Cơ chế đồng thuận và suy diễn AI có thể xác minh dựa trên chứng minh không kiến thức @wardenprotocol , @inference_labs , @miranetwork Mặc dù suy diễn trí tuệ nhân tạo có tính ứng dụng cao, nhưng nó có những hạn chế cấu trúc khiến việc xác minh hoạt động bên trong trở nên khó khăn. Cấu trúc hộp đen mà trọng số của mô hình và dữ liệu học tập không được công khai, tính không xác định do lấy mẫu ngẫu nhiên và phép toán số thực, cũng như vấn đề tính toàn vẹn thực thi mà không thể xác minh liệu mô hình đúng đã được thực thi hay không, khiến cho kết quả đầu ra của AI khó có thể được tin tưởng chỉ dựa vào chính nó. Những đặc điểm này đã được chỉ ra nhiều lần là vấn đề trong các lĩnh vực có phạm vi lỗi cho phép thấp như tài chính, an ninh và quyết định tự động. Một trong những cách tiếp cận kỹ thuật để giải quyết vấn đề tin cậy này là cấu trúc suy diễn AI có thể xác minh sử dụng học máy dựa trên chứng minh không kiến thức, tức là zkML. zkML áp dụng phương pháp chứng minh một cách mật mã rằng các phép toán đã được thực hiện theo trọng số và quy tắc chính xác mà không công khai quá trình tính toán bên trong của mô hình. Nhờ đó, người dùng có thể đánh giá tính hợp lý của kết quả mà không cần phải tin tưởng vào nhà cung cấp mô hình, mà dựa vào chính chứng minh toán học. Trong cấu trúc này, Warden Protocol đảm nhận lớp thực thi, áp dụng phương pháp chứng minh thực thi thống kê SPEX cho các tác vụ suy diễn mà AI agent thực hiện. SPEX tóm tắt trạng thái tính toán được tạo ra trong quá trình suy diễn bằng bộ lọc Bloom và xác minh tính nhất quán của thực thi thông qua lấy mẫu ngẫu nhiên, thay vì thực hiện lại toàn bộ phép toán. Quá trình này hoạt động chỉ với một cặp solver và verifier, cung cấp mức độ tin cậy xác suất cao với chi phí tính toán rất thấp so với việc thực hiện lại toàn bộ. Nhờ đó, Warden Protocol thực hiện vai trò xác minh rằng thực thi thực sự đã diễn ra với chi phí và độ trễ ở mức trung bình. Trong lớp xác minh, Omron do Inference Labs điều hành đóng vai trò quan trọng. Omron là cơ sở hạ tầng chuyên biệt zkML được cấu thành từ subnet của mạng Bittensor, xác minh rằng suy diễn mô hình AI thực sự đã được thực hiện theo trọng số và thứ tự phép toán chính xác thông qua chứng minh không kiến thức hoàn toàn. Omron phân chia các mô hình quy mô lớn theo cách DSperse và biên dịch theo đơn vị tệp DSIL, cải thiện tốc độ xử lý thông qua việc tạo chứng minh song song. Thông qua cấu trúc này, hàng triệu chứng minh zkML đã được tạo ra và xác minh, và đã có các trường hợp vận hành thực tế cho các mô hình nhỏ và mạng nơ-ron quy mô trung bình. Tuy nhiên, do chi phí tính toán và yêu cầu bộ nhớ lớn, nên có những hạn chế thực tế đối với các mô hình rất lớn. Trong lớp đồng thuận, Mira Network bổ sung độ tin cậy của kết quả đầu ra thông qua cơ chế đồng thuận dựa trên nhiều mô hình. Mira Network không chỉ đơn giản chấp nhận đầu ra của một mô hình duy nhất mà so sánh kết quả của nhiều mô hình AI có cấu trúc và nền tảng học tập khác nhau. Đầu ra được phân tách thành các đơn vị tuyên bố có thể xác minh độc lập và tính xác thực được đánh giá thông qua sự đồng thuận giữa nhiều mô hình. Quá trình này kết hợp yếu tố chứng minh công việc để chứng minh rằng suy diễn thực sự đã được thực hiện và yếu tố chứng minh cổ phần, trong đó các verifier tham gia với một tài sản nhất định làm tài sản thế chấp. Nếu có kết quả sai lầm được phê duyệt nhiều lần hoặc hành vi ác ý được phát hiện, sẽ có các hình phạt kinh tế được áp dụng để duy trì tính trung thực của sự đồng thuận. Ba lớp này tách biệt nhưng kết nối bổ sung cho nhau để tạo thành một ngăn xếp AI có thể xác minh. Warden Protocol cung cấp chứng minh thực thi thống kê nhanh chóng và hiệu quả về chi phí trong giai đoạn thực thi, và khi cần mức độ tin cậy cao, chứng minh hoàn toàn dựa trên zkML được thực hiện thông qua Omron. Sau đó, việc giải thích và đánh giá tính xác thực của kết quả được củng cố thông qua sự đồng thuận của nhiều mô hình từ Mira Network, và tính xác thực của thực thi, độ tin cậy của đầu ra, và an toàn kinh tế của sự đồng thuận được xác minh bằng các cơ chế khác nhau. Cấu trúc như vậy cho thấy một thiết kế thực tế, khác với cách tiếp cận cố gắng chứng minh tất cả các suy diễn AI bằng một cách duy nhất, bằng cách áp dụng các phương tiện xác minh khác nhau tùy theo mức độ rủi ro và cấu trúc chi phí. Chứng minh mật mã được áp dụng cho các suy diễn có giá trị cao có thể chịu chi phí cao, trong khi xác minh thống kê và xác minh dựa trên đồng thuận đảm nhận việc xử lý quy mô lớn và khả năng mở rộng. Thông qua sự kết hợp theo cấp bậc này, suy diễn AI có thể xác minh đã trở thành một hệ thống công nghệ khả thi vượt ra ngoài khái niệm lý thuyết.