Học máy không kiến thức (ZKML): Loại tiềm năng nào sẽ bùng nổ khi hai xu hướng nóng nhất trong thế giới công nghệ kết hợp?

Tác giả | Callum@Web3CN.Pro

ZK tiếp tục hot từ năm 2022, công nghệ của nó đã có những bước phát triển vượt bậc, các dự án thuộc dòng ZK cũng không ngừng nỗ lực. Đồng thời, với sự phổ biến của Machine Learning (ML) và ứng dụng rộng rãi của nó trong sản xuất và đời sống, nhiều công ty đã bắt đầu xây dựng, đào tạo và triển khai các mô hình machine learning. Nhưng một vấn đề lớn mà máy học hiện đang phải đối mặt là làm thế nào để đảm bảo độ tin cậy và sự phụ thuộc vào dữ liệu không rõ ràng. Đây là ý nghĩa của ZKML: cho phép những người sử dụng máy học hiểu đầy đủ về mô hình mà không tiết lộ thông tin của chính mô hình.

1. ZKML là gì

ZKML là gì, hãy xem xét nó một cách riêng biệt. ZK (Bằng chứng không kiến thức) là một giao thức mã hóa trong đó người chứng minh có thể chứng minh với người xác minh rằng một tuyên bố đã cho là đúng mà không tiết lộ bất kỳ thông tin nào khác, nghĩa là kết quả có thể được biết mà không cần quy trình.

ZK có hai đặc điểm chính: thứ nhất, nó chứng minh những gì nó muốn chứng minh mà không tiết lộ quá nhiều thông tin cho người xác minh; thứ hai, rất khó tạo ra bằng chứng và rất dễ xác minh bằng chứng.

Dựa trên hai đặc điểm này, ZK đã phát triển một số trường hợp sử dụng chính: mở rộng Lớp 2, chuỗi công khai riêng, lưu trữ phi tập trung, xác minh danh tính và học máy. Trọng tâm nghiên cứu của bài viết này sẽ tập trung vào ZKML (Zero-Knowledge Machine Learning).

ML (Machine Learning) là gì, Machine Learning là một ngành khoa học về trí tuệ nhân tạo liên quan đến việc phát triển và ứng dụng các thuật toán cho phép máy tính học và thích ứng với dữ liệu một cách tự động, tối ưu hóa hiệu suất của chúng thông qua quy trình lặp đi lặp lại mà không cần quy trình lập trình. Nó sử dụng các thuật toán và mô hình để xác định dữ liệu nhằm lấy các tham số của mô hình và cuối cùng là đưa ra các dự đoán/quyết định.

Hiện nay, học máy đã được ứng dụng thành công trong nhiều lĩnh vực, với sự cải tiến của các mô hình này, học máy cần thực hiện nhiều nhiệm vụ hơn, để đảm bảo mô hình có độ chính xác cao, điều này cần sử dụng công nghệ ZK: sử dụng mô hình công xác minh Dữ liệu riêng tư hoặc xác thực các mô hình riêng tư với dữ liệu công khai.

ZKML mà chúng ta đang nói đến cho đến nay đang tạo ra bằng chứng không có kiến thức về các bước suy luận của mô hình ML, chứ không phải đào tạo mô hình ML.

2. Tại sao cần có ZKML

Khi công nghệ trí tuệ nhân tạo tiến bộ, việc phân biệt giữa trí tuệ nhân tạo với trí tuệ con người và thế hệ con người trở nên khó khăn hơn. Bằng chứng không kiến thức có khả năng giải quyết vấn đề này. Nó cho phép chúng tôi xác định liệu một nội dung nhất định có được tạo ra bằng cách áp dụng một mô hình nhất định hay không được tạo mà không tiết lộ bất kỳ thông tin nào khác về mô hình hoặc đầu vào.

Các nền tảng máy học truyền thống thường yêu cầu các nhà phát triển gửi kiến trúc mô hình của họ tới máy chủ để xác minh hiệu suất. Điều này có thể gây ra một số vấn đề:

• Mất mát tài sản trí tuệ: Việc tiết lộ kiến trúc mô hình đầy đủ có thể làm lộ các bí mật thương mại hoặc đổi mới có giá trị mà các nhà phát triển muốn giữ kín.
• ** Thiếu minh bạch: ** Quá trình đánh giá có thể không minh bạch và người tham gia có thể không xác minh được mô hình của họ xếp hạng như thế nào so với các mô hình khác.
• Mối quan tâm về quyền riêng tư của dữ liệu: Các mô hình dùng chung được đào tạo về dữ liệu nhạy cảm có thể vô tình tiết lộ thông tin về dữ liệu cơ bản, vi phạm các tiêu chuẩn và quy định về quyền riêng tư.

Những thách thức này đã tạo ra nhu cầu về các giải pháp có thể bảo vệ quyền riêng tư của các mô hình máy học và dữ liệu đào tạo của chúng.

ZK đề xuất một cách tiếp cận đầy hứa hẹn để giải quyết những thách thức mà các nền tảng ML truyền thống gặp phải. Bằng cách tận dụng sức mạnh của ZK, ZKML cung cấp giải pháp bảo vệ quyền riêng tư với những ưu điểm sau:

• Quyền riêng tư của mô hình: Nhà phát triển có thể tham gia xác thực mà không tiết lộ toàn bộ kiến trúc mô hình, do đó bảo vệ tài sản trí tuệ của họ.
• Xác thực minh bạch: ZK có thể xác minh hiệu suất mô hình mà không tiết lộ nội bộ mô hình, do đó tạo điều kiện thuận lợi cho quá trình đánh giá minh bạch và không tin cậy.
• **Quyền riêng tư của dữ liệu: **ZK có thể được sử dụng để xác minh dữ liệu riêng tư bằng các mô hình công khai hoặc xác minh các mô hình riêng tư bằng dữ liệu công khai để đảm bảo rằng thông tin nhạy cảm không bị rò rỉ.

Việc tích hợp ZK vào quy trình ML cung cấp một nền tảng an toàn và bảo vệ quyền riêng tư, giải quyết các hạn chế của ML truyền thống. Điều này không chỉ thúc đẩy việc áp dụng máy học trong ngành quyền riêng tư mà còn thu hút các nhà phát triển Web2 có kinh nghiệm khám phá các khả năng trong hệ sinh thái Web3.

3. Các ứng dụng và cơ hội của ZKML

Với sự cải tiến ngày càng tăng của mật mã, công nghệ bằng chứng không kiến thức và cơ sở phần cứng, ngày càng có nhiều dự án bắt đầu khám phá việc sử dụng ZKML. Hệ sinh thái của ZKML có thể được chia thành bốn loại sau:

• **Trình biên dịch xác minh mô hình: ** Cơ sở hạ tầng để biên dịch các mô hình từ các định dạng hiện có (ví dụ: Pytorch, ONNX, v.v.) thành các mạch tính toán có thể xác minh.
• Hệ thống chứng minh tổng quát: Một hệ thống chứng minh được xây dựng để xác minh quỹ đạo tính toán tùy ý.
• **Hệ thống bằng chứng dành riêng cho ZKML: **Một hệ thống bằng chứng được xây dựng đặc biệt để xác minh quỹ đạo tính toán của các mô hình ML.
• Ứng dụng: Các dự án xử lý các trường hợp sử dụng ZKML.

Theo danh mục sinh thái của các ứng dụng ZKML này, chúng ta có thể phân loại một số dự án áp dụng ZKML hiện tại:

Tín dụng hình ảnh: @bastian_wetzel

ZKML vẫn là một công nghệ mới nổi, thị trường của nó vẫn còn rất sớm và nhiều ứng dụng chỉ được thử nghiệm tại các cuộc thi hackathon, nhưng ZKML vẫn mở ra một không gian thiết kế mới cho các hợp đồng thông minh:

DeFi

Các ứng dụng Defi được tham số hóa bằng ML có thể tự động hơn. Ví dụ: các giao thức cho vay có thể sử dụng các mô hình ML để cập nhật các tham số theo thời gian thực. Hiện tại, các giao thức cho vay chủ yếu tin tưởng vào các mô hình ngoài chuỗi do các tổ chức điều hành để xác định tài sản thế chấp, LTV, ngưỡng thanh lý, v.v., nhưng một giải pháp thay thế tốt hơn có thể là các mô hình nguồn mở do cộng đồng đào tạo mà bất kỳ ai cũng có thể chạy và xác minh. Sử dụng tiên tri ML ngoại chuỗi có thể kiểm chứng, các mô hình ML có thể xử lý dữ liệu đã ký ngoại chuỗi để dự đoán và phân loại. Các nhà tiên tri ML ngoài chuỗi này có thể giải quyết các thị trường dự đoán trong thế giới thực, các giao thức cho vay, v.v. một cách đáng tin cậy bằng cách xác minh lập luận và xuất bản bằng chứng trên chuỗi.

Mạng xã hội Web3

Lọc phương tiện truyền thông xã hội Web3. Bản chất phi tập trung của các ứng dụng xã hội Web3 sẽ dẫn đến nhiều thư rác và nội dung độc hại hơn. Lý tưởng nhất là các nền tảng truyền thông xã hội có thể sử dụng các mô hình ML mã nguồn mở được cộng đồng đồng ý và xuất bản bằng chứng về lập luận của mô hình khi họ chọn lọc các bài đăng. Là người dùng mạng xã hội, bạn có thể sẵn sàng xem các quảng cáo được cá nhân hóa, nhưng muốn giữ riêng tư các sở thích và mối quan tâm của người dùng với các nhà quảng cáo. Vì vậy, người dùng có thể chọn chạy một mô hình cục bộ nếu họ thích, mô hình này có thể được đưa vào các ứng dụng phương tiện để cung cấp nội dung cho họ.

GameFi

ZKML có thể được áp dụng cho các loại trò chơi trực tuyến mới để tạo ra các trò chơi hợp tác giữa người và người và các trò chơi trực tuyến sáng tạo khác, trong đó mô hình AI có thể hoạt động như một NPC và mọi hành động do NPC thực hiện sẽ được xuất bản trên chuỗi, với bất kỳ Bằng chứng nào mà bất kỳ ai cũng có thể xác minh để xác định đúng mô hình đang chạy. Đồng thời, các mô hình ML có thể được sử dụng để điều chỉnh linh hoạt các ngưỡng phát hành, cung cấp, đốt, bỏ phiếu, v.v. Một mô hình hợp đồng khuyến khích có thể được thiết kế để cân bằng lại nền kinh tế trong trò chơi nếu đạt đến ngưỡng tái cân bằng nhất định và bằng chứng của lý luận đã được kiểm chứng.

Xác thực

Thay thế khóa riêng bằng xác thực sinh trắc học bảo vệ quyền riêng tư. Quản lý khóa cá nhân vẫn là một trong những điểm đau lớn nhất trong Web3. Trích xuất khóa riêng thông qua nhận dạng khuôn mặt hoặc các yếu tố độc đáo khác có thể là một giải pháp khả thi cho ZKML.

4. Thử thách ZKML

Mặc dù ZKML liên tục được cải tiến và tối ưu hóa, nhưng lĩnh vực này vẫn đang trong giai đoạn phát triển ban đầu và vẫn còn một số thách thức từ công nghệ đến thực tiễn:

• Lượng tử hóa với độ chính xác giảm tối thiểu
• kích thước của mạch, đặc biệt khi mạng bao gồm nhiều lớp
• Bằng chứng hiệu quả về phép nhân ma trận
• Đối thủ tấn công

Những thách thức này trước tiên ảnh hưởng đến độ chính xác của các mô hình máy học, thứ hai ảnh hưởng đến chi phí và tốc độ kiểm chứng của chúng và thứ ba là nguy cơ bị tấn công đánh cắp mô hình.

Những cải tiến cho những vấn đề này hiện đang được tiến hành, bản demo ZK-MNIST của @0xPARC vào năm 2021 cho thấy cách triển khai mô hình phân loại hình ảnh MNIST quy mô nhỏ trong một mạch có thể kiểm chứng; Daniel Kang đã làm điều tương tự đối với mô hình tỷ lệ ImageNet, tỷ lệ ImageNet hiện tại Độ chính xác của mô hình đã được cải thiện đến 92% và dự kiến sẽ sớm đạt được với khả năng tăng tốc phần cứng hơn nữa của không gian ML rộng hơn.

ZKML vẫn đang trong giai đoạn phát triển ban đầu, nhưng nó đã bắt đầu cho thấy nhiều kết quả và chúng ta có thể mong đợi thấy nhiều ứng dụng sáng tạo hơn của ZKML trên chuỗi. Khi ZKML tiếp tục phát triển, chúng ta có thể thấy trước một tương lai nơi máy học bảo vệ quyền riêng tư sẽ trở thành tiêu chuẩn.