсусом нескольких моделей сети Mira, и подлинность выполнения, надежность вывода и экономическая безопасность консенсуса проверяются различными механизмами. Такая структура демонстрирует реалистичный дизайн, применяя различные средства проверки в зависимости от уровня риска и структуры затрат, в отличие от подхода, стремящегося доказать все AI-инференции единым способом. Криптографические доказательства применяются к высокоценным инференциям, которые могут позволить себе высокие затраты, в то время как статистическая проверка и проверка на основе консенсуса отвечают за массовую обработку и масштабируемость. Благодаря этой иерархической комбинации проверяемая AI-инференция становится технологической системой, способной к реальной эксплуатации, выходящей за рамки теоретической концепции. $WARD $MIRA