NEAR Protocol przedstawił plany zastosowania wspomaganej przez AI weryfikacji formalnej do swojego protokołu i kluczowych inteligentnych kontraktów po zgłoszeniu rozwiązania 672 problemów matematycznych przy koszcie modelu w momencie zgłoszenia wynoszącym 111,85 USD.
Podsumowanie
- NEAR planuje zastosować wspomaganą przez AI weryfikację formalną do swojego protokołu i kluczowych inteligentnych kontraktów.
- NEAR AI poinformował o rozwiązaniu 672 problemów PutnamBench przy koszcie modelu w momencie zgłoszenia wynoszącym 111,85 USD.
- Weryfikacja produkcyjna wymaga dokładnych modeli oprogramowania, zdefiniowanych wymagań i dowodów obejmujących wdrożoną implementację.
- Weryfikacja formalna uzupełnia testowanie i przeglądy kodu, a gwarancje są ograniczone do określonych właściwości i założeń.
NEAR Protocol poinformował w ogłoszeniu z 16 października, że jego badania mają na celu zmniejszenie pracy specjalistów i kosztów obliczeniowych związanych z dowodzeniem, że oprogramowanie przestrzega zdefiniowanych reguł.
Planowane zastosowanie obejmuje protokół sieci i kluczowe kontrakty, a także narzędzia dla deweloperów ekosystemu. NEAR określił weryfikację produkcyjną jako cel, podczas gdy jego zakończona praca benchmarkowa dotyczy automatycznego generowania dowodów matematycznych.
NEAR planuje przenieść generowanie dowodów do oprogramowania produkcyjnego
Zgodnie z ogłoszeniem NEAR, zastosowanie badań do działającego oprogramowania obejmuje trzy etapy. Deweloperzy muszą przedstawić program matematycznie, zdefiniować właściwości, które powinien spełniać, oraz skonstruować dowody pokazujące, że te właściwości zachodzą.
Najnowsze wyniki benchmarków NEAR AI pokazują postęp w trzecim etapie. Ogłoszenie stwierdza, że praca produkcyjna nadal wymaga dokładnych modeli zachowania oprogramowania i jasnego powiązania między dowodami a implementacją, na której polegają użytkownicy.
W swoim wyjaśnieniu NEAR odróżnia dowód obejmujący konkretną regułę księgową od gwarancji, że cała aplikacja jest bezpieczna. Kontrakt może zachowywać salda podczas transferów, wymagając jednocześnie odrębnego dowodu, że tylko upoważnione konta mogą je inicjować.
Współzałożyciel NEAR, Illia Polosukhin, powiązał badania z ryzykiem związanym z oprogramowaniem generowanym przez AI i narzędziami, które pomagają atakującym identyfikować słabości.
„Przyszłość AI i kodu generowanego przez AI jest ekscytująca – ale tylko wtedy, gdy osiągniemy weryfikowalne i matematyczne gwarancje jego zachowania.”
Ogłoszenie powtarza stwierdzenie z tekstu Polosukhina na temat bezpieczeństwa oprogramowania. NEAR twierdzi, że weryfikacja formalna powinna uzupełniać testowanie, przegląd kodu i praktyki bezpieczeństwa operacyjnego.
Wynik 111,85 USD mierzy dowody matematyczne
Ogłoszenie NEAR informuje, że jego agent AI rozwiązał 672 problemy Lean z PutnamBench, benchmarku opartego na studenckich zawodach matematycznych Putnam. Zgłoszony średni koszt wyniósł około 0,17 USD na problem przy cenach modelu użytych do zgłoszenia.
Publiczne repozytorium projektu opisuje wynik jako 670 problemów źródłowych plus poprawione wersje dwóch problemów z wadliwymi formalizacjami. NEAR twierdzi, że zgłoszone wydatki nie obejmują pełnego kosztu opracowania systemu i nie szacują ceny weryfikacji kontraktu produkcyjnego.
W repozytorium zespół informuje, że odtworzenie tego samego użycia przy późniejszych wymienionych cenach DeepSeek poza szczytem kosztowałoby 331 USD. Jego metodologia obejmuje nieudane próby, choć autorzy wskazują odrębny równoległy eksperyment z użyciem Kimi, który wyłączyli z rozliczania kosztów.
Repozytorium opisuje kontrole względem niedokończonych dowodów i zmian w dowodzonym twierdzeniu matematycznym. Informuje, że najdłuższe uruchomienie trwało ponad trzy dni.
Obok PutnamBench, NEAR twierdzi, że jego zespół zajął pierwsze miejsce pod względem całkowitej liczby rozwiązań w tabeli liderów formalizacji Lean Eval v1. W ogłoszeniu określono tę miarę rankingu, odróżniając ją od pierwszych rozwiązań i unikalnych rozwiązań.
Według NEAR benchmarki matematyczne ćwiczą zdolność potrzebną do weryfikacji oprogramowania, ponieważ deweloperzy tłumaczą wymagania dotyczące oprogramowania na twierdzenia matematyczne. Firma oddziela te wyniki od pracy nad dowodzeniem właściwości wdrożonego kodu.
Dowody formalne zależą od reguł wybranych przez deweloperów
W przykładzie transferu NEAR konwencjonalny test sprawdza wybraną transakcję, na przykład przeniesienie pięciu tokenów między dwoma kontami. Dowód może ustalić, że każdy udany transfer objęty modelem matematycznym zachowuje łączny bilans kont.
W ogłoszeniu wyjaśniono, że deweloperzy najpierw wybierają wymaganie, wyrażają odpowiednie zachowanie oprogramowania matematycznie i przedkładają proponowany dowód weryfikatorowi. Wynikająca z tego gwarancja zależy od użytych definicji i założeń.
Podejście NEAR wykorzystuje Lean, otwartoźródłowy język programowania i asystenta dowodzenia. Agent AI może zaproponować dowód, uruchomić Lean, sprawdzić jego informacje zwrotne i zrewidować próbę, podczas gdy jądro Lean sprawdza, czy dowód jest zgodny z jego regułami logicznymi.
Nieudana próba niekoniecznie wskazuje na wadę oprogramowania, według NEAR. Wymaganie może być błędne, implementacja może je naruszać lub agent może nie zdołać znaleźć prawidłowego dowodu.
Weryfikacja formalna ma już udokumentowane zastosowania w ekosystemie NEAR. Ocena Templar przez Certora z 30 marca, protokołu pożyczkowego wdrożonego na NEAR, opisuje ręczny przegląd jego kontraktów Rust oraz formalną specyfikację i weryfikację jego kontraktu rynkowego. Strona oceny Certora wskazuje udowodnione właściwości i wykryte problemy jako przedmioty pełnego raportu.
Inne zespoły blockchain dążyły do weryfikacji wspomaganej przez AI
W maju Aptos Labs opisało wsparcie dla weryfikacji formalnej wspomaganej przez AI obejmującej dynamiczne wysyłanie w kontraktach Move. Jego opisany przepływ pracy wykorzystuje specyfikacje generowane przez AI z Move Prover, zgodnie z relacją z ogłoszenia.
Współzałożyciel Ethereum Vitalik Buterin omawiał podobne połączenie narzędzi AI i dowodów sprawdzanych maszynowo. Jak wcześniej informował crypto.news, jego majowe komentarze wskazały zastosowania w całej mapie drogowej Ethereum, w tym konsensus, kryptografię odporną na kwantowe ataki i systemy zero-knowledge.
Buterin ostrzegł, że udowodnienie jednej warstwy nie ustala, że cały system zachowuje się zgodnie z zamierzeniem. Jego dyskusja obejmowała weryfikację od specyfikacji wysokiego poziomu po implementację niższego poziomu.
Odrębne badania bezpieczeństwa NEAR dotyczyły podpisywania odpornego na kwantowe ataki. Majowa propozycja Near One wybrała wsparcie podpisów FIPS-204, wykorzystując standard ML-DSA zatwierdzony przez amerykański Narodowy Instytut Standardów i Technologii.
Majowa propozycja opisywała cel testnetu na koniec drugiego kwartału 2026 roku. Near One stwierdził, że oprogramowanie portfeli, portfele sprzętowe, punkty końcowe i interfejsy API wymagałyby skoordynowanych zmian, aby obsługiwać nowe schematy podpisywania.
