از لاگ‌های آموزش تا شواهد رمزنگاری‌شده: لایهٔ حسابرسی جدید ZK برای هوش مصنوعی مرزی

بیشتر سامانه‌های یادگیری ماشین مبتنی بر دانش صفر، خروجی را اثبات می‌کنند: یک مدل این پاسخ را تولید کرده یا یک مدل متعهدشده این ورودی را ارزیابی کرده است. یک پیش‌چاپ جدید در ژوئن ۲۰۲۶ پرسش دشوارتری مطرح می‌کند: آیا می‌توان بررسی کرد که یک مدل مرزی طبق رویه‌ای اعلام‌شده و در چارچوب بودجهٔ محاسباتی مشخص آموزش دیده است، بدون آنکه معماری خصوصی مدل یا داده‌های آموزشی افشا شود؟

این پیشنهاد که پیر پِنیه، کی نگوین و پل وانگ آن را ارائه کرده‌اند، ZK را به‌عنوان لایهٔ حسابرسی خودِ فرایند آموزش در نظر می‌گیرد. ایدهٔ اصلی، ترکیب سه نوع شاهد است: مشخصات آموزش که از ابتدا متعهد شده‌اند، فعالیت شبکه میان گره‌های آموزشی که به‌طور مستقل قابل مشاهده است، و تعهدات مرکل نسبت به برخی محاسبات میانی. سپس یک ماشین مجازی دانش صفر بخش‌های نمونه‌برداری‌شدهٔ اجرا را بررسی می‌کند، در حالی که جزئیات حساس خصوصی می‌مانند.

نکتهٔ فنی مهم این است که طرح می‌کوشد محاسبات بومی GPU را اثبات کند، نه اینکه آموزش را به مدلی ساده‌شده در میدان متناهی تبدیل کند. نویسندگان برای قالب‌های BF16 و FP32، که در آموزش شبکه‌های عصبی مدرن رایج‌اند، پیش‌کامپایلرهایی برای zkVM پیشنهاد می‌کنند. این به آن معنا نیست که هر دستور GPU به‌صورت خودکار قابل اثبات می‌شود؛ بلکه معماری اثبات بر ردپاهای اجرای متعهدشده و مجموعه‌ای از عملیات مورد پشتیبانی zkVM بنا می‌شود.

این پروتکل سه مرحلهٔ اثبات دارد. اثبات آغازین، اجرای آموزش را به مشخصات متعهدشده، وزن‌های اولیه و تعهد داده‌ها متصل می‌کند. اثبات‌های حین آموزش، نقاط بررسی متوالی را با تعهدات بازگشتی به هم پیوند می‌دهند تا به‌جای بازاجرای همهٔ عملیات، بازرس بتواند بخش‌هایی از یک اجرای طولانی را نمونه‌برداری کند. گواهی‌های پیشینی نیز محدودیت‌هایی مانند FLOP کل، تعداد گام‌ها، رژیم آموزش یا آستانه‌های پالایش داده را در طول اجرا اعمال می‌کنند.

این رویکرد واژگان حاکمیت را تغییر می‌دهد. آستانهٔ محاسباتی دیگر فقط ادعایی نیست که توسعه‌دهنده پس از آموزش ارائه کند. در اصل، این آستانه می‌تواند پیش از شروع اجرا متعهد شود و یک شمارندهٔ بازگشتی درون سامانهٔ اثبات آن را در طول آموزش اعمال کند. نتیجه، بیشتر شبیه سابقهٔ انطباق قابل بررسی ماشینی است تا گزارش حسابرسی معمولی.

مقاله برآورد می‌کند که نمونهٔ اولیهٔ قابل استقرار ممکن است حدود ۳۶ ماه زمان ببرد و سربار آموزش آن در محدودهٔ تک‌رقمی درصد باشد. همچنین برای معماری نمونه، اندازهٔ تجمیعی اثبات را حدود ۲۰۰ کیلوبایت و هزینهٔ بررسی را کسری از بودجهٔ آموزش برآورد می‌کند. این اعداد برآوردهای مدل نویسندگان هستند، نه اندازه‌گیری‌های مستقل در محیط تولید.

محدودیت اصلی، دامنهٔ طرح است. این طراحی فعلاً آموزش پیشینِ متراکم را هدف می‌گیرد و هنوز اجرای مدل‌های mixture-of-experts تنک، پساآموزش مبتنی بر یادگیری تقویتی، آموزش در چند مرکز داده یا همهٔ ترافیک شتاب‌دهنده درون یک گره را پوشش نمی‌دهد. این کمبودها مهم‌اند، زیرا سامانه‌های مرزی به‌طور فزاینده‌ای چند مورد از این شیوه‌ها را با هم ترکیب می‌کنند.

یک پرسش دیگر به مرز اعتماد مربوط می‌شود. مشاهدهٔ شبکه و لنگرهای نزدیک به سخت‌افزار می‌توانند کمک کنند اثبات به یک اجرای فیزیکی آموزش متصل شود، اما خودشان اجزایی هستند که باید مشخص، ایمن و حسابرسی شوند. دانش صفر می‌تواند درون مدل را پنهان کند؛ اما به‌طور خودکار ثابت نمی‌کند که همهٔ سازوکارهای مشاهدهٔ بیرونی صادق یا کامل بوده‌اند.

بنابراین باید این کار را یک معماری و دستورکار پژوهشی دانست، نه محصولی آماده برای انطباق مقرراتی. زاویهٔ واقعاً تازهٔ آن، حرکت از اثبات خروجی مدل هوش مصنوعی به اثبات چگونگی اجرای یک فرایند آموزشی حساس است. اگر مسائل مهندسی باز حل شوند، ZK می‌تواند به بخشی از لایهٔ شواهد برای حاکمیت بر محاسبات تبدیل شود؛ بدون آنکه نهادهای ناظر مجبور باشند کل پشتهٔ مدل یک شرکت را بازرسی کنند.