原文:Avant区块链资本
编译:GWEI研究
有提示的text2img模型的结果:“AI+区块链”
背景在过去的几个月里，人工智能行业出现了许多突破。GPT4和稳定扩散等模型正在改变人们开发软件和互联网以及与之互动的方式。
尽管这些新的AI模型具有令人印象深刻的功能，但一些人仍然担心AI的不可预测性和一致性。比如在线服务领域缺乏透明度，大部分后端工作都是由AI模型运行。验证这些模型是否按预期运行是一个挑战。此外，用户隐私也是一个问题，因为我们提供给模型API的所有数据都可以用来改进AI，或者被黑客利用。
ZKML可能是解决这些问题的新途径。通过将可验证和不可信任的属性注入机器学习模型，区块链和ZK技术可以形成一个人工智能对齐框架。
ZKML是什么？
本文中的零知识机器学习(ZKML)是指在不暴露模型输入或模型参数的情况下，使用zkSNARK(一种零知识证明)来证明机器学习推理的正确性。根据隐私信息的不同，ZKML的用例可以分为以下几种类型:
公共模型+私有数据:
隐私保护机器学习:ZKML可用于在敏感数据上训练和评估机器学习模型，而不会将数据透露给其他任何人。这对于医疗诊断和金融欺诈检测可能很重要。我们也看到一些玩家在生物特征数据认证中使用ZKML构建人性认证服务。证明:在大多数在线内容都是由AI生成的世界里，密码学可以提供真相的来源。人们正在尝试使用ZKML来解决deepfake问题。私有模型+公共数据:
模型真实性:ZKML可以用来保证机器学习模型的一致性。这对于用户来说可能很重要，可以确保模型提供者不会偷懒使用更便宜的模型或者被黑客攻击。
去中心化Kaggle:ZKML允许数据科学竞赛的参与者在公开测试数据上证明模型的准确性，不需要在训练中暴露模型权重，也不需要公开模型+公开数据；
分散推理:这种方法主要是利用ZKML简洁的特点，将复杂的AI计算压缩成类似ZK rollup的链条进行证明。该方法可以将模型服务的成本分摊到多个节点上。既然zkSNARK会成为加密界非常重要的技术，那么ZKML也有可能改变加密领域。通过为智能合约添加人工智能功能，ZKML可以解锁更复杂的在线应用程序。这种整合在ZKML社区中被描述为“给区块链一双眼睛”。
技术瓶颈然而，ZK-ML带来了一些目前必须解决的技术挑战。
量化:ZKP在实地工作，但神经网络是用浮点数训练的。这意味着，为了使神经网络模型ZK/区块链友好，需要将其转换为具有完整计算跟踪的定点算术表示。这可能会牺牲模型性能，因为参数的精度很低。
跨语言翻译:神经网络AI模型用python和cpp编写，而ZKP电路需要r ust。所以我们需要一个转换层来将模型转换成基于ZKP的运行时。通常，这种类型的翻译层是特定于模型的，很难设计一个通用的。
ZKP的计算成本:ZKP的成本基本上会比原来的ML计算高很多。根据Modulus labs的实验，对于一个20M参数的模型，根据不同的ZK证明系统生成证明需要1-5分钟以上，内存消耗约为20-60GB。
智能模块实验室的成本
即使面对这些挑战，我们也可以看到ZKML已经引起了加密社区的极大兴趣，一些优秀的团队正在探索这一领域。
基础设施
模型编译器由于ZKML的主要瓶颈是将AI模型转化为ZK电路，所以有团队正在研究ZK模型编译器等基础层。从一年前的逻辑回归模型或简单的CNN模型开始，该领域已迅速进入更复杂的模型。
EZKL项目现在支持参数高达100 mm的模型..它使用ONNX格式和halo2 ZKP系统。该库还支持只提交模型的一部分。ZKML库已经支持GPT2，Bert和扩散模型的ZKP！
ZKVMZKML编译器也属于一些更一般的零知识虚拟机领域。
Risc Zero是一个使用开源RiscV指令集的zkVM，因此它可以支持c++和rust的ZKP。这个zkDTP项目展示了如何将决策树ML模型转换成Rust，并在Risc Zero上运行。我们也看到一些团队试图通过Startnet (Giza)和Aleo(零重力)将AI模型带到链条上。
应用除了基础设施，其他团队也开始探索ZKML的应用。
Defi:DeFi用例的一个例子是人工智能驱动的保险库，其中的机制是由人工智能模型而不是固定策略定义的。这些策略可以使用链上和线下的数据来预测市场趋势和执行交易。ZKML确保链上的模型是一致的。这样可以在没有信任的情况下自动完成整个过程。蒙多卢斯实验室正在建造RockyBot。该团队在链上训练了一个AI模型来预测ETH价格，并建立了一个智能合约来自动与该模型进行交易。
其他潜在的DeFi用例包括由AI和贷款协议支持的DEX。Oracle还可以使用ZKML提供从离线数据生成的新数据源。
游戏:模数实验室已经推出了一款基于ZKML的国际象棋游戏Leela，所有用户都可以与ZK验证的人工智能模型支持的机器人一起玩。人工智能的能力可以给现有的全链条游戏带来更多的互动功能。
NFT/创客经济:EIP-7007:这个EIP提供了一个接口，使用ZKML来验证AI为NFT生成的内容是否真的来自特定的模型，有特定的输入(提示)。这个标准可以启用人工智能产生的NFT集合，甚至为新的创造者经济提供动力。
EIP-7007项目工作流程
身份:Wordcoin项目正在提供一个基于用户生物特征信息的人性证明解决方案。该团队正在探索使用ZKML允许用户在未经许可的情况下生成虹膜代码。当生成虹膜代码的算法升级后，用户无需去Orb站即可下载模型并生成证明。
采用的关键是考虑到人工智能模型零知识证明的高成本。我们认为ZKML的采用可以从一些信任成本高的加密原生用例开始。
我们应该考虑的另一个市场是数据隐私非常重要的行业，如医疗保健行业。出于这个原因，有其他解决方案，如联邦学习和安全MPC，但ZKML可以使用区块链的可扩展激励网络。
更广泛和大规模地采用ZKML可能取决于人们对现有大型人工智能提供商失去信任。会不会有一些事件会提高整个行业的认知度，促使用户考虑可验证的AI技术？
综上所述，ZKML还处于早期阶段，还有很多挑战需要克服。但是随着ZK技术的改进，我们认为人们很快就会找到几个产品市场契合度很强的ZKML用例。这些用例初看起来可能很合适。但是，随着集中式人工智能的威力越来越大，渗透到每一个行业甚至人类生活中，人们可能会在ZKML中发现更大的价值。
本网站声明:网站内容来源于网络。如有侵权，请联系我们，我们会及时处理。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信，我们会及时处理和回复。
原文地址"ZKML——迈向可验证人工智能的未来"：http://www.ljycsb.cn/qukuailian/216778.html。
微信扫描二维码投放广告
▲长按图片识别二维码
