【英文长推】TEE、ZK、OPML 谁更优？七大可验证 AI 协议技术对比

Chainfeeds 导读：

随着 AI 领域的持续发展，对可验证 AI 输出的需求也变得日益重要。当前已有多种路径可用于在去中心化 AI 解决方案中实现去信任化，包括可信执行环境（TEE）、采样证明机制（PoSP）、零知识机器学习（ZKML）以及乐观式机器学习（OPML）等。这些方法在成本、处理时间和安全保障等级等方面各有差异。

文章来源：

https://x.com/hyperbolic_eacc/status/1909419275015929909

文章作者：

Hyperbolic - e/acc

观点：

Hyperbolic - e/acc：随着 AI 系统日益融入区块链生态系统，确保 AI 输出结果的可验证性成为建立信任、透明度与问责制的基石。这一点在去中心化金融（DeFi）和人格证明（proof-of-personhood）等应用中尤为关键，因为这些场景中结果的准确性和可靠性将直接影响链上交易、治理决策和用户身份识别。AI 可观测性（Observability）确保决策过程具有透明性和可理解性。利益相关方能够洞悉系统如何得出结论，这在影响链上交易或大型治理流程的场景中至关重要。源头可追溯性（Source Traceability）则追踪生成 AI 预测所用的数据、参数和模型架构。通过确立数据来源，用户可以知晓模型训练数据的出处及其使用的模型架构，从而增强信任并降低误导信息的风险。 输出验证（Output Verification）确保最终的 AI 输出结果既准确又未被篡改。在去中心化环境中，这通常涉及零知识证明（ZKP）或采样共识等机制，以验证链下推理或计算结果的真实性，并确保其在传输过程中未被篡改。然而，尽管区块链本身在数据不可篡改和信任分发方面有优势，AI 的链上计算成本却非常高。例如，处理一个 1000×1000 的整数矩阵乘法可能消耗数十亿 Gas，远超以太坊当前区块的 Gas 上限（Zheng 等人，2021）。因此，大多数 AI 项目仍采用链下计算、链上验证的方式。 Hyperbolic Labs 提出了一种基于采样的验证协议 ——Proof of Sampling（PoSP），作为传统 zkML 和乐观欺诈证明的高效替代方案。这一新机制可在 Hyperbolic 的去中心化 GPU 网络上运行模型训练和推理时，实现高效、低开销的验证。PoSP 由 UC Berkeley 和 Columbia University 的研究人员协作开发，使用博弈论机制确保网络参与者行为诚实。节点只需验证少量样本，同时设计了仲裁流程以惩罚不诚实节点，从而激励网络整体趋于 100% 诚实行为。PoSP 带来的优势包括：计算开销小于 1%，运行效率接近原生；安全性强，随机抽检使欺诈代价高昂；可扩展性强，适配大规模 AI 服务，并通过与 EigenLayer 的集成增强信任最小化架构。【原文为英文】