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]

[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

来源

  1. Infrastructure for Verifiable AI: Where Proof Costs Go and How Hardware Can HelparXiv · 2026年11月12日

核查或更正本页

验证记录

下方摘要可以说明你读到的文字是否与公开的源文件一致,但不能说明报道内容本身正确。这一摘要在构建时根据本页的 Markdown 源文件计算,并列入站点清单。

7c4a322158c63648d88c20c21ff85fa30a02f536d291b20be9ba9e4fc9bf8eab