Repeated-Game Security for Restaking-Based Verifiable Inference

تخيل عالماً حيث يمكن لعقول حاسوبية عملاقة وذكية للغاية (تُسمى نماذج اللغات الكبيرة) أن تجيب على أسئلتك، أو تكتب قصصك، أو تحل مسائلك الرياضية. ولكن هناك عقبة: تشغيل هذه العقول مكلف وبطيء. لذا، تريد الشركات توظيف عمال مستقلين للقيام بالتفكير نيابة عنها. المشكلة هي: كيف تعرف أن العامل لم يقم فقط بتخمين الإجابة أو استخدم عقلاً أرخص وأغبى لتوفير المال؟ هذا هو عالم الاستدلال القابل للتحقق (verifiable inference).

لحل هذه المشكلة، نستخدم نظاماً يسمى إعادة الرهان (restaking). فكر في الأمر كأنه تأمين نقدي؛ يضع العامل مبلغاً من المال الرقمي (الرهان) كعهد للقيام بالمهمة بأمانة. إذا انحرف عن المسار، سيقوم حكم بمراجعة عمله، وإذا تم ضبطه، سيأخذ الحكم جزءاً من وديعته. يُسمى هذا القطع أو الخصم (slashing). لفترة طويلة، اعتقد الخبراء أن هذا يمثل شبكة أمان مثالية. كانوا يعتقدون أنه إذا كانت الغرامة الناتجة عن الانحراف أكبر من المال الذي سيتم توفيره، فلن يحاول أحد الانحراف أبداً. لقد كان الأمر مجرد صفقة "لمرة واحدة": لا تسرق الكعكة، وإلا ستفقد الجرة.

ولكن ماذا لو لم يكن العامل يقوم بمهمة واحدة فقط؟ ماذا لو تم توظيفه للقيام بالملايين من المهام مراراً وتكراراً؟ هنا تصبح القصة معقدة. السؤال البارع الذي يطرحه البحث الذي ستقرأه الآن هو: هل تعمل شبكة الأمان ذات "المرة الواحدة" حقاً عندما تُلعب اللعبة مراراً وتكراراً؟ اكتشف المؤلفون، تشنغهانغ شانغ، وينغهي يو، وكاني تشن من جامعة هونغ كونغ للعلوم والتكنولوجيا، أن شبكة الأمان القديمة تحتوي على ثغرة خفية. لقد وجدوا أنه إذا انحرف العامل قليلاً فقط، فيمكنه في الواقع الإفلات بفعلته، حتى لو بدت الغرامة مخيفة في البالب. لماذا؟ لأن كل مرة يتم ضبطه فيها، تأخذ الغرامة فقط جزءاً من وديعته. وبالتالي، تصبح وديعته أصغر فأصغر، مما يجعل الغرامات المستقبلية أضعف وأضعف، بينما يستمر هو في جني المدخرات من الانحراف في كل مهمة جديدة. إنه يشبه لصاً يستمر في سرقة القليل من الذهب، وفي كل مرة يمسكه الحارس، لا يأخذ الحارس سوى قطعة صغيرة من ذهبه المتبقي، مما يجعل "المخاطرة" الخاصة باللص تنخفض حتى يصبح من الصعب ملاحقته تقريباً.

الاكتشاف الكبير: ثغرة "المكرر للمخالفة"

أدرك المؤلفون أن القاعدة القديمة — "لا تنحرف لأن الغرامة أكبر من الربح" — تعمل فقط لاتخاذ قرار واحد لمرة واحدة. لكن في العالم الحقيقي، هؤلاء المزودون للذكاء الاصطناعي مستمرون في العمل لفترات طويلة، حيث يجيبون على آلاف أو حتى ملايين الأسئلة. يصور البحث هذا الأمر كـ لعبة متكررة، حيث يلعب المزود والبروتوكول جولات متتالية.

لقد وجدوا "فجوة اللعبة المتكررة". إليكم الخدعة السحرية التي يستخدمها المنحرف:

1. الإعداد: يضع المزود رهاناً كبيراً.
2. الانحراف: يستخدم نموذجاً أرخص وأسرع للإجابة على الأسئلة، مما يوفر المال في كل استعلام.
3. الخطأ: أحياناً، يضبطهم الحكم (البروتوكول).
4. الثغرة: يقوم البروتوكول بخصم (قطع) نسبة مئوية فقط من الرهان، لنقل 20%. يخسر المزود بعض المال، لكنه لا يزال يمتلك 80% منه.
5. الدورة: ولأن رهانهم أصبح الآن أصغر، فإن الغرامة في المرة التالية التي يتم ضبطهم فيها ستكون أصغر أيضاً (20% من رقم أصغر). لكن المال الذي يوفرونه من الانحراف في السؤال التالي هو بالضبط نفس المبلغ كما كان من قبل!

يثبت البحث رياضياً أن هذا يخلق اختلالاً خطيراً. فالمدخرات تبقى ثابتة، بينما تتقلص العقوبة في كل مرة يتم ضبطهم فيها. ويظهر المؤلفون أنه بالنسبة للعديد من الأنظمة الحالية (مثل EigenAI و VeriLLM و Sertn AVS)، فإن هذه الفجوة حقيقية. فرغم أن هذه الأنظمة تجتاز اختبار الأمان "لمرة واحدة"، إلا أنها تفشل في اختبار "المدى الطويل". وفي عمليات المحاكاة، استطاع المنحرف العقلاني تحقيق ربح إضافي بنسبة 1.5% إلى 8% فقط من خلال استغلال ثغرة اللعبة المتكررة هذه، حتى عندما يظن النظام أنه آمن.

الحل: نظام أكثر ذكاءً يعتمد على التاريخ

إذاً، كيف نصلح نظاماً يضعف في كل مرة يتم فيها ضبط المنحرف؟ يقترح المؤلفون آلية جديدة تعمل كـ حكم ذكي يحتفظ بالذاكرة. فبدلاً من مجرد النظر إلى مقدار المال المتبقي لدى العامل، ينظر النظام الجديد إلى تاريخه.

لقد قدموا ثلاث أدوات ذكية لسد هذه الثغرة:

1. درجات الاشتباه (العين الساهرة): يحتفظ النظام بدرجة لكل عامل. إذا تصرف بشكل غريب (مثل الإجابة بسرعة كبيرة أو تقديم إجابات مختلفة قليلاً)، ترتفع درجة الاشتباه لديه. وكلما ارتفعت الدرجة، زاد احتمال قيام الحكم بمراجعة عمله. وهذا يعني أنك إذا انحرفت، فلن تتعرض للغرامة فحسب، بل سيتم مراقبتك عن كثب أكثر في المرة القادمة.
2. الغرامات الموزونة بالسمعة (الوسم الاجتماعي): بدلاً من مجرد أخذ نسبة مئوية من المال المتبقي، تعتمد الغرامة أيضاً على سمعة العامل. إذا كان لديك تاريخ سيء، تصبح الغرامة أقسى بكثير، حتى لو كانت وديعتك صغيرة. هذا يمنع خدعة "تقلص العقوبة".
3. الاستحقاق المؤجل أو "التقييد" (الرسن): عندما يحاول عامل مغادرة اللعبة (سحب أمواله)، لا يسمح له النظام بالهروب فوراً. بل تظل أمواله "محتجزة" لفترة من الوقت. إذا حاول الانحراف ثم الهرب، يمكن للنظام لسه ضبطه وأخذ أمواله خلال فترة الاحتجاز هذه. هذا يمنع استراتيجية "انحرف ثم اهرب".

هل ينجح الأمر حقاً؟

لم يكتفِ المؤلفون بالحلم بهذا النظام، بل بنوا محاكياً لاختباره. لقد وضعوا نظامهم الجديد في مواجهة الأنظمة القديمة باستخدام أنواع مختلفة من "المنحرفين"، بما في ذلك أولئك الذين ينحرفون باستمرار، وأولئك الذين ينحرفون فقط عندما يعتقدون ألا يراهم أحد، وأولئ تس يحاول الانحراف ثم الهرب.

كانت النتائج واعدة. في عمليات المحاكاة، سمحت الأنظمة القديمة للمنحرفين بالاحتفاظ بربحهم الإضافي. لكن النظام الجديد، بقواعده التي تراعي التاريخ، قلص أرباح المنحرفين بنسبة 31% إلى 54%. وفي بعض الحالات، جعل الانحراف استراتيجية خاسرة، محولاً الربح إلى خسارة للمنحرف.

كما اختبروا مدى "قابلية كشف" الانحراف. استخدموا نماذج ذكاء اصطناٍ حقيقية (تتراوح من نماذج صغيرة بـ 0.5 مليار معلمة إلى نماذج ضخمة بـ 14 مليار معلمة) لمعرفة ما إذا كان بإمكان النظام تمييز الفرق بين الإجابة الحقيقية والإجابة الرخية والمزيفة. ووجدوا أن "مقياس الاشتباه" في النظام يعمل بشكل جيد جداً، خاصة عندما يكون الفرق في التكلفة بين النموذج الجيد والنموذج الرخيص كبيراً. فكلما حاول المنحرف توفير المال، سهل كشفه.

لماذا يهم هذا؟

هذا البحث هو بمثابة جرس إنذار لعالم أمن البلوكشين والذكاء الاصطناعي. فهو يوضح أن مجرد نجاح قاعدة أمنية للحظة واحدة لا يعني أنها ستعمل مدى الحياة. لم يكتفِ المؤلفون بالإشارة إلى مشكلة، بل وضعوا مخططاً لنظام يمكنه التعامل مع واقع التفاعلات المتكررة.

لقد أثبتوا أنه من خلال جعل العقوبة تعتمد على سلوك العامل الماضي وإبقائه تحت "الرسن" عندما يحاول المغادرة، يمكننا إنشاء نظام يظل آمناً حتى لو استمرت اللعبة إلى الأبد. إنه تحول من التفكير في الأمن كـ "كفالة" لمرة واحدة إلى التفكير فيه كعلاقة طويلة الأمد حيث تُكتسب الثقة وتُفقد بمرور الوقت. وبالنسبة لأي شخص يبني مستقبل الذكاء الاصطنا على البلوكشين، فإن هذه خطوة حاسمة لضمان أن العمال يقومون بالفعل بالعمل الذي يعدون به.