撰文：@lukedelphi
编译：zhouzhou，BlockBeats
编者按：随着最近 AI 在加密货币领域的影响力不断提高，市场开始聚焦于 AI 的可验证性问题。本文中多位加密与 AI 领域的专家分析了去中心化、区块链和零知识证明等技术如何应对 AI 模型可能被滥用的风险，并探讨了推理验证、闭源模型及边缘设备推理等未来趋势。
以下为原文内容（为便于阅读理解，原内容有所整编）：
最近为 Delphi Digital 的 AI 月度活动录制了一场圆桌讨论，邀请了四位专注于加密与 AI 领域的创始人，共同探讨了可验证 AI 的话题，以下内容是一些关键要点。
嘉宾：colingagich、ryanmcnutty33、immorriv 和 Iridium Eagleemy。
未来，AI 模型将成为一种软实力，它们的经济应用越广泛、越集中，滥用的机会也就越多。无论模型输出是否被操控，单是感受到这种可能性就已十分有害。
如果我们对 AI 模型的看法变得和对社交媒体算法一样，我们将面临很大麻烦，去中心化、区块链和可验证性是解决这一问题的关键。由于 AI 本质上是一个黑箱，我们需要找到方法使 AI 的过程可证明或可验证，以确保其未被篡改。
这正是可验证推理所要解决的问题，尽管讨论的嘉宾对问题达成了一致，但他们在解决方案上却采取了不同的路径。
更具体地说，可验证推理包括：我的问题或输入没有被篡改；我使用的模型是我所承诺的那个；输出以原样提供，没有被修改。实际上，这一定义来自 @Shaughnessy119，但我很喜欢它的简洁性。
在目前的 truth terminal 案例中这会有很大的帮助。
使用零知识证明来验证模型输出，毫无疑问，ZK 是最安全的方法。然而，它也带来了一些权衡，计算成本增加了 100 到 1000 倍。此外，并非所有内容都能轻松转换为电路，因此需要对某些函数（如 sigmoid）进行近似处理，并可能会有浮点近似损失。
关于计算开销，许多团队正在努力改进最先进的 ZK 技术，以显著降低开销。尽管大型语言模型体积庞大，但大多数金融应用案例可能相对较小，例如资本配置模型，这样开销就变得微不足道。受信执行环境（TEEs）适合那些对最大安全性要求较低，但对成本或模型大小更为敏感的应用场景。
Ambient 的 Travis 谈到了他们如何计划在一个非常大的分片模型上验证推理，这并不是一个通用问题，而是针对一个特定模型的解决方案。不过，由于 Ambient 仍处于隐秘阶段，这项工作暂时保密，我们需要关注即将发布的论文。
optimistic method，即在推理时不生成证明，而是让执行推理的节点质押代币，若被质疑并发现不当操作则扣除质押代币，这得到了嘉宾们的一些反对意见。
首先，要实现这一点，需要确定性输出，而为了达到这一目标，需要做出一些妥协，例如确保所有节点使用相同的随机种子。其次，如果面临 100 亿美元的风险，多少质押才足以确保经济安全？这个问题最终仍然没有明确答案，这凸显了让消费者选择是否愿意支付完整证明费用的重要性。
关于闭源模型的问题，inference labs 和 aizel network 都能提供支持。这引发了一些哲学上的争论，信任无须需要了解正在运行的模型，因此私有模型是不受欢迎的，与可验证 AI 相悖。然而，在某些情况下，了解模型的内部工作原理可能导致被操控，而解决这一问题的唯一方法有时就是将模型设为闭源。闭源模型如果经过 100 次或 1000 次验证后仍然可靠，尽管无法访问其权重，这也足以让人产生信心。
最后，我们讨论了由于隐私、延迟和带宽等问题，AI 推理是否会转向边缘设备（如手机和笔记本电脑）。大家达成的共识是，这种转变正在到来，但还需要几次迭代。
对于大型模型来说，空间、计算需求和网络要求都是问题。不过，模型正在变得更小，设备也越来越强大，因此这种转变似乎正在发生，只是还没有完全到来。然而，当前如果能够使推理过程保持私密，那么我们仍然可以获得本地推理的许多好处，而不会面临失败模式。
