面向区块链的优化TEE-Rollups：可扩展且可验证的生成式AI推理混合架构
密码学与安全
2025-12-24 v1
摘要
大型语言模型(LLM)快速融入去中心化物理基础设施网络(DePIN)的当前进程受到Verifiability Trilemma的瓶颈，该三元组认为去中心化推理系统无法同时实现高计算完整性、低延迟和低成本。现有密码学解决方案，如基于零知识的机器学习(ZKML)，因超线性证明开销(O(k NlogN))而难以实现数十亿参数模型。相反，乐观方法(opML)强加了 prohibitive 争议窗口，阻碍了实时交互性，而最新的"质量证明"(PoQ)范式则牺牲了密码学完整性以主观语义评估为代价，使网络易受模型降级攻击和奖励欺诈。本文引入了乐观TEE-Rollups(OTR)，一种混合验证协议，和谐地整合了这些约束。OTR利用NVIDIA H100 Confidential Computing受信任执行环境(TEEs)提供亚秒级 Provisional Finality， underpinned by an乐观欺诈防御机制和随机零知识 spot-check，以缓解硬件侧信道风险。我们正式定义了Proof of Efficient Attribution(PoEA)，一种将执行痕迹与硬件认证 cryptographically 绑定的共识机制，从而保证模型真实性。大量仿真结果表明，OTR在保持对理性对手的拜占庭容错性方面，即便存在暂时性硬件漏洞，仍以仅$0.07每查询的边际成本，实现了99%的中心化基线吞吐量。
引用
@article{arxiv.2512.20176,
title = {Optimistic TEE-Rollups: A Hybrid Architecture for Scalable and Verifiable Generative AI Inference on Blockchain},
author = {Aaron Chan and Alex Ding and Frank Chen and Alan Wu and Bruce Zhang and Arther Tian},
journal= {arXiv preprint arXiv:2512.20176},
year = {2025}
}