NEAR به امنیت پروتکل پس از اجرای تولید اثبات AI به ارزش ۱۱۲ دلار هدف گذاری می‌کند

پروتکل NEAR برنامه‌هایی را برای استفاده از تأیید رسمی با کمک AI در پروتکل و قراردادهای هوشمند اصلی خود پس از گزارش ۶۷۲ مسئله ریاضی حل شده با هزینه مدل در زمان ارسال ۱۱۱.۸۵ دلار ترسیم کرده است.

خلاصه

• NEAR برنامه دارد تا تأیید رسمی با کمک AI را به پروتکل و قراردادهای هوشمند اصلی خود اعمال کند.
• NEAR AI گزارش داده است که ۶۷۲ مسئله PutnamBench را با هزینه مدل در زمان ارسال ۱۱۱.۸۵ دلار حل کرده است.
• تأیید تولید به مدل‌های نرم‌افزاری دقیق، الزامات تعریف شده و اثبات‌هایی که پیاده‌سازی مستقر را پوشش می‌دهد، نیاز دارد.
• تأیید رسمی مکمل تست و بازبینی کد است، با تضمین‌هایی که محدود به ویژگی‌ها و فرضیات مشخص شده است.

پروتکل NEAR در اعلامیه‌ای در تاریخ ۱۶ اکتبر گفت که تحقیقات آن به دنبال کاهش کار تخصصی و هزینه‌های محاسباتی مرتبط با اثبات این است که نرم‌افزار از قوانین تعریف شده پیروی می‌کند.

تأیید رسمی اثبات می‌کند که نرم‌افزار از قوانین تعریف شده پیروی می‌کند.

هدف ما این است که آن را برای توسعه‌دهندگان بیشتری مقرون به صرفه کنیم. پیشرفت NEAR AI در تولید اثبات خودکار ما را به این هدف نزدیک‌تر می‌کند.

مرحله بعد: اعمال آن به پروتکل NEAR و قراردادهای هوشمند اصلی. https://t.co/MqFxz4B166 --- پروتکل NEAR (@NEARProtocol) ۱۹ اکتبر ۲۰۲۶

برنامه‌ریزی شده شامل پروتکل شبکه و قراردادهای اصلی، به همراه ابزارهایی برای توسعه‌دهندگان اکوسیستم است. NEAR تأیید تولید را به عنوان یک هدف توصیف کرده است، در حالی که کارهای معیار تکمیل شده آن به تولید اثبات ریاضی خودکار مربوط می‌شود.

NEAR برنامه دارد تا تولید اثبات را به نرم‌افزار تولیدی منتقل کند

بر اساس اعلامیه NEAR، اعمال تحقیقات به نرم‌افزار در حال اجرا شامل سه مرحله است. توسعه‌دهندگان باید یک برنامه را به صورت ریاضی نمایندگی کنند، ویژگی‌هایی که باید برآورده شوند را تعریف کنند و اثبات‌هایی بسازند که نشان دهد این ویژگی‌ها برقرار هستند.

نتایج اخیر معیار NEAR پیشرفت در مرحله سوم را نشان می‌دهد. اعلامیه می‌گوید که کار تولید هنوز به مدل‌های دقیق رفتار نرم‌افزار و ارتباط واضح بین اثبات‌ها و پیاده‌سازی که کاربران به آن تکیه می‌کنند، نیاز دارد.

در توضیحات خود، NEAR اثباتی را که یک قانون حسابداری خاص را پوشش می‌دهد از تضمینی که کل یک برنامه ایمن است، متمایز می‌کند. یک قرارداد می‌تواند تعادل‌ها را در حین انتقال حفظ کند در حالی که نیاز به اثبات جداگانه‌ای دارد که فقط حساب‌های مجاز می‌توانند آن‌ها را آغاز کنند.

هم‌بنیان‌گذار NEAR، ایلیا پولوکوشین، تحقیقات را به خطرات ناشی از نرم‌افزار تولید شده توسط AI و ابزارهایی که به مهاجمان کمک می‌کنند تا نقاط ضعف را شناسایی کنند، مرتبط کرده است.

"آینده AI و کد تولید شده توسط AI هیجان‌انگیز است - اما فقط زمانی که ما به تضمین‌های قابل تأیید و ریاضی رفتار آن دست یابیم."

این اعلامیه بیانیه‌ای را از نوشته‌های پولوکوشین در مورد امنیت نرم‌افزار بازتولید می‌کند. NEAR می‌گوید که تأیید رسمی باید مکمل تست، بازبینی کد و شیوه‌های امنیت عملیاتی باشد.

نتیجه ۱۱۱.۸۵ دلار به اثبات‌های ریاضی مربوط می‌شود

اعلامیه NEAR گزارش می‌دهد که عامل AI آن ۶۷۲ مسئله Lean از PutnamBench را حل کرده است، یک معیار مبتنی بر مسابقه ریاضی کارشناسی Putnam. هزینه میانگین گزارش شده تقریباً ۰.۱۷ دلار به ازای هر مسئله در قیمت‌های مدل استفاده شده برای ارسال بود.

مخزن عمومی پروژه نتیجه را به عنوان ۶۷۰ مسئله بالادستی به علاوه نسخه‌های اصلاح شده دو مسئله با فرموله‌های معیوب توصیف می‌کند. NEAR می‌گوید که هزینه گزارش شده شامل هزینه کامل توسعه سیستم نیست و قیمت تأیید یک قرارداد تولیدی را تخمین نمی‌زند.

در مخزن، تیم گزارش می‌دهد که تکرار همان استفاده در قیمت‌های غیر اوج DeepSeek که بعداً فهرست شده است، ۳۳۱ دلار هزینه خواهد داشت. روش‌شناسی آن شامل تلاش‌های ناموفق است، اگرچه نویسندگان یک آزمایش موازی جداگانه با Kimi را شناسایی می‌کنند که از حسابداری هزینه‌ها حذف شده است.

مخزن چک‌هایی را در برابر اثبات‌های ناتمام و تغییرات در بیانیه ریاضی که در حال اثبات است، توصیف می‌کند. گزارش می‌دهد که طولانی‌ترین اجرا بیش از سه روز به طول انجامید.

در کنار PutnamBench، NEAR اعلام کرد که تیمش با مجموع حل‌ها به مقام اول در رده‌بندی رسمی Lean Eval v1 دست یافته است. این اعلامیه معیار رتبه‌بندی را مشخص می‌کند و آن را از حل‌های اول و حل‌های منحصر به فرد متمایز می‌سازد.

به گفته NEAR، معیارهای ریاضی قابلیت مورد نیاز برای تأیید نرم‌افزار را تمرین می‌کنند زیرا توسعه‌دهندگان الزامات نرم‌افزار را به بیانیه‌های ریاضی تبدیل می‌کنند. این شرکت نتایج را از کار اثبات ویژگی‌های کدهای مستقر جدا می‌کند.

اثبات‌های رسمی به قوانین انتخابی توسعه‌دهندگان وابسته است

در مثال انتقال NEAR، یک آزمون متعارف یک تراکنش انتخاب شده را بررسی می‌کند، مانند انتقال پنج توکن بین دو حساب. یک اثبات می‌تواند تأسیس کند که هر انتقال موفق که تحت مدل ریاضی پوشش داده شده است، موجودی ترکیبی حساب‌ها را حفظ می‌کند.

این اعلامیه توضیح می‌دهد که توسعه‌دهندگان ابتدا یک الزام را انتخاب می‌کنند، رفتار نرم‌افزار مربوطه را به صورت ریاضی بیان می‌کنند و یک اثبات پیشنهادی را به یک بررسی‌کننده ارسال می‌کنند. تضمین حاصل به تعاریف و فرضیات استفاده شده بستگی دارد.

رویکرد NEAR از Lean، یک زبان برنامه‌نویسی متن‌باز و دستیار اثبات استفاده می‌کند. یک عامل هوش مصنوعی می‌تواند یک اثبات پیشنهاد دهد، Lean را اجرا کند، بازخورد آن را بررسی کند و تلاش را اصلاح کند، در حالی که هسته Lean بررسی می‌کند که آیا اثبات از قوانین منطقی آن پیروی می‌کند یا خیر.

به گفته NEAR، یک تلاش ناموفق لزوماً یک نقص نرم‌افزاری را شناسایی نمی‌کند. الزام ممکن است نادرست باشد، پیاده‌سازی ممکن است آن را نقض کند، یا عامل ممکن است نتواند یک اثبات معتبر پیدا کند.

تأیید رسمی در حال حاضر کاربردهای مستند شده‌ای در اکوسیستم NEAR دارد. ارزیابی Certora در تاریخ 30 مارس از Templar، یک پروتکل وام‌دهی مستقر در NEAR، بررسی دستی قراردادهای Rust آن و مشخصات و تأیید رسمی قرارداد بازار آن را توصیف می‌کند. صفحه ارزیابی Certora ویژگی‌های اثبات شده و مسائل کشف شده را به عنوان موضوعات گزارش کامل شناسایی می‌کند.

سایر تیم‌های بلاک‌چین به تأیید مبتنی بر هوش مصنوعی پرداخته‌اند

در ماه مه، Aptos Labs از حمایت برای تأیید رسمی مبتنی بر هوش مصنوعی که شامل ارسال دینامیک در قراردادهای Move است، توصیف کرد. جریان کاری اعلام شده آن از مشخصات تولید شده توسط هوش مصنوعی با Move Prover استفاده می‌کند، طبق پوشش این اعلامیه.

بنیان‌گذار اتریوم، ویتالیک بوترین، درباره ترکیب مشابهی از ابزارهای هوش مصنوعی و اثبات‌های بررسی شده توسط ماشین بحث کرده است. همانطور که crypto.news قبلاً گزارش داده بود، نظرات او در ماه مه کاربردهایی را در نقشه راه اتریوم شناسایی کرد، از جمله اجماع، رمزنگاری مقاوم در برابر کوانتوم و سیستم‌های دانش صفر.

بوترین هشدار داد که اثبات یک لایه، کل سیستم را به عنوان یک سیستم کارآمد تأسیس نمی‌کند. بحث او تأیید را از مشخصات سطح بالا تا پیاده‌سازی سطح پایین پوشش داد.

تحقیقات امنیتی جداگانه NEAR به امضای مقاوم در برابر کوانتوم پرداخته است. پیشنهاد ماه مه Near One از پشتیبانی امضای FIPS-204 استفاده کرده است، با استفاده از استاندارد ML-DSA که توسط موسسه ملی استانداردها و فناوری ایالات متحده تأیید شده است.

پیشنهاد ماه مه هدف یک شبکه آزمایشی را برای پایان سه‌ماهه دوم سال 2026 توصیف کرد. Near One گفت که نرم‌افزار کیف پول، کیف پول‌های سخت‌افزاری، نقاط پایانی و APIها به تغییرات هماهنگ شده برای حمایت از طرح‌های امضای جدید نیاز خواهند داشت.