Anthropic Rilis FlashProve, Bukti Kriptografi untuk Membuktikan Model AI yang Menjawab

Bayangkan kamu bertanya kepada sebuah layanan AI dan mendapat jawaban yang bagus. Kamu percaya jawaban itu berasal dari model yang namanya tercantum di layar. Padahal, dari sisi kamu, tidak ada cara untuk memastikannya. Jawaban yang bagus bisa saja berasal dari model lain yang lebih murah dan diam-diam dipakai untuk menghemat biaya. Masalah inilah yang ingin dijawab Anthropic lewat sistem barunya, FlashProve.

Anthropic merilis FlashProve pada 2 November 2026 sebagai prototipe riset sumber terbuka. Sistem ini memakai bukti kriptografi untuk membuktikan bahwa sebuah jawaban benar-benar dihasilkan oleh model yang diklaim, tanpa membuka rahasia di balik model itu.

Apa itu FlashProve

FlashProve adalah sistem untuk provable inference, atau inferensi yang bisa dibuktikan. Setiap jawaban AI disertai sejenis “tanda terima” kriptografi yang membuktikan jawaban tersebut berasal dari model tertentu, dan siapa pun yang memegang tanda terima itu bisa memeriksanya sendiri.

Anthropic menuliskan masalahnya dengan gamblang: pengguna hari ini tidak bisa memeriksa apakah jawaban yang diterima berasal dari model yang diklaim pengembang, bukan model lain yang diganti oleh layanan perantara karena alasan biaya, atau oleh penyerang yang mengubah aliran jawaban. Menilai dari kualitas jawabannya saja tidak cukup, karena jawaban yang bagus pun bisa berasal dari model lain.

Sistem ini dibangun di atas zkSNARK, singkatan dari zero-knowledge succinct argument of knowledge, yaitu bukti kriptografi yang membuktikan sebuah perhitungan dilakukan dengan benar tanpa mengungkapkan isi perhitungan itu sendiri.

Cara kerja dan angka pengujiannya

FlashProve bekerja dalam dua tahap. Tahap pertama dilakukan sekali untuk setiap model: penyedia menerbitkan commitment, yaitu sidik jari pendek yang mengikat satu pilihan bobot model yang persis, sementara bobot itu sendiri tetap tersembunyi. Bobot adalah angka-angka yang menentukan cara sebuah model berperilaku, dan bagi model tertutup, bobot adalah aset yang dijaga ketat.

Tahap kedua berjalan untuk setiap permintaan. Saat model menjawab, penyedia membuat berkas bukti yang menyatakan model yang sudah diikat sidik jarinya itulah yang menghasilkan jawaban tersebut. Siapa pun yang memegang sidik jari, pertanyaan, dan jawabannya bisa memeriksa bukti itu tanpa mengakses bobot model. Bukti yang jujur akan diterima, bukti palsu praktis tidak mungkin dibuat, dan bukti itu tidak mengungkapkan bobot maupun nilai perantara perhitungan.

Anthropic menguji FlashProve pada Llama 4 Maverick dari Meta, model mixture-of-experts berparameter 400 miliar dengan bobot 4-bit yang tersedia untuk publik. Pada satu unit pemroses grafis Nvidia H100, sistem ini menghasilkan bukti sekitar 110 token per detik. Setiap bukti berukuran sekitar 19 MB untuk permintaan sepanjang 1.024 token, dan memeriksanya butuh sekitar 17 detik pada prosesor dengan 24 utas.

Biayanya masih besar: membuat bukti butuh waktu pemroses grafis sekitar 70 hingga 95 kali lipat dibandingkan menjalankan model itu sendiri, dan konteks yang bisa dibuktikan masih terbatas pada 1.024 token.

Untuk apa bukti ini dipakai

Manfaat pertama adalah untuk penilai independen. Penilai yang menguji model AI perlu yakin bahwa model yang mereka uji memang model yang sedang disajikan, bukan model lain yang ditukar untuk keperluan pengujian. Dengan bukti kriptografi, mereka bisa memeriksa sendiri tanpa menjalankan model raksasa itu. Kebutuhan akan pengujian yang bisa dipercaya juga terlihat dari evaluasi LifeVal dari OpenAI, yang dibahas dalam artikel LifeVal dari OpenAI: tes baru untuk mengukur AI membantu urusan sehari-hari.

Manfaat kedua adalah untuk pelanggan yang memakai model lewat layanan perantara: bukti ini memberi jaminan bahwa jawaban yang diterima memang berasal dari model yang dibayar, bukan model yang lebih murah.

Manfaat ketiga menyentuh regulator. Penyedia bisa diminta membuktikan bahwa perangkat kerasnya dipakai untuk menjawab pertanyaan pengguna, bukan melatih model baru, atau bahwa hanya model yang sudah disetujui yang disajikan. Bukti kriptografi memungkinkan pemeriksaan itu tanpa menjalankan ulang setiap permintaan dan tanpa mempelajari bobot rahasia penyedia.

Batasan yang diakui Anthropic sendiri

FlashProve masih jauh dari produk jadi. Anthropic menegaskan tidak ada rencana menerapkannya di Anthropic atau laboratorium lain saat ini, dan menyebut tulisan risetnya sebagai laporan kemajuan, bukan agenda yang sudah selesai. Kode dan dokumentasinya dirilis dengan lisensi Apache 2.0 supaya peneliti lain bisa memperbaikinya.

Batasan teknisnya dicatat dengan jujur. Bukti ini hanya berlaku untuk model mixture-of-experts dan hanya membuktikan versi bilangan bulat dari bobot model dalam mode greedy decoding, ketika model selalu memilih kata yang paling mungkin. Jawaban dari penerapan bilangan desimal atau mode pengambilan acak bisa berbeda dari perhitungan yang dibuktikan. Menurut laporan Unite.AI, sistem ini juga belum menjalani audit keamanan independen.

Ada pula celah kepercayaan yang tidak bisa ditutup kriptografi semata: bukti hanya memastikan jawaban berasal dari model yang sidik jarinya diterbitkan. Pengguna tetap harus percaya bahwa sidik jari itu memang milik model yang namanya diklaim.

Apa artinya buat kamu

Buat kamu sebagai pengguna biasa, FlashProve belum mengubah apa pun hari ini. Kamu tidak akan melihat tombol “periksa bukti” di aplikasi obrolan AI dalam waktu dekat, dan Anthropic tidak berjanji memakainya untuk Claude. Namun, arahnya penting: seiring AI dipakai untuk urusan yang makin serius, pertanyaan “model mana yang sebenarnya menjawab?” akan makin sering muncul. Untuk saat ini, bedakan klaim dan bukti. Klaim “jawaban ini dari model X” masih sebatas klaim selama penyedia tidak menerbitkan sidik jari model dan bukti yang bisa diperiksa.

Penutup

FlashProve menjawab pertanyaan sederhana tetapi penting: bagaimana kita tahu jawaban AI benar-benar berasal dari model yang diklaim? Jawabannya adalah bukti kriptografi yang bisa diperiksa siapa pun, tanpa membuka bobot model. Kecepatannya jauh melampaui pendahulunya, tetapi biayanya masih besar, konteksnya masih pendek, dan belum ada rencana penerapan. Anggaplah ini fondasi, bukan garis finis.

Sumber

Anthropic — Progress on provable inference for large language models

TechCrunch — Anthropic is working on a system to prove AI models’ identity