---
title: "研究梳理可验证 AI 的数学证明开销与硬件瓶颈"
dek: "一篇 arXiv 预印本报告称，数学证明生成的瓶颈会随证明系统和输入长度变化，因此加速方案需要同时考虑显存容量与具体工作负载。"
---

Yihan Xia、Wenxin Xu 和 Taotao Wang 于 2026 年 11 月 12 日提交预印本，提出可验证 AI 的硬件加速应依据完整数学证明生成任务的开销分布来设计。摘要称，研究测量了六个数学证明生成器和七个密码学内核，并以工作负载、证明系统、密码学内核和硬件平台四个层面组织文献综述。[^1]

作者将零知识数学证明描述为一种核验手段：在不暴露私有模型或数据的情况下，确认推理或训练遵循声明的计算过程。难点在于生成开销。单个密码学操作加速了多少，并不能直接说明完整神经网络任务的数学证明生成能受益多少，大型 Transformer 模型尤其如此。[^1]

作者报告，主要瓶颈会随证明系统和输入长度变化。在低秩微调中，输入长度从 64 增至 2048 时，对固定模型权重的承诺执行打开操作，其开销基本不变，而与中间值相关的工作量增加。摘要还称，一项 130 亿参数模型的微调配置超出了 40 GB 图形处理器的容量，却能在 80 GB 设备上完成。内核剖析还发现了仅看带宽的模型无法解释的指令发射与同步限制。这些均为作者报告的结果，未经我们独立复现。[^1]

:::analysis
问题位于 T2 运行时层和 T1 硬件层：来源将数学证明生成软件的开销与执行、容量限制联系起来，但没有提供证据说明某个服务正确地为用户计算生成了数学证明。这里涉及的可核验属性是可识别性：如果服务用户的确切版本和配置有记录且可核查，用户就能判断自己是否接触过相关配置；这份摘要并未确立任何漏洞或受影响情况。用户应要求提供这类记录，运营方则应核查自身的证明系统、输入长度、显存容量和执行瓶颈，再判断文中的硬件结论是否适用。这些是我们根据来源提出的核查建议，来源没有推荐任何修复版本。[^1]
:::

:::checked
我们于 2026 年 11 月 16 日阅读了保存的 arXiv 摘要页，题为《Infrastructure for Verifiable AI: Where Proof Costs Go and How Hardware Can Help》，页面标明 v1 提交于 2026 年 11 月 12 日。我们没有阅读全文、检查代码、测试系统或复现测量；本次阅读仅确认摘要报告了哪些内容。[^1]
:::

[^1]: Infrastructure for Verifiable AI: Where Proof Costs Go and How Hardware Can Help。arXiv，2026 年 11 月 12 日。https://arxiv.org/abs/2611.17042
