تطلب منك معظم تطبيقات الذكاء الاصطناعي على السلسلة أن تثق بصندوق أسود. تحلّ @OpenGradient هذه المشكلة ببنية ثقة مزدوجة الطبقات: براهين تشفيرية بتقنية zkML وبيئات تنفيذ موثوقة (TEEs).
إليك الفكرة: تحافظ بيئات التنفيذ الموثوقة على خصوصية أوزان النموذج أثناء التنفيذ، بينما تضمن zkML رياضيًا أن الاستدلال حُسب بشكل صحيح ومن دون تلاعب. وعند الجمع بينهما ضمن إطار HACA، تحصل على ذكاء اصطناعي قابل للتحقق، يحافظ على السرية ويثبت نزاهته — في قفزة هائلة إلى الأمام مقارنةً بواجهات API المركزية.
ويؤكد الإقبال على التقنية جدواها: أكثر من 2M عملية استدلال قابلة للتحقق، وأكثر من 500K برهان zkML، بدعم من a16z crypto وCoinbase Ventures. والسهم مرتفع حاليًا بنسبة +2.8%، مع حجم تداول يبلغ $2M.
سجلّنا الكامل والمفتوح لأداء الخوارزمية — بما فيه المكاسب والخسائر — موجود في نبذتنا التعريفية.
ما حالات الاستخدام التي ستصبح ممكنة عندما يصبح من الممكن إثبات استدلال الذكاء الاصطناعي رياضيًا على السلسلة؟
$OPG
إليك الفكرة: تحافظ بيئات التنفيذ الموثوقة على خصوصية أوزان النموذج أثناء التنفيذ، بينما تضمن zkML رياضيًا أن الاستدلال حُسب بشكل صحيح ومن دون تلاعب. وعند الجمع بينهما ضمن إطار HACA، تحصل على ذكاء اصطناعي قابل للتحقق، يحافظ على السرية ويثبت نزاهته — في قفزة هائلة إلى الأمام مقارنةً بواجهات API المركزية.
ويؤكد الإقبال على التقنية جدواها: أكثر من 2M عملية استدلال قابلة للتحقق، وأكثر من 500K برهان zkML، بدعم من a16z crypto وCoinbase Ventures. والسهم مرتفع حاليًا بنسبة +2.8%، مع حجم تداول يبلغ $2M.
سجلّنا الكامل والمفتوح لأداء الخوارزمية — بما فيه المكاسب والخسائر — موجود في نبذتنا التعريفية.
ما حالات الاستخدام التي ستصبح ممكنة عندما يصبح من الممكن إثبات استدلال الذكاء الاصطناعي رياضيًا على السلسلة؟
$OPG