抵抗ゾーンのすぐ近くで$RENDER と$AKT を空売りして、今日の利益は満杯になりました。📉💰

分散型のAIトレーニングネットワークが、中央の権威による監査なしに、GPUノードが自ら主張する計算を本当に実行したことを実際にどう確認しているのかを調べてきました。
訓練作業のプルーフ（Proof-of-training-work）は、ノードの評判スコアではなく暗号学的なアテステーションに寄せることで、信頼できる仲介業者を完全に排除します。
ワークフローは大きく4つの段階に分かれます：
モデルを検証可能なセグメントに分解する。

それらのセグメントを独立したノードに分散する。

合意に到達するために、作業のランダムな一部を再実行する。

合意結果と一致しない出力をしたノードを罰する。

そして、そのすべてを、マイナーが報酬を請求する前に提出しなければならない1つのオンチェーン・プルーフに凝縮します。

目を引くのは、どれほど検証の範囲が限定されているかという点です。

これは、得られたモデルが良いかどうかは確認しません——ただ、その特定のノードが実際に計算を実行したことだけを確認します。
とはいえ、この保証はかなり長い前提の連なりに支えられています：
バリデータの誠実な多数派、欠陥のないシャード分割ロジック、再実行ノード間での癒着のなさ、そして実際の市場の圧力下でもスラッシング（罰則）インセンティブが確実に機能すること。

この訓練プルーフの仕組みは本当にAI計算を分散化するのでしょうか？それとも、クラウド提供者から信頼の問題を、少数のバリデータ寡占（カルテル）へ単に移しているだけでしょうか？🧠👇

@bittensor #Labs #AI TAO
Long AKT 🚀