อธิบาย zkML: สู่อนาคตของปัญญาประดิษฐ์ที่ตรวจสอบได้

เมื่อเทคโนโลยี ZK พัฒนาขึ้น จะพบกรณีการใช้งาน zkML หลายกรณีที่มีความเหมาะสมกับตลาดผลิตภัณฑ์ที่แข็งแกร่ง

เขียนโดย: Avant Blockchain Capital

เรียบเรียง: GWEI Research

พื้นหลัง

ไม่กี่เดือนที่ผ่านมาได้เห็นความก้าวหน้าหลายอย่างในอุตสาหกรรม AI โมเดลเช่น GPT4 และ Stable Diffusion กำลังเปลี่ยนวิธีที่ผู้คนสร้างและโต้ตอบกับซอฟต์แวร์และอินเทอร์เน็ต

แม้จะมีความสามารถที่น่าประทับใจของโมเดล AI ใหม่เหล่านี้ แต่บางคนก็ยังกังวลเกี่ยวกับความคาดเดาไม่ได้และความสม่ำเสมอของ AI ตัวอย่างเช่น มีการขาดความโปร่งใสในโลกของบริการออนไลน์ ซึ่งงานแบ็กเอนด์ส่วนใหญ่ดำเนินการโดยโมเดล AI การตรวจสอบว่าโมเดลเหล่านี้ทำงานได้ตามที่คาดไว้ถือเป็นความท้าทาย นอกจากนี้ ความเป็นส่วนตัวของผู้ใช้ยังเป็นปัญหา เนื่องจากข้อมูลทั้งหมดที่เราให้กับ API ของโมเดลสามารถนำไปใช้ในการปรับปรุง AI หรือถูกแฮ็กเกอร์ใช้ประโยชน์ได้

ZKML อาจเป็นหนทางใหม่ในการแก้ปัญหาเหล่านี้ ด้วยการใส่คุณสมบัติที่ตรวจสอบได้และเชื่อถือได้ลงในโมเดลแมชชีนเลิร์นนิง เทคโนโลยีบล็อกเชนและ ZK สามารถสร้างกรอบการทำงานสำหรับการจัดตำแหน่ง AI

ZKML. คืออะไร

การเรียนรู้ด้วยเครื่องที่ไม่มีความรู้ (ZKML) ในบทความนี้หมายถึงการใช้ zkSNARK (หลักฐานที่ไม่มีความรู้) เพื่อพิสูจน์ความถูกต้องของการให้เหตุผลในการเรียนรู้ด้วยเครื่องโดยไม่เปิดเผยอินพุตโมเดลหรือพารามิเตอร์โมเดล ตามข้อมูลความเป็นส่วนตัวที่แตกต่างกัน กรณีการใช้งาน ZKML สามารถแบ่งออกเป็นประเภทต่อไปนี้:

โมเดลสาธารณะ + ข้อมูลส่วนตัว:

• การรักษาความเป็นส่วนตัวของแมชชีนเลิร์นนิง: สามารถใช้ ZKML เพื่อฝึกและประเมินโมเดลแมชชีนเลิร์นนิงในข้อมูลที่ละเอียดอ่อนโดยไม่ต้องเปิดเผยข้อมูลให้ใครทราบ สิ่งนี้อาจมีความสำคัญสำหรับการใช้งาน เช่น การวินิจฉัยทางการแพทย์และการตรวจจับการฉ้อโกงทางการเงิน เรายังเห็นผู้เล่นบางคนใช้ ZKML เพื่อสร้างบริการพิสูจน์ความเป็นมนุษย์ในการตรวจสอบความถูกต้องของข้อมูลไบโอเมตริกซ์
• ข้อพิสูจน์: ในโลกที่เนื้อหาออนไลน์ส่วนใหญ่สร้างโดย AI การเข้ารหัสสามารถให้แหล่งที่มาของความจริงได้ ผู้คนพยายามใช้ ZKML เพื่อแก้ปัญหา Deepfake

โมเดลส่วนตัว + ข้อมูลสาธารณะ:

• ความถูกต้องของโมเดล: สามารถใช้ ZKML เพื่อให้แน่ใจว่าโมเดลแมชชีนเลิร์นนิงมีความสอดคล้องกัน นี่อาจเป็นสิ่งสำคัญสำหรับผู้ใช้เพื่อให้แน่ใจว่าผู้ให้บริการโมเดลจะไม่ใช้โมเดลที่ถูกกว่าอย่างเกียจคร้านหรือถูกแฮ็ก

• Decentralized Kaggle: ZKML ช่วยให้ผู้เข้าร่วมการแข่งขันด้านวิทยาศาสตร์ข้อมูลสามารถพิสูจน์ความถูกต้องของแบบจำลองในข้อมูลการทดสอบสาธารณะโดยไม่ต้องเปิดเผยน้ำหนักของแบบจำลองในการฝึกอบรม

โมเดลสาธารณะ + ข้อมูลสาธารณะ:

• การให้เหตุผลแบบกระจายอำนาจ: วิธีนี้ส่วนใหญ่ใช้ลักษณะที่กระชับของ ZKML เพื่อบีบอัดการคำนวณ AI ที่ซับซ้อนให้เป็นการพิสูจน์ห่วงโซ่ที่คล้ายกับการยกเลิก ZK วิธีนี้สามารถกระจายต้นทุนของโมเดลที่ให้บริการไปยังหลายโหนด

เนื่องจาก zkSNARK กำลังจะเป็นเทคโนโลยีที่สำคัญมากในโลกของคริปโต ZKML จึงมีศักยภาพที่จะเปลี่ยนแปลงโลกของคริปโตเช่นกัน ด้วยการเพิ่มความสามารถของ AI ให้กับสัญญาอัจฉริยะ ZKML สามารถปลดล็อกแอปพลิเคชันบนเครือข่ายที่ซับซ้อนมากขึ้นได้ การผสานรวมนี้ได้รับการอธิบายในชุมชน ZKML ว่าเป็น "การจับตามอง blockchain"

##คอขวดทางเทคนิค

อย่างไรก็ตาม ZK-ML นำเสนอความท้าทายทางเทคนิคบางประการที่ต้องได้รับการแก้ไขในปัจจุบัน

Quantization: ZKP ทำงานในฟิลด์ แต่โครงข่ายประสาทเทียมได้รับการฝึกฝนในจุดลอยตัว ซึ่งหมายความว่าเพื่อให้โมเดลโครงข่ายประสาทเทียมเป็นมิตรกับ zk/blockchain จะต้องแปลงเป็นการแสดงเลขคณิตแบบจุดคงที่พร้อมการติดตามการคำนวณแบบเต็ม ซึ่งอาจทำให้ประสิทธิภาพของโมเดลลดลงเนื่องจากความแม่นยำของพารามิเตอร์ลดลง

การแปลข้ามภาษา: โมเดล AI ของโครงข่ายประสาทเทียมเขียนด้วยภาษาไพทอนและซีพีพี ขณะที่วงจร ZKP ต้องการสนิม ดังนั้นเราจึงต้องการเลเยอร์การแปลเพื่อแปลงโมเดลเป็นรันไทม์ที่ใช้ ZKP โดยปกติแล้วเลเยอร์การแปลประเภทนี้เป็นแบบเฉพาะรุ่นและเป็นการยากที่จะออกแบบเลเยอร์ทั่วไป

ต้นทุนการคำนวณของ ZKP: โดยทั่วไปแล้ว ต้นทุนของ ZKP จะสูงกว่าการคำนวณ ML เดิมมาก จากการทดลองของแล็บโมดูลัส สำหรับโมเดลที่มีพารามิเตอร์ 20M ตามระบบการพิสูจน์ ZK ที่แตกต่างกัน จะใช้เวลามากกว่า 1-5 นาทีในการสร้างการพิสูจน์ และการใช้หน่วยความจำอยู่ที่ประมาณ 20-60GB

ต้นทุนอัจฉริยะ — Modulus Labs

สถานะที่เป็นอยู่

แม้จะมีความท้าทายเหล่านี้ เราก็ยังเห็นความสนใจมากมายใน ZKML จากชุมชนคริปโต และมีทีมดีๆ ที่กำลังสำรวจพื้นที่นี้อยู่

โครงสร้างพื้นฐาน

โมเดลคอมไพเลอร์

เนื่องจากปัญหาคอขวดหลักของ ZKML คือการแปลงโมเดล AI เป็นวงจร ZK บางทีมจึงกำลังทำงานกับเลเยอร์พื้นฐาน เช่น คอมไพเลอร์โมเดล ZK เริ่มต้นด้วยโมเดลการถดถอยโลจิสติกหรือโมเดล CNN อย่างง่ายเมื่อ 1 ปีที่แล้ว ฟิลด์ได้พัฒนาไปสู่โมเดลที่ซับซ้อนมากขึ้นอย่างรวดเร็ว

ขณะนี้โครงการ EZKL รองรับโมเดลที่มีพารามิเตอร์สูงถึง 100 มม. ใช้รูปแบบ ONNX และระบบ halo2 ZKP ห้องสมุดยังรองรับการส่งโมเดลเพียงบางส่วนเท่านั้น

ไลบรารี ZKML รองรับ ZKP สำหรับ GPT2, Bert และโมเดลการแพร่กระจายแล้ว!

ZKVM

คอมไพเลอร์ ZKML ยังตกอยู่ในขอบเขตของเครื่องเสมือนที่ไม่มีความรู้ทั่วไปบางเครื่อง

Risc Zero เป็น zkVM ที่ใช้ชุดคำสั่ง RiscV แบบโอเพ่นซอร์ส ดังนั้นจึงสามารถรองรับ ZKP ของ c++ และสนิมได้ โปรเจ็กต์ zkDTP นี้แสดงวิธีแปลงโมเดล ML ของแผนผังการตัดสินใจเป็น Rust และเรียกใช้บน Risc Zero

เรายังเห็นบางทีมพยายามนำโมเดล AI มาใช้งานบนเครือข่ายผ่าน Startnet (Giza) และ Aleo (Zero Gravity)

แอปพลิเคชัน

นอกจากโครงสร้างพื้นฐานแล้ว ทีมอื่นๆ ยังได้เริ่มสำรวจแอปพลิเคชันของ ZKML

ดีไฟ:

ตัวอย่างของกรณีการใช้งาน DeFi คือห้องนิรภัยที่ขับเคลื่อนด้วย AI ซึ่งกลไกถูกกำหนดโดยโมเดล AI แทนที่จะเป็นนโยบายตายตัว กลยุทธ์เหล่านี้สามารถใช้ประโยชน์จากข้อมูลแบบ on-chain และ off-chain เพื่อคาดการณ์แนวโน้มของตลาดและดำเนินการซื้อขาย ZKML รับประกันโมเดลที่สอดคล้องกันบนห่วงโซ่ สิ่งนี้ทำให้กระบวนการทั้งหมดเป็นไปโดยอัตโนมัติและไม่น่าเชื่อถือ Mondulus Labs กำลังสร้าง RockyBot ทีมฝึกฝนโมเดล AI บนเครือข่ายเพื่อทำนายราคา ETH และสร้างสัญญาอัจฉริยะเพื่อทำธุรกรรมโดยอัตโนมัติกับโมเดล

กรณีการใช้งาน DeFi ที่เป็นไปได้อื่นๆ ได้แก่ DEX ที่ขับเคลื่อนด้วย AI และโปรโตคอลการให้ยืม Oracles ยังสามารถใช้ประโยชน์จาก ZKML เพื่อจัดหาแหล่งข้อมูลใหม่ที่สร้างจากข้อมูลนอกเครือข่าย

การเล่นเกม:

Modulus labs เปิดตัว Leela ซึ่งเป็นเกมหมากรุกที่ใช้ ZKML ซึ่งผู้ใช้ทุกคนสามารถเล่นกับบอทที่ขับเคลื่อนโดยโมเดล AI ที่ผ่านการตรวจสอบความถูกต้องของ ZK ความสามารถของปัญญาประดิษฐ์สามารถนำฟังก์ชันแบบอินเทอร์แอกทีฟมาสู่เกมที่เชื่อมโยงกันอย่างเต็มที่ที่มีอยู่

NFT/ เศรษฐกิจสำหรับผู้สร้าง:

EIP-7007: EIP นี้มีอินเทอร์เฟซสำหรับใช้ ZKML เพื่อตรวจสอบว่าเนื้อหาที่สร้างโดย AI สำหรับ NFT นั้นมาจากโมเดลเฉพาะที่มีอินพุตเฉพาะ (คำใบ้) มาตรฐานดังกล่าวสามารถเปิดใช้งานคอลเลกชันของ NFT ที่สร้างโดย AI และแม้แต่ขับเคลื่อนเศรษฐกิจของผู้สร้างรูปแบบใหม่

ขั้นตอนการทำงานของโครงการ EIP-7007

ตัวตน:

โครงการ Wordcoin กำลังนำเสนอโซลูชั่นพิสูจน์ความเป็นมนุษย์โดยอิงจากข้อมูลไบโอเมตริกซ์ของผู้ใช้ ทีมงานกำลังสำรวจการใช้ ZKML เพื่อให้ผู้ใช้สร้างรหัส Iris ในลักษณะที่ไม่ได้รับอนุญาต เมื่ออัลกอริทึมที่สร้างรหัส Iris ได้รับการอัปเกรด ผู้ใช้จะสามารถดาวน์โหลดโมเดลและสร้างการพิสูจน์ได้เองโดยไม่ต้องไปที่สถานี Orb

กุญแจลูกบุญธรรม

พิจารณาต้นทุนที่สูงของการพิสูจน์แบบไม่มีความรู้สำหรับโมเดล AI เราคิดว่าการนำ ZKML มาใช้สามารถเริ่มต้นด้วยกรณีการใช้งาน crypto-native บางกรณีที่มีต้นทุนความน่าเชื่อถือสูง

อีกตลาดหนึ่งที่เราควรพิจารณาคืออุตสาหกรรมที่ความเป็นส่วนตัวของข้อมูลมีความสำคัญมาก เช่น การดูแลสุขภาพ สำหรับสิ่งนี้ มีโซลูชันอื่นๆ เช่น การเรียนรู้แบบสมาพันธ์และ MPC ที่ปลอดภัย แต่ ZKML สามารถใช้ประโยชน์จากเครือข่ายสิ่งจูงใจที่ปรับขนาดได้ของบล็อกเชน

การยอมรับ ZKML ในวงกว้างอาจขึ้นอยู่กับการสูญเสียความไว้วางใจในผู้ให้บริการ AI ขนาดใหญ่ที่มีอยู่ จะมีเหตุการณ์ที่สร้างความตระหนักทั่วทั้งอุตสาหกรรมและกระตุ้นให้ผู้ใช้พิจารณาเทคโนโลยี AI ที่ตรวจสอบได้หรือไม่

##สรุป

ZKML ยังอยู่ในช่วงเริ่มต้นและมีความท้าทายมากมายที่ต้องเอาชนะ แต่เมื่อเทคโนโลยี ZK พัฒนาขึ้น เราคิดว่าอีกไม่นานผู้คนจะพบกรณีการใช้งานหลายกรณีสำหรับ ZKML ที่เหมาะสมกับตลาดผลิตภัณฑ์ที่แข็งแกร่ง กรณีการใช้งานเหล่านี้อาจดูเหมือนเหมาะสมในตอนแรก แต่เมื่อพลังของปัญญาประดิษฐ์แบบรวมศูนย์เติบโตขึ้นและแทรกซึมเข้าไปในทุกอุตสาหกรรมและแม้แต่ชีวิตมนุษย์ ผู้คนอาจพบว่า ZKML มีคุณค่ามากขึ้น