في عالم الذكاء الاصطناعي، تمثل نماذج اللغات الضخمة (Large Language Models) تحديًا كبيرًا في إثبات نتائج تدريبها. فعندما تكون أوزان النموذج والبيانات التدريبية سرية، يصبح من الصعب التحقق من دقة النتائج المعلنة. لكن، تمكنا من انتظار فجر جديد في هذا المجال مع ظهور zkLLMPoT، إطار العمل الذي يعتمد على إثبات المعرفة الصفرية (Zero-Knowledge Proof).

تعمل zkLLMPoT من خلال مرحلتين رئيسيتين:

1. **تحديد النموذج**: في البداية، يقوم المدرب بتحديد هيكلية النموذج، وتُعتمد أوزانه بشكل نهائي. هنا، يتدخل المدقق ليختار تسلسلات تحدي تمنع المدرب من تعديل النموذج استجابةً للبيانات المدققة.

2. **إثبات القيمة**: بعد ذلك، يقوم المدرب بإثبات القيمة المطلوب تحقيقها بواسطة النموذج المتعهد على تلك التسلسلات.

هذا النظام الجديد يجعل تكلفة الشهادة مستقلة عن عدد دورات التدريب، دون الحاجة إلى الكشف عن أوزان النموذج أو البيانات التدريبية الخاصة. يعتمد zkLLMPoT على حجج قائمة على sumcheck وlookup لإثبات حسابات Transformers، الأمر الذي يدعم زيادة الكفاءة في الوقت المستغرق للإثبات، حيث تتراوح أوقات الإثبات بين 41 و59 ثانية للنماذج ذات الـ 1.1-1.5 مليار معلمة، و131 ثانية للعيّنات التي تحتوي على 13 مليار معلمة.

على العموم، يوفر zkLLMPoT طريقة سريعة ومؤمنة لإثبات الجدارة دون فقدان الخصوصية، مما يعد تحولاً كبيرًا في مجال الذكاء الاصطناعي ونماذج اللغات الضخمة.