inference-labs-inc/subnet-2

解决的问题

Subnet 2 解决了验证 AI 模型的预测是否确实由特定目标模型生成，而非伪造或篡改的挑战。它创建了一个「推断证明」系统，通过加密验证防止对 AI 输出的「盲目信任」。

工作原理

该项目使用零知识机器学习（zk-ML）将 AI 模型转换为独特的加密「指纹」或电路。

• 矿工：接收输入数据，使用这些可验证模型生成预测，并返回结果以及零知识证明。
• 验证者：分发请求并验证零知识证明的真实性，以确保矿工忠实执行。
• 激励机制：基于加密完整性以及生成证明所用时间，鼓励开发高效、简洁的模型和证明系统。

适用人群

• 计算资源提供者（矿工）：拥有 CPU/GPU 资源的个人或组织，希望提供经验证的 AI 推断以获取奖励。
• 网络验证者：希望通过验证 AI 预测来维护 Bittensor 网络完整性的用户。
• AI 开发者：希望创建可被电路化用于零知识证明系统的模型的开发者。

亮点

• 推断证明：使用 zk-ML 对 AI 预测的来源和完整性进行加密验证。
• 高性能：使用原生 Rust 二进制文件，通过 HTTP 和 QUIC 进行通信。
• 硬件包容性：虽然目标是 GPU 优化的证明，但当前 zk 证明的 CPU 密集特性允许非 GPU 矿工参与。
• 自动更新：内置机制，每 5 分钟自动更新二进制文件。