GenLayer Labs 推出人工智能法院系统，拥有多达 1,000 名验证者，可在几分钟内解决纠纷

区块链协议使用随机选择的运行不同语言模型的人工智能验证器来裁决索赔，每次费用约为 50 美分

想象一下，在法庭上，法官、陪审团和速记员都是人工智能模型，诉讼程序在午休前就结束了，账单大约相当于一块棒棒糖的价格。这是 GenLayer Labs 的宣传，该实验室已正式推出所谓的互联网法院，这是一个基于区块链的裁决系统，旨在以机器速度解决自主人工智能代理之间的纠纷。

该协议目前有大约 70 个活跃的专业验证者，其架构设计为支持多达 1,500 个验证者。其测试网已每天处理约 350,000 笔交易，每天处理 20,000 至 25,000 项裁决，单日峰值为 4,097 项裁决。

格洛丽亚 关闭应用——格洛丽亚财经持续关注。设置监视器并仅在发生重大变化时才收到反馈。设置监视器 →

人工智能法庭实际上是如何运作的

GenLayer 的运作方式被团队称为“裁决层”，这是一种专门为新兴的代理商业世界构建的区块链协议。核心思想：随着人工智能代理越来越多地在没有人类监督的情况下处理交易、谈判交易和执行合同，当事情出现问题时，需要有人（或某物）充当裁判。

系统通过随机选择一组由 5 个人工智能验证器组成的小组来启动每个争议，每个验证器运行不同的大型语言模型。如果案件需要更多审查，专家组可以扩大到大约 1,000 名验证者，以达成多数共识。

这种机制被称为乐观民主。 “乐观”部分意味着系统假设大多数交易都是合法的，并且只有在索赔受到质疑时才会启动完整的裁决过程。 “民主”部分是独立人工智能模型之间的投票，这有助于防止任何单一模型的偏见决定结果。

正在裁决的合约不是标准的 Solidity 智能合约。 GenLayer 使用所谓的智能合约，即基于 Python 的程序，可以解释自然语言并从开放网络中提取数据。传统的智能合约是僵化的：如果 X 发生，Y 就会发生。智能合约可以处理更模糊的问题，例如服务是否“按照描述”交付，或者人工智能代理是否履行了协议的精神而不仅仅是文字。

只需 30 分钟即可做出判决，费用约为 50 美分。就背景而言，在任何人审查证据之前，通过美国仲裁协会处理合同纠纷的平均成本就高达数千美元。

联盟和路线图

互联网法院并不是孤立成立的。 7 月 10 日，GenLayer 基金会组建了一个由 27 家公司组成的联盟来支持该协议的开发和采用。名单中包括 OKX 和 MetaMask 开发商 ConsenSys 等知名人士，这表明主要的加密基础设施参与者在人工智能原生争议解决方面看到了足够的前景，因此将自己的名字纳入其中。

该联盟的既定目标是建立代理支付和争议解决的标准化协议，本质上是编写人工智能代理应如何进行交易以及当这些交易出错时会发生什么的规则手册。

GenLayer 的技术基础建立在锚定于以太坊的基于 zkSync 的第 2 层网络上，使其能够获得以太坊的安全保证，同时保持足够低的交易成本，使 50 美分的判决在经济上可行。该项目最初以 YeagerAI 的名义作为 2024 年白皮书成型，随后联合创始人 Albert Castellana 和 David Riudor 重新命名并制定了该协议。

测试网的进展遵循了适当的科幻命名约定。 Asimov 网络于 2025 年 6 月推出，第二个测试网名为 Bradbury，计划于 2026 年推出。主网的全面启动计划于 2026 年第四季度推出，届时 GenLayer 计划推出其原生 GEN 代币用于质押和交易费用。

该代币的推出旨在解决验证器扩展挑战。从 70 名活跃验证者发展到 1,500 名活跃验证者的网络需要超越善意和早期采用者热情的经济激励。

为什么这比法庭比喻更重要

传统的智能合约是为一个术语是二进制且数据在链上的世界而构建的。但在代理经济中，人工智能系统代表人类和公司预订航班、协商批发价格并管理供应链，这带来了仅靠代码无法解析的模糊性。人工智能供应商是否提供了“优质”的商品？服务是否“及时”完成？这些是主观的调用，需要类似判断的东西，而不仅仅是计算。

GenLayer 的赌注是，足够多样化的人工智能模型小组，每个模型都从不同的角度处理同一问题，可以以人类仲裁成本和时间的一小部分来近似公平的判断。支持该协议的等效原则认为，如果多个独立模型得出相同的结论，则该结论可能是合理的。

该团队谨慎地将互联网法院定位为传统法律体系的补充而不是替代。涉及人权、刑事责任或司法主权的复杂争议不会很快被语言模型小组处理。但对于人工智能代理每天执行的数百万笔微交易（争议价值可能为 50 或 500 美元）而言，传统法院无论如何都不是一个现实的选择。

与任何依赖人工智能的系统一样，风险在于语言模型可能肯定是错误的。多样化的面板可以减轻个别模型的失败，但在类似数据上训练的模型之间的相关错误仍然是一个真正令人担忧的问题。