Au fur et à mesure que la technologie ZK s'améliore, on trouvera plusieurs cas d'utilisation de zkML avec une forte adéquation produit-marché.
Écrit par : Avant Blockchain Capital
Compilation : Recherche GWEI
arrière-plan
Les derniers mois ont vu plusieurs percées dans l'industrie de l'IA. Des modèles comme GPT4 et Stable Diffusion changent la façon dont les gens créent et interagissent avec les logiciels et Internet.
Malgré les capacités impressionnantes de ces nouveaux modèles d'IA, certains s'inquiètent encore de l'imprévisibilité et de la cohérence de l'IA. Par exemple, il y a un manque de transparence dans le monde des services en ligne, où la plupart du travail de backend est géré par des modèles d'IA. Vérifier que ces modèles fonctionnent comme prévu est un défi. De plus, la confidentialité des utilisateurs est un problème car toutes les données que nous fournissons à l'API modèle peuvent être utilisées pour améliorer l'IA ou être exploitées par des pirates.
ZKML peut être une nouvelle façon de résoudre ces problèmes. En injectant des propriétés vérifiables et sans confiance dans les modèles d'apprentissage automatique, la technologie blockchain et ZK peut former un cadre pour l'alignement de l'IA.
Qu'est-ce que ZKML
L'apprentissage automatique à connaissance nulle (ZKML) dans cet article fait référence à l'utilisation de zkSNARK (une preuve à connaissance nulle) pour prouver l'exactitude du raisonnement de l'apprentissage automatique sans exposer les entrées ou les paramètres du modèle. Selon différentes informations de confidentialité, les cas d'utilisation de ZKML peuvent être divisés en types suivants :
Modèle public + données privées :
Apprentissage automatique préservant la confidentialité : ZKML peut être utilisé pour former et évaluer des modèles d'apprentissage automatique sur des données sensibles sans révéler les données à qui que ce soit d'autre. Cela pourrait être important pour des applications telles que les diagnostics médicaux et la détection des fraudes financières. Nous avons également vu certains acteurs utiliser ZKML pour créer des services de preuve d'humanité sur l'authentification des données biométriques.
Preuve : dans un monde où la plupart des contenus en ligne sont générés par l'IA, la cryptographie peut fournir une source de vérité. Les gens essaient d'utiliser ZKML pour résoudre le problème du deepfake.
Modèle privé + données publiques :
Authenticité du modèle : ZKML peut être utilisé pour assurer la cohérence des modèles d'apprentissage automatique. Cela peut être important pour les utilisateurs afin de s'assurer que les fournisseurs de modèles n'utilisent pas paresseusement des modèles moins chers ou ne se font pas pirater.
Kaggle décentralisé : ZKML permet aux participants aux compétitions de science des données de prouver l'exactitude des modèles sur des données de test publiques sans révéler les poids des modèles lors de la formation
Modèle public + données publiques :
Raisonnement décentralisé : cette méthode utilise principalement les caractéristiques concises de ZKML pour compresser des calculs d'IA complexes en preuves en chaîne similaires au cumul ZK. Cette approche peut répartir le coût du service de modèle sur plusieurs nœuds.
Étant donné que les zkSNARK vont être une technologie très importante dans le monde de la cryptographie, ZKML a également le potentiel de changer le monde de la cryptographie. En ajoutant des capacités d'IA aux contrats intelligents, ZKML peut déverrouiller des applications en chaîne plus complexes. Cette intégration a été décrite dans la communauté ZKML comme "donnant des yeux sur la blockchain".
Goulot d'étranglement technique
Cependant, ZK-ML présente certains défis techniques qui doivent actuellement être résolus.
Quantification : les ZKP fonctionnent sur des champs, mais les réseaux de neurones sont entraînés en virgule flottante. Cela signifie que pour qu'un modèle de réseau neuronal soit compatible avec zk/blockchain, il doit être converti en une représentation arithmétique à virgule fixe avec un suivi complet des calculs. Cela peut sacrifier les performances du modèle en raison de la moindre précision des paramètres.
Traduction inter-langues : les modèles d'IA de réseau neuronal sont écrits en python et cpp, tandis que les circuits ZKP nécessitent de la rouille. Nous avons donc besoin d'une couche de traduction pour convertir le modèle en un environnement d'exécution basé sur ZKP. Habituellement, ce type de couche de traduction est spécifique au modèle et il est difficile d'en concevoir une générale.
Coût de calcul de ZKP : Le coût de ZKP sera fondamentalement beaucoup plus élevé que le calcul ML d'origine. Selon les expériences des laboratoires Modulus, pour un modèle avec des paramètres de 20M, selon différents systèmes de preuve ZK, il faut plus de 1 à 5 minutes pour générer la preuve, et la consommation de mémoire est d'environ 20 à 60 Go.
Coût intelligent — Modulus Labs
Status Quo
Même avec ces défis, nous avons vu beaucoup d'intérêt pour ZKML de la part de la communauté crypto, et il y a de bonnes équipes qui explorent cet espace.
Infrastructure
Compilateur de modèles
Étant donné que le principal goulot d'étranglement de ZKML est la conversion des modèles d'IA en circuits ZK, certaines équipes travaillent sur des couches de base telles que les compilateurs de modèles ZK. Commençant par des modèles de régression logistique ou des modèles CNN simples il y a 1 an, le domaine a rapidement évolué vers des modèles plus complexes.
Le projet EZKL prend désormais en charge les modèles jusqu'à 100 mm de paramètres. Il utilise le format ONNX et le système halo2 ZKP. La bibliothèque prend également en charge la soumission d'une partie seulement du modèle.
La bibliothèque ZKML supporte déjà ZKP pour GPT2, Bert et les modèles de diffusion !
### ZKVM
Les compilateurs ZKML entrent également dans le domaine de certaines des machines virtuelles à connaissance nulle les plus générales.
Risc Zero est un zkVM utilisant le jeu d'instructions open source RiscV, il peut donc prendre en charge ZKP de c++ et de rouille. Ce projet zkDTP montre comment convertir un modèle ML d'arbre de décision en Rust et l'exécuter sur Risc Zero.
Nous voyons également certaines équipes essayer de mettre en chaîne des modèles d'IA via Startnet (Giza) et Aleo (Zero Gravity).
Application
En plus de l'infrastructure, d'autres équipes ont également commencé à explorer l'application de ZKML
Défi :
Un exemple de cas d'utilisation DeFi est un coffre-fort piloté par l'IA, où les mécanismes sont définis par des modèles d'IA plutôt que par des politiques fixes. Ces stratégies peuvent tirer parti des données en chaîne et hors chaîne pour prédire les tendances du marché et exécuter des transactions. ZKML garantit un modèle cohérent sur la chaîne. Cela rend l'ensemble du processus automatique et sans confiance. Mondulus Labs construit RockyBot. L'équipe a formé un modèle d'IA en chaîne pour prédire les prix des ETH et a construit un contrat intelligent pour effectuer automatiquement des transactions avec le modèle.
D'autres cas d'utilisation potentiels de DeFi incluent les DEX alimentés par l'IA et les protocoles de prêt. Les oracles peuvent également tirer parti de ZKML pour fournir de nouvelles sources de données générées à partir de données hors chaîne.
Jeux :
Les laboratoires Modulus ont lancé Leela, un jeu d'échecs basé sur ZKML auquel tous les utilisateurs peuvent jouer contre un bot propulsé par un modèle d'IA validé par ZK. Les capacités d'intelligence artificielle peuvent apporter des fonctions plus interactives aux jeux entièrement chaînés existants.
NFT/Économie des créateurs :
EIP-7007 : Cet EIP fournit une interface pour utiliser ZKML afin de vérifier que le contenu généré par l'IA pour un NFT provient bien d'un modèle spécifique avec des entrées spécifiques (indices). La norme pourrait permettre des collections de NFT générés par l'IA et même alimenter un nouveau type d'économie de créateurs.
Flux de travail du projet EIP-7007 *
Identité:
Le projet Wordcoin fournit une solution de preuve d'humanité basée sur les informations biométriques de l'utilisateur. L'équipe explore l'utilisation de ZKML pour permettre aux utilisateurs de générer du code Iris sans autorisation. Lorsque l'algorithme qui génère le code Iris est mis à jour, les utilisateurs peuvent télécharger le modèle et générer eux-mêmes des preuves sans passer par la station Orb.
Clé adoptée
Considérez le coût élevé des preuves à connaissance nulle pour les modèles d'IA. Nous pensons que l'adoption de ZKML peut commencer par certains cas d'utilisation crypto-natifs où les coûts de confiance sont élevés.
Un autre marché que nous devrions considérer est celui des industries où la confidentialité des données est très importante, comme les soins de santé. Pour cela, il existe d'autres solutions telles que l'apprentissage fédéré et le MPC sécurisé, mais ZKML peut tirer parti du réseau incitatif évolutif de la blockchain.
Une adoption massive plus large de ZKML peut dépendre d'une perte de confiance dans les grands fournisseurs d'IA existants. Y aura-t-il des événements qui sensibiliseront l'ensemble de l'industrie et inciteront les utilisateurs à envisager des technologies d'IA vérifiables ?
Résumer
ZKML en est encore à ses débuts et il reste de nombreux défis à relever. Mais à mesure que la technologie ZK s'améliore, nous pensons que les gens trouveront bientôt plusieurs cas d'utilisation pour ZKML avec une forte adéquation produit-marché. Ces cas d'utilisation peuvent sembler convenir au premier abord. Mais à mesure que la puissance de l'intelligence artificielle centralisée se développe et pénètre dans toutes les industries et même dans la vie humaine, les gens peuvent trouver une plus grande valeur dans ZKML.
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Expliquer zkML : vers un avenir d'intelligence artificielle vérifiable
Écrit par : Avant Blockchain Capital
Compilation : Recherche GWEI
arrière-plan
Les derniers mois ont vu plusieurs percées dans l'industrie de l'IA. Des modèles comme GPT4 et Stable Diffusion changent la façon dont les gens créent et interagissent avec les logiciels et Internet.
Malgré les capacités impressionnantes de ces nouveaux modèles d'IA, certains s'inquiètent encore de l'imprévisibilité et de la cohérence de l'IA. Par exemple, il y a un manque de transparence dans le monde des services en ligne, où la plupart du travail de backend est géré par des modèles d'IA. Vérifier que ces modèles fonctionnent comme prévu est un défi. De plus, la confidentialité des utilisateurs est un problème car toutes les données que nous fournissons à l'API modèle peuvent être utilisées pour améliorer l'IA ou être exploitées par des pirates.
ZKML peut être une nouvelle façon de résoudre ces problèmes. En injectant des propriétés vérifiables et sans confiance dans les modèles d'apprentissage automatique, la technologie blockchain et ZK peut former un cadre pour l'alignement de l'IA.
Qu'est-ce que ZKML
L'apprentissage automatique à connaissance nulle (ZKML) dans cet article fait référence à l'utilisation de zkSNARK (une preuve à connaissance nulle) pour prouver l'exactitude du raisonnement de l'apprentissage automatique sans exposer les entrées ou les paramètres du modèle. Selon différentes informations de confidentialité, les cas d'utilisation de ZKML peuvent être divisés en types suivants :
Modèle public + données privées :
Modèle privé + données publiques :
Modèle public + données publiques :
Étant donné que les zkSNARK vont être une technologie très importante dans le monde de la cryptographie, ZKML a également le potentiel de changer le monde de la cryptographie. En ajoutant des capacités d'IA aux contrats intelligents, ZKML peut déverrouiller des applications en chaîne plus complexes. Cette intégration a été décrite dans la communauté ZKML comme "donnant des yeux sur la blockchain".
Goulot d'étranglement technique
Cependant, ZK-ML présente certains défis techniques qui doivent actuellement être résolus.
Quantification : les ZKP fonctionnent sur des champs, mais les réseaux de neurones sont entraînés en virgule flottante. Cela signifie que pour qu'un modèle de réseau neuronal soit compatible avec zk/blockchain, il doit être converti en une représentation arithmétique à virgule fixe avec un suivi complet des calculs. Cela peut sacrifier les performances du modèle en raison de la moindre précision des paramètres.
Traduction inter-langues : les modèles d'IA de réseau neuronal sont écrits en python et cpp, tandis que les circuits ZKP nécessitent de la rouille. Nous avons donc besoin d'une couche de traduction pour convertir le modèle en un environnement d'exécution basé sur ZKP. Habituellement, ce type de couche de traduction est spécifique au modèle et il est difficile d'en concevoir une générale.
Coût de calcul de ZKP : Le coût de ZKP sera fondamentalement beaucoup plus élevé que le calcul ML d'origine. Selon les expériences des laboratoires Modulus, pour un modèle avec des paramètres de 20M, selon différents systèmes de preuve ZK, il faut plus de 1 à 5 minutes pour générer la preuve, et la consommation de mémoire est d'environ 20 à 60 Go.
Coût intelligent — Modulus Labs
Status Quo
Même avec ces défis, nous avons vu beaucoup d'intérêt pour ZKML de la part de la communauté crypto, et il y a de bonnes équipes qui explorent cet espace.
Infrastructure
Compilateur de modèles
Étant donné que le principal goulot d'étranglement de ZKML est la conversion des modèles d'IA en circuits ZK, certaines équipes travaillent sur des couches de base telles que les compilateurs de modèles ZK. Commençant par des modèles de régression logistique ou des modèles CNN simples il y a 1 an, le domaine a rapidement évolué vers des modèles plus complexes.
### ZKVM
Les compilateurs ZKML entrent également dans le domaine de certaines des machines virtuelles à connaissance nulle les plus générales.
Application
En plus de l'infrastructure, d'autres équipes ont également commencé à explorer l'application de ZKML
Défi :
Un exemple de cas d'utilisation DeFi est un coffre-fort piloté par l'IA, où les mécanismes sont définis par des modèles d'IA plutôt que par des politiques fixes. Ces stratégies peuvent tirer parti des données en chaîne et hors chaîne pour prédire les tendances du marché et exécuter des transactions. ZKML garantit un modèle cohérent sur la chaîne. Cela rend l'ensemble du processus automatique et sans confiance. Mondulus Labs construit RockyBot. L'équipe a formé un modèle d'IA en chaîne pour prédire les prix des ETH et a construit un contrat intelligent pour effectuer automatiquement des transactions avec le modèle.
D'autres cas d'utilisation potentiels de DeFi incluent les DEX alimentés par l'IA et les protocoles de prêt. Les oracles peuvent également tirer parti de ZKML pour fournir de nouvelles sources de données générées à partir de données hors chaîne.
Jeux :
Les laboratoires Modulus ont lancé Leela, un jeu d'échecs basé sur ZKML auquel tous les utilisateurs peuvent jouer contre un bot propulsé par un modèle d'IA validé par ZK. Les capacités d'intelligence artificielle peuvent apporter des fonctions plus interactives aux jeux entièrement chaînés existants.
NFT/Économie des créateurs :
EIP-7007 : Cet EIP fournit une interface pour utiliser ZKML afin de vérifier que le contenu généré par l'IA pour un NFT provient bien d'un modèle spécifique avec des entrées spécifiques (indices). La norme pourrait permettre des collections de NFT générés par l'IA et même alimenter un nouveau type d'économie de créateurs.
Identité:
Le projet Wordcoin fournit une solution de preuve d'humanité basée sur les informations biométriques de l'utilisateur. L'équipe explore l'utilisation de ZKML pour permettre aux utilisateurs de générer du code Iris sans autorisation. Lorsque l'algorithme qui génère le code Iris est mis à jour, les utilisateurs peuvent télécharger le modèle et générer eux-mêmes des preuves sans passer par la station Orb.
Clé adoptée
Considérez le coût élevé des preuves à connaissance nulle pour les modèles d'IA. Nous pensons que l'adoption de ZKML peut commencer par certains cas d'utilisation crypto-natifs où les coûts de confiance sont élevés.
Un autre marché que nous devrions considérer est celui des industries où la confidentialité des données est très importante, comme les soins de santé. Pour cela, il existe d'autres solutions telles que l'apprentissage fédéré et le MPC sécurisé, mais ZKML peut tirer parti du réseau incitatif évolutif de la blockchain.
Une adoption massive plus large de ZKML peut dépendre d'une perte de confiance dans les grands fournisseurs d'IA existants. Y aura-t-il des événements qui sensibiliseront l'ensemble de l'industrie et inciteront les utilisateurs à envisager des technologies d'IA vérifiables ?
Résumer
ZKML en est encore à ses débuts et il reste de nombreux défis à relever. Mais à mesure que la technologie ZK s'améliore, nous pensons que les gens trouveront bientôt plusieurs cas d'utilisation pour ZKML avec une forte adéquation produit-marché. Ces cas d'utilisation peuvent sembler convenir au premier abord. Mais à mesure que la puissance de l'intelligence artificielle centralisée se développe et pénètre dans toutes les industries et même dans la vie humaine, les gens peuvent trouver une plus grande valeur dans ZKML.