Khi công nghệ ZK được cải thiện, người ta sẽ tìm thấy một số trường hợp sử dụng zkML phù hợp với thị trường sản phẩm mạnh mẽ.
Được viết bởi: Avant Blockchain Capital
Biên soạn: Nghiên cứu GWEI
lý lịch
Vài tháng qua đã chứng kiến một số bước đột phá trong ngành AI. Các mô hình như GPT4 và Stable Diffusion đang thay đổi cách mọi người xây dựng và tương tác với phần mềm cũng như Internet.
Bất chấp khả năng ấn tượng của các mô hình AI mới này, một số người vẫn lo lắng về tính khó đoán và tính nhất quán của AI. Ví dụ, có sự thiếu minh bạch trong thế giới dịch vụ trực tuyến, nơi hầu hết các công việc phụ trợ được điều hành bởi các mô hình AI. Việc xác minh rằng các mô hình này hoạt động như mong đợi là một thách thức. Ngoài ra, quyền riêng tư của người dùng cũng là một vấn đề vì tất cả dữ liệu chúng tôi cung cấp cho API mô hình có thể được sử dụng để cải thiện AI hoặc bị tin tặc khai thác.
ZKML có thể là một cách mới để giải quyết những vấn đề này. Bằng cách đưa các thuộc tính có thể kiểm chứng và không tin cậy vào các mô hình học máy, công nghệ chuỗi khối và ZK có thể tạo thành một khuôn khổ cho sự liên kết của AI.
ZKML là gì
Học máy không kiến thức (ZKML) trong bài báo này đề cập đến việc sử dụng zkSNARK (bằng chứng không kiến thức) để chứng minh tính đúng đắn của lý luận học máy mà không làm lộ đầu vào mô hình hoặc tham số mô hình. Theo thông tin bảo mật khác nhau, các trường hợp sử dụng ZKML có thể được chia thành các loại sau:
Mô hình công khai + dữ liệu riêng tư:
Học máy bảo vệ quyền riêng tư: ZKML có thể được sử dụng để đào tạo và đánh giá các mô hình học máy trên dữ liệu nhạy cảm mà không tiết lộ dữ liệu cho bất kỳ ai khác. Điều này có thể quan trọng đối với các ứng dụng như chẩn đoán y tế và phát hiện gian lận tài chính. Chúng tôi cũng đã thấy một số người chơi sử dụng ZKML để xây dựng các dịch vụ bằng chứng nhân loại dựa trên xác thực dữ liệu sinh trắc học.
Bằng chứng: Trong một thế giới mà hầu hết nội dung trực tuyến được tạo ra bởi AI, mật mã có thể cung cấp một nguồn sự thật. Mọi người đang cố gắng sử dụng ZKML để giải quyết vấn đề deepfake.
Mô hình riêng tư + Dữ liệu công khai:
Tính xác thực của mô hình: ZKML có thể được sử dụng để đảm bảo tính nhất quán của các mô hình học máy. Điều này có thể quan trọng đối với người dùng để đảm bảo rằng các nhà cung cấp mô hình không lười biếng sử dụng các mô hình rẻ hơn hoặc bị tấn công.
Kaggle phi tập trung: ZKML cho phép người tham gia các cuộc thi khoa học dữ liệu chứng minh tính chính xác của các mô hình trên dữ liệu thử nghiệm công khai mà không tiết lộ trọng số của mô hình trong quá trình đào tạo
Mô hình công khai + dữ liệu công khai:
Suy luận phi tập trung: Phương pháp này chủ yếu sử dụng các đặc điểm ngắn gọn của ZKML để nén các phép tính AI phức tạp thành các bằng chứng chuỗi tương tự như ZK rollup. Cách tiếp cận này có thể phân phối chi phí phân phát mô hình cho nhiều nút.
Vì zkSNARK sẽ trở thành một công nghệ rất quan trọng trong thế giới tiền điện tử, nên ZKML cũng có khả năng thay đổi thế giới tiền điện tử. Bằng cách thêm các khả năng AI vào hợp đồng thông minh, ZKML có thể mở khóa các ứng dụng trên chuỗi phức tạp hơn. Sự tích hợp này đã được mô tả trong cộng đồng ZKML là "để mắt đến blockchain".
Nút cổ chai kỹ thuật
Tuy nhiên, ZK-ML đưa ra một số thách thức kỹ thuật hiện phải được giải quyết.
Lượng tử hóa: ZKP hoạt động trên các trường, nhưng mạng thần kinh được đào tạo về dấu phẩy động. Điều này có nghĩa là để mô hình mạng thần kinh trở nên thân thiện với zk/blockchain, nó cần được chuyển đổi thành biểu diễn số học điểm cố định với tính năng theo dõi tính toán đầy đủ. Điều này có thể ảnh hưởng đến hiệu suất của mô hình do độ chính xác của các tham số thấp hơn.
Dịch đa ngôn ngữ: Các mô hình AI của mạng nơ-ron được viết bằng python và cpp, trong khi các mạch ZKP yêu cầu rỉ sét. Vì vậy, chúng tôi cần một lớp dịch để chuyển đổi mô hình thành thời gian chạy dựa trên ZKP. Thông thường loại lớp dịch này là dành riêng cho mô hình và rất khó để thiết kế một lớp chung.
Chi phí tính toán của ZKP: Chi phí của ZKP về cơ bản sẽ cao hơn nhiều so với tính toán ML ban đầu. Theo các thử nghiệm của phòng thí nghiệm Modulus, đối với một mô hình có tham số 20M, theo các hệ thống chứng minh ZK khác nhau, phải mất hơn 1-5 phút để tạo bằng chứng và mức tiêu thụ bộ nhớ là khoảng 20-60GB.
Chi phí thông minh — Modulus Labs
hiện trạng
Ngay cả với những thách thức này, chúng tôi đã nhận thấy rất nhiều sự quan tâm đến ZKML từ cộng đồng tiền điện tử và có một số nhóm giỏi đang khám phá không gian này.
cơ sở hạ tầng
Trình biên dịch mô hình
Do nút cổ chai chính của ZKML là chuyển đổi các mô hình AI thành các mạch ZK, nên một số nhóm đang làm việc trên các lớp cơ sở, chẳng hạn như trình biên dịch mô hình ZK. Bắt đầu với các mô hình hồi quy logistic hoặc các mô hình CNN đơn giản cách đây 1 năm, lĩnh vực này đã nhanh chóng phát triển thành các mô hình phức tạp hơn.
Dự án EZKL hiện hỗ trợ các mô hình có thông số lên tới 100mm. Nó sử dụng định dạng ONNX và hệ thống halo2 ZKP. Thư viện cũng hỗ trợ chỉ gửi một phần của mô hình.
Thư viện ZKML đã hỗ trợ ZKP cho các mô hình GPT2, Bert và khuếch tán!
ZKVM
Trình biên dịch ZKML cũng rơi vào lĩnh vực của một số máy ảo không có kiến thức tổng quát hơn.
Risc Zero là một zkVM sử dụng tập lệnh mã nguồn mở RiscV, vì vậy nó có thể hỗ trợ ZKP của C++ và Rust. Dự án zkDTP này cho thấy cách chuyển đổi mô hình ML cây quyết định sang Rust và chạy nó trên Risc Zero.
Chúng tôi cũng thấy một số nhóm đang cố gắng đưa các mô hình AI vào chuỗi thông qua Startnet (Giza) và Aleo (Zero Gravity).
Ứng dụng
Ngoài cơ sở hạ tầng, các nhóm khác cũng đã bắt đầu khám phá ứng dụng của ZKML
Định nghĩa:
Một ví dụ về trường hợp sử dụng DeFi là vault do AI điều khiển, trong đó các cơ chế được xác định bởi các mô hình AI thay vì các chính sách cố định. Các chiến lược này có thể tận dụng dữ liệu trên chuỗi và ngoài chuỗi để dự đoán xu hướng thị trường và thực hiện giao dịch. ZKML đảm bảo một mô hình nhất quán trên chuỗi. Điều này làm cho toàn bộ quá trình tự động và không đáng tin cậy. Mondulus Labs đang xây dựng RockyBot. Nhóm đã đào tạo một mô hình AI trên chuỗi để dự đoán giá ETH và xây dựng một hợp đồng thông minh để tự động giao dịch với mô hình.
Các trường hợp sử dụng DeFi tiềm năng khác bao gồm DEX do AI cung cấp và giao thức cho vay. Oracles cũng có thể tận dụng ZKML để cung cấp các nguồn dữ liệu mới được tạo từ dữ liệu ngoài chuỗi.
Trò chơi:
Các phòng thí nghiệm Modulus đã ra mắt Leela, một trò chơi cờ vua dựa trên ZKML mà tất cả người dùng có thể chơi với bot được cung cấp bởi mô hình AI được ZK xác thực. Khả năng trí tuệ nhân tạo có thể mang lại nhiều chức năng tương tác hơn cho các trò chơi được xâu chuỗi hoàn toàn hiện có.
NFT/ Nền kinh tế của người sáng tạo:
EIP-7007: EIP này cung cấp giao diện để sử dụng ZKML nhằm xác minh rằng nội dung do AI tạo cho NFT thực sự là từ một mô hình cụ thể với đầu vào cụ thể (gợi ý). Tiêu chuẩn này có thể kích hoạt các bộ sưu tập NFT do AI tạo ra và thậm chí cung cấp năng lượng cho một loại nền kinh tế sáng tạo mới.
Quy trình công việc dự án EIP-7007
Danh tính:
Dự án Wordcoin đang cung cấp giải pháp bằng chứng nhân văn dựa trên thông tin sinh trắc học của người dùng. Nhóm đang khám phá việc sử dụng ZKML để cho phép người dùng tạo mã Iris theo cách không được phép. Khi thuật toán tạo mã Iris được nâng cấp, người dùng có thể tải xuống mô hình và tự tạo bằng chứng mà không cần đến trạm Orb.
Đã thông qua khóa
Hãy xem xét chi phí cao của bằng chứng không kiến thức cho các mô hình AI. Chúng tôi nghĩ rằng việc áp dụng ZKML có thể bắt đầu với một số trường hợp sử dụng tiền điện tử có chi phí tin cậy cao.
Một thị trường khác mà chúng ta nên xem xét là các ngành mà quyền riêng tư dữ liệu rất quan trọng, chẳng hạn như chăm sóc sức khỏe. Đối với điều này, có các giải pháp khác như học tập liên kết và MPC an toàn, nhưng ZKML có thể tận dụng mạng khuyến khích có thể mở rộng của chuỗi khối.
Việc áp dụng rộng rãi hơn ZKML có thể phụ thuộc vào việc mất niềm tin vào các nhà cung cấp AI lớn hiện có. Sẽ có những sự kiện nâng cao nhận thức trong toàn ngành và nhắc người dùng xem xét các công nghệ AI có thể kiểm chứng?
Tóm tắt
ZKML vẫn còn ở những ngày đầu và có rất nhiều thách thức phải vượt qua. Nhưng khi công nghệ ZK được cải thiện, chúng tôi nghĩ rằng mọi người sẽ sớm tìm thấy một số trường hợp sử dụng cho ZKML với sự phù hợp mạnh mẽ với thị trường sản phẩm. Lúc đầu, những trường hợp sử dụng này có vẻ phù hợp. Nhưng khi sức mạnh của trí tuệ nhân tạo tập trung phát triển và thâm nhập vào mọi ngành công nghiệp và thậm chí cả cuộc sống con người, mọi người có thể tìm thấy giá trị lớn hơn trong ZKML.
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Giải thích về zkML: Hướng tới một tương lai của trí tuệ nhân tạo có thể kiểm chứng
Được viết bởi: Avant Blockchain Capital
Biên soạn: Nghiên cứu GWEI
lý lịch
Vài tháng qua đã chứng kiến một số bước đột phá trong ngành AI. Các mô hình như GPT4 và Stable Diffusion đang thay đổi cách mọi người xây dựng và tương tác với phần mềm cũng như Internet.
Bất chấp khả năng ấn tượng của các mô hình AI mới này, một số người vẫn lo lắng về tính khó đoán và tính nhất quán của AI. Ví dụ, có sự thiếu minh bạch trong thế giới dịch vụ trực tuyến, nơi hầu hết các công việc phụ trợ được điều hành bởi các mô hình AI. Việc xác minh rằng các mô hình này hoạt động như mong đợi là một thách thức. Ngoài ra, quyền riêng tư của người dùng cũng là một vấn đề vì tất cả dữ liệu chúng tôi cung cấp cho API mô hình có thể được sử dụng để cải thiện AI hoặc bị tin tặc khai thác.
ZKML có thể là một cách mới để giải quyết những vấn đề này. Bằng cách đưa các thuộc tính có thể kiểm chứng và không tin cậy vào các mô hình học máy, công nghệ chuỗi khối và ZK có thể tạo thành một khuôn khổ cho sự liên kết của AI.
ZKML là gì
Học máy không kiến thức (ZKML) trong bài báo này đề cập đến việc sử dụng zkSNARK (bằng chứng không kiến thức) để chứng minh tính đúng đắn của lý luận học máy mà không làm lộ đầu vào mô hình hoặc tham số mô hình. Theo thông tin bảo mật khác nhau, các trường hợp sử dụng ZKML có thể được chia thành các loại sau:
Mô hình công khai + dữ liệu riêng tư:
Mô hình riêng tư + Dữ liệu công khai:
Mô hình công khai + dữ liệu công khai:
Vì zkSNARK sẽ trở thành một công nghệ rất quan trọng trong thế giới tiền điện tử, nên ZKML cũng có khả năng thay đổi thế giới tiền điện tử. Bằng cách thêm các khả năng AI vào hợp đồng thông minh, ZKML có thể mở khóa các ứng dụng trên chuỗi phức tạp hơn. Sự tích hợp này đã được mô tả trong cộng đồng ZKML là "để mắt đến blockchain".
Nút cổ chai kỹ thuật
Tuy nhiên, ZK-ML đưa ra một số thách thức kỹ thuật hiện phải được giải quyết.
Lượng tử hóa: ZKP hoạt động trên các trường, nhưng mạng thần kinh được đào tạo về dấu phẩy động. Điều này có nghĩa là để mô hình mạng thần kinh trở nên thân thiện với zk/blockchain, nó cần được chuyển đổi thành biểu diễn số học điểm cố định với tính năng theo dõi tính toán đầy đủ. Điều này có thể ảnh hưởng đến hiệu suất của mô hình do độ chính xác của các tham số thấp hơn.
Dịch đa ngôn ngữ: Các mô hình AI của mạng nơ-ron được viết bằng python và cpp, trong khi các mạch ZKP yêu cầu rỉ sét. Vì vậy, chúng tôi cần một lớp dịch để chuyển đổi mô hình thành thời gian chạy dựa trên ZKP. Thông thường loại lớp dịch này là dành riêng cho mô hình và rất khó để thiết kế một lớp chung.
Chi phí tính toán của ZKP: Chi phí của ZKP về cơ bản sẽ cao hơn nhiều so với tính toán ML ban đầu. Theo các thử nghiệm của phòng thí nghiệm Modulus, đối với một mô hình có tham số 20M, theo các hệ thống chứng minh ZK khác nhau, phải mất hơn 1-5 phút để tạo bằng chứng và mức tiêu thụ bộ nhớ là khoảng 20-60GB.
Chi phí thông minh — Modulus Labs
hiện trạng
Ngay cả với những thách thức này, chúng tôi đã nhận thấy rất nhiều sự quan tâm đến ZKML từ cộng đồng tiền điện tử và có một số nhóm giỏi đang khám phá không gian này.
cơ sở hạ tầng
Trình biên dịch mô hình
Do nút cổ chai chính của ZKML là chuyển đổi các mô hình AI thành các mạch ZK, nên một số nhóm đang làm việc trên các lớp cơ sở, chẳng hạn như trình biên dịch mô hình ZK. Bắt đầu với các mô hình hồi quy logistic hoặc các mô hình CNN đơn giản cách đây 1 năm, lĩnh vực này đã nhanh chóng phát triển thành các mô hình phức tạp hơn.
ZKVM
Trình biên dịch ZKML cũng rơi vào lĩnh vực của một số máy ảo không có kiến thức tổng quát hơn.
Ứng dụng
Ngoài cơ sở hạ tầng, các nhóm khác cũng đã bắt đầu khám phá ứng dụng của ZKML
Định nghĩa:
Một ví dụ về trường hợp sử dụng DeFi là vault do AI điều khiển, trong đó các cơ chế được xác định bởi các mô hình AI thay vì các chính sách cố định. Các chiến lược này có thể tận dụng dữ liệu trên chuỗi và ngoài chuỗi để dự đoán xu hướng thị trường và thực hiện giao dịch. ZKML đảm bảo một mô hình nhất quán trên chuỗi. Điều này làm cho toàn bộ quá trình tự động và không đáng tin cậy. Mondulus Labs đang xây dựng RockyBot. Nhóm đã đào tạo một mô hình AI trên chuỗi để dự đoán giá ETH và xây dựng một hợp đồng thông minh để tự động giao dịch với mô hình.
Các trường hợp sử dụng DeFi tiềm năng khác bao gồm DEX do AI cung cấp và giao thức cho vay. Oracles cũng có thể tận dụng ZKML để cung cấp các nguồn dữ liệu mới được tạo từ dữ liệu ngoài chuỗi.
Trò chơi:
Các phòng thí nghiệm Modulus đã ra mắt Leela, một trò chơi cờ vua dựa trên ZKML mà tất cả người dùng có thể chơi với bot được cung cấp bởi mô hình AI được ZK xác thực. Khả năng trí tuệ nhân tạo có thể mang lại nhiều chức năng tương tác hơn cho các trò chơi được xâu chuỗi hoàn toàn hiện có.
NFT/ Nền kinh tế của người sáng tạo:
EIP-7007: EIP này cung cấp giao diện để sử dụng ZKML nhằm xác minh rằng nội dung do AI tạo cho NFT thực sự là từ một mô hình cụ thể với đầu vào cụ thể (gợi ý). Tiêu chuẩn này có thể kích hoạt các bộ sưu tập NFT do AI tạo ra và thậm chí cung cấp năng lượng cho một loại nền kinh tế sáng tạo mới.
Quy trình công việc dự án EIP-7007
Danh tính:
Dự án Wordcoin đang cung cấp giải pháp bằng chứng nhân văn dựa trên thông tin sinh trắc học của người dùng. Nhóm đang khám phá việc sử dụng ZKML để cho phép người dùng tạo mã Iris theo cách không được phép. Khi thuật toán tạo mã Iris được nâng cấp, người dùng có thể tải xuống mô hình và tự tạo bằng chứng mà không cần đến trạm Orb.
Đã thông qua khóa
Hãy xem xét chi phí cao của bằng chứng không kiến thức cho các mô hình AI. Chúng tôi nghĩ rằng việc áp dụng ZKML có thể bắt đầu với một số trường hợp sử dụng tiền điện tử có chi phí tin cậy cao.
Một thị trường khác mà chúng ta nên xem xét là các ngành mà quyền riêng tư dữ liệu rất quan trọng, chẳng hạn như chăm sóc sức khỏe. Đối với điều này, có các giải pháp khác như học tập liên kết và MPC an toàn, nhưng ZKML có thể tận dụng mạng khuyến khích có thể mở rộng của chuỗi khối.
Việc áp dụng rộng rãi hơn ZKML có thể phụ thuộc vào việc mất niềm tin vào các nhà cung cấp AI lớn hiện có. Sẽ có những sự kiện nâng cao nhận thức trong toàn ngành và nhắc người dùng xem xét các công nghệ AI có thể kiểm chứng?
Tóm tắt
ZKML vẫn còn ở những ngày đầu và có rất nhiều thách thức phải vượt qua. Nhưng khi công nghệ ZK được cải thiện, chúng tôi nghĩ rằng mọi người sẽ sớm tìm thấy một số trường hợp sử dụng cho ZKML với sự phù hợp mạnh mẽ với thị trường sản phẩm. Lúc đầu, những trường hợp sử dụng này có vẻ phù hợp. Nhưng khi sức mạnh của trí tuệ nhân tạo tập trung phát triển và thâm nhập vào mọi ngành công nghiệp và thậm chí cả cuộc sống con người, mọi người có thể tìm thấy giá trị lớn hơn trong ZKML.