مع تحسن تقنية ZK ، سيجد المرء العديد من حالات استخدام zkML ذات ملاءمة قوية لسوق المنتج.
** بقلم: أفانت بلوكتشين كابيتال **
** التجميع: GWEI Research **
خلفية
شهدت الأشهر القليلة الماضية العديد من الاختراقات في صناعة الذكاء الاصطناعي. تعمل نماذج مثل GPT4 و Stable Diffusion على تغيير طريقة بناء الأشخاص وتفاعلهم مع البرامج والإنترنت.
على الرغم من القدرات الرائعة لنماذج الذكاء الاصطناعي الجديدة هذه ، لا يزال البعض قلقًا بشأن عدم القدرة على التنبؤ واتساق الذكاء الاصطناعي. على سبيل المثال ، هناك نقص في الشفافية في عالم الخدمات عبر الإنترنت ، حيث يتم تشغيل معظم أعمال الواجهة الخلفية بواسطة نماذج الذكاء الاصطناعي. التحقق من أن هذه النماذج تعمل كما هو متوقع يمثل تحديًا. أيضًا ، تعد خصوصية المستخدم مشكلة حيث يمكن استخدام جميع البيانات التي نقدمها لنموذج API لتحسين الذكاء الاصطناعي أو استغلالها من قبل المتسللين.
قد يكون ZKML طريقة جديدة لحل هذه المشاكل. من خلال حقن خصائص يمكن التحقق منها وغير موثوقة في نماذج التعلم الآلي ، يمكن أن تشكل تقنية blockchain و ZK إطارًا لمحاذاة الذكاء الاصطناعي.
ما هو ZKML
يشير التعلم الآلي للمعرفة الصفرية (ZKML) في هذه الورقة إلى استخدام zkSNARKs (إثبات عدم المعرفة) لإثبات صحة منطق التعلم الآلي دون الكشف عن مدخلات النموذج أو معلمات النموذج. وفقًا لمعلومات الخصوصية المختلفة ، يمكن تقسيم حالات استخدام ZKML إلى الأنواع التالية:
النموذج العام + البيانات الخاصة:
التعلم الآلي للحفاظ على الخصوصية: يمكن استخدام ZKML لتدريب وتقييم نماذج التعلم الآلي على البيانات الحساسة دون الكشف عن البيانات لأي شخص آخر. قد يكون هذا مهمًا للتطبيقات مثل التشخيص الطبي واكتشاف الاحتيال المالي. لقد رأينا أيضًا أن بعض اللاعبين يستخدمون ZKML لبناء خدمات إثبات الإنسانية على مصادقة البيانات البيومترية.
إثبات: في عالم يتم فيه إنشاء معظم المحتوى عبر الإنترنت بواسطة الذكاء الاصطناعي ، يمكن أن يوفر التشفير مصدرًا للحقيقة. يحاول الناس استخدام ZKML لحل مشكلة التزييف العميق.
النموذج الخاص + البيانات العامة:
أصالة النموذج: يمكن استخدام ZKML لضمان اتساق نماذج التعلم الآلي. قد يكون هذا مهمًا للمستخدمين للتأكد من أن موفري النماذج لا يستخدمون نماذج أرخص أو يتعرضون للاختراق.
Kaggle اللامركزية: يسمح ZKML للمشاركين في مسابقات علوم البيانات بإثبات دقة النماذج على بيانات الاختبار العامة دون الكشف عن أوزان النموذج في التدريب
النموذج العام + البيانات العامة:
الاستدلال اللامركزي: تستخدم هذه الطريقة بشكل أساسي الخصائص الموجزة لـ ZKML لضغط حسابات الذكاء الاصطناعي المعقدة في براهين متسلسلة مشابهة لـ ZK rollup. هذا النهج يمكن أن يوزع تكلفة النموذج الذي يخدم العقد المتعددة.
نظرًا لأن zkSNARKs ستكون تقنية مهمة جدًا في عالم التشفير ، فإن ZKML لديها القدرة على تغيير عالم التشفير أيضًا. من خلال إضافة قدرات الذكاء الاصطناعي إلى العقود الذكية ، يمكن لـ ZKML فتح تطبيقات أكثر تعقيدًا على السلسلة. تم وصف هذا التكامل في مجتمع ZKML بأنه "يوجه النظر إلى blockchain".
الاختناق الفني
ومع ذلك ، تقدم ZK-ML بعض التحديات التقنية التي يجب معالجتها حاليًا.
التكميم: تعمل ZKP في الحقول ، ولكن يتم تدريب الشبكات العصبية على النقطة العائمة. هذا يعني أنه من أجل أن يكون نموذج الشبكة العصبية مناسبًا لـ zk / blockchain ، يجب تحويله إلى تمثيل حسابي بنقطة ثابتة مع تتبع حسابي كامل. قد يؤدي هذا إلى التضحية بأداء النموذج بسبب انخفاض دقة المعلمات.
الترجمة عبر اللغات: تتم كتابة نماذج AI للشبكة العصبية بلغة python و cpp ، بينما تتطلب دوائر ZKP الصدأ. لذلك نحن بحاجة إلى طبقة ترجمة لتحويل النموذج إلى وقت تشغيل يعتمد على ZKP. عادةً ما يكون هذا النوع من طبقات الترجمة خاصًا بالنموذج ومن الصعب تصميم طبقة عامة.
التكلفة الحسابية لـ ZKP: ستكون تكلفة ZKP أعلى بكثير من حساب ML الأصلي. وفقًا لتجارب معامل Modulus ، بالنسبة لنموذج به معلمات 20 مليونًا ، وفقًا لأنظمة إثبات ZK المختلفة ، يستغرق الأمر أكثر من 1-5 دقائق لإنشاء الدليل ، واستهلاك الذاكرة حوالي 20-60 جيجابايت.
التكلفة الذكية - معامل المعامل *
الوضع الراهن
حتى مع هذه التحديات ، رأينا الكثير من الاهتمام بـ ZKML من مجتمع التشفير ، وهناك بعض الفرق الجيدة التي تستكشف هذه المساحة.
بنية تحتية
نموذج مترجم
نظرًا لأن عنق الزجاجة الرئيسي لـ ZKML هو تحويل نماذج AI إلى دوائر ZK ، تعمل بعض الفرق على طبقات أساسية مثل مجمعي نماذج ZK. بدءًا من نماذج الانحدار اللوجستي أو نماذج CNN البسيطة منذ عام واحد ، تقدم المجال سريعًا إلى نماذج أكثر تعقيدًا.
يدعم مشروع EZKL الآن نماذج تصل إلى معلمات 100 مم. يستخدم تنسيق ONNX ونظام halo2 ZKP. تدعم المكتبة أيضًا إرسال جزء فقط من النموذج.
تدعم مكتبة ZKML بالفعل ZKP لنماذج GPT2 و Bert والنشر!
ZKVM
تقع برامج التحويل البرمجي لـ ZKML أيضًا في عالم بعض الأجهزة الظاهرية ذات المعرفة الصفرية الأكثر عمومية.
Risc Zero عبارة عن zkVM باستخدام مجموعة تعليمات RiscV مفتوحة المصدر ، لذا يمكنها دعم ZKP لـ ++ c والصدأ. يوضح مشروع zkDTP هذا كيفية تحويل نموذج ML لشجرة القرار إلى Rust وتشغيله على Risc Zero.
نشهد أيضًا بعض الفرق تحاول إدخال نماذج الذكاء الاصطناعي في السلسلة عبر Startnet (الجيزة) و Aleo (Zero Gravity).
طلب
بالإضافة إلى البنية التحتية ، بدأت فرق أخرى أيضًا في استكشاف تطبيق ZKML
** ديفي: **
مثال على حالة استخدام DeFi هو قبو يحركه الذكاء الاصطناعي ، حيث يتم تحديد الآليات بواسطة نماذج الذكاء الاصطناعي بدلاً من السياسات الثابتة. يمكن لهذه الاستراتيجيات الاستفادة من البيانات الموجودة على السلسلة وخارجها للتنبؤ باتجاهات السوق وتنفيذ التداولات. يضمن ZKML نموذجًا ثابتًا على السلسلة. هذا يجعل العملية برمتها تلقائية وغير موثوق بها. تقوم شركة Mondulus Labs ببناء RockyBot. قام الفريق بتدريب نموذج ذكاء اصطناعي على السلسلة للتنبؤ بأسعار ETH وقام ببناء عقد ذكي للتعامل تلقائيًا مع النموذج.
تشمل حالات استخدام DeFi المحتملة الأخرى DEX التي تعمل بالذكاء الاصطناعي وبروتوكولات الإقراض. يمكن لـ Oracles أيضًا الاستفادة من ZKML لتوفير مصادر بيانات جديدة تم إنشاؤها من بيانات خارج السلسلة.
** اللعب: **
أطلقت معامل Modulus Leela ، وهي لعبة شطرنج تعتمد على ZKML ويمكن لجميع المستخدمين لعبها ضد روبوت مدعوم بنموذج AI معتمد من ZK. يمكن أن توفر قدرات الذكاء الاصطناعي المزيد من الوظائف التفاعلية للألعاب الحالية ذات السلاسل الكاملة.
** NFT / اقتصاد الخالق: **
EIP-7007: يوفر EIP هذا واجهة لاستخدام ZKML للتحقق من أن المحتوى الذي تم إنشاؤه بواسطة AI لـ NFT هو بالفعل من نموذج محدد مع مدخلات محددة (تلميحات). يمكن للمعيار أن يمكّن مجموعات من NFT التي تم إنشاؤها بواسطة الذكاء الاصطناعي ، بل ويمكن أن يدعم نوعًا جديدًا من اقتصاد المبدعين.
EIP-7007 سير عمل المشروع *
هوية:
يقدم مشروع Wordcoin حلاً لإثبات الإنسانية بناءً على معلومات القياسات الحيوية للمستخدم. يستكشف الفريق استخدام ZKML للسماح للمستخدمين بإنشاء كود Iris بدون إذن. عندما تتم ترقية الخوارزمية التي تولد رمز Iris ، يمكن للمستخدمين تنزيل النموذج وإنشاء البراهين بأنفسهم دون الذهاب إلى محطة Orb.
مفتاح معتمد
ضع في اعتبارك التكلفة العالية لإثباتات انعدام المعرفة لنماذج الذكاء الاصطناعي. نعتقد أن اعتماد ZKML يمكن أن يبدأ ببعض حالات استخدام التشفير الأصلي حيث تكون تكاليف الثقة مرتفعة.
سوق آخر يجب أن نفكر فيه هو الصناعات التي تكون فيها خصوصية البيانات مهمة جدًا ، مثل الرعاية الصحية. لهذا ، هناك حلول أخرى مثل التعلم الموحد و MPC الآمن ، لكن ZKML يمكنه الاستفادة من شبكة blockchain المحفزة القابلة للتطوير.
قد يعتمد التبني الواسع النطاق لـ ZKML على فقدان الثقة في مزودي الذكاء الاصطناعي الكبار الحاليين. هل ستكون هناك أحداث ترفع الوعي في جميع أنحاء الصناعة وتحث المستخدمين على التفكير في تقنيات الذكاء الاصطناعي التي يمكن التحقق منها؟
لخص
لا يزال ZKML في أيامه الأولى وهناك العديد من التحديات التي يجب التغلب عليها. ولكن مع تحسن تقنية ZK ، نعتقد أن الأشخاص سيجدون قريبًا عدة حالات استخدام لـ ZKML مع ملاءمة قوية لسوق المنتج. قد تبدو حالات الاستخدام هذه مناسبة في البداية. ولكن مع نمو قوة الذكاء الاصطناعي المركزي وتغلغل في كل صناعة وحتى حياة الإنسان ، قد يجد الناس قيمة أكبر في ZKML.
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
شرح zkML: نحو مستقبل ذكاء اصطناعي يمكن التحقق منه
** بقلم: أفانت بلوكتشين كابيتال **
** التجميع: GWEI Research **
خلفية
شهدت الأشهر القليلة الماضية العديد من الاختراقات في صناعة الذكاء الاصطناعي. تعمل نماذج مثل GPT4 و Stable Diffusion على تغيير طريقة بناء الأشخاص وتفاعلهم مع البرامج والإنترنت.
على الرغم من القدرات الرائعة لنماذج الذكاء الاصطناعي الجديدة هذه ، لا يزال البعض قلقًا بشأن عدم القدرة على التنبؤ واتساق الذكاء الاصطناعي. على سبيل المثال ، هناك نقص في الشفافية في عالم الخدمات عبر الإنترنت ، حيث يتم تشغيل معظم أعمال الواجهة الخلفية بواسطة نماذج الذكاء الاصطناعي. التحقق من أن هذه النماذج تعمل كما هو متوقع يمثل تحديًا. أيضًا ، تعد خصوصية المستخدم مشكلة حيث يمكن استخدام جميع البيانات التي نقدمها لنموذج API لتحسين الذكاء الاصطناعي أو استغلالها من قبل المتسللين.
قد يكون ZKML طريقة جديدة لحل هذه المشاكل. من خلال حقن خصائص يمكن التحقق منها وغير موثوقة في نماذج التعلم الآلي ، يمكن أن تشكل تقنية blockchain و ZK إطارًا لمحاذاة الذكاء الاصطناعي.
ما هو ZKML
يشير التعلم الآلي للمعرفة الصفرية (ZKML) في هذه الورقة إلى استخدام zkSNARKs (إثبات عدم المعرفة) لإثبات صحة منطق التعلم الآلي دون الكشف عن مدخلات النموذج أو معلمات النموذج. وفقًا لمعلومات الخصوصية المختلفة ، يمكن تقسيم حالات استخدام ZKML إلى الأنواع التالية:
النموذج العام + البيانات الخاصة:
النموذج الخاص + البيانات العامة:
النموذج العام + البيانات العامة:
نظرًا لأن zkSNARKs ستكون تقنية مهمة جدًا في عالم التشفير ، فإن ZKML لديها القدرة على تغيير عالم التشفير أيضًا. من خلال إضافة قدرات الذكاء الاصطناعي إلى العقود الذكية ، يمكن لـ ZKML فتح تطبيقات أكثر تعقيدًا على السلسلة. تم وصف هذا التكامل في مجتمع ZKML بأنه "يوجه النظر إلى blockchain".
الاختناق الفني
ومع ذلك ، تقدم ZK-ML بعض التحديات التقنية التي يجب معالجتها حاليًا.
التكميم: تعمل ZKP في الحقول ، ولكن يتم تدريب الشبكات العصبية على النقطة العائمة. هذا يعني أنه من أجل أن يكون نموذج الشبكة العصبية مناسبًا لـ zk / blockchain ، يجب تحويله إلى تمثيل حسابي بنقطة ثابتة مع تتبع حسابي كامل. قد يؤدي هذا إلى التضحية بأداء النموذج بسبب انخفاض دقة المعلمات.
الترجمة عبر اللغات: تتم كتابة نماذج AI للشبكة العصبية بلغة python و cpp ، بينما تتطلب دوائر ZKP الصدأ. لذلك نحن بحاجة إلى طبقة ترجمة لتحويل النموذج إلى وقت تشغيل يعتمد على ZKP. عادةً ما يكون هذا النوع من طبقات الترجمة خاصًا بالنموذج ومن الصعب تصميم طبقة عامة.
التكلفة الحسابية لـ ZKP: ستكون تكلفة ZKP أعلى بكثير من حساب ML الأصلي. وفقًا لتجارب معامل Modulus ، بالنسبة لنموذج به معلمات 20 مليونًا ، وفقًا لأنظمة إثبات ZK المختلفة ، يستغرق الأمر أكثر من 1-5 دقائق لإنشاء الدليل ، واستهلاك الذاكرة حوالي 20-60 جيجابايت.
الوضع الراهن
حتى مع هذه التحديات ، رأينا الكثير من الاهتمام بـ ZKML من مجتمع التشفير ، وهناك بعض الفرق الجيدة التي تستكشف هذه المساحة.
بنية تحتية
نموذج مترجم
نظرًا لأن عنق الزجاجة الرئيسي لـ ZKML هو تحويل نماذج AI إلى دوائر ZK ، تعمل بعض الفرق على طبقات أساسية مثل مجمعي نماذج ZK. بدءًا من نماذج الانحدار اللوجستي أو نماذج CNN البسيطة منذ عام واحد ، تقدم المجال سريعًا إلى نماذج أكثر تعقيدًا.
ZKVM
تقع برامج التحويل البرمجي لـ ZKML أيضًا في عالم بعض الأجهزة الظاهرية ذات المعرفة الصفرية الأكثر عمومية.
طلب
بالإضافة إلى البنية التحتية ، بدأت فرق أخرى أيضًا في استكشاف تطبيق ZKML
** ديفي: **
مثال على حالة استخدام DeFi هو قبو يحركه الذكاء الاصطناعي ، حيث يتم تحديد الآليات بواسطة نماذج الذكاء الاصطناعي بدلاً من السياسات الثابتة. يمكن لهذه الاستراتيجيات الاستفادة من البيانات الموجودة على السلسلة وخارجها للتنبؤ باتجاهات السوق وتنفيذ التداولات. يضمن ZKML نموذجًا ثابتًا على السلسلة. هذا يجعل العملية برمتها تلقائية وغير موثوق بها. تقوم شركة Mondulus Labs ببناء RockyBot. قام الفريق بتدريب نموذج ذكاء اصطناعي على السلسلة للتنبؤ بأسعار ETH وقام ببناء عقد ذكي للتعامل تلقائيًا مع النموذج.
تشمل حالات استخدام DeFi المحتملة الأخرى DEX التي تعمل بالذكاء الاصطناعي وبروتوكولات الإقراض. يمكن لـ Oracles أيضًا الاستفادة من ZKML لتوفير مصادر بيانات جديدة تم إنشاؤها من بيانات خارج السلسلة.
** اللعب: **
أطلقت معامل Modulus Leela ، وهي لعبة شطرنج تعتمد على ZKML ويمكن لجميع المستخدمين لعبها ضد روبوت مدعوم بنموذج AI معتمد من ZK. يمكن أن توفر قدرات الذكاء الاصطناعي المزيد من الوظائف التفاعلية للألعاب الحالية ذات السلاسل الكاملة.
** NFT / اقتصاد الخالق: **
EIP-7007: يوفر EIP هذا واجهة لاستخدام ZKML للتحقق من أن المحتوى الذي تم إنشاؤه بواسطة AI لـ NFT هو بالفعل من نموذج محدد مع مدخلات محددة (تلميحات). يمكن للمعيار أن يمكّن مجموعات من NFT التي تم إنشاؤها بواسطة الذكاء الاصطناعي ، بل ويمكن أن يدعم نوعًا جديدًا من اقتصاد المبدعين.
هوية:
يقدم مشروع Wordcoin حلاً لإثبات الإنسانية بناءً على معلومات القياسات الحيوية للمستخدم. يستكشف الفريق استخدام ZKML للسماح للمستخدمين بإنشاء كود Iris بدون إذن. عندما تتم ترقية الخوارزمية التي تولد رمز Iris ، يمكن للمستخدمين تنزيل النموذج وإنشاء البراهين بأنفسهم دون الذهاب إلى محطة Orb.
مفتاح معتمد
ضع في اعتبارك التكلفة العالية لإثباتات انعدام المعرفة لنماذج الذكاء الاصطناعي. نعتقد أن اعتماد ZKML يمكن أن يبدأ ببعض حالات استخدام التشفير الأصلي حيث تكون تكاليف الثقة مرتفعة.
سوق آخر يجب أن نفكر فيه هو الصناعات التي تكون فيها خصوصية البيانات مهمة جدًا ، مثل الرعاية الصحية. لهذا ، هناك حلول أخرى مثل التعلم الموحد و MPC الآمن ، لكن ZKML يمكنه الاستفادة من شبكة blockchain المحفزة القابلة للتطوير.
قد يعتمد التبني الواسع النطاق لـ ZKML على فقدان الثقة في مزودي الذكاء الاصطناعي الكبار الحاليين. هل ستكون هناك أحداث ترفع الوعي في جميع أنحاء الصناعة وتحث المستخدمين على التفكير في تقنيات الذكاء الاصطناعي التي يمكن التحقق منها؟
لخص
لا يزال ZKML في أيامه الأولى وهناك العديد من التحديات التي يجب التغلب عليها. ولكن مع تحسن تقنية ZK ، نعتقد أن الأشخاص سيجدون قريبًا عدة حالات استخدام لـ ZKML مع ملاءمة قوية لسوق المنتج. قد تبدو حالات الاستخدام هذه مناسبة في البداية. ولكن مع نمو قوة الذكاء الاصطناعي المركزي وتغلغل في كل صناعة وحتى حياة الإنسان ، قد يجد الناس قيمة أكبر في ZKML.