肉店必看：商品促销语大集合！

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>ZKML——邁(mai)向(xiang)可(ke)驗(yan)證(zheng)人(ren)工(gong)智(zhi)能(neng)的(de)未(wei)來(lai)

原(yuan)文(wen)：Avant Blockchain Capital

編(bian)譯(yi)：GWEI Research

帶(dai)有(you)提(ti)示(shi)的 text2img 模(mo)型(xing)的結(jie)果(guo)：“AI+Blockchain”

背(bei)景(jing)

在(zai)過(guo)去(qu)的幾(ji)個(ge)月(yue)裏(li)，人工智能行(xing)業(ye)出(chu)現(xian)了(le)多(duo)項(xiang)突(tu)破(po)。 GPT4 和(he) Stable Diffusion 等(deng)模型正(zheng)在改(gai)變(bian)人們(men)生(sheng)成(cheng)軟(ruan)件(jian)和互(hu)聯(lian)網(wang)以(yi)及(ji)與(yu)之(zhi)交(jiao)互的方(fang)式(shi)。

盡(jin)管(guan)這(zhe)些(xie)新(xin)的 AI 模型具(ju)有令(ling)人印(yin)象(xiang)深(shen)刻(ke)的功(gong)能，但(dan)壹(yi)些人仍(reng)然(ran)擔(dan)心(xin) AI 的不(bu)可預(yu)測(ce)性(xing)和一致(zhi)性問(wen)題(ti)。例(li)如(ru)，在線(xian)服(fu)務(wu)領(ling)域(yu)缺(que)乏(fa)透(tou)明(ming)度(du)，其(qi)中(zhong)大(da)部(bu)分(fen)後(hou)端(duan)工作(zuo)由(you) AI 模型運(yun)行。验证这些模型是(shi)否(fou)以预期(qi)的方式运行是一项挑(tiao)戰(zhan)。此(ci)外(wai)，用(yong)戶(hu)隱(yin)私(si)也(ye)是一个问题，因(yin)為(wei)我(wo)们提供(gong)給(gei)模型 API 的所(suo)有數(shu)據(ju)都(dou)可用於(yu)改進(jin) AI 或(huo)被(bei)黑(hei)客(ke)利(li)用。

ZKML 可能是解(jie)決(jue)这些问题的新方法(fa)。通(tong)过將(jiang)可验证和無(wu)需(xu)信(xin)任(ren)的屬(shu)性註(zhu)入(ru)機(ji)器(qi)學(xue)習(xi)模型，區(qu)塊(kuai)鏈(lian)和 ZK 技(ji)術(shu)可以形(xing)成 AI 對(dui)齊(qi)的框(kuang)架(jia)。

什(shen)麽(me)是 ZKML

本(ben)文中的零(ling)知(zhi)識(shi)机器学习（ZKML）是指(zhi)在不暴(bao)露(lu)模型輸(shu)入或模型參(can)数的情(qing)況(kuang)下(xia)，使(shi)用zkSNARK（一種(zhong)零知识证明）来证明机器学习推(tui)理(li)的正確(que)性。根(gen)据隐私信息(xi)的不同(tong)，ZKML 的用例可以分为以下類(lei)型：

公(gong)共(gong)模型+私有数据：

隐私保(bao)護(hu)机器学习：ZKML 可用于在敏(min)感(gan)数据上(shang)訓(xun)練(lian)和評(ping)估(gu)机器学习模型，而(er)无需向任何(he)其他(ta)人透露数据。这对于醫(yi)療(liao)診(zhen)斷(duan)和金(jin)融(rong)欺(qi)詐(zha)檢(jian)测等應(ying)用可能很(hen)重(zhong)要(yao)。我们也看(kan)到(dao)一些玩(wan)家(jia)在生物(wu)特(te)征(zheng)数据認(ren)证上使用 ZKML 来構(gou)建(jian)人性证明服务。 证明：在大多数在线內(nei)容(rong)由 AI 生成的世(shi)界(jie)中，密(mi)碼(ma)学可以提供真(zhen)相(xiang)的来源(yuan)。人们正在嘗(chang)試(shi)使用 ZKML 来解决 deepfake 问题。

私有模型+公共数据：

模型真實(shi)性：ZKML 可用于确保机器学习模型的一致性。这对于用户确保模型提供者(zhe)不會(hui)懶(lan)惰(duo)地(di)使用較(jiao)便(bian)宜(yi)的模型或被黑客攻(gong)擊(ji)可能很重要。

去中心化(hua)的 Kaggle：ZKML 允(yun)許(xu)数据科(ke)学競(jing)賽(sai)的参与者证明模型在公共测试数据上的準(zhun)确性，而无需透露训练中的模型權(quan)重

公開(kai)模型+公开数据：

去中心化推理：这种方法主(zhu)要是利用 ZKML 的簡(jian)潔(jie)特性，将復(fu)雜(za)的 AI 計(ji)算(suan)壓(ya)縮(suo)到类似(si)于 ZK rollup 的链上证明。这种方法可以将模型服务的成本分配(pei)给多个節(jie)點(dian)。

由于 zkSNARK 将成为加(jia)密世界的一项非(fei)常(chang)重要的技术，ZKML 也有可能改变加密领域。通过在智能合(he)約(yue)中加入AI能力(li)，ZKML可以解鎖(suo)更(geng)复杂的链上应用。这种集(ji)成在 ZKML 社(she)区中被描(miao)述(shu)为“賦(fu)予(yu)区块链眼(yan)睛(jing)”。

技术瓶(ping)頸(jing)

然而，ZK-ML 带来了一些當(dang)前(qian)必(bi)須(xu)解决的技术挑战。

量(liang)化：ZKP 在場(chang)上工作，但神(shen)經(jing)网絡(luo)在浮(fu)点数中训练。这意(yi)味(wei)著(zhe)为了使神经网络模型 zk/blockchain 友(you)好(hao)，它(ta)需要轉(zhuan)換(huan)为具有完(wan)整(zheng)计算跟(gen)蹤(zong)的固(gu)定(ding)点算术表(biao)示。这可能会犧(xi)牲(sheng)模型性能，因为参数的精(jing)度较低(di)。

跨(kua)語(yu)言(yan)翻(fan)译：神经网络 AI 模型是用 python 和 cpp 编寫(xie)的，而 ZKP 電(dian)路(lu)需要 rust。所以我们需要一个翻译層(ceng)来将模型转换为基(ji)于 ZKP 的运行時(shi)。通常这种类型的翻译层是模型特定的，很難(nan)設(she)计一个通用的。

ZKP 的计算成本：ZKP 的成本基本上会比(bi)原来的 ML 计算高(gao)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(xi)統(tong)，生成证明需要 1-5 分鐘(zhong)以上的时間(jian)，内存(cun)消(xiao)耗(hao)在 20-60GB 左(zuo)右(you)。

智能的成本 — Modulus Labs

现狀(zhuang)

即(ji)使面(mian)臨(lin)这些挑战，我们也看到 ZKML 引(yin)起(qi)了加密社区的極(ji)大興(xing)趣(qu)，並(bing)且(qie)有一些優(you)秀(xiu)的團(tuan)隊(dui)正在探(tan)索(suo)这一领域。

基礎(chu)设施(shi) 模型编译器

由于 ZKML 的主要瓶颈是将 AI 模型转换为 ZK 电路，一些团队正在研(yan)究(jiu) ZK 模型编译器等基础层。從(cong) 1 年(nian)前的邏(luo)輯(ji)回(hui)歸(gui)模型或简單(dan)的 CNN 模型开始(shi)，該(gai)领域已(yi)经快(kuai)速(su)进入更复杂的模型。

EZKL 项目(mu)现在支(zhi)持(chi)高達(da) 100mm 参数的模型。它使用 ONNX 格(ge)式和 halo2 ZKP 系统。该庫(ku)還(hai)支持僅(jin)提交模型的一部分。

ZKML库已经支持GPT2、Bert和diffusion模型的ZKP！

ZKVM

ZKML 编译器也属于一些更通用的零知识虛(xu)擬(ni)机领域。

Risc Zero是一个使用开源RiscV指令集的zkVM，因此可以支持c++和rust的ZKP。这个 zkDTP 项目展(zhan)示了如何将决策(ce)樹(shu) ML 模型转换为 Rust 并在 Risc Zero 上运行。

我们还看到一些团队正在尝试通过 Startnet（吉(ji)薩(sa)）和 Aleo（零重力）将 AI 模型带到链上。

应用

除(chu)了基础设施，其他团队也开始探索 ZKML 的应用

Defi:

DeFi 用例的一个示例是 AI 驅(qu)動(dong)的金库，其中机制(zhi)由 AI 模型而不是固定策略(lve)定義(yi)。这些策略可以利用链上和链下数据来预测市(shi)场趨(qu)勢(shi)并執(zhi)行交易(yi)。 ZKML 保证链上模型一致。这可以使整个过程(cheng)自(zi)动化且无需信任。 Mondulus Labs 正在构建 RockyBot。该团队训练了一个链上 AI 模型来预测 ETH 價(jia)格，并构建了一个智能合约来自动与该模型进行交易。

其他潛(qian)在的 DeFi 用例包(bao)括(kuo) AI 支持的 DEX 和借(jie)貸(dai)協(xie)議(yi)。预言机还可以利用 ZKML 提供从链下数据生成的新型数据源。

Gaming:

Modulus labs 推出了一款(kuan)基于 ZKML 的國(guo)際(ji)象棋(qi)遊(you)戲(xi) Leela，所有用户都可以与一个由 ZK 验证的 AI 模型提供支持的机器人一起玩。人工智能能力可以为现有的完全(quan)链上游戏带来更多的交互功能。

NFT/創(chuang)作者经濟(ji)：

EIP-7007：该 EIP 提供了一个接(jie)口(kou)来使用 ZKML 来验证 AI 为 NFT 生成的内容是否确实来自具有特定输入（提示）的特定模型。该標(biao)准可以啟(qi)用 AI 生成的 NFT 集合，甚(shen)至(zhi)可以为新型创作者经济提供动力。

EIP-7007 项目工作流(liu)程

Identity:

Wordcoin 项目正在提供基于用户生物识別(bie)信息的人性证明解决方案(an)。该团队正在探索使用 ZKML 讓(rang)用户以无需许可的方式生成 Iris 代(dai)码。当生成 Iris 代码的算法升(sheng)級(ji)后，用户可以自行下載(zai)模型并生成证明，而无需去 Orb 站(zhan)。

采(cai)用的關(guan)鍵(jian)

考(kao)慮(lv)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本机用例开始。

我们应该考虑的另(ling)一个市场是数据隐私非常重要的行业，例如医疗保健(jian)行业。为此，还有其他解决方案，如联邦(bang)学习和安(an)全 MPC，但 ZKML 可以利用区块链的可擴(kuo)展激(ji)勵(li)网络。

更廣(guang)泛(fan)地大規(gui)模采用 ZKML 可能取(qu)决于人们失(shi)去对现有大型 AI 提供商(shang)的信任。会不会出现一些事(shi)件，提高整个行业的意识，促(cu)使用户考虑可验证的 AI 技术？

總(zong)结

ZKML 仍處(chu)于早(zao)期階(jie)段(duan)，有许多挑战需要克(ke)服。但隨(sui)着 ZK 技术的改进，我们认为人们很快就(jiu)会發(fa)现几个具有很強(qiang)產(chan)品(pin)市场契(qi)合度的 ZKML 用例。这些用例一开始可能看起来很適(shi)合。但随着中心化人工智能的力量越(yue)来越大，滲(shen)透到每(mei)一个行业乃(nai)至人类生活(huo)中，人们可能会在ZKML中发现更大的价值(zhi)。返(fan)回搜(sou)狐(hu)，查(zha)看更多

責(ze)任编辑：