FlashProve Anthropic: Bukti Kriptografi Kalau Jawaban AI Benar dari Model yang Diklaim

Kamu mengetik prompt, memilih satu model AI, lalu membaca jawabannya. Tapi dari mana kamu tahu jawaban itu benar-benar dibuat oleh model yang kamu pilih? Hari ini, kamu tidak bisa tahu hanya dari hasil akhirnya. Anthropic, perusahaan di balik Claude, pada Selasa 3 November 2026 membagikan kemajuan riset yang ingin mengubah keadaan itu. Sistemnya bernama FlashProve, sistem open source yang memakai bukti kriptografi untuk membuktikan bahwa satu jawaban AI memang berasal dari model yang diklaim. Ini bukan produk yang sudah bisa kamu pakai. Ini riset tahap menengah, dan Anthropic bilang belum ada rencana menerapkannya di Anthropic atau lab mana pun. Tapi idenya penting, karena ia menjawab pertanyaan yang selama ini tidak bisa dicek: bagaimana membuktikan identitas sebuah model AI?

FlashProve dibangun di atas gagasan provable inference, atau inferensi yang bisa dibuktikan. Penyedia model mengirimkan jawaban beserta bukti kriptografi yang pendek. Bukti itu bisa dicek dengan cepat, idealnya dalam hitungan detik di CPU biasa, dan kalau jawaban yang diklaim menyimpang dari model yang ditentukan, pemeriksaan itu akan gagal. Sifatnya zero-knowledge: bukti itu tidak membocorkan bobot model, yaitu angka internal yang menentukan perilaku model dan dijaga ketat oleh pembuat model tertutup seperti Anthropic dan OpenAI. Jadi lab AI bisa membuktikan asal sebuah jawaban tanpa menyerahkan aset paling berharganya.

Latar belakang

Saat kamu mengirim permintaan ke sebuah model, kamu tidak punya cara pasti untuk mengetahui bahwa model yang kamu pilihlah yang menghasilkan respons itu. Untuk pemakaian sehari-hari, hal ini mungkin tidak terlalu terasa. Tapi ada situasi ketika kepastian itu sangat dibutuhkan. Penilai independen yang menguji model sebelum dan sesudah peluncuran perlu tahu bahwa model yang mereka uji adalah model yang benar-benar disajikan. Pelanggan yang memakai model lewat layanan routing pihak ketiga ingin yakin token yang mereka terima berasal dari model yang mereka bayar.

Anthropic menggambarkannya seperti tanda tangan kriptografi pada email, yang membuat penerima bisa memastikan pesan benar-benar berasal dari pengirim yang diklaim. Bedanya, yang ditandatangani di sini adalah jawaban sebuah model. Sistem ini dirancang tetap kuat menghadapi peniru yang menyamar sebagai model lain, bahkan ketika peniru itu adalah lab yang membangun dan menjalankan model itu sendiri. Dua penyalahgunaan yang ingin dicegah disebut secara khusus: perusahaan AI yang diam-diam menukar model yang dipakai dengan model yang lebih murah untuk memangkas biaya, atau dengan model yang lebih mahal untuk menggelembungkan hasil uji kinerjanya. Agar sistem ini bekerja, lab AI harus menerbitkan semacam sidik jari untuk setiap model yang mereka rilis. Sidik jari itu, yang disebut commitment terhadap bobot model, bisa dicocokkan dengan hasil tertentu dan diverifikasi secara kriptografi, tanpa mengungkapkan bobotnya. Artinya sistem ini juga bisa bekerja untuk model komersial. Menyembunyikan arsitektur model bukan tujuan sistem ini; yang disembunyikan adalah bobotnya.

Detail utama

FlashProve memakai bukti kriptografi bernama zkSNARK, singkatan dari zero-knowledge succinct argument of knowledge. Lewat sertifikat pendek, satu pihak pembukti bisa meyakinkan pihak pemeriksa bahwa sebuah komputasi dijalankan dengan benar. Ada dua fase. Pada fase offline, penyedia model menerbitkan komitmen terhadap bobot model, yaitu sidik jari pendek yang mengunci satu pilihan bobot yang persis, sementara bobotnya tetap tersembunyi. Klaim inferensi berikutnya dicek terhadap komitmen itu.

Anthropic merilis lima hal sekaligus: tulisan blog, laporan teknis, dokumen spesifikasi protokol, kode yang bisa dijalankan, serta bukti-bukti Lean untuk pernyataan matematis tingkat atas beserta visualizer interaktif untuk membantu audit. Kode yang dirilis mencakup sebuah prover atau pembuat bukti dan dua verifier atau pemeriksa, yaitu pemeriksa cepat berbahasa C++ dan pemeriksa yang terbukti benar secara formal berbahasa Lean. Semuanya dirilis di bawah lisensi Apache 2.0. Angka uji awalnya: untuk model mixture-of-experts Llama 4 Maverick yang punya 400 miliar parameter, satu GPU H100 menghasilkan bukti sekitar 110 token per detik, dengan ukuran bukti sekitar 19 MB per permintaan 1.024 token, memakai bobot terkuantisasi 4-bit. Itu sekitar 70 sampai 95 kali waktu GPU yang dibutuhkan untuk menjalankan model itu sendiri memakai vLLM. Ini angka prototipe riset, bukan layanan yang sudah berjalan.

Dampak dan reaksi

Anthropic menguraikan empat tantangan kepercayaan yang bisa dibantu bukti semacam ini. Pertama, pacing atau pengaturan laju pengembangan AI. Regulator bisa meminta sertifikat untuk permintaan inferensi yang dilayani dalam satu periode, dan sertifikat itu harus menunjukkan permintaan tersebut dihasilkan oleh model yang diklaim. Kedua, deteksi perusakan. Penyerang bisa membobol server inferensi untuk mencuri bobot atau menyajikan respons berbahaya sambil menyusup di antara respons asli, dan model yang lebih canggih pun bisa berpura-pura menjadi model yang lebih lemah supaya lolos pemantauan. Bukti yang terikat pada komitmen bobot tertentu membuat penyerang harus membuat bukti yang valid untuk bobot yang diharapkan, dan itu tidak bisa mereka lakukan.

Ketiga, asal usul teks. Developer bisa mengklaim pustaka perangkat lunaknya sudah dipindai kerentanannya oleh model keamanan terdepan, atau perusahaan bisa mengklaim rencana bisnisnya sudah disetujui model yang tepat. Log percakapan pun tidak memberi jaminan mutlak, karena secara teori bisa dipalsukan dengan model yang lebih murah. Bukti yang dilampirkan pada setiap respons memberi cara cek tanpa menjalankan ulang modelnya. Keempat, persetujuan model. Kalau regulasi mewajibkan penyedia hanya menyajikan model yang sudah disetujui sebagai aman, bukti pada respons membuat regulator bisa memastikan hanya model yang disetujui yang dipakai. Anthropic menempatkan pendekatan ini berdampingan dengan perangkat keras tepercaya seperti trusted execution environment, yang mengandalkan perangkat keras tahan rusak dari pabrikan. Keduanya dipandang saling melengkapi.

Bisa langsung dicoba: checklist 3 cek sebelum percaya klaim model

FlashProve belum dipakai di mana-mana, jadi checklist ini bukan pengganti bukti kriptografi. Ini langkah praktis yang bisa kamu pakai sekarang, diturunkan dari masalah yang dijelaskan para peneliti: siapa yang menyajikan modelnya, dan apa buktinya. Pertama, catat nama dan versi model yang diklaim, persis seperti tertulis di layanan yang kamu pakai. Kalau layanan hanya menulis nama keluarga model tanpa versi, itu catatan pertama bahwa klaimnya kurang spesifik. Kedua, tanya lewat jalur apa model itu disajikan: langsung dari penyedia resminya, atau lewat layanan routing pihak ketiga, aplikasi pihak ketiga, atau perantara lain? Peneliti Anthropic secara khusus menyebut layanan routing sebagai tempat penukaran diam-diam bisa terjadi. Ketiga, simpan prompt dan jawabanmu, beserta tanggal dan nama model yang diklaim, sebagai bukti klaim. Kalau suatu hari penyedia yang sama mengklaim hasil yang berbeda untuk tugas yang sama, catatan ini membuat perbedaan itu bisa ditunjukkan, bukan sekadar diingat.

Apa selanjutnya

Para peneliti menegaskan tulisan ini membagikan kemajuan menengah, bukan agenda riset yang sudah selesai. Mereka membagikannya supaya orang lain melihat apa yang sudah mereka kerjakan, mengambilnya, dan memperbaikinya. Riset masih berjalan, dan tidak ada rencana penerapan di Anthropic atau lab lain. Pertanyaan besarnya kini ada di tangan komunitas riset dan pembuat model: apakah bukti semacam ini bisa dibuat cukup murah dan cepat untuk skala besar, dan apakah lab AI mau menerbitkan sidik jari model mereka secara sukarela sebelum ada kewajiban yang memaksa. Sampai ada cara yang bisa dicek secara luas, sikap paling aman adalah menganggap setiap klaim model sebagai klaim yang perlu dicatat, bukan fakta yang otomatis benar. FlashProve menunjukkan bukti semacam itu mungkin dibuat secara teknis. Apakah ia akan benar-benar dipakai, itu cerita berikutnya, dan cerita itu belum ditulis.

Sumber: TechCrunch, Anthropic is working on a system to prove AI models identity, 3 November 2026.