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来彻底改变编排。 EigenCompute 确保可验证性。
Sakana AI 的最新版本 Fugu 将编排置于 AI 创新的中心。 Fugu 于 2026 年 6 月 22 日推出，引入了一种新颖的方法：这个 70 亿参数模型不是直接回答问题，而是识别要调用的外部模型，相应地路由任务，并通过单个 API 无缝合并结果。这种“指挥”模型旨在重新定义人工智能编排，但它也提出了有关决策中的信任和透明度的紧迫问题。
随着企业采用多代理人工智能系统，编排层变得越来越重要。 Kyndryl、HPE 和 Orthogonal 最近的公告说明了这一趋势：编排不再仅仅是工作流程自动化，而是人工智能系统的战略治理层。然而，正如 Fugu 所证明的那样，编排的有效性取决于做出这些决定的指挥的可信度。
为什么可验证性很重要
Fugu 的编排决策目前不透明。例如，用户无法验证任务是否被路由到他们付费的高级模型，或者是否由更便宜的替代方案悄悄处理以最大化利润。这种缺乏透明度造成了巨大的信任差距。根据加州大学伯克利分校的一项研究，在量化和人工智能推理固有的随机性等技术限制下，验证模型使用的纯软件方法通常会失败。他们的结论是：只有基于硬件的方法，例如可信执行环境 (TEE)，才能保证任务按要求执行。
EigenCloud 推出的 EigenCompute 解决了这个问题。通过在英特尔 TDX 安全区域内运行人工智能协调器，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，确保协调器关于任务路由和模型使用的声明是可证明的。这种增加的可验证性可以将编排变成一种防责任的企业工具。
最近的失败凸显了需求
最近发生的几起事件凸显了可验证编排的紧迫性。例如，2026 年 6 月 22 日，Taiko 桥因签名密钥泄露、允许欺诈性证明而损失了 170 万美元。另外，美国政府下令禁止外国人使用某些人工智能模型，凸显了不透明编排的合规风险。去年，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上的，它们会转移真实的资金和合规风险。
EigenCompute 如何使编排变得可证明
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 内做出，将路由逻辑与外部篡改隔离。飞地绑定系统生成加密身份并防止未经授权访问敏感密钥。
- 默认证明：每个版本都与 Docker 镜像摘要相关联，记录在链上，并附有 TEE 生成的证明。这可以确保部署的代码与其声明的配置相匹配。
- 路由收据：对于每个决策，编排器都会生成一份签名收据，详细说明任务 ID、所选模型和响应哈希。这些收据可以通过 Etherscan 等公共工具进行验证，从而提供透明度，而无需信任运营商。
构建者的下一步是什么？
向可验证编排的转变对构建者和企业具有深远的影响。对于开发人员来说，第一步是将其编排器与确定性入口点进行容器化，并将其部署在可验证的平台（如 EigenCompute）上。与此同时，企业能够充满信心地使用人工智能系统，因为他们知道路由决策是可审计的。
由于 Sakana AI 的 Fugu 将编排定位为下一个前沿，EigenCompute 等工具将决定这个前沿是建立在信任还是不透明的基础上。可验证编排的竞赛不仅仅关乎技术，还关乎为人工智能问责制设定新标准并解锁企业大规模采用。