Sakana 的 Fugu 重新定义 AI 编排，EigenCompute 增加可验证性
realtime news Jul 02, 2026 16:51
Sakana AI 的 Fugu 模型通过决定调用哪些 AI 模型以及如何组合结果，彻底革新了编排方式。EigenCompute 确保了可验证性。
Sakana AI 最新发布的 Fugu 将编排置于 AI 创新的中心。Fugu 于 2026 年 6 月 22 日发布，提出了一种新颖的方法：这款拥有 70 亿参数的模型并非直接回答问题，而是识别需要调用的外部模型，按需分配任务，并通过单一 API 无缝合并结果。这个“指挥者”模型旨在重新定义 AI 编排，但它也引发了关于决策中信任和透明度的迫切问题。
随着企业采用多代理 AI 系统，编排层变得日益重要。从 Kyndryl、HPE 和 Orthogonal 的近期公告中可以看出：编排已不再仅仅是工作流自动化，而是 AI 系统的战略治理层。然而，正如 Fugu 所展示的那样，编排的有效性取决于“指挥者”在做出这些决策时的可信度。
为何可验证性至关重要
当前，Fugu 的编排决策是不透明的。例如，用户无法验证某项任务是否被分配给了他们支付费用的高级模型，还是为了最大化利润而悄悄交由更便宜的替代品处理。这种缺乏透明度的情况造成了显著的信任鸿沟。根据加州大学伯克利分校的一项研究，仅依赖软件的方法在量化和 AI 推理中的固有随机性等技术限制下经常失败。他们的结论是：只有基于硬件的方法（如可信执行环境，TEE）才能保证任务按照承诺执行。
EigenCloud 推出的 EigenCompute 正是为了解决这一问题。通过在 Intel TDX 安全飞地中运行 AI 编排器，EigenCompute 为每个决策生成硬件签名的证明。这些证明将路由逻辑链接到可公开验证的加密记录，确保编排器关于任务路由和模型使用的声明是可验证的。这一额外的可验证层可以将编排转变为企业免于责任的工具。
近期失败事件凸显需求
最近的几起事件强调了可验证编排的紧迫性。例如，在 2026 年 6 月 22 日，Taiko 桥因签名密钥泄露而损失了 170 万美元，导致虚假证明事件发生。此外，美国政府下令切断某些面向外国国民的 AI 模型，突出了非透明编排的合规风险。去年有 88% 的企业报告了与代理相关的安全事件，风险显而易见：编排失败不再是理论问题——它牵涉到实际的金钱和合规风险。
EigenCompute 如何使编排可验证
EigenCompute 的可验证性模型以三大支柱为中心：
- 安全执行：编排决策在 TEE 中进行，将路由逻辑隔离于外部篡改。飞地绑定系统生成加密身份并防止未授权访问敏感密钥。
- 默认证明：每个版本都绑定到一个 Docker 镜像摘要，记录在链上，并附带由 TEE 生成的证明。这确保了部署的代码与其声称的配置一致。
- 路由收据：对于每个决策，编排器生成一份签名收据，详细列出任务 ID、选定模型和响应哈希。这些收据可通过 Etherscan 等公开工具验证，无需依赖操作员信任。
构建者的下一步是什么？
可验证编排的转变对开发者和企业具有深远影响。对于开发者而言，第一步是将其编排器容器化，使用确定性的入口点，并将其部署到 EigenCompute 等可验证平台上。与此同时，企业可以自信地引入 AI 系统，确保路由决策是可审计的。
随着 Sakana AI 的 Fugu 将编排定位为下一个前沿领域，像 EigenCompute 这样的工具将决定这一前沿是建立在信任还是不透明之上。可验证编排的竞赛不仅关乎技术——它关乎为 AI 责任设定新标准，并解锁企业规模的采用。
Image source: Shutterstock.jpg)
