گزارش تازهای از Nature با نتیجهای نامعمول از پردازنده Willow به آزمایشگاه تداوم رسید: کالیبراسیون و محاسبه در یک حلقه یادگیری واحد قرار گرفته بودند. یک عامل یادگیری تقویتی آموزش دید تا هنگام ادامه کار، کیوبیت منطقی را پایدار نگه دارد و جای الگوی آشنای توقف دستگاه، تنظیم و راهاندازی دوباره را بگیرد. این آزمایش رایانه کوانتومی کامل ارائه نمیکند، اما ماشینی را نشان میدهد که میتواند از رانش بیاموزد، نه آنکه فقط شکست را پس از وقوع ثبت کند.
مهندسان بیدرنگ این نتیجه را به بحث گستردهتر درباره زیرساخت باز هوش مصنوعی پیوند دادند. وزنهای باز و مدلهای دردسترس یک لایه را آشکار میکنند، اما گردانندگان همچنان به مدرکی درباره فرمان، مدل، سختافزار، مجوزها و مسیر اجرایی نیاز دارند که یک اقدام را پدید آورده است. بدون این زنجیره، سامانهای که ظاهراً باز است ممکن است همچنان حسابرسیناپذیر بماند. از این رو آزمایشگاه، راستیآزمایی را سابقهای پیوسته میداند، نه گواهیای که پس از استقرار ضمیمه شود.
همین فشار زمانی پدیدار میشود که یک عامل خودمختار به مشارکتکننده اقتصادی تبدیل شود. چنین عاملی به هویتی پایدار، مجوزهایی با دامنه دقیق، تسویه سریع مبالغ بسیار کوچک، استنتاج خصوصی برای ورودیهای حساس، اجرای محرمانه در موارد لازم و نتیجهای نیاز دارد که طرف دیگر بتواند آن را راستیآزمایی کند. نبود هر یک از این اجزا، یک دستیار مفید را به ریسک عملیاتی بدل میکند. برنامه آزمایشی جدید بهجای ستایش قابلیتهای جداگانه، کل زنجیره را اندازه میگیرد.
عملیات فعال دسترسپذیری داده AnyTrust در Xai، برای سامانههای بازی شهر لایهای عملی از تداوم فراهم میکند. مسیر مستند Data Availability Committee وData Availability Server طوری طراحی شده است که با گسترش اجرا، داده لازم تراکنشها دردسترس بماند. این مسیر بهتنهایی کنترل کوانتومی یا استنتاج خصوصی را حل نمیکند؛ نقشش محدودتر اما ارزشمند است: نگهداری مدرکی که برای بازسازی اقدامهای بازی، تسویه و دستورهای عامل هنگام حرکت همزمان جلسههای فراوان لازم است.
این تمایز، شیوه طراحی آزمونها را تغییر میدهد. مجوز عاملها بهصورت دامنههای صریح و زماندار نوشته میشود؛ اقدامهای حمایتشده هویت تأییدکننده را حمل میکنند؛ و هر تغییر وضعیت ردی قابل بازیابی خواهد داشت. گروههای آزمون نیز وقفههای عمدی ایجاد میکنند تا ببینند مسابقه، انتقال موجودی یا تعمیر خودکار میتواند بدون ساختن وضعیت گمشده بازیابی شود یا نه. سامانهای که پاک و درست از سر گرفته میشود، از سامانهای که فقط در شرایط بینقص خوب کار میکند اعتماد بیشتری میگیرد.
مرحله بعد، کنترل تطبیقی را با سوابق پاسخگو پیوند میدهد. ماشینها شاید اصلاح انحرافهای کوچک را بیاموزند، در حالی که بازیکنان و گردانندگان توان بررسی آنچه تغییر کرده و چرایی آن را حفظ میکنند. اگر آزمایشگاه بتواند این دو ویژگی را کنار هم نگه دارد، خودکارسازی سریعتر به اعتماد کور نیاز نخواهد داشت. حاصل، خدماتی خواهد بود که زیر فشار بهتر میشوند، تاریخ تصمیمهایشان را حفظ میکنند و برای کسانی که به آنها وابستهاند قابل فهم میمانند.