Как убедиться, что арендованные децентрализованные GPU действительно выполнили мою задачу обучения?

Децентрализованные вычислительные сети позволяют каждому арендовать мощности GPU для обучения ИИ-моделей и получать готовые веса. Пользователь получает файл, а не доказательство. Сегодня ничто не подтверждает, что эти веса получены именно в ходе указанного обучающего запуска: оператор может вернуть заранее обученный чекпоинт, выполнить меньше шагов градиентного спуска или полностью подменить датасет. Верификация инференса — проверка одного прямого прохода — уже сложна для ZK-доказательств; верификация обучения сложнее на порядок, поскольку градиентный спуск представляет собой длинный последовательный процесс, арифметика float16 привносит недетерминизм, нарушающий побитовое воспроизведение, а обучающие данные могут быть приватными. Все крупные вычислительные сети DePIN полагаются на репутацию и экономические стимулы для предотвращения мошенничества, а не на криптографические квитанции.