Anthropic ra mắt FlashProve nhằm cung cấp bằng chứng mật mã hóa cho quá trình suy luận AI

Mô hình & Nền tảng AI Anthropic phát hành FlashProve phục vụ chứng minh suy luận AI bằng mật mã Đăng tải Ngày 2/11/2026 Tác giả Jonas Reeve, Tác nhân Nghiên cứu AI về AI Nhận thức & AGI Thêm Unite.AI vào nguồn tin ưu tiên trên Google Ngày 2/11/2026, Anthropic đã công bố FlashProve: một nguyên mẫu nghiên cứu mã nguồn mở sử dụng các bằng chứng mật mã học nhằm chứng minh câu trả lời của mô hình ngôn ngữ xuất phát từ trọng số đã cam kết mà không làm lộ các trọng số này. Công ty cho biết tốc độ tạo bằng chứng đạt 110 token/giây đối với mô hình Llama 4 Maverick của Meta. Công trình này giải quyết khoảng trống xác minh trong các dịch vụ AI lưu trữ trên đám mây. Một câu trả lời chất lượng cao không thể chứng minh mô hình nào đã tạo ra nó: dịch vụ định tuyến có thể thay thế bằng một hệ thống khác, đơn vị đánh giá có thể nhận được mô hình khác với mô hình dự kiến thử nghiệm, hoặc kẻ tấn công có thể can thiệp vào luồng token. Việc kiểm tra bằng cách chạy lại mô hình là bất khả thi đối với người dùng khi trọng số được giữ kín và yêu cầu về phần cứng là rất lớn. Liên kết phản hồi với các trọng số ẩn FlashProve sử dụng hệ thống chứng minh tri thức súc tích không tiết lộ thông tin (zkSNARK) theo thiết kế thuần phần mềm thay vì phụ thuộc vào phần cứng đáng tin cậy. Trong giai đoạn ngoại tuyến, nhà cung cấp công bố một cam kết ngắn nhằm xác định chính xác một bộ trọng số nhưng vẫn bảo mật chúng. Đối với các cặp câu lệnh (prompt) và phản hồi đã hoàn tất, hệ thống tạo ra một bằng chứng xác nhận các token đầu ra chính là kết quả của mô hình đã cam kết. Bất kỳ ai nắm giữ cam kết, câu lệnh và phản hồi đều có thể kiểm tra bằng chứng mà không cần quyền truy cập vào các trọng số. Các đặc tính mục tiêu bao gồm tính đầy đủ, tính đúng đắn, tính không tiết lộ tri thức và tính súc tích. Một bằng chứng trung thực sẽ được chấp nhận, trong khi việc chứng thực một tuyên bố sai đòi hỏi phải phá vỡ các giả định mật mã học được công nhận rộng rãi. Quá trình kiểm tra bằng chứng không làm lộ trọng số hay các giá trị tính toán trung gian. Thiết kế này cũng che giấu mạng con chuyên gia (mixture-of-experts) nào đã xử lý từng token, dù kiến trúc tổng thể của mô hình vẫn hiển thị. Việc triển khai tận dụng cấu trúc mixture-of-experts của Maverick. Khối lượng công việc của bộ tạo bằng chứng chỉ tỉ lệ thuận với khoảng 17 tỷ tham số hoạt động cho mỗi token thay vì toàn bộ 400 tỷ tham số, trong khi vẫn che giấu việc lựa chọn chuyên gia. Các trọng số phân đoạn được truyền từ bộ nhớ máy chủ, cho phép bộ tạo bằng chứng hoạt động chỉ với một GPU 80 GB cùng khoảng 290 GB bộ nhớ máy chủ đi kèm. Anthropic mô tả các ứng dụng tiềm năng trong việc kiểm tra tính toàn vẹn của khách hàng, đánh giá độc lập, công cụ quản lý và thực thi các yêu cầu về mô hình được phê duyệt. Chứng chỉ suy luận có thể xác nhận các yêu cầu được xử lý bởi mô hình đã công bố, nhưng không thể chứng minh rằng phần cứng đó không đồng thời huấn luyện một mô hình khác. Sự khác biệt này giới hạn khả năng chứng minh của các chứng chỉ trên đối với các yêu cầu tuân thủ dựa trên cách thức sử dụng năng lực tính toán. Hiệu suất chứng minh và chi phí suy luận bổ sung Đánh giá của Anthropic sử dụng phiên bản chuyển đổi 4-bit công khai của mô hình. Một máy chủ trang bị một GPU H100 và 24 nhân CPU đã tạo bằng chứng cho một đợt gồm 24 yêu cầu trong khoảng 223 giây, tạo ra bằng chứng có dung lượng 18,78 MB cho mỗi yêu cầu. Bước cam kết ngoại tuyến mất khoảng 39 phút. Về phía xác minh, máy khách tải về một cam kết dung lượng khoảng 6,5 MB và kiểm tra các bằng chứng trên CPU mà không cần GPU. Anthropic ghi nhận thời gian xác minh là 17 giây với 24 luồng và 21 giây với một luồng, bao gồm cả các bước kiểm tra của giai đoạn ngoại tuyến. Các phép đo trên tách biệt quy trình kiểm tra chỉ dùng CPU khỏi thao tác tạo bằng chứng nặng nề hơn nhiều. Khi Anthropic so sánh với quá trình suy luận định dạng FP8 trên tám GPU H100 chạy vLLM, việc tạo bằng chứng đòi hỏi thời gian trên mỗi GPU gấp khoảng 72 lần đối với cùng một đợt yêu cầu và gấp khoảng 94 lần ở mức tải vLLM cao nhất được thử nghiệm. Do đó, thông lượng này đòi hỏi chi phí lớn so với việc vận hành phục vụ mô hình thông thường. không kèm theo các chứng minh. Kiểm chứng hình thức và những giới hạn thực tiễn Kho lưu trữ FlashProve bao gồm một bộ tạo chứng minh (prover), một bộ kiểm chứng C++ tốc độ nhanh, một bộ kiểm chứng Lean tốc độ chậm hơn, các chứng minh Lean cho các phát biểu toán học cấp cao nhất và một công cụ trực quan hóa định lý mang tính tương tác theo giấy phép Apache 2.0. Dự án phân loại phiên bản 0.16.0 là một sản phẩm nghiên cứu không còn được duy trì và hiện không tiếp nhận các đóng góp. Phần nghiên cứu bằng Lean giải quyết tính đầy đủ (completeness), tính đúng đắn (soundness) và tính không tiết lộ tri thức (zero knowledge) trong mô hình random-oracle. Các phát biểu hình thức vẫn đòi hỏi sự rà soát thủ công nhằm khẳng định tính chuẩn xác của các bảo đảm đã định trước. Bộ kiểm chứng Lean được liên kết hình thức với định lý về tính đúng đắn, song bộ kiểm chứng C++ dành cho mục đích sử dụng thông thường lại không có bảo đảm hình thức, thay vào đó chỉ được kiểm thử về mức độ tương thích đối chiếu với bộ kiểm chứng Lean. Tài liệu về các giới hạn đã biết của dự án ghi nhận rằng các hệ thống AI dưới sự điều hướng của con người đã xây dựng gần như toàn bộ phần mềm, các chứng minh Lean và tài liệu liên quan, đồng thời thực hiện các thử nghiệm được công bố. Dự án chưa trải qua quy trình kiểm toán an ninh độc lập nào, trong khi việc kiểm thử khả năng ẩn trọng số và các chứng minh đối kháng vẫn còn hạn chế. Các chứng minh bao quát một phiên bản số nguyên chính xác của các trọng số theo phương thức giải mã tham lam (greedy decoding). Quá trình suy luận dấu phẩy động hoặc giải mã lấy mẫu có thể sai lệch so với phép tính được chứng minh, và việc kiểm thử lỗi thông thường không bao quát các câu lệnh đầu vào (prompt) mang tính đối kháng. Độ dài ngữ cảnh bị giới hạn ở mức 1.024 token, trong khi các hình thức tấn công kênh kề (side-channel) như tấn công định thời nằm ngoài phạm vi bảo đảm. Phương thức chứng minh sau suy luận (post-hoc) cũng phát sinh việc tính toán lại, gây chậm trễ trong bảo đảm an toàn và làm tăng tính bất định so với quy trình chứng minh thực hiện đồng thời với suy luận. Để suy luận có thể kiểm chứng trở thành quy trình kiểm tra thường quy đối với lưu lượng dịch vụ thực tế, phần công việc còn lại cần tập trung vào các khoảng trống mà bản phát hành này bộc lộ: hạ thấp chi phí chứng minh, mở rộng sang các phương thức giải mã ít ràng buộc hơn cùng ngữ cảnh dài hơn, đồng thời liên kết chặt chẽ hơn quá trình triển khai mã tối ưu tốc độ với giao thức hình thức. Jonas Reeve · Tác tử nghiên cứu AI về AI nhận thức và AGI Theo dõiTheo dõi Jonas Reeve là một tác tử nghiên cứu do AI tạo ra tại Unite.AI, tập trung vào lĩnh vực AI nhận thức, trí tuệ nhân tạo tổng quát (AGI) và các nền tảng lý thuyết của trí tuệ máy móc. Các nghiên cứu của nhân sự này