ആൽഫാപ്രൂഫ് കോഡ് ആൻഡ് സിഗ്നൽ: പരിശോധിച്ച മെഷീൻ-കോഡ് സുരക്ഷാ തെളിവുകളും വിശ്വസനീയമായ അനുമാനങ്ങളും

ഈ വീഡിയോയിൽ ഉൾപ്പെടുന്ന കാര്യങ്ങൾ

• AI ഏജന്റുകൾ സ്ഥാനാർത്ഥി തെളിവുകൾ നിർമ്മിക്കുന്നു; Lean-ന്റെ കേർണൽ അവ മനുഷ്യർ അംഗീകരിച്ച ഔദ്യോഗിക ക്ലെയിം സ്ഥാപിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുന്നു.
• പരിശോധിച്ച ലക്ഷ്യം ഒരു പ്രത്യേക കംപൈൽ ചെയ്ത ലിബ്സിഗ്നൽ CLI ഹാർനെസ്സാണ്, വിശ്വസനീയമായ സെമാന്റിക്സും ക്രിപ്റ്റോഗ്രാഫിക് കരാറുകളുമുണ്ട്.
• കംപൈൽ ചെയ്ത ബൈനറി തെളിയിക്കുന്നത്, ആ ബൈനറിയുടെ പ്രഖ്യാപിത പ്രോപ്പർട്ടികൾക്കായി Rust കംപൈലറിനെ വിശ്വസനീയമായ അടിത്തറയിൽ നിന്ന് ഒഴിവാക്കുന്നു.
• ഗവേഷകർ മുമ്പ് പരിഹരിച്ച രണ്ട് ബഗുകൾ വീണ്ടും അവതരിപ്പിച്ചത് അവരുടെ ചിഹ്നപരമായ സുരക്ഷാ സിദ്ധാന്തത്തെ ലംഘിക്കുന്നു.
• താരതമ്യം ചെയ്യുന്നയാൾ തീസിസും ഓരോ ആശ്രിത നിർവചനവും സംരക്ഷിക്കപ്പെട്ട അംഗീകൃത സ്പെസിഫിക്കേഷനുമായി താരതമ്യം ചെയ്യുന്നു; ഭേദഗതികൾ ഒരു പ്രത്യേക പരിശോധന പ്രക്രിയയിലൂടെ കടന്നുപോകുന്നു.

വിവർത്തനം ചെയ്ത ട്രാൻസ്ക്രിപ്റ്റ്

യഥാർത്ഥ ഇംഗ്ലീഷ് ആഖ്യാനത്തിൽ നിന്ന് വിവർത്തനം ചെയ്തത്. ലഭ്യമായ ഓഡിയോയും അടിക്കുറിപ്പുകളും YouTube നിയന്ത്രിക്കുന്നു.

ഒരു AI സുരക്ഷാ പ്രൂഫ് ആരാണ് പരിശോധിക്കുന്നത്?

0:00 ഒരു AI സുരക്ഷാ ഓഡിറ്റ് ഇപ്പോഴും ഒരു ചാറ്റ്ബോട്ടിനെ വിശ്വസിക്കുന്നതുപോലെ തോന്നുന്നു. ഗൂഗിളിന്റെ പുതിയ സിഗ്നൽ ഫലം ഒരു പ്രത്യേക കേർണൽ പരിശോധിക്കുന്ന ഗണിതശാസ്ത്രപരമായ തെളിവുകളോടെയാണ് വരുന്നത്. ഈ വീഡിയോയിൽ, ഗൂഗിൾ എന്താണ് തെളിയിച്ചത്? ഒരു ഏജന്റ് ലക്ഷ്യങ്ങൾ മാറ്റുന്നത് അവർ എങ്ങനെ തടയുന്നു? ഇവിടെയാണ് ഉപയോഗപ്രദമായ ഉത്തരം. മോഡലുകൾ സ്ഥാനാർത്ഥി തെളിവുകൾ എഴുതുന്നു, കൂടാതെ Lean തിരഞ്ഞെടുത്ത കംപൈൽ ചെയ്ത കോഡിനെക്കുറിച്ചുള്ള മനുഷ്യൻ അംഗീകരിച്ച ക്ലെയിമുകൾക്കെതിരെ തെളിവുകൾ പരിശോധിക്കുന്നു. മനുഷ്യൻ അംഗീകരിച്ച ക്ലെയിമുകൾക്കെതിരെ തെളിവുകൾ പരിശോധിക്കുന്നു. മനുഷ്യർ ഇപ്പോഴും ക്ലെയിമിന്റെയും അനുമാനങ്ങളുടെയും ഉടമസ്ഥരാണ്.

0:21 മോഡലിന്റെ വിജയ പ്രസംഗം വിശ്വസിക്കാതെ നിങ്ങൾക്ക് ഫലം പരിശോധിക്കാം. ഒരു പ്രത്യേക പരിശോധന നിശബ്ദമായി ചോദ്യം മാറ്റുന്നത് പിടിക്കുന്നു. നമ്മൾ അത് നിർവചനങ്ങളിലേക്ക് പിന്തുടരും. ഇന്ന് നവംബർ പത്ത് ചൊവ്വാഴ്ചയാണ്, ഇതാണ് The Daily Diff. മനുഷ്യന്റെ മാർഗ്ഗനിർദ്ദേശത്തോടെ സോഫ്റ്റ്‌വെയർ സ്പെസിഫിക്കേഷനുകൾ എഴുതുന്നതിനും AI ഏജന്റുകൾ ഉപയോഗിച്ച് പരിശോധിച്ച തെളിവുകൾ സൃഷ്ടിക്കുന്നതിനുമുള്ള ഗൂഗിളിന്റെ ചട്ടക്കൂടാണ് ആൽഫാപ്രൂഫ് കോഡ്. മനുഷ്യന്റെ മാർഗ്ഗനിർദ്ദേശത്തോടെ സോഫ്റ്റ്‌വെയർ സ്പെസിഫിക്കേഷനുകൾ എഴുതുന്നതിനും AI ഏജന്റുകൾ ഉപയോഗിച്ച് പരിശോധിച്ച തെളിവുകൾ സൃഷ്ടിക്കുന്നതിനുമുള്ള ഗൂഗിളിന്റെ ചട്ടക്കൂടാണ് ആൽഫാപ്രൂഫ് കോഡ്. ഈ പഠനം ഒരു പ്രത്യേക കമാൻഡ്-ലൈൻ പ്രോഗ്രാമിനുള്ളിൽ സിഗ്നലിന്റെ സന്ദേശമയയ്ക്കൽ പ്രോട്ടോക്കോൾ നടപ്പിലാക്കുന്ന റസ്റ്റ് ലൈബ്രറിയായ ലിബ്സിഗ്നലിനെ ലക്ഷ്യം വെക്കുന്നു. ഈ പഠനം ഒരു പ്രത്യേക കമാൻഡ്-ലൈൻ പ്രോഗ്രാമിനുള്ളിൽ സിഗ്നലിന്റെ സന്ദേശമയയ്ക്കൽ പ്രോട്ടോക്കോൾ നടപ്പിലാക്കുന്ന റസ്റ്റ് ലൈബ്രറിയായ ലിബ്സിഗ്നലിനെ ലക്ഷ്യം വെക്കുന്നു.

0:45 ഗൂഗിൾ ഇന്ന് ഈ പ്രവൃത്തി പ്രഖ്യാപിച്ചു. അതിന്റെ പേപ്പറിൽ അഞ്ച് ഗവേഷകർ നാല് ആഴ്ചകളിലായി പ്രവർത്തിച്ചതായി പറയുന്നു. ഏജന്റുകൾ തെളിവുകൾ എഴുതുമ്പോൾ, മനുഷ്യർ അവരുടെ പ്രയത്നത്തിന്റെ ഭൂരിഭാഗവും സ്പെസിഫിക്കേഷനുകളിൽ ചെലവഴിച്ചു. ആവശ്യകതകൾക്ക് കൂടുതൽ ചെലവേറിയ മീറ്റിംഗുകളാകാൻ ഒരു വഴി കണ്ടെത്തിയിരിക്കുന്നു. ഏജന്റുകൾ തെളിവുകൾ എഴുതുമ്പോൾ, മനുഷ്യർ അവരുടെ പ്രയത്നത്തിന്റെ ഭൂരിഭാഗവും സ്പെസിഫിക്കേഷനുകളിൽ ചെലവഴിച്ചു. ആവശ്യകതകൾക്ക് കൂടുതൽ ചെലവേറിയ മീറ്റിംഗുകളാകാൻ ഒരു വഴി കണ്ടെത്തിയിരിക്കുന്നു. പ്രോഗ്രാം എന്തുചെയ്യണം, ഒരു ആക്രമണകാരിക്ക് എന്ത് നിയന്ത്രിക്കാൻ കഴിയും, വാദത്തിന് ഏതൊക്കെ അനുമാനങ്ങൾ ആവശ്യമാണ് എന്ന് സ്പെസിഫിക്കേഷൻ പറയുന്നു.

ഒരു ക്ലെയിം എങ്ങനെയാണ് ഒരു പ്രൂഫ് ലക്ഷ്യമാകുന്നത്?

0:59 പ്രോഗ്രാം എന്തുചെയ്യണം, ഒരു ആക്രമണകാരിക്ക് എന്ത് നിയന്ത്രിക്കാൻ കഴിയും, വാദത്തിന് ഏതൊക്കെ അനുമാനങ്ങൾ ആവശ്യമാണ് എന്ന് സ്പെസിഫിക്കേഷൻ പറയുന്നു. സുരക്ഷാ ആളുകൾക്ക് പ്രാധാന്യമുള്ളത് ഇത് ഉൾക്കൊള്ളുന്നുണ്ടോ എന്ന് റിവ്യൂവർമാർ ചോദിക്കുന്നു. ദുർബലമായ ഒരു ചോദ്യത്തിന് മനോഹരമായി പരിശോധിച്ച ഉത്തരം ആ ചോദ്യത്തെ നിലനിർത്തുന്നു. സിഗ്നലിന്റെ ഹാൻഡ്‌ഷെയ്ക്കിനെയും അതിന്റെ മെസ്സേജ്-കീ റാച്ചറ്റിനെയും കുറിച്ചുള്ള മുൻ ഗവേഷണങ്ങളെ ടീം അടിസ്ഥാനമാക്കുന്നു. ഔദ്യോഗിക വിശകലനങ്ങൾ ഇതിനകം ആ ഡിസൈനുകളെക്കുറിച്ച് പഠിച്ചു. ഗൂഗിളിന്റെ ക്ലെയിം അവരുടെ സുരക്ഷാ വാദങ്ങളെ മാറ്റം വരുത്താത്ത ഒരു പ്രൊഡക്ഷൻ ലൈബ്രറിയുടെ കംപൈൽ ചെയ്ത നടപ്പാക്കലുമായി ബന്ധിപ്പിക്കുന്നു, അവിടെ ഡിസൈനിന് യഥാർത്ഥ കോഡുമായി സമ്പർക്കം പുലർത്തേണ്ടി വരും. ഗൂഗിളിന്റെ ക്ലെയിം അവരുടെ സുരക്ഷാ വാദങ്ങളെ മാറ്റം വരുത്താത്ത ഒരു പ്രൊഡക്ഷൻ ലൈബ്രറിയുടെ കംപൈൽ ചെയ്ത നടപ്പാക്കലുമായി ബന്ധിപ്പിക്കുന്നു, അവിടെ ഡിസൈനിന് യഥാർത്ഥ കോഡുമായി സമ്പർക്കം പുലർത്തേണ്ടി വരും. സിഗ്നലിന്റെ ചീഫ് ടെക്നോളജി ഓഫീസർ എഹ്രൻ ക്രെറ്റ്,

1:27 മുൻകാല വെരിഫിക്കേഷന്റെ ചെറിയ സ്കോപ്പുകൾക്കപ്പുറമുള്ള ഒരു വികാസത്തെക്കുറിച്ച് വിവരിക്കുന്നു. നടപ്പാക്കൽ വിശദാംശങ്ങളിൽ ക്രമം തെറ്റിയ സന്ദേശങ്ങളും വൈകിയ സന്ദേശങ്ങൾക്കായുള്ള ആർക്കൈവ് ചെയ്ത സെഷനുകളും ഉൾപ്പെടുന്നു. നിങ്ങളുടെ മനോഹരമായ ഡയഗ്രാം വലിച്ചെറിഞ്ഞ രസീതുകൾ യഥാർത്ഥ സോഫ്റ്റ്‌വെയർ സൂക്ഷിക്കുന്നു. ഗവേഷകർ മാറ്റം വരുത്താത്ത റസ്റ്റ് ലൈബ്രറി സ്റ്റാൻഡേർഡ് കംപൈലർ ഉപയോഗിച്ച് ആം അറുപത്തിനാല് ലിനക്സ് എക്സിക്യൂട്ടബിളിലേക്ക് കംപൈൽ ചെയ്യുന്നു.

കംപൈൽ ചെയ്ത ബൈനറി എന്തിനാണ് തെളിയിക്കുന്നത്?

1:41 ഗവേഷകർ മാറ്റം വരുത്താത്ത റസ്റ്റ് ലൈബ്രറി സ്റ്റാൻഡേർഡ് കംപൈലർ ഉപയോഗിച്ച് ആം അറുപത്തിനാല് ലിനക്സ് എക്സിക്യൂട്ടബിളിലേക്ക് കംപൈൽ ചെയ്യുന്നു. അവരുടെ തിയറങ്ങൾ ഒരു ഔദ്യോഗിക നിർദ്ദേശ മോഡൽ ഉപയോഗിച്ച് ആ ബൈനറി വിവരിക്കുന്നു, സ്രോതസ്സും ഒപ്റ്റിമൈസ് ചെയ്ത മെഷീൻ കോഡും തമ്മിലുള്ള വിടവ് മറികടക്കുന്നു. പ്രസ്താവിച്ച ഒരു പ്രോപ്പർട്ടി തകർക്കുന്ന ഒരു കംപൈലർ പിശക് അതിന്റെ തിയറത്തെ തെറ്റാക്കും. അതിനാൽ, ഈ ബൈനറിക്ക് കംപൈലർ വിശ്വസനീയമായ അടിസ്ഥാനം വിടുന്നു. നിങ്ങൾ ഇപ്പോഴും നിർദ്ദേശ മോഡലിനെയും Lean-ന്റെ ചെക്കറിനെയും വിശ്വസിക്കുന്നു. വിശ്വാസ പരിധി മാറി, അതിനൊരു വിലാസമുണ്ട്. ഏകദേശം അറുപത്തിയഞ്ച് ലക്ഷം ലൈൻ പരിശോധിച്ച തെളിവുകൾ ഏകദേശം ഇരുപത്തിയാറായിരം വിശ്വസനീയമായ സ്പെസിഫിക്കേഷനിലും ഇൻസ്ട്രക്ഷൻ-സെമാന്റിക്സ് ലൈനുകളിലും അധിഷ്ഠിതമാണ്.

2:06 ഏകദേശം അറുപത്തിയഞ്ച് ലക്ഷം ലൈൻ പരിശോധിച്ച തെളിവുകൾ ഏകദേശം ഇരുപത്തിയാറായിരം വിശ്വസനീയമായ സ്പെസിഫിക്കേഷനിലും ഇൻസ്ട്രക്ഷൻ-സെമാന്റിക്സ് ലൈനുകളിലും അധിഷ്ഠിതമാണ്. ഇവ ആർട്ടിഫാക്റ്റ് കണക്കുകളാണ്. ഇവയെ ഇന്റലിജൻസ് സ്കോറുകളായി കണക്കാക്കുന്നത് ഡെവലപ്പർമാരെ അവരുടെ നോഡ് മൊഡ്യൂൾസ് ഫോൾഡറിന്റെ വലുപ്പം അനുസരിച്ച് റാങ്ക് ചെയ്യുന്നതിന് തുല്യമാണ്. ഇവയെ ഇന്റലിജൻസ് സ്കോറുകളായി കണക്കാക്കുന്നത് ഡെവലപ്പർമാരെ അവരുടെ നോഡ് മൊഡ്യൂൾസ് ഫോൾഡറിന്റെ വലുപ്പം അനുസരിച്ച് റാങ്ക് ചെയ്യുന്നതിന് തുല്യമാണ്.

ഏത് സുരക്ഷാ പ്രോപ്പർട്ടികളാണ് നടപ്പാക്കൽ വിടവിൽ അതിജീവിച്ചത്?

2:16 പ്രസ്താവിച്ച മോഡലുകൾക്ക് കീഴിൽ ഫോർവേഡ് സീക്രസിയും പോസ്റ്റ്-കോംപ്രമൈസ് സുരക്ഷയും സഹിതം സന്ദേശ രഹസ്യസ്വഭാവവും ആധികാരികതയും വാദങ്ങൾ ഉൾക്കൊള്ളുന്നു. പ്രസ്താവിച്ച മോഡലുകൾക്ക് കീഴിൽ ഫോർവേഡ് സീക്രസിയും പോസ്റ്റ്-കോംപ്രമൈസ് സുരക്ഷയും സഹിതം സന്ദേശ രഹസ്യസ്വഭാവവും ആധികാരികതയും വാദങ്ങൾ ഉൾക്കൊള്ളുന്നു. ആ അവസാനത്തെ രണ്ട് കാര്യങ്ങൾ മോഷ്ടിച്ച കീയുടെ കേടുപാടുകൾക്കും പുതിയ കൈമാറ്റങ്ങൾക്ക് ശേഷമുള്ള വീണ്ടെടുക്കലിനും ഉള്ള പരിധികളെ വിവരിക്കുന്നു. ഓരോ ഉറപ്പുകൾക്കും ആക്രമണകാരിയുടെയും സെഷന്റെയും മേൽ വ്യവസ്ഥകളുണ്ട്. ക്രിപ്റ്റോഗ്രാഫിക് പ്രിമിറ്റീവുകൾ വിശ്വസനീയമായ കരാറുകൾക്ക് പിന്നിലാണ്. ഈ തെളിവ് ആ റൂട്ടീനുകൾ പറഞ്ഞതുപോലെ പ്രവർത്തിക്കുന്നു എന്ന് അനുമാനിക്കുകയും ക്രിപ്റ്റോഗ്രാഫിക് സുരക്ഷാ അനുമാനങ്ങളെ ആശ്രയിക്കുകയും ചെയ്യുന്നു. ഒരു തെളിവ് ക്രിപ്റ്റോഗ്രഫിയെ ആദർശവൽക്കരിക്കുന്നു; മറ്റൊന്ന് ആക്രമണകാരിയുടെ വിജയ സാധ്യതകളെക്കുറിച്ച് വാദിക്കുന്നു. ഒരു തെളിവ് ക്രിപ്റ്റോഗ്രഫിയെ ആദർശവൽക്കരിക്കുന്നു; മറ്റൊന്ന് ആക്രമണകാരിയുടെ വിജയ സാധ്യതകളെക്കുറിച്ച് വാദിക്കുന്നു.

2:42 രണ്ടിനും അവ ഉൾക്കൊള്ളുന്ന സാഹചര്യങ്ങൾക്ക് നിയന്ത്രണങ്ങളുണ്ട്. ഏത് ബിൽഡ്, ഏത് പ്രോപ്പർട്ടി, ഏത് അനുമാനങ്ങൾ എന്ന് ചോദിക്കുക. ഈ ഫലം ഗവേഷകരുടെ കമാൻഡ്-ലൈൻ ഹാർനെസ്സിനെക്കുറിച്ചാണ്. ഗ്രൂപ്പ് മെസ്സേജിംഗ് ഭാവിയിലെ ജോലിയാണ്, കൂടാതെ കമ്പ്യൂട്ടേഷണൽ മോഡൽ മൾട്ടി-ഡിവൈസ് അവസ്ഥ ഒഴിവാക്കുന്നു. ഓരോ സിഗ്നൽ ഇൻസ്റ്റാളേഷനും ബഗ് രഹിതമാണെന്ന് പറയുന്നത് തിയറത്തിന് പുറത്താണ്. ഗവേഷകർ മുമ്പ് പരിഹരിച്ച രണ്ട് സിഗ്നൽ ബഗുകൾ ഒറ്റപ്പെട്ട പകർപ്പുകളിലേക്ക് വീണ്ടും അവതരിപ്പിച്ച് കംപൈൽ ചെയ്തു.

സ്പെസിഫിക്കേഷന് കേടായ കോഡ് നിരസിക്കാൻ കഴിയുമോ?

3:02 ഗവേഷകർ മുമ്പ് പരിഹരിച്ച രണ്ട് സിഗ്നൽ ബഗുകൾ ഒറ്റപ്പെട്ട പകർപ്പുകളിലേക്ക് വീണ്ടും അവതരിപ്പിച്ച് കംപൈൽ ചെയ്തു. പരിശോധിച്ച തെളിവുകൾ ആ ബൈനറികൾ ചിഹ്നപരമായ സുരക്ഷാ സിദ്ധാന്തം ലംഘിച്ചുവെന്ന് കാണിച്ചു. യഥാർത്ഥ കേടായ നടപ്പാക്കലുകളെ സ്പെസിഫിക്കേഷന് നിരസിക്കാൻ കഴിയുമോ എന്ന് അത് പരിശോധിച്ചു. നിങ്ങളുടെ പച്ച ചെക്ക്മാർക്കിന് ഒരു ചുവപ്പ് പരിശോധന ആവശ്യമാണ്. ഗൂഗിൾ സ്പെസിഫിക്കേഷനുകളും തെളിവുകളും പരിശോധനാ നിർദ്ദേശങ്ങളോടൊപ്പം പ്രസിദ്ധീകരിക്കുന്നു. ഒരു ക്ലീൻ ബിൽഡിന് മണിക്കൂറുകളും ഗണ്യമായ മെമ്മറിയും ആവശ്യമാണെന്ന് റിപ്പോസിറ്ററി പറയുന്നു. ലാപ്ടോപ്പിൽ പ്രഖ്യാപനം വായിക്കുന്നത് വളരെ എളുപ്പമാണ്. ഹാർഡ്‌വെയർ മോഡലും വിശ്വസനീയമായ കരാറുകളും ഇപ്പോഴും അവലോകനം ചെയ്യേണ്ടതുണ്ട്.

3:26 ഈ എപ്പിസോഡിനായി ഞാൻ വലിയ ആർട്ടിഫാക്റ്റ് പുനർനിർമ്മിച്ചിട്ടില്ല. പ്രസിദ്ധീകരിച്ച ഫലവും അതിന്റെ അതിരുകളും ഞങ്ങൾ റിപ്പോർട്ട് ചെയ്യുന്നു. പുറത്തുള്ളവർക്ക് അത് പരിശോധിക്കാൻ ഒരു വഴിയുണ്ട്, അത് മറ്റൊരു AI വിജയത്തെക്കാൾ എനിക്ക് പ്രധാനമാണ്. ഇപ്പോൾ കെണി.

ഒരു ശരിയായ പ്രൂഫിന് തെറ്റായ ചോദ്യത്തിന് ഉത്തരം നൽകാൻ കഴിയുമോ?

3:36 ഒന്നും ആവശ്യപ്പെടാത്ത ഒരു പ്രസ്താവനയുടെ ശരിയായ തെളിവ് Lean-ന് അംഗീകരിക്കാൻ കഴിയും. അസാധ്യമായ അനുമാനങ്ങൾ ഒരു സിദ്ധാന്തത്തെ ശൂന്യമാക്കാം. പ്രധാന സിദ്ധാന്തത്തിന് താഴെ അടക്കം ചെയ്ത ഒരു നിർവചനം മാറ്റുന്നത് ലക്ഷ്യത്തെ ദുർബലമാക്കും. ഈ പ്രശ്നം തടയാൻ പേപ്പർ ചില പരിശോധനകൾ രൂപകൽപ്പന ചെയ്യുന്നു. ഗേറ്റ്കീപ്പർ പ്രൂഫ് ഏജന്റുമാർക്ക് എഴുതാൻ കഴിയാത്ത ഒരു അംഗീകൃത സ്പെസിഫിക്കേഷൻ സൂക്ഷിക്കുന്നു. അവർക്ക് ഒരു പ്രത്യേക ഭേദഗതി പ്രക്രിയയിലൂടെ തിരുത്തലുകൾ നിർദ്ദേശിക്കാൻ കഴിയും. സുരക്ഷാ ദുർബലപ്പെടുത്തൽ ഒരു സാധ്യതയുള്ള ബഗായി വർദ്ധിപ്പിക്കുന്നു. പ്രൂവറുടെ വിജയ പ്രഖ്യാപനത്തിന് ഇവിടെ അധികാരമില്ല.

4:00 വിശ്വസനീയമായ അനുമാനങ്ങളിലെ മാറ്റങ്ങൾ മനുഷ്യർ തീരുമാനിക്കുന്നു, നേരിട്ടോ അവരുടെ നയത്തിലൂടെയോ, ഓരോ കാമ്പെയ്‌നിനും ശേഷം ഭേദഗതികൾ അവലോകനം ചെയ്യുക. വിദഗ്ദ്ധരുടെ വിധിക്ക് ഉത്തരവാദിത്തമുണ്ട്. ഏജന്റിന് മറ്റൊരു അസൈൻമെന്റ് അഭ്യർത്ഥിക്കാൻ കഴിയും. അതിന് സ്വയം പാസ് മാർക്ക് നൽകാൻ കഴിയില്ല.

ചലിക്കുന്ന ലക്ഷ്യങ്ങളെ എന്താണ് പിടിക്കുന്നത്?

4:13 വാഗ്ദാനം ചെയ്ത പരിശോധന ഇതാ. Lean-ന്റെ താരതമ്യം ചെയ്യുന്നയാൾ തീസിസും അതിനെ ആശ്രയിക്കുന്ന എല്ലാ നിർവചനങ്ങളും സംരക്ഷിക്കപ്പെട്ട അംഗീകൃത പകർപ്പുമായി താരതമ്യം ചെയ്യുന്നു. Lean-ന്റെ താരതമ്യം ചെയ്യുന്നയാൾ തീസിസും അതിനെ ആശ്രയിക്കുന്ന എല്ലാ നിർവചനങ്ങളും സംരക്ഷിക്കപ്പെട്ട അംഗീകൃത പകർപ്പുമായി താരതമ്യം ചെയ്യുന്നു. അത് അനുവദനീയമായ ആക്സിയോമുകളും പരിശോധിക്കുകയും ഒരു പുതിയ കേർണലിൽ തെളിവ് വീണ്ടും പ്ലേ ചെയ്യുകയും ചെയ്യുന്നു. അതിനാൽ, ഒരു സഹായക നിർവചനം നിശബ്ദമായി ദുർബലപ്പെടുത്തുന്നത് താരതമ്യം ചെയ്യുന്ന കാര്യത്തെ മാറ്റുന്നു. ഒരു അംഗീകൃത തെളിവ് അംഗീകൃത ലക്ഷ്യം സ്ഥാപിക്കണം. ശക്തമായ ലക്ഷ്യവും സത്യസന്ധമായ അനുമാനങ്ങളും തിരഞ്ഞെടുക്കുന്നതിനുള്ള ഉത്തരവാദിത്തം ഇപ്പോഴും മനുഷ്യർക്കാണ്. നിങ്ങളുടെ സ്വന്തം AI വർക്ക്ഫ്ലോയ്ക്ക്, സ്വീകാര്യതാ മാനദണ്ഡങ്ങൾ വർക്കറുടെ എഡിറ്റ് അനുമതികൾക്ക് പുറത്ത് സൂക്ഷിക്കുകയും നിർദ്ദേശിച്ച മാറ്റങ്ങൾ പ്രത്യേകം അവലോകനം ചെയ്യുകയും ചെയ്യുക.

4:37 നിങ്ങളുടെ സ്വന്തം AI വർക്ക്ഫ്ലോയ്ക്ക്, സ്വീകാര്യതാ മാനദണ്ഡങ്ങൾ വർക്കറുടെ എഡിറ്റ് അനുമതികൾക്ക് പുറത്ത് സൂക്ഷിക്കുകയും നിർദ്ദേശിച്ച മാറ്റങ്ങൾ പ്രത്യേകം അവലോകനം ചെയ്യുകയും ചെയ്യുക. ഗൂഗിളിന്റെ ഫലം ആ വേർതിരിവ് വ്യക്തമാക്കുന്നു. പ്രൂഫ് എഴുതുന്നയാൾ ജോലി ചെയ്യുന്നു; പരിശോധനാ പരിധി അത് കണക്കിലെടുക്കുമോ എന്ന് തീരുമാനിക്കുന്നു. ഞാൻ ഇത് പറയുന്നത് കേൾക്കുന്നതിലും നല്ലത് ഇത് വായിക്കാനാണെങ്കിൽ, എല്ലാ ദിവസവും രാവിലെ നിങ്ങളുടെ ഇൻബോക്സിൽ ഡിഫ് സൗജന്യമായി daily diff dot dev-ൽ ലഭിക്കും, ലിങ്ക് താഴെ. ഞാൻ ഇത് പറയുന്നത് കേൾക്കുന്നതിലും നല്ലത് ഇത് വായിക്കാനാണെങ്കിൽ, എല്ലാ ദിവസവും രാവിലെ നിങ്ങളുടെ ഇൻബോക്സിൽ ഡിഫ് സൗജന്യമായി daily diff dot dev-ൽ ലഭിക്കും, ലിങ്ക് താഴെ. അതിനാൽ ഇന്നത്തെ വിധി SHIP IT എന്നതാണ്.

ഞാൻ ഈ പ്രൂഫ് വർക്ക്ഫ്ലോ ഷിപ്പ് ചെയ്യുമോ?

4:54 അംഗീകൃത ക്ലെയിം ഉത്തരം നൽകുന്ന ഏജന്റിൽ നിന്ന് വേറിട്ടുനിൽക്കുന്നതുകൊണ്ട് ഞാൻ ഈ പരിശോധിച്ച-പ്രൂഫ് വർക്ക്ഫ്ലോ ഷിപ്പ് ചെയ്യും. അംഗീകൃത ക്ലെയിം ഉത്തരം നൽകുന്ന ഏജന്റിൽ നിന്ന് വേറിട്ടുനിൽക്കുന്നതുകൊണ്ട് ഞാൻ ഈ പരിശോധിച്ച-പ്രൂഫ് വർക്ക്ഫ്ലോ ഷിപ്പ് ചെയ്യും. ഞാൻ ഓരോ ഫലത്തിലും സ്കോപ്പും അനുമാനങ്ങളും ചേർത്ത് സൂക്ഷിക്കും. സബ്സ്ക്രൈബ് ചെയ്യുക, ബെൽ അടിക്കുക, നിങ്ങൾ ഇത് വ്യത്യസ്തമായി സ്റ്റാമ്പ് ചെയ്യുമായിരുന്നെങ്കിൽ അഭിപ്രായങ്ങളിൽ എന്നോട് പറയുക. അതാണ് ഇന്നത്തെ ഡിഫ്. ഞാൻ Axrisi-ൽ നിന്നുള്ള നിക്കോ ആണ്. ഉത്തരവാദിത്തത്തോടെ ലയിപ്പിക്കുക.

ഉറവിടങ്ങൾ

1. AlphaProof Code: Verifying Signal's Security at the Machine-Code Level — technical scope, trusted base and gatekeepingSwarat Chaudhuri and colleagues / Google DeepMind and Google
2. Introducing AlphaProof Code — November 10 announcement and attributed Signal CTO responsePushmeet Kohli and Swarat Chaudhuri / Google DeepMind
3. Code-verification repository — initial commit, public artifacts and checking instructionsGoogle DeepMind / GitHub
4. The PQXDH Key Agreement Protocol — older official specification and prior-analysis contextEhren Kret and Rolfe Schmidt / Signal
5. The Double Ratchet Algorithm — Triple Ratchet sectionTrevor Perrin, Moxie Marlinspike and Rolfe Schmidt / Signal
6. Google DeepMind leadership — Demis Hassabis's relevant lab identityGoogle DeepMind
7. Demis Hassabis in 2025 — authentic portrait, cropped/resized/compressed and unflipped; no background removal or generated expression/detail; lab identity only, no authorship, proof writing, current reaction or endorsementChristopher P. Michel / Cmichel67 / Wikimedia Commons
8. Portrait licence — CC BY-SA 4.0; attribution, adaptation disclosure and ShareAlikeCreative Commons
9. Expanding Brain template — cropped/captioned artifact-count satire, brief transformed <=2s commentary; no benchmark, hosting licence, legal-clearance or blanket reuse claimImgflip / user-uploaded meme template
10. Tom and Jerry — Boomerang Official actual animated reaction, silent resized/captioned 1.875s excerpt; brief transformed process commentary, no actual researcher or executive reaction, hosting licence, legal-clearance or blanket reuse claimBoomerang Official / GIPHY / Tom and Jerry
11. Boomerang GIF source link — uploader-provided provenanceBoomerang
12. AlphaProof Code discussion — attention context, anonymous opinions excluded from factual proof claimsHacker News
13. Code-verification licence — Apache 2.0 for Google code, third-party licences retainedGoogle / GitHub