Khớp lệnh có thể xác minh bằng ZK là một cách để vận hành một sổ lệnh nhanh chóng và riêng tư trong khi vẫn đảm bảo cho người dùng một cam kết mật mã rằng động cơ khớp lệnh đã tuân theo các quy tắc. Vấn đề mà nó giải quyết rất đơn giản: một CLOB cần một nhà điều hành (hoặc một nhóm nhỏ các nhà điều hành) để khớp lệnh nhanh chóng, nhưng nhà điều hành đó cũng có thể gian lận (sắp xếp lại, bỏ qua hoặc lấp đầy một cách chọn lọc). ZK thay đổi mô hình tin cậy: nhà điều hành có thể giữ tốc độ nhanh, nhưng không thể hoàn tất một cập nhật trừ khi họ chứng minh rằng nó đã được tính toán chính xác. 𝗛𝗼𝘄 𝗶𝘁 𝘄𝗼𝗿𝗸𝘀 (𝗰𝗼𝗻𝗰𝗲𝗽𝘁𝘂𝗮𝗹𝗹𝘆) ➤ Các lệnh được thu thập và khớp ngoài chuỗi (để bạn có thể có được thực thi với độ trễ thấp). ➤ Thay vì công bố toàn bộ luồng lệnh, hệ thống công bố: - 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. “Đủ khả năng cung cấp dữ liệu” là nơi mà lựa chọn thiết kế của @hibachi_xyz trở nên thú vị: Hibachi đang vận hành một CLOB hiệu suất cao và đăng tải dữ liệu trạng thái / giao dịch được mã hóa lên @Celestia (để các chiến lược và vị thế không công khai), trong khi vẫn công bố các bằng chứng để các cập nhật vẫn có thể xác minh, sử dụng SP1 (zkVM của Succinct) để chứng minh CLOB. 𝗕𝘂𝘁 𝘄𝗵𝗮𝘁 “𝗺𝗮𝘁𝗰𝗵𝗶𝗻𝗴 𝘄𝗮𝘀 𝗰𝗼𝗿𝗿𝗲𝗰𝘁” 𝗺𝗲𝗮𝗻𝘀 𝗶𝗻 𝗽𝗿𝗼𝗼𝗳 𝘁𝗲𝗿𝗺𝘀? Một zk-proof có thể thực thi cùng các bất biến mà bạn thường dựa vào một nhà điều hành sàn giao dịch để tuân theo, ví dụ: ➤ Các lệnh chỉ được khớp khi giá giao nhau (không có lấp đầy không thể). ➤ Chuỗi lấp đầy tôn trọng quy tắc ưu tiên của địa điểm (ví dụ: ưu tiên theo giá-thời gian, hoặc bất cứ điều gì mà địa điểm chỉ định). ➤ Số dư/margin được cập nhật chính xác (không có chỉnh sửa số dư ẩn). ➤ Cây trạng thái kết quả chính xác là những gì bạn nhận được bằng cách áp dụng các quy tắc vào cây trạng thái trước đó + lô hàng. Bạn có thể giữ nội dung riêng tư (các lệnh, kích thước, vị thế) bằng cách mã hóa những gì được công bố lên lớp DA, trong khi bằng chứng thuyết phục mọi người rằng cập nhật được mã hóa vẫn là một chuyển tiếp trạng thái hợp lệ.

Cập nhật quy định về an toàn robot (Mỹ/Châu Âu) Đến cuối năm 2025, câu chuyện quy định về "robot trong không gian công cộng" sẽ khác nhau giữa EU và Mỹ. Tại EU, hướng đi là hướng tới một hệ thống tuân thủ nhiều lớp: ➤ an toàn sản phẩm (đối với máy móc vật lý) ➤ an ninh mạng (bởi vì robot được kết nối) ➤ và quản trị AI (bởi vì tính tự động và nhận thức được điều khiển bởi AI) Các đội cần tài liệu, kiểm soát vòng đời, và (trong một số trường hợp) các dòng công việc phân loại rủi ro AI hoạt động song song (quy định cổ điển cho EU, nhiều hạn chế và giấy tờ). Tại Mỹ, bức tranh rõ ràng hơn theo từng lĩnh vực: các "cập nhật" liên bang rõ ràng nhất nằm trong tính tự động trên đường (báo cáo tai nạn NHTSA và các con đường triển khai/miễn trừ) và máy bay không người lái (thực thi ID từ xa của FAA). Đối với robot mặt đất trên vỉa hè và các địa điểm công cộng trong nhà, các quy tắc vẫn còn phân mảnh hơn và thường là địa phương.

𝗖𝗵𝗼𝗻𝗴 𝗮𝗻𝗱 𝗻𝗵𝗮𝗻 𝗱𝗲𝘁𝗲𝗰𝘁𝗶𝗼𝗻 𝗰𝗵𝗼 𝗿𝗼𝗯𝗼𝘁𝗶𝗰𝘀 Trong lĩnh vực robotics, việc phát hiện đối tượng là một bức ảnh tạm thời: "có một chai ở (x, y) trong khung hình này." Theo dõi đối tượng là điều khó khăn hơn, mang tính vận hành: "đây là cùng một chai như trước, nó đã di chuyển như thế này, và nó vẫn ở đó ngay cả khi tôi không nhìn thấy nó trong 200 ms." Hãy tưởng tượng một robot di động tại một quầy bếp. Nhiệm vụ rất đơn giản trên giấy: lấy chai màu xanh từ một bàn lộn xộn trong khi một người di chuyển gần đó. Robot có một camera (có thể có cả camera chiều sâu). Nó chạy một bộ phát hiện đối tượng và nhận được một hộp giới hạn được gán nhãn "chai" với một điểm số độ tin cậy. Nghe có vẻ như là nhận thức. Nhưng chưa phải vậy. Trong khung hình 1, bộ phát hiện nhìn thấy chai. Trong khung hình 2, cánh tay của người đó một phần che khuất nó, độ tin cậy giảm, và hộp biến mất. Trong khung hình 3, chai xuất hiện trở lại nhưng bộ phát hiện hơi dịch chuyển hộp. Từ góc nhìn của người lập kế hoạch, chai đã biến mất và dịch chuyển. Trong sự lộn xộn, bạn cũng sẽ gặp phải các bản sao: bộ phát hiện có thể tạo ra hai hộp "chai" khả thi cho cùng một đối tượng. Nếu robot phản ứng trực tiếp với các phát hiện theo từng khung hình, bạn sẽ thấy những hành vi thất bại cổ điển: ➤ nó do dự vì mục tiêu "mất" mỗi vài khung hình, ➤ nó lập kế hoạch lại liên tục vì vị trí mục tiêu dao động, ➤ nó với tới đối tượng sai khi hai vật tương tự xuất hiện, ➤ nó không thể thực thi đáng tin cậy "không va chạm với người" vì hộp của người đó cũng nhấp nháy. Đó là lý do tại sao nhận thức trong robotics hiếm khi dừng lại ở việc phát hiện. Nó cần sự tồn tại của đối tượng: khả năng nói "đây vẫn là cùng một chai, ngay cả khi tôi mất tầm nhìn về nó trong một thời gian ngắn." Theo dõi là điều biến những dự đoán theo từng khung hình thành một mô hình thế giới ổn định. Một cách tiếp cận điển hình là "theo dõi bằng phát hiện": bạn vẫn chạy một bộ phát hiện mỗi khung hình, nhưng bạn gắn các phát hiện vào các theo dõi liên tục (ID) theo thời gian bằng cách sử dụng dự đoán + liên kết. Cụ thể, bộ theo dõi thực hiện ba điều: ➤ Dự đoán "chai nên ở đâu bây giờ?" ➤ Liên kết "phát hiện nào thuộc về theo dõi nào?" ➤ Duy trì danh tính dưới các thay đổi Quay lại cảnh bàn của chúng ta: một khi bạn theo dõi, chai ngừng nhấp nháy. Nó có một ID ổn định, một ước lượng vị trí đã được làm mịn, và thường là một ước lượng vận tốc. Bây giờ người lập kế hoạch có thể hành xử như một người trưởng thành: nó có thể chờ đợi một thay đổi môi trường ngắn, cam kết với một mục tiêu, và lập kế hoạch một quỹ đạo an toàn xung quanh một người đang di chuyển. Ngay cả với việc theo dõi, robot vẫn không biết nó đang làm gì theo cách của con người. Nó có "Theo dõi #7" với một hộp giới hạn và có thể là một nhãn lớp "chai." Điều đó không đủ cho các nhiệm vụ thực sự vì các nhiệm vụ thực sự liên quan đến mối quan hệ và ý định: ➤ "Lấy chai màu xanh (không phải chai trong suốt)." ➤ "Đừng với qua người." ➤ "Chai ở phía sau cốc." ➤ "Nếu người đó đang với tới nó, hãy dừng lại." Đây là nơi mà LLMs (thường được kết hợp với VLMs) có thể giúp bằng cách lý luận qua một đại diện có cấu trúc của cảnh được xây dựng từ các theo dõi. Điều quan trọng là LLM phải hoạt động trong một trạng thái ổn định. Nếu bạn cung cấp cho nó các phát hiện theo từng khung hình thô, bạn sẽ nhận được lý luận thấp vì các đầu vào của nó nhấp nháy. Theo dõi làm cho lớp ngữ nghĩa trở nên nhất quán.