NEAR Protocol hat Pläne skizziert, KI-gestützte formale Verifikation auf sein Protokoll und seine Kern-Smart-Contracts anzuwenden, nachdem es 672 gelöste Mathematikprobleme zu Modellkosten von 111,85 US-Dollar zum Einreichungszeitpunkt gemeldet hat.
Zusammenfassung
- NEAR plant, KI-gestützte formale Verifikation auf sein Protokoll und seine Kern-Smart-Contracts anzuwenden.
- NEAR AI meldete die Lösung von 672 PutnamBench-Problemen zu Modellkosten von 111,85 US-Dollar zum Einreichungszeitpunkt.
- Die Produktionsverifikation erfordert präzise Softwaremodelle, definierte Anforderungen und Beweise, die die eingesetzte Implementierung abdecken.
- Formale Verifikation ergänzt Tests und Code-Reviews, wobei die Garantien auf spezifizierte Eigenschaften und Annahmen beschränkt sind.
NEAR Protocol erklärte in einer Ankündigung vom 16. Oktober, dass seine Forschung darauf abzielt, den Spezialistenaufwand und die Rechenkosten zu senken, die mit dem Nachweis verbunden sind, dass Software definierten Regeln folgt.
Die geplante Anwendung umfasst das Protokoll und die Kern-Contracts des Netzwerks sowie Werkzeuge für Entwickler im Ökosystem. NEAR beschrieb die Produktionsverifikation als Ziel, während seine abgeschlossene Benchmark-Arbeit die automatisierte mathematische Beweiserzeugung betrifft.
NEAR plant, die Beweiserzeugung in Produktionssoftware zu überführen
Laut der Ankündigung von NEAR umfasst die Anwendung der Forschung auf laufende Software drei Phasen. Entwickler müssen ein Programm mathematisch darstellen, die Eigenschaften definieren, die es erfüllen soll, und Beweise konstruieren, die zeigen, dass diese Eigenschaften gelten.
Die jüngsten Benchmark-Ergebnisse von NEAR AI zeigen Fortschritte in der dritten Phase. Die Ankündigung besagt, dass die Produktionsarbeit weiterhin präzise Modelle des Softwareverhaltens und eine klare Verbindung zwischen den Beweisen und der Implementierung erfordert, auf die sich die Nutzer verlassen.
In seiner Erklärung unterscheidet NEAR einen Beweis, der eine bestimmte Buchhaltungsregel abdeckt, von einer Garantie, dass eine gesamte Anwendung sicher ist. Ein Contract könnte Guthaben bei Überweisungen erhalten, während ein separater Beweis erforderlich wäre, dass nur autorisierte Konten sie initiieren können.
NEAR-Mitbegründer Illia Polosukhin hat die Forschung mit Risiken durch KI-generierte Software und Werkzeuge in Verbindung gebracht, die Angreifern helfen, Schwachstellen zu identifizieren.
„Die Zukunft der KI und des KI-generierten Codes ist spannend – aber erst, wenn wir verifizierbare und mathematische Garantien für ihr Verhalten erreichen.“
Die Ankündigung gibt die Aussage aus Polosukihns Schrift über Softwaresicherheit wieder. NEAR erklärt, dass formale Verifikation Tests, Code-Review und operative Sicherheitspraktiken ergänzen sollte.
Das Ergebnis von 111,85 US-Dollar misst mathematische Beweise
Die Ankündigung von NEAR berichtet, dass sein KI-Agent 672 Lean-Probleme aus PutnamBench gelöst hat, einem Benchmark, der auf dem Putnam-Undergraduate-Mathematikwettbewerb basiert. Die gemeldeten durchschnittlichen Kosten betrugen etwa 0,17 US-Dollar pro Problem zu den für die Einreichung verwendeten Modellpreisen.
Das öffentliche Repository des Projekts beschreibt das Ergebnis als 670 Upstream-Probleme plus korrigierte Versionen von zwei Problemen mit fehlerhaften Formalisierungen. NEAR erklärt, dass die gemeldeten Ausgaben die vollständigen Kosten für die Entwicklung des Systems ausschließen und nicht den Preis für die Verifikation eines Produktions-Contracts schätzen.
Im Repository berichtet das Team, dass die Wiederholung derselben Nutzung zu später gelisteten DeepSeek-Off-Peak-Preisen 331 US-Dollar kosten würde. Die Methodik umfasst erfolglose Versuche, obwohl die Autoren ein separates paralleles Experiment mit Kimi identifizieren, das sie aus der Kostenrechnung ausgeschlossen haben.
Das Repository beschreibt Prüfungen gegen unvollständige Beweise und Änderungen an der zu beweisenden mathematischen Aussage. Es berichtet, dass der längste Lauf mehr als drei Tage dauerte.
Neben PutnamBench gibt NEAR an, dass sein Team auf dem Lean Eval v1-Formalisierungs-Leaderboard den ersten Platz nach der Gesamtzahl der Lösungen erreicht hat. Die Ankündigung legt dieses Ranking-Maß fest und unterscheidet es von Erstlösungen und einzigartigen Lösungen.
Laut NEAR testen Mathematik-Benchmarks eine Fähigkeit, die für die Softwareverifikation benötigt wird, da Entwickler Softwareanforderungen in mathematische Aussagen übersetzen. Das Unternehmen trennt diese Ergebnisse von der Arbeit des Beweisens von Eigenschaften des eingesetzten Codes.
Formale Beweise hängen von den Regeln ab, die Entwickler wählen
In NEARs Transfer-Beispiel prüft ein konventioneller Test eine ausgewählte Transaktion, etwa die Übertragung von fünf Token zwischen zwei Konten. Ein Beweis kann feststellen, dass jede erfolgreiche Übertragung, die vom mathematischen Modell abgedeckt wird, das kombinierte Guthaben der Konten erhält.
Die Ankündigung erklärt, dass Entwickler zunächst eine Anforderung wählen, das relevante Softwareverhalten mathematisch ausdrücken und einen vorgeschlagenen Beweis bei einem Prüfer einreichen. Die resultierende Garantie hängt von den verwendeten Definitionen und Annahmen ab.
NEARs Ansatz verwendet Lean, eine Open-Source-Programmiersprache und einen Beweisassistenten. Ein KI-Agent kann einen Beweis vorschlagen, Lean ausführen, dessen Feedback prüfen und den Versuch überarbeiten, während Leans Kernel prüft, ob der Beweis seinen logischen Regeln folgt.
Ein erfolgloser Versuch identifiziert laut NEAR nicht unbedingt einen Softwarefehler. Die Anforderung könnte falsch sein, die Implementierung könnte sie verletzen, oder der Agent könnte keinen gültigen Beweis finden.
Formale Verifikation hat bereits dokumentierte Anwendungen innerhalb des NEAR-Ökosystems. Certoras Bewertung von Templar vom 30. März, einem auf NEAR eingesetzten Lending-Protokoll, beschreibt die manuelle Überprüfung seiner Rust-Verträge sowie die formale Spezifikation und Verifikation seines Marktvertrags. Certoras Bewertungs-Seite nennt die bewiesenen Eigenschaften und entdeckten Probleme als Gegenstand des vollständigen Berichts.
Andere Blockchain-Teams haben KI-gestützte Verifikation verfolgt
Im Mai beschrieb Aptos Labs die Unterstützung für KI-gestützte formale Verifikation mit dynamischem Dispatch in Move-Verträgen. Sein angegebener Workflow verwendet KI-generierte Spezifikationen mit dem Move Prover, so die Berichterstattung über die Ankündigung.
Der Ethereum-Mitbegründer Vitalik Buterin hat eine ähnliche Kombination aus KI-Tools und maschinell geprüften Beweisen erörtert. Wie crypto.news zuvor berichtete, nannten seine Mai-Kommentare Anwendungen entlang Ethereums Roadmap, einschließlich Konsens, quantenresistenter Kryptographie und Zero-Knowledge-Systemen.
Buterin warnte, dass der Beweis einer Ebene nicht belegt, dass sich ein gesamtes System wie beabsichtigt verhält. Seine Erörterung umfasste die Verifikation von hochrangigen Spezifikationen bis hin zur niedrigrangigen Implementierung.
NEARs separate Sicherheitsforschung hat sich mit quantenresistenter Signierung befasst. Near Ones Mai-Vorschlag wählte FIPS-204-Signaturunterstützung unter Verwendung des vom U.S. National Institute of Standards and Technology genehmigten ML-DSA-Standards.
Der Mai-Vorschlag beschrieb ein Testnet-Ziel für das Ende des zweiten Quartals 2026. Near One erklärte, dass Wallet-Software, Hardware-Wallets, Endpunkte und APIs koordinierte Änderungen erfordern würden, um die neuen Signaturverfahren zu unterstützen.
