inference-labs-inc/subnet-2

解決的問題

Subnet 2 解決了驗證 AI 模型的預測是否確實由特定目標模型產生，而非偽造或篡改的挑戰。它建立了一個「推論證明」系統，透過加密驗證防止對 AI 輸出的「盲目信任」。

工作原理

該項目使用零知識機器學習（zk-ML）將 AI 模型轉換為獨特的加密「指紋」或電路。

• 礦工：接收輸入資料，使用這些可驗證模型產生預測，並返回結果以及零知識證明。
• 驗證者：分發請求並驗證零知識證明的真實性，以確保礦工忠實執行。
• 激勵機制：基於加密完整性以及產生證明所花時間，鼓勵開發高效、簡潔的模型與證明系統。

適用對象

• 計算資源提供者（礦工）：擁有 CPU/GPU 資源的個人或組織，希望提供經驗證的 AI 推論以獲取獎勵。
• 網路驗證者：希望透過驗證 AI 預測來維護 Bittensor 網路完整性的使用者。
• AI 開發者：希望創建可被電路化用於零知識證明系統的模型的開發者。

亮點

• 推論證明：使用 zk-ML 對 AI 預測的來源與完整性進行加密驗證。
• 高效率：使用原生 Rust 二進位檔，透過 HTTP 與 QUIC 進行通訊。
• 硬體包容性：雖然目標是 GPU 優化證明，但目前 zk 證明的 CPU 密集特性允許非 GPU 礦工參與。
• 自動更新：內建機制，每 5 分鐘自動更新二進位檔。