Конец эпохи детерминизма в AI-инфраструктуре
Классическая модель State Machine Replication (SMR) требует, чтобы все реплики в распределенной системе выполняли детерминированные переходы, обеспечивая идентичные побитовые состояния. Однако с появлением агентов, управляемых стохастическими генеративными моделями, этот подход стал тупиковым. Заставляя стохастические агенты достигать побитового согласия, разработчики сталкиваются с деградацией гибкости, потерей контекста (context amnesia) и снижением производительности.
ESR: Разделение фактов и убеждений
Авторы Jun He и Deying Yu предлагают концепцию Epistemic State Replication (ESR). Суть метода — сдвиг границы репликации от видимости данных к видимости знаний. Состояние узла формализуется как пара K = (L, B):
- L (Evidence Log): детерминированный, неизменяемый журнал доказательств (факты, сырые данные).
- B (Belief Lineage): стохастическая, эволюционирующая линия убеждений (интерпретации, выводы агента).
Новые гарантии безопасности
Для обеспечения безопасности выполнения введены два ключевых понятия:
- Semantic Linearizability (Семантическая линейность): операции должны отражать последнее подтвержденное операционное значение в пределах метрики семантической совместимости, ограниченной верификатором.
- Bounded Eventual Coherence (Ограниченная конечная согласованность): ограничение ожидаемой семантической дивергенции при справедливой доставке, монотонных доказательствах и использовании контрактивного оператора прививки (graft operator).
Результаты прототипирования
Исследователи прототипировали ESR и провели симуляции, доказавшие жизнеспособность подхода. Метод позволяет откатывать ошибочные предпосылки (Verifiable Semantic Rollbacks) без потери контекста, что критично для автономных систем. Ниже приведено сравнение подходов к репликации состояний:
| Характеристика | Классическая SMR | Предлагаемая ESR |
|---|---|---|
| Базовая единица согласия | Побитовое совпадение (Bits) | Семантическая эквивалентность (Belief) |
| Тип данных | Детерминированные | Стохастические (LLM-driven) |
| Риск потери контекста | Высокий (при принудительном выравнивании) | Низкий (сохранение lineage убеждений) |
| Гибкость выполнения | Низкая | Высокая |
Данная работа открывает путь к созданию масштабируемых распределенных систем, где AI-агенты могут безопасно координировать действия, не теряя уникальность своих «мыслительных» процессов.
Источник: arXiv cs.AI ↗