По мере совершенствования технологии ZK можно найти несколько вариантов использования zkML, хорошо подходящих для рынка.
Автор: Avant Blockchain Capital
Подборка: исследование GWEI
фон
За последние несколько месяцев в индустрии ИИ произошло несколько прорывов. Такие модели, как GPT4 и Stable Diffusion, меняют способ создания и взаимодействия людей с программным обеспечением и Интернетом.
Несмотря на впечатляющие возможности этих новых моделей ИИ, некоторые все еще беспокоятся о непредсказуемости и согласованности ИИ. Например, не хватает прозрачности в мире онлайн-сервисов, где большая часть серверной работы выполняется моделями ИИ. Проверка того, что эти модели работают должным образом, является сложной задачей. Кроме того, конфиденциальность пользователей является проблемой, поскольку все данные, которые мы предоставляем API модели, могут быть использованы для улучшения ИИ или могут быть использованы хакерами.
ZKML может стать новым способом решения этих проблем. Внедряя проверяемые и ненадежные свойства в модели машинного обучения, блокчейн и технология ZK могут сформировать основу для согласования ИИ.
Что такое ZKML
Машинное обучение с нулевым разглашением (ZKML) в этой статье относится к использованию zkSNARK (доказательство с нулевым разглашением) для доказательства правильности рассуждений машинного обучения без раскрытия входных данных модели или параметров модели. В соответствии с различной информацией о конфиденциальности варианты использования ZKML можно разделить на следующие типы:
Публичная модель + частные данные:
Машинное обучение с сохранением конфиденциальности: ZKML можно использовать для обучения и оценки моделей машинного обучения на конфиденциальных данных без раскрытия данных кому-либо еще. Это может быть важно для таких приложений, как медицинская диагностика и обнаружение финансового мошенничества. Мы также видели, как некоторые игроки используют ZKML для создания сервисов проверки подлинности биометрических данных.
Доказательство: в мире, где большая часть онлайн-контента создается искусственным интеллектом, криптография может стать источником правды. Люди пытаются использовать ZKML для решения проблемы дипфейков.
Частная модель + общедоступные данные:
Подлинность модели: ZKML можно использовать для обеспечения согласованности моделей машинного обучения. Это может быть важно для пользователей, чтобы убедиться, что поставщики моделей не лениво используют более дешевые модели или не подвергаются взлому.
Децентрализованный Kaggle: ZKML позволяет участникам соревнований по науке о данных подтверждать точность моделей на общедоступных тестовых данных, не раскрывая веса моделей при обучении.
Публичная модель + общедоступные данные:
Децентрализованное рассуждение: этот метод в основном использует краткие характеристики ZKML для сжатия сложных вычислений ИИ в цепочку доказательств, подобных свертыванию ZK. Этот подход может распределить стоимость обслуживания модели на несколько узлов.
Поскольку zkSNARK станет очень важной технологией в криптомире, ZKML также может изменить криптомир. Добавляя возможности искусственного интеллекта к смарт-контрактам, ZKML может разблокировать более сложные приложения в сети. Эта интеграция была описана в сообществе ZKML как «взгляд на блокчейн».
Техническое узкое место
Однако ZK-ML представляет некоторые технические проблемы, которые в настоящее время необходимо решить.
Квантование: ZKP работают с полями, но нейронные сети обучаются плавающей запятой. Это означает, что для того, чтобы модель нейронной сети была дружественной к zk/блокчейну, ее необходимо преобразовать в арифметическое представление с фиксированной точкой с полным отслеживанием вычислений. Это может привести к снижению производительности модели из-за более низкой точности параметров.
Межъязыковой перевод: модели нейросетевого ИИ написаны на python и cpp, а схемы ZKP требуют rust. Поэтому нам нужен слой перевода, чтобы преобразовать модель в среду выполнения на основе ZKP. Обычно этот тип трансляционного слоя зависит от модели, и его сложно спроектировать в общем виде.
Вычислительная стоимость ZKP: Стоимость ZKP в основном будет намного выше, чем исходный расчет ML. Согласно экспериментам Modulus labs, для модели с 20М параметрами по разным системам доказательства ZK генерация доказательства занимает более 1-5 минут, а потребление памяти составляет около 20-60 ГБ.
Умная стоимость — Modulus Labs
статус-кво
Несмотря на эти проблемы, мы заметили большой интерес к ZKML со стороны криптосообщества, и есть несколько хороших команд, изучающих эту область.
инфраструктура
Компилятор моделей
Поскольку основным узким местом ZKML является преобразование моделей ИИ в схемы ZK, некоторые команды работают над базовыми уровнями, такими как компиляторы моделей ZK. Начав с моделей логистической регрессии или простых моделей CNN 1 год назад, область быстро перешла к более сложным моделям.
Проект EZKL теперь поддерживает модели с параметрами до 100 мм. Он использует формат ONNX и систему halo2 ZKP. Библиотека также поддерживает отправку только части модели.
Библиотека ZKML уже поддерживает ZKP для моделей GPT2, Bert и диффузии!
ЗКВМ
Компиляторы ZKML также попадают в область некоторых более общих виртуальных машин с нулевым разглашением.
Risc Zero — это zkVM, использующая набор инструкций RiscV с открытым исходным кодом, поэтому она может поддерживать ZKP C++ и rust. Этот проект zkDTP показывает, как преобразовать модель ML дерева решений в Rust и запустить ее на Risc Zero.
Мы также видим, как некоторые команды пытаются внедрить модели ИИ в сеть через Startnet (Giza) и Aleo (Zero Gravity).
Приложение
Помимо инфраструктуры, другие команды также начали изучать применение ZKML.
Дефи:
Примером варианта использования DeFi является хранилище, управляемое ИИ, где механизмы определяются моделями ИИ, а не фиксированными политиками. Эти стратегии могут использовать данные в сети и вне сети для прогнозирования рыночных тенденций и совершения сделок. ZKML гарантирует непротиворечивость модели в цепочке. Это делает весь процесс автоматическим и ненадежным. Mondulus Labs разрабатывает RockyBot. Команда обучила сетевую модель ИИ для прогнозирования цен на ETH и создала смарт-контракт для автоматического взаимодействия с моделью.
Другие потенциальные варианты использования DeFi включают DEX на базе ИИ и протоколы кредитования. Оракулы также могут использовать ZKML для предоставления новых источников данных, созданных из данных вне сети.
Игры:
Лаборатории Modulus запустили Leela, шахматную игру на основе ZKML, в которую все пользователи могут играть против бота, работающего на проверенной ZK модели искусственного интеллекта. Возможности искусственного интеллекта могут добавить больше интерактивных функций в существующие полностью связанные игры.
NFT/экономика авторов:
EIP-7007: этот EIP предоставляет интерфейс для использования ZKML для проверки того, что созданный ИИ контент для NFT действительно относится к конкретной модели с определенными входными данными (подсказками). Стандарт может позволить собирать коллекции NFT, сгенерированных ИИ, и даже создать новый тип экономики создателей.
Рабочий процесс проекта EIP-7007
Личность:
Проект Wordcoin предоставляет решение для подтверждения личности на основе биометрической информации пользователя. Команда изучает возможность использования ZKML, чтобы позволить пользователям генерировать код Iris без разрешения. Когда алгоритм, генерирующий код Iris, будет обновлен, пользователи смогут загрузить модель и самостоятельно генерировать доказательства, не обращаясь к станции Orb.
Принятый ключ
Учтите высокую стоимость доказательств с нулевым разглашением для моделей ИИ. Мы считаем, что внедрение ZKML может начаться с некоторых случаев использования криптовалюты, когда стоимость доверия высока.
Еще один рынок, который мы должны рассмотреть, — это отрасли, где конфиденциальность данных очень важна, например, здравоохранение. Для этого существуют другие решения, такие как федеративное обучение и безопасный MPC, но ZKML может использовать масштабируемую стимулированную сеть блокчейна.
Более широкое массовое внедрение ZKML может зависеть от потери доверия к существующим крупным поставщикам ИИ. Будут ли проводиться мероприятия, которые повысят осведомленность в отрасли и побудят пользователей рассмотреть поддающиеся проверке технологии искусственного интеллекта?
Подведем итог
ZKML все еще находится на ранней стадии своего развития, и ему предстоит преодолеть множество проблем. Но по мере совершенствования технологии ZK мы думаем, что вскоре люди найдут несколько вариантов использования ZKML, хорошо подходящих для рынка. Поначалу эти варианты использования могут показаться подходящими. Но по мере того, как сила централизованного искусственного интеллекта растет и проникает во все отрасли и даже в человеческую жизнь, люди могут найти большую ценность в ZKML.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Объяснение zkML: к будущему проверяемого искусственного интеллекта
Автор: Avant Blockchain Capital
Подборка: исследование GWEI
фон
За последние несколько месяцев в индустрии ИИ произошло несколько прорывов. Такие модели, как GPT4 и Stable Diffusion, меняют способ создания и взаимодействия людей с программным обеспечением и Интернетом.
Несмотря на впечатляющие возможности этих новых моделей ИИ, некоторые все еще беспокоятся о непредсказуемости и согласованности ИИ. Например, не хватает прозрачности в мире онлайн-сервисов, где большая часть серверной работы выполняется моделями ИИ. Проверка того, что эти модели работают должным образом, является сложной задачей. Кроме того, конфиденциальность пользователей является проблемой, поскольку все данные, которые мы предоставляем API модели, могут быть использованы для улучшения ИИ или могут быть использованы хакерами.
ZKML может стать новым способом решения этих проблем. Внедряя проверяемые и ненадежные свойства в модели машинного обучения, блокчейн и технология ZK могут сформировать основу для согласования ИИ.
Что такое ZKML
Машинное обучение с нулевым разглашением (ZKML) в этой статье относится к использованию zkSNARK (доказательство с нулевым разглашением) для доказательства правильности рассуждений машинного обучения без раскрытия входных данных модели или параметров модели. В соответствии с различной информацией о конфиденциальности варианты использования ZKML можно разделить на следующие типы:
Публичная модель + частные данные:
Частная модель + общедоступные данные:
Публичная модель + общедоступные данные:
Поскольку zkSNARK станет очень важной технологией в криптомире, ZKML также может изменить криптомир. Добавляя возможности искусственного интеллекта к смарт-контрактам, ZKML может разблокировать более сложные приложения в сети. Эта интеграция была описана в сообществе ZKML как «взгляд на блокчейн».
Техническое узкое место
Однако ZK-ML представляет некоторые технические проблемы, которые в настоящее время необходимо решить.
Квантование: ZKP работают с полями, но нейронные сети обучаются плавающей запятой. Это означает, что для того, чтобы модель нейронной сети была дружественной к zk/блокчейну, ее необходимо преобразовать в арифметическое представление с фиксированной точкой с полным отслеживанием вычислений. Это может привести к снижению производительности модели из-за более низкой точности параметров.
Межъязыковой перевод: модели нейросетевого ИИ написаны на python и cpp, а схемы ZKP требуют rust. Поэтому нам нужен слой перевода, чтобы преобразовать модель в среду выполнения на основе ZKP. Обычно этот тип трансляционного слоя зависит от модели, и его сложно спроектировать в общем виде.
Вычислительная стоимость ZKP: Стоимость ZKP в основном будет намного выше, чем исходный расчет ML. Согласно экспериментам Modulus labs, для модели с 20М параметрами по разным системам доказательства ZK генерация доказательства занимает более 1-5 минут, а потребление памяти составляет около 20-60 ГБ.
Умная стоимость — Modulus Labs
статус-кво
Несмотря на эти проблемы, мы заметили большой интерес к ZKML со стороны криптосообщества, и есть несколько хороших команд, изучающих эту область.
инфраструктура
Компилятор моделей
Поскольку основным узким местом ZKML является преобразование моделей ИИ в схемы ZK, некоторые команды работают над базовыми уровнями, такими как компиляторы моделей ZK. Начав с моделей логистической регрессии или простых моделей CNN 1 год назад, область быстро перешла к более сложным моделям.
ЗКВМ
Компиляторы ZKML также попадают в область некоторых более общих виртуальных машин с нулевым разглашением.
Приложение
Помимо инфраструктуры, другие команды также начали изучать применение ZKML.
Дефи:
Примером варианта использования DeFi является хранилище, управляемое ИИ, где механизмы определяются моделями ИИ, а не фиксированными политиками. Эти стратегии могут использовать данные в сети и вне сети для прогнозирования рыночных тенденций и совершения сделок. ZKML гарантирует непротиворечивость модели в цепочке. Это делает весь процесс автоматическим и ненадежным. Mondulus Labs разрабатывает RockyBot. Команда обучила сетевую модель ИИ для прогнозирования цен на ETH и создала смарт-контракт для автоматического взаимодействия с моделью.
Другие потенциальные варианты использования DeFi включают DEX на базе ИИ и протоколы кредитования. Оракулы также могут использовать ZKML для предоставления новых источников данных, созданных из данных вне сети.
Игры:
Лаборатории Modulus запустили Leela, шахматную игру на основе ZKML, в которую все пользователи могут играть против бота, работающего на проверенной ZK модели искусственного интеллекта. Возможности искусственного интеллекта могут добавить больше интерактивных функций в существующие полностью связанные игры.
NFT/экономика авторов:
EIP-7007: этот EIP предоставляет интерфейс для использования ZKML для проверки того, что созданный ИИ контент для NFT действительно относится к конкретной модели с определенными входными данными (подсказками). Стандарт может позволить собирать коллекции NFT, сгенерированных ИИ, и даже создать новый тип экономики создателей.
Рабочий процесс проекта EIP-7007
Личность:
Проект Wordcoin предоставляет решение для подтверждения личности на основе биометрической информации пользователя. Команда изучает возможность использования ZKML, чтобы позволить пользователям генерировать код Iris без разрешения. Когда алгоритм, генерирующий код Iris, будет обновлен, пользователи смогут загрузить модель и самостоятельно генерировать доказательства, не обращаясь к станции Orb.
Принятый ключ
Учтите высокую стоимость доказательств с нулевым разглашением для моделей ИИ. Мы считаем, что внедрение ZKML может начаться с некоторых случаев использования криптовалюты, когда стоимость доверия высока.
Еще один рынок, который мы должны рассмотреть, — это отрасли, где конфиденциальность данных очень важна, например, здравоохранение. Для этого существуют другие решения, такие как федеративное обучение и безопасный MPC, но ZKML может использовать масштабируемую стимулированную сеть блокчейна.
Более широкое массовое внедрение ZKML может зависеть от потери доверия к существующим крупным поставщикам ИИ. Будут ли проводиться мероприятия, которые повысят осведомленность в отрасли и побудят пользователей рассмотреть поддающиеся проверке технологии искусственного интеллекта?
Подведем итог
ZKML все еще находится на ранней стадии своего развития, и ему предстоит преодолеть множество проблем. Но по мере совершенствования технологии ZK мы думаем, что вскоре люди найдут несколько вариантов использования ZKML, хорошо подходящих для рынка. Поначалу эти варианты использования могут показаться подходящими. Но по мере того, как сила централизованного искусственного интеллекта растет и проникает во все отрасли и даже в человеческую жизнь, люди могут найти большую ценность в ZKML.