การประยุกต์ใช้และศักยภาพของ Zero-Knowledge Machine Learning (ZKML)

ผู้เขียน: Callum@Web3CN.Pro

ZK ยังคงร้อนแรงอย่างต่อเนื่องตั้งแต่ปี 2022 และเทคโนโลยีของบริษัทมีความก้าวหน้าอย่างมาก และโครงการต่างๆ ของซีรีย์ ZK ก็ยังพยายามอย่างต่อเนื่อง ในขณะเดียวกัน ด้วยความนิยมของแมชชีนเลิร์นนิง (ML) และการประยุกต์ใช้อย่างกว้างขวางในด้านการผลิตและชีวิต หลายๆ บริษัทจึงได้เริ่มสร้าง ฝึกฝน และปรับใช้โมเดลแมชชีนเลิร์นนิง แต่ปัญหาหลักที่แมชชีนเลิร์นนิงเผชิญอยู่ในปัจจุบันคือวิธีการสร้างความน่าเชื่อถือและการพึ่งพาข้อมูลที่ทึบแสง นี่คือความสำคัญของ **ZKML: เพื่อให้ผู้ที่ใช้แมชชีนเลิร์นนิงเข้าใจโมเดลอย่างถ่องแท้โดยไม่ต้องเปิดเผยข้อมูลของโมเดลเอง **

1. ZKML คืออะไร

ZKML คืออะไร มาดูกันแยกกัน ZK (Zero-Knowledge Proof) เป็นโปรโตคอลการเข้ารหัสที่ผู้พิสูจน์สามารถพิสูจน์ให้ผู้ตรวจสอบเห็นว่าข้อความที่ระบุเป็นความจริงโดยไม่ต้องเปิดเผยข้อมูลอื่นใด กล่าวคือ สามารถทราบผลลัพธ์ได้โดยไม่ต้องดำเนินการใดๆ

**ZK มีลักษณะสำคัญสองประการ ประการแรก พิสูจน์สิ่งที่ต้องการพิสูจน์โดยไม่ต้องเปิดเผยข้อมูลมากเกินไปต่อผู้ตรวจสอบ ประการที่สอง สร้างหลักฐานได้ยาก และตรวจสอบหลักฐานได้ง่าย **

จากลักษณะเฉพาะทั้งสองนี้ **ZK ได้พัฒนากรณีการใช้งานหลักหลายกรณี: การขยายเลเยอร์ 2, เครือข่ายส่วนตัวสาธารณะ, ที่เก็บข้อมูลแบบกระจายศูนย์, การยืนยันตัวตน และการเรียนรู้ของเครื่อง **การวิจัยในบทความนี้จะมุ่งเน้นไปที่ ZKML (Zero-Knowledge Machine Learning)

ML (การเรียนรู้ของเครื่อง) คืออะไร การเรียนรู้ของเครื่องเป็นวิทยาศาสตร์ของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการพัฒนาและการประยุกต์ใช้อัลกอริทึมที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้และปรับให้เข้ากับข้อมูลได้โดยอัตโนมัติ เพิ่มประสิทธิภาพการทำงานผ่านกระบวนการทำซ้ำโดยไม่ต้องใช้กระบวนการโปรแกรม ใช้อัลกอริทึมและแบบจำลองเพื่อระบุข้อมูลเพื่อรับพารามิเตอร์ของแบบจำลอง และสุดท้ายก็ทำการทำนาย/ตัดสินใจ

**ปัจจุบัน การเรียนรู้ของเครื่องได้ประสบความสำเร็จในหลากหลายสาขา ด้วยการปรับปรุงโมเดลเหล่านี้ การเรียนรู้ของเครื่องจำเป็นต้องทำงานมากขึ้นเรื่อย ๆ เพื่อให้แน่ใจว่าโมเดลมีความแม่นยำสูง เทคโนโลยี ZK เป็นสิ่งจำเป็น: การใช้โมเดลสาธารณะ ตรวจสอบข้อมูลส่วนตัวหรือตรวจสอบโมเดลส่วนตัวด้วยข้อมูลสาธารณะ **

ZKML ที่เรากำลังพูดถึงในขณะนี้คือการสร้างการพิสูจน์ที่ไม่มีความรู้ของขั้นตอนการอนุมานของโมเดล ML ไม่ใช่การฝึกโมเดล ML

2. ทำไมต้องใช้ ZKML

เมื่อเทคโนโลยีปัญญาประดิษฐ์ก้าวหน้าขึ้น การแยกแยะระหว่างปัญญาประดิษฐ์กับปัญญามนุษย์กับรุ่นมนุษย์ก็ยากขึ้น การพิสูจน์ด้วยความรู้ที่ไม่มีความรู้มีความสามารถในการแก้ปัญหานี้ ช่วยให้เราสามารถระบุได้ว่าเนื้อหาบางอย่างถูกสร้างขึ้นโดยใช้แบบจำลองบางอย่างหรือไม่ สร้างโดยไม่เปิดเผยข้อมูลอื่น ๆ เกี่ยวกับรุ่นหรืออินพุต

แพลตฟอร์มแมชชีนเลิร์นนิงแบบดั้งเดิมมักต้องการให้นักพัฒนาส่งโมเดลสถาปัตยกรรมไปยังโฮสต์เพื่อตรวจสอบประสิทธิภาพ สิ่งนี้อาจทำให้เกิดปัญหาหลายประการ:

• การสูญเสียทรัพย์สินทางปัญญา: การเปิดเผยสถาปัตยกรรมแบบจำลองทั้งหมดอาจเปิดเผยความลับทางการค้าหรือนวัตกรรมอันมีค่าที่นักพัฒนาต้องการเก็บไว้เป็นส่วนตัว
• ** ขาดความโปร่งใส: ** กระบวนการประเมินอาจไม่โปร่งใส และผู้เข้าร่วมอาจไม่สามารถยืนยันได้ว่าโมเดลของตนอยู่ในอันดับใดเมื่อเทียบกับโมเดลอื่นๆ
• ข้อกังวลเกี่ยวกับความเป็นส่วนตัวของข้อมูล: โมเดลที่ใช้ร่วมกันซึ่งได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่ละเอียดอ่อนอาจเปิดเผยข้อมูลเกี่ยวกับข้อมูลพื้นฐานโดยไม่ได้ตั้งใจ ซึ่งเป็นการละเมิดบรรทัดฐานและข้อบังคับด้านความเป็นส่วนตัว

ความท้าทายเหล่านี้ทำให้เกิดความต้องการโซลูชันที่สามารถปกป้องความเป็นส่วนตัวของโมเดลแมชชีนเลิร์นนิงและข้อมูลการฝึกอบรมได้

ZK เสนอแนวทางที่มีแนวโน้มเพื่อจัดการกับความท้าทายที่แพลตฟอร์ม ML แบบดั้งเดิมต้องเผชิญ ด้วยการใช้ประโยชน์จากพลังของ ZK ทำให้ ZKML เป็นโซลูชันการรักษาความเป็นส่วนตัวโดยมีข้อดีดังต่อไปนี้:

• ความเป็นส่วนตัวของโมเดล: นักพัฒนาสามารถเข้าร่วมการตรวจสอบโดยไม่ต้องเปิดเผยสถาปัตยกรรมโมเดลทั้งหมด ซึ่งเป็นการปกป้องทรัพย์สินทางปัญญาของพวกเขา
• การตรวจสอบที่โปร่งใส: ZK สามารถตรวจสอบประสิทธิภาพของโมเดลโดยไม่ต้องเปิดเผยภายในของโมเดล ซึ่งจะช่วยอำนวยความสะดวกในกระบวนการประเมินที่โปร่งใสและไร้ความน่าเชื่อถือ
• **ความเป็นส่วนตัวของข้อมูล: **ZK สามารถใช้เพื่อตรวจสอบข้อมูลส่วนตัวโดยใช้โมเดลสาธารณะหรือตรวจสอบโมเดลส่วนตัวโดยใช้ข้อมูลสาธารณะเพื่อให้แน่ใจว่าข้อมูลที่ละเอียดอ่อนจะไม่รั่วไหล

การรวม ZK เข้ากับกระบวนการ ML ทำให้มีแพลตฟอร์มที่ปลอดภัยและรักษาความเป็นส่วนตัว ซึ่งช่วยแก้ไขข้อจำกัดของ ML แบบดั้งเดิม สิ่งนี้ไม่เพียงส่งเสริมการนำแมชชีนเลิร์นนิงมาใช้ในอุตสาหกรรมความเป็นส่วนตัว แต่ยังดึงดูดนักพัฒนา Web2 ที่มีประสบการณ์ให้สำรวจความเป็นไปได้ภายในระบบนิเวศ Web3

3. แอปพลิเคชัน ZKML และโอกาส

ด้วยการปรับปรุงที่เพิ่มขึ้นของการเข้ารหัส เทคโนโลยีการพิสูจน์ความรู้ที่เป็นศูนย์ และสิ่งอำนวยความสะดวกด้านฮาร์ดแวร์ โครงการต่างๆ ได้เริ่มสำรวจการใช้ ZKML มากขึ้นเรื่อยๆ ระบบนิเวศของ ZKML สามารถแบ่งออกเป็นสี่ประเภทต่อไปนี้:

• **Model Verification Compiler: ** โครงสร้างพื้นฐานสำหรับการรวบรวมโมเดลจากรูปแบบที่มีอยู่ (เช่น Pytorch, ONNX เป็นต้น) ลงในวงจรคำนวณที่ตรวจสอบได้
• ระบบพิสูจน์ทั่วไป: ระบบพิสูจน์ที่สร้างขึ้นเพื่อตรวจสอบวิถีการคำนวณตามอำเภอใจ
• **ระบบพิสูจน์เฉพาะ ZKML: **ระบบพิสูจน์ที่สร้างขึ้นเป็นพิเศษเพื่อตรวจสอบเส้นทางการคำนวณของโมเดล ML
• การใช้งาน: โครงการที่เกี่ยวข้องกับกรณีการใช้งาน ZKML

ตามหมวดหมู่นิเวศวิทยาของแอปพลิเคชัน ZKML เหล่านี้ เราสามารถจำแนกโครงการที่ใช้ ZKML ในปัจจุบันบางโครงการได้:

เครดิตรูปภาพ: @bastian_wetzel

ZKML ยังคงเป็นเทคโนโลยีเกิดใหม่ ตลาดยังอยู่ในช่วงเริ่มต้น และแอปพลิเคชันจำนวนมากได้รับการทดสอบเฉพาะในงานแฮ็กกาธอนเท่านั้น แต่ ZKML ยังคงเปิดพื้นที่การออกแบบใหม่สำหรับสัญญาอัจฉริยะ:

ดีไฟ

** แอปพลิเคชัน Defi ที่กำหนดพารามิเตอร์โดยใช้ ML สามารถทำงานอัตโนมัติได้มากขึ้น ** ตัวอย่างเช่น โปรโตคอลการให้ยืมสามารถใช้โมเดล ML เพื่ออัปเดตพารามิเตอร์แบบเรียลไทม์ ปัจจุบัน โปรโตคอลการให้กู้ยืมส่วนใหญ่เชื่อถือโมเดลนอกเชนที่ดำเนินการโดยองค์กรเพื่อกำหนดหลักประกัน LTV เกณฑ์การชำระบัญชี ฯลฯ แต่ทางเลือกที่ดีกว่าอาจเป็นโมเดลโอเพ่นซอร์สที่ผ่านการฝึกอบรมโดยชุมชนซึ่งทุกคนสามารถเรียกใช้และตรวจสอบได้ การใช้ออราเคิล ML แบบออฟไลน์ที่ตรวจสอบได้ ทำให้โมเดล ML สามารถประมวลผลข้อมูลที่เซ็นชื่อนอกเชนเพื่อการทำนายและจัดประเภท ออราเคิล ML แบบออฟไลน์เหล่านี้สามารถแก้ปัญหาตลาดการทำนายในโลกแห่งความเป็นจริง โปรโตคอลการให้ยืม ฯลฯ ได้อย่างไม่ไว้วางใจ โดยตรวจสอบเหตุผลและเผยแพร่หลักฐานออนไลน์

เว็บ 3 โซเชียล

** กรองสื่อโซเชียล Web3 **ลักษณะการกระจายอำนาจของแอปพลิเคชันโซเชียล Web3 จะนำไปสู่สแปมและเนื้อหาที่เป็นอันตรายมากขึ้น ตามหลักการแล้ว แพลตฟอร์มโซเชียลมีเดียสามารถใช้โมเดล ML แบบโอเพ่นซอร์สที่ชุมชนยอมรับและเผยแพร่หลักฐานการให้เหตุผลของโมเดลเมื่อพวกเขาเลือกที่จะกรองโพสต์ ในฐานะผู้ใช้โซเชียลมีเดีย คุณอาจยินดีดูโฆษณาส่วนบุคคล แต่ต้องการให้การตั้งค่าและความสนใจของผู้ใช้เป็นส่วนตัวจากผู้ลงโฆษณา ผู้ใช้จึงสามารถเลือกรันโมเดลในเครื่องได้หากต้องการ ซึ่งสามารถป้อนเข้าสู่แอพพลิเคชั่นมีเดียเพื่อจัดหาเนื้อหาให้พวกเขาได้

เกมไฟ

**ZKML สามารถประยุกต์ใช้กับเกมบนเชนประเภทใหม่ ๆ และสามารถสร้างเกมความร่วมมือระหว่างมนุษย์และปัญญาประดิษฐ์และเกมบนเชนที่เป็นนวัตกรรมอื่น ๆ **ซึ่งโมเดลปัญญาประดิษฐ์สามารถทำหน้าที่เป็น NPC และทุกการกระทำที่เกิดขึ้น โดย NPC จะถูกเผยแพร่บน chain พร้อมกับหลักฐานที่ทุกคนสามารถตรวจสอบเพื่อตรวจสอบว่ารุ่นที่ถูกต้องกำลังทำงานอยู่ ในขณะเดียวกัน สามารถใช้โมเดล ML เพื่อปรับการออกโทเค็น การจัดหา การเผาไหม้ เกณฑ์การลงคะแนน ฯลฯ แบบไดนามิก สามารถออกแบบโมเดลสัญญาจูงใจที่จะปรับสมดุลเศรษฐกิจในเกม หากถึงเกณฑ์การปรับสมดุลใหม่และบทพิสูจน์ ของการยืนยันเหตุผล

การตรวจสอบ

** แทนที่คีย์ส่วนตัวด้วยการรับรองความถูกต้องด้วยไบโอเมตริกซ์ที่รักษาความเป็นส่วนตัว **การจัดการคีย์ส่วนตัวยังคงเป็นหนึ่งในปัญหาที่ใหญ่ที่สุดใน Web3 การแยกคีย์ส่วนตัวผ่านการจดจำใบหน้าหรือปัจจัยเฉพาะอื่นๆ อาจเป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับ ZKML

4. การแข่งขัน ZKML

แม้ว่า ZKML จะได้รับการปรับปรุงและเพิ่มประสิทธิภาพอย่างต่อเนื่อง แต่ฟิลด์นี้ยังคงอยู่ในขั้นเริ่มต้นของการพัฒนา และยังคงมีความท้าทายจากเทคโนโลยีที่ต้องฝึกฝน:

• Quantization โดยสูญเสียความแม่นยำน้อยที่สุด
• ขนาดของวงจร โดยเฉพาะอย่างยิ่งเมื่อเครือข่ายประกอบด้วยหลายเลเยอร์
• หลักฐานการคูณเมทริกซ์ที่มีประสิทธิภาพ
• การโจมตีของฝ่ายตรงข้าม

**ความท้าทายเหล่านี้ประการแรกส่งผลต่อความแม่นยำของโมเดลแมชชีนเลิร์นนิง ประการที่สองส่งผลต่อต้นทุนและความเร็วในการพิสูจน์ และประการที่สามส่งผลต่อความเสี่ยงของการโจมตีการโจรกรรมโมเดล **

การปรับปรุงปัญหาเหล่านี้กำลังดำเนินการอยู่ การสาธิต ZK-MNIST ของ @0xPARC ในปี 2021 แสดงวิธีนำแบบจำลองการจัดประเภทภาพ MNIST สเกลเล็กไปใช้ในวงจรที่ตรวจสอบได้ Daniel Kang ทำเช่นเดียวกันกับแบบจำลองสเกล ImageNet ซึ่งเป็นสเกล ImageNet ในปัจจุบัน โมเดลได้รับการปรับปรุงถึง 92% และคาดว่าจะถึงเร็วๆ นี้ด้วยการเร่งฮาร์ดแวร์เพิ่มเติมของพื้นที่ ML ที่กว้างขึ้น

ZKML ยังอยู่ในช่วงเริ่มต้นของการพัฒนา แต่ได้เริ่มแสดงผลลัพธ์มากมายแล้ว และเราคาดว่าจะเห็นแอปพลิเคชันที่เป็นนวัตกรรมใหม่ของ ZKML บนห่วงโซ่ ในขณะที่ ZKML พัฒนาอย่างต่อเนื่อง เราสามารถคาดการณ์อนาคตที่แมชชีนเลิร์นนิงที่รักษาความเป็นส่วนตัวจะกลายเป็นบรรทัดฐาน