Anthropic نمونه‌ی پژوهشیِ سامانه‌ای به نام «FlashProve» را معرفی کرده که با اثباتِ رمزنگاری نشان می‌دهد یک پاسخِ هوش مصنوعی واقعاً از همان مدلِ ادعاشده آمده است، بدون اینکه وزن‌های مدل فاش شود. خبر را TechCrunch در ۳ نوامبر ۲۰۲۶ و The Decoder در ۴ نوامبر (۱۳ آبان ۱۴۰۵) گزارش کرده‌اند؛ گزارشِ فنی روی سایتِ Anthropic و کد روی GitHub منتشر شده است.
مسئله چیست؟
وقتی از یک سرویسِ هوش مصنوعی استفاده می‌کنید، معمولاً نمی‌دانید پشتِ پرده واقعاً همان مدلِ گران یا قوی اجرا می‌شود یا مدلِ ارزان‌تری جایش نشسته است. به گزارشِ TechCrunch، این سامانه می‌تواند جلوی جایگزینیِ پنهانِ مدلِ ارزان (برای کم‌کردنِ هزینه) یا مدلِ گران (برای بهتر نشان‌دادنِ نتیجه‌ها) را بگیرد و ادعای شخص ثالث درباره‌ی استفاده از مدلی پیشرفته را هم راستی‌آزمایی کند. تشبیهِ گزارش، امضای ایمیل است که نشان می‌دهد پیام از فرستنده‌ی ادعاشده آمده.
اگر می‌خواهی همین حالا امتحانش کنی، چت با هوش مصنوعی به فارسی در هوش نو با توضیح فارسی و بدون فیلترشکن کار می‌کند.
چطور کار می‌کند؟
- ارائه‌دهنده برای هر مدلِ منتشرشده یک «اثرانگشتِ دیجیتال» می‌سازد؛ این اثرانگشت وزن‌ها را فاش نمی‌کند، پس مدل‌های تجاری هم می‌توانند از آن استفاده کنند.
- برای هر پاسخ یک اثباتِ فشرده فرستاده می‌شود که نشان می‌دهد پاسخ از همان مدل تولید شده است. به نوشته‌ی The Decoder، پایه‌ی کار zkSNARK است.
- تأیید سبک است و طبق TechCrunch حتی روی دستگاهِ محلی ممکن است.
عددها
The Decoder از گزارشِ فنی این عددها را نقل می‌کند: تولیدِ اثبات حدود ۱۱۰ توکن در ثانیه روی یک GPU از نوع H100 برای مدلِ Llama 4 Maverick (حدود ۴۰۰ میلیارد پارامتر)، حجمِ هر اثبات حدود ۱۹ مگابایت، تأیید حدود ۱۷ ثانیه روی CPU معمولی، و سربارِ محاسباتی ۷۰ تا ۹۵ برابرِ استنتاجِ عادی. سامانه‌ی متن‌بازِ قبلی برای ۱٬۰۰۰ توکن بیش از ۱۴ ساعت وقت می‌گرفت و اثباتی ۹۳٫۶ گیگابایتی می‌ساخت؛ پس این نمونه پیشرفتِ بزرگی است، ولی هنوز دور از استفاده‌ی روزمره.
محدودیت‌ها
- فعلاً فقط زمینه‌هایی تا ۱٬۰۲۴ توکن را اثبات می‌کند، بسیار کمتر از پنجره‌ی زمینه‌ی مدل‌های امروزی.
- وزن‌ها پنهان می‌ماند ولی معماریِ مدل پنهان نمی‌ماند.
- اثبات فقط وقتی کار می‌کند که مدل محتمل‌ترین توکنِ بعدی را انتخاب کند؛ با خروجیِ تصادفیِ معمولِ چت‌بات‌ها سازگار نیست.
- پژوهشگران خودشان آن را «پیشرفتِ میانی» می‌نامند و به گزارشِ TechCrunch برنامه‌ای برای استقرار در Anthropic یا آزمایشگاه‌های دیگر ندارند.
این یعنی چه برای کاربر فارسی‌زبان؟
در ایران بسیاری از مردم به مدل‌ها از طریق واسطه‌ها و سرویس‌های ثالث دسترسی دارند و پرسشِ «واقعاً با کدام مدل حرف می‌زنم؟» پرسشِ جدی‌ای است. FlashProve هنوز به محصولی که بشود استفاده کرد تبدیل نشده، اما نشان می‌دهد صنعت دنبال راهی برای اعتمادسازی است. تا آن زمان، بهتر است به شفافیتِ سرویس‌دهنده، نامِ مدل در خروجی و مقایسه‌ی عملکرد تکیه کنید. درباره‌ی نگرانی‌های مشابه، گزارشِ واترمارکِ Claude و تحلیلِ امنیت و حریم خصوصیِ ChatGPT را بخوانید. اگر می‌خواهید چند مدل را کنارِ هم و با یک پرسش بسنجید، در ابزارهای هوش‌نو می‌توانید با GPT، Claude، Gemini و DeepSeek گفتگو کنید. منبع‌های اصلی: گزارش فنی و مخزن GitHub (مجوز Apache 2.0).
چه چیزی هنوز معلوم نیست؟
معلوم نیست این فناوری کی به سرویس‌های واقعی می‌رسد، چقدر ارزان می‌شود یا شرکت‌های دیگر آن را می‌پذیرند یا نه. TechCrunch و The Decoder جزئیاتِ فنی را کمی متفاوت توصیف کرده‌اند (TechCrunch بیشتر از «اثرانگشت» می‌گوید، The Decoder از zkSNARK)؛ هر دو به همان گزارشِ فنی برمی‌گردند.
جمع‌بندی
FlashProve یک نمونه‌ی پژوهشی است و نه محصول، اما پرسشی مهم را جدی می‌گیرد: چطور بفهمیم پاسخ از کدام مدل آمده. با سربار ۷۰ تا ۹۵ برابری و محدودیتِ ۱٬۰۲۴ توکن، فعلاً به درد پژوهش و ممیزی می‌خورد. اگر نسخه‌ی عملی‌تری منتشر شد، اینجا به‌روز می‌کنیم.
سؤالات متداول
FlashProve چیست؟
نمونه‌ی پژوهشیِ Anthropic برای اثباتِ رمزنگاریِ اینکه پاسخی از یک مدلِ مشخص آمده، بدون افشای وزن‌ها.
آیا همین حالا در Claude استفاده می‌شود؟
نه. طبق TechCrunch برنامه‌ای برای استقرار در Anthropic یا جای دیگر وجود ندارد.
چرا مهم است؟
چون می‌تواند جلوی جایگزینیِ پنهانِ مدل و ادعاهای نادرست درباره‌ی مدلِ مصرف‌شده را بگیرد.
