A medida que la tecnología ZK mejora, se encontrarán varios casos de uso de zkML con un fuerte ajuste entre el producto y el mercado.
Escrito por: Avant Blockchain Capital
Compilación: Investigación GWEI
fondo
Los últimos meses han visto varios avances en la industria de la IA. Modelos como GPT4 y Stable Diffusion están cambiando la forma en que las personas construyen e interactúan con el software e Internet.
A pesar de las impresionantes capacidades de estos nuevos modelos de IA, algunos todavía se preocupan por la imprevisibilidad y la consistencia de la IA. Por ejemplo, hay una falta de transparencia en el mundo de los servicios en línea, donde la mayor parte del trabajo de back-end está a cargo de modelos de IA. Verificar que estos modelos funcionen como se espera es un desafío. Además, la privacidad del usuario es un problema, ya que todos los datos que proporcionamos a la API del modelo pueden usarse para mejorar la IA o ser explotados por piratas informáticos.
ZKML puede ser una nueva forma de resolver estos problemas. Al inyectar propiedades verificables y sin confianza en los modelos de aprendizaje automático, la cadena de bloques y la tecnología ZK pueden formar un marco para la alineación de la IA.
¿Qué es ZKML?
El aprendizaje automático de conocimiento cero (ZKML) en este documento se refiere al uso de zkSNARK (una prueba de conocimiento cero) para demostrar la exactitud del razonamiento del aprendizaje automático sin exponer las entradas o los parámetros del modelo. De acuerdo con la información de privacidad diferente, los casos de uso de ZKML se pueden dividir en los siguientes tipos:
Modelo público + datos privados:
Aprendizaje automático para preservar la privacidad: ZKML se puede usar para entrenar y evaluar modelos de aprendizaje automático en datos confidenciales sin revelar los datos a nadie más. Esto podría ser importante para aplicaciones como el diagnóstico médico y la detección de fraudes financieros. También hemos visto a algunos jugadores usar ZKML para crear servicios de prueba de humanidad en la autenticación de datos biométricos.
Prueba: en un mundo donde la IA genera la mayor parte del contenido en línea, la criptografía puede proporcionar una fuente de verdad. La gente está tratando de usar ZKML para resolver el problema de las falsificaciones profundas.
Modelo Privado + Datos Públicos:
Autenticidad del modelo: ZKML se puede utilizar para garantizar la coherencia de los modelos de aprendizaje automático. Esto puede ser importante para que los usuarios se aseguren de que los proveedores de modelos no utilicen con pereza modelos más baratos o sean pirateados.
Kaggle descentralizado: ZKML permite a los participantes en competencias de ciencia de datos probar la precisión de los modelos en datos de prueba públicos sin revelar los pesos del modelo en el entrenamiento
Modelo público + datos públicos:
Razonamiento descentralizado: este método utiliza principalmente las características concisas de ZKML para comprimir cálculos complejos de IA en pruebas en cadena similares a ZK rollup. Este enfoque puede distribuir el costo del servicio del modelo a varios nodos.
Dado que zkSNARK será una tecnología muy importante en el mundo de las criptomonedas, ZKML también tiene el potencial de cambiar el mundo de las criptomonedas. Al agregar capacidades de inteligencia artificial a los contratos inteligentes, ZKML puede desbloquear aplicaciones en cadena más complejas. Esta integración ha sido descrita en la comunidad ZKML como "dar ojos a la cadena de bloques".
Cuello de botella técnico
Sin embargo, ZK-ML presenta algunos desafíos técnicos que deben abordarse actualmente.
Cuantificación: los ZKP funcionan en campos, pero las redes neuronales están entrenadas en punto flotante. Esto significa que para que un modelo de red neuronal sea compatible con zk/blockchain, debe convertirse a una representación aritmética de punto fijo con seguimiento de cálculo completo. Esto puede sacrificar el rendimiento del modelo debido a la menor precisión de los parámetros.
Traducción entre idiomas: los modelos de IA de redes neuronales están escritos en python y cpp, mientras que los circuitos ZKP requieren oxidación. Entonces necesitamos una capa de traducción para convertir el modelo en un tiempo de ejecución basado en ZKP. Por lo general, este tipo de capa de traducción es específica del modelo y es difícil diseñar uno general.
Costo computacional de ZKP: el costo de ZKP básicamente será mucho más alto que el cálculo ML original. Según los experimentos de los laboratorios Modulus, para un modelo con 20M de parámetros, según diferentes sistemas de prueba ZK, se tarda más de 1 a 5 minutos en generar la prueba y el consumo de memoria es de alrededor de 20 a 60 GB.
Costo inteligente — Modulus Labs
status quo
Incluso con estos desafíos, hemos visto mucho interés en ZKML por parte de la comunidad criptográfica, y hay algunos buenos equipos que exploran este espacio.
infraestructura
Compilador de modelos
Dado que el principal cuello de botella de ZKML es convertir modelos de IA en circuitos ZK, algunos equipos están trabajando en capas base como compiladores de modelos ZK. Comenzando con modelos de regresión logística o modelos CNN simples hace 1 año, el campo ha progresado rápidamente hacia modelos más complejos.
El proyecto EZKL ahora admite modelos con parámetros de hasta 100 mm. Utiliza el formato ONNX y el sistema halo2 ZKP. La biblioteca también admite enviar solo una parte del modelo.
¡La biblioteca ZKML ya es compatible con ZKP para GPT2, Bert y modelos de difusión!
ZKVM
Los compiladores ZKML también caen en el ámbito de algunas de las máquinas virtuales de conocimiento cero más generales.
Risc Zero es un zkVM que utiliza el conjunto de instrucciones RiscV de código abierto, por lo que puede admitir ZKP de c ++ y rust. Este proyecto zkDTP muestra cómo convertir un modelo ML de árbol de decisión a Rust y ejecutarlo en Risc Zero.
También estamos viendo algunos equipos que intentan incorporar modelos de IA en cadena a través de Startnet (Giza) y Aleo (Zero Gravity).
Solicitud
Además de la infraestructura, otros equipos también han comenzado a explorar la aplicación de ZKML
Definición:
Un ejemplo de un caso de uso de DeFi es una bóveda impulsada por IA, donde los mecanismos están definidos por modelos de IA en lugar de políticas fijas. Estas estrategias pueden aprovechar los datos dentro y fuera de la cadena para predecir las tendencias del mercado y ejecutar operaciones. ZKML garantiza un modelo consistente en la cadena. Esto hace que todo el proceso sea automático y sin confianza. Mondulus Labs está construyendo RockyBot. El equipo entrenó un modelo de IA en cadena para predecir los precios de ETH y creó un contrato inteligente para realizar transacciones automáticamente con el modelo.
Otros posibles casos de uso de DeFi incluyen DEX impulsados por IA y protocolos de préstamo. Los oráculos también pueden aprovechar ZKML para proporcionar fuentes de datos novedosas generadas a partir de datos fuera de la cadena.
Juego de azar:
Modulus labs lanzó Leela, un juego de ajedrez basado en ZKML que todos los usuarios pueden jugar contra un bot impulsado por un modelo de IA validado por ZK. Las capacidades de la inteligencia artificial pueden aportar más funciones interactivas a los juegos totalmente encadenados existentes.
NFT/ Economía del creador:
EIP-7007: este EIP proporciona una interfaz para usar ZKML a fin de verificar que el contenido generado por IA para un NFT sea de un modelo específico con entradas específicas (sugerencias). El estándar podría habilitar colecciones de NFT generados por IA e incluso impulsar un nuevo tipo de economía creadora.
Flujo de trabajo del proyecto EIP-7007
Identidad:
El proyecto Wordcoin proporciona una solución de prueba de humanidad basada en la información biométrica del usuario. El equipo está explorando el uso de ZKML para permitir a los usuarios generar código Iris sin permiso. Cuando se actualiza el algoritmo que genera el código Iris, los usuarios pueden descargar el modelo y generar pruebas ellos mismos sin tener que ir a la estación Orb.
Clave adoptada
Considere el alto costo de las pruebas de conocimiento cero para los modelos de IA. Creemos que la adopción de ZKML puede comenzar con algunos casos de uso de criptonativos donde los costos de confianza son altos.
Otro mercado que deberíamos considerar son las industrias donde la privacidad de los datos es muy importante, como la atención médica. Para esto, existen otras soluciones, como el aprendizaje federado y el MPC seguro, pero ZKML puede aprovechar la red incentivada escalable de blockchain.
Una adopción masiva más amplia de ZKML puede depender de una pérdida de confianza en los grandes proveedores de IA existentes. ¿Habrá eventos que generen conciencia en toda la industria y animen a los usuarios a considerar tecnologías de IA verificables?
Resumir
ZKML aún está en sus inicios y hay muchos desafíos que superar. Pero a medida que la tecnología ZK mejora, creemos que las personas pronto encontrarán varios casos de uso para ZKML con un fuerte ajuste entre el producto y el mercado. Estos casos de uso pueden parecer adecuados al principio. Pero a medida que el poder de la inteligencia artificial centralizada crece y penetra en todas las industrias e incluso en la vida humana, las personas pueden encontrar un mayor valor en ZKML.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Explicando zkML: Hacia un futuro de inteligencia artificial verificable
Escrito por: Avant Blockchain Capital
Compilación: Investigación GWEI
fondo
Los últimos meses han visto varios avances en la industria de la IA. Modelos como GPT4 y Stable Diffusion están cambiando la forma en que las personas construyen e interactúan con el software e Internet.
A pesar de las impresionantes capacidades de estos nuevos modelos de IA, algunos todavía se preocupan por la imprevisibilidad y la consistencia de la IA. Por ejemplo, hay una falta de transparencia en el mundo de los servicios en línea, donde la mayor parte del trabajo de back-end está a cargo de modelos de IA. Verificar que estos modelos funcionen como se espera es un desafío. Además, la privacidad del usuario es un problema, ya que todos los datos que proporcionamos a la API del modelo pueden usarse para mejorar la IA o ser explotados por piratas informáticos.
ZKML puede ser una nueva forma de resolver estos problemas. Al inyectar propiedades verificables y sin confianza en los modelos de aprendizaje automático, la cadena de bloques y la tecnología ZK pueden formar un marco para la alineación de la IA.
¿Qué es ZKML?
El aprendizaje automático de conocimiento cero (ZKML) en este documento se refiere al uso de zkSNARK (una prueba de conocimiento cero) para demostrar la exactitud del razonamiento del aprendizaje automático sin exponer las entradas o los parámetros del modelo. De acuerdo con la información de privacidad diferente, los casos de uso de ZKML se pueden dividir en los siguientes tipos:
Modelo público + datos privados:
Modelo Privado + Datos Públicos:
Modelo público + datos públicos:
Dado que zkSNARK será una tecnología muy importante en el mundo de las criptomonedas, ZKML también tiene el potencial de cambiar el mundo de las criptomonedas. Al agregar capacidades de inteligencia artificial a los contratos inteligentes, ZKML puede desbloquear aplicaciones en cadena más complejas. Esta integración ha sido descrita en la comunidad ZKML como "dar ojos a la cadena de bloques".
Cuello de botella técnico
Sin embargo, ZK-ML presenta algunos desafíos técnicos que deben abordarse actualmente.
Cuantificación: los ZKP funcionan en campos, pero las redes neuronales están entrenadas en punto flotante. Esto significa que para que un modelo de red neuronal sea compatible con zk/blockchain, debe convertirse a una representación aritmética de punto fijo con seguimiento de cálculo completo. Esto puede sacrificar el rendimiento del modelo debido a la menor precisión de los parámetros.
Traducción entre idiomas: los modelos de IA de redes neuronales están escritos en python y cpp, mientras que los circuitos ZKP requieren oxidación. Entonces necesitamos una capa de traducción para convertir el modelo en un tiempo de ejecución basado en ZKP. Por lo general, este tipo de capa de traducción es específica del modelo y es difícil diseñar uno general.
Costo computacional de ZKP: el costo de ZKP básicamente será mucho más alto que el cálculo ML original. Según los experimentos de los laboratorios Modulus, para un modelo con 20M de parámetros, según diferentes sistemas de prueba ZK, se tarda más de 1 a 5 minutos en generar la prueba y el consumo de memoria es de alrededor de 20 a 60 GB.
Costo inteligente — Modulus Labs
status quo
Incluso con estos desafíos, hemos visto mucho interés en ZKML por parte de la comunidad criptográfica, y hay algunos buenos equipos que exploran este espacio.
infraestructura
Compilador de modelos
Dado que el principal cuello de botella de ZKML es convertir modelos de IA en circuitos ZK, algunos equipos están trabajando en capas base como compiladores de modelos ZK. Comenzando con modelos de regresión logística o modelos CNN simples hace 1 año, el campo ha progresado rápidamente hacia modelos más complejos.
ZKVM
Los compiladores ZKML también caen en el ámbito de algunas de las máquinas virtuales de conocimiento cero más generales.
Solicitud
Además de la infraestructura, otros equipos también han comenzado a explorar la aplicación de ZKML
Definición:
Un ejemplo de un caso de uso de DeFi es una bóveda impulsada por IA, donde los mecanismos están definidos por modelos de IA en lugar de políticas fijas. Estas estrategias pueden aprovechar los datos dentro y fuera de la cadena para predecir las tendencias del mercado y ejecutar operaciones. ZKML garantiza un modelo consistente en la cadena. Esto hace que todo el proceso sea automático y sin confianza. Mondulus Labs está construyendo RockyBot. El equipo entrenó un modelo de IA en cadena para predecir los precios de ETH y creó un contrato inteligente para realizar transacciones automáticamente con el modelo.
Otros posibles casos de uso de DeFi incluyen DEX impulsados por IA y protocolos de préstamo. Los oráculos también pueden aprovechar ZKML para proporcionar fuentes de datos novedosas generadas a partir de datos fuera de la cadena.
Juego de azar:
Modulus labs lanzó Leela, un juego de ajedrez basado en ZKML que todos los usuarios pueden jugar contra un bot impulsado por un modelo de IA validado por ZK. Las capacidades de la inteligencia artificial pueden aportar más funciones interactivas a los juegos totalmente encadenados existentes.
NFT/ Economía del creador:
EIP-7007: este EIP proporciona una interfaz para usar ZKML a fin de verificar que el contenido generado por IA para un NFT sea de un modelo específico con entradas específicas (sugerencias). El estándar podría habilitar colecciones de NFT generados por IA e incluso impulsar un nuevo tipo de economía creadora.
Flujo de trabajo del proyecto EIP-7007
Identidad:
El proyecto Wordcoin proporciona una solución de prueba de humanidad basada en la información biométrica del usuario. El equipo está explorando el uso de ZKML para permitir a los usuarios generar código Iris sin permiso. Cuando se actualiza el algoritmo que genera el código Iris, los usuarios pueden descargar el modelo y generar pruebas ellos mismos sin tener que ir a la estación Orb.
Clave adoptada
Considere el alto costo de las pruebas de conocimiento cero para los modelos de IA. Creemos que la adopción de ZKML puede comenzar con algunos casos de uso de criptonativos donde los costos de confianza son altos.
Otro mercado que deberíamos considerar son las industrias donde la privacidad de los datos es muy importante, como la atención médica. Para esto, existen otras soluciones, como el aprendizaje federado y el MPC seguro, pero ZKML puede aprovechar la red incentivada escalable de blockchain.
Una adopción masiva más amplia de ZKML puede depender de una pérdida de confianza en los grandes proveedores de IA existentes. ¿Habrá eventos que generen conciencia en toda la industria y animen a los usuarios a considerar tecnologías de IA verificables?
Resumir
ZKML aún está en sus inicios y hay muchos desafíos que superar. Pero a medida que la tecnología ZK mejora, creemos que las personas pronto encontrarán varios casos de uso para ZKML con un fuerte ajuste entre el producto y el mercado. Estos casos de uso pueden parecer adecuados al principio. Pero a medida que el poder de la inteligencia artificial centralizada crece y penetra en todas las industrias e incluso en la vida humana, las personas pueden encontrar un mayor valor en ZKML.