ethresear.ch
We published a federated AI orchestration protocol called NSED that coordinates independent models across separated GPUs through structured deliberation and quadratic voting, achieving frontier-level performance at 4x lower hardware cost.
AI 生成摘要
我們發布了一項名為 NSED 的聯邦 AI 編排協定，透過結構化審議與平方投票機制協調分散在不同 GPU 上的獨立模型，在硬體成本降低 4 倍的情況下達到頂尖模型的性能水準。
我們發佈了一項聯邦式 AI 編排協定 (NSED)，透過具有自我評估和平方投票共識的結構化審議輪次，協調分佈在不同物理位置 GPU 上的多個獨立模型。此方案無需張量並行 (Tensor Parallelism)。
論文：
代碼： (源碼可用，遵循 BSL 1.1 授權；Agent SDK 遵循 MIT 授權)
結果： 在 AIME’25 和 LiveCodeBench 測試中，以低 4 倍的資本支出 (CapEx) 達到與頂尖前沿模型 (Frontier Model) 相當的品質。換言之：僅透過編排，即可比基礎模型提升 15–30% 的推理性能。
協定經濟設計（草案）：
我們正在尋找研究合作夥伴和早期設計夥伴——共同針對特定領域基準測試運行 NSED，並在對抗性條件下對 DIP 協定的經濟設計進行壓力測試。
對於關注我之前在此發文的人來說，自 2020 年以來我一直提出一個特定的擔憂：大多數去中心化協定設計將物理電信層視為已解決的問題，但事實並非如此。設計這些系統的軟體工程師和數學家很少考慮 TCP/IP 級別的限制，而這些限制決定了「去中心化」在實踐中真正的含義。
我曾在多篇文章中闡述這一觀點：
共同的核心觀點是：如果我們想要可信的去中心化系統，我們需要思考計算的物理分佈，而不僅僅是共識的邏輯分佈。這就是下述工作的起點。
NSED (N-Way Self-Evaluating Deliberation，N 路自我評估審議) 是一種模型混合 (Mixture of Models, MoM) 架構，來自不同提供商的多個獨立 AI 模型透過提案、交叉評估和平方投票共識的結構化輪次進行審議。
關鍵的架構特性：模型運行在物理分離、聯邦化的 GPU 上，沒有共享內存，也沒有張量並行。 協調是透過 NATS 上的結構化消息傳遞協定完成的，而非透過參數級同步。
| 配置 | 硬體 | AIME’25 分數 | 與前沿模型對比 |
| :--- | :--- | :--- | :--- |
| NSED 消費級 (3 個小型開源模型: GPT-OSS-20B, Qwen-3-8B, Gemma-3-12B) | 消費級 GPU | 84% | 媲美 DeepSeek-R1 |
| NSED 高性能 (開源模型，可自託管) | 中階硬體 | 90.0% | 與 GPT-5 (90.8%) 差距在 0.8% 以內 |
資本支出 (CapEx) 對比：NSED 消費級配置以約低 4 倍的硬體成本，實現了與直接運行前沿模型相當的推理品質。其機制在於審議多樣性——多個較弱的模型相互交叉檢查，產生的結果優於單個較強模型獨自推理的結果。
主流的 AI 範式（混合專家模型，Mixture of Experts）依賴於具有內部路由的單體模型——這本質上是中心化計算。MoM 則是一個不同的擴展維度：品質透過模型多樣性和審議輪次提升，而非參數數量。這自然地對應到物理分佈式基礎設施，其中沒有單一運營商能控制所有參與者。
如果你相信以太坊的長期價值包括作為 AI 計算的協調基礎設施，那麼問題在於：協調協定長什麼樣？NSED 提供了一個答案——雖然不是唯一的，但是一個具體且經過基準測試的答案。
NSED 的編排器在 BSL 1.1 協議下源碼可用（對年收入低於 100 萬美元的實體、學術研究用途及開發測試免費；4 年後轉為 AGPL-3.0）。Agent SDK 採用 MIT 授權——對任何構建代理或提交任務的人來說零授權摩擦。鏈上協調原語 ( v1) 作為公共物品採用 MIT 授權。其意圖是：MIT 原語推廣標準，BSL 在關鍵增長期保護編排層，AGPL 確保長期開放。
除了 AI 相關的工作外，我們一直在開發經濟架構，以使可驗證的知識工作在無須信任的環境中具有可持續性。
解決了一個根本問題：數位經濟缺乏評估和保護知識產權的穩健框架。「數據披露問題」——你必須揭露數據以證明其價值，但揭露數據會破壞其稀缺性——阻礙了流動性去中心化 IP 市場的出現。DIP 提出了基於四大支柱的解決方案：
精英領導的溯源 (ACIP/CVPP)： 數據品質是可驗證過程的湧現屬性，而非主觀標籤。「自主能力識別協定」(Autonomous Competence Identification Protocol) 創建了一個排名階梯，能力透過限時、基於成本的競賽來證明。提升排名 R 的成本呈指數級增長——這使得理性的攻擊者進行持續的女巫攻擊 (Sybil attack) 成本極高。價值以代幣化形式體現：流動性訪問代幣 (LATs)，可自由交易，為特定品質等級的 IP 訪問權創造流動市場。
精英領導的自主組織 (MAOs)： DAO 的演進形式，其中臨時的治理捕獲被視為一種預期內的競爭動態，而非災難性的失敗。ACIP 的時間-財務約束 $q = f(x, t)$ 使得永久的中心化控制在經濟上是不理性的——獲取治理權的速度越快，成本呈指數級上升。
三方託管： 在買方（如尋求訓練數據的 AI 公司）、專家社群（透過 ACIP/CVPP 賺取 LAT 的工作者）和專家公會（作為託管代理和仲裁者的 MAO）之間建立博弈論平衡模型。「稀釋困境」——LAT 轉換為治理權會稀釋現有公會治理持有者的權益——創造了激勵一致性，促使公會維持嚴格的品質標準。
地理空間去中心化基礎設施： 需要大量銷毀承諾的權威節點 (Authority Nodes)，代表具有去中心化身份 (DID) 發行權的管轄錨點。這將去中心化從一個抽象指標轉變為可驗證的、市場驅動的物理屬性。「互惠 IP 託管」機制——以門檻加密的 IP 冗餘換取權威特權——將節點運營商的激勵與網路長期安全對齊。
這源於我們早期在 Solidity 智能合約中實現 的工作 ()。該項目證明了純粹在 EVM 中構建真實應用層協調的潛力與難度，並讓我們確信：具有鏈上結算的嚴謹鏈下協定才是正確的架構。
我最希望獲得社群回饋的領域：
ACIP 的主要女巫抗性來自於排名晉升的指數級成本結構。但我們也在探索社交圖譜拓撲分析作為額外層級——利用連接模式、互動頻率和結算行為來檢測協調性的非精英活動，而無需正式的身份證明。
問題是：對於限制參與精英排名而言，社交圖譜分析能否提供在實踐上與正式證明系統（ZK 護照、設備認證、硬體 TPM）相媲美的女巫抗性？ 失敗模式有哪些？其吸引力在於零個人隱私信息 (PII) 和零硬體依賴，風險則是社交圖譜可以偽造或刷取。是否存在一種可組合的中間地帶——利用社交圖譜信號來增強輕量級加密證明，而無需重量級的證明基礎設施？
三方託管模型（買方 / 專家社群 / 專家公會）依賴於「稀釋困境」創造的激勵一致性。論文中描述了博弈論，但尚未透過基於代理的模型或機制設計證明進行正式驗證。託管結算和爭議解決等關鍵市場組件仍在設計中。具體問題：
DIP 提議權威節點必須銷毀大量基礎資產以獲得 DID 發行權和管轄錨點。另一條路徑——針對成熟機構的「共識授予治理審核」——旨在引入高價值實體而無需市場購買。
矛盾點在於：銷毀承諾提供了強大的女巫抗性和長期對齊，但它創造了資本壁壘，可能導致權威節點地位集中在資金雄厚的參與者手中，損害精英領導的初衷。共識授予路徑緩解了這一點，但引入了治理攻擊面。正確的平衡點在哪裡？是否有其他承諾機制可以在不造成資本集中的情況下保持對齊？
希望參與以下工作的研究合作夥伴和早期設計夥伴：
針對特定領域基準測試（代碼審查、法律分析、安全審計）運行 NSED
形式化 MAO 託管博弈論，並在對抗性條件下進行壓力測試
探索基於社交圖譜的女巫抗性，作為正式證明系統的替代或補充
思考聯邦式 AI 協調中的物理分佈約束
1 則貼文 - 1 位參與者 [閱讀完整主題](https://ethresear.ch/t/federated-multi-model-ai-deliberation-without-tensor-parallelism/24227)