যেমনটি পূর্বানুমান করা হয়েছিল, এআইকে যাচাইয়ের জন্য ক্রিপ্টোগ্রাফির প্রয়োজন। একটি মাল্টি-টেন্যান্ট পরিবেশে, হোস্টেড ক্লাউড এবং মডেল রাউটারগুলির ক্ষেত্রে, এই প্রয়োজনীয়তা বৃদ্ধি পায়। মানুষকে যাচাই করতে হবে যে তারা যে মডেলটির জন্য পেমেন্ট করছে, সেটিই পাচ্ছে, এবং নিয়ন্ত্রকদের কাছে প্রমাণ করতে হবে যে তারা কোন মডেল/ওজন ব্যবহার করছে, কারণ এই মডেলগুলি নিয়ন্ত্রিত শিল্পগুলিতে সুরক্ষা এবং এন্টারপ্রাইজ ওয়ার্কফ্লোর ভিত্তি হয়ে উঠছে। ZKP-কেই সবসময়ই AI-এর জন্য পূরক সমাধান হিসেবে বিবেচনা করা হয়েছিল, যখন সেবা AI-এর ‘ব্ল্যাকবক্স’-এর প্রতি তৃতীয় পক্ষের বিশ্বাসকে চায়। কিন্তু মনে রাখবেন, Anthropic-এর ইনফারেন্স প্রমাণের প্রয়োজনীয়তা crypto-এর ZKP-এর ব্যবহার থেকে ভিন্ন। crypto-নেটিভ প্রজেক্টগুলি চিহ্নিত-অন-চেইন যাচাইয়ের জন্য অপটিমাইজড, তাই তারা ছোট proofs-এর প্রয়োজনীয়তা দেখিয়েছিল, এবং slow provers-কে গ্রহণযোগ্যভাবে বিবেচনা করেছিল। Anthropic off-chain auditors এবং regulators-এর জন্য অপটিমাইজড, তাই 19 MB proofs-কে গ্রহণযোগ্যভাবে বিবেচনা করেছিল, 24টি request-এর batch-এর proof 223s-এ generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। এটি Anthropic-কে STARKs-এর দিকেই अগ্রসর होने के लिए प्रेरित करता है, जो तेज़ी से साबित करने में सक्षम हैं और GPU-अनुकूल हैं। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। এটি Anthropic-কে STARKs-এর 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-এ। 72x vLLM-এর GPU time-এর। কিন্তু &এখানেই 'বড়'সমস্যা—Anthropic-এর 3rd partyদেরকে 19 MB proofs-এর 24টি request-এর batch-এ 223s-এ proof generate-হয়, 110 tokens/s-এর 223s-ए। 72x vLLM-Er GPU time-Er। কিন্তু &एখानेই 'बड़ा' समस्या—Anthropic-Er 3rd partyदेके शुধुমাত्र proof-Er hash commitment-Er model weights-Er integer-Er response-Er prompt-Er. Ei jonnei exact model-Er kotha prothom kore na, keval committed weights-Er kotha prothom kore. Ei jonnei ei system-Er jonnei khub intuitive ways-Er jonnei game kora jay— similar weights-Er cheaper model-Er hash commitment kora, selective prompt rewriting kore non-sampled/non-proven traffic-Er cheating kora, randomness selection-Er maddhome proof-Er error rate-Er modhye token steering kora jay. https://t.co/VHR8DG0vbx