EigenAI在主网推出位精确确定性AI推理

Rongchai Wang
2026年1月24日 00:07

EigenAI在GPU上实现100%可复制的LLM输出,开销低于2%,为交易和预测市场提供可验证的自主AI代理。

EigenCloud已在主网发布其EigenAI平台,声称解决了困扰自主AI系统的一个基本问题:你无法验证你无法复制的东西。

这里的技术成就意义重大。EigenAI在生产GPU上提供位精确的确定性推理——意味着相同的输入在10,000次测试运行中产生相同的输出——仅增加1.8%的延迟。对于任何构建处理真实资金的AI代理的人来说,这很重要。

为什么LLM随机性会破坏金融应用

在ChatGPT中运行两次相同的提示。不同的答案。这不是错误——这就是浮点数学在GPU上的工作方式。内核调度、可变批处理和非结合累加都会引入微小的变化,这些变化累积成不同的输出。

对于聊天机器人,没人会注意到。但对于使用你的资金执行交易的AI交易代理呢?对于决定谁赢得2亿美元赌注的预测市场预言机呢?这种不一致性就成了一种责任。

EigenCloud指出Polymarket臭名昭著的"泽连斯基穿西装了吗?"市场作为案例研究。交易量超过2亿美元,受到任意裁决的指控,最终不得不由人工治理介入。随着市场扩大,人工裁决无法扩展。AI裁判变得不可避免——但前提是该裁判每次都产生相同的判决。

技术堆栈

在GPU上实现确定性需要控制每一层。A100和H100芯片由于舍入的架构差异,对相同操作产生不同结果。EigenAI的解决方案:运营商和验证者必须使用相同的GPU SKU。他们的测试显示在相同架构运行上100%匹配率,跨架构0%。

团队用使用warp同步归约和固定线程排序的自定义实现替换了标准cuBLAS内核。没有浮点原子操作。他们基于llama.cpp构建,因其小型、可审计的代码库,禁用了引入可变性的动态图融合和其他优化。

性能成本达到标准cuBLAS吞吐量的95-98%。在独立H100节点上的跨主机测试产生了相同的SHA256哈希值。在后台GPU工作负载引起调度抖动的压力测试中?仍然相同。

通过经济学进行验证

EigenAI使用从区块链rollup借鉴的乐观验证模型。运营商将加密结果发布到EigenDA,该项目的数据可用性层。结果默认被接受,但可以在争议窗口期间受到挑战。

如果受到挑战,验证者在可信执行环境中重新执行。因为执行是确定性的,验证变成二元的:字节是否匹配?不匹配会触发从抵押质押中削减。运营商损失资金;挑战者和验证者获得报酬。

经济设计旨在使作弊在挑战概率超过某个阈值后成为负期望值。

现在可以构建什么

即时应用很直接:判决可以被复制和审计的预测市场裁决者、每个决策都被记录且可挑战的交易代理,以及结果可以通过重新执行而非信任进行同行评审的研究工具。

这里更广泛的趋势与企业对合规性密集型行业确定性AI的兴趣增长一致。医疗保健、金融和法律应用越来越需要概率系统无法保证的那种可复制性。

EigenAI的2%开销是否被证明对高频应用可接受还有待观察。但对于管理大量资金的自主代理,证明执行完整性的能力可能值得性能代价。

完整的白皮书详细说明了正式安全分析、内核设计规范和削减机制,供那些在基础设施上构建的人参考。

图片来源:Shutterstock