🤖 machine learning

Can Blockchains Reliably Train Machine Learning Models?

Dit artikel introduceert Proof of Training (PoT), een protocol dat energie-intensieve proof-of-work-miningbronnen hergebruikt voor verifieerbare machine learning-modeltraining, en toont door middel van theoretische analyse en implementatie aan dat deze aanpak hoge doorvoer, robuustheid en verbeterde netwerkbeveiliging bereikt terwijl het de technische hiaten in gedecentraliseerd leren aanpakt.

Oorspronkelijke auteurs: Peihao Li, Nadia Dahmani

Gepubliceerd 2026-05-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Peihao Li, Nadia Dahmani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme, wereldwijde competitie voor waar duizenden computers constant proberen ongelooflijk moeilijke wiskundepuzzels op te lossen. Zo werken Bitcoin en vergelijkbare blockchains momenteel (een systeem dat "Proof of Work" heet). De computers die deze puzzels als eerste oplossen, krijgen een geldbeloning. Er is echter een addertje onder het gras: deze puzzels zijn nutteloos. Ze creëren niets van waarde; ze verbranden alleen een enorme hoeveelheid elektriciteit om het netwerk veilig te houden. Het is alsof je een vloot raceauto's hebt die in rondjes rijden om alleen maar te bewijzen dat ze snel kunnen rijden, brandstof verbruikend maar nergens naartoe gaand.

Tegelijkertijd hunkert de wereld van Kunstmatige Intelligentie (AI) naar rekenkracht. Het trainen van slimme AI-modellen vereist enorme hoeveelheden berekeningen, wat duur is en moeilijk te verkrijgen.

Dit artikel stelt een oplossing voor die Proof of Training (PoT) wordt genoemd. Het idee is simpel: in plaats van energie te verspillen aan nutteloze wiskundepuzzels, laten we diezelfde enorme rekenkracht gebruiken om AI-modellen te trainen. Maar hoe zorgen we ervoor dat mensen daadwerkelijk het werk doen en niet bedriegen? Daar komt het nieuwe protocol van het artikel om de hoek kijken.

Hier is hoe het systeem werkt, opgesplitst in alledaagse concepten:

1. Het Nieuwe Spel: Trainen in plaats van Puzzels

Zie de blockchain niet als een puzzeloplosser, maar als een wereldwijde klaslokaal.

De Cliënt (De Leraar): Iemand die een getraind AI-model nodig heeft, plaatst een "huiswerkopdracht" (een dataset en een doel) op het netwerk.
De Miners (De Studenten): In plaats van puzzels op te lossen, downloaden deze computers de opdracht en beginnen ze met het trainen van de AI. Ze beloven: "Ik zal dit huiswerk op dit tijdstip afhebben," en vergrendelen die belofte.
De Validators (De Proctors): Dit zijn onafhankelijke computers die het huiswerk controleren. Ze kijken naar het voltooide AI-model en beoordelen het tegen een geheim testset om te zien hoe goed het presteert.

2. De "Commit and Reveal" Truc (Bedrog Voorkomen)

In een normaal klaslokaal kan een student misschien wachten tot hij de toetsvragen ziet voordat hij studeert. In dit systeem is dat onmogelijk.

De Kluis: Voordat de toetsvragen (de validatiegegevens) worden vrijgegeven, moet de "Student" (Miner) zijn voltooide AI-model in een digitale kluis plaatsen. Ze sturen een ontvangstbewijs (een hash) naar het netwerk om te bewijzen dat ze een specifiek model klaar hebben staan.
De Ontsluiting: Pas nadat de toetsvragen zijn vrijgegeven, opent de Miner de kluis en toont zijn model.
Waarom dit belangrijk is: Dit voorkomt dat een bedrieger naar de toetsantwoorden kijkt, het probleem oplost en zich vervolgens voordoet alsof hij het eerder heeft opgelost. Ze zijn vergrendeld voordat ze de antwoorden kennen.

3. Het "Waakhond"-Systeem (Geschillen)

Je zou kunnen vragen: "Wie controleert de Proctors? Wat als ze onrechtvaardig beoordelen of lui zijn?"
Het artikel introduceert een Geschillenmechanisme, vergelijkbaar met een "Whistleblower"-systeem:

Aannemen van Goede Trouw: Het systeem gaat er aanvankelijk van uit dat de Proctors (Validators) eerlijk zijn om tijd en energie te besparen.
Het Uitdagingstraject: Voor een korte periode na het beoordelen kan iedereen in het netwerk optreden als Waakhond. Als een Waakhond ziet dat een Proctor een slechte beoordeling heeft gegeven of een nep-score, kan hij dit betwisten.
De Inzet: Om Proctor te zijn, moet je een storting (geld) plaatsen. Als je betrapt wordt op bedrog of verkeerd beoordelen, verlies je je storting. De Waakhond die je betrapt, krijgt een deel van dat geld als beloning.
Het Resultaat: Dit creëert een krachtige prikkel voor Proctors om eerlijk te zijn en voor Waakhonden om hen in de gaten te houden. Het is als een spel waarbij het winstgevender is om eerlijk te zijn dan om te bedriegen.

4. Waarom Dit Beter Is Dan Oude Ideeën

Het artikel betoogt dat eerdere pogingen om dit te doen mislukten omdat ze te traag of onveilig waren.

De Bottleneck: Oude ideeën probeerden elke enkele huiswerkopdracht op de hoofd-blockchain te controleren. Dit zou het systeem verstikken als een file.
De Oplossing: PoT gebruikt een Layer 2-benadering. Zie de hoofd-blockchain (Layer 1) als de Bankkluis. Deze bevat alleen de uiteindelijke resultaten en het geld. Het daadwerkelijke werk (trainen en beoordelen) vindt buiten de kluis plaats in een snel, parallel netwerk (Layer 2). De Bankkluis wordt alleen betrokken als er een gevecht is (een geschil) of om de winnaars uit te betalen. Dit houdt het systeem snel en schaalbaar.

5. De Veiligheidsgarantie

De auteurs hebben de wiskunde gedaan om te bewijzen dat dit werkt. Ze toonden aan dat als de straf voor bedrog (het verliezen van je storting) hoog genoeg is, en de kans om betrapt te worden hoog genoeg is, dan is eerlijkheid de enige logische keuze.

Als een Miner probeert een nep-goed model te faken, wordt hij betrapt door een Waakhond en verliest hij geld.
Als een Validator probeert een nep-beoordeling te geven, verliest hij zijn storting.
Daarom duwt het systeem iedereen er natuurlijk toe om het echte werk te doen en het eerlijk te beoordelen.

Samenvatting

Het artikel stelt voor om de "nutteloze" energie van Bitcoin-achtige netwerken om te vormen tot een gedecentraliseerde AI-fabriek.

Oude Manier: Computers verbranden elektriciteit om betekenisloze raadsels op te lossen.
Nieuwe Manier (PoT): Computers gebruiken diezelfde elektriciteit om nuttige AI-modellen te trainen.
Hoe het eerlijk blijft: Een systeem van stortingen, geheime toetsvragen en een "whistleblower"-beloningssysteem zorgt ervoor dat niemand kan bedriegen zonder zijn geld te verliezen.

Het resultaat is een netwerk dat snel, veilig is en in staat om veel AI-trainingstaken tegelijkertijd af te handelen, allemaal zonder energie te verspillen aan taken die niets van waarde opleveren.

Technische Samenvatting: Kunnen Blockchains Betrouwbaar Machine Learning-modellen Trainen?

Probleemstelling
Huidige Proof of Work (PoW)-blockchains verbruiken enorme hoeveelheden elektriciteit uitsluitend om trustless consensus te bereiken, zonder aanvullende praktische nut. Hoewel het hergebruiken van deze rekenkracht voor Machine Learning (ML)-training een potentiële oplossing biedt voor energieverlies, lopen bestaande pogingen om ML te integreren in blockchain-consensus tegen aanzienlijke technische hiaten aan. Eerdere voorstellen, zoals Proof of Useful Work (PoUW), Proof of Deep Learning (PoDL) en Robust Proof of Learning (RPoL), lijden aan kritieke gebreken in schaalbaarheid, beveiliging en aanpasbaarheid. Specifiek vertrouwen velen op het opslaan van testdata on-chain (wat opslag uitput), vereisen wereldwijd gesynchroniseerde tijdstempels (kwetsbaar bij netwerkvertragingen), gaan uit van vertrouwde platformen, of falen in het schalen naar moderne niet-deterministische GPU-training. Bovendien staan gedistribueerde leerprotocollen zonder robuuste beveiliging toe dat tegenstanders beloningen vervalsen, wat eerlijkheid ondermijnt en deelname ontmoedigt. De kernuitdaging is het ontwerpen van een protocol dat mijnkracht richt naar verifieerbare ML-training, terwijl de beveiligings- en schaalbaarheidsgaranties van een permissionless blockchain behouden blijven.

Methodologie
De auteurs stellen Proof of Training (PoT) voor, een protocol ontworpen om de kloof te overbruggen tussen blockchain-consensus en gedecentraliseerde ML-training. De methodologie omvat drie hoofdcomponenten:

Theoretische Fundamenten & Consensusontwerp:
- Het artikel bewijst eerst een theoretisch onmogelijkheidsresultaat (Stelling II.3): een permissionless systeem waarbij validatoren worden toegelaten zonder schaarse middelen (middelloze permissionless validatoren) kan niet tegelijkertijd veiligheid en levensvatbaarheid bereiken.
- Derhalve adopteert PoT een hybride architectuur die de consensuslaag scheidt van de trainingslaag. Het maakt gebruik van een Proof of Stake (PoS)-mechanisme voor de consensuslaag (Aggregators en Validatoren) om beveiliging te waarborgen, terwijl de trainingslaag open blijft.
- Het systeem hanteert een L1–L2-architectuur:
  - L1 (Settlement Layer): Verankert stake, escrow en beloningsverdeling op een mainstream chain.
  - L2 (Execution Layer/DTN): Een Decentralized Training Network (DTN) dat het zware werk van de taaklevenscyclus, modelclaiming, validatie en geschillenbehandeling off-chain uitvoert.
Protocolmechanismen (De Taakcyclus):
- Deelnemers: Clients plaatsen taken; Miners (Service Providers) trainen modellen; Validatoren evalueren modellen; Aggregators onderhouden het grootboek; Verifiers (elke deelnemer) betwisten onjuiste validaties.
- Commit-and-Reveal: Miners commiten tot een modelhash voordat de trainingsdata wordt onthuld, wat modeldiefstal voorkomt.
- Deterministische Scorebepaling: Validatoren evalueren onthulde modellen tegen een door de client geleverde testset met behulp van een deterministische scorefunctie ( $VRF_{Model}$ ).
- Geschillenmechanisme: In plaats van elk model on-chain te valideren (wat knelpunten creëert), gaat PoT ervan uit dat validatoren aanvankelijk eerlijk zijn. Een betwistingsvenster stelt elke deelnemer in staat een validatierapport te betwisten. Als een betwisting slaagt, wordt de oneerlijke validator geslashed (verliest een fractie van hun stake) en wordt de betwister beloond. Dit houdt de on-chain staat lichtgewicht.
Incentive Security Analyse:
- De auteurs modelleren de leerlaag als een sequentieel spel. Zij leiden voldoende voorwaarden af (Stelling II.9) waaronder eerlijke validatie een strikt dominante strategie is voor validatoren en het maximaliseren van de ware modelscore de beste reactie is voor miners.
- Belangrijke voorwaarden zijn: de detectiekans ( $q$ ) vermenigvuldigd met de slashingfractie ( $\phi$ ) en stake ( $s$ ) moet de externe winst van bedrog plus het kostenverschil tussen eerlijk en oneerlijk rapporteren overtreffen.

Belangrijkste Bijdragen

Proof of Training (PoT) Protocol: Een nieuw consensusmechanisme dat PoW-achtige rekenmiddelen omleidt naar verifieerbare ML-training.
Theoretisch Beveiligingsbewijs: Een formeel bewijs dat aantoont dat middelloze permissionless validatoren geen grootboek kunnen beveiligen, wat de overstap naar een stake-gewogen consensuslaag voor PoT rechtvaardigt.
Schaalbare Architectuur: Een L1–L2-ontwerp dat waardeverdeling ontkoppelt van nutuitvoering, waardoor zware training en validatie off-chain kunnen plaatsvinden terwijl alleen compacte uitkomsten on-chain worden verwerkt.
Incentive Compatibiliteit: Een speltheoretische analyse die bewijst dat de economische parameters van het protocol (slashing, beloningen, kosten voor betwisting) de incentives van deelnemers kunnen afstemmen op eerlijk gedrag, waardoor betrouwbare modeltraining wordt gewaarborgd.

Resultaten

Theoretische Validatie: De auteurs tonen aan dat onder specifieke parameterinstellingen (slashingfractie, detectiekans en stake) eerlijk gedrag de strikt dominante strategie is voor validatoren, en dat rationele betwisters monitoring in stand zullen houden.
Doorvoerevaluatie: Simulaties van het DTN met PBFT-achtige workflows met comitégroottes van 10, 30 en 50 knooppunten tonen aan dat het systeem hoge doorvoer kan bereiken.
- Onder gemiddelde tot snelle bandbreedtevoorwaarden blijven synchronisatietijden in de orde van seconden, zelfs naarmate de batchgroottes toenemen.
- Het systeem voldoet naar verwachting ruimschoots aan de schaalbaarheidseisen van gerapporteerde industriële deep learning-taakaankomstpercentages (doorgaans ruim onder één taak per seconde).
Beveiligingssimulaties:
- Exp1: Visualiseert het uitkomstengap, wat bevestigt dat eerlijke validatie strikt dominant wordt wanneer het slashingrisico de kosten van bedrog overtreft.
- Exp2: Toont aan dat monitoring in evenwicht in stand kan worden gehouden wanneer de verwachte slashingbeloningen de verificatiekosten dekken.
- Exp3: Laat zien dat hoge detecteerbaarheid (gedreven door actieve monitoring) miners stimuleert om inspanning te investeren in het verbeteren van ware modelscores, terwijl lage detecteerbaarheid leidt tot verminderde inspanning en lagere kwaliteit.

Betekenis en Claims
Het artikel claimt dat PoT een praktische basis biedt voor schaalbare en tegenstanders-resistente open trainingsnetwerken. De betekenis ligt in:

Energie-efficiëntie: Het biedt een weg om de enorme rekenkracht van PoW-netwerken te hergebruiken voor waardevolle ML-taken, waarmee de milieuzorgen van blockchain worden aangepakt.
Betrouwbaarheid: Door een stake-gewogen consensuslaag te combineren met een geschillen-gedreven verificatiemechanisme, wordt gewaarborgd dat trainingsuitkomsten betrouwbaar zijn en beloningen eerlijk worden toegewezen zonder dat elke node dure trainingstaken opnieuw hoeft uit te voeren.
Schaalbaarheid: De L1–L2-scheiding stelt het netwerk in staat een breed scala aan werklasten te verwerken, waaronder training van grote modellen en privacygevoelige collaboratieve training, zonder het grootboek te congesteren.
Aanpasbaarheid: Het ontwerp ondersteunt frequente updates van trainingswerklasten en evaluatieregels off-chain, waardoor de rigiditeit en coördinatiekosten die gepaard gaan met on-chain consensusupdates worden vermeden.

De auteurs concluderen dat PoT de technische hiaten van eerdere voorstellen succesvol overbrugt, en een systeem biedt dat veilig, schaalbaar en in staat is om een gedecentraliseerde markt voor machine learning-training te ondersteunen.