> ความสำคัญของ zkML คือ: ช่วยให้ผู้ที่ใช้การเรียนรู้ของเครื่องสามารถเข้าใจโมเดลได้อย่างสมบูรณ์โดยไม่ต้องเปิดเผยข้อมูลของตัวโมเดลเอง**เขียนโดย: Callum, Web3CN.Pro**ZK ยังคงร้อนแรงอย่างต่อเนื่องตั้งแต่ปี 2022 และเทคโนโลยีของบริษัทมีความก้าวหน้าอย่างมาก และโครงการต่างๆ ของซีรีย์ ZK ก็ยังพยายามอย่างต่อเนื่อง ในขณะเดียวกัน ด้วยความนิยมของแมชชีนเลิร์นนิง (ML) และการประยุกต์ใช้อย่างแพร่หลายในการผลิตและชีวิต หลายๆ บริษัทได้เริ่มสร้าง ฝึกฝน และปรับใช้โมเดลแมชชีนเลิร์นนิง แต่ปัญหาหลักที่แมชชีนเลิร์นนิงเผชิญอยู่ในปัจจุบันคือวิธีการสร้างความน่าเชื่อถือและการพึ่งพาข้อมูลที่ทึบแสง นี่คือความสำคัญของ ZKML: เพื่อให้ผู้ที่ใช้แมชชีนเลิร์นนิงเข้าใจโมเดลอย่างถ่องแท้โดยไม่ต้องเปิดเผยข้อมูลของตัวโมเดลเอง## ZKML คืออะไรZKML คืออะไร มาดูกันแยกกัน ZK (Zero-Knowledge Proof) เป็นโปรโตคอลการเข้ารหัสที่ผู้พิสูจน์สามารถพิสูจน์ให้ผู้ตรวจสอบเห็นว่าข้อความที่ระบุเป็นความจริงโดยไม่ต้องเปิดเผยข้อมูลอื่นใด กล่าวคือ สามารถทราบผลลัพธ์ได้โดยไม่ต้องดำเนินการใดๆZK มีลักษณะสำคัญสองประการ ประการแรก พิสูจน์สิ่งที่ต้องการพิสูจน์โดยไม่ต้องเปิดเผยข้อมูลมากเกินไปต่อผู้ตรวจสอบ ข้อสอง ยากที่จะสร้างหลักฐาน และตรวจสอบหลักฐานได้ง่ายด้วยคุณสมบัติสองประการนี้ ZK ได้พัฒนากรณีการใช้งานหลักหลายกรณี: การขยายเลเยอร์ 2, เชนสาธารณะส่วนตัว, ที่เก็บข้อมูลแบบกระจายศูนย์, การยืนยันตัวตน และการเรียนรู้ของเครื่อง การวิจัยในบทความนี้จะมุ่งเน้นไปที่ ZKML (Zero-Knowledge Machine Learning)ML (การเรียนรู้ของเครื่อง) คืออะไร การเรียนรู้ของเครื่องเป็นวิทยาศาสตร์ของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการพัฒนาและการประยุกต์ใช้อัลกอริทึมที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้และปรับให้เข้ากับข้อมูลได้โดยอัตโนมัติ เพิ่มประสิทธิภาพการทำงานผ่านกระบวนการทำซ้ำโดยไม่ต้องใช้กระบวนการโปรแกรม ใช้อัลกอริทึมและแบบจำลองเพื่อระบุข้อมูลเพื่อรับพารามิเตอร์ของแบบจำลอง และสุดท้ายก็ทำการทำนาย/ตัดสินใจในปัจจุบัน การเรียนรู้ของเครื่องได้ถูกนำไปใช้อย่างประสบความสำเร็จในด้านต่าง ๆ ด้วยการปรับปรุงโมเดลเหล่านี้ การเรียนรู้ของเครื่องจำเป็นต้องทำงานมากขึ้นเรื่อย ๆ เพื่อให้โมเดลมีความแม่นยำสูง จำเป็นต้องใช้เทคโนโลยี ZK: การใช้โมเดลสาธารณะ การตรวจสอบข้อมูลส่วนตัวหรือตรวจสอบโมเดลส่วนตัวด้วยข้อมูลสาธารณะZKML ที่เรากำลังพูดถึงในขณะนี้คือการสร้างการพิสูจน์ที่ไม่มีความรู้ของขั้นตอนการอนุมานของโมเดล ML ไม่ใช่การฝึกโมเดล ML## ทำไมเราถึงต้องการ ZKMLเมื่อเทคโนโลยีปัญญาประดิษฐ์ก้าวหน้าขึ้น การแยกแยะระหว่างปัญญาประดิษฐ์กับปัญญามนุษย์กับรุ่นมนุษย์ก็ยากขึ้น การพิสูจน์ความรู้ที่ไม่มีความรู้มีความสามารถในการแก้ปัญหานี้ ช่วยให้เราสามารถระบุได้ว่าเนื้อหาบางอย่างถูกสร้างขึ้นโดยใช้แบบจำลองบางอย่างหรือไม่ สร้างโดยไม่เปิดเผยข้อมูลอื่น ๆ เกี่ยวกับรุ่นหรืออินพุตแพลตฟอร์มแมชชีนเลิร์นนิงแบบดั้งเดิมมักต้องการให้นักพัฒนาส่งโมเดลสถาปัตยกรรมไปยังโฮสต์เพื่อตรวจสอบประสิทธิภาพ สิ่งนี้อาจทำให้เกิดปัญหาหลายประการ:* การสูญเสียทรัพย์สินทางปัญญา: การเปิดเผยสถาปัตยกรรมแบบจำลองทั้งหมดอาจเปิดเผยความลับทางการค้าหรือนวัตกรรมอันมีค่าที่นักพัฒนาต้องการเก็บไว้เป็นส่วนตัว* ขาดความโปร่งใส: กระบวนการประเมินอาจไม่โปร่งใส และผู้เข้าร่วมอาจไม่สามารถตรวจสอบได้ว่าโมเดลของตนอยู่ในอันดับใดเมื่อเทียบกับโมเดลอื่นๆ* ข้อกังวลเกี่ยวกับความเป็นส่วนตัวของข้อมูล: โมเดลที่ใช้ร่วมกันซึ่งได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่ละเอียดอ่อนอาจเปิดเผยข้อมูลเกี่ยวกับข้อมูลพื้นฐานโดยไม่ได้ตั้งใจ ละเมิดบรรทัดฐานและข้อบังคับด้านความเป็นส่วนตัวความท้าทายเหล่านี้ทำให้เกิดความต้องการโซลูชันที่สามารถปกป้องความเป็นส่วนตัวของโมเดลแมชชีนเลิร์นนิงและข้อมูลการฝึกอบรมได้ZK เสนอแนวทางที่มีแนวโน้มเพื่อจัดการกับความท้าทายที่แพลตฟอร์ม ML แบบดั้งเดิมต้องเผชิญ ด้วยการใช้ประโยชน์จากพลังของ ZK ทำให้ ZKML เป็นโซลูชันการรักษาความเป็นส่วนตัวโดยมีข้อดีดังต่อไปนี้:* ความเป็นส่วนตัวของโมเดล: นักพัฒนาสามารถเข้าร่วมในการตรวจสอบโดยไม่ต้องเปิดเผยสถาปัตยกรรมโมเดลทั้งหมด ซึ่งเป็นการปกป้องทรัพย์สินทางปัญญาของพวกเขา* การตรวจสอบอย่างโปร่งใส: ZK สามารถตรวจสอบประสิทธิภาพของโมเดลโดยไม่ต้องเปิดเผยภายในของโมเดล ซึ่งจะช่วยอำนวยความสะดวกในกระบวนการประเมินที่โปร่งใสและไร้ความน่าเชื่อถือ* ความเป็นส่วนตัวของข้อมูล: สามารถใช้ ZK เพื่อตรวจสอบข้อมูลส่วนตัวโดยใช้โมเดลสาธารณะหรือตรวจสอบโมเดลส่วนตัวโดยใช้ข้อมูลสาธารณะ เพื่อให้แน่ใจว่าข้อมูลที่ละเอียดอ่อนจะไม่รั่วไหลการผสานรวม ZK เข้ากับกระบวนการ ML ทำให้มีแพลตฟอร์มที่ปลอดภัยและรักษาความเป็นส่วนตัว ซึ่งช่วยแก้ไขข้อจำกัดของ ML แบบดั้งเดิม สิ่งนี้ไม่เพียงส่งเสริมการนำแมชชีนเลิร์นนิงมาใช้ในอุตสาหกรรมความเป็นส่วนตัว แต่ยังดึงดูดนักพัฒนา Web2 ที่มีประสบการณ์ให้สำรวจความเป็นไปได้ภายในระบบนิเวศ Web3## แอปพลิเคชัน ZKML และโอกาสด้วยการปรับปรุงที่เพิ่มขึ้นของการเข้ารหัส เทคโนโลยีการพิสูจน์ความรู้ที่ไม่มีศูนย์ และสิ่งอำนวยความสะดวกด้านฮาร์ดแวร์ โครงการต่างๆ ได้เริ่มสำรวจการใช้ ZKML มากขึ้นเรื่อยๆ ระบบนิเวศ ZKML สามารถแบ่งคร่าวๆ ออกเป็นสี่ประเภทต่อไปนี้:* Model Verification Compiler: โครงสร้างพื้นฐานสำหรับการคอมไพล์โมเดลจากรูปแบบที่มีอยู่ (เช่น Pytorch, ONNX เป็นต้น) ลงในวงจรคำนวณที่ตรวจสอบได้* ระบบพิสูจน์ทั่วไป: ระบบพิสูจน์ที่สร้างขึ้นเพื่อตรวจสอบเส้นทางการคำนวณโดยพลการ* ระบบพิสูจน์เฉพาะ ZKML: ระบบพิสูจน์ที่สร้างขึ้นโดยเฉพาะเพื่อตรวจสอบร่องรอยการคำนวณของโมเดล ML* แอปพลิเคชัน: โครงการที่จัดการกรณีการใช้งาน ZKMLตามหมวดหมู่ทางนิเวศวิทยาของแอปพลิเคชัน ZKML เหล่านี้ เราสามารถจัดประเภทโครงการที่ใช้ ZKML ในปัจจุบันได้:ZKML ยังคงเป็นเทคโนโลยีเกิดใหม่ ตลาดยังอยู่ในช่วงเริ่มต้น และแอปพลิเคชันจำนวนมากได้รับการทดสอบเฉพาะในงานแฮ็กกาธอนเท่านั้น แต่ ZKML ยังคงเปิดพื้นที่การออกแบบใหม่สำหรับสัญญาอัจฉริยะ:### ดีไฟแอปพลิเคชัน Defi ที่กำหนดพารามิเตอร์โดยใช้ ML สามารถทำงานอัตโนมัติได้มากขึ้น ตัวอย่างเช่น โปรโตคอลการให้ยืมสามารถใช้โมเดล ML เพื่ออัปเดตพารามิเตอร์แบบเรียลไทม์ ปัจจุบัน โปรโตคอลการให้กู้ยืมส่วนใหญ่เชื่อถือโมเดลนอกเครือข่ายที่ดำเนินการโดยองค์กรเพื่อกำหนดหลักประกัน LTV เกณฑ์การชำระบัญชี ฯลฯ แต่ทางเลือกที่ดีกว่าอาจเป็นโมเดลโอเพ่นซอร์สที่ผ่านการฝึกอบรมโดยชุมชนซึ่งทุกคนสามารถเรียกใช้และตรวจสอบได้ การใช้ออราเคิล ML แบบออฟไลน์ที่ตรวจสอบได้ ทำให้โมเดล ML สามารถประมวลผลข้อมูลที่เซ็นชื่อนอกเชนเพื่อการทำนายและจัดประเภท ออราเคิล ML แบบออฟไลน์เหล่านี้สามารถแก้ปัญหาตลาดการทำนายในโลกแห่งความเป็นจริง โปรโตคอลการให้ยืม ฯลฯ ได้อย่างไม่ไว้วางใจ โดยตรวจสอบเหตุผลและเผยแพร่หลักฐานออนไลน์### Web3 สังคมกรองสื่อโซเชียล Web3 ลักษณะการกระจายอำนาจของแอปพลิเคชันโซเชียล Web3 จะนำไปสู่สแปมและเนื้อหาที่เป็นอันตรายมากขึ้น ตามหลักการแล้ว แพลตฟอร์มโซเชียลมีเดียสามารถใช้โมเดล ML แบบโอเพ่นซอร์สที่ชุมชนยอมรับและเผยแพร่หลักฐานการให้เหตุผลของโมเดลเมื่อพวกเขาเลือกที่จะกรองโพสต์ ในฐานะผู้ใช้โซเชียลมีเดีย คุณอาจยินดีดูโฆษณาส่วนบุคคล แต่ต้องการให้การตั้งค่าและความสนใจของผู้ใช้เป็นส่วนตัวจากผู้ลงโฆษณา ผู้ใช้จึงสามารถเลือกรันโมเดลในเครื่องได้หากต้องการ ซึ่งสามารถป้อนเข้าสู่แอพพลิเคชั่นมีเดียเพื่อจัดหาเนื้อหาให้พวกเขาได้###เกมฟีZKML สามารถนำไปใช้กับเกมบนเครือข่ายประเภทใหม่ การสร้างเกม AI ของมนุษย์แบบร่วมมือ และเกมบนเครือข่ายนวัตกรรมอื่นๆ ที่โมเดล AI สามารถทำหน้าที่เป็น NPC และทุกการกระทำที่ NPC ทำจะถูกโพสต์บนเครือข่ายด้วย หลักฐานใด ๆ ที่ทุกคนสามารถตรวจสอบเพื่อตรวจสอบว่ารุ่นที่ถูกต้องกำลังทำงานอยู่ ในขณะเดียวกัน สามารถใช้โมเดล ML เพื่อปรับการออกโทเค็น การจัดหา การเผาไหม้ เกณฑ์การลงคะแนน ฯลฯ แบบไดนามิก สามารถออกแบบโมเดลสัญญาจูงใจที่จะปรับสมดุลเศรษฐกิจในเกม หากถึงเกณฑ์การปรับสมดุลใหม่และบทพิสูจน์ ของการยืนยันเหตุผล### การรับรองความถูกต้องแทนที่คีย์ส่วนตัวด้วยการรับรองความถูกต้องด้วยไบโอเมตริกที่รักษาความเป็นส่วนตัว การจัดการคีย์ส่วนตัวยังคงเป็นหนึ่งในปัญหาที่ใหญ่ที่สุดใน Web3 การแยกคีย์ส่วนตัวผ่านการจดจำใบหน้าหรือปัจจัยเฉพาะอื่นๆ อาจเป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับ ZKML#### 4. ความท้าทายของ ZKMLแม้ว่า ZKML จะได้รับการปรับปรุงและเพิ่มประสิทธิภาพอย่างต่อเนื่อง แต่ฟิลด์นี้ยังอยู่ในขั้นเริ่มต้นของการพัฒนา และยังคงมีความท้าทายจากเทคโนโลยีที่ต้องฝึกฝน:* การหาปริมาณโดยสูญเสียความแม่นยำน้อยที่สุด* ขนาดของวงจร โดยเฉพาะอย่างยิ่งเมื่อเครือข่ายประกอบด้วยหลายเลเยอร์* หลักฐานการคูณเมทริกซ์ที่มีประสิทธิภาพ* การโจมตีของฝ่ายตรงข้ามความท้าทายเหล่านี้อันดับแรกส่งผลต่อความแม่นยำของโมเดลแมชชีนเลิร์นนิง ประการที่สองส่งผลต่อต้นทุนและความเร็วในการพิสูจน์ และประการที่สามคือความเสี่ยงจากการถูกโจมตีจากการขโมยโมเดลการปรับปรุงปัญหาเหล่านี้กำลังดำเนินการอยู่ การสาธิต ZK-MNIST ของ @0xPARC ในปี 2021 แสดงวิธีนำแบบจำลองการจัดหมวดหมู่ภาพ MNIST สเกลเล็กไปใช้ในวงจรที่ตรวจสอบได้ Daniel Kang ทำเช่นเดียวกันกับแบบจำลองสเกล ImageNet ซึ่งปัจจุบันสเกล ImageNet โมเดลได้รับการปรับปรุงถึง 92% และคาดว่าจะถึงเร็วๆ นี้ด้วยการเร่งฮาร์ดแวร์เพิ่มเติมของพื้นที่ ML ที่กว้างขึ้นZKML ยังอยู่ในช่วงเริ่มต้นของการพัฒนา แต่ได้เริ่มแสดงผลลัพธ์มากมายแล้ว และเราคาดว่าจะเห็นแอปพลิเคชันที่เป็นนวัตกรรมใหม่ของ ZKML บนห่วงโซ่ ในขณะที่ ZKML พัฒนาอย่างต่อเนื่อง เราสามารถคาดการณ์อนาคตที่แมชชีนเลิร์นนิงที่รักษาความเป็นส่วนตัวจะกลายเป็นบรรทัดฐาน
อ่านเกี่ยวกับแอปพลิเคชันและศักยภาพของการเรียนรู้ของเครื่องที่ไม่มีความรู้ zkML
เขียนโดย: Callum, Web3CN.Pro
ZK ยังคงร้อนแรงอย่างต่อเนื่องตั้งแต่ปี 2022 และเทคโนโลยีของบริษัทมีความก้าวหน้าอย่างมาก และโครงการต่างๆ ของซีรีย์ ZK ก็ยังพยายามอย่างต่อเนื่อง ในขณะเดียวกัน ด้วยความนิยมของแมชชีนเลิร์นนิง (ML) และการประยุกต์ใช้อย่างแพร่หลายในการผลิตและชีวิต หลายๆ บริษัทได้เริ่มสร้าง ฝึกฝน และปรับใช้โมเดลแมชชีนเลิร์นนิง แต่ปัญหาหลักที่แมชชีนเลิร์นนิงเผชิญอยู่ในปัจจุบันคือวิธีการสร้างความน่าเชื่อถือและการพึ่งพาข้อมูลที่ทึบแสง นี่คือความสำคัญของ ZKML: เพื่อให้ผู้ที่ใช้แมชชีนเลิร์นนิงเข้าใจโมเดลอย่างถ่องแท้โดยไม่ต้องเปิดเผยข้อมูลของตัวโมเดลเอง
ZKML คืออะไร
ZKML คืออะไร มาดูกันแยกกัน ZK (Zero-Knowledge Proof) เป็นโปรโตคอลการเข้ารหัสที่ผู้พิสูจน์สามารถพิสูจน์ให้ผู้ตรวจสอบเห็นว่าข้อความที่ระบุเป็นความจริงโดยไม่ต้องเปิดเผยข้อมูลอื่นใด กล่าวคือ สามารถทราบผลลัพธ์ได้โดยไม่ต้องดำเนินการใดๆ
ZK มีลักษณะสำคัญสองประการ ประการแรก พิสูจน์สิ่งที่ต้องการพิสูจน์โดยไม่ต้องเปิดเผยข้อมูลมากเกินไปต่อผู้ตรวจสอบ ข้อสอง ยากที่จะสร้างหลักฐาน และตรวจสอบหลักฐานได้ง่าย
ด้วยคุณสมบัติสองประการนี้ ZK ได้พัฒนากรณีการใช้งานหลักหลายกรณี: การขยายเลเยอร์ 2, เชนสาธารณะส่วนตัว, ที่เก็บข้อมูลแบบกระจายศูนย์, การยืนยันตัวตน และการเรียนรู้ของเครื่อง การวิจัยในบทความนี้จะมุ่งเน้นไปที่ ZKML (Zero-Knowledge Machine Learning)
ML (การเรียนรู้ของเครื่อง) คืออะไร การเรียนรู้ของเครื่องเป็นวิทยาศาสตร์ของปัญญาประดิษฐ์ที่เกี่ยวข้องกับการพัฒนาและการประยุกต์ใช้อัลกอริทึมที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้และปรับให้เข้ากับข้อมูลได้โดยอัตโนมัติ เพิ่มประสิทธิภาพการทำงานผ่านกระบวนการทำซ้ำโดยไม่ต้องใช้กระบวนการโปรแกรม ใช้อัลกอริทึมและแบบจำลองเพื่อระบุข้อมูลเพื่อรับพารามิเตอร์ของแบบจำลอง และสุดท้ายก็ทำการทำนาย/ตัดสินใจ
ในปัจจุบัน การเรียนรู้ของเครื่องได้ถูกนำไปใช้อย่างประสบความสำเร็จในด้านต่าง ๆ ด้วยการปรับปรุงโมเดลเหล่านี้ การเรียนรู้ของเครื่องจำเป็นต้องทำงานมากขึ้นเรื่อย ๆ เพื่อให้โมเดลมีความแม่นยำสูง จำเป็นต้องใช้เทคโนโลยี ZK: การใช้โมเดลสาธารณะ การตรวจสอบข้อมูลส่วนตัวหรือตรวจสอบโมเดลส่วนตัวด้วยข้อมูลสาธารณะ
ZKML ที่เรากำลังพูดถึงในขณะนี้คือการสร้างการพิสูจน์ที่ไม่มีความรู้ของขั้นตอนการอนุมานของโมเดล ML ไม่ใช่การฝึกโมเดล ML
ทำไมเราถึงต้องการ ZKML
เมื่อเทคโนโลยีปัญญาประดิษฐ์ก้าวหน้าขึ้น การแยกแยะระหว่างปัญญาประดิษฐ์กับปัญญามนุษย์กับรุ่นมนุษย์ก็ยากขึ้น การพิสูจน์ความรู้ที่ไม่มีความรู้มีความสามารถในการแก้ปัญหานี้ ช่วยให้เราสามารถระบุได้ว่าเนื้อหาบางอย่างถูกสร้างขึ้นโดยใช้แบบจำลองบางอย่างหรือไม่ สร้างโดยไม่เปิดเผยข้อมูลอื่น ๆ เกี่ยวกับรุ่นหรืออินพุต
แพลตฟอร์มแมชชีนเลิร์นนิงแบบดั้งเดิมมักต้องการให้นักพัฒนาส่งโมเดลสถาปัตยกรรมไปยังโฮสต์เพื่อตรวจสอบประสิทธิภาพ สิ่งนี้อาจทำให้เกิดปัญหาหลายประการ:
ความท้าทายเหล่านี้ทำให้เกิดความต้องการโซลูชันที่สามารถปกป้องความเป็นส่วนตัวของโมเดลแมชชีนเลิร์นนิงและข้อมูลการฝึกอบรมได้
ZK เสนอแนวทางที่มีแนวโน้มเพื่อจัดการกับความท้าทายที่แพลตฟอร์ม ML แบบดั้งเดิมต้องเผชิญ ด้วยการใช้ประโยชน์จากพลังของ ZK ทำให้ ZKML เป็นโซลูชันการรักษาความเป็นส่วนตัวโดยมีข้อดีดังต่อไปนี้:
การผสานรวม ZK เข้ากับกระบวนการ ML ทำให้มีแพลตฟอร์มที่ปลอดภัยและรักษาความเป็นส่วนตัว ซึ่งช่วยแก้ไขข้อจำกัดของ ML แบบดั้งเดิม สิ่งนี้ไม่เพียงส่งเสริมการนำแมชชีนเลิร์นนิงมาใช้ในอุตสาหกรรมความเป็นส่วนตัว แต่ยังดึงดูดนักพัฒนา Web2 ที่มีประสบการณ์ให้สำรวจความเป็นไปได้ภายในระบบนิเวศ Web3
แอปพลิเคชัน ZKML และโอกาส
ด้วยการปรับปรุงที่เพิ่มขึ้นของการเข้ารหัส เทคโนโลยีการพิสูจน์ความรู้ที่ไม่มีศูนย์ และสิ่งอำนวยความสะดวกด้านฮาร์ดแวร์ โครงการต่างๆ ได้เริ่มสำรวจการใช้ ZKML มากขึ้นเรื่อยๆ ระบบนิเวศ ZKML สามารถแบ่งคร่าวๆ ออกเป็นสี่ประเภทต่อไปนี้:
ตามหมวดหมู่ทางนิเวศวิทยาของแอปพลิเคชัน ZKML เหล่านี้ เราสามารถจัดประเภทโครงการที่ใช้ ZKML ในปัจจุบันได้:
ZKML ยังคงเป็นเทคโนโลยีเกิดใหม่ ตลาดยังอยู่ในช่วงเริ่มต้น และแอปพลิเคชันจำนวนมากได้รับการทดสอบเฉพาะในงานแฮ็กกาธอนเท่านั้น แต่ ZKML ยังคงเปิดพื้นที่การออกแบบใหม่สำหรับสัญญาอัจฉริยะ:
ดีไฟ
แอปพลิเคชัน Defi ที่กำหนดพารามิเตอร์โดยใช้ ML สามารถทำงานอัตโนมัติได้มากขึ้น ตัวอย่างเช่น โปรโตคอลการให้ยืมสามารถใช้โมเดล ML เพื่ออัปเดตพารามิเตอร์แบบเรียลไทม์ ปัจจุบัน โปรโตคอลการให้กู้ยืมส่วนใหญ่เชื่อถือโมเดลนอกเครือข่ายที่ดำเนินการโดยองค์กรเพื่อกำหนดหลักประกัน LTV เกณฑ์การชำระบัญชี ฯลฯ แต่ทางเลือกที่ดีกว่าอาจเป็นโมเดลโอเพ่นซอร์สที่ผ่านการฝึกอบรมโดยชุมชนซึ่งทุกคนสามารถเรียกใช้และตรวจสอบได้ การใช้ออราเคิล ML แบบออฟไลน์ที่ตรวจสอบได้ ทำให้โมเดล ML สามารถประมวลผลข้อมูลที่เซ็นชื่อนอกเชนเพื่อการทำนายและจัดประเภท ออราเคิล ML แบบออฟไลน์เหล่านี้สามารถแก้ปัญหาตลาดการทำนายในโลกแห่งความเป็นจริง โปรโตคอลการให้ยืม ฯลฯ ได้อย่างไม่ไว้วางใจ โดยตรวจสอบเหตุผลและเผยแพร่หลักฐานออนไลน์
Web3 สังคม
กรองสื่อโซเชียล Web3 ลักษณะการกระจายอำนาจของแอปพลิเคชันโซเชียล Web3 จะนำไปสู่สแปมและเนื้อหาที่เป็นอันตรายมากขึ้น ตามหลักการแล้ว แพลตฟอร์มโซเชียลมีเดียสามารถใช้โมเดล ML แบบโอเพ่นซอร์สที่ชุมชนยอมรับและเผยแพร่หลักฐานการให้เหตุผลของโมเดลเมื่อพวกเขาเลือกที่จะกรองโพสต์ ในฐานะผู้ใช้โซเชียลมีเดีย คุณอาจยินดีดูโฆษณาส่วนบุคคล แต่ต้องการให้การตั้งค่าและความสนใจของผู้ใช้เป็นส่วนตัวจากผู้ลงโฆษณา ผู้ใช้จึงสามารถเลือกรันโมเดลในเครื่องได้หากต้องการ ซึ่งสามารถป้อนเข้าสู่แอพพลิเคชั่นมีเดียเพื่อจัดหาเนื้อหาให้พวกเขาได้
###เกมฟี
ZKML สามารถนำไปใช้กับเกมบนเครือข่ายประเภทใหม่ การสร้างเกม AI ของมนุษย์แบบร่วมมือ และเกมบนเครือข่ายนวัตกรรมอื่นๆ ที่โมเดล AI สามารถทำหน้าที่เป็น NPC และทุกการกระทำที่ NPC ทำจะถูกโพสต์บนเครือข่ายด้วย หลักฐานใด ๆ ที่ทุกคนสามารถตรวจสอบเพื่อตรวจสอบว่ารุ่นที่ถูกต้องกำลังทำงานอยู่ ในขณะเดียวกัน สามารถใช้โมเดล ML เพื่อปรับการออกโทเค็น การจัดหา การเผาไหม้ เกณฑ์การลงคะแนน ฯลฯ แบบไดนามิก สามารถออกแบบโมเดลสัญญาจูงใจที่จะปรับสมดุลเศรษฐกิจในเกม หากถึงเกณฑ์การปรับสมดุลใหม่และบทพิสูจน์ ของการยืนยันเหตุผล
การรับรองความถูกต้อง
แทนที่คีย์ส่วนตัวด้วยการรับรองความถูกต้องด้วยไบโอเมตริกที่รักษาความเป็นส่วนตัว การจัดการคีย์ส่วนตัวยังคงเป็นหนึ่งในปัญหาที่ใหญ่ที่สุดใน Web3 การแยกคีย์ส่วนตัวผ่านการจดจำใบหน้าหรือปัจจัยเฉพาะอื่นๆ อาจเป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับ ZKML
4. ความท้าทายของ ZKML
แม้ว่า ZKML จะได้รับการปรับปรุงและเพิ่มประสิทธิภาพอย่างต่อเนื่อง แต่ฟิลด์นี้ยังอยู่ในขั้นเริ่มต้นของการพัฒนา และยังคงมีความท้าทายจากเทคโนโลยีที่ต้องฝึกฝน:
ความท้าทายเหล่านี้อันดับแรกส่งผลต่อความแม่นยำของโมเดลแมชชีนเลิร์นนิง ประการที่สองส่งผลต่อต้นทุนและความเร็วในการพิสูจน์ และประการที่สามคือความเสี่ยงจากการถูกโจมตีจากการขโมยโมเดล
การปรับปรุงปัญหาเหล่านี้กำลังดำเนินการอยู่ การสาธิต ZK-MNIST ของ @0xPARC ในปี 2021 แสดงวิธีนำแบบจำลองการจัดหมวดหมู่ภาพ MNIST สเกลเล็กไปใช้ในวงจรที่ตรวจสอบได้ Daniel Kang ทำเช่นเดียวกันกับแบบจำลองสเกล ImageNet ซึ่งปัจจุบันสเกล ImageNet โมเดลได้รับการปรับปรุงถึง 92% และคาดว่าจะถึงเร็วๆ นี้ด้วยการเร่งฮาร์ดแวร์เพิ่มเติมของพื้นที่ ML ที่กว้างขึ้น
ZKML ยังอยู่ในช่วงเริ่มต้นของการพัฒนา แต่ได้เริ่มแสดงผลลัพธ์มากมายแล้ว และเราคาดว่าจะเห็นแอปพลิเคชันที่เป็นนวัตกรรมใหม่ของ ZKML บนห่วงโซ่ ในขณะที่ ZKML พัฒนาอย่างต่อเนื่อง เราสามารถคาดการณ์อนาคตที่แมชชีนเลิร์นนิงที่รักษาความเป็นส่วนตัวจะกลายเป็นบรรทัดฐาน