加了Buff的AI+Crypto敘事，「可驗證AI」了解一下

編按：隨著最近AI 在加密貨幣領域的影響力不斷提高，市場開始聚焦於AI 的可驗證性問題。本文中多位加密與AI 領域的專家分析了去中心化、區塊鏈和零知識證明等技術如何應對AI 模型可能被濫用的風險，並探討了推理驗證、閉源模型及邊緣設備推理等未來趨勢。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

最近為Delphi Digital 的AI 月度活動錄製了一場圓桌討論，邀請了四位專注於加密與AI 領域的創始人，共同探討了可驗證AI 的話題，以下內容是一些關鍵要點。

來賓：colingagich、ryanmcnutty33 、immorriv 和Iridium Eagleemy。

未來，AI 模式將成為一種軟實力，它們的經濟應用越廣泛、越集中，濫用的機會就越多。無論模型輸出是否被操控，光是感受到這種可能性就已十分有害。

如果我們對AI 模型的看法變得和對社群媒體演算法一樣，我們將面臨很大麻煩，去中心化、區塊鏈和可驗證性是解決這問題的關鍵。由於 AI 本質上是一個黑箱，我們需要找到方法使 AI 的過程可證明或可驗證，以確保其未被篡改。

這正是可驗證推理所要解決的問題，儘管討論的嘉賓對問題達成了一致，但他們在解決方案上卻採取了不同的路徑。

更具體地說，可驗證推理包括：我的問題或輸入沒有被篡改；我使用的模型是我所承諾的那個；輸出以原樣提供，沒有被修改。實際上，這個定義來自 @Shaughnessy119，但我很喜歡它的簡潔性。

在目前的 truth terminal 案例中這會有很大的幫助。

使用零知識證明來驗證模型輸出，毫無疑問，ZK 是最安全的方法。然而，它也帶來了一些權衡，計算成本增加了 100 到 1000 倍。此外，並非所有內容都能輕鬆轉換為電路，因此需要對某些函數（如 sigmoid）進行近似處理，並可能會有浮點近似損失。

關於計算開銷，許多團隊正在努力改進最先進的 ZK 技術，以顯著降低開銷。儘管大型語言模型體積龐大，但大多數金融應用案例可能相對較小，例如資本配置模型，因此開銷變得微不足道。受信執行環境（TEEs）適合那些對最大安全性要求較低，但對成本或模型大小較為敏感的應用情境。

Ambient 的Travis 談到了他們如何計劃在一個非常大的分片模型上驗證推理，這並不是一個通用問題，而是針對一個特定模型的解決方案。不過，由於 Ambient 仍處於隱密階段，這項工作暫時保密，我們需要關注即將發布的論文。

optimistic method，即在推理時不產生證明，而是讓執行推理的節點質押代幣，若被質疑並發現不當操作則扣除質押代幣，這得到了嘉賓們的一些反對意見。

首先，要實現這一點，需要確定性輸出，而為了達到這一目標，需要做出一些妥協，例如確保所有節點使用相同的隨機種子。其次，如果面臨 100 億美元的風險，多少質押足以確保經濟安全？這個問題最終仍沒有明確答案，凸顯了讓消費者選擇是否願意支付完整證明費用的重要性。

關於封閉源模型的問題，inference labs 和 aizel network 都能提供支援。這引發了一些哲學上的爭論，信任無須需要了解正在運行的模型，因此私有模型是不受歡迎的，與可驗證 AI 相悖。然而，在某些情況下，了解模型的內部工作原理可能導致被操控，而解決這個問題的唯一方法有時就是將模型設為閉源。閉源模型如果經過 100 次或 1000 次驗證後仍然可靠，儘管無法存取其權重，這也足以讓人產生信心。

最後，我們討論了由於隱私、延遲和頻寬等問題，AI 推理是否會轉向邊緣設備（如手機和筆記型電腦）。大家達成的共識是，這種轉變正在到來，但還需要幾次迭代。

對於大型模型來說，空間、運算需求和網路要求都是問題。不過，模型正在變得更小，設備也越來越強大，因此這種轉變似乎正在發生，只是還沒有完全到來。然而，目前如果能夠使推理過程保持私密，那麼我們仍然可以獲得本地推理的許多好處，而不會面臨失敗模式。

「」

原文連結