TRUST：去中心化 AI 服务框架 v0.1
人工智能
2026-05-01 v1
摘要
大规模推理模型（LRMs）和多智能体系统（MAS）在高风险领域需要可靠验证，但中心化方法面临四个局限性：（1）鲁棒性——单点故障易受攻击和偏见；（2）可扩展性——推理复杂度制造瓶颈；（3）透明性——隐藏的审计削弱信任；（4）隐私——暴露的推理痕迹风险导致模型被窃取。我们引入 TRUST（Transparent, Robust, and Unified Services for Trustworthy AI），一个去中心化框架，具三项创新：（i）层次化有向无环图（HDAGs）将链式思维（Chain-of-Thought）推理分解为五个抽象层级以实现并行分布式审计；（ii）DAAN 协议将多智能体交互映射到因果交互图（CIGs），实现确定性根因归因；（iii）在计算检查员、LLM 评估者和人类专家之间实施基于 stake 加权投票的多层共识机制，确保在 30% 对抗性参与下保证正确性。我们证明了安全-盈利定理，确保诚实的审计者获利而恶意行为者则亏损。所有决策均记录在链上，同时采用以隐私为设计原则的分段机制防止专有逻辑被重建。跨多个 LLM 和基准测试，TRUST 实现 72.4% 的准确率（高于基线 4-18%），抗 20% 数据污染能力。DAAN 实现 70% 根因归因（相较于常规方法的 54-63%），并实现 60% 的 token 节省。人类研究验证了该设计（F1 = 0.89, Brier = 0.074）。该框架支持（A1）去中心化审计、（A2）防篡改排行榜、（A3）无信任数据标注、（A4）受管控的自主智能体，开创了面向安全可信部署的推理能力系统的去中心化 AI 审计新范式。
引用
@article{arxiv.2604.27132,
title = {TRUST: A Framework for Decentralized AI Service v.0.1},
author = {Yu-Chao Huang and Zhen Tan and Mohan Zhang and Pingzhi Li and Zhuo Zhang and Tianlong Chen},
journal= {arXiv preprint arXiv:2604.27132},
year = {2026}
}