风险提示:央行等十部委发布《关于进一步防范和处置虚拟货币交易炒作风险的通知》, 请读者提高风险意识。

ZKML 整合 ZK 技术开启可验证 AI 的未来,将解锁哪些新应用场景?

零知识机器学习 ZKML有可能改变加密货币世界的格局,通过向智能合约加入人工智能功能,它可以解锁更复杂的链上应用。

Avant Blockchain Capital
Avant Blockchain Capital
热度 ...

原文标题:ZKML — Towards a Future of Verifiable AI

原文作者:Avant Blockchain Capital

原文来源:medium

编译:倩雯,ChainCatcher

背景介绍

在过去的几个月里,人工智能行业出现众多突破性进展。GPT4和稳定扩散等模型正在改变人们生产软件、互联网以及与之互动的方式。

尽管这些新的人工智能模型表现出杰出的性能,但一些人担心人工智能的不可预测性和对齐问题。例如,在线服务的世界中缺乏透明度,大部分的后台工作由人工智能模型运行。要验证这些模型的行为是否符合预期,将会是很大的挑战。此外,用户隐私也值得关注,提供给模型API的所有数据都可以被用来改进人工智能或者被黑客利用。

ZKML可能是这些问题的全新解决方案。通过向机器学习模型输入可验证和不可信任的属性,区块链和ZK技术可以形成能够实现人工智能对齐的框架。

什么是ZKML?

本文中的零知识机器学习(ZKML)是指使用zkSNARK(一种零知识证明)来证明机器学习推理的正确性,而不透露模型的输入或模型参数。根据信息是否私有,ZKML的用例可以分为以下类型:

公共模式+私人数据:

  • 具有隐私性的机器学习:ZKML可以用来训练和评估敏感数据上的机器学习模型,而不向其他人透露数据。这对于医疗诊断和金融欺诈检测等应用非常重要。我们还看到一些公司在生物识别数据认证上使用ZKML,以建立非机器人证明(proof of humanity)服务。
  • 证明:在一个大多数在线内容由人工智能生成的世界里,密码学可以作为一种来源保证内容真实。人们正在尝试使用ZKML来对抗深度造假问题。

私人模式+公共数据

  • 模型的真实性:ZKML可以用来确保机器学习模型的一致性。这对用户来说很重要,可以确保模型提供者没有偷懒使用成本较低的模型或被黑客攻击。
  • 去中心化的Kaggle:ZKML允许数据科学竞赛的参与者在公共测试数据上证明模型的准确性,而无需透露训练时的模型权重。

公共模型+公共数据

  • 去中心化推理:这种方法主要是利用ZKML的简洁性,将复杂的人工智能计算压缩到类似于ZK rollup的链上证明。这种方法可以将模型服务的成本分配给多个节点。

由于zkSNARK将成为加密货币世界一项非常重要的技术,ZKML也有可能改变加密货币世界的格局。通过向智能合约加入人工智能功能,ZKML可以解锁更复杂的链上应用。这种整合在ZKML社区内被描述为“为区块链装上双眼”。

技术瓶颈

但ZK-ML也面临几大技术挑战,当下亟待解决。

  • 量化:ZKP在场上工作,但神经网络是在浮点上训练的。这意味着为了使神经网络模型对zk/区块链友好,需要将其转换为具有完整计算轨迹的定点算术表示。这可能会牺牲模型的性能,因为参数的精度较低。
  • 跨语言翻译:神经网络人工智能模型使用python和cpp书写,而ZKP电路使用rust语言。所以我们需要翻译层来将模型转换成基于ZKP的运行时间。通常这种类型的翻译层需要基于特定模型,很难设计一个通用的翻译层。
  • ZKP的计算成本:基本上ZKP的成本会比原来的ML计算高很多。根据Modulus Labs的一个实验,对于一个拥有2000万个参数的模型,生成证明需要1-5分钟以上,内存消耗约为20-60GB,具体情况取决于ZK证明系统的情况。

发展现状

即使面临上述挑战,我们已经看到ZKML在加密货币社区引起关注,一些伟大的团队正在该领域探索。

基础设施

模型编译器

由于ZKML的主要瓶颈是将人工智能模型转换为ZK电路,一些团队正在研究ZK模型编译器等基础设施层。从一年前的逻辑回归模型或简单的CNN模型开始,该领域已经快速发展至更复杂的模型。

  • EZKL项目现在支持高达100mm参数的模型。它使用ONNX格式和halo2 ZKP系统。该库还支持只提交模型的一部分。
  • ZKML库已经支持GPT2、Bert和扩散模型的ZKP。

ZKVM

ZKML编译器也属于零知识虚拟机的普遍范畴之内。

关于【ZKML 整合 ZK 技术开启可验证 AI 的未来,将解锁哪些新应用场景?】的延伸阅读

  • 零知识机器学习(zkML)是链上AI的未来吗?(附优质项目介绍)

    区块链+AI是当前热门话题,零知识机器学习(zkML)被认为是保护数据隐私的解决方案。Spectral、Worldcoin、Risc Zero和Giza等项目都利用zkML来提高安全性和隐私性,目标是在区块链上扩展ML操作并提供MLaaS服务。Zero和Spice AI合作提供全面的zkML工具包,Giza利用zkML在Starknet上实现安全的金融策略执行,Vanna提供多种验证方式,未来可用于游戏、智能合约漏洞检测和风险预警。zkML目前存在局限性,可能只适用于小型ML模型,替代方案有opML和teeML。

  • ZKM CEO:通用 zkVM 如何实现网络效应?

    ZKM致力于将灵活性和适应性放在项目核心,通过建立独特的用例推动技术栈的采用。他们已发布Entangled Rollup LightPaper,详细介绍了用于联通区块链碎片化流动的互操作性机制。Entangled Rollup已成功支持以太坊和比特币网络之间的验证,并提供原生安全性和可持续收益。未来目标是统一多个生态系统的流动性,包括以太坊、比特币、Cosmos和Ton等网络。ZKM是一个底层基础设施项目,致力于提供最佳指导。

  • Risc Zero是一个使用开源RiscV指令集的zkVM,所以它可以支持C++和Rust的ZKP。该zkDTP项目展示了如何将决策树ML模型转换为rust并在Risc Zero上运行。
  • 我们也看到一些团队正在尝试用 Startnet(Giza) 和 Aleo (zero gravity)和将AI模型引入链上。

应用

除了基础设施方面的举措外,其他团队也开始探索ZKML的应用。

DeFi:

  • DeFi的一个用例是人工智能驱动的金库,其机制由人工智能模型而非一成不变的策略来确定。这些策略可以吸收链上和链下数据来预测市场趋势并执行交易。ZKML保证了链上模型的一致性。这可以使整个过程自动和无信任。Mondulus Labs正在建立RockyBot。该团队训练了一个链上人工智能模型来预测ETH价格,并建立了一个智能合约来自动与该模型进行交易。
  • 其他潜在的DeFi用例包括AI驱动的DEX和借贷协议。预言机还可以利用ZKML提供由链外数据产生的新型数据源。

游戏:

  • Modulus Labs推出基于ZKML的国际象棋游戏LeeLa,在该游戏中所有的用户一起与一个受ZK验证、由人工智能模型驱动的机器人对弈。人工智能可以为现有的完全链上游戏带来更多的互动功能。

NFT/创造者经济:

  • EIP-7007:该EIP提供了一个接口,可以使用ZKML来验证人工智能为NFT生成的内容是否确实来自使用一定输入(提示)的模型。该标准可以赋能人工智能生成的NFT集合,甚至为新类型的创作者经济注入动力。

身份:

  • Wordcoin项目正在提供一个基于用户生物识别信息的非机器人证明解决方案。该团队正在探索使用ZKML,让用户以无权限的方式生成IRIS(国际修复信息系统)代码。当生成IRIS码的算法升级后,用户可以下载模型并自行生成证明,而不需要前往对象请求代理站。

采用的关键

考虑到人工智能模型零知识证明的高成本。我们认为ZKML的采用可以从一些信任成本高的加密货币原生用例开始。

值得考虑的另一市场是数据隐私非常重要的行业,如医疗保健。尽管存在联合学习和安全MPC等其他解决方案,但ZKML拥有区块链可扩展激励网络的优势。

更广泛地大规模采用ZKML可能会是由于人们对现有大型人工智能供应商失去信任。是否会发生一些事件,从而提高整个行业的意识,促使用户考虑可验证的人工智能技术?

总结

ZKML仍然处于早期阶段,仍有许多挑战需要克服。但随着ZK技术的改进,我们认为人们很快就会发现几个具有强大产品市场适应性的ZKML用例。这些用例在开始时可能看起来十分小众。但随着中心化人工智能取得越来越多的发展,渗透到每个行业甚至人类生活中,人们可能会发现ZKML的更大价值。

如果你正在建立ZKML应用程序或基础设施,请在推特上联系@alanwwu我们将乐于与您交谈

免责声明:本文仅代表作者个人观点,不代表链观CHAINLOOK立场,不承担法律责任。文章及观点也不构成投资意见。请用户理性看待市场风险,以及遵守所在国家和地区的相关法律法规。
图文来源:Avant Blockchain Capital,如有侵权请联系删除。转载或引用请注明文章出处!

标签:

分享至
https://www.chainlook.cn/toutiao/1691122845.html

下一篇:

长推:盘点5个具有爆发潜力的GameFi项目

“到2027年,Web3 GameFi规模预计将增长至657亿美元。”

免责声明:
链观CHAINLOOK作为区块链技术应用与Web3行业研究的智库媒体,旨在为中国区块链专家、学者们提供最新的行业资讯信息与数据样本,用于区块链技术研究与创新。本站所发布的文章仅代表作者的个人观点,不代表链观CHAINLOOK官方立场,本站所发布的区块链行业研究报告与数据分析成果是通过人工智能算法对数据内容进行分析与归纳生成,不代表任何投资暗示与建议,链观CHAINLOOK不承担法律责任。

风险提示:
虚拟货币不具有法定货币等同的法律地位,参与虚拟货币投资交易存在法律风险,链观CHAINLOOK坚决反对各类代币炒作,请读者提高风险意识,理性看待区块链技术应用及市场风险。

© 链观CHAINLOOK All Rights Reserved. 京ICP备18054193号-5