EigenAI 在主網上推出位元精確確定性 AI 推理

Rongcai Wang
Jan 24, 2026 00:07

EigenAI 在 GPU 上實現了 100% 可重現的 LLM 輸出，開銷低於 2%，使交易和預測市場的可驗證自主 AI 代理成為可能。

EigenCloud 已在主網發布其 EigenAI 平台，聲稱解決了困擾自主 AI 系統的根本問題：無法重現就無法驗證。

這裡的技術成就意義重大。EigenAI 在生產級 GPU 上提供位元精確的確定性推理——意味著相同的輸入在 10,000 次測試運行中產生相同的輸出——額外延遲僅為 1.8%。對於任何構建處理真實資金的 AI 代理的人來說，這很重要。

為什麼 LLM 隨機性會破壞金融應用

在 ChatGPT 中運行兩次相同的提示。不同的答案。這不是錯誤——這是浮點運算在 GPU 上的工作方式。核心調度、可變批次處理和非結合性累積都會引入微小的變化，這些變化累積成不同的輸出。

對於聊天機器人，沒人注意到。對於使用你的資金執行的 AI 交易代理呢？對於決定誰贏得 2 億美元賭注的預測市場預言機呢？不一致性成為了一種負擔。

EigenCloud 指出 Polymarket 臭名昭著的「澤倫斯基穿西裝了嗎？」市場作為案例研究。超過 2 億美元的交易量，任意解決的指控，最終人工治理不得不介入。隨著市場規模擴大，人工裁決無法擴展。AI 裁判成為必然——但前提是該裁判每次都產生相同的裁決。

技術堆疊

在 GPU 上實現確定性需要控制每一層。A100 和 H100 晶片由於捨入的架構差異，對相同操作產生不同的結果。EigenAI 的解決方案：操作員和驗證者必須使用相同的 GPU SKU。他們的測試顯示在相同架構運行中匹配率為 100%，跨架構為 0%。

團隊用自定義實現替換了標準 cuBLAS 核心，使用 warp 同步歸約和固定線程排序。沒有浮點原子操作。他們基於 llama.cpp 構建，因其小型、可審計的程式碼庫，停用了動態圖融合和其他引入變異性的優化。

性能成本達到標準 cuBLAS 吞吐量的 95-98%。在獨立 H100 節點上的跨主機測試產生了相同的 SHA256 雜湊值。具有背景 GPU 工作負載引發調度抖動的壓力測試？仍然相同。

通過經濟學進行驗證

EigenAI 使用從區塊鏈 rollup 借鑒的樂觀驗證模型。操作員將加密結果發布到 EigenDA，該項目的數據可用性層。結果默認被接受，但可以在爭議窗口期間受到挑戰。

如果受到挑戰，驗證者在可信執行環境內重新執行。由於執行是確定性的，驗證變成二元的：位元組是否匹配？不匹配會觸發從綁定質押中的罰沒。操作員損失資金；挑戰者和驗證者獲得報酬。

經濟設計旨在使作弊在挑戰機率超過某個閾值後成為負期望值。

現在構建什麼

即時應用很直接：預測市場裁決者，其裁決可以被重現和審計；交易代理，其中每個決策都被記錄並可挑戰；以及研究工具，其中結果可以通過重新執行而不是信任進行同行評審。

這裡更廣泛的趨勢與企業對合規性要求較高的行業對確定性 AI 日益增長的興趣一致。醫療保健、金融和法律應用越來越需要機率系統無法保證的那種可重現性。

EigenAI 的 2% 開銷對於高頻應用是否可接受還有待觀察。但對於管理大量資金的自主代理來說，證明執行完整性的能力可能值得這種性能稅。

完整白皮書詳細說明了正式安全分析、核心設計規範以及為那些在基礎設施上構建的人提供的罰沒機制。

圖片來源：Shutterstock