Anthropic از FlashProve رونمایی کرد: اثبات‌پذیری استنتاج مدل‌های زبانی بزرگ با استفاده از اثبات‌های دانش صفر
شرکت Anthropic، پیشرو در زمینه هوش مصنوعی، در تاریخ ۲ نوامبر، پروتوتایپ متن‌باز FlashProve را معرفی کرد. این فناوری نوآورانه، اثبات‌های دانش صفر (zkSNARK) که معمولاً در حوزه ارزهای دیجیتال کاربرد دارند را به فرآیند استنتاج مدل‌های زبانی بزرگ (LLM) وارد می‌کند. هدف اصلی FlashProve این است که به ارائه‌دهندگان مدل‌های هوش مصنوعی امکان دهد تا در مورد وزن‌های مدل خود تعهد ایجاد کنند و سپس اثبات کنند که هر پاسخ واقعاً توسط همان مدل تولید شده است. در آزمایش‌های انجام شده بر روی مدل Llama 4 Maverick (با ۴۰۰ میلیارد پارامتر و معماری MoE، با دقت ۴ بیتی)، این سیستم توانست با استفاده از یک پردازنده گرافیکی H100، سرعتی حدود ۱۱۰ توکن در ثانیه را ارائه دهد و برای هر درخواست اثبات ۱,۰۲۴ توکن، حدود ۱۹ مگابایت فضا اشغال کند.
آشنایی با zkSNARK و کاربرد آن در مدل‌های زبانی
برای خوانندگان حوزه ارزهای دیجیتال، zkSNARK مفهوم ناآشنایی نیست. شبکه‌های لایه دوم (L2) از این فناوری برای اثبات صحت تراکنش‌ها و تغییرات وضعیت استفاده می‌کنند، بدون اینکه نیاز باشد تمام زنجیره را دوباره پردازش کنند. Anthropic با FlashProve، همین ابزار رمزنگاری را برای پاسخ به پرسش دیگری به کار گرفته است: چگونه کاربران می‌توانند اطمینان حاصل کنند که پاسخی که دریافت می‌کنند، واقعاً از مجموعه وزن‌های مدل ادعا شده تولید شده است و نه از یک مدل ارزان‌تر یا یک جریان توکن دستکاری شده؟
FlashProve: اثبات هویت مدل‌های هوش مصنوعی
سیستم FlashProve با مجوز Apache 2.0 به صورت متن‌باز منتشر شده است. به زبان ساده، همانطور که در گذشته از اثبات‌های دانش صفر برای اثبات تراکنش‌ها و وضعیت در بلاک‌چین استفاده می‌شد، اکنون از آن برای اثبات اینکه “پاسخ از این مجموعه وزن‌های خاص تولید شده است” استفاده می‌شود. این اثبات، وزن‌های اختصاصی مدل را فاش نمی‌کند و در سمت تأیید کننده نیز نیازی به داشتن پردازنده گرافیکی یا فایل‌های مدل نیست.
ریشه‌های رمزنگاری FlashProve
FlashProve بر پایه مسیر zkSNARK بنا شده است که سال‌هاست در اکوسیستم رمزنگاری مورد استفاده قرار گرفته است. این سیستم ابتدا با استفاده از اشیاء نظریه اطلاعات به نام “اثبات پیش‌گوی تعاملی” (IOP) صحت محاسبات را توصیف می‌کند و سپس با استفاده از توابع هش، به یک اثبات رمزنگاری قابل تأیید عمومی تبدیل می‌شود. طبق اعلام رسمی، این نوع سیستم‌ها پیش از این در شبکه‌های همتا به همتا و در لایه دوم اتریوم (مانند Starknet و Mantle) به کار گرفته شده‌اند. به عبارت دیگر، این یک ابداع کاملاً جدید از سوی آزمایشگاه‌های هوش مصنوعی نیست، بلکه انتقال رویکرد “محاسبه در خارج از زنجیره، تأیید در زنجیره/سمت کاربر” که در حوزه ارزهای دیجیتال شناخته شده است، به حوزه خدمات مدل‌های هوش مصنوعی است.
تیمی فراتر از مرزها
فهرست نویسندگان این مقاله خود گواهی بر همکاری میان‌رشته‌ای است. علاوه بر Roy Rinberg و Alex Allain از Anthropic، نام‌هایی چون Alessandro Chiesa (از EPFL و StarkWare)، همکارانی از پروژه‌های مرتبط با Succinct و MIT، و اعضای تیم EPFL نیز دیده می‌شود. StarkWare و Succinct نام‌هایی آشنا برای کسانی هستند که تحولات در زمینه مقیاس‌پذیری ZK و محاسبات قابل اثبات عمومی را دنبال می‌کنند. FlashProve در واقع این زنجیره از استعدادها و ابزارها را به حوزه ممیزی استنتاج در خط مقدم هوش مصنوعی متصل می‌کند.
پیشرفت در zkML: از آزمایشگاهی به مقیاس‌پذیری
مسیرهای قبلی zkML (استفاده از اثبات‌های دانش صفر برای استنتاج یادگیری ماشین) که در این مقاله مرور شده است، پیشرفت این حوزه را به وضوح نشان می‌دهد: از شبکه‌های عصبی کانولوشنی کوچک (CNN) در مراحل اولیه، تا اثبات‌های کند برای مدل‌هایی در حد GPT-2/Llama، و سپس سیستم‌های قبلی که برای مدل Llama 4 Maverick حدود ۰.۰۲ توکن در ثانیه سرعت داشتند و اثبات‌های آن‌ها ده‌ها گیگابایت حجم داشت. FlashProve با رساندن همین مدل ۴۰۰B MoE به سرعتی حدود ۱۱۰ توکن در ثانیه با یک کارت گرافیک، حجم اثبات حدود ۱۹ مگابایت و تأیید در چند ثانیه بر روی CPU، “اثبات استنتاج هوش مصنوعی” را از یک پروتوتایپ در حد مقالات پژوهشی به مقیاس محاسبات قابل اثبات که جامعه رمزنگاری سال‌هاست در مورد آن صحبت می‌کند، نزدیک کرده است.
فرآیند اثبات: تعهد و تأیید
در مرحله آفلاین، ارائه‌دهنده مدل یک “تعهد” (یک اثر انگشت کوتاه) از وزن‌های مدل ایجاد می‌کند که حدود ۶.۵ مگابایت حجم دارد و هر حدود ۳۹ دقیقه یک بار به‌روزرسانی می‌شود. این تعهد می‌تواند تا حدود ۱۶ میلیون درخواست را پوشش دهد. در مرحله آنلاین، برای هر ورودی (prompt) و خروجی، یک اثبات تولید می‌شود: “مدل متعهد شده، این ورودی را پردازش کرده و این توکن‌ها را تولید کرده است.” هر کسی که این تعهد، ورودی و پاسخ را داشته باشد، می‌تواند بر روی یک CPU معمولی این اثبات را تأیید کند – حدود ۱۷ ثانیه برای یک CPU ۲۴ هسته‌ای و ۲۱ ثانیه برای یک هسته تکی، بدون نیاز به GPU یا فایل‌های مدل.
جزئیات فنی و عملکرد
برای ارزیابی، از مدل عمومی Llama 4 Maverick با دقت ۴ بیتی (حدود ۴۰۰ میلیارد پارامتر MoE، با فعال‌سازی حدود ۱۷ میلیارد پارامتر برای هر توکن) استفاده شده است. پردازش ۲۴ درخواست به صورت دسته‌ای حدود ۲۲۳ ثانیه طول کشیده که معادل حدود ۱۱۰ توکن در ثانیه است و هر اثبات حدود ۱۸.۷۸ مگابایت حجم داشته است. در مقایسه با زمان پردازش GPU در vLLM برای همین مدل، سربار اثبات حدود ۷۰ تا ۹۵ برابر بیشتر است. از نظر مهندسی، حجم کار با تعداد متخصصان فعال متناسب است و از اثبات دسته‌ای پس از پردازش (post-hoc) استفاده می‌شود، با هدف جای گرفتن در یک پردازنده گرافیکی ۸۰ گیگابایتی H100.
بسته‌بندی و انتشار
این انتشار شامل ابزار تولید کننده اثبات (prover)، یک تأیید کننده سریع C++، یک تأیید کننده کند Lean، و اثبات‌های صوری برای صحت، استحکام و دانش صفر است. همچنین اشاره شده است که Claude به بهینه‌سازی قابل توجهی در این سیستم استنتاج zkSNARK کمک کرده است. این روش بسته‌بندی، که شامل کد، اثبات و گزاره‌های ریاضی قابل حسابرسی است، برای جامعه متن‌باز ZK که به “کد + اثبات + گزاره‌های ریاضی قابل حسابرسی” عادت دارند، جذاب‌تر از صرفاً ارائه اعداد در یک پست وبلاگ است.
چالش‌های هوش مصنوعی و شباهت به زیرساخت‌های رمزنگاری
چهار دسته چالش که توسط Anthropic ذکر شده است – سرعت توسعه و ممیزی نظارتی، تشخیص دستکاری، قابلیت تأیید منبع متن، و الزام به تست مدل‌ها قبل از انتشار – اگرچه شبیه به حاکمیت هوش مصنوعی به نظر می‌رسند، اما ساختار صحنه آن‌ها شبیه به زیرساخت‌های رمزنگاری است. زمانی که کاربران از طریق یک مسیریاب شخص ثالث، API “مدل مشخصی” را خریداری می‌کنند، شبیه به خرید نقدینگی از طریق یک تجمیع‌کننده است: شما هزینه برند را می‌پردازید، اما معامله واقعی ممکن است با یک سفارش دیگر جایگزین شود. اثبات‌های ZK “مورد معامله” را به تعهد وزن مدل گره می‌زنند و هرگونه جایگزینی منجر به شکست تأیید می‌شود.
کاربرد در امنیت و نظارت
صرافی‌ها، کیف پول‌ها، اسکنرهای امنیتی و ابزارهای نظارت بر زنجیره که ادعا می‌کنند “از یک مدل پیشرفته برای مدیریت ریسک/اسکن آسیب‌پذیری استفاده می‌کنند”، در گذشته عمدتاً به سوابق گفتگو یا تضمین‌های شفاهی فروشنده بسنده می‌کردند. با استنتاج قابل اثبات، می‌توان از طرف مقابل درخواست کرد که اثبات را نیز ارائه دهد، و این اثبات نیازی به افشای وزن‌های متن‌باز ندارد – این نکته برای ارائه‌دهندگان مدل که مدل‌ها را اسرار تجاری خود می‌دانند و طرف‌های ممیزی که هزینه تأیید را مانعی می‌دانند، همان توازنی است که جامعه ارزهای دیجیتال هنگام صحبت از اثبات‌های حریم خصوصی با آن آشناست: اثبات صحت، بدون نیاز به افشای تمام وضعیت.
هم‌راستایی با روایت “محاسبه خارج از زنجیره + اثبات”
این موضوع با روایت “محاسبه خارج از زنجیره + اثبات” که اخیراً توسط خوانندگان دنیای ارزهای دیجیتال دنبال شده است، هم‌راستا است: zkAPI به “پرداخت هزینه هوش مصنوعی بدون افشای هویت” می‌پردازد، در حالی که FlashProve به “قابلیت تأیید هویت پاسخ مدل” می‌پردازد. یکی پیوند پرداخت و هویت را پنهان می‌کند و دیگری وزن‌ها را پنهان کرده و صحت محاسبات قابل تأیید عمومی را ارائه می‌دهد. هر دو، ZK را از حوزه صرفاً مالی زنجیره‌ای به لایه اعتماد خدمات هوش مصنوعی سوق می‌دهند.
ارتباط با مسیر امنیتی Anthropic
ارتباط این فناوری با مسیر امنیتی خود Anthropic نیز روشن است: این شرکت قبلاً متعهد شده بود تا قبل از ۳۰ سپتامبر ۲۰۲۶ یک پروتوتایپ استنتاج قابل اثبات بسازد و با مسیر امضای مستقل “تأیید استنتاج” به این هدف دست یافته است. FlashProve یک مسیر رمزنگاری موازی ZK است و جایگزین L2 یا TEE نمی‌شود، بلکه اثبات‌های دانش صفر نرم‌افزاری را به جعبه ابزار اضافه می‌کند.
وضعیت فعلی و محدودیت‌ها
موقعیت رسمی این فناوری هنوز “در میانه راه” است. کد اجرایی سریع فاقد تضمین صوری است؛ اثبات برای مدل‌های عدد صحیح با رمزگشایی حریصانه انجام می‌شود و رمزگشایی ممیز شناور یا نمونه‌برداری ممکن است هم‌راستا نباشد؛ فقط وزن‌ها پنهان می‌شوند، نه معماری؛ حداکثر طول زمینه حدود ۱۰۲۴ توکن است؛ و از اثبات پس از پردازش به جای اثبات درون خطی استفاده می‌شود. این محدودیت‌ها برای کسانی که با سیستم‌های ZK در سطح تولید آشنا هستند، کاملاً قابل درک است – اعداد عملکرد چشمگیر هستند، اما این به معنای آمادگی برای SLA در سطح شبکه اصلی در فردا نیست.
اهمیت برای جامعه رمزنگاری و zkML
با این حال، اهمیت عملی FlashProve برای جامعه رمزنگاری و zkML کاملاً واضح است: یک آزمایشگاه پیشرو در هوش مصنوعی به طور عمومی اذعان کرده و “پشته اثبات جامعه ارزهای دیجیتال” را برای رسیدگی به مسائل اعتماد در استنتاج در مقیاس ۴۰۰ میلیارد پارامتر، متن‌باز کرده است. همچنین نام‌هایی چون StarkWare، Succinct و EPFL را در کد و فهرست نویسندگان مقاله گنجانده است. محاسبات قابل اثبات دیگر صرفاً روایت Rollupها، zkVMها و پردازشگرهای داده نیست، بلکه به نیاز جدید “هویت مدل هوش مصنوعی” نیز کشیده شده است.
چشم‌انداز جدید برای محاسبات قابل اثبات
برای کسانی که مسیر Brevis، Succinct، Starknet و رویکرد “محاسبه مجدد خارج از زنجیره، اثبات کوتاه برای تأیید” را دنبال می‌کنند، این تحقیق یک مشتری بالقوه بزرگ جدید را اضافه می‌کند: نه تنها وضعیت بلاک‌ها و DeFi، بلکه هر پاسخ LLM نیز می‌تواند به یک فایل اثبات قابل دانلود و تأیید تبدیل شود. کاربران دیگر مجبور نیستند صرفاً به “شبیه بودن به Claude/شبیه بودن به وزن‌های متن‌باز” برای باور کردن هویت مدل تکیه کنند – تا زمانی که اثبات نشده باشد، معتبر نیست.
