Glyph：用 AI 推理做工作量证明的区块链

Show HN 上出现了一个名为 Glyph（GLY）的实验性区块链项目，其最大特点是工作量证明（PoW）不再依赖传统的哈希计算，而是交给一次神经网络前向推理完成。项目由「Claude Fable 5」协助撰写白皮书与代码，作者将整套流水线开源，并公开了多个可复现的「黄金哈希」用于验证。

设计思路

Glyph 选用的「矿机算力」是一组固定权重的开源 transformer：默认是 GPT-2（约 500 MB），大规模测试则使用 Qwen2.5 0.5B / 1.5B / 3B。每个区块的盐值（salt）由前一区块哈希与矿工地址拼接后再做 SHA-256 派生，矿工无法预计算或窃取他人证明。流程大致如下：

• 把盐值与一段随机提示词一起送入固定模型；
• 抽取 6 个由盐值选定的注意力头，做整数量化的前向推理；
• 每行注意力分布通过「largest-remainder」方法量化到固定网格（GRID=100）；
• 送入作者称为「glyph compression」的级联（median R/G 分类、降序配对、奇数回文、逐层提取等），得到离散指纹；
• 最后用 SHA-256(salt ‖ fingerprint) 对照难度目标。

验证者只需重跑一次推理即可独立校验，矿工只提交提示词而非分数，验证路径与挖矿路径完全对称。

跨硬件确定性：v3 → v4 的演进

项目的最大技术赌注是「推理在 CPU 和 GPU 上必须位级一致」。v3 阶段使用浮点推理，作者在多台机器上验证一致，直到主网区块 1693 出现量化边界翻转——GPU 上验证通过、CPU 上失败，几乎命中白皮书「限制 #2」中预测的失败率。作者没有用「可信检查点」绕开问题，而是把共识路径整体切到 v4：

• 完全整数推理引擎（src/int_infer.py）；
• 定点激活、整数 layernorm / softmax / GELU；
• matmul 的 float64 部分和被证明在数值上等价于整数；
• 因此哈希结果在任何芯片上都由构造保证一致。

回放测试显示，把全部 2,450 个 v3 主网区块用整数引擎重跑，CPU 与 GPU 结果 2,450 / 2,450 完全一致，含此前出问题的 1693 号区块。已验证的硬件包括 NVIDIA GTX 1650（CUDA 12.1，Python 3.12）、Intel i3（Python 3.14）以及一台通过 Wi-Fi P2P 同步并独立重验链的 Intel 笔记本（Python 3.11）。

测试覆盖

仓库的 tests/ 与 evidence/ 目录提供了较为完整的测试集：

• 跨硬件确定性：3 台机器、3 套 Python + PyTorch 栈，100 条提示词下终极哈希一致；2 节点 Wi-Fi P2P 共识。
• 18 / 18 对抗性节点测试：签名伪造、双花、coinbase 欺诈、重放、证明盗窃、虚假难度、未审核模型、分叉等。
• 规模：最大到 Qwen2.5-3B；噪声鲁棒性随模型规模提升（1.5B 在 1e-4 噪声下 48/50 行稳定，GPT-2 仅 77%）。
• 模型钉死可执行：作者自己的 DistilGPT2（GPT-2 的蒸馏版）0 / 5 哈希匹配，说明微调/蒸馏会破坏指纹。
• Sybil 投毒测试：3M 随机权重模型能通过「陌生人一致」检查，但会把指纹空间压到 6.3%，被识别为查表攻击。
• Challenger duels：logit 域量化、origin-notebook 等「更聪明」的变体在真实数据上均输给当前设计。

代币经济与当前状态

• 区块奖励 7.00 GLY，区块目标 20 秒；
• 1 GLY = 100 最小单位，仿照 satoshi 防止小面额不可用；
• 每 1,500,000 区块减半（约一年一次），按 7.00 → 3.50 → 1.75 衰减，10 个 era 后归零；
• 总供应量收敛到约 20,910,000 GLY；
• 验证者会强制高度对应的奖励，宣称 pre-halving 奖励在减半后无效（已测试）。

种子节点地址为 https://glyph.surfacedplus.com ，可通过 python src/poi_node.py run yourname 一键同步并以 gossip 模式挖矿。

局限

白皮书 §5 坦承的核心限制是：每次验证都需要一次推理，理论上让 DoS 攻击的门槛降低；同时整数推理引擎虽然彻底解决浮点漂移，但会带来额外常数级开销，对大规模网络的吞吐与延迟影响仍待长期观察。项目整体仍处于早期实验阶段，尚不构成对主流 AI 或区块链格局的冲击。