Зробити AI аудитером на блокчейні — @inference_labs
Раніше, говорячи про AI, всі більше цікавились "наскільки швидко і розумно він рахує", але Inference Labs впроваджує Proof of Inference — кожен висновок супроводжується криптографічним доказом, який можна перевірити на блокчейні. Це перетворює вихідні дані моделі з "чорної скриньки" на аудитовані записи в ланцюжку, фактично роблячи AI базовим аудитором у DeFi, Agent, RWA-протоколах.
Вони створили JSTprove — open-source інструментарій для додавання ZK-доказів до AI-висновків: розробник просто завантажує ONNX-модель і отримує повний pipeline для квантизації, генерації схем, свідчень, створення доказів і їх верифікації. Репозиторій активно оновлюється.
Крім того, через DSperse вони розбивають докази великих моделей на паралельні фрагменти, підключають їх до Bittensor Subnet 2 і дозволяють розподіленій мережі генерувати ці "аудиторські свідчення".
Додаючи до цього серію завдань, які вони розробили на Galxe, Proof of Inference, DSperse і JSTprove стають єдиним шляхом розвитку: "виконуй завдання, вивчай протоколи, збирай репутацію". Це чітко показує, що команда не намагається просто просунути концепцію DeAI, а серйозно крок за кроком формує індустріальний консенсус щодо "AI-аудиторського шару".
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Зробити AI аудитером на блокчейні — @inference_labs
Раніше, говорячи про AI, всі більше цікавились "наскільки швидко і розумно він рахує", але Inference Labs впроваджує Proof of Inference — кожен висновок супроводжується криптографічним доказом, який можна перевірити на блокчейні. Це перетворює вихідні дані моделі з "чорної скриньки" на аудитовані записи в ланцюжку, фактично роблячи AI базовим аудитором у DeFi, Agent, RWA-протоколах.
Вони створили JSTprove — open-source інструментарій для додавання ZK-доказів до AI-висновків: розробник просто завантажує ONNX-модель і отримує повний pipeline для квантизації, генерації схем, свідчень, створення доказів і їх верифікації. Репозиторій активно оновлюється.
Крім того, через DSperse вони розбивають докази великих моделей на паралельні фрагменти, підключають їх до Bittensor Subnet 2 і дозволяють розподіленій мережі генерувати ці "аудиторські свідчення".
Додаючи до цього серію завдань, які вони розробили на Galxe, Proof of Inference, DSperse і JSTprove стають єдиним шляхом розвитку: "виконуй завдання, вивчай протоколи, збирай репутацію". Це чітко показує, що команда не намагається просто просунути концепцію DeAI, а серйозно крок за кроком формує індустріальний консенсус щодо "AI-аудиторського шару".