تكررت حالات التلاعب في بيانات المشاريع في عالم العملات الرقمية، وفي هذه الأيام، الاعتماد على الكود الموثوق به أصبح أكثر موثوقية من الاعتماد على الضجيج. مياه مجال الذكاء الاصطناعي ليست عميقة فحسب، بل هناك نماذج ذات درجات عالية على القوائم، لكن استخدامها الفعلي يتعرض للفشل بشكل أكثر تكرارًا من انسكاب الماء من كوب قطتك المنزلية. تلوث بيانات التدريب، وتخصيص أسئلة الاختبار، وعمليات التقييم كصندوق أسود، حيث تتباعد الدرجات عن القدرات الحقيقية، مما يجعلها بمثابة "عرض البائع مقابل عرض المشتري" في عالم الذكاء الاصطناعي. هذا النوع من العمليات "الملابس الجديدة للملك" يضر بالمستخدمين، ويضلل المستثمرين، ويؤثر على التنظيم، وإذا استمر الحال على هذا النحو، فإن الركيزة الأساسية لثقة الصناعة بأكملها ستتآكل. في هذا الوقت، يُعتبر @inference_labs و Subnet 2 بمثابة تيار نقي، حيث يستخدم عمليات إثبات المعرفة الصفرية القوية، ويولد لكل استنتاج نموذج هوية رقمية قابلة للتحقق وغير قابلة للتلاعب، مما يمنع الغش بشكل كامل. من الآن فصاعدًا، لم تعد أداءات الذكاء الاصطناعي مجرد ترويج ذاتي من المنصات، بل يمكن لأي شخص التحقق من هويته باستخدام "مرآة التحقق" التشفيرية. بالنسبة للمستخدمين، أخيرًا يمكنهم اختيار النماذج بعيون مفتوحة؛ وبالنسبة للصناعة، فإن هذا هو السلاح السحري لإعادة بناء الثقة. بعد كل شيء، لقد تسرب الذكاء الاصطناعي إلى جميع جوانب الحياة، والأداء الحقيقي القابل للتحقق هو أكثر واقعية من الأرقام المبالغ فيها — أليس من الأفضل ألا نضطر للقتال يوميًا مع "الذكاء الاصطناعي شرودنغر"؟ كيف يقوم Subnet 2 لإثبات المعرفة الصفرية بإنشاء هوية رقمية للنموذج؟ وما هي التطبيقات الأخرى لتقنية إثبات المعرفة الصفرية في مجالات أخرى؟ بالإضافة إلى إثبات المعرفة الصفرية، ما هي التقنيات الأخرى التي يمكنها ضمان موثوقية نماذج الذكاء الاصطناعي؟