Khi AI học cách tính toán cho chính nó, Boundless phát triển với logic của sự minh bạch.

Tôi lần đầu tiên bắt đầu chú ý đến @boundless_network khi tôi thấy nó được mô tả là một “mạng tính toán ZK mô-đun” được xây dựng trên công nghệ zkVM của RISC Zero và nhằm phục vụ như một dạng “lớp thực thi mô-đun gốc Ethereum.” Chỉ riêng mô tả đó đã làm tôi quan tâm: trong một thời đại mà nhiều dự án kết hợp AI-blockchain nói về tính minh bạch, khả năng kiểm toán và dòng dữ liệu mở, Boundless dường như đã đưa những tuyên bố đó đi sâu hơn bằng cách biến “tính có thể xác minh” thành một phần tích hợp trong ngăn xếp thực thi của nó. Nói cách khác: điều gì sẽ xảy ra nếu chuỗi mà các mô hình AI chạy không chỉ thực thi chúng mà còn có thể chứng minh điều gì đã xảy ra, như thế nào, khi nào và bởi ai? Đó là lời hứa mà tôi cảm thấy Boundless đang theo đuổi. Khi tôi tương tác với hệ sinh thái @boundless_network (, các tài liệu, phỏng vấn, mã nguồn test-net ), tôi đã rút ra một vài quan sát nổi bật. Đầu tiên, khái niệm AI học cách “tính toán cho chính nó” phù hợp với ý tưởng rằng các chứng minh tính toán và các chứng minh không biết (ZK-proofs) cung cấp cho máy móc (và cơ sở hạ tầng của chúng) khả năng tạo ra bằng chứng có thể xác minh về những gì chúng đã làm—không chỉ là “hãy tin tôi, tôi đã chạy mô hình này,” mà là “đây là bằng chứng mật mã cho lần chạy, các chu kỳ đã tiêu tốn, con đường đã đi.” Ví dụ, trong tài liệu trắng của mình, Boundless mô tả cách mà các prover được thưởng dựa trên tỷ lệ chu kỳ đã chứng minh và phí thu được từ thị trường, vì vậy công việc thực hiện và giá trị cung cấp đều quan trọng. Đó là một phần quan trọng của trách nhiệm giải trình: không chỉ là việc tính toán đã diễn ra, mà việc tính toán đã đóng góp giá trị có thể đo lường—và giá trị đó được ghi lại một cách minh bạch. Thứ hai, “logic of transparency” trong #Boundless không chỉ đơn giản là việc hiển thị các chỉ số - mà là việc nhúng khả năng xác minh vào mô hình kinh tế. Trong ví dụ đã nêu, nếu một prover thực hiện 25% phí nhưng chỉ 10% chu kỳ, phần thưởng của họ sẽ giảm tương ứng; hệ thống được xây dựng xung quanh việc khớp “công việc” với “giá trị” và làm cho điều đó rõ ràng. Từ góc nhìn của tôi, điều đó mang lại cho các nhà xây dựng, người dùng và kiểm toán một cái gì đó cụ thể hơn để khám phá. Nếu tôi đang xây dựng một mô hình hoặc triển khai logic AI trên một chuỗi, tôi có thể hỏi: “Liệu suy diễn này có được tính toán chính xác không? Các chứng minh có được xác thực không? Việc phân bổ chu kỳ có đúng không?” Kiến trúc của Boundless mời gọi những câu hỏi đó và cung cấp một số công cụ cho chúng. Tôi cũng đã theo dõi cách mà Boundless định vị bản thân trong bối cảnh rộng lớn hơn của AI + blockchain: trong một cuộc phỏng vấn với Odaily, đội ngũ đã mô tả cách họ xây dựng nhiều nguyên mẫu và chọn kiến trúc của mình dựa trên dữ liệu, không chỉ là sự cường điệu. Sự nhấn mạnh vào việc kiểm tra lặp đi lặp lại, thực nghiệm khiến tôi cảm thấy hứng thú vì rất nhiều dự án hứa hẹn sự minh bạch nhưng không xây dựng được gì để kiểm tra. Góc độ của Boundless có vẻ có phương pháp hơn: họ đang xây dựng một lớp thực thi mô-đun có thể phục vụ nhiều chuỗi, hoạt động như một đồng xử lý tính toán ZK, điều này gợi ý rằng khi các hệ thống AI cần các đường ống thực thi có thể xác minh, Boundless có thể đóng vai trò là xương sống. Trong đánh giá thực tiễn của tôi, việc sử dụng hoặc có kế hoạch sử dụng Boundless mang lại cho tôi nhiều điều tích cực. Tôi thích rằng hệ thống làm mờ ranh giới giữa “thực thi mô hình AI” và “thực thi được xác minh trên blockchain”, điều này rất hữu ích trong những môi trường mà sự tin cậy và khả năng kiểm toán quan trọng (ví dụ, dịch vụ AI được quản lý, triển khai doanh nghiệp, đại lý xuyên chuỗi). Tôi cũng thích rằng mô hình kinh tế căn chỉnh các động lực của người đóng góp với đầu ra có thể đo lường (bằng chứng + giá trị đã giao) thay vì những phần thưởng mơ hồ kiểu “tham gia và hy vọng.” Tuy nhiên—như với bất kỳ cơ sở hạ tầng mới nổi nào—có những lưu ý và lĩnh vực tôi đang theo dõi chặt chẽ. Đầu tiên, trong khi các bằng chứng và mô hình kinh tế được xác định rõ ràng, sự phức tạp trong thế giới thực vẫn tồn tại. Ví dụ, trong quy trình làm việc AI, việc xác định chính xác mức độ ảnh hưởng của một chu kỳ tính toán đến giá trị hoặc kết quả của người dùng là không đơn giản. Mô hình của Boundless đơn giản hóa điều này bằng cách tập trung vào “chu kỳ đã được chứng minh” và “phí đã thu”, nhưng trong các hệ thống AI thực sự, có thể có giá trị tiềm ẩn, hiệu ứng thứ cấp, hoặc sự trôi dạt mô hình không được ghi lại trong các chỉ số chu kỳ/phí thô. Điều đó có nghĩa là “kế toán cho chính nó” của AI vẫn chỉ là một phần xấp xỉ. Ngoài ra, ý tưởng rằng một AI thực hiện, được xác minh, được thưởng, v.v., hoạt động tốt khi nhiệm vụ tính toán được xác định rõ ràng. Nhưng khi nhiệm vụ là mở hoặc nhiều giai đoạn (thu thập dữ liệu → đào tạo mô hình → suy diễn → vòng phản hồi), chuỗi trách nhiệm có thể vẫn phức tạp. Thứ hai, việc áp dụng và công cụ là quan trọng. Các quy trình AI có thể xác minh cần các chuỗi chấp nhận chứng cứ, các công cụ phát triển tích hợp những chứng cứ đó, và các mô hình kinh doanh đánh giá đầu ra minh bạch. Boundless đã xây dựng nền tảng công nghệ, nhưng đối với tôi, với tư cách là người sử dụng/xây dựng, trải nghiệm sẽ phụ thuộc nặng nề vào việc tôi có thể triển khai, tích hợp, giám sát và xác thực các mô hình + chứng cứ dễ dàng đến mức nào. Nếu trải nghiệm người dùng quá nặng nề hoặc việc hướng dẫn quá kỹ thuật, nhiều người xây dựng có thể bỏ qua hoặc phớt lờ các phần “kế toán minh bạch” và quay trở lại các phương pháp không minh bạch. Cuộc phỏng vấn đã gợi ý về việc giảm chi phí ( ví dụ như giảm chi phí tính toán ZK nhiều lần ) nhưng để được áp dụng rộng rãi, điều đó phải chuyển thành các công cụ dễ tiếp cận và trải nghiệm phát triển rõ ràng. Thứ ba, khi AI học cách tự tính toán, logic của sự minh bạch phải được duy trì không chỉ trong cơ sở hạ tầng mà còn trong quản trị, cập nhật mô hình, ràng buộc đạo đức và nguồn gốc dữ liệu. Nói cách khác, các bằng chứng minh bạch về việc thực hiện là tuyệt vời—nhưng nếu dữ liệu cung cấp cho các mô hình là không minh bạch hoặc có thiên kiến, trách nhiệm vẫn còn những khoảng trống. Tôi muốn thấy Boundless giải quyết các vấn đề đầu vào: nguồn gốc dữ liệu, phiên bản mô hình, phát hiện thiên kiến, và theo dõi kiểm toán sự thay đổi mô hình. Một số điều này được đề cập trong các cuộc phỏng vấn, nhưng ít được xác định rõ ràng trong tài liệu công khai. Từ góc độ người dùng-xây dựng, tôi sẽ theo dõi cách những khoảng trống đó được lấp đầy. Cuối cùng, kinh nghiệm của tôi khi theo dõi, tham gia và lập kế hoạch cho Boundless khiến tôi tự tin rằng đây là một trong những nỗ lực trưởng thành hơn trong việc đưa việc thực thi AI có thể xác minh vào hạ tầng blockchain. Câu nói “khi AI học cách tự tính toán, Boundless phát triển cùng với logic của sự minh bạch” không chỉ là tiếp thị—nó nắm bắt cách hệ thống được thiết kế để cho phép các hệ thống AI sản xuất các đầu ra có thể xác minh, có trách nhiệm và cho phép các bên liên quan xem xét và thưởng cho chúng một cách thích hợp. Đối với các nhà xây dựng và người dùng quan tâm đến chất lượng kiểm toán, trách nhiệm mô hình, tính toán có thể truy nguyên và dòng thưởng phù hợp với giá trị, Boundless cung cấp một lớp hạ tầng hấp dẫn. Nếu các công cụ trở nên trưởng thành, sự chấp nhận mở rộng và quản trị giữ đúng lời hứa minh bạch, tôi mong rằng Boundless có thể trở thành một phần nền tảng trong bộ công nghệ AI + blockchain thế hệ tiếp theo. Nếu bạn muốn, tôi có thể đi sâu vào tokenomics của Boundless, SDK cho nhà phát triển và lộ trình sắp tới để bạn có thể đánh giá thêm từ góc độ xây dựng so với đầu tư. #Boundless $ZKC {spot}(ZKCUSDT)