Dağıtık çıkarım, yapay zekanın performans eğrisini değiştirdi. Öte yandan, dağıtılmış ispatlar zkML'yi aynı şekilde değiştirir. ZkML ile ilgili geçmiş sorunlar? Bir validatör tüm modeli taşımak zorunda, hafıza patlar, zaman kontrolden çıkar ve sonunda sadece deneysel aşamada durabilir. Teorinin geçerli olmadığı değil, projenin çalışamayacağı anlamına geliyor. DSperse'nin fikri mi? Modeli doğrulanabilir dilimlere ayırın ve her düğümün sadece kendi küçük parçasından sorumlu olmasına izin verin. Ne kadar çok düğüm varsa, kanıt o kadar hızlı olur; Her düğüm üzerindeki yük ne kadar küçükse, kaynaklar o kadar istikrarlıdır. JSTprove'un verimli kanıtlama backend'iyle birleşince, sonuç ihracat daha kontrol edilebilir bir sistem haline gelir. Ispat süresi düğüm sayısıyla doğrusal olarak azalır, bellek kullanımı sabit kalır, doğrulama hızı gerçek zamana yakındır ve üretim ortamına giriş koşulları ilk kez gerçekten karşılanır. Doğrulanabilir yapay zekanın sektör ölçeğine nasıl geçebileceği bu şekilde ortaya çıkar. Daha büyük bir makineniz yok ve her şeyi tek bir validörün yapmasına izin vermeyin, sadece daha fazla validörün gerçekten önemli olan kısmı yapmasına izin verin. Gelecekteki zkML merkezi bir proof engine değil, dağıtık bir proof ağı olacak. DSperse + JSTprove, bu yolu gerçeğe dönüştürüyor. #KaitoYap @KaitoAI #Yap @inference_labs