Nghiên cứu xác minh tính toàn vẹn của kết quả suy diễn AI ngoài chuỗi thông qua đồng thuận blockchain và phân mảnh lai @inference_labs , @nesaorg , @miranetwork Khi các mô hình trí tuệ nhân tạo quy mô lớn được sử dụng trong nhiều môi trường khác nhau, việc thực hiện suy diễn thực tế ngày càng được thực hiện bên ngoài blockchain và chỉ có kết quả được xác minh. Trong quá trình này, nhiệm vụ quan trọng nhất là làm thế nào để chứng minh một cách đáng tin cậy rằng kết quả suy diễn AI được tạo ra ngoài chuỗi không bị thao túng và đã trải qua một quy trình nhất quán cho cùng một đầu vào. Cấu trúc xuất hiện để giải quyết vấn đề này là Giao thức Suy diễn Phân mảnh Lai Có thể Xác minh, hay còn gọi là VH-SIP, nhằm mục đích kết hợp các yếu tố đã được xác minh từ mạng AI phân tán hiện có và cơ chế đồng thuận blockchain để hệ thống xác minh tính toàn vẹn của suy diễn ngoài chuỗi. Điểm khởi đầu của VH-SIP là lớp thực thi suy diễn. Lớp này dựa trên việc thực hiện khối lượng công việc được đóng gói như cách sử dụng trong mô hình Infernet của Ritual. Hàng ngàn nút với các đặc điểm phần cứng khác nhau được cấu hình để thực hiện cùng một mô hình và duy trì tính quyết định của phép toán thông qua hạt giống ngẫu nhiên cố định được sử dụng trong opML của ORA và hệ thống toán tử có thể tái tạo của Gensyn, RepOps. Ở đây, khung phân mảnh lai của Nesa được áp dụng để chia nhỏ mô hình ngôn ngữ quy mô lớn thành nhiều khối và thực hiện suy diễn trong phạm vi mà mỗi nút có thể xử lý thông qua lượng hóa khối động. Mỗi nút thực thi tạo ra biên nhận chứng minh bao gồm giá trị cam kết cho đầu vào, băm đầu ra và chỉ số tài nguyên đã sử dụng, và điều này tương thích với định dạng giao thức Relay của Gensyn để được chuyển đến giai đoạn xác minh sau đó. Kết quả suy diễn này ngay lập tức chuyển sang lớp phân mảnh. Điểm cốt lõi của lớp phân mảnh là phân bổ shard dựa trên VRF. Cấu trúc này dựa trên cơ chế phân mảnh VRF được thảo luận trong nghiên cứu Ethereum và sử dụng các giá trị đầu ra VRF trước đó làm đầu vào để quyết định phân bổ shard tiếp theo, loại bỏ tính dự đoán. Cấu trúc VRF dựa trên BLS được triển khai trong Harmony được thiết kế để làm cho việc thiên lệch kết quả trở nên khó khăn cho các tham gia cụ thể và đảm bảo hoạt động liên tục của mạng với giả định rằng các nút trung thực chiếm đa số. Bên trong shard, kỹ thuật phân mảnh không phụ thuộc vào mô hình của Nesa được sử dụng để chia nhỏ đơn vị công việc và các người xác minh cũng được cấu thành từ một ủy ban xác minh riêng biệt theo nguyên tắc phân mảnh mã của PolyShard. Phương pháp tái phân bổ dựa trên dự đoán khối lượng công việc được đề xuất trong giao thức PSAP đảm nhận vai trò điều chỉnh tải giữa các shard. Xác minh và đồng thuận là trung tâm của VH-SIP. Ở lớp này, một chiến lược xác minh lai được áp dụng thay vì một phương pháp duy nhất. Đối với suy diễn có lưu lượng lớn và tương đối ít rủi ro, một số ít người xác minh được chọn ngẫu nhiên để thực hiện xác minh mẫu xác suất. Ngược lại, đối với các kết quả có giá trị kinh tế lớn hoặc có khả năng tranh chấp cao, toàn bộ ủy ban thực hiện xác minh quyết định bằng cách thực hiện lại cùng một phép toán. Trong trường hợp hai kết quả xung đột, phương pháp ủy quyền hòa giải được nghiên cứu trong Gensyn và trò chơi tìm kiếm nhị phân được áp dụng để thu hẹp dần điểm xảy ra lỗi. Quá trình này dựa trên khái niệm xác minh lạc quan của ORA, về cơ bản giả định tính hợp pháp của kết quả, nhưng khi có thách thức được đưa ra, quy trình giải quyết tranh chấp tương tác trên chuỗi sẽ được khởi động. Phép toán số cố định và hệ thống toán tử có thể tái tạo đóng vai trò giảm thiểu độ lệch số thực do sự khác biệt phần cứng gây ra. Lớp khuyến khích kinh tế là nền tảng giúp cấu trúc xác minh này hoạt động thực tế. Các tham gia đặt cọc một khoản đảm bảo nhất định, và trong trường hợp nộp kết quả rõ ràng sai hoặc đồng thời đưa ra các đầu ra mâu thuẫn, hoặc che giấu kết quả trong quá trình xác minh hoặc đưa ra chứng minh TEE không thể xác minh, sẽ xảy ra việc cắt giảm. Các điều kiện này tuân theo phương pháp xác minh Verde và nguyên tắc neo trên chuỗi. Giống như mô hình được áp dụng trong Bittensor, ngay cả khi có tối đa một nửa mức cổ phần ác ý, thiết kế vẫn đảm bảo an ninh cho toàn bộ mạng và kéo dài tuổi thọ kinh tế thông qua cơ chế tái tuần hoàn token. Vai trò của lớp điều phối và tổng hợp là gộp các kết quả được tạo ra từ nhiều shard thành một trạng thái nhất quán. Lớp này sử dụng cam kết KZG để xác minh tính toàn vẹn của dữ liệu chéo shard một cách hiệu quả và thông qua mã hóa PolyShard để đảm bảo chi phí xác minh không tăng theo cấp số nhân. Giao thức RSTBP được sử dụng để xử lý nhiều đầu vào và đầu ra một cách nguyên tử và kết quả xác minh xác suất được tổng hợp theo quy tắc đa số. Học tăng cường ràng buộc an toàn được đề xuất trong khung PSAP điều chỉnh phân bổ tài nguyên, nhưng quá trình xác minh bản thân dựa trên phép toán máy học quyết định với giả định tái tạo cùng một kết quả. Cấu trúc này cũng rõ ràng thể hiện cách thức đối phó với các kịch bản tấn công khác nhau. Tình huống một shard bị chiếm giữ được giảm thiểu thông qua việc quay shard dựa trên VRF và cấu trúc trọng số cổ phần, trong khi các phát hiện sai do phép toán không quyết định được quản lý thông qua phép toán số cố định và thiết lập khoảng cho phép thống kê. Tấn công đồng loạt bị kiềm chế thông qua cắt giảm và cấu trúc chi phí kinh tế, và trong trường hợp chất lượng mô hình bị giảm âm thầm, sẽ được phát hiện thông qua xác minh phân phối dựa trên đồng thuận. Các kỹ thuật xác minh thực sự được sử dụng trong quá trình này bao gồm các toán tử có thể tái tạo được đề xuất trong Gensyn, băm nhạy cảm cục bộ và khái niệm khoảng cho phép. Tóm lại, VH-SIP kết hợp các yếu tố đã được xác minh từ các hệ thống AI phân tán và xác minh hiện có như Nesa, Gensyn, ORA, Bittensor, để đề xuất một kiến trúc xác minh một cách toàn vẹn kết quả suy diễn AI được thực hiện ngoài chuỗi trong cấu trúc đồng thuận blockchain. Phân mảnh lai phân phối hiệu quả các phép toán và xác minh, trong khi đồng thuận dựa trên VRF và xác minh lạc quan duy trì sự cân bằng giữa khả năng mở rộng và an ninh. Cấu trúc này có thể được hiểu như một trường hợp được sắp xếp hợp lý đáp ứng yêu cầu thực tế của suy diễn AI ngoài chuỗi, đồng thời đảm bảo khả năng xác minh và trách nhiệm kinh tế.