💻 computer science

Quantum-Resilient Decentralized AI Economies: Proof-of-Useful-Work and Post-Quantum Security

本文提出了一种具有量子抗性的去中心化人工智能经济，该经济通过利用有用的机器学习任务取代了高能耗的工作量证明机制，并利用三层架构和后量子密码学来实现经济效率与针对量子威胁的增强安全性。

原作者： Connor Barbaccia, Sudip Vhaduri, Sayanton Dibbo

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Connor Barbaccia, Sudip Vhaduri, Sayanton Dibbo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个全球性的数字市场，人们需要完成各种任务——比如解决复杂的数学问题或训练智能计算机大脑（AI）——但他们不想把这些任务交给单一的大型公司来做。相反，他们希望由一群独立的志愿者来完成这些工作。

这篇论文提出了一种组织这群人的新方法，解决了目前运作方式中的两个主要问题：浪费和未来的安全风险。

以下是使用简单类比进行的详细拆解：

1. 问题所在：“数字剪刀石头布”游戏

目前，运行这类去中心化网络（如比特币）最著名的方法依赖于工作量证明（Proof-of-Work）。

类比： 想象一场巨大的、全球性的“剪刀石头布”游戏。为了获得奖励，你必须一遍又一遍地猜测一个随机数字，直到运气好中签为止。
缺陷： 这消耗了大量的电力和计算能力，但结果却是毫无用处的。你解出了一个谜题，但你并没有为世界真正做任何有益的事情。这就像为了点亮一支蜡烛而烧掉了价值一百万美元的燃料，而这支蜡烛其实根本没人需要。

2. 解决方案：“有用功”工厂

作者建议用**有用功证明（Proof-of-Useful-Work）**来取代这种无意义的猜数字游戏。

类比： 与其玩剪刀石头布，不如想象这个网络是一个巨大的、分布式的工厂。当你想要加入时，你不是在猜数字；你是在真正建造某种东西。
运作方式： 如果你拥有一台强大的计算机，你可以用它来训练一个 AI 模型或回答一个问题（推理）。
- 推理（Inference）： 就像图书管理员快速为顾客找书。
- 训练（Training）： 就像老师在慢慢学习一门新学科，以便日后教授他人。
益处： 你消耗的能量不再是被浪费，而是创造了真正的价值（智能的 AI 模型），这些模型是人们真正需要的。

3. 三层架构（工厂车间）

为了在没有老板的情况下实现这一目标，论文建议建立一座三层建筑：

第一层：工人（计算层）。 这些是拥有强大计算机并从事实际 AI 工作（训练或回答问题）的人。
第二层：检查员（验证层）。 我们如何知道工人没有作弊？也许他们只是复制了一个旧答案或者伪造了结果。检查员使用多种技巧：
- “秘密测试”： 偷偷混入一个已知答案的问题，看看工人是否能答对。
- “同行评审”： 要求五个不同的工人解决同一个问题，看他们的答案是否一致。
- “数学证明”： 利用先进的密码学技术，在不泄露秘密数据的情况下，证明数学运算是正确执行的。
第三层：银行（经济层）。 这是一个闭环货币系统。
- 用户通过支付数字代币来获取 AI 服务。
- 那些钱直接支付给完成工作的工人。
- “闭环”： 论文认为，为了保持稳定，用于支付工人的资金必须来自使用该服务的真实用户，而不是仅仅基于“希望”来印钞。这就像一家餐厅，厨师的报酬来自于吃菜的顾客，而不是由老板印制假优惠券。

4. 量子安全转折：为什么这在未来更安全

论文还探讨了未来量子计算机（能够破解当前安全代码的超强计算机）带来的威胁。

旧系统的威胁： 当前的区块链依赖于两件事：
1. 签名（Signatures）： 就像数字身份证。量子计算机可以轻易伪造这些签名（使用所谓的秀尔算法/Shor's Algorithm）。
2. 哈希谜题（Hash Puzzles）： 就是前面提到的“剪刀石头布”游戏。量子计算机可以更快地解决这些谜题（使用格罗弗算法/Grover's Algorithm），使得旧系统变得不安全。
为什么这个新系统更好：
- 关于签名： 作者承认数字身份证仍需升级为“抗量子”版本（就像从纸质锁升级为钢制保险库）。这是一个可以解决的问题，适用于任何系统。
- 关于工作本身： 这是大获全胜之处。旧系统依赖于“在大海里找针”（寻找随机数）。量子计算机非常擅长找针。
- 新系统： 新系统依赖于进行数学运算（比如通过乘以巨大的矩阵来训练 AI）。量子计算机并不擅长加速这种特定类型的重度数学运算。
- 类比： 如果说旧系统是一场“捉迷藏”游戏（量子计算机非常擅长赢下这场游戏），那么新系统就是一场“解复杂谜题”的游戏。量子计算机并没有针对这个谜题的魔法作弊码；它仍然必须付出艰苦的劳动。

总结

该论文提出了一个去中心化的 AI 经济体系，其中：

工人因从事真实的、有用的 AI 任务而获得报酬，而不是在随机猜数字上浪费能源。
检查员利用多种手段确保工作的诚实性。
资金从真实用户流向工人，形成一个循环，从而保持系统稳定。
安全性在面对未来的量子计算机时更强，因为正在进行的工作（AI 数学）在本质上比旧有的“猜数字”游戏更难被量子计算机作弊。

作者得出结论：虽然我们仍需将数字身份证（签名）升级为抗量子的版本，但该网络的核心引擎（AI 工作）本身已经比旧有的方式具有更强的韧性。

技术摘要：量子韧性的去中心化 AI 经济体

问题陈述
当前的区块链共识机制（主要是工作量证明 PoW）通过生成无外部效用的哈希谜题来保障网络安全，这消耗了大量能源（据估计比特币每年消耗 13.39 GW），且不产生任何可重用的输出。与此同时，机器学习（ML）领域正面临计算瓶颈，工作负载高度集中在少数组织手中。虽然目前已存在去中心化物理基础设施（DePIN）网络，但其代币价值往往与实际服务需求之间的耦合度较弱。此外，量子计算的兴起对经典区块链构成了双重威胁：Shor 算法威胁着签名方案（如 ECDSA），而 Grover 算法则针对基于哈希的谜题提供了二次加速。本文旨在解决如何设计一个能够协调有用 AI 计算（推理与训练）而非浪费性哈希的去中心化网络，同时确保该系统在经济上可行且能抵御量子对手攻击的挑战。

方法论
作者提出了一个用于去中心化 AI 经济的三层参考架构：

计算层（Compute Layer）： 节点提供 GPU/加速器，用于两种不同的任务类型：推理（无状态、低延迟的模型应用）和训练（有状态、带宽密集型的梯度更新）。
验证层（Validation Layer）： 采用混合验证方法，结合密码学证明（zkML）、同行排名、基准测试注入（隐藏测试查询）以及声誉权重。验证技术的选择具有自适应性，根据工作负载的重要性在成本与安全性之间进行平衡。
经济层（Economic Layer）： 该层建立了一个闭环代币经济。不同于排放驱动型模型，该系统将代币发行与节点补偿直接与经过验证的服务需求挂钩。

作者使用 $(\theta_c, \theta_w, W)$ -闭环 AI 经济 的定义对该系统进行了形式化。一个网络被视为严格闭环，需满足以下条件：

原生代币 ( $\tau$ ) 是 AI 服务的唯一支付媒介。
至少有 $\theta_c$ 比例（默认为 0.75）的节点补偿以 $\tau$ 支付。
在滚动窗口 $W$ 内，至少有 $\theta_w$ 比例（默认为 0.75）的新代币发行被分配给经过验证的生产性工作。

为了确保安全性，论文推导了一个**充足质押条件（sufficient-stake condition）**以保证诚实参与。在拜占庭对手控制不足三分之一质押量的威胁模型下，作者定义了一个平衡质量得分、计算成本和惩罚机制（slashing）的奖励函数。他们证明，如果质押保证金 ( $S$ ) 满足由诚实执行与不诚实执行之间的成本差距、质量差距以及检测概率所导出的特定不等式，则诚实执行是占优策略。

核心贡献

三层架构： 一个将计算、验证和经济协调分离的结构化参考模型，用于去中心化 AI。
形式化代币经济： 提出了 $(\theta_c, \theta_w, W)$ -闭环经济的定义，将“闭环”的概念从设计目标转变为一个精确、可评估的标准。
激励相容性证明： 推导出了一个充足质押界限（命题 1），该界限在明确的威胁模型和奖励函数下保证了诚实行为。
量子韧性分析： 对各层量子威胁进行了逐层评估：
- 签名层： 承认 Shor 算法会破解经典签名（ECDSA），并建议迁移至后量子标准（ML-DSA, SLH-DSA）。
- 哈希/工作层： 指出通过将哈希谜题替换为 ML 原生任务（线性代数、矩阵乘法），在结构上避免了 Grover 算法所利用的“非结构化搜索”问题。与哈希谜题不同，ML 推理和训练并不会从 Grover 的二次加速中获益。
- 验证层： 建议使用基于哈希的证明系统（如 STARKs）而非基于配对（pairing-based）的 SNARKs，以减轻 Shor 算法带来的风险。

结果与主张
本文并未展示实验部署结果，而是提供了一个理论框架和对比分析。

经济可行性： 闭环模型确保代币价值追踪实际服务需求而非投机预期，解决了现有 DePIN 系统中存在的“弱耦合”问题。
安全权衡： 分析表明，虽然交易层仍易受 Shor 算法的影响（这是一个通用的区块链风险），但工作层本身获得了结构性优势。通过利用 ML 原生的线性代数，该网络避开了 Grover 加速所需的特定计算结构，从而提供了一种架构层面的（而非仅仅是参数层面的，如增加哈希长度）量子韧性。
竞争优势： 所提方案被定位为优于现有的解决方案（如 Bittensor, Gensyn, Akash），因为它是唯一一个完整整合了推理、训练以及严格闭环代币经济，并提供细粒度量子威胁分析的系统。

意义
论文声称，用有用的 AI 工作取代哈希谜题，既能带来经济上的优势，也能带来量子安全上的优势。在经济上，它使代币激励与现实世界效用保持一致。在安全性上，它将共识工作量从量子计算机可以加速的“原像搜索”结构中转移出来。作者得出结论，虽然签名层需要标准的后量子迁移，但其“有用工作”共识机制本身提供了一种结构性防御，能够抵御 Grover 式攻击。这使得去中心化 AI 经济成为新兴的量子计算与量子机器学习领域进行形式化分析的一个极具前景的目标。作者也谦虚地指出，针对 ML 工作共识的正式后量子安全博弈仍是一个开放的研究课题。

1. 问题所在：“数字剪刀石头布”游戏

2. 解决方案：“有用功”工厂

3. 三层架构（工厂车间）

4. 量子安全转折：为什么这在未来更安全

总结

技术摘要：量子韧性的去中心化 AI 经济体

类似论文