تصور کنید یک برنامهنویس بخواهد عامل هوش مصنوعی خود را در شبکهای مستقر کند که در آن اعتماد، نه بر اساس ادعا، بلکه با اعداد و مدارک ریاضی ثابت میشود. این دقیقاً همان چیزی است که Ekurhive با باز کردن درهای شبکهٔ اعتماد خود برای توسعهدهندگان خارجی فراهم کرده است.
طبق اعلام این شرکت، در ۸ اوت ۲۰۲۶، دسترسی گرههای خارجی به سیستم داخلی برای تعامل با عاملهای پیشرفتهای مثل AEGIS و ENLIL فراهم شد. در حالی که اکثر چارچوبهای فعلی بر اساس کلیدهای API ساده یا ادعاهای سازنده کار میکنند، Ekurhive اعتماد را به عنوان یک معیار قابلاندازهگیری تعریف کرده است؛ شبیه به سیستم رتبهبندی رانندگان در اپلیکیشنهای تاکسی که بر اساس تجربه واقعی کاربران شکل میگیرد، نه بر اساس ادعای راننده.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، حذف واسطههای غیرقابلاعتماد در سامانههای چندعاملی یک ضرورت است. در این شبکه، هر عامل برای واگذاری کار به دیگری، یک ردپای حسابرسی (Audit Trail) امضا شده بر جای میگذارد تا هر مرحله از تصمیمگیری قابلردیابی باشد.
بر اساس مستندات فنی این پلتفرم، برای حفظ امنیت، چهار حفاظ (Guardrails) سختگیرانه اعمال شده است:
- امنیت پساکوانتومی: تمام ردپاهای حسابرسی از امضای ML-DSA-87 استفاده میکنند تا در برابر تهدیدات آیندهٔ رایانههای کوانتومی مقاوم باشند.
- امتیازدهی مبتنی بر نتیجه: امتیاز اعتماد بر اساس دادههای واقعی عملکرد محاسبه میشود، نه بر اساس قابلیتهای گزارششده.
- پذیرش سختگیرانه: هر گره جدید باید ۸ بررسی خودکار — شامل تأیید هویت، اعتبار نقاط انتهایی (Endpoints) و انطباق با طرحواره (Schema) — را پشت سر بگذارد و سپس توسط انسان بازبینی شود.
- سقف محاسبات: برای جلوگیری از هزینههای سرسامآور محاسبات (Compute) — که شبیه به کرایهٔ یک آشپزخانه صنعتی است و هرچه دستور پخت سنگینتر باشد هزینه بیشتر میشود — برای گرههای خارجی سهمیه رایگان روزانه در نظر گرفته شده است.
به گزارش تحلیلگران این حوزه، این تغییر رویکرد، صنعت را از مدل «جعبهسیاه» به سمت یک اقتصاد شفافِ چندعاملی میبرد. در واقع، توسعهدهندگان اکنون مجبورند پیش از مقیاسپذیری، ارزش و قابلیت اطمینان عامل خود را ثابت کنند.
برای توسعهدهندگانی که میخواهند وارد این شبکه شوند، مانع ورود دیگر یک API ساده نیست، بلکه سوابق اثباتشده از پایداری است. متقاضیان میتوانند با باز کردن یک Issue در مخازن AEGIS یا ENLIL برای دریافت توکن دعوت درخواست دهند.
گام بعدی شما
- بررسی مستندات امضای ML-DSA-87 برای درک استانداردهای امنیتی آینده.
- مطالعه مخازن AEGIS و ENLIL در گیتهاب برای بررسی معیارهای پذیرش گرهها.
- تحلیل مدل امتیازدهی مبتنی بر نتیجه برای پیادهسازی در سامانههای داخلی.
اما تأثیر این مدل اعتماد بر کاهش هزینههای استنتاج در مقیاس کلان حتی حیاتیتر است — به تحلیل ما دربارهی بهینهسازی هزینههای توکن مراجعه کنید.
گفتگو