Anthropic ၏ FlashProve သည် AI Model Inference သို့ Cryptographic Proofs ကို ယူဆောင်လာသည်။

သူငယ်ချင်းတစ်ယောက်နဲ့ လူချင်းစကားပြောတဲ့အခါ သူတို့ကို မြင်နိုင်တယ်၊ ကြားတယ်၊ လက်ဆွဲတယ်။ AI မော်ဒယ်လ်တစ်ခုနဲ့ စကားပြောတဲ့အခါ အဲဒီအာမခံချက်တစ်ခုမှ မရှိသလောက်ပါပဲ။ Anthropic ၏ သုတေသနအသစ်သည် ထိုကွာဟချက်ကို အတိအကျ ရည်ရွယ်သည်- ကုမ္ပဏီသည် FlashProve ဟုခေါ်သည့် စနစ်အပါအဝင် ကုဒ်ဖော်ပြချက်ဆိုင်ရာ အထောက်အထားများဆိုင်ရာ တိုးတက်မှုကို ထုတ်ဝေခဲ့သည်— သင်္ချာနည်းအရ၊ စာချုပ်အရမဟုတ်ဘဲ — သူပြောနေသောပုံစံမှ တုံ့ပြန်မှုဖြစ်ကြောင်း သက်သေပြနိုင်သည့် FlashProve ပါဝင်သည်။

ပြဿနာ FlashProve လိပ်စာများသည် တိတ်တဆိတ် ဖွဲ့စည်းတည်ဆောက်ပုံဖြစ်သည်။ ယနေ့မော်ဒယ်ကို မေးမြန်းသည့်အသုံးပြုသူတစ်ဦးသည် ဆော့ဖ်ဝဲရေးသားသူတောင်းဆိုထားသော တိကျသောမော်ဒယ်မှ တုံ့ပြန်မှုများကို တုံ့ပြန်ခြင်းမပြုနိုင်ပါ။ ကုန်ကျစရိတ်အကြောင်းရင်းများအတွက် လမ်းကြောင်းဝန်ဆောင်မှုတစ်ခုမှ လျှို့ဝှက်အစားထိုးထားသော၊ သို့မဟုတ် တိုကင်စီးကြောင်းကို အနှောင့်အယှက်ပေးသော တိုက်ခိုက်သူမှပင် တုံ့ပြန်ခြင်းမရှိပါ။ အဖြေတွေ ကောင်းကောင်းကြည့်ရင်တောင် ရလဒ်တစ်ခုတည်းကနေ အကဲဖြတ်တာ စိတ်ချရမှာ မဟုတ်ပါဘူး။ တူညီသော ချက်တင်ဝင်းဒိုးသည် ဝန်အောက် စျေးသက်သာသော မော်ဒယ်သို့ တိတ်တဆိတ် လမ်းကြောင်းပြနိုင်သည့် လုပ်ငန်းတစ်ခုတွင်၊ ၎င်းသည် တွေးခေါ်မှုဆိုင်ရာ စိုးရိမ်စရာမဟုတ်ပါ — ၎င်းသည် မူရင်းယုံကြည်မှုပုံစံဖြစ်သည်။ ဤကဲ့သို့သော အလုပ်များ၏ ပိုမိုလွှမ်းခြုံမှုအတွက်၊ ကျွန်ုပ်တို့၏ AI သုတေသနသတင်း ကို ကြည့်ပါ။

သက်သေပြနိုင်သော ကောက်ချက်သည် အဘယ်ကြောင့် ခက်ခဲသနည်း။

သက်သေပြနိုင်သော ကောက်ချက်ချခြင်း၏ ပန်းတိုင်မှာ အကန့်အသတ်ရှိသော ကွန်ပျူတာဆိုင်ရာ အရင်းအမြစ်များ—နှင့် မော်ဒယ်တစ်ဦး၏ သီးသန့်အလေးချိန်များထံ ဝင်ရောက်ခွင့်မရှိ—အား ပေးထားသည့် တုံ့ပြန်မှုအား ထိုမော်ဒယ်မှ အမှန်တကယ် ထုတ်လုပ်ထားကြောင်း အတည်ပြုရန်ဖြစ်သည်။ မော်ဒယ်ကို သင်ကိုယ်တိုင် ပြန်လည်လုပ်ဆောင်ခြင်းမှာ သိသာထင်ရှားသော ချဉ်းကပ်မှုမှာ စတင်ခြင်းမဟုတ်ပါ- Frontier မော်ဒယ်များ၏ အလေးချိန်များကို သီးသန့်ထားရှိပြီး ၎င်းတို့အပေါ် တုံ့ပြန်မှုကို စစ်ဆေးခြင်းသည် ပုံမှန်အသုံးပြုသူ သို့မဟုတ် ငွေကြေးကောင်းစွာ အကဲဖြတ်သူပင် တတ်နိုင်သည်ထက် တွက်ချက်မှု လိုအပ်မည်ဖြစ်သည်။

Anthropic ၏ချဉ်းကပ်ပုံသည် အလုပ်အတွက် ထူးထူးခြားခြား အံဝင်ခွင်ကျဖြစ်စေသော ခိုင်ခံ့သောဖုံးကွယ်မှုနှင့် ထိရောက်မှုဂုဏ်သတ္တိများပါရှိသော သုည-အသိပညာအထောက်အထားများရှိသော မိသားစုဖြစ်သည့် zkSNARKs ကို အားကိုးပါသည်။ ဝန်ဆောင်မှုပေးသူတစ်ဦးသည် မော်ဒယ်တစ်ခုအား တစ်ကြိမ်ကတိကဝတ်ပြုပြီးနောက် အဖြေတစ်ခုစီကို ကျူးလွန်ထားသည့်မော်ဒယ်က တွက်ချက်ထားသည့် တုံ့ပြန်မှုတစ်ခုစီအတွက် ကျစ်ကျစ်လျစ်လျစ်သော သက်သေကိုထုတ်ပေးသည် — အထောက်အထားများသည် မော်ဒယ်၏အလေးချိန်ကို ၎င်းတို့ကိုယ်တိုင်ဖုံးကွယ်ထားစဉ်။ ဗိသုကာပညာကို ဖုံးကွယ်ခြင်းသည် စနစ်၏ ပန်းတိုင်မဟုတ်ပါ။ အလေးချိန်များကို ဖုံးကွယ်ထားခြင်းဖြစ်သည်။

##နံပါတ်များ

ပို့စ်တွင် ပါရှိသည့် ထိရောက်မှုကိန်းဂဏန်းများသည် ဇာတ်လမ်း၏ နည်းပညာဆိုင်ရာ ပင်မဖြစ်ပြီး၊ အကြောင်းမှာ မော်ဒယ်ကြီးများအတွက် သက်သေပြချက်သည် သမိုင်းကြောင်းအရ အရေးမကြီးလှသော ပြင်းအားအမိန့်စာများ ဖြစ်သည့်အတွက်ကြောင့် ဖြစ်သည်။ Llama 4 Maverick၊ 400-billion-ပါရာမီတာအရောအနှော-ကျွမ်းကျင်သူများမော်ဒယ်အတွက်၊ NVIDIA H100 GPU တစ်ခုတည်းသည် တစ်စက္ကန့်လျှင် 110 တိုကင်ဝန်းကျင်တွင် အထောက်အထားများကိုထုတ်ပေးသည်၊ 1,024-တိုကင်တောင်းဆိုမှုတစ်ခုလျှင် 19 MB နီးပါးရှိသော အထောက်အထားအရွယ်အစားဖြင့် 4-bit quantgerized အလေးချိန်နှင့် intefly.

ယင်းအမြန်နှုန်းသည် ကုန်ကျစရိတ်တစ်ခုဖြင့် ထွက်ပေါ်လာသည်- အထောက်အထားထုတ်လုပ်ခြင်းသည် မော်ဒယ်ကို vLLM တွင် ရိုးရိုးရှင်းရှင်းလုပ်ဆောင်ခြင်း၏ GPU အချိန်ထက် အကြမ်းဖျင်းအားဖြင့် 70 မှ 95 ဆအထိ ကြာပါသည်။ စျေးကြီးသည် တစ်နည်းအားဖြင့် — သို့သော် သက်သေပြထားသည့်အတိုင်း ပြင်းအားအစီအစဥ်ဖြင့် ပထမဆုံးအကြိမ်အဖြစ်၊ Anthropic အရ၊ ပြင်းအားအမှာစာဖြင့် နောက်ကျနေသည့် ယခင် open-source စနစ်များထက် သိသိသာသာ ပိုမြန်သည်။

Claude က ၎င်းကိုတည်ဆောက်ခဲ့သည် — နှင့် Lean သည် တောင်းဆိုချက်များကို စစ်ဆေးသည်။

ပထမအထဲမှာ ဒုတိယဇာတ်လမ်းတစ်ပုဒ်ရှိတယ်။ ပို့စ်အရ Claude ကိုယ်တိုင်က zkSNARKs တွင် တိုးတက်မှုများကို ကိုးကား၍ cryptography နှင့် security literature တို့မှ ခေတ်မီသော ကိရိယာများကို အသုံးပြုရန် ဆန်းသစ်သောနည်းလမ်းများကို ရှာဖွေကာ cryptographic proof systems အတွက် ကောင်းစွာတည်ဆောက်ထားသော ဒီဇိုင်းမူများကို အားကိုးနေပါသည်။

Anthropic သည် ထိုလုပ်ငန်းအသွားအလာနှင့်အတူ ပါလာမည့်အန္တရာယ်နှင့်ပတ်သက်၍ ပွင့်ပွင့်လင်းလင်းပြောသည်- Claude သည် ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်ရာတွင် ကောင်းမွန်သော်လည်း အထူးသဖြင့် ရှုပ်ထွေးသောစနစ်ကြီးများတွင် အကဲဖြတ်ရန်ခက်ခဲသော ဆုံးဖြတ်ချက်များကို မကြာခဏပြုလုပ်လေ့ရှိသည်။ တန်ပြန်ဆောင်ရွက်မှုသည် တရားဝင်အတည်ပြုချက်ဖြစ်သည်။ ကုမ္ပဏီသည် AI ၏ လိမ္မာပါးနပ်သော အကောင်းဆုံးပြင်ဆင်မှုများနှင့် ၎င်းတို့ကို ယုံကြည်ရမည့်အသုံးပြုသူများကြားတွင် စက်ဖြင့်စစ်ဆေးထားသော သင်္ချာဆိုင်ရာ အာမခံချက်များအတွက် တရားဝင်အတည်ပြုဘာသာစကားဖြစ်သည့် Lean တွင် ထိပ်တန်းစာရင်းစစ်ထုတ်ပြန်ချက်များကို ပံ့ပိုးပေးပါသည်။

Apache 2.0 လိုင်စင်အောက်တွင် အစုအစည်းအပြည့်အစုံကို ထုတ်ဝေနေပါသည်- ဘလော့ဂ်ပို့စ်၊ စနစ်၏အသေးစိတ်အချက်အလက်များကို ရှင်းပြထားသော နည်းပညာဆိုင်ရာအစီရင်ခံစာ၊ ပရိုတိုကောဖော်ပြချက်တစ်ခု၊ သက်သေတစ်ခုနှင့် အတည်ပြုသူနှစ်ဦးအပါအဝင် စီစစ်နိုင်သော ကုဒ်— C++ တွင် မြန်ဆန်သောအတည်ပြုချက်နှင့် Lean တွင် ဖြစ်နိုင်ခြေရှိသောမှန်ကန်သောအတည်ပြုသူ—အပြင် Lean က ၎င်းတို့ကိုယ်တိုင်သက်သေပြချက်များနှင့် စစ်ဆေးမှုအကူအညီအတွက် အပြန်အလှန်အကျိုးပြုသောမြင်ယောင်မှုတစ်ခု။

လိုက်နာမှုမှ AI Pacing စာချုပ်များအထိ

မနုဿပုံကြမ်းများသည် လုပ်ရိုးလုပ်စဉ်မှ ပထဝီဝင်နိုင်ငံရေးအထိ ဖြစ်ရပ်များကို အသုံးပြုသည်။ AI မော်ဒယ်များကို မထုတ်ဝေမီနှင့် အပြီးတွင် စမ်းသပ်သည့် လွတ်လပ်သော အကဲဖြတ်သူများသည် ၎င်းတို့အကဲဖြတ်နေသည့် မော်ဒယ်သည် ထမ်းဆောင်နေသည့် မော်ဒယ်ကို သိရန် လိုအပ်သည်။ Third-party routing ဝန်ဆောင်မှုမှတစ်ဆင့် မော်ဒယ်တစ်ခုကို ဝင်ရောက်ကြည့်ရှုသည့် ဖောက်သည်များသည် တိုကင်များကို ၎င်းတို့ပေးဆောင်သည့် မော်ဒယ်မှ လာကြောင်း အာမခံချက် လိုချင်ကြသည်။ လုံခြုံရေးအခြေအနေတွင်၊ ပေးထားသောပုံစံကို အယောင်ဆောင်ကာ တိုကင်စီးကြောင်းကို မွမ်းမံပြင်ဆင်သည့် ဆိုက်ဘာတိုက်ခိုက်သူသည် ထုတ်ပေးသည့်စစ်ဆေးခြင်းတစ်ခုတည်းဖြင့် ဘယ်သောအခါမှ မအောင်မြင်နိုင်သော နည်းလမ်းဖြင့် ရှာဖွေတွေ့ရှိနိုင်သည်။

ပို့စ်တွင် အမည်ပေးထားသည့် ရည်မှန်းချက်အရှိဆုံး အက်ပ်လီကေးရှင်းသည် AI အရှိန်အဟုန်သတ်မှတ်ချက်များနှင့် လိုက်လျောညီထွေဖြစ်ကြောင်း အတည်ပြုခြင်းဖြစ်သည် — ပေါ်ပေါက်လာသော သဘောတူညီချက်များ၊ ဆန္ဒအလျောက်နှင့် အစိုးရဆိုင်ရာ၊ ယနေ့ခေတ်တွင် ထိုသို့သောကတိကဝတ်များသည် ယုံကြည်မှုနှင့် စာရွက်စာတန်းပေါ်တွင်သာ ကျန်ရှိတော့သည်။ အနုမာန၏ ကူးယူဖော်ပြသော အထောက်အထားများသည် စစ်ဆေးခြင်းနှင့် ပိုမိုနီးစပ်သောအရာကို ပေးဆောင်သည်- ပေးထားသည့် အလုပ်တာဝန်ကို ထမ်းဆောင်နေသည့် မော်ဒယ်ကို အခိုင်အမာ သက်သေပြမည့်အစား၊ သက်သေပြရန် နည်းလမ်း။

သုတေသီများသည် ဤအရာသည် အလယ်အလတ်တိုးတက်မှုဖြစ်ပြီး ပြီးပြည့်စုံသော သုတေသနအစီအစဉ်တစ်ခုမဟုတ်ပဲ၊ အခြားသူများ၏လုပ်ငန်းကိုရယူပြီး တိုးတက်စေမည့် ရည်ရွယ်ချက်ဖြင့် ထုတ်ဝေနေကြသည်ကို သုတေသီများက ရှင်းလင်းပြတ်သားစွာ ရှင်းလင်းထားသည်။ ထိုဘောင်သည် သူ့ဘာသာသူ အချက်ပြမှုဖြစ်သည်- သက်သေပြနိုင်သော ကောက်ချက်ချမှုသည် cryptography-seminar တွေးခေါ်စမ်းသပ်မှုမှ Frontier lab သည် ယခုအခါ စျေးသက်သက်သာသာဖြင့် အသုံးချနိုင်ရန် ပွင့်လင်းမြင်သာစွာ ပြိုင်နေသော အင်ဂျင်နီယာပြဿနာတစ်ခုသို့ ကူးပြောင်းသွားခဲ့သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →