原文作者： Anastasia Matveeva ， Gonka.ai
以“浪费”达成共识
比特币实现了一项非凡的成就：它以规模化实践证明，互不信任的陌生人无需依赖银行、政府或任何中央机构，也能实现协同合作。这是首次，人们可以在无需任何人许可的情况下向世界另一端的人转账。该网络无法被关闭，资产也不会被审查，并且切实有效。
比特币提出以工作量证明（Proof-of-Work，PoW）作为互不信任参与者间达成共识的方案。其核心逻辑简洁明了：矿工通过竞争求解一道 “谜题”—— 即找到一个随机数（Nonce），将其与区块数据结合后输入 SHA-256 哈希函数，使其输出满足特定条件，通常是“以若干个前导零开头的哈希值”。例如，若要生成前 70 位为二进制零的哈希值，平均需要尝试 2 的 70 次方。这一过程不存在任何可规避尝试不同随机数的捷径或巧妙算法，只能通过不断计算直至 “幸运命中”为止。
这套机制的革命性意义：它大幅提升了区块链的攻击成本 —— 若想篡改历史记录，攻击者需重新完成所有计算工作。同时实现了激励一致 —— 矿工获得的奖励与其计算工作量成正比，而非取决于既有的财富规模（尽管在实际操作中，资金、硬件及电力成本仍会产生影响）。至此，真正去中心化的系统首次实现了规模化落地。
然而代价在于：这些计算本身并没有内在价值。电力消耗只是用于计算“前导零的哈希值”，除此之外不再产生任何实际用途。因此，比特币本质上是用巨大的计算浪费来换取网络安全。十多年来，这个权衡在实践中“足够好”，也让比特币成为强大的资产。
去中心化的新纪元
当前，人工智能正经历快速变革。大型语言模型（LLM）正在成为基础设施——企业与用户都依赖的服务。但目前，绝大多数LLM推理任务都运行在少数公司掌控的中心化服务器上，这引发了一系列亟待解决的问题：
- 单点控制风险：某一家公司决定可使用的模型类型及谁有访问权限；
- 审查风险：政府或企业可能向中心化服务商施压，要求其实施审查或限制服务。
- 供应商锁定：用户与开发者别无选择，只能依赖当前的 “守门人”。
这些问题，恰恰是比特币最初旨在解决的核心痛点。由此引出一个关键问题：我们能否构建一个去中心化的 LLM 网络，在解决上述问题的同时，避免重蹈比特币 “资源浪费” 的覆辙？
现有解决方案与其局限性
Proof-of-Stake（PoS） 试图通过 “资本替代算力” 解决计算资源浪费问题：验证者需锁定一定数量的代币作为抵押，其被选中验证区块的概率与抵押权益规模成正比，且仅消耗极少能源。
但该机制存在一个核心缺陷：资本分配本就不均。以 Bittensor 等网络为例，拥有大量资本的验证者会吸引小型代币持有者将权益委托给自己，形成 “富者愈富” 的正反馈循环 —— 拥有更多资本可以吸引更多委托，进而产生更多奖励，又进一步吸引更多委托。长此以往，投票权会向初始财富持有者集中。即便某个子网拥有高性能 GPU 和高质量推理能力，若其验证者持有的资本有限，该子网的影响力也会微乎其微。
最终结果是：投票权从实际算力贡献者手中，被资本持有者垄断。因此， PoS 虽解决了资源浪费问题，却催生了财富集中的新问题。
一种替代方案
由此，问题的核心转变为：能否在保留工作量证明 “公平性” 的同时，将计算资源导向具有实际价值的任务？
早有研究团队尝试以不同思路解决工作量证明的资源浪费问题。约从 2017 年起，研究者开始探索有用工作量证明（Proof of Useful Work） —— 该机制仍基于工作量证明框架，但将矿工的计算任务从 “随机哈希谜题” 转向具有潜在经济或科学价值的任务。部分方案将 PoW 的 “难度” 与细粒度问题绑定，另有实验尝试结合联邦学习、矩阵乘法任务或零知识证明生成。这类方案的吸引力显而易见：矿工可通过完成 “实际有用的工作” 保留 PoW 的公平性，同时减少资源浪费。
但直至近期，这些尝试均未针对 LLM 推理场景 —— 它们多聚焦于离散计算问题或批量学习，而非支撑当前 AI 服务的 “实时 Transformer 推理”。
事实上，LLM 推理是理想的 “有用工作量” 载体：其计算成本高、经济价值大，且重要性与日俱增。若能将推理任务的计算量用于网络安全保障，便可实现 “网络安全性与实际计算需求” 的对齐。
简言之，矿工无需再计算哈希值，而是通过完成 Transformer 推理任务参与共识。这便是基于 Transformer 的工作量证明的核心思路。当然，该机制的设计还需解决一系列关键挑战。
且需说明的是，该机制并非局限于 Transformer ，未来可适配任何更实用、更主流的模型架构。
设计挑战
挑战 1：评估计算资源
在比特币中，“挖矿” 是矿工的全职工作。但对于需为用户提供服务的去中心化 LLM 网络而言，节点的大部分时间应用于处理推理请求，而非执行工作量证明任务。因此，有两种可行方案：
第一种方法理论可行但需深度研究：利用现有训练模型的实际推理计算量，估算参与者的计算资源 —— 通过运行推理任务、测量计算成本，进而校准节点权重。该方案效率高，但需解决两大问题：如何适配不同输入数据的差异，以及如何规避训练模型结构可能被利用的漏洞，因此需大量研发投入。
第二种更具实用性的时间约束方案：将每个工作量证明谜题设计为 “短时长、固定、可预测” 的任务（例如仅需几分钟），网络承诺在整个周期（Epoch）内保持相同的计算资源可用。这种设计为构建统一的谜题提供了更高灵活性。
挑战 2：任务与 LLM 计算对齐
若采用 “时间约束型工作量证明”，会衍生出新问题：若 PoW 任务是任意的，硬件优化方向可能会偏离 “有用工作”。
比特币的案例已印证了 “激励错配” 的后果：随着时间推移，行业开发出仅用于计算哈希值的专用硬件（ASIC）。
而基于 Transformer 的工作量证明可逆转这一激励逻辑：若 PoW 任务本身就是 Transformer 推理，那么针对 PoW 的硬件优化，自然也会提升服务用户的推理性能 —— 硬件优化方向将与 “实际需求” 天然对齐。
要实现这一目标，需确保两点：第一，PoW 任务必须是 “真实的 Transformer 推理”；第二，任务需在每个周期更新，避免参与者在规定时间窗口外提前计算答案。
具体而言，每一轮 PoW 会生成一个 “新的、随机初始化的 Transformer”。参与者在收到挑战后，仅有固定时间窗口完成求解，无法提前分析或预计算 —— 每个挑战都是全新的，从而确保工作与真实推理对齐。这种设计下，既不存在捷径，也无法为特定任务开发专用硬件（因任务每轮更新），硬件改进只会提升通用 Transformer 推理性能，而非服务于 “挖矿专属优化”。
挑战 3：安全性保障
最后，核心问题是 “难度设计”：PoW是否足够安全？
比特币的安全性逻辑简洁清晰：生成前 N 位为零的哈希值需暴力破解，且 SHA-256 算法不存在已知的数学捷径，其 “难度” 简单且可验证。
比特币的机制设计也十分简洁：通过调整随机数，验证哈希值是否满足 “前 N 位为零” 的条件。
我们不妨试着理解一下比特币任务在 Transformer 场景下的直接映射逻辑。比特币中的随机数（Nonce）将转变为 “输入序列”—— 可以是向量或令牌序列，支持动态调整，且仍可像比特币随机数一样通过正整数生成。而 “前导零” 的要求，将转化为对输出结果的约束条件：
Transformer 的输出向量必须满足某种特定属性。具体可能的约束形式包括：输出向量接近零向量、与目标向量的距离处于阈值范围内、具有特定大小，或满足其他明确定义的标准。这一条件的具体定义至关重要，因为部分数学结构的条件可能存在可被利用的捷径。
与比特币的关键差异在于：验证 Transformer 输入序列是否满足条件的成本更高 —— 普通硬件每秒可计算数百万个比特币 Nonce 的哈希值，而验证 Transformer 输入需完成完整的前向传播计算。参与者无法通过暴力破解尝试数十亿个候选序列，其能力受限于推理速度 —— 而这正是我们需要测量的 “计算工作量”。
至于该系统如何达到与比特币相当的安全性，需更深入的技术分析（将另文探讨）。其核心逻辑是：通过随机初始化 Transformer，结合严谨的问题设计，构建一个 “必须完成完整 Transformer 推理才能求解” 的搜索空间。有关安全性的完整分析，将单独展开。
让这个系统在比特币上具备竞争安全性，是一个更复杂的技术故事——这是另一个话题。其核心逻辑是：通过随机初始化 Transformer，结合严谨的问题设计，构建一个 “必须完成完整 Transformer 推理才能求解” 的搜索空间。有关安全性的完整分析，值得单独探讨。
工作量证明机制已稳健运行 15 年，但比特币的设计也带来了显著问题：我们消耗巨额计算资源生成无实际用途的哈希值；而PoS等替代方案虽解决了资源浪费，却导致财富向资本持有者集中。
基于 Transformer 的工作量证明是另一种选择：它保留了 PoW 的安全性与公平性，同时将计算资源导向世界真正需要的领域。作为面向 AI 时代的共识机制，它兼具 PoW 的安全性、符合真实计算需求，以及 “工作本身的实用性”—— 这为去中心化 AI 网络奠定了全新基础。
原文链接
