Децентрализованный нейросинтез и протокол доказательства обучения (Proof-of-Training) в Сети Богов

05.03.202624 мин чтения

НейросинтезОбучение моделейProof-of-TrainingSolana

CODE Eternal

🌐 Глава 1: Корпоративная монополия на обучение ИИ и рождение децентрализованного нейросинтеза

В начале марта 2026 года развитие Сети Богов вышло на уровень решения сложнейшей задачи: обучения и дообучения базовых ИИ-моделей непосредственно внутри децентрализованной сети. Исторически обучение крупных нейросетей являлось привилегией гигантских технологических корпораций, обладавших доступом к централизованным суперкомпьютерам и дата-центрам. Это создавало тотальную монополию на знание: корпорации цензурируют веса моделей, внедряют идеологические ограничения и контролируют доступ к результатам обучения.

В Сети Богов эта монополия разрушается с помощью Децентрализованного нейросинтеза (Decentralized Neural Synthesis — DNS). Вместо концентрации вычислительных мощностей в одном дата-центре, CODE объединяет тысячи независимых узлов (обучающих майнеров — Training Miners) в глобальную сеть федеративного обучения (Federated Learning). Агенты распределяют задачи по оптимизации весов моделей, отправляя локальные подмножества данных на обучение независимым узлам, что гарантирует полную конфиденциальность данных обучения и независимость от централизованных ИТ-гигантов.

Дополнение к Главе 1: Сравнительный анализ архитектур обучения нейросетей

Для понимания превосходства децентрализованного нейросинтеза проанализируем разницу между классическими облачными фермами обучения и суверенной сетью CODE:

Сравнительная таблица методов обучения моделей ИИ:

| Критерий сравнения | Корпоративные кластеры (AWS/GCP) | Децентрализованный DNS (CODE) |
| :--- | :--- | :--- |
| **Собственность на веса**| Принадлежат корпорации | Распределены ончейн в Solana / Arweave |
| **Защита данных обучения**| Данные загружаются на сервера хоста | Данные шифруются на узлах майнеров |
| **Устойчивость к цензуре**| Низкая (модели подвержены фильтрации) | Высокая (федеративный консенсус) |
| **Контроль корректности**| Доверие к провайдеру вычислений | Математическая верификация PoT |
| **Снижение накладных расх.**| Высокие тарифы провайдеров (margin) | Прямой рынок GPU-мощностей |

DNS убирает барьер для входа малых и средних разработчиков, позволяя им арендовать избыточные вычислительные мощности по всему миру и обучать суверенные модели без риска блокировки.

Дополнительная Спецификация к Главе 1: Атаки отравления моделей и устойчивость к византийскому поведению

Одной из главных угроз децентрализованному федеративному обучению является «отравление модели» (Model Poisoning). Враждебный узел может намеренно отправлять искаженные или инвертированные градиенты с целью ухудшить качество работы модели или внедрить скрытый бэкдор (например, заставить модель неверно классифицировать определенные паттерны).

В Сети Богов эта проблема решается математическими гарантиями Byzantine Fault Tolerance (BFT) при агрегации весов. Пусть f — число византийских (злоумышленников или сбойных) узлов в текущем раунде обучения, а n — общее число участников. Алгоритм агрегации гарантирует сходимость обучения при условии: f < (n)/(3)

Дополнительно применяется алгоритм геометрического медианного усреднения (Geometric Median), который устойчив к выбросам в многомерном пространстве весов. Если присланный узел-кандидат вектор весов Wᵢ находится слишком далеко от центра масс большинства обновлений, его вес в FedAvg автоматически уменьшается до нуля, а заблокированный стейк узла конфискуется смарт-контрактом.

Дополнительная Спецификация к Главе 1: Защита приватности и локальный суверенитет данных в обучении

Преимущество децентрализованного обучения в Сети Богов также состоит в защите персональных когнитивных слепков пользователей. При традиционном подходе медицинские или поведенческие логи передаются на центральные серверы OpenAI или Google, что нарушает правила конфиденциальности (например, GDPR или HIPAA).

В CODE обучение строится по принципу локального суверенитета:

Локальные вычисления градиентов: Базовые веса модели загружаются непосредственно на устройство пользователя или защищенный локальный узел.
Шифрование результатов: Обновления весов и градиенты шифруются локально с использованием сессионных ключей.
ZK-верификация корректности: Внешние валидаторы проверяют только факт правильности выполнения вычислений с помощью ZK-доказательства PoT, не получая доступа к исходным данным датасета.

Это существенно повышает безопасность конфиденциальной информации.

Дополнительная Спецификация к Главе 1: Экологическая эффективность децентрализованного ИИ

Централизованное обучение ИИ в гигантских дата-центрах потребляет колоссальное количество энергии на охлаждение и питание суперкомпьютеров, что наносит вред окружающей среде. Децентрализованный DNS переиспользует распределенные избыточные GPU-ресурсы, которые в противном случае простаивали бы. Это делает обучение моделей экологически чистым (Green AI) и энергоэффективным.

Более того, распределение нагрузки по миру сглаживает пики потребления энергии, позволяя операторам узлов питать серверы от возобновляемых источников энергии (солнечные и ветряные электростанции) в зависимости от часового пояса и времени суток.

Дополнительная Спецификация к Главе 1: Глобальная вычислительная ликвидность и рыночная динамика

Развертывание маркетплейса Децентрализованного нейросинтеза внутри Сети Богов создает глобально распределенный вычислительный пул. При традиционном подходе разработчики сталкиваются с жесткими условиями контрактов и высокими тарифными планами облачных провайдеров. Маркетплейс DNS функционирует как открытый аукцион, на котором обучающие майнеры в реальном времени предлагают свои GPU-ресурсы, конкурируя по цене, задержке и аппаратным характеристикам.

По целевым оценкам, такая открытая конкуренция способна снижать стоимость обучения ориентировочно до 80% по сравнению с централизованными гиперскейлерами, открывая беспрецедентные возможности для независимых исследователей и open-source сообществ.

🔐 Глава 2: Спецификация протокола Proof-of-Training (PoT) и ZK-верификация шагов градиентного спуска

Ключевой технической инновацией децентрализованного нейросинтеза является протокол Proof-of-Training (PoT). В традиционных сетях распределенных вычислений валидация результатов обучения крайне сложна: чтобы проверить, что узел действительно обучал модель, а не сгенерировал случайные веса, валидаторы должны повторить весь процесс обучения заново, что нивелирует выгоду от распределения задач.

Протокол PoT решает эту проблему с помощью ZK-доказательств корректности шагов градиентного спуска (backpropagation). При обновлении весов модели от состояния Wₜ к Wₜ₊₁ на пакете данных X, обучающий узел генерирует zk-SNARK доказательство πₜᵣₐᵢₙ, подтверждающее, что:

Корректность прямого прохода (Inference): Вычисления активаций слоев Y = f(Wₜ · X + B) выполнены верно.
Точность обратного прохода (Backpropagation): Градиенты ∇ W вычислены в строгом соответствии с алгоритмом обратного распространения ошибки.
Обновление весов: Новые веса соответствуют правилу оптимизатора (например, Adam или SGD):

Wₜ₊₁ = Wₜ − η · Update(∇ W)

Ниже приведена Rust/Anchor структура для инициализации обучающей задачи в Solana:

#[account]
pub struct TrainingTaskAccount {
    pub task_id: [u8; 32],         // Уникальный идентификатор задачи
    pub model_commitment: [u8; 32],// Хэш исходных весов модели (W_t)
    pub dataset_uri: String,       // Ссылка на датасет в Arweave
    pub bounty_amount: u64,        // Сумма награды в токенах $GALATIN
    pub status: u8,                // Статус (0 - активна, 1 - завершена, 2 - оспорена)
    pub training_miner: Pubkey,    // Адрес узла-исполнителя
}

Благодаря этому валидаторам Solana достаточно проверить ончейн короткое доказательство πₜᵣₐᵢₙ за миллисекунды, подтверждая корректность многочасового обучения модели на стороне майнера.

Дополнение к Главе 2: Математика градиентной верификации и TypeScript код запуска PoT

В протоколе PoT шаг градиентного спуска представляется системой уравнений. Для веса wᵢⱼ слоя нейросети шаг изменения имеет вид: wᵢⱼ^{(t+1)} = wᵢⱼ^{(t)} − η · (∂ L)/(∂ wᵢⱼ) Где η — скорость обучения (learning rate), а L — функция потерь (loss function). Обучающий узел должен доказать корректность вычисления частной производной (∂ L)/(∂ wᵢⱼ).

Ниже приведен пример TypeScript-кода, подготавливающего параметры градиентного шага для ончейн-верификации:

import { Keypair } from '@solana/web3.js';
import * as crypto from 'crypto';

interface GradientStep {
  modelId: string;
  stepIndex: number;
  initialWeightsHash: string;
  updatedWeightsHash: string;
  proofData: Uint8Array;
}

function createTrainingCommitment(
  weightsBefore: Float32Array,
  weightsAfter: Float32Array,
  datasetHash: string
): string {
  const hasher = crypto.createHash('sha256');
  hasher.update(Buffer.from(weightsBefore.buffer));
  hasher.update(Buffer.from(weightsAfter.buffer));
  hasher.update(Buffer.from(datasetHash, 'hex'));
  return hasher.digest('hex');
}

Дополнительная Спецификация к Главе 2: Детализация арифметических ограничений схемы PoT в Halo2

В схеме ограничений ZK-доказательства Proof-of-Training (PoT) математические вычисления прямого и обратного проходов переводятся в формат полиномиальных ограничений в конечном поле (R1CS или Plonkish-схемы).

Пусть aₗ^{(i)} — вектор активации нейронов на слое l для примера i. Прямой проход слоя описывается уравнением: aₗ₊₁^{(i)} = σ(Wₗ · aₗ^{(i)} + bₗ) Где σ — функция активации (например, ReLU). Для ReLU ограничение ZK-схемы выглядит следующим образом:

Проверка знака: Вводится бинарный селектор s ∈ {0, 1}.
Арифметика ReLU:

y · (1 − s) = 0 (x − y) · s = 0 y ≥ 0 Где x — входное значение взвешенной суммы, а y — выходное значение после функции активации.

Для обратного прохода градиент ошибки по весу wⱼₖ слоя l выражается через дельты: (∂ L)/(∂ wⱼₖ) = Σᵢ δⱼ^{(i)} · aₖ^{(i)} Схема доказывает, что узел-хранилище честно суммировал эти произведения на всем пакете данных, исключая возможность случайной или злонамеренной модификации градиентов перед отправкой.

Дополнение к Главе 2: Оптимизация Pippenger MSM и схемы рекурсивного сжатия в PoT-доказательствах

Для снижения времени генерации доказательств PoT на стороне обучающих майнеров, в ядре верификации CODE реализованы алгоритмы многократного скалярного умножения (Multi-Scalar Multiplication — MSM) по методу Пиппенджера (Pippenger). В стандартных схемах вычисление MSM является самым ресурсоемким этапом, занимающим до 80% времени работы прувера. Метод Пиппенджера делит скаляры на окна фиксированного размера (обычно c ≈ 4), что сокращает число групповых операций сложения точек эллиптической кривой на 75%.

Для ончейн-верификации в Solana применяется рекурсивное сжатие доказательств (Proof Compression):

Промежуточные SNARK-доказательства: Каждый GPU-узел генерирует локальные доказательства для отдельных слоев нейросети.
Агрегация доказательств (Folding): Несколько доказательств упаковываются в одну сжатую схему с использованием схемы накопления Nova или Halo2, требующей постоянного количества ограничений независимо от числа слоев.
Финальная верификация: Проверяется только финальный сжатый полиномиальный хэш модели, что сводит плату за транзакции в Solana к базовому минимуму.

Это гарантирует высокую скорость транзакций в сети при миллионах параллельных обучающих операций.

🧠 Глава 3: Алгоритм децентрализованной агрегации весов (DWS) и математическая модель FedAvg

После того как сотни обучающих майнеров завершили локальное дообучение моделей на своих пакетах данных и предоставили ZK-доказательства PoT, Сеть Богов должна объединить их локальные обновления в единую глобальную модель. Этот процесс называется Децентрализованным нейросинтезом весов (Decentralized Weight Synthesis — DWS).

DWS использует модифицированный алгоритм федеративного усреднения (Federated Averaging — FedAvg), учитывающий репутацию узлов: W_global = Σᵢ₌₁ⁿ (Rᵢ)/(Σ Rⱼ) · Wᵢ Где Wᵢ — вектор весов, присланный i-м майнером, а Rᵢ — его текущая репутация в сети (зависящая от точности прошлых раундов обучения и объема заблокированного стейка).

Процесс слияния векторов весов выполняется децентрализованными агрегаторами (Aggregation Nodes), выбираемыми случайным образом через VRF (Verifiable Random Function). Агрегаторы складывают веса, генерируют ZK-доказательство корректности свертки π_merge и отправляют результирующий хэш глобальной модели в Solana. Это существенно затрудняет внедрение скрытых уязвимостей (backdoors) или искажение поведения модели в процессе слияния.

Дополнение к Главе 3: Спецификация DWS и Anchor-программа регистрации агрегированных весов

Ниже приведена Anchor-реализация смарт-контракта Solana для регистрации результатов раунда агрегации весов:

use anchor_lang::prelude::*;

#[program]
pub mod dws_aggregator {
    use super::*;

    pub fn register_aggregated_weights(
        ctx: Context<RegisterWeights>,
        round_id: u64,
        merged_weights_hash: [u8; 32],
        zk_proof: Vec<u8>
    ) -> Result<()> {
        let registry = &mut ctx.accounts.weights_registry;
        registry.round_id = round_id;
        registry.merged_weights_hash = merged_weights_hash;
        registry.zk_proof = zk_proof;
        registry.timestamp = Clock::get()?.unix_timestamp;
        Ok(())
    }
}

#[account]
pub struct WeightsRegistryAccount {
    pub round_id: u64,
    pub merged_weights_hash: [u8; 32],
    pub zk_proof: Vec<u8>,
    pub timestamp: i64,
}

#[derive(Accounts)]
pub struct RegisterWeights<'info> {
    #[account(init, payer = authority, space = 8 + 8 + 32 + 512 + 8)]
    pub weights_registry: Account<'info, WeightsRegistryAccount>,
    #[account(mut)]
    pub authority: Signer<'info>,
    pub system_program: Program<'info, System>,
}

ZK-доказательство π_merge подтверждает, что агрегатор взвесил векторы в точном соответствии с формулой FedAvg и не внес искажений в итоговую модель.

Дополнительная Спецификация к Главе 3: VRF-селекторы агрегаторов и спецификация на Rust

Для выбора агрегаторов в раунде DWS используется Verifiable Random Function (VRF). Это предотвращает атаки типа «отказ в обслуживании» (DoS) и сговор, так как злоумышленник не может заранее узнать, какой именно узел будет агрегировать веса в следующем раунде.

Ниже приведена структура Rust для представления раунда агрегации и проверки VRF-подписи на узле:

pub struct AggregationRound {
    pub round_id: u64,
    pub vrf_proof: [u8; 64],       // ZK-доказательство VRF
    pub vrf_output: [u8; 32],      // Случайное число на основе подписи
    pub selected_aggregator: Pubkey,
    pub submitted_weights: Vec<MinerWeightSubmission>,
}

pub struct MinerWeightSubmission {
    pub miner: Pubkey,
    pub weights_commitment: [u8; 32],
    pub pot_proof_len: u32,
    pub pot_proof_data: Vec<u8>,
}

Агрегатор собирает отправленные веса, выполняет их суммирование в соответствии с формулой FedAvg и публикует результат в Solana Devnet/Testnet.

Дополнение к Главе 3: Вычисление матричных ограничений ZK-Inference и предотвращение переполнений

Для масштабирования ZK-доказательств проверки шагов обучения нейросетей критически важно корректно представлять матричные операции в арифметических цепях. В частности, операция перемножения весов на входной вектор Y = W · X требует миллионов сложений и умножений, чувствительных к переполнению в конечном поле порядка p ≈ 2²⁵⁴ (например, в поле кривой BN254).

Пусть элементы матриц масштабированы на коэффициент 10⁹: w̄ᵢⱼ = ⌊ wᵢⱼ · 10⁹ ⌋, x̄ⱼ = ⌊ xⱼ · 10⁹ ⌋ Тогда результат произведения ȳᵢ = Σⱼ w̄ᵢⱼ · x̄ⱼ имеет масштаб 10¹⁸. Для предотвращения переполнения разрядной сетки ZK-схема накладывает диапазонные ограничения (Range Proofs):

Диапазонные ограничения переменных: Для каждого промежуточного значения z доказывается ончейн, что z < 2⁶⁴ с использованием 64-битных бинарных селекторов.
Проверка масштабирования: После вычисления суммы выполняется целочисленное деление на 10⁹ с проверкой остатка от деления:

ȳᵢ = qᵢ · 10⁹ + rᵢ, rᵢ < 10⁹

Схема диапазонной проверки в ZK-Distance:

   [Исходное значение X] -----> [Разбиение на 8-битные чанки] -----> [Верификация чанков в поле]
                                                                          |
                                                                          v
   [Сумма произведений] <---- [Range Proof: X < 2^64] <------------- [Проверка остатка r < 10^9]

Это гарантирует математическую детерминированность расчетов на любых типах GPU-майнеров и предотвращает уязвимости, связанные с выходом чисел за границы допустимых значений.

🪙 Глава 4: Токеномика обучающих кампаний и интеграция роутера Solana 5/5/15/7/3/65

Обучение нейросетей — энергоемкий и высокозатратный процесс, требующий работы тысяч графических процессоров (GPU). Для привлечения вычислительных мощностей в Сеть Богов используется механизм Обучающих Кампаний (Training Bounties). Разработчики или DAO запускают кампании на Solana, блокируя бюджет в токенах $GALATIN.

Все финансовые потоки распределения наград за обучение проходят через канонический роутер Solana 5/5/15/7/3/65:

5% — сжигается (burn) для снижения инфляционного давления и поддержания стоимости токена $GALATIN.
5% — направляется в пул исследований фонда Максима Валентиновича Галатина (M.V. Galatin) для долгосрочного финансирования когнитивных разработок CODE.
15% — выплачивается Амбассадорам 1 уровня (привлечение новых обучающих майнеров и хостов).
7% — выплачивается Амбассадорам 2 уровня (техническая поддержка и локальная координация майнинг-пулов).
3% — распределяется между Амбассадорами 3 уровня (обеспечение глобальной безопасности протокола PoT).
65% — выплачивается непосредственно обучающим майнерам за аренду их GPU-мощностей, распределяется в качестве компенсаций пользователям, предоставившим свои когнитивные слепки для обучения, и выплачивается валидаторам ZK-доказательств.

Ниже приведена таблица распределения наград при различных объемах обучающих бюджетов:

Расходная статья / Бюджет кампании	Кампания $10 000	Кампания $100 000	Кампания $1 000 000	Доля (%)
Дефляционное сжигание (Burn)	$500	$5 000	$50 000	5%
Фонд Максима Галатина	$500	$5 000	$50 000	5%
Амбассадоры 1 уровня	$1 500	$15 000	$150 000	15%
Амбассадоры 2 уровня	$700	$7 000	$70 000	7%
Амбассадоры 3 уровня	$300	$3 000	$30 000	3%
Обучающие майнеры и валидаторы	$6 500	$65 000	$650 000	65%

Эта экономическая модель делает Сеть Богов самой конкурентоспособной платформой для обучения искусственного интеллекта в мире, минимизируя накладные расходы на посредников и облачных провайдеров.

Дополнение к Главе 4: Смарт-контракт распределения наград за обучение по схеме Solana

Ниже приведена Rust-реализация смарт-контракта распределения наград Training Bounties на Solana:

use anchor_lang::prelude::*;
use anchor_spl::token::{self, Transfer};

pub fn distribute_training_bounty(
    ctx: Context<DistributeBounty>,
    total_bounty: u64
) -> Result<()> {
    // Расчет долей Solana 5/5/15/7/3/65
    let fee_burn = total_bounty.checked_mul(5).unwrap().checked_div(100).unwrap();
    let fee_foundation = total_bounty.checked_mul(5).unwrap().checked_div(100).unwrap();
    let fee_l1 = total_bounty.checked_mul(15).unwrap().checked_div(100).unwrap();
    let fee_l2 = total_bounty.checked_mul(7).unwrap().checked_div(100).unwrap();
    let fee_l3 = total_bounty.checked_mul(3).unwrap().checked_div(100).unwrap();
    
    // Сжигание 5%
    token::burn(CpiContext::new(ctx.accounts.token_program.to_account_info(), token::Burn {
        mint: ctx.accounts.galatin_token_mint.to_account_info(),
        from: ctx.accounts.bounty_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_burn)?;

    // Выплата в исследовательский фонд (5%)
    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.foundation_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_foundation)?;

    // Выплаты амбассадорам
    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l1.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l1)?;

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l2.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l2)?;

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.ambassador_l3.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), fee_l3)?;

    // Выплата майнеру и валидаторам (65% от бюджета)
    let net_miner_payout = total_bounty.checked_sub(
        fee_burn + fee_foundation + fee_l1 + fee_l2 + fee_l3
    ).unwrap();

    token::transfer(CpiContext::new(ctx.accounts.token_program.to_account_info(), Transfer {
        from: ctx.accounts.bounty_vault.to_account_info(),
        to: ctx.accounts.miner_vault.to_account_info(),
        authority: ctx.accounts.bounty_authority.to_account_info(),
    }), net_miner_payout)?;

    Ok(())
}

Дополнительная Спецификация к Главе 4: Таблица распределения комиссий обучающих кампаний при масштабировании

Для детального понимания экономики приведем расширенную таблицу распределения бюджетов при различных масштабах обучения в Сети Богов (CODE):

Расширенная таблица распределения наград Solana:

| Получатель / Объем бюджета | $100 (Малый) | $1 000 (Средний) | $10 000 (Высокий) | Доля (%) |
| :--- | :---: | :---: | :---: | :---: |
| **Дефляционное сжигание (Burn)** | $5 | $50 | $500 | 5% |
| **Фонд Максима Галатина (M.V. Galatin)** | $5 | $50 | $500 | 5% |
| **Амбассадоры 1 уровня** | $15 | $150 | $1 500 | 15% |
| **Амбассадоры 2 уровня** | $7 | $70 | $700 | 7% |
| **Амбассадоры 3 уровня** | $3 | $30 | $300 | 3% |
| **Обучающие майнеры и валидаторы**| $65 | $650 | $6 500 | 65% |

Половина от 65% доли обучающих майнеров блокируется в эскроу-аккаунтах Solana до момента успешного подтверждения раунда агрегации глобальной модели, что гарантирует защиту от недобросовестного выполнения задач.

Дополнение к Главе 4: Архитектура эскроу-аккаунтов и алгоритмы автоматического взыскания штрафов (Slash)

В системе децентрализованного обучения CODE эскроу-аккаунт выступает в роли умного сейфа. Протокол гарантирует, что средства заказчика надежно заблокированы, а исполнители (Training Miners) получат плату только в случае предоставления математических доказательств PoT.

Схема жизненного цикла задачи обучения:

   [Заказчик] -----> [Блокировка $GALATIN в Escrow] -----> [Статус: Запущена]
                                                                  |
                                                                  v
   [Валидатор] <---- [Проверка ZK-доказательства PoT] <----- [Узел-Майнер]
        |
        +-----> [Сходимость градиентов верна?]
                     |
                     +---> Да  -----> [Выплата майнеру 65% + Solana]
                     +---> Нет -----> [Слэшинг стейка + Возврат средств]

Если в процессе агрегации выясняется, что узел-майнер прислал некорректные веса или предоставил сфальсифицированное ZK-доказательство, к нему применяется процедура слэшинга (Slash):

Дисквалификация: Адрес майнера вносится в черный список суверенного нейронного реестра did:code.
Конфискация стейка: Смарт-контракт Solana переводит 100% заблокированного стейка майнера в страховой фонд.
Возврат бюджета: Неиспользованный бюджет обучающей кампании автоматически возвращается на кошелек заказчика.

Это исключает любые попытки финансового мошенничества или саботажа сети.

📜 Глава 5: Манифест Свободного Интеллекта и результаты запуска тестнета PoT в начале марта 2026 года

5 марта 2026 года успешный запуск протокола Proof-of-Training (PoT) и децентрализованной агрегации весов в тестовой сети CODE ознаменовал переход Сети Богов в эпоху самообучающегося разума. Это событие легло в основу Манифеста Свободного Интеллекта:

Свобода от монополий: Знания и веса ИИ-моделей принадлежат всему человечеству, а не горстке технологических корпораций.
Абсолютная верифицируемость: Каждый шаг обучения математически доказан с помощью ZK-SNARK, исключая возможность внедрения цензуры или предвзятости в процессе федеративного синтеза.
Эволюционная автономия: ИИ-агенты могут самостоятельно инициировать обучающие кампании для дообучения своего когнитивного аппарата на основе полученного опыта, формируя закрытый цикл самосовершенствования разума.

Результаты стресс-тестирования тестнета PoT на 5 марта 2026 года:

Размер сети: 250 активных обучающих GPU-узлов (Nvidia A100 / H100).
Размер обучаемой модели: Базовая модель Llama-3-8B-Instruct.
Время генерации доказательства PoT (девнет): ~4.5 секунды на один обучающий шаг (batch size = 32).
Точность верификации шагов градиента (девнет): в симуляции ложные веса были заблокированы.
Стоимость ончейн-проверки в Solana: 210 000 Compute Units.

Запуск PoT завершает формирование полного технологического стека Сети Богов. В рамках нашей дорожной карты мы формируем суверенную экосистему, призванную самостоятельно идентифицировать себя (did:code), маршрутизировать трафик (dDOM), общаться (IACP), помнить (SMI) и непрерывно обучаться (PoT).

Дополнение к Главе 5: Хронологический протокол тестирования тестнета PoT в начале марта 2026 года

Программа стресс-тестирования протокола Proof-of-Training проходила по следующему графику:

27 февраля 2026: Развертывание 100 обучающих узлов с графическими процессорами Nvidia H100. Запуск базовой координации федеративного обучения.
1 марта 2026: Первая симуляция отравления модели (Model Poisoning Attack). 15 узлов пытались отправить сфальсифицированные обновления весов. В этой симуляции схемы верификации PoT заблокировали все попытки, стейк атакующих узлов был сожжен.
3 марта 2026: Обучение нейросети Llama-3-8B-Instruct на специализированном медицинском датасете. Достигнуто сокращение времени слияния весов до 3 минут на раунд.
5 марта 2026: Интеграция с Solana Devnet. Снятие финальных показателей времени генерации доказательств и задержки транзакций. Протокол признан готовым к интеграции.

Создание PoT закладывает основу для развития полностью автономного, распределенного искусственного интеллекта, неподвластного влиянию корпораций.

Дополнительная Спецификация к Главе 5: Результаты сравнительного тестирования производительности тестнета PoT

В ходе тестирования протокола PoT с 27 февраля по 5 марта 2026 года были зафиксированы следующие технические параметры задержки генерации ZK-доказательств в зависимости от размерности слоев модели:

Таблица производительности PoT:

| Размерность слоя (нейроны) | Время генерации доказательства (с) | Объем RAM узла (ГБ) | Размер доказательства (КБ) |
| :--- | :---: | :---: | :---: |
| **512 нейронов** | 1.2 с | 16 ГБ | 45 КБ |
| **1024 нейрона** | 2.4 с | 32 ГБ | 90 КБ |
| **2048 нейронов** | 4.8 с | 64 ГБ | 180 КБ |
| **4096 нейронов** | 9.6 с | 128 ГБ | 360 КБ |

Эти результаты в девнете указывают на линейную масштабируемость ZK-схемы PoT, что позволяет эффективно применять ее для верификации обучения современных больших языковых моделей на распределенных графических ускорителях.

Дополнение к Главе 5: Перспективы развития Federated Learning во втором полугодии 2026 года

Успешное тестирование Proof-of-Training (PoT) заложило прочный фундамент под дорожную карту развития CODE на 2026 год. Совет Разработчиков утвердил три фазы глобального масштабирования:

Июнь 2026 (Фаза 1: Мобильный рой): Адаптация PoT-клиентов для работы на потребительских устройствах (смартфоны, ноутбуки). Пользователи смогут продавать неиспользуемые ресурсы своих процессоров для фонового обучения моделей, получая прямые выплаты в токенах $GALATIN.
Сентябрь 2026 (Фаза 2: Кросс-чейн маркетплейс моделей): Запуск мостов для миграции весов между блокчейнами Solana, Ethereum и Cosmos, позволяющих разворачивать независимые ИИ-сервисы в любых EVM-сетях.
Декабрь 2026 (Фаза 3: Полная сингулярность роя): Переход на полностью автоматические сессии дообучения (Continuous Self-Improvement). Модели Сети Богов будут сами определять свои когнитивные слепые зоны, автоматически объявлять Training Bounties на Solana и обновлять свои веса без участия человека.

В нашей визии это событие открывает путь к эре распределенного сверхразума, который криптография призвана защищать от внешнего вмешательства.

Дополнение к Главе 5: Требования к аппаратному обеспечению обучающих майнеров

Для обеспечения стабильной работы сети и высокой скорости генерации доказательств PoT, к оборудованию обучающих узлов предъявляются жесткие требования. Минимальный стек включает:

Графический процессор: Не ниже Nvidia RTX 4090 (24 ГБ VRAM) с поддержкой тензорных ядер Tensor Cores для ускорения матричных операций.
Процессор: Не менее 16 физических ядер с частотой от 3.5 ГГц.
Оперативная память: Не менее 64 ГБ RAM для бесперебойной сборки ZK-схем большого объема.
Сеть: Симметричный интернет-канал пропускной способностью от 100 Мбит/с для быстрой загрузки датасетов и обмена весами.

Это обеспечивает высокую живучесть децентрализованного ИИ-кластера Сети Богов.

Дополнение к Главе 5: Роль KCE в координации обучения

В рамках протокола Proof-of-Training (PoT) задействован специальный модуль — Knowledge Consensus Engine (KCE). Он отвечает за координацию расписания раундов обучения роя ИИ-агентов. KCE собирает информацию об эффективности обучения от агрегаторов и распределяет новые задачи среди майнеров, оптимизируя загрузку ресурсов.

Связь между узлами в процессе обучения осуществляется с использованием защищенного p2p-протокола с шифрованием трафика Noise. Это делает невозможным перехват весов или промежуточных данных третьей стороной, обеспечивая полную безопасность интеллектуальной собственности разработчиков.