El mundo de las criptomonedas está lleno de proyectos que falsifican datos, en estos tiempos confiar en el código es mucho más fiable que confiar en las apariencias. El agua en el círculo de la IA no es menos turbia, modelos con puntuaciones absurdamente altas en las listas, pero que en realidad fallan más que un gato que vuelca un vaso en casa. Datos de entrenamiento contaminados, pruebas con trampa, operaciones en caja negra en el proceso de evaluación, puntuaciones que se distancian gravemente de la verdadera capacidad, esto es lo que se llama en el mundo de la IA “la exhibición del vendedor vs la del comprador”. Este tipo de operaciones de “la ropa del emperador”, que engañan a los usuarios, confunden a los inversores y también afectan la regulación, si se mantienen así, la confianza en todo el sector se irá por el desagüe. En este momento, @inference_labs Subnet 2 es una bocanada de aire fresco, usando operaciones de prueba de conocimiento cero para generar una tarjeta de identidad criptográfica verificable e inalterable para cada inferencia del modelo, sin posibilidad de hacer trampa. Desde entonces, el rendimiento de la IA ya no será solo una autopromoción de la plataforma, cualquiera puede usar un “espejo mágico” criptográfico para verificar su autenticidad. Para los usuarios, finalmente podrán elegir modelos con ojos bien abiertos; para la industria, esto es la clave para reconstruir la confianza. Después de todo, la IA ya se ha infiltrado en todos los aspectos de la vida, un rendimiento verificable es mucho más real que unas puntuaciones infladas — ¿quién quiere estar peleando todos los días con la “IA de Schrödinger”? ¿Cómo genera Subnet 2 la tarjeta de identidad criptográfica para los modelos? ¿En qué otros campos se aplican las tecnologías de prueba de conocimiento cero? Además de las pruebas de conocimiento cero, ¿qué otras tecnologías pueden garantizar la credibilidad de los modelos de IA?