上一篇文章提到了 Bradbury 测试网，它是我们迈向主网的下一个里程碑。这一次，我想邀请你和我一起深入了解我们对 Bradbury 的设想，细看我们想要达成的目标和打算开展的实验。
在 Bradbury，AI 将第一次与区块链共识相遇。在 Asimov 阶段，我们打好了基础设施的地基，把系统的各个部分连接了起来；到了 Bradbury，我们已经准备好加入最后一味原料：LLM 推理。
到目前为止，我们的验证者一直在使用推理合作伙伴 @ionet、@heurist_ai / @Libertai_DAI 和 @comput3ai 提供的补贴 LLM，这些伙伴在测试网期间为验证者提供免费额度。由于 Asimov 上并没有运行真正的“生产级”合约，每个验证者选哪个 LLM 都无关紧要。到了 Bradbury，所有焦点都转向这个决定：如何选择合适的模型，如何让 GenLayer 发挥出最佳性能。
我之前把 Bradbury 测试网形容为学者的训练场，研究与实验在这里并存，力求达到最佳性能。我觉得这句话道出了我们对 Bradbury 设想的精髓。
从 Asimov 测试网到 Bradbury 测试网，测试网正从被动走向主动、走向深度参与：合作伙伴、验证者、建设者和研究者都将扮演更积极的角色。
我们的推理合作伙伴将发挥重要得多的作用：与验证者互动，了解每个模型在 GenLayer 上的表现，并提供替代模型。他们是这方面的专家，他们的贡献将极其宝贵。
对验证者来说，GenLayer 打开了一片值得探索的新天地。Optimistic Democracy 共识离开了人们走惯的老路，引入非确定性，转进一片未知的领域。Bradbury 最大的目标，是让验证者学习并紧跟 AI 世界的快速更新，把 GenLayer 运转得尽可能好，从而拿到尽可能多的奖励。我们会为验证者举办一场小型工作坊，让他们部署自己的 Intelligent Contracts，从建设者的角度理解这一切。
建设者可以开始在 Bradbury 上部署应用，把那里的执行结果与 Studio 对比，帮助我们微调整个系统。我们不会在 Bradbury 上运行生产应用，因为它的性能会有波动，历史也会不时重置。但对 Rally、Unstoppable 或 GenLayer Playverse 的游戏这样的项目来说，这是一个机会：把真实合约部署到 Bradbury 测试网上，用历史交易衡量它们的性能，在去中心化网络中对真实的生产用例做基准测试。
下面，我们深入看看几个研究和实验方向。
灰盒化
灰盒化（Greyboxing）是 GenLayer 验证者独有的能力。它让验证者可以在每次调用 LLM 之前，对输入做任意变换。在向 LLM 发出提示词之前，验证者可以截获、分析、修改任何输入或上下文，也可以据此作出决定。
这为验证者打开了极大的空间：提升性能、降低成本、加固安全。
模型路由
验证者并不局限于一个 LLM 模型。他们可以为不同的合约使用不同的 LLM。假设某个合约每天要运行几千次，那么验证者就有理由用积累下来的全部输入输出对，微调或蒸馏出一个更小的模型，最终得到一个比默认模型更便宜、更快、表现更好的模型。
反过来，如果某个验证者参与的是一场有 1,000 名验证者的大型申诉，那么动用手头最强大的模型就很合理：尽量作出最准确的决定，最有可能与多数一致，从而拿到奖励，而不是落入少数、遭受惩罚。
我们把这叫作模型路由，它是一个开放的研究方向。验证者需要能按合约复杂度节省成本的路由器；擅长模型路由的验证者会拿到更多奖励，也会推动 GenLayer 向前发展。我们鼓励大家独立开发路由方案，以此获得竞争优势。
通用提示词注入
提示词注入是 LLM 的已知漏洞。除非 Transformer 的底层结构发生重大变革，这类攻击会一直存在。Optimistic Democracy 在这方面帮助很大：攻击者要成功攻破的不是一个模型，而是参与共识的大多数 LLM，这等于免费多了一层保护。
但这还不够。过去已经发现过能攻破多种不同 LLM 的通用提示词注入攻击（将来也可能再次出现）。为了减轻这类攻击（以及其他攻击）的影响，每个节点都可以在调用 LLM 之前检查合约的提示词和输入，并施加过滤，让这类攻击的难度呈指数级上升。模型的发布节奏很慢，所以守护 GenLayer 安全的，正是验证者。
GenLayer 宪法
作为治理路线图的一部分，我们将制定一部由整个生态共同认可的 GenLayer 宪法，由大家决定希望在 GenLayer 上执行哪些交易，又希望禁止哪些交易。整个生态将展开公开的讨论，共同商定并写下我们的宪法。
在灰盒化这一步，任何验证者都可以检查交易是否违反宪法，并决定不处理该交易。
基准测试
要落实并迭代上面这些想法，我们需要一条基线，才能真正衡量、找出什么能提升性能。我们需要的基准测试由 Intelligent Contracts 和数据集组成，数据集定义一笔交易以及合约的最终状态。这样，每次修改之后，我们都可以运行基准测试，弄清这次改动的影响。
其中一些基准测试是离散的，比如使用 LLM ERC-20 合约，它根据每个输入明确定义了预期的输出状态。另一些则可以借助 LLM 检查输出是否具备某些属性，或者干脆把 Studio 上已在运行的 dApp（Intelligent Oracle、Rally、Unstoppable 等）的生产流量，导向 Bradbury 上一个“影子”运行的 dApp，再计算两者的偏差。
核心团队和许多验证者都会不断调整自己的配置做实验，所以我们预计会定期运行这些基准测试，记录 Bradbury 的演进历程。这就是我们所说的 Bradbury 训练场（Bradbury Gym），它很可能会与积分系统（Points System）整合。
有了这些基准测试，我们就能测试不同类型模型的表现，弄清哪些合约用便宜的模型就够，哪些需要前沿模型。
Gas 与费用
GenLayer 有一套全新的奖励与惩罚机制，依据是每个验证者如何投票、落在多数还是少数。核心团队此刻正在完成这项功能的实现。功能上线后，验证者就有了调优节点、做成本分析所需的激励和反馈机制。
我们希望在测试网中用真实使用情况检验最初的假设和模拟，并据此调整系统常数。比如，我们估算过：只要把每笔交易推理成本的 60-100 倍作为 gas 付给验证者，验证者偷懒（总是接受领导者的答案）在经济上就不划算。
我们希望用实验检验这个假设，并搭建好所需的工具，在主网期间持续检验，因为在 GenLayer 持续运行的过程中，每当新的前沿模型出现、推理价格下降，我们都需要调整这些常数。
模型多样性
Optimistic Democracy 得益于模型多样性，即不同的 LLM、不同的初始配置（seed、temperature 等）或不同的训练检查点。它们让模型之间的相关性足够低（也就是足够独立），共识才能收敛到正确答案。
我们目前正在确立相关的数学基础，以便在 Bradbury 上用真实世界的用例做实证测试和基准测试，衡量模型相关性的影响。我们的目标是通过实验，提供一套有助于取得最佳结果的默认配置。也可以做一个 GenLayer CLI 配置向导，帮助验证者按照总结出的最佳实践来设置节点。
我们需要搭建合适的框架，让验证者之间自然形成多样性。好在我们手头有很多工具，比如由 GenLayer Foundation 奖励使用率最低的模型，或者补贴特定的配置。
我们还需要设计一套自我报告机制，附带每笔交易的元数据。
申诉
Optimistic Democracy 共识的申诉机制，是一个开放的研究方向。作为一种乐观算法，它从“低成本”起步，不消耗太多资源：我们从 5 名验证者开始，最多可以扩大到 1,000 名。成功的申诉者会因其付出获得奖励。这意味着，当答案可能有误时，迅速提出申诉就有机会拿到奖励。在 GenLayer 中，这个角色在实践中几乎还没有人探索过。
申诉者手头有验证者的全部历史数据、当前这一轮有哪些验证者参与、合约本身以及所有交易数据。这些信息都可以用来评估每一笔交易，判断是否值得进一步分析，而进一步分析可能带来一次成功的申诉。当一笔交易被标记为可疑时，申诉者可以在链下运行最先进的模型（成本低得多），推算出预期的投票结果，再决定是否申诉。
这里可以有多种策略，比如统计分析、经典机器学习算法、针对少数票的贪心申诉，等等。申诉者可以是验证者自己（他们能实时获取全部数据），也可以是一个监控网络的机器人。我们还不确定最终会采用哪种技术实现。
社区参与
最后还有一点：我们正在构思一些游戏化的社区活动，比如在 Bradbury 期间尝试攻破 Wizard of Coin 合约。
我们也在为研究者设计挑战赛，让大家在竞争中提升 GenLayer 的整体性能，加深对它的了解。
结语
Bradbury 测试网是一个沙盒，每个人都可以在这里检验自己最激动人心的理论，推动 GenLayer 向前。需要强调的是，Bradbury 要取得成功，离不开 GenLayer 所有参与方的积极参与和投入：验证者、建设者、研究者和社区成员。关于如何激励大家参与，我们已经有一些想法，会在后续的消息中分享。
这是一篇相当技术性的文章，信息量很大，需要慢慢消化。可以探索的开放方向有很多。这些想法我们已经琢磨了好几年，这次想让你先睹为快。看到 Bradbury 测试网终于成形，并能与你分享，我们真的非常兴奋。
如果你有兴趣参与 GenLayer 和 Bradbury 测试网，欢迎加入我们的积分系统（Points System）。
