本文由BlockWeeks編譯整理
六名耶魯大學電腦科學家提出了一種名為 Maverick 的協議,目標是讓開源 AI 模型主要運行在「別人的機器」上,同時不把使用者的原始輸入暴露給那台機器。按照設計,使用者手機或其他低算力裝置把繁重計算外包給外部伺服器,伺服器只收到經過擾亂的輸入副本,裝置再在結果返回後進行校驗。
相關論文已於 2026 年 9 月 9 日上傳至 arXiv,目前仍是預印本,尚未被會議或期刊接收,論文也未附程式碼連結。
核心問題:如何相信一台不受你控制的機器
驗證一台自己無法控制的機器是否誠實完成了計算,正是零知識證明系統以及部分去中心化算力網路長期試圖解決的問題。Maverick 的額外目標是:在驗證結果的同時,讓伺服器始終看不到使用者輸入。
論文指出,零知識機器學習系統 DeepProve 能夠檢查計算結果,但會把輸入暴露給伺服器。Maverick 則試圖同時實現「可驗證」和「輸入保密」。
論文作者之一、助理教授 Fan Zhang 與博士生 Wenhao Wang 將加密貨幣與合約倡議組織 IC3 列為所屬機構,Wenhao Wang 的部分研究由 IC3 資助。
圍繞出售 AI 推理服務的區塊鏈市場,主持人 Kain Warwick 本月在節目中描述了信任他人機器的難題:「人們在向你出售推理服務,但你並不真正知道它從哪裡來。」
Maverick 如何工作:先加掩碼,再抽查
Maverick 的基本流程是:使用者裝置用一層看似隨機的掩碼隱藏輸入,然後把模型的大部分數學計算發送給伺服器;伺服器在不知道原始輸入的情況下完成計算,返回結果後,使用者裝置再剝去掩碼,恢復答案。
為了防止伺服器偷懶或作惡,裝置不會重新完整執行一遍計算,而是運行一個快速隨機化測試,對伺服器返回的結果進行抽檢。
論文作者 Charalampos Papamanthou 在論文中僅標註耶魯大學,但根據其耶魯個人頁面,他同時擔任 Lagrange Labs 首席科學家。Lagrange 構建零知識證明系統,其中包括 DeepProve,Papamanthou 也是 DeepProve 論文的共同作者。
效能數據:45倍提速有嚴格前提
在論文的端到端測試中,最大幅度的效能提升出現在使用者裝置提前準備好掩碼的情況下:提示詞 token 的處理速度最高達到裝置本地自行運行模型的 45 倍。如果掩碼是在運行過程中臨時構建,峰值提速則降至 17 倍。
這些數字來自特定測試條件:使用者裝置僅使用一個處理執行緒,伺服器為 CPU 並允許使用最多 128 個執行緒,提示詞長度為 8 個 token,且未計入網路延遲。
另一項測試在模擬網路上計時一個短請求,裝置使用兩個執行緒、伺服器使用 64 個執行緒。在 50 毫秒往返延遲下,兩種隱私模式的首次輸出速度分別僅為本地運行的 1.42 倍和 1.46 倍;當往返延遲升至 100 毫秒時,兩種模式均慢於本地運行。
測試僅使用 Qwen3-4B 這一個模型。
關鍵瓶頸:客戶端儲存
作者將 Maverick 的客戶端儲存需求稱為「我們方法的一個關鍵瓶頸」。這意味著,儘管協議把計算壓力轉移給了伺服器,使用者裝置仍需要承擔不可忽視的儲存開銷,這可能限制其在低階手機等裝置上的實際部署。
從定位看,Maverick 試圖切入一個正在升溫的交叉地帶:AI 推理外包、隱私保護與可驗證計算。它能否從預印本走向可部署系統,仍取決於程式碼實現、更大模型測試以及客戶端開銷能否進一步壓縮。






