ZK teknolojisi geliştikçe, güçlü ürün-pazar uyumuna sahip birkaç zkML kullanım durumu bulacaksınız.
Yazan: Avant Blockchain Capital
Derleme: GWEI Araştırması
arka plan
Geçtiğimiz birkaç ay, AI endüstrisinde birkaç atılım gördü. GPT4 ve Stable Diffusion gibi modeller, insanların yazılım ve internet oluşturma ve bunlarla etkileşim kurma şeklini değiştiriyor.
Bu yeni AI modellerinin etkileyici yeteneklerine rağmen, bazıları hala AI'nın öngörülemezliği ve tutarlılığı konusunda endişeleniyor. Örneğin, arka uç işlerinin çoğunun yapay zeka modelleri tarafından yürütüldüğü çevrimiçi hizmetler dünyasında şeffaflık eksikliği var. Bu modellerin beklendiği gibi çalıştığını doğrulamak zorlu bir iştir. Ayrıca, model API'sine sağladığımız tüm veriler yapay zekayı geliştirmek için kullanılabileceği veya bilgisayar korsanları tarafından istismar edilebileceği için kullanıcı gizliliği bir sorundur.
ZKML, bu sorunları çözmenin yeni bir yolu olabilir. Blok zinciri ve ZK teknolojisi, makine öğrenimi modellerine doğrulanabilir ve güvenilmez özellikler enjekte ederek yapay zeka uyumu için bir çerçeve oluşturabilir.
ZKML nedir
Bu belgedeki sıfır bilgili makine öğrenimi (ZKML), model girdilerini veya model parametrelerini açığa çıkarmadan makine öğrenimi muhakemesinin doğruluğunu kanıtlamak için zkSNARK'ların (sıfır bilgi kanıtı) kullanımına atıfta bulunur. Farklı gizlilik bilgilerine göre, ZKML kullanım durumları aşağıdaki türlere ayrılabilir:
Genel model + özel veriler:
Gizliliği Koruyan Makine Öğrenimi: ZKML, verileri başkasına ifşa etmeden hassas veriler üzerinde makine öğrenimi modellerini eğitmek ve değerlendirmek için kullanılabilir. Bu, tıbbi teşhis ve finansal dolandırıcılık tespiti gibi uygulamalar için önemli olabilir. Ayrıca bazı oyuncuların, biyometrik veri kimlik doğrulamasında insanlık kanıtı hizmetleri oluşturmak için ZKML kullandığını gördük.
Kanıt: Çoğu çevrimiçi içeriğin yapay zeka tarafından üretildiği bir dünyada, kriptografi bir hakikat kaynağı sağlayabilir. İnsanlar deepfake sorununu çözmek için ZKML kullanmaya çalışıyor.
Özel Model + Herkese Açık Veriler:
Model özgünlüğü: ZKML, makine öğrenimi modellerinin tutarlılığını sağlamak için kullanılabilir. Bu, model sağlayıcıların daha ucuz modelleri tembelce kullanmamasını veya saldırıya uğramamasını sağlamak için kullanıcılar için önemli olabilir.
Merkezi Olmayan Kaggle: ZKML, veri bilimi yarışmalarındaki katılımcıların, eğitimde model ağırlıklarını açıklamadan herkese açık test verilerinde modellerin doğruluğunu kanıtlamalarına olanak tanır
Genel model + genel veriler:
Merkezi olmayan akıl yürütme: Bu yöntem, karmaşık AI hesaplamalarını ZK toplamasına benzer zincir kanıtlarına sıkıştırmak için temel olarak ZKML'nin özlü özelliklerini kullanır. Bu yaklaşım, model sunma maliyetini birden fazla düğüme dağıtabilir.
ZkSNARK'lar kripto dünyasında çok önemli bir teknoloji olacağı için ZKML, kripto dünyasını da değiştirme potansiyeline sahip. ZKML, akıllı sözleşmelere yapay zeka yetenekleri ekleyerek daha karmaşık zincir üstü uygulamaların kilidini açabilir. Bu entegrasyon, ZKML topluluğunda "blok zincirine göz atmak" olarak tanımlanmıştır.
Teknik darboğaz
Ancak ZK-ML, şu anda ele alınması gereken bazı teknik zorluklar sunmaktadır.
Niceleme: ZKP'ler alanlar üzerinde çalışır, ancak sinir ağları kayan noktada eğitilir. Bu, bir sinir ağı modelinin zk/blockchain dostu olması için, tam hesaplama takibi ile sabit noktalı bir aritmetik temsile dönüştürülmesi gerektiği anlamına gelir. Bu, parametrelerin daha düşük kesinliği nedeniyle model performansını feda edebilir.
Diller arası çeviri: Sinir ağı AI modelleri python ve cpp ile yazılırken, ZKP devreleri pas gerektirir. Bu nedenle, modeli ZKP tabanlı bir çalışma zamanına dönüştürmek için bir çeviri katmanına ihtiyacımız var. Genellikle bu tür çeviri katmanı modele özgüdür ve genel bir tane tasarlamak zordur.
ZKP'nin hesaplama maliyeti: ZKP'nin maliyeti temel olarak orijinal ML hesaplamasından çok daha yüksek olacaktır. Modulus laboratuvarlarının deneylerine göre, 20M parametreli bir model için, farklı ZK prova sistemlerine göre, provanın oluşturulması 1-5 dakikadan fazla sürüyor ve bellek tüketimi 20-60GB civarında.
Akıllı Maliyet — Modül Laboratuvarları
statüko
Bu zorluklara rağmen, kripto topluluğundan ZKML'ye büyük ilgi gördük ve bu alanı araştıran bazı iyi ekipler var.
altyapı
Model Derleyici
ZKML'nin ana darboğazı, AI modellerini ZK devrelerine dönüştürmek olduğundan, bazı ekipler ZK model derleyicileri gibi temel katmanlar üzerinde çalışıyor. 1 yıl önce lojistik regresyon modelleri veya basit CNN modelleri ile başlayan alan, hızla daha karmaşık modellere doğru ilerledi.
EZKL projesi artık 100 mm'ye kadar olan modelleri desteklemektedir. ONNX biçimini ve halo2 ZKP sistemini kullanır. Kitaplık, modelin yalnızca bir kısmının gönderilmesini de destekler.
ZKML kütüphanesi zaten GPT2, Bert ve difüzyon modelleri için ZKP'yi destekliyor!
ZKVM
ZKML derleyicileri ayrıca bazı daha genel sıfır bilgili sanal makinelerin alanına girer.
Risc Zero, açık kaynaklı RiscV komut setini kullanan bir zkVM'dir, bu nedenle c++ ve rust ZKP'sini destekleyebilir. Bu zkDTP projesi, bir karar ağacı makine öğrenimi modelinin Rust'a nasıl dönüştürüleceğini ve Risc Zero üzerinde nasıl çalıştırılacağını gösterir.
Startnet (Giza) ve Aleo (Zero Gravity) aracılığıyla AI modellerini zincire getirmeye çalışan bazı ekipler de görüyoruz.
Başvuru
Altyapıya ek olarak, diğer ekipler de ZKML uygulamasını keşfetmeye başladı.
Tanım:
DeFi kullanım durumuna bir örnek, mekanizmaların sabit politikalar yerine yapay zeka modelleri tarafından tanımlandığı yapay zeka odaklı bir kasadır. Bu stratejiler, piyasa trendlerini tahmin etmek ve alım satımları gerçekleştirmek için zincir içi ve zincir dışı verileri kullanabilir. ZKML, zincir üzerinde tutarlı bir modeli garanti eder. Bu, tüm süreci otomatik ve güvenilir hale getirir. Mondulus Labs, RockyBot'u inşa ediyor. Ekip, ETH fiyatlarını tahmin etmesi için zincir üstü bir yapay zeka modeli eğitti ve modelle otomatik olarak işlem yapmak için bir akıllı sözleşme oluşturdu.
Diğer potansiyel DeFi kullanım durumları, yapay zeka destekli DEX'leri ve borç verme protokollerini içerir. Kahinler, zincir dışı verilerden üretilen yeni veri kaynakları sağlamak için ZKML'den de yararlanabilir.
Oyun:
Modulus laboratuvarları, tüm kullanıcıların ZK onaylı yapay zeka modeli tarafından desteklenen bir bota karşı oynayabileceği, ZKML tabanlı bir satranç oyunu olan Leela'yı piyasaya sürdü. Yapay zeka yetenekleri, mevcut tamamen zincirlenmiş oyunlara daha etkileşimli işlevler getirebilir.
NFT/ Yaratıcı Ekonomi:
EIP-7007: Bu EIP, bir NFT için yapay zeka tarafından oluşturulan içeriğin gerçekten de belirli girdilere (ipuçlarına) sahip belirli bir modelden olduğunu doğrulamak için ZKML'yi kullanmak üzere bir arabirim sağlar. Standart, AI tarafından üretilen NFT'lerin koleksiyonlarını etkinleştirebilir ve hatta yeni bir tür içerik oluşturucu ekonomisine güç verebilir.
EIP-7007 Proje İş Akışı
Kimlik:
Wordcoin projesi, kullanıcı biyometrik bilgilerine dayalı bir insanlık kanıtı çözümü sunuyor. Ekip, kullanıcıların Iris kodunu izinsiz bir şekilde oluşturmasına izin vermek için ZKML kullanımını araştırıyor. İris kodunu üreten algoritma yükseltildiğinde, kullanıcılar Orb istasyonuna gitmeden modeli indirebilir ve kanıtları kendileri üretebilir.
Kabul edilen anahtar
Yapay zeka modelleri için sıfır bilgi kanıtlarının yüksek maliyetini göz önünde bulundurun. ZKML'nin benimsenmesinin, güven maliyetlerinin yüksek olduğu bazı kripto-yerel kullanım durumlarıyla başlayabileceğini düşünüyoruz.
Dikkate almamız gereken bir diğer pazar, sağlık hizmetleri gibi veri gizliliğinin çok önemli olduğu sektörlerdir. Bunun için birleşik öğrenme ve güvenli MPC gibi başka çözümler de var, ancak ZKML, blok zincirinin ölçeklenebilir teşvikli ağından yararlanabilir.
ZKML'nin daha geniş bir kitlesel olarak benimsenmesi, mevcut büyük AI sağlayıcılarına duyulan güvenin kaybolmasına bağlı olabilir. Sektör genelinde farkındalık yaratan ve kullanıcıları doğrulanabilir yapay zeka teknolojilerini düşünmeye sevk eden etkinlikler olacak mı?
Özetle
ZKML henüz ilk günlerinde ve üstesinden gelinmesi gereken birçok zorluk var. Ancak ZK teknolojisi geliştikçe, insanların yakında ZKML için güçlü ürün-pazar uyumuna sahip birkaç kullanım durumu bulacağını düşünüyoruz. Bu kullanım durumları ilk başta uygun gibi görünebilir. Ancak merkezi yapay zekanın gücü büyüyüp her sektöre ve hatta insan yaşamına nüfuz ettikçe, insanlar ZKML'de daha büyük değer bulabilir.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
zkML'yi Açıklamak: Doğrulanabilir yapay zekanın geleceğine doğru
Yazan: Avant Blockchain Capital
Derleme: GWEI Araştırması
arka plan
Geçtiğimiz birkaç ay, AI endüstrisinde birkaç atılım gördü. GPT4 ve Stable Diffusion gibi modeller, insanların yazılım ve internet oluşturma ve bunlarla etkileşim kurma şeklini değiştiriyor.
Bu yeni AI modellerinin etkileyici yeteneklerine rağmen, bazıları hala AI'nın öngörülemezliği ve tutarlılığı konusunda endişeleniyor. Örneğin, arka uç işlerinin çoğunun yapay zeka modelleri tarafından yürütüldüğü çevrimiçi hizmetler dünyasında şeffaflık eksikliği var. Bu modellerin beklendiği gibi çalıştığını doğrulamak zorlu bir iştir. Ayrıca, model API'sine sağladığımız tüm veriler yapay zekayı geliştirmek için kullanılabileceği veya bilgisayar korsanları tarafından istismar edilebileceği için kullanıcı gizliliği bir sorundur.
ZKML, bu sorunları çözmenin yeni bir yolu olabilir. Blok zinciri ve ZK teknolojisi, makine öğrenimi modellerine doğrulanabilir ve güvenilmez özellikler enjekte ederek yapay zeka uyumu için bir çerçeve oluşturabilir.
ZKML nedir
Bu belgedeki sıfır bilgili makine öğrenimi (ZKML), model girdilerini veya model parametrelerini açığa çıkarmadan makine öğrenimi muhakemesinin doğruluğunu kanıtlamak için zkSNARK'ların (sıfır bilgi kanıtı) kullanımına atıfta bulunur. Farklı gizlilik bilgilerine göre, ZKML kullanım durumları aşağıdaki türlere ayrılabilir:
Genel model + özel veriler:
Özel Model + Herkese Açık Veriler:
Genel model + genel veriler:
ZkSNARK'lar kripto dünyasında çok önemli bir teknoloji olacağı için ZKML, kripto dünyasını da değiştirme potansiyeline sahip. ZKML, akıllı sözleşmelere yapay zeka yetenekleri ekleyerek daha karmaşık zincir üstü uygulamaların kilidini açabilir. Bu entegrasyon, ZKML topluluğunda "blok zincirine göz atmak" olarak tanımlanmıştır.
Teknik darboğaz
Ancak ZK-ML, şu anda ele alınması gereken bazı teknik zorluklar sunmaktadır.
Niceleme: ZKP'ler alanlar üzerinde çalışır, ancak sinir ağları kayan noktada eğitilir. Bu, bir sinir ağı modelinin zk/blockchain dostu olması için, tam hesaplama takibi ile sabit noktalı bir aritmetik temsile dönüştürülmesi gerektiği anlamına gelir. Bu, parametrelerin daha düşük kesinliği nedeniyle model performansını feda edebilir.
Diller arası çeviri: Sinir ağı AI modelleri python ve cpp ile yazılırken, ZKP devreleri pas gerektirir. Bu nedenle, modeli ZKP tabanlı bir çalışma zamanına dönüştürmek için bir çeviri katmanına ihtiyacımız var. Genellikle bu tür çeviri katmanı modele özgüdür ve genel bir tane tasarlamak zordur.
ZKP'nin hesaplama maliyeti: ZKP'nin maliyeti temel olarak orijinal ML hesaplamasından çok daha yüksek olacaktır. Modulus laboratuvarlarının deneylerine göre, 20M parametreli bir model için, farklı ZK prova sistemlerine göre, provanın oluşturulması 1-5 dakikadan fazla sürüyor ve bellek tüketimi 20-60GB civarında.
Akıllı Maliyet — Modül Laboratuvarları
statüko
Bu zorluklara rağmen, kripto topluluğundan ZKML'ye büyük ilgi gördük ve bu alanı araştıran bazı iyi ekipler var.
altyapı
Model Derleyici
ZKML'nin ana darboğazı, AI modellerini ZK devrelerine dönüştürmek olduğundan, bazı ekipler ZK model derleyicileri gibi temel katmanlar üzerinde çalışıyor. 1 yıl önce lojistik regresyon modelleri veya basit CNN modelleri ile başlayan alan, hızla daha karmaşık modellere doğru ilerledi.
ZKVM
ZKML derleyicileri ayrıca bazı daha genel sıfır bilgili sanal makinelerin alanına girer.
Başvuru
Altyapıya ek olarak, diğer ekipler de ZKML uygulamasını keşfetmeye başladı.
Tanım:
DeFi kullanım durumuna bir örnek, mekanizmaların sabit politikalar yerine yapay zeka modelleri tarafından tanımlandığı yapay zeka odaklı bir kasadır. Bu stratejiler, piyasa trendlerini tahmin etmek ve alım satımları gerçekleştirmek için zincir içi ve zincir dışı verileri kullanabilir. ZKML, zincir üzerinde tutarlı bir modeli garanti eder. Bu, tüm süreci otomatik ve güvenilir hale getirir. Mondulus Labs, RockyBot'u inşa ediyor. Ekip, ETH fiyatlarını tahmin etmesi için zincir üstü bir yapay zeka modeli eğitti ve modelle otomatik olarak işlem yapmak için bir akıllı sözleşme oluşturdu.
Diğer potansiyel DeFi kullanım durumları, yapay zeka destekli DEX'leri ve borç verme protokollerini içerir. Kahinler, zincir dışı verilerden üretilen yeni veri kaynakları sağlamak için ZKML'den de yararlanabilir.
Oyun:
Modulus laboratuvarları, tüm kullanıcıların ZK onaylı yapay zeka modeli tarafından desteklenen bir bota karşı oynayabileceği, ZKML tabanlı bir satranç oyunu olan Leela'yı piyasaya sürdü. Yapay zeka yetenekleri, mevcut tamamen zincirlenmiş oyunlara daha etkileşimli işlevler getirebilir.
NFT/ Yaratıcı Ekonomi:
EIP-7007: Bu EIP, bir NFT için yapay zeka tarafından oluşturulan içeriğin gerçekten de belirli girdilere (ipuçlarına) sahip belirli bir modelden olduğunu doğrulamak için ZKML'yi kullanmak üzere bir arabirim sağlar. Standart, AI tarafından üretilen NFT'lerin koleksiyonlarını etkinleştirebilir ve hatta yeni bir tür içerik oluşturucu ekonomisine güç verebilir.
EIP-7007 Proje İş Akışı
Kimlik:
Wordcoin projesi, kullanıcı biyometrik bilgilerine dayalı bir insanlık kanıtı çözümü sunuyor. Ekip, kullanıcıların Iris kodunu izinsiz bir şekilde oluşturmasına izin vermek için ZKML kullanımını araştırıyor. İris kodunu üreten algoritma yükseltildiğinde, kullanıcılar Orb istasyonuna gitmeden modeli indirebilir ve kanıtları kendileri üretebilir.
Kabul edilen anahtar
Yapay zeka modelleri için sıfır bilgi kanıtlarının yüksek maliyetini göz önünde bulundurun. ZKML'nin benimsenmesinin, güven maliyetlerinin yüksek olduğu bazı kripto-yerel kullanım durumlarıyla başlayabileceğini düşünüyoruz.
Dikkate almamız gereken bir diğer pazar, sağlık hizmetleri gibi veri gizliliğinin çok önemli olduğu sektörlerdir. Bunun için birleşik öğrenme ve güvenli MPC gibi başka çözümler de var, ancak ZKML, blok zincirinin ölçeklenebilir teşvikli ağından yararlanabilir.
ZKML'nin daha geniş bir kitlesel olarak benimsenmesi, mevcut büyük AI sağlayıcılarına duyulan güvenin kaybolmasına bağlı olabilir. Sektör genelinde farkındalık yaratan ve kullanıcıları doğrulanabilir yapay zeka teknolojilerini düşünmeye sevk eden etkinlikler olacak mı?
Özetle
ZKML henüz ilk günlerinde ve üstesinden gelinmesi gereken birçok zorluk var. Ancak ZK teknolojisi geliştikçe, insanların yakında ZKML için güçlü ürün-pazar uyumuna sahip birkaç kullanım durumu bulacağını düşünüyoruz. Bu kullanım durumları ilk başta uygun gibi görünebilir. Ancak merkezi yapay zekanın gücü büyüyüp her sektöre ve hatta insan yaşamına nüfuz ettikçe, insanlar ZKML'de daha büyük değer bulabilir.