هنا شيء أجدُه مثيرًا حول الذكاء الاصطناعي اللامركزي: من السهل التحدث عن توزيع وحدات معالجة الرسومات (GPUs). لكن السؤال الأصعب هو: كيف تعرف أن هذه الوحدات قامت فعليًا بالعمل؟ هنا يأتي دور طبقة التحقق القائمة على التحديات في 𝗕𝗧𝗧𝗶𝗻𝗳𝗲𝗿𝗚𝗿𝗶𝗱. بدلًا من افتراض أن كل عامل تعدين يقوم بالعمل الصحيح، يمكن للمدققين إدخال مهام تحدي عشوائية ضمن حمل العمل. تم تصميم النظام حول ثلاث آليات رئيسية: 1. آلية المراجعة الاحتمالية يقوم المدققون بإدخال مهام تحدي عشوائية ضمن حمل العمل لاكتشاف: الحسابات الكسلة تجاوز الاستنتاجات الردود المزيفة هجمات إعادة التشغيل 2. عدم التمييز بين المهام يجب أن تكون مهام التحدي غير قابلة للتمييز عن الاستعلامات الحقيقية. وهذا يجعل من الصعب على عمال التعدين التنبؤ بموعد إجراء المراجعة. إذا لم تستطع تحديد المراجعات بدقة، فإن الأداء الصحيح المستمر للحساب يصبح الاستراتيجية الأكثر أمانًا. 3. تقييم المخرجات يحافظ المدققون على حقائق أساسية خاصة أو معايير قابلة للتحقق، ثم يقيمون مخرجات عمال التعدين مقابل الخصائص الإحصائية أو الدلالية المتوقعة. إذًا، التدفق الأساسي هو: تحدي عشوائي → يرد عامل التعدين → يقيم المدقق → يمكن التحقق من الحساب. وبما أن النظام يستخدم المراجعة الاحتمالية بدلاً من التحقق من كل حمل عمل بشكل مستقل، فإن الهدف هو الحفاظ على تكلفة التحقق كمعدل دون خطي مقارنة بحجم الحمل الكلي. وهذا فرق مهم. لا يقتصر تمركز الذكاء الاصطناعي فقط على وضع وحدات معالجة الرسومات في أماكن مختلفة. بل تحتاج أيضًا إلى آلية للتحقق مما إذا كان الشبكة تحصل فعليًا على الحساب الذي دفعت مقابلته. تم تصميم طبقة التحقق القائمة على التحديات في BTTInferGrid لمعالجة هذه المشكلة بالضبط. مزيد من المعلومات: https://t.co/hijdAPy3eK #TRONEcoStar @justinsuntron #TRON #BTTInferGrid @BitTorrent