Naukowcy z Yale prezentują protokół Maverick chroniący zapytania AI podczas zdalnego wnioskowania
Zespół z Yale szczegółowo opisał Maverick, system maskujący wejścia użytkownika przy delegowaniu pracy modelu AI na zewnętrzne serwery, wykazując przyspieszenie do 45‑krotności w wczesnych testach.
Przetłumaczono z języka angielskiego. Czytaj oryginał
Kluczowe wnioski
- Maverick szyfruje zapytania losową maską przed wysłaniem ich do serwera obliczeniowego, uniemożliwiając serwerowi podgląd pierwotnego wejścia.
- Wstępnie obliczone maski pozwalają na przetwarzanie tokenów nawet 45‑krotnie szybciej niż pełne uruchomienie modelu na urządzeniu mobilnym.
- Protokół został ujawniony w nie‑recenzowanym pre‑printcie arXiv z 9 września 2026 r. i częściowo finansowany grantem IC3.
Sześciu badaczy informatyki z Uniwersytetu Yale opublikowało 9 września 2026 r. techniczny artykuł opisujący Maverick – ramy mające na celu ukrycie treści zapytań AI, gdy ciężkie obliczenia są wykonywane na serwerze zewnętrznym. Podejście pozwala smartfonowi lub innemu słabemu urządzeniu przenieść większość arytmetyki do zdalnego procesora, przy jednoczesnym zachowaniu poufności pierwotnego zapytania.
Technika maskowania i weryfikacja
Urządzenie klienckie najpierw nakłada kryptograficzną maskę, wyglądającą losowo dla obserwatora, a następnie przesyła zamaskowane dane do serwera. Po otrzymaniu wyniku urządzenie usuwa maskę, odzyskując odpowiedź.
Aby potwierdzić prawidłowe wykonanie modelu, Maverick przeprowadza krótką losową kontrolę zamiast odtwarzania pełnej kalkulacji lokalnie. Ten krok weryfikacyjny bazuje na koncepcjach systemów dowodów zerowej wiedzy, obszaru również badanym przez sieci obliczeniowe oparte na blockchainie.
Artykuł zestawia Maverick z DeepProve, innym weryfikatorem uczenia maszynowego zero‑knowledge, który potrafi poświadczyć poprawność wyniku, lecz nie ukrywa surowego wejścia przed serwerem.
Wyniki wydajności
Testy przeprowadzono na modelu językowym Qwen3‑4B przy użyciu jednego wątku przetwarzania po stronie klienta oraz serwera CPU zdolnego do 128 równoległych wątków. Gdy maski były przygotowane wcześniej, system przetwarzał tokeny zapytań do 45‑krotnie szybciej niż scenariusz, w którym urządzenie samodzielnie uruchamiało model na własnym sprzęcie.
Jeśli maski generowano w trakcie wnioskowania, przewaga prędkości spadła do 17‑krotności, co nadal oznacza znaczące zmniejszenie obciążenia lokalnego.
Oddzielny eksperyment symulował sieć z dwoma wątkami klienta i 64 wątkami serwera. przy opóźnieniu 50 ms pierwsze tokeny były 1,42‑ i 1,46‑krotnie szybsze niż czyste lokalne wykonanie; przy 100 ms opóźnieniu podejście zdalne było wolniejsze, co podkreśla wrażliwość protokołu na opóźnienia sieciowe.
Autorzy podkreślają, że ilość pamięci po stronie klienta potrzebnej na wstępnie obliczone maski jest głównym ograniczeniem, opisując to jako „kluczowy wąskie gardło naszego podejścia”.
Zespół, finansowanie i komentarze powiązane
Asystent profesora Fan Zhang oraz doktorant Wenhao Wang są wymienieni jako afiliowani do Initiative for CryptoCurrencies and Contracts (IC3); wkład Wanga częściowo finansuje grant IC3. Charalampos Papamanthou, współautor, pełni funkcję głównego naukowca w Lagrange Labs, firmie budującej systemy dowodów zerowej wiedzy, w tym DeepProve.
W niedawnym wywiadzie w podcaście Unchained „Uneasy Money” założyciel rynku blockchain Kain Warwick podkreślił problem zaufania, który Maverick ma rozwiązać, mówiąc: „Ludzie sprzedają Ci wnioskowanie i nie wiesz, skąd naprawdę pochodzi”.


Dyskusja 0