分散型AIについて私が興味深いと思う点： GPUを分散させることは簡単に語れる。 しかし、より難しい問いは：それらのGPUが実際に作業を実行したことを、どうやって確認するのか？ その点で、𝗕𝗧𝗧𝗶𝗻𝗳𝗲𝗿𝗚𝗿𝗶𝗱のチャレンジベース検証レイヤーが活躍する。 マイナーがすべて正しい作業を行っていると単に仮定するのではなく、バリデーターはワークロードにランダムなチャレンジタスクを組み込むことができる。 このシステムは以下の3つの主要なメカニズムに基づいて設計されている： 1. 確率的監査メカニズム バリデーターは、ワークロードにランダムなチャレンジタスクを挿入し、以下の不正行為を検出する： 怠惰な計算 推論のスキップ 偽造された応答 リプレイ攻撃 2. タスクの区別不可能性 チャレンジタスクは、実際のクエリと区別できないように設計される必要がある。 これにより、マイナーが監査を受けているタイミングを予測することが困難になる。監査を確実に識別できないなら、常に正しい計算を実行することがより安全な戦略となる。 3. 出力評価 バリデーターは、秘密の真実値または検証可能なヒューリスティクスを保持し、マイナーの出力を期待される統計的または意味的特性と比較して評価する。 したがって、基本的なフローは以下の通り： ランダムなチャレンジ → マイナーが応答 → バリデーターが評価 → 計算を検証可能 そして、このシステムは確率的監査を用いるため、すべてのワークロードを個別にチェックするのではなく、検証オーバーヘッドを総ワークロードに対して部分線形に抑えることを目的としている。 これは重要な違いである。 AIの分散化とは、単にGPUを異なる場所に配置することだけではない。 ネットワークが支払った対価に見合う計算が実際に実行されているかどうかを確認する仕組みも必要だ。 BTTInferGridのチャレンジベース検証レイヤーは、まさにこの課題に取り組むために設計されている。 詳細：https://t.co/hijdAPy3eK #TRONEcoStar @justinsuntron #TRON #BTTInferGrid @BitTorrent