لماذا استثمرت في @lagrangedev $LA 👇 تتصدى Lagrange Labs للتحدي الأساسي المتمثل في بناء الثقة وإمكانية التحقق في أنظمة الذكاء الاصطناعي ، لا سيما وأن الذكاء الاصطناعي أصبح منتشرا في قطاعات مثل التمويل والرعاية الصحية والدفاع وتطبيقات المستهلك. القضية الأساسية التي يتناولونها هي طبيعة "الصندوق الأسود" لنماذج الذكاء الاصطناعي: يجب على المستخدمين حاليا أن يثقوا بشكل أعمى في أن مخرجات الذكاء الاصطناعي دقيقة وغير متحيزة ومتوافقة مع الوظائف المقصودة ، دون ضمانات تشفير. يكشف هذا النقص في الدليل عن مخاطر مثل العبث بالنموذج أو انتهاكات الخصوصية أو القرارات المنحرفة التي يمكن أن يكون لها عواقب في العالم الحقيقي. لحل هذه المشكلة ، طورت Lagrange DeepProve ، وهو إطار عمل للتعلم الآلي بدون معرفة (zkML) جاهز للإنتاج يولد براهين تشفير مدمجة لاستنتاجات الذكاء الاصطناعي. يتحقق من أن ناتج نموذج الذكاء الاصطناعي (Y) ناتج عن تشغيل النموذج بشكل صحيح على مدخل معين (X) ، دون الكشف عن البيانات الحساسة أو أوزان النموذج أو خوارزميات الملكية. الفوائد الرئيسية: 🔹 السرعة وقابلية التوسع: أسرع بما يصل إلى 158 مرة من أنظمة zkML السابقة ، 🔹 دعم النماذج الكبيرة مثل GPT-2 (استدلالات كاملة من 1024 رمزا) وتمكين البراهين لملايين الاستدلالات. 🔹 الخصوصية والأمان: مثالية لسيناريوهات مثل الرعاية الصحية (التحقق من التنبؤات على بيانات المريض دون التعرض) أو التمويل (فحوصات الامتثال على نماذج الملكية). 🔹 التكامل اللامركزي: تم تصميمه على شبكة ZK Prover الخاصة بهم (المدعوم من @eigenlayer) ، ويسمح للمثبتين المحسنين للأجهزة (على سبيل المثال ، وحدات معالجة الرسومات من شراكات NVIDIA / Intel) بالتعامل مع أحمال العمل بكفاءة. كما هو مذكور على موقعهم ، "نظرا لأن الذكاء الاصطناعي أصبح جزءا لا يتجزأ من حياتنا اليومية بشكل متزايد ، يجب أن نكون قادرين على إثبات أن نماذج الذكاء الاصطناعي تحقق نتائج وفقا لوظائفها المتوقعة". أثبتت DeepProve بالفعل أكثر من 3 ملايين استنتاج الذكاء الاصطناعي وتكاملت مع 30+ مشروعا ، بما في ذلك التعاون مع Matter Labs و Inference Labs و Sentient AGI من أجل الذكاء الاصطناعي الذي يمكن التحقق منه في Web3 وما بعده. وبالمناسبة ، فإن رمز $LA الخاص بهم يحفز هذا النظام البيئي من خلال تغطية رسوم الإثبات والتكديس للأثريا.