ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
เนียร์เอไอ (NEAR AI) อ้างว่าสามารถไขโจทย์พิสูจน์ทฤษฎีบทแบบ 'formal proof' บนมาตรฐานทดสอบพัตนัมเบนช์ (PutnamBench) ที่เขียนด้วยภาษา Lean 4 ได้ครบทั้ง 672 ข้อ โดยใช้ต้นทุนรวมเพียง 111 ดอลลาร์ หากตัวเลขนี้ถูกทดสอบซ้ำได้ในเงื่อนไขเดียวกัน ก็อาจกลายเป็นตัวอย่างที่ชี้ให้เห็นความคุ้มค่าด้านต้นทุนของ AI เอเจนต์ในงานพิสูจน์ทางคณิตศาสตร์
คริปโตบรีฟิง (CryptoBriefing) รายงานว่าเอเจนต์ Lean ของเนียร์เอไอไขโจทย์พัตนัมเบนช์ได้ครบทุกข้อ และมีต้นทุนต่ำกว่าระบบคู่แข่งถึง 250 เท่า อย่างไรก็ตาม รายงานดังกล่าวยังไม่ได้ระบุอย่างครบถ้วนว่าโมเดล งบประมาณการประมวลผล วิธีค้นหาคำตอบ และโครงสร้างการลองซ้ำของแต่ละระบบถูกเทียบกันภายใต้เงื่อนไขเดียวกันหรือไม่
ข้อเท็จจริงหลักที่ยืนยันได้ในตอนนี้คือ เนียร์เอไอระบุว่าไขโจทย์ครบ 672 ข้อ ด้วยต้นทุนรวม 111 ดอลลาร์ ส่วนกระดานผลคะแนนสาธารณะของพัตนัมเบนช์เองยังไม่ได้บันทึกผลลัพธ์นี้แบบเป็นอิสระ
ตามข้อมูลจากคลังโค้ดทางการของพัตนัมเบนช์ จำนวนโจทย์ในเวอร์ชัน Lean 4 อยู่ที่ 672 ข้อ มาตรฐานนี้แปลงโจทย์จากการแข่งขันคณิตศาสตร์พัตนัม (Putnam) ของมหาวิทยาลัยในสหรัฐฯ และแคนาดา ให้อยู่ในรูปภาษาทางการอย่าง Lean 4, อิสซาเบล (Isabelle) และค็อก (Coq) เพื่อวัดความสามารถของ AI ในการพิสูจน์ทฤษฎีบทแบบอัตโนมัติ
การพิสูจน์แบบทางการไม่ได้ดูแค่ว่า AI ตอบถูกหรือผิด แต่ดูว่าเครื่องสามารถสร้างขั้นตอนพิสูจน์ที่ 'ตรวจสอบได้' จริงหรือไม่ การที่คลังโค้ดของพัตนัมเบนช์เตือนไม่ให้ใช้โค้ดพิสูจน์ที่เปิดเผยต่อสาธารณะเป็นหลักฐานยืนยันผล ก็สะท้อนว่าขั้นตอนการทำซ้ำและวิธีตรวจสอบสำคัญไม่แพ้ตัวเลขผลลัพธ์เอง
คำกล่าวอ้างของเนียร์เอไอมีน้ำหนักต่อระบบนิเวศเนียร์โปรโตคอล(NEAR) เพราะบริษัทชูแนวคิด 'AI ที่ตรวจสอบได้' มาโดยตลอด หน้าเว็บทางการด้าน AI ของ NEAR อธิบายว่าโครงสร้างหลักประกอบด้วย AI ที่ผู้ใช้เป็นเจ้าของข้อมูล สภาพแวดล้อมประมวลผลที่เชื่อถือได้ (TEE) และการตรวจสอบแบบเรียลไทม์
TEE คือเทคโนโลยีที่ประมวลผลข้อมูลในสภาพแวดล้อมฮาร์ดแวร์แบบแยกส่วน จำกัดการเข้าถึงจากภายนอก เมื่อผสานกับบล็อกเชน ประเด็นสำคัญคือจะทำให้กระบวนการอนุมานของ AI การชำระเงิน และการทำงานของเอเจนต์ 'ตรวจสอบได้' มากน้อยแค่ไหน
เมื่อเดือนกุมภาพันธ์ที่ผ่านมา เนียร์เอไอเปิดตัวไอรอนคลอว์ (IronClaw) ตลาดกลาง GPU แบบเป็นความลับ (Confidential GPU Marketplace) และระบบอนุมานแบบหลายรูปแบบที่รักษาความลับ โดยเน้นย้ำโครงสร้างพื้นฐานที่ให้เอเจนต์คำนวณ ทำธุรกรรม และทำงานร่วมกันได้ คำกล่าวอ้างเรื่องพัตนัมเบนช์ครั้งนี้จึงเป็นการเติมตัวเลขด้านความคุ้มทุนเข้าไปในเรื่องราวเทคโนโลยีดังกล่าว
ก่อนหน้านี้ TokenPost เคยรายงานถึงโครงสร้างที่เนียร์เอไอเชื่อมการสเตกเนียร์โปรโตคอล(NEAR)เข้ากับสิทธิ์ใช้งานคอมพิวต์ของ AI ซึ่งขณะนั้นประเด็นหลักคือการใช้จ่ายบริการ AI และความเป็นส่วนตัว มากกว่าผลตอบแทนจากการสเตกทั่วไป คำกล่าวอ้างครั้งนี้จึงอยู่ในทิศทางเดียวกัน เพียงแต่เน้นตัวเลขต้นทุนของโครงสร้างพื้นฐาน AI แบบตรวจสอบได้
การแข่งขันในสายพิสูจน์แบบทางการก็ดำเนินไปคู่ขนาน มิสทรัล เอไอ (Mistral AI) ประกาศเมื่อวันที่ 2 กรกฎาคมว่าโมเดล Leanstral 1.5 ของตนไขโจทย์พัตนัมเบนช์ได้ 587 จาก 672 ข้อ
ในประกาศเดียวกัน มิสทรัล เอไอ ระบุต้นทุนเฉลี่ยอยู่ที่ราว 4 ดอลลาร์ต่อโจทย์ ขณะที่ลอจิคัล อินเทลลิเจนซ์ (Logical Intelligence) ระบุว่าโมเดล Aleph Prover ของบริษัทไขโจทย์ได้ 668 จาก 672 ข้อ ณ วันที่ 6 มกราคม โดยมีต้นทุนเฉลี่ยราว 68 ดอลลาร์ต่อโจทย์ที่แก้ได้
หากเทียบเฉพาะตัวเลข คำกล่าวอ้างต้นทุนรวม 111 ดอลลาร์ของเนียร์เอไอถือว่าโดดเด่นชัดเจน แต่แต่ละระบบมีโครงสร้างโมเดล วิธีค้นหาคำตอบ งบประมาณการประมวลผล และเงื่อนไขการลองซ้ำที่ต่างกัน จึงยากจะสรุปว่าตัวเลขต้นทุนที่ต่ำกว่าหมายถึงระบบที่เหนือกว่าโดยตรง
กระดานผลคะแนนของพัตนัมเบนช์เองก็ระบุว่ากำลังหารือแนวทางแสดงงบประมาณการประมวลผลของแต่ละวิธีให้ชัดเจนขึ้น การประเมินความคุ้มทุนน่าจะมีความชัดเจนมากขึ้น เมื่อกระดานผลคะแนนทางการและบันทึกวิจัยของแต่ละทีมถูกจัดมาตรฐานให้อยู่บนเกณฑ์เดียวกัน
ส่วนคำกล่าวอ้างของเนียร์เอไอจะส่งผลต่อราคาเนียร์โปรโตคอล(NEAR) หรือความต้องการในระบบนิเวศมากน้อยแค่ไหนนั้น อยู่นอกเหนือขอบเขตข้อมูลที่ยืนยันได้ในขณะนี้ ประเด็นสำคัญตอนนี้ไม่ใช่เรื่องแนวโน้มราคา แต่อยู่ที่ว่าโครงสร้างพื้นฐาน AI แบบตรวจสอบได้ทำผลงานด้านความคุ้มทุนในมาตรฐานทดสอบจริงได้มากน้อยแค่ไหน และผลลัพธ์นั้นจะถูกทดสอบซ้ำโดยอิสระได้หรือไม่
ความคิดเห็น 0