论可信赖人工智能的基础

我们证明平台确定性推理对可信AI既是必要的也是充分的。我们将其形式化为确定性论题（Determinism Thesis），并引入信任熵（trust entropy）来量化非确定性的代价，证明验证失败概率恰等于1 - 2^{-H_T}。我们证明了一个确定性-验证坍缩（Determinism-Verification Collapse）定理：确定性下的验证只需O(1)哈希比较；没有确定性，验证者将面临难解的隶属问题。IEEE 754浮点算术从根本上违反确定性要求。我们通过构建纯整数推理引擎来解决这一问题，其在ARM与x86上实现逐位相同的输出。在最高6.7B参数模型的82次跨架构测试中，我们观察到零哈希失配。四个地理分布节点产生完全相同的输出，由356笔链上证明（attestation）交易加以验证。AI系统的每一项主要可信属性（公平性、鲁棒性、隐私、安全、对齐）都以平台确定性为前提。我们的系统——99,000行Rust代码，部署于三大洲——确立了AI信任是一个算术问题。