Недавно, просматривая репозиторий NEAR на GitHub, я наткнулся на интересную вещь: Команда NEAR AI открыла исходный код теста, в котором они с помощью китайской открытой крупной языковой модели DeepSeek успешно решили 672 крайне сложные математические задачи на доказательства. Уточнив у ИИ, я узнал, что эти задачи называются PutnamBench — это самые сложные задачи из североамериканского студенческого математического конкурса. Проще говоря, прохождение этого теста свидетельствует о том, что ИИ обладает чрезвычайно строгими логическими способностями. Согласно отчету @MSBIntel, для прохождения всех 672 задач эта система NEAR потратила в среднем всего 0,17 доллара США за задачу, итого — чуть более 110 долларов США. В качестве сравнения: в других решениях, также получивших идеальный результат, средняя стоимость за задачу с использованием модели OpenAI составляла целых 44,5 доллара США, а Claude — 3,52 доллара США. Зачем же блокчейн-платформе заниматься такими продвинутыми математическими задачами? На самом деле, цель усилий по заставлению ИИ решать математические логические доказательства — это аудит безопасности смарт-контрактов, или, говоря техническим языком, формальная верификация. Например, с помощью математической логики можно построчно проверять код на наличие уязвимостей. Если можно использовать низкозатратные открытые вычислительные мощности ИИ, чтобы снизить порог верификации кода до нескольких центов — то в будущем даже проекты и обычные разработчики смогут обеспечивать и аудировать свои контракты на безопасность с крайне низкими затратами. Хотя это напрямую не связано с ценой токена near:native, это всё же признак того, что команда проекта действительно что-то делает.