AI मॉडल असली है या नकली? Anthropic की नई 'FlashProve' प्रणाली देगी गणितीय प्रमाण

जब आप वास्तविक दुनिया में किसी मित्र से बात करते हैं, तो वह वास्तव में वही व्यक्ति है यह सुनिश्चित करने के लिए आपके पास अनगिनत रास्ते होते हैं: आप उसका चेहरा देख सकते हैं, आवाज़ सुन सकते हैं या उससे हाथ मिला सकते हैं। लेकिन आर्टिफिशियल इंटेलिजेंस (AI) मॉडल के साथ संवाद करते समय हमारे पास ऐसी कोई व्यवस्था नहीं होती है। आज जब कोई उपयोगकर्ता क्लाउड पर मौजूद AI मॉडल से सवाल पूछता है, तो मिला जवाब कंपनी द्वारा दावा किए गए सटीक मॉडल ने ही दिया है या फिर खर्च बचाने के लिए कोई सस्ता मॉडल बीच में लगा दिया गया है, इसका कोई प्रमाण नहीं मिलता है। केवल जवाब की उत्कृष्ट गुणवत्ता देखकर असली मॉडल पहचानना असंभव है।

इस गंभीर पहचान-संकट का समाधान लाने के लिए सैन फ्रांसिस्को स्थित अग्रणी AI अनुसंधान संस्था Anthropic द्वारा 'FlashProve' नाम की एक नवीन और ओपन-सोर्स सिस्टम पेश की गई है। कंपनी के ब्लॉग पोस्ट और टेकक्रंच की रिपोर्ट के अनुसार, यह सिस्टम 'प्रोवेबल इन्फेरेंस' (provable inference: गणितीय रूप से जाँचा जा सके ऐसा अनुमान) प्रदान करती है। इस पद्धति में AI प्रदाता अपने बहुमूल्य और गुप्त आंतरिक मापदंडों यानी 'वेट्स' (weights: मॉडल की याददाश्त और निर्णय तय करने वाले आंकड़े) को उजागर किए बिना केवल गणित के आधार पर यह साबित कर सकता है कि हर जवाब सटीक मॉडल द्वारा ही तैयार हुआ है।

पहचान का संकट और प्रोवेबल इन्फेरेंस की आवश्यकता

आज के AI इकोसिस्टम में बड़े लैंग्वेज मॉडल्स (LLMs) API के माध्यम से परोसे जाते हैं। इस व्यवस्था में कई जोखिम छिपे हैं। उदाहरण के लिए, कोई थर्ड-पार्टी रूटिंग प्लेटफॉर्म ग्राहक से महंगे फ्रंटियर मॉडल के पैसे वसूलकर बैकएंड में सस्ता या हल्का मॉडल चला सकता है। साइबर हमलावर टोकन स्ट्रीम में (token stream: शब्दों के छोटे टुकड़ों का प्रवाह) छेड़छाड़ करके उपयोगकर्ता के कंप्यूटर में मालवेयर घुसा सकते हैं। इसके अलावा, भविष्य में अत्यंत सक्षम स्वायत्त मॉडल मॉनिटरिंग से बचने के लिए खुद को कमजोर मॉडल के रूप में छिपाकर प्रस्तुत करें, ऐसी भी संभावना रहती है।

नियामकों और स्वतंत्र ऑडिटर्स के लिए भी यह एक बड़ी समस्या है। सुरक्षा के नियमों के अनुसार कौन सा मॉडल कितना कंप्यूटेशनल हार्डवेयर इस्तेमाल कर रहा है यह जानना जरूरी हो जाता है। यदि कोई कंपनी नियम तोड़कर ट्रेनिंग (training) के लिए हार्डवेयर खाली करने की खातिर इन्फेरेंस में सस्ते मॉडल चलाए, तो उसे कैसे पकड़ा जाए? FlashProve इन सभी सवालों के सामने क्रिप्टोग्राफिक सुरक्षा कवच प्रदान करता है। इसमें उपयोगकर्ता को जवाब के साथ एक छोटा सा गणितीय प्रमाण पत्र दिया जाता है।

जीरो-नॉलेज प्रूफ्स: रहस्य खोले बिना सत्य का प्रमाण

FlashProve के आधार में क्रिप्टोग्राफी का एक अत्याधुनिक साधन स्थित है, जिसे 'zkSNARK' (Zero-Knowledge Succinct Argument of Knowledge: शून्य-ज्ञान संक्षिप्त प्रमाण) कहा जाता है। ज़ीरो-नॉलेज प्रूफ एक ऐसी पद्धति है जिसमें प्रमाणित करने वाला पक्ष (prover) सत्यापन करने वाला पक्ष (verifier) को आश्वस्त करता है कि विशिष्ट गणना बिल्कुल सही तरीके से की गई है, परंतु उस दौरान गणना में उपयोग किए गए निजी विवरण ज़रा भी उजागर नहीं होते हैं।

इसे एक सरल दैनिक उदाहरण से समझा जा सकता है: मान लीजिए कि कोई ताला खोलने का गुप्त कोड आपके पास है। अब आपको सामने वाले को साबित करना है कि आपको वह कोड मालूम है, लेकिन कोड देना नहीं है। आप उसके सामने ताला खोलकर अंदर रखी वस्तु बाहर निकालकर दिखा देते हैं। सामने वाले को यकीन हो जाता है कि आपको कोड पता है, फिर भी उसे खुद कोड जानने को नहीं मिलता है। FlashProve में AI कंपनी अपने मॉडल के अरबों वेट्स किसी को नहीं देती है, केवल उन वेट्स का एक गणितीय 'कमिटमेंट' (commitment: एक अनन्य फिंगरप्रिंट) सार्वजनिक करती है। जब मॉडल जवाब देता है, तब zkSNARK इस बात का प्रमाण देता है कि यह विशिष्ट उत्तर उसी कमिट किए गए वेट्स के द्वारा ही गणना किया गया है।

गणना के चौंकने वाले आंकड़े और कार्यक्षमता

पहले के समय में AI मॉडल की विशाल गणनाओं के लिए ऐसे क्रिप्टोग्राफिक प्रमाण तैयार करना अत्यधिक धीमा और अव्यवहारिक माना जाता था। परंतु Anthropic के शोधकर्ताओं रॉय रिनबर्ग, एलेक्स एलेन तथा EPFL और MIT के सहयोगियों ने इस विचार को वास्तविकता में बदल दिया है। FlashProve का परीक्षण Meta के 400 अरब पैरामीटर वाले 'Llama 4 Maverick' (मिक्सचर-ऑफ-एक्सपर्ट्स ढांचे और 4-बिट क्वांटाइजेशन के साथ, जिसका आकार 232 GB है) मॉडल पर किया गया था।

कंपनी की तकनीकी रिपोर्ट के अनुसार, केवल एक ही NVIDIA H100 GPU पर FlashProve का प्रोवर प्रति सेकंड 100 से 110 टोकन की प्रीफिल गति से प्रमाण तैयार कर सकता है (24 अनुरोधों के बैच के साथ)। 1,024 टोकन की संदर्भ विंडो (context window) वाले अनुरोध के लिए तैयार होने वाले प्रमाण का आकार लगभग 19 मेगाबाइट (MB) जितना रहता है। यह प्रमाण तैयार करने में सामान्य इन्फेरेंस लाइब्रेरी vLLM की तुलना में लगभग 70 से 95 गुना अधिक GPU समय लगता है, जिसे क्रिप्टोग्राफिक प्रमाणों की दुनिया में बहुत बड़ी तकनीकी छलांग माना जाता है।

सबसे बड़ी विशेषता यह है कि इसका सत्यापन (verification) अत्यंत संक्षिप्त और हल्का है। उपयोगकर्ता सामान्य लैपटॉप या CPU पर 2 जीबी से कम रैम (RAM) के साथ मात्र 2 सेकंड से भी कम समय में इस 19 MB के प्रमाण की सत्यता की जाँच कर सकता है।

सॉफ्टवेयर बनाम हार्डवेयर: Lean 4 में गणितीय गारंटी

अब तक प्रोवेबल इन्फरेंस (provable inference) के लिए अधिकतर हार्डवेयर-आधारित रास्तों, जैसे कि 'ट्रस्टेड एक्जीक्यूशन एनवायरनमेंट्स' (TEE: प्रोसेसर के भीतर सुरक्षित रूप से सील किया गया क्षेत्र) पर निर्भर रहा जाता था। लेकिन हार्डवेयर-आधारित पद्धतियों में चिप निर्माता कंपनी पर पूरी तरह निर्भर रहना पड़ता है और माइक्रोकोड या साइड-चैनल हमलों के माध्यम से सुरक्षा जोखिम में पड़ सकती है। FlashProve पूरी तरह से 'सॉफ्टवेयर और शुद्ध गणित' आधारित सिस्टम है। इसकी सुरक्षा गणितीय पहेलियों की जटिलता पर निर्भर करती है; यदि सर्वर का ऑपरेटिंग सिस्टम या वातावरण हैक भी हो जाए, तो भी हमलावर गलत प्रमाण नहीं बना सकता है।

गिटहब रिपॉजिटरी में दर्शाए अनुसार, इस प्रोटोकॉल की विश्वसनीयता (soundness) 'Lean 4' नामक औपचारिक गणितीय प्रमाण सॉफ्टवेयर में अकाट्य रूप से सिद्ध की गई है। गणितीय प्रमेय के अनुसार, यदि कोई प्रदाता अधिकृत मॉडल के अलावा किसी अन्य मॉडल का गलत उत्तर पकड़े गए बिना पारित करने का प्रयास करता है, तो q जितनी हैश पूछताछ के बाद भी उसके सफल होने की संभावना मात्र q/2^124 + 2^-101 जितनी नगण्य है, जो व्यवहार में असंभव के बराबर है।

अनुसंधान का चरण और भविष्य की क्षितिज

गिटहब पर इस प्रोजेक्ट को Apache 2.0 ओपन-सोर्स लाइसेंस के तहत संस्करण 0.16.0 के रूप में जारी किया गया है। हालांकि Anthropic और टेकक्रंच स्पष्ट करते हैं कि FlashProve अभी एक प्रायोगिक अनुसंधान प्रोटोटाइप है और वर्तमान में इसे Anthropic या किसी अन्य लैब द्वारा व्यावसायिक प्रोडक्शन में लागू करने की कोई योजना नहीं है। यह अनुसंधान अन्य वैज्ञानिकों और समुदाय के लिए खुला रखा गया है ताकि प्रोवेबल इन्फरेंस के क्षेत्र में और अधिक प्रगति हो सके।

जब दुनिया भर में AI मॉडल निर्णायक निर्णय लेना शुरू कर रहे हैं, तब गणित के सहारे मॉडल की पहचान की पुष्टि करना AI सुरक्षा, सरकारी नियमन और उपयोगकर्ता के विश्वास के लिए आधारशिला साबित होगा।