ZK-weryfikowalne dopasowanie to sposób na prowadzenie szybkiej, prywatnej książki zleceń, jednocześnie dając użytkownikom kryptograficzną gwarancję, że silnik dopasowujący przestrzegał zasad. Problem, który rozwiązuje, jest prosty: CLOB potrzebuje operatora (lub małego zestawu operatorów), aby szybko dopasować zlecenia, ale ten operator może również oszukiwać (przestawiać, pomijać lub selektywnie wypełniać). ZK zmienia model zaufania: operator może pozostać szybki, ale nie może sfinalizować aktualizacji, chyba że udowodni, że została obliczona poprawnie. 𝗛𝗼𝘄 𝗶𝘁 𝘄𝗼𝗿𝗸𝘀 (𝗰𝗼𝗻𝗰𝗲𝗽𝘁𝘂𝗮𝗹𝗹𝘆) ➤ Zlecenia są zbierane i dopasowywane poza łańcuchem (więc możesz uzyskać niską latencję wykonania). ➤ Zamiast publikować pełny przepływ zleceń, system publikuje: - 𝘢 𝘤𝘰𝘮𝘮𝘪𝘵𝘮𝘦𝘯𝘵 𝘵𝘰 𝘵𝘩𝘦 𝘣𝘢𝘵𝘤𝘩 / 𝘴𝘵𝘢𝘵𝘦 𝘵𝘳𝘢𝘯𝘴𝘪𝘵𝘪𝘰𝘯 (𝘰𝘧𝘵𝘦𝘯 𝘢 𝘴𝘵𝘢𝘵𝘦 𝘳𝘰𝘰𝘵) - 𝘢 𝘻𝘬-𝘱𝘳𝘰𝘰𝘧 𝘵𝘩𝘢𝘵 𝘵𝘩𝘦 𝘮𝘢𝘵𝘤𝘩𝘪𝘯𝘨 + 𝘳𝘪𝘴𝘬 𝘤𝘩𝘦𝘤𝘬𝘴 + 𝘣𝘢𝘭𝘢𝘯𝘤𝘦 𝘶𝘱𝘥𝘢𝘵𝘦𝘴 𝘸𝘦𝘳𝘦 𝘥𝘰𝘯𝘦 𝘢𝘤𝘤𝘰𝘳𝘥𝘪𝘯𝘨 𝘵𝘰 𝘵𝘩𝘦 𝘱𝘳𝘰𝘵𝘰𝘤𝘰𝘭 𝘳𝘶𝘭𝘦𝘴, - 𝘦𝘯𝘰𝘶𝘨𝘩 𝘥𝘢𝘵𝘢 𝘢𝘷𝘢𝘪𝘭𝘢𝘣𝘪𝘭𝘪𝘵𝘺 𝘴𝘰 𝘶𝘴𝘦𝘳𝘴 𝘤𝘢𝘯 𝘴𝘵𝘪𝘭𝘭 𝘦𝘹𝘪𝘵 𝘦𝘷𝘦𝘯 𝘪𝘧 𝘵𝘩𝘦 𝘰𝘱𝘦𝘳𝘢𝘵𝘰𝘳 𝘥𝘪𝘴𝘢𝘱𝘱𝘦𝘢𝘳𝘴. To „wystarczająca dostępność danych” jest tym, co czyni wybór projektowy @hibachi_xyz interesującym: Hibachi prowadzi wysokowydajny CLOB i publikuje zaszyfrowane dane stanu / transakcji do @Celestia (więc strategie i pozycje nie są publiczne), jednocześnie publikując dowody, aby aktualizacje pozostały weryfikowalne, używając SP1 (zkVM Succinct) do udowodnienia CLOB. 𝗕𝘂𝘁 𝘄𝗵𝗮𝘁 “𝗺𝗮𝘁𝗰𝗵𝗶𝗻𝗴 𝘄𝗮𝘀 𝗰𝗼𝗿𝗿𝗲𝗰𝘁” 𝗺𝗲𝗮𝗻𝘀 𝗶𝗻 𝗽𝗿𝗼𝗼𝗳 𝘁𝗲𝗿𝗺𝘀? Dowód zk może egzekwować te same inwarianty, na których normalnie polegałbyś, aby operator giełdy je przestrzegał, na przykład: ➤ Zlecenia były dopasowywane tylko wtedy, gdy ceny się krzyżowały (brak niemożliwych wypełnień). ➤ Sekwencja wypełnień respektowała zasady priorytetu miejsca (np. priorytet ceny-czasu lub cokolwiek, co określa miejsce). ➤ Salda/marginesy były aktualizowane poprawnie (brak ukrytych edycji salda). ➤ Wynikowy korzeń stanu jest dokładnie tym, co otrzymujesz, stosując zasady do poprzedniego korzenia stanu + partię. Możesz zachować treść prywatną (zlecenia, rozmiary, pozycje) poprzez szyfrowanie tego, co jest publikowane w warstwie DA, podczas gdy dowód przekonuje wszystkich, że zaszyfrowana aktualizacja jest nadal ważną zmianą stanu.

𝗥𝗼𝗯𝗼𝘁𝗶𝗰𝘀 𝘀𝗮𝗳𝗲𝘁𝘆 𝗿𝗲𝗴𝘂𝗹𝗮𝘁𝗶𝗼𝗻 𝘂𝗽𝗱𝗮𝘁𝗲𝘀 (𝗨𝗦/𝗘𝗨) Do końca 2025 roku, historia regulacyjna dotycząca „robotów w przestrzeniach publicznych” wygląda inaczej w UE i w USA. W UE kierunek zmierza ku jednolitej, warstwowej strukturze zgodności: ➤ bezpieczeństwo produktu (dla fizycznej maszyny) ➤ cyberbezpieczeństwo (ponieważ roboty są połączone) ➤ oraz zarządzanie AI (ponieważ autonomia i percepcja są napędzane przez AI) Zespoły potrzebują dokumentacji, kontroli cyklu życia oraz (w niektórych przypadkach) strumieni roboczych klasyfikacji ryzyka AI działających równolegle (klasyczna regulacja dla UE, wiele ograniczeń i papierkowej roboty). W USA obraz jest bardziej sektorowy: najjaśniejsze federalne „aktualizacje” dotyczą autonomii na drogach (raportowanie wypadków NHTSA i ścieżki wdrożenia/zwolnienia) oraz dronów (egzekwowanie zdalnej identyfikacji FAA). Dla robotów poruszających się po chodnikach i w publicznych miejscach wewnętrznych zasady pozostają bardziej fragmentaryczne i często lokalne.

𝗚𝗿𝗮𝗻𝗱𝗲 𝗼𝗯𝗷𝗲𝗰𝘁 𝗱𝗲𝘁𝗲𝗸𝗰𝗷𝗮 𝗶 𝗻𝗮𝗹𝗲𝘇𝗻𝗼𝘀𝗰 𝗼𝗯𝗷𝗲𝗰𝘁𝗼𝘄 𝗱𝗼 𝗿𝗼𝗯𝗼𝘁𝘆𝗸𝗶 W robotyce, detekcja obiektów to migawka: „na tym kadrze znajduje się butelka w (x, y).” Śledzenie obiektów to trudniejsza, bardziej operacyjna rzecz: „to ta sama butelka co wcześniej, poruszała się w ten sposób i nadal tam jest, nawet jeśli nie widzę jej przez 200 ms.” Wyobraź sobie mobilnego manipulatora na blacie kuchennym. Zadanie jest proste na papierze: weź niebieską butelkę z zagraconego stołu, podczas gdy osoba porusza się w pobliżu. Robot ma kamerę (może też głębokościową). Uruchamia detektor obiektów i otrzymuje ramkę ograniczającą oznaczoną „butelka” z wynikiem pewności. To brzmi jak percepcja. Jeszcze nie. Na kadrze 1 detektor widzi butelkę. Na kadrze 2 ramię osoby częściowo ją zasłania, pewność spada, a ramka znika. Na kadrze 3 butelka ponownie się pojawia, ale detektor nieco przesuwa ramkę. Z perspektywy planera butelka zniknęła z istnienia i teleportowała się. W zagraceniu pojawiają się również duplikaty: detektor może wygenerować dwie wiarygodne ramki „butelka” dla tego samego obiektu. Jeśli robot reaguje bezpośrednio na detekcje z każdego kadru, widzisz klasyczne zachowania awaryjne: ➤ waha się, ponieważ cel jest „nieobecny” co kilka kadrów, ➤ ciągle przelicza, ponieważ pozycja celu drga, ➤ sięga w kierunku niewłaściwego obiektu, gdy pojawiają się dwa podobne przedmioty, ➤ nie może niezawodnie egzekwować „nie koliduj z osobą”, ponieważ ramka osoby również migocze. Dlatego percepcja robotyki rzadko kończy się na detekcji. Potrzebuje trwałości obiektów: zdolności do powiedzenia „to nadal ta sama butelka, nawet jeśli na chwilę stracę ją z oczu.” Śledzenie to to, co przekształca zgadywania z kadru na kadr w stabilny model świata. Typowe podejście to „śledzenie przez detekcję”: nadal uruchamiasz detektor w każdym kadrze, ale przypisujesz detekcje do trwałych śladów (ID) w czasie, używając prognozowania + asocjacji. Konkretnie, śledzący wykonuje trzy rzeczy: ➤ Prognozuje „gdzie powinna być butelka teraz?” ➤ Asocjuje „która detekcja należy do którego śladu?” ➤ Utrzymuje tożsamość w obliczu zmian Wracając do naszej sceny na stole: gdy śledzisz, butelka przestaje migać. Ma stabilne ID, wygładzoną estymację pozycji i często estymację prędkości. Teraz planer może zachowywać się jak dorosły: może poczekać na krótką zmianę w otoczeniu, zaangażować się w jeden cel i zaplanować bezpieczną trajektorię wokół poruszającej się osoby. Nawet z śledzeniem robot nadal nie wie, co robi w ludzkich kategoriach. Ma „Śledzenie #7” z ramką ograniczającą i może etykietą klasy „butelka.” To nie wystarcza do prawdziwych zadań, ponieważ prawdziwe zadania dotyczą relacji i intencji: ➤ „Weź niebieską butelkę (nie przezroczystą).” ➤ „Nie sięgaj przez osobę.” ➤ „Butelka jest za kubkiem.” ➤ „Jeśli osoba sięga po nią, zatrzymaj się.” Tutaj LLM (często w połączeniu z VLM) mogą pomóc, rozważając ustrukturyzowaną reprezentację sceny zbudowaną z śladów. Kluczowe jest to, że LLM musi działać w stabilnym stanie. Jeśli podasz mu surowe detekcje z każdego kadru, otrzymasz niską zdolność rozumowania, ponieważ jego wejścia migoczą. Śledzenie sprawia, że warstwa semantyczna jest spójna.