Đây là điều tôi thấy thú vị về AI phi tập trung: Dễ dàng để nói về việc phân phối các GPU. Câu hỏi khó hơn là: làm thế nào bạn biết những GPU đó thực sự đã thực hiện công việc? Đây là lúc lớp Xác minh dựa trên Thử thách của 𝗕𝗧𝗧𝗶𝗻𝗳𝗲𝗿𝗚𝗿𝗶𝗱 phát huy tác dụng. Thay vì đơn giản giả định mọi Miner đều làm đúng, các Validator có thể đưa vào các nhiệm vụ thử thách ngẫu nhiên vào khối lượng công việc. Hệ thống được thiết kế dựa trên ba cơ chế chính: 1. Cơ chế Kiểm toán xác suất Validator chèn các nhiệm vụ thử thách ngẫu nhiên vào khối lượng công việc để phát hiện: Tính toán lười biếng Bỏ qua suy luận Phản hồi giả mạo Cuộc tấn công phát lại 2. Tính Không Phân Biệt Được Của Nhiệm Vụ Các nhiệm vụ thử thách phải không thể phân biệt được với các truy vấn thực sự. Điều này khiến Miner khó dự đoán khi nào họ đang bị kiểm toán. Nếu bạn không thể xác định chính xác các cuộc kiểm toán, thì việc thực hiện tính toán đúng cách một cách nhất quán sẽ trở thành chiến lược an toàn hơn. 3. Đánh giá Đầu Ra Validator duy trì sự thật nền tảng riêng hoặc các heuristic có thể xác minh, sau đó đánh giá đầu ra của Miner dựa trên các đặc tính thống kê hoặc ngữ nghĩa mong đợi. Vì vậy, luồng cơ bản là: Thử thách ngẫu nhiên → Miner phản hồi → Validator đánh giá → Tính toán có thể được xác minh. Và vì hệ thống sử dụng kiểm toán xác suất thay vì kiểm tra từng khối lượng công việc độc lập, mục tiêu là chi phí xác minh vẫn ở mức dưới tuyến tính so với tổng khối lượng công việc. Đây là một sự phân biệt quan trọng. Phi tập trung hóa AI không chỉ đơn thuần là đặt các GPU ở những nơi khác nhau. Bạn cũng cần một cơ chế để kiểm tra xem mạng lưới có thực sự nhận được tính toán mà họ đã trả tiền hay không. Lớp Xác minh dựa trên Thử thách của BTTInferGrid được thiết kế để giải quyết chính xác vấn đề này. Thông tin thêm: https://t.co/hijdAPy3eK #TRONEcoStar @justinsuntron #TRON #BTTInferGrid @BitTorrent