Seiring dengan peningkatan teknologi ZK, orang akan menemukan beberapa kasus penggunaan zkML dengan kecocokan produk-pasar yang kuat.
Ditulis oleh: Avant Blockchain Capital
Kompilasi: Riset GWEI
latar belakang
Beberapa bulan terakhir telah terlihat beberapa terobosan dalam industri AI. Model seperti GPT4 dan Stable Diffusion mengubah cara orang membangun dan berinteraksi dengan perangkat lunak dan internet.
Terlepas dari kemampuan yang mengesankan dari model AI baru ini, beberapa masih khawatir tentang ketidakpastian dan konsistensi AI. Misalnya, kurangnya transparansi di dunia layanan online, di mana sebagian besar pekerjaan backend dijalankan oleh model AI. Memverifikasi bahwa model ini berfungsi seperti yang diharapkan adalah sebuah tantangan. Selain itu, privasi pengguna menjadi masalah karena semua data yang kami berikan ke model API dapat digunakan untuk meningkatkan AI atau dieksploitasi oleh peretas.
ZKML mungkin merupakan cara baru untuk memecahkan masalah ini. Dengan menyuntikkan properti yang dapat diverifikasi dan tidak dapat dipercaya ke dalam model pembelajaran mesin, teknologi blockchain dan ZK dapat membentuk kerangka kerja untuk penyelarasan AI.
Apa itu ZKML
Pembelajaran mesin tanpa pengetahuan (ZKML) dalam makalah ini mengacu pada penggunaan zkSNARKs (bukti tanpa pengetahuan) untuk membuktikan kebenaran penalaran pembelajaran mesin tanpa memaparkan input model atau parameter model. Menurut informasi privasi yang berbeda, kasus penggunaan ZKML dapat dibagi menjadi beberapa tipe berikut:
Model publik + data pribadi:
Pembelajaran Mesin Menjaga Privasi: ZKML dapat digunakan untuk melatih dan mengevaluasi model pembelajaran mesin pada data sensitif tanpa mengungkapkan data tersebut kepada orang lain. Ini bisa menjadi penting untuk aplikasi seperti diagnostik medis dan deteksi penipuan keuangan. Kami juga telah melihat beberapa pemain menggunakan ZKML untuk membangun layanan pembuktian kemanusiaan pada autentikasi data biometrik.
Bukti: Di dunia di mana sebagian besar konten online dihasilkan oleh AI, kriptografi dapat memberikan sumber kebenaran. Orang-orang mencoba menggunakan ZKML untuk menyelesaikan masalah deepfake.
Model Pribadi + Data Publik:
Keaslian model: ZKML dapat digunakan untuk memastikan konsistensi model pembelajaran mesin. Ini mungkin penting bagi pengguna untuk memastikan bahwa penyedia model tidak malas menggunakan model yang lebih murah atau diretas.
Kaggle Terdesentralisasi: ZKML memungkinkan peserta dalam kompetisi ilmu data untuk membuktikan keakuratan model pada data uji publik tanpa mengungkapkan bobot model dalam pelatihan
Model publik + data publik:
Penalaran terdesentralisasi: Metode ini terutama menggunakan karakteristik ringkas ZKML untuk memampatkan kalkulasi AI yang kompleks menjadi bukti berantai yang mirip dengan rollup ZK. Pendekatan ini dapat mendistribusikan biaya model yang melayani ke beberapa node.
Karena zkSNARK akan menjadi teknologi yang sangat penting di dunia kripto, ZKML juga berpotensi mengubah dunia kripto. Dengan menambahkan kemampuan AI ke smart contract, ZKML dapat membuka aplikasi on-chain yang lebih kompleks. Integrasi ini telah dijelaskan dalam komunitas ZKML sebagai "melihat ke blockchain".
Kemacetan teknis
Namun, ZK-ML menghadirkan beberapa tantangan teknis yang saat ini harus diatasi.
Kuantisasi: ZKP bekerja di bidang, tetapi jaringan saraf dilatih di floating point. Ini berarti bahwa agar model jaringan saraf menjadi ramah zk/blockchain, itu perlu dikonversi ke representasi aritmatika titik tetap dengan pelacakan komputasi penuh. Ini dapat mengorbankan kinerja model karena presisi parameter yang lebih rendah.
Terjemahan lintas bahasa: Model AI jaringan saraf ditulis dalam python dan cpp, sedangkan sirkuit ZKP membutuhkan karat. Jadi kita membutuhkan lapisan terjemahan untuk mengonversi model menjadi runtime berbasis ZKP. Biasanya jenis lapisan terjemahan ini khusus untuk model dan sulit untuk merancang yang umum.
Biaya komputasi ZKP: Biaya ZKP pada dasarnya akan jauh lebih tinggi daripada perhitungan ML asli. Menurut percobaan lab Modulus, untuk model dengan parameter 20M, menurut sistem bukti ZK yang berbeda, diperlukan waktu lebih dari 1-5 menit untuk menghasilkan bukti, dan konsumsi memori sekitar 20-60GB.
Biaya Pintar — Modulus Labs
status quo
Bahkan dengan tantangan ini, kami telah melihat banyak minat pada ZKML dari komunitas crypto, dan ada beberapa tim bagus yang menjelajahi ruang ini.
infrastruktur
Penyusun Model
Karena hambatan utama ZKML adalah mengonversi model AI menjadi sirkuit ZK, beberapa tim sedang mengerjakan lapisan dasar seperti kompiler model ZK. Dimulai dengan model regresi logistik atau model CNN sederhana 1 tahun yang lalu, bidang ini dengan cepat berkembang menjadi model yang lebih kompleks.
Proyek EZKL sekarang mendukung model hingga parameter 100mm. Ini menggunakan format ONNX dan sistem halo2 ZKP. Pustaka juga mendukung pengiriman hanya sebagian dari model.
Pustaka ZKML sudah mendukung ZKP untuk model GPT2, Bert, dan difusi!
###ZKVM
Kompiler ZKML juga termasuk dalam ranah beberapa mesin virtual tanpa pengetahuan yang lebih umum.
Risc Zero adalah zkVM yang menggunakan set instruksi RiscV open source, sehingga dapat mendukung ZKP c++ dan karat. Proyek zkDTP ini menunjukkan cara mengonversi model pohon keputusan ML ke Rust dan menjalankannya di Risc Zero.
Kami juga melihat beberapa tim mencoba menghadirkan model AI on-chain melalui Startnet (Giza) dan Aleo (Zero Gravity).
Aplikasi
Selain infrastruktur, tim lain juga mulai menjajaki penerapan ZKML
Defi:
Contoh kasus penggunaan DeFi adalah lemari besi yang digerakkan oleh AI, di mana mekanismenya ditentukan oleh model AI, bukan kebijakan tetap. Strategi ini dapat memanfaatkan data on-chain dan off-chain untuk memprediksi tren pasar dan melakukan perdagangan. ZKML menjamin model yang konsisten pada rantai. Ini membuat seluruh proses otomatis dan tidak dapat dipercaya. Mondulus Labs sedang membangun RockyBot. Tim melatih model AI on-chain untuk memprediksi harga ETH dan membuat kontrak pintar untuk bertransaksi secara otomatis dengan model tersebut.
Kasus penggunaan DeFi potensial lainnya termasuk DEX bertenaga AI dan protokol peminjaman. Oracles juga dapat memanfaatkan ZKML untuk menyediakan sumber data baru yang dihasilkan dari data off-chain.
Game:
Laboratorium Modulus meluncurkan Leela, permainan catur berbasis ZKML yang dapat dimainkan oleh semua pengguna melawan bot yang didukung oleh model AI yang divalidasi ZK. Kemampuan kecerdasan buatan dapat menghadirkan lebih banyak fungsi interaktif ke game yang sepenuhnya dirantai.
NFT/ Ekonomi Kreator:
EIP-7007: EIP ini menyediakan antarmuka untuk menggunakan ZKML guna memverifikasi bahwa konten yang dihasilkan AI untuk NFT memang berasal dari model tertentu dengan input (petunjuk) tertentu. Standar tersebut dapat memungkinkan pengumpulan NFT yang dihasilkan oleh AI dan bahkan menggerakkan ekonomi kreator jenis baru.
Alur Kerja Proyek EIP-7007
Identitas:
Proyek Wordcoin menyediakan solusi bukti kemanusiaan berdasarkan informasi biometrik pengguna. Tim sedang menjajaki penggunaan ZKML untuk memungkinkan pengguna membuat kode Iris tanpa izin. Saat algoritme yang menghasilkan kode Iris ditingkatkan, pengguna dapat mengunduh model dan membuat bukti sendiri tanpa harus pergi ke stasiun Orb.
Kunci yang diadopsi
Pertimbangkan tingginya biaya pembuktian tanpa pengetahuan untuk model AI. Menurut kami adopsi ZKML dapat dimulai dengan beberapa kasus penggunaan crypto-native di mana biaya kepercayaan tinggi.
Pasar lain yang harus kita pertimbangkan adalah industri di mana privasi data sangat penting, seperti layanan kesehatan. Untuk ini, ada solusi lain seperti federated learning dan secure MPC, tetapi ZKML dapat memanfaatkan jaringan insentif blockchain yang dapat diskalakan.
Adopsi massal ZKML yang lebih luas mungkin bergantung pada hilangnya kepercayaan pada penyedia AI besar yang ada. Apakah akan ada acara yang meningkatkan kesadaran di seluruh industri dan mendorong pengguna untuk mempertimbangkan teknologi AI yang dapat diverifikasi?
Ringkas
ZKML masih dalam tahap awal dan masih banyak tantangan yang harus diatasi. Namun seiring dengan peningkatan teknologi ZK, menurut kami orang akan segera menemukan beberapa kasus penggunaan ZKML dengan kecocokan produk-pasar yang kuat. Kasus penggunaan ini mungkin tampak cocok pada awalnya. Tetapi ketika kekuatan kecerdasan buatan terpusat tumbuh dan menembus ke dalam setiap industri dan bahkan kehidupan manusia, orang mungkin menemukan nilai yang lebih besar di ZKML.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Menjelaskan zkML: Menuju masa depan kecerdasan buatan yang dapat diverifikasi
Ditulis oleh: Avant Blockchain Capital
Kompilasi: Riset GWEI
latar belakang
Beberapa bulan terakhir telah terlihat beberapa terobosan dalam industri AI. Model seperti GPT4 dan Stable Diffusion mengubah cara orang membangun dan berinteraksi dengan perangkat lunak dan internet.
Terlepas dari kemampuan yang mengesankan dari model AI baru ini, beberapa masih khawatir tentang ketidakpastian dan konsistensi AI. Misalnya, kurangnya transparansi di dunia layanan online, di mana sebagian besar pekerjaan backend dijalankan oleh model AI. Memverifikasi bahwa model ini berfungsi seperti yang diharapkan adalah sebuah tantangan. Selain itu, privasi pengguna menjadi masalah karena semua data yang kami berikan ke model API dapat digunakan untuk meningkatkan AI atau dieksploitasi oleh peretas.
ZKML mungkin merupakan cara baru untuk memecahkan masalah ini. Dengan menyuntikkan properti yang dapat diverifikasi dan tidak dapat dipercaya ke dalam model pembelajaran mesin, teknologi blockchain dan ZK dapat membentuk kerangka kerja untuk penyelarasan AI.
Apa itu ZKML
Pembelajaran mesin tanpa pengetahuan (ZKML) dalam makalah ini mengacu pada penggunaan zkSNARKs (bukti tanpa pengetahuan) untuk membuktikan kebenaran penalaran pembelajaran mesin tanpa memaparkan input model atau parameter model. Menurut informasi privasi yang berbeda, kasus penggunaan ZKML dapat dibagi menjadi beberapa tipe berikut:
Model publik + data pribadi:
Model Pribadi + Data Publik:
Model publik + data publik:
Karena zkSNARK akan menjadi teknologi yang sangat penting di dunia kripto, ZKML juga berpotensi mengubah dunia kripto. Dengan menambahkan kemampuan AI ke smart contract, ZKML dapat membuka aplikasi on-chain yang lebih kompleks. Integrasi ini telah dijelaskan dalam komunitas ZKML sebagai "melihat ke blockchain".
Kemacetan teknis
Namun, ZK-ML menghadirkan beberapa tantangan teknis yang saat ini harus diatasi.
Kuantisasi: ZKP bekerja di bidang, tetapi jaringan saraf dilatih di floating point. Ini berarti bahwa agar model jaringan saraf menjadi ramah zk/blockchain, itu perlu dikonversi ke representasi aritmatika titik tetap dengan pelacakan komputasi penuh. Ini dapat mengorbankan kinerja model karena presisi parameter yang lebih rendah.
Terjemahan lintas bahasa: Model AI jaringan saraf ditulis dalam python dan cpp, sedangkan sirkuit ZKP membutuhkan karat. Jadi kita membutuhkan lapisan terjemahan untuk mengonversi model menjadi runtime berbasis ZKP. Biasanya jenis lapisan terjemahan ini khusus untuk model dan sulit untuk merancang yang umum.
Biaya komputasi ZKP: Biaya ZKP pada dasarnya akan jauh lebih tinggi daripada perhitungan ML asli. Menurut percobaan lab Modulus, untuk model dengan parameter 20M, menurut sistem bukti ZK yang berbeda, diperlukan waktu lebih dari 1-5 menit untuk menghasilkan bukti, dan konsumsi memori sekitar 20-60GB.
Biaya Pintar — Modulus Labs
status quo
Bahkan dengan tantangan ini, kami telah melihat banyak minat pada ZKML dari komunitas crypto, dan ada beberapa tim bagus yang menjelajahi ruang ini.
infrastruktur
Penyusun Model
Karena hambatan utama ZKML adalah mengonversi model AI menjadi sirkuit ZK, beberapa tim sedang mengerjakan lapisan dasar seperti kompiler model ZK. Dimulai dengan model regresi logistik atau model CNN sederhana 1 tahun yang lalu, bidang ini dengan cepat berkembang menjadi model yang lebih kompleks.
###ZKVM
Kompiler ZKML juga termasuk dalam ranah beberapa mesin virtual tanpa pengetahuan yang lebih umum.
Aplikasi
Selain infrastruktur, tim lain juga mulai menjajaki penerapan ZKML
Defi:
Contoh kasus penggunaan DeFi adalah lemari besi yang digerakkan oleh AI, di mana mekanismenya ditentukan oleh model AI, bukan kebijakan tetap. Strategi ini dapat memanfaatkan data on-chain dan off-chain untuk memprediksi tren pasar dan melakukan perdagangan. ZKML menjamin model yang konsisten pada rantai. Ini membuat seluruh proses otomatis dan tidak dapat dipercaya. Mondulus Labs sedang membangun RockyBot. Tim melatih model AI on-chain untuk memprediksi harga ETH dan membuat kontrak pintar untuk bertransaksi secara otomatis dengan model tersebut.
Kasus penggunaan DeFi potensial lainnya termasuk DEX bertenaga AI dan protokol peminjaman. Oracles juga dapat memanfaatkan ZKML untuk menyediakan sumber data baru yang dihasilkan dari data off-chain.
Game:
Laboratorium Modulus meluncurkan Leela, permainan catur berbasis ZKML yang dapat dimainkan oleh semua pengguna melawan bot yang didukung oleh model AI yang divalidasi ZK. Kemampuan kecerdasan buatan dapat menghadirkan lebih banyak fungsi interaktif ke game yang sepenuhnya dirantai.
NFT/ Ekonomi Kreator:
EIP-7007: EIP ini menyediakan antarmuka untuk menggunakan ZKML guna memverifikasi bahwa konten yang dihasilkan AI untuk NFT memang berasal dari model tertentu dengan input (petunjuk) tertentu. Standar tersebut dapat memungkinkan pengumpulan NFT yang dihasilkan oleh AI dan bahkan menggerakkan ekonomi kreator jenis baru.
Alur Kerja Proyek EIP-7007
Identitas:
Proyek Wordcoin menyediakan solusi bukti kemanusiaan berdasarkan informasi biometrik pengguna. Tim sedang menjajaki penggunaan ZKML untuk memungkinkan pengguna membuat kode Iris tanpa izin. Saat algoritme yang menghasilkan kode Iris ditingkatkan, pengguna dapat mengunduh model dan membuat bukti sendiri tanpa harus pergi ke stasiun Orb.
Kunci yang diadopsi
Pertimbangkan tingginya biaya pembuktian tanpa pengetahuan untuk model AI. Menurut kami adopsi ZKML dapat dimulai dengan beberapa kasus penggunaan crypto-native di mana biaya kepercayaan tinggi.
Pasar lain yang harus kita pertimbangkan adalah industri di mana privasi data sangat penting, seperti layanan kesehatan. Untuk ini, ada solusi lain seperti federated learning dan secure MPC, tetapi ZKML dapat memanfaatkan jaringan insentif blockchain yang dapat diskalakan.
Adopsi massal ZKML yang lebih luas mungkin bergantung pada hilangnya kepercayaan pada penyedia AI besar yang ada. Apakah akan ada acara yang meningkatkan kesadaran di seluruh industri dan mendorong pengguna untuk mempertimbangkan teknologi AI yang dapat diverifikasi?
Ringkas
ZKML masih dalam tahap awal dan masih banyak tantangan yang harus diatasi. Namun seiring dengan peningkatan teknologi ZK, menurut kami orang akan segera menemukan beberapa kasus penggunaan ZKML dengan kecocokan produk-pasar yang kuat. Kasus penggunaan ini mungkin tampak cocok pada awalnya. Tetapi ketika kekuatan kecerdasan buatan terpusat tumbuh dan menembus ke dalam setiap industri dan bahkan kehidupan manusia, orang mungkin menemukan nilai yang lebih besar di ZKML.