論文の概要: A Compute Center Anyone Can Join: A Peer-to-Peer System for AI Inference

• arxiv url: http://arxiv.org/abs/2611.01865v1
• Date: Sun, 01 Nov 2026 12:56:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:58.875039
• Title: A Compute Center Anyone Can Join: A Peer-to-Peer System for AI Inference
• Title（参考訳）: AI推論のためのピアツーピアシステム「Compute Center Anyin」
• Abstract要約: 失明した非対称性を経済メカニズムに置き換えるオープン推論市場を提案する。 労働者は、監査されるかどうかを知らずに結果を提供します。 未定の利益は、チャレンジウィンドウの間、担保として機能する。
• 参考スコア（独自算出の注目度）: 3.1863053841871394
• License:
• Abstract: Today, most people obtain AI inference by buying it from a small number of organizations that run large data centers, while many GPUs owned by individuals and small institutions sit idle for much of the day. Bitcoin showed that strangers can contribute resources under shared rules and receive checkable rewards, but it relies on an asymmetry: proof-of-work is expensive to produce and cheap to verify. Useful inference has no such asymmetry. We propose the Open Inference Market (OIM), which replaces the missing asymmetry with an economic mechanism. A worker delivers a result without knowing whether it will be audited; its unsettled earnings serve as collateral during a challenge window; and confirmed cheating forfeits all of it. We call this principle earnings as collateral. In a simplified model we show three things. The number of audits needed for deterrence is a constant per worker per day, independent of the worker's throughput, so the audited share falls as the network gets busier. A new worker can join with a short period of intensive auditing and a very small bond. And whether the mechanism works at all depends only on the ratio of the audit judge's false-flag rate to its detection rate. Under example parameters, about 0.3 replays per worker per day are enough to make cheating unprofitable for a rational worker. On this basis we lay out a path that hands four powers back to participants one at a time: owning compute, writing history, judging work, and releasing value. A compute center need not be a building; it can be a protocol that anyone can join.
• Abstract（参考訳）: 現在、多くの人々が大規模なデータセンターを運営する少数の組織からAI推論を購入し、一方、個人や小さな機関が所有するGPUの多くは一日の大半をアイドル状態にしている。 Bitcoinは、見知らぬ人が共有ルールの下でリソースを寄付し、チェック可能な報酬を受け取ることができることを示したが、それは非対称性に依存している。 有益推論はそのような非対称性を持たない。 我々は、欠落した非対称性を経済メカニズムに置き換えるオープン推論市場(OIM)を提案する。 労働者は、監査されるかどうかを知らずに結果を報告し、未解決の収益は、チャレンジウィンドウ中に担保として機能し、不正行為が全てを偽造することを確認する。 私たちはこの原則的利益を担保としています。 単純化されたモデルでは、3つのものを示します。 抑止に要する監査の数は、ワーカのスループットとは無関係に、1日当たりの労働者当たりの監査数であり、ネットワークが忙しくなるにつれて、監査されたシェアは減少する。 新しい労働者は、短期間の集中的な監査と非常に小さなボンドに参加することができる。 そして、このメカニズムが機能するかどうかは、監査官の偽フラップ率と検出率の比率にのみ依存する。 例えば、労働者1日に約0.3回のリプレイは、合理的な労働者のために不正行為を収益化するのに十分である。 このベースで、計算の所有、履歴の記述、仕事の判断、価値のリリースという、4つの権限を1度に1つずつ参加者に渡すパスを配置します。 コンピューティングセンターはビルディングである必要はなく、誰でも参加できるプロトコルである。

関連論文リスト

• Better together? A performance theory of human-machine skill policies under generalization difficulty [0.0]
  多くの場合、デフォルトでは、各インスタンスを実行し、両方が実行された時に何が起こるかを示す。 スキルの平均とインスタンスごとのベストの間には、大きな利害関係がある。 この理論は多くのスキルに拡張され、それぞれが保持するすべてのスキルに匹敵する付加価値を与え、同時に単一障害の許容するコストが決定されるような競合するスキルにも適用されます。
  論文  参考訳（メタデータ） (2026-10-12T14:29:34Z)
• Mean field games as a tool for AI safety: a worked example from the July 2026 Hugging Face incident [0.0]
  平均場ゲームは、多くの交換可能なエージェントが集約を介して結合されるときに、これに適合する。 我々は、AIの安全性にそれらを使うプログラムを導入し、その例を1つまとめて、2026年7月のインシデント(インシデント)と呼ぶ。 証明がチェックされるという集団の自信が$** = /(+ + varepsilon a overlineM$を超えない限り、エージェントは攻撃しない。
  論文  参考訳（メタデータ） (2026-10-01T01:30:05Z)
• AI with Authority, from Application to Silicon [0.0]
  5週間で、消費者向けAIサブスクリプションの研究者の1人が、コミュニティのシリコンシャトルに搭載されたRISC-Vプロセッサに、少数のAIエージェントを誘導した。 人間によるレビューを通した証拠はなく、RTLは人間によって書かれたものでもない。 作業の規律 -- ソルト法 -- は、幻覚的証明が通過できない証明カーネルに依存している。
  論文  参考訳（メタデータ） (2026-08-21T17:59:16Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
  我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。 i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
  論文  参考訳（メタデータ） (2024-04-15T06:32:28Z)
• Trustless Audits without Revealing Data or Models [49.23322187919369]
  モデルプロバイダが(アーキテクチャではなく)モデルウェイトとデータシークレットを維持しながら、他のパーティがモデルとデータプロパティを信頼性のない監査を行うことが可能であることを示す。 私たちはZkAuditと呼ばれるプロトコルを設計し、モデルプロバイダがデータセットとモデルの重みの暗号的コミットメントを公開します。
  論文  参考訳（メタデータ） (2024-04-06T04:43:06Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• More is Merrier: Relax the Non-Collusion Assumption in Multi-Server PIR [61.13962963550403]
  セキュアな計算に関する長い研究により、計算可能なものは何でも、非解決パーティの集合を使って安全に計算できることが確認された。 しかし、コンピュータ関係者の間では、隠蔽され、検出不能な共謀に非常に敏感である。 この研究は、セキュアな計算タスクを実行するために必要となるパーティの数よりも、利用可能な計算パーティの数がはるかに多い場合、プライバシを保存する計算における共謀の試みを抑えることができるという観察に起因している。
  論文  参考訳（メタデータ） (2022-01-19T17:29:39Z)
• Munchausen Reinforcement Learning [50.396037940989146]
  ブートストラップは強化学習(RL)の中核的なメカニズムである この方法でDQN(Deep Q-Network)を少し修正することで,Atariゲーム上の分散手法と競合するエージェントが得られることを示す。 ボンネットの下で何が起こるかという理論的な知見を強く提供します -- 暗黙のクルバック・リーブラー正規化とアクションギャップの増加です。
  論文  参考訳（メタデータ） (2020-07-28T18:30:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。