З удосконаленням технології ZK можна знайти кілька випадків використання zkML, які добре відповідають ринку продукту.
Автор: Avant Blockchain Capital
Компіляція: GWEI Research
фон
За останні кілька місяців в індустрії ШІ відбулося кілька проривів. Такі моделі, як GPT4 і Stable Diffusion, змінюють те, як люди створюють і взаємодіють із програмним забезпеченням та Інтернетом.
Незважаючи на вражаючі можливості цих нових моделей штучного інтелекту, декого все ще хвилює непередбачуваність і послідовність штучного інтелекту. Наприклад, бракує прозорості у світі онлайн-сервісів, де більша частина серверної роботи виконується моделями ШІ. Перевірка того, що ці моделі працюють належним чином, є проблемою. Крім того, конфіденційність користувачів є проблемою, оскільки всі дані, які ми надаємо в API моделі, можуть бути використані для покращення ШІ або використані хакерами.
ZKML може бути новим способом вирішення цих проблем. Впроваджуючи перевірені та ненадійні властивості в моделі машинного навчання, блокчейн і технологія ZK можуть сформувати структуру для узгодження ШІ.
Що таке ZKML
Машинне навчання з нульовим знанням (ZKML) у цій статті відноситься до використання zkSNARK (доказу з нульовим знанням) для доведення правильності міркувань машинного навчання без розкриття вхідних даних або параметрів моделі. Відповідно до різної інформації про конфіденційність, варіанти використання ZKML можна розділити на такі типи:
Публічна модель + особисті дані:
Машинне навчання із збереженням конфіденційності: ZKML можна використовувати для навчання та оцінки моделей машинного навчання на конфіденційних даних, не розкриваючи дані нікому іншому. Це може бути важливо для таких програм, як медична діагностика та виявлення фінансового шахрайства. Ми також бачили, як деякі гравці використовують ZKML для створення служб підтвердження людськості на основі автентифікації біометричних даних.
Доказ: у світі, де більшість онлайн-контенту створюється ШІ, криптографія може стати джерелом правди. Люди намагаються використовувати ZKML для вирішення проблеми deepfake.
Приватна модель + публічні дані:
Автентичність моделі: ZKML можна використовувати для забезпечення узгодженості моделей машинного навчання. Це може бути важливо для користувачів, щоб переконатися, що постачальники моделей не ліниво використовують дешевші моделі або не будуть зламані.
Децентралізований Kaggle: ZKML дозволяє учасникам змагань із науки про дані доводити точність моделей на загальнодоступних тестових даних, не розкриваючи ваги моделі під час навчання
Загальнодоступна модель + публічні дані:
Децентралізоване міркування: цей метод переважно використовує стислі характеристики ZKML для стиснення складних обчислень штучного інтелекту в ланцюгові докази, подібні до зведення ZK. Цей підхід може розподілити вартість обслуговування моделі між кількома вузлами.
Оскільки zkSNARK будуть дуже важливою технологією в криптосвіті, ZKML також має потенціал змінити криптосвіт. Додавши можливості штучного інтелекту до смарт-контрактів, ZKML може розблокувати складніші програми в мережі. Ця інтеграція була описана в спільноті ZKML як «погляд на блокчейн».
Технічне вузьке місце
Однак ZK-ML представляє деякі технічні проблеми, які зараз необхідно вирішити.
Квантування: ZKP працюють на полях, але нейронні мережі навчаються з плаваючою комою. Це означає, що для того, щоб модель нейронної мережі була зручною для zk/blockchain, її потрібно перетворити на арифметичне представлення з фіксованою комою з повним відстеженням обчислень. Це може вплинути на продуктивність моделі через нижчу точність параметрів.
Міжмовний переклад: моделі штучного інтелекту нейронних мереж написані на python і cpp, тоді як схеми ZKP потребують rust. Отже, нам потрібен рівень перекладу, щоб перетворити модель у середовище виконання на основі ZKP. Зазвичай цей тип рівня перекладу є специфічним для моделі, і його важко спроектувати загальний.
Обчислювальна вартість ZKP: вартість ZKP в основному буде набагато вищою, ніж вихідний розрахунок ML. Згідно з експериментами лабораторій Modulus, для моделі з параметрами 20M, відповідно до різних систем перевірки ZK, для створення перевірки потрібно більше 1-5 хвилин, а споживання пам’яті становить близько 20-60 ГБ.
Smart Cost — Modulus Labs
статус кво
Незважаючи на ці труднощі, ми помітили великий інтерес до ZKML з боку криптоспільноти, і є кілька хороших команд, які досліджують цей простір.
інфраструктура
Компілятор моделі
Оскільки основним вузьким місцем ZKML є перетворення моделей ШІ в схеми ZK, деякі команди працюють над базовими рівнями, такими як компілятори моделей ZK. Починаючи з моделей логістичної регресії або простих моделей CNN рік тому, галузь швидко прогресувала до більш складних моделей.
Проект EZKL тепер підтримує моделі з параметрами до 100 мм. Він використовує формат ONNX і систему halo2 ZKP. Бібліотека також підтримує надсилання лише частини моделі.
Бібліотека ZKML вже підтримує ZKP для моделей GPT2, Bert і дифузії!
ЗКВМ
Компілятори ZKML також потрапляють у сферу деяких більш загальних віртуальних машин з нульовим знанням.
Risc Zero — це zkVM, що використовує набір інструкцій RiscV з відкритим кодом, тож він може підтримувати ZKP C++ і rust. Цей проект zkDTP показує, як перетворити модель ML дерева рішень на Rust і запустити її на Risc Zero.
Ми також бачимо, як деякі команди намагаються підключити моделі ШІ через Startnet (Giza) і Aleo (Zero Gravity).
Додаток
Окрім інфраструктури, інші команди також почали досліджувати застосування ZKML
Defi:
Прикладом використання DeFi є сховище, кероване AI, де механізми визначаються моделями AI, а не фіксованими політиками. Ці стратегії можуть використовувати дані в мережі та поза мережею для прогнозування ринкових тенденцій і здійснення угод. ZKML гарантує узгоджену модель на ланцюзі. Це робить весь процес автоматичним і ненадійним. Mondulus Labs створює RockyBot. Команда навчила мережеву модель штучного інтелекту прогнозувати ціни ETH і створила смарт-контракт для автоматичного здійснення транзакцій з моделлю.
Інші потенційні випадки використання DeFi включають DEX на основі ШІ та протоколи кредитування. Oracles також може використовувати ZKML, щоб надавати нові джерела даних, згенеровані з даних поза мережею.
Ігри:
Лабораторії Modulus запустили Leela, шахову гру на основі ZKML, у яку всі користувачі можуть грати проти бота, що працює на основі моделі ШІ, перевіреної ZK. Можливості штучного інтелекту можуть додати більше інтерактивних функцій до існуючих повноцінних ігор.
NFT/ Creator Economy:
EIP-7007: цей EIP надає інтерфейс для використання ZKML для перевірки того, що створений штучним інтелектом вміст для NFT справді походить від конкретної моделі з певними вхідними даними (підказками). Стандарт може увімкнути колекції створених штучним інтелектом NFT і навіть створити новий вид економіки творців.
Робочий процес проекту EIP-7007
Ідентичність:
Проект Wordcoin пропонує рішення для підтвердження людськості на основі біометричної інформації користувача. Команда досліджує використання ZKML, щоб дозволити користувачам генерувати код Iris без дозволу. Коли алгоритм, який генерує код Iris, буде оновлено, користувачі зможуть завантажити модель і самостійно створити докази, не відвідуючи станцію Orb.
Прийнятий ключ
Зверніть увагу на високу вартість доказів з нульовим знанням для моделей ШІ. Ми вважаємо, що прийняття ZKML може початися з деяких випадків використання криптографії, де вартість довіри висока.
Ще один ринок, який ми повинні розглянути, це галузі, де конфіденційність даних є дуже важливою, наприклад охорона здоров’я. Для цього існують інші рішення, такі як федеративне навчання та захищений MPC, але ZKML може використовувати масштабовану стимульовану мережу блокчейна.
Більш широке масове впровадження ZKML може залежати від втрати довіри до існуючих великих постачальників штучного інтелекту. Чи відбудуться події, які підвищать обізнаність у галузі та спонукатимуть користувачів розглянути перевірені технології ШІ?
Підведіть підсумки
ZKML все ще знаходиться на початку свого становлення, і потрібно подолати багато проблем. Але оскільки технологія ZK вдосконалюється, ми думаємо, що незабаром люди знайдуть кілька варіантів використання ZKML, які добре відповідають ринку продукту. Ці варіанти використання спочатку можуть здатися підходящими. Але оскільки потужність централізованого штучного інтелекту зростає та проникає в кожну галузь і навіть життя людини, люди можуть знайти більшу цінність у ZKML.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Пояснення zkML: на шляху до майбутнього штучного інтелекту, який можна перевірити
Автор: Avant Blockchain Capital
Компіляція: GWEI Research
фон
За останні кілька місяців в індустрії ШІ відбулося кілька проривів. Такі моделі, як GPT4 і Stable Diffusion, змінюють те, як люди створюють і взаємодіють із програмним забезпеченням та Інтернетом.
Незважаючи на вражаючі можливості цих нових моделей штучного інтелекту, декого все ще хвилює непередбачуваність і послідовність штучного інтелекту. Наприклад, бракує прозорості у світі онлайн-сервісів, де більша частина серверної роботи виконується моделями ШІ. Перевірка того, що ці моделі працюють належним чином, є проблемою. Крім того, конфіденційність користувачів є проблемою, оскільки всі дані, які ми надаємо в API моделі, можуть бути використані для покращення ШІ або використані хакерами.
ZKML може бути новим способом вирішення цих проблем. Впроваджуючи перевірені та ненадійні властивості в моделі машинного навчання, блокчейн і технологія ZK можуть сформувати структуру для узгодження ШІ.
Що таке ZKML
Машинне навчання з нульовим знанням (ZKML) у цій статті відноситься до використання zkSNARK (доказу з нульовим знанням) для доведення правильності міркувань машинного навчання без розкриття вхідних даних або параметрів моделі. Відповідно до різної інформації про конфіденційність, варіанти використання ZKML можна розділити на такі типи:
Публічна модель + особисті дані:
Приватна модель + публічні дані:
Загальнодоступна модель + публічні дані:
Оскільки zkSNARK будуть дуже важливою технологією в криптосвіті, ZKML також має потенціал змінити криптосвіт. Додавши можливості штучного інтелекту до смарт-контрактів, ZKML може розблокувати складніші програми в мережі. Ця інтеграція була описана в спільноті ZKML як «погляд на блокчейн».
Технічне вузьке місце
Однак ZK-ML представляє деякі технічні проблеми, які зараз необхідно вирішити.
Квантування: ZKP працюють на полях, але нейронні мережі навчаються з плаваючою комою. Це означає, що для того, щоб модель нейронної мережі була зручною для zk/blockchain, її потрібно перетворити на арифметичне представлення з фіксованою комою з повним відстеженням обчислень. Це може вплинути на продуктивність моделі через нижчу точність параметрів.
Міжмовний переклад: моделі штучного інтелекту нейронних мереж написані на python і cpp, тоді як схеми ZKP потребують rust. Отже, нам потрібен рівень перекладу, щоб перетворити модель у середовище виконання на основі ZKP. Зазвичай цей тип рівня перекладу є специфічним для моделі, і його важко спроектувати загальний.
Обчислювальна вартість ZKP: вартість ZKP в основному буде набагато вищою, ніж вихідний розрахунок ML. Згідно з експериментами лабораторій Modulus, для моделі з параметрами 20M, відповідно до різних систем перевірки ZK, для створення перевірки потрібно більше 1-5 хвилин, а споживання пам’яті становить близько 20-60 ГБ.
Smart Cost — Modulus Labs
статус кво
Незважаючи на ці труднощі, ми помітили великий інтерес до ZKML з боку криптоспільноти, і є кілька хороших команд, які досліджують цей простір.
інфраструктура
Компілятор моделі
Оскільки основним вузьким місцем ZKML є перетворення моделей ШІ в схеми ZK, деякі команди працюють над базовими рівнями, такими як компілятори моделей ZK. Починаючи з моделей логістичної регресії або простих моделей CNN рік тому, галузь швидко прогресувала до більш складних моделей.
ЗКВМ
Компілятори ZKML також потрапляють у сферу деяких більш загальних віртуальних машин з нульовим знанням.
Додаток
Окрім інфраструктури, інші команди також почали досліджувати застосування ZKML
Defi:
Прикладом використання DeFi є сховище, кероване AI, де механізми визначаються моделями AI, а не фіксованими політиками. Ці стратегії можуть використовувати дані в мережі та поза мережею для прогнозування ринкових тенденцій і здійснення угод. ZKML гарантує узгоджену модель на ланцюзі. Це робить весь процес автоматичним і ненадійним. Mondulus Labs створює RockyBot. Команда навчила мережеву модель штучного інтелекту прогнозувати ціни ETH і створила смарт-контракт для автоматичного здійснення транзакцій з моделлю.
Інші потенційні випадки використання DeFi включають DEX на основі ШІ та протоколи кредитування. Oracles також може використовувати ZKML, щоб надавати нові джерела даних, згенеровані з даних поза мережею.
Ігри:
Лабораторії Modulus запустили Leela, шахову гру на основі ZKML, у яку всі користувачі можуть грати проти бота, що працює на основі моделі ШІ, перевіреної ZK. Можливості штучного інтелекту можуть додати більше інтерактивних функцій до існуючих повноцінних ігор.
NFT/ Creator Economy:
EIP-7007: цей EIP надає інтерфейс для використання ZKML для перевірки того, що створений штучним інтелектом вміст для NFT справді походить від конкретної моделі з певними вхідними даними (підказками). Стандарт може увімкнути колекції створених штучним інтелектом NFT і навіть створити новий вид економіки творців.
Робочий процес проекту EIP-7007
Ідентичність:
Проект Wordcoin пропонує рішення для підтвердження людськості на основі біометричної інформації користувача. Команда досліджує використання ZKML, щоб дозволити користувачам генерувати код Iris без дозволу. Коли алгоритм, який генерує код Iris, буде оновлено, користувачі зможуть завантажити модель і самостійно створити докази, не відвідуючи станцію Orb.
Прийнятий ключ
Зверніть увагу на високу вартість доказів з нульовим знанням для моделей ШІ. Ми вважаємо, що прийняття ZKML може початися з деяких випадків використання криптографії, де вартість довіри висока.
Ще один ринок, який ми повинні розглянути, це галузі, де конфіденційність даних є дуже важливою, наприклад охорона здоров’я. Для цього існують інші рішення, такі як федеративне навчання та захищений MPC, але ZKML може використовувати масштабовану стимульовану мережу блокчейна.
Більш широке масове впровадження ZKML може залежати від втрати довіри до існуючих великих постачальників штучного інтелекту. Чи відбудуться події, які підвищать обізнаність у галузі та спонукатимуть користувачів розглянути перевірені технології ШІ?
Підведіть підсумки
ZKML все ще знаходиться на початку свого становлення, і потрібно подолати багато проблем. Але оскільки технологія ZK вдосконалюється, ми думаємо, що незабаром люди знайдуть кілька варіантів використання ZKML, які добре відповідають ринку продукту. Ці варіанти використання спочатку можуть здатися підходящими. Але оскільки потужність централізованого штучного інтелекту зростає та проникає в кожну галузь і навіть життя людини, люди можуть знайти більшу цінність у ZKML.