本文為 SevenX 研究團(tuán)隊(duì)原創(chuàng)，僅供交流學(xué)習(xí)，不構(gòu)成任何投資參考。如需引用，請注明來源。
原版英文報(bào)告于 2023 年 5 月發(fā)表于 SevenX 的 Mirror 平臺。更多中文投研內(nèi)容，請關(guān)注公眾號【SevenXVentures】。
感謝 Brian Retford, SunYi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin, 和 Brent 對本文提供的寶貴見解、反饋和審閱。
作者：Grace&Hill
對于我們這些加密愛好者來說，人工智能已經(jīng)火了好一陣子。有趣的是，沒人愿意看到人工智能失控的情況。區(qū)塊鏈發(fā)明的初衷是防止美元失控，所以我們可能會嘗試一下防止人工智能的失控。此外，我們現(xiàn)在有了一種叫做零知識證明的新技術(shù)，用于確保事情不會出錯(cuò)。然而，要駕馭人工智能這個(gè)野獸，我們必須了解它的工作原理。
人工智能已經(jīng)經(jīng)歷了幾個(gè)名字的變化，從“專家系統(tǒng)”到“神經(jīng)網(wǎng)絡(luò)”，然后是“圖形模型”，最后演變?yōu)椤皺C(jī)器學(xué)習(xí)”。所有這些都是“人工智能”的子集，人們給它起了不同的名字，我們對人工智能的了解也在不斷加深。讓我們稍微深入了解一下機(jī)器學(xué)習(xí)，揭開機(jī)器學(xué)習(xí)的神秘面紗。
注：如今，大多數(shù)機(jī)器學(xué)習(xí)模型都是神經(jīng)網(wǎng)絡(luò)，因?yàn)樗鼈冊谠S多任務(wù)中具有優(yōu)異的性能。我們主要將機(jī)器學(xué)習(xí)稱為神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)。
首先，讓我們快速了解一下機(jī)器學(xué)習(xí)的內(nèi)部運(yùn)作：
輸入數(shù)據(jù)預(yù)處理：輸入數(shù)據(jù)需要處理成可以作為模型輸入的格式。這通常涉及預(yù)處理和特征工程，以提取有用的信息并將數(shù)據(jù)轉(zhuǎn)換成合適的形式，如輸入矩陣或張量（高維矩陣）。這是專家系統(tǒng)方法。隨著深度學(xué)習(xí)的出現(xiàn)，處理層自動處理預(yù)處理。
設(shè)置初始模型參數(shù)：初始模型參數(shù)包括多個(gè)層、激活函數(shù)、初始權(quán)重、偏置、學(xué)習(xí)率等。有些參數(shù)可以在訓(xùn)練過程中通過優(yōu)化算法進(jìn)行調(diào)整以提高模型的準(zhǔn)確性。
訓(xùn)練數(shù)據(jù)：
輸入數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，通常從一個(gè)或多個(gè)特征提取和關(guān)系建模層開始，如卷積層（CNN），循環(huán)層（RNN）或自注意力層。這些層學(xué)會從輸入數(shù)據(jù)中提取相關(guān)特征并建模這些特征之間的關(guān)系。
這些層的輸出然后傳遞給一個(gè)或多個(gè)額外的層，這些層對輸入數(shù)據(jù)執(zhí)行不同的計(jì)算和轉(zhuǎn)換。這些層通常主要涉及可學(xué)習(xí)權(quán)重矩陣的矩陣乘法和非線性激活函數(shù)的應(yīng)用，但也可能包括其他操作，如卷積神經(jīng)網(wǎng)絡(luò)中的卷積和池化，或者循環(huán)神經(jīng)網(wǎng)絡(luò)中的迭代。這些層的輸出作為模型中下一層的輸入，或者作為最終的預(yù)測輸出。
獲取模型的輸出：神經(jīng)網(wǎng)絡(luò)計(jì)算的輸出通常是一個(gè)向量或矩陣，表示圖像分類的概率、情感分析分?jǐn)?shù)或其他結(jié)果，具體取決于網(wǎng)絡(luò)的應(yīng)用。通常還有一個(gè)錯(cuò)誤評估和參數(shù)更新模塊，根據(jù)模型的目的自動更新參數(shù)。
神經(jīng)網(wǎng)絡(luò)計(jì)算的輸出通常是一個(gè)向量或矩陣，表示圖像分類的概率、情感分析分?jǐn)?shù)或其他結(jié)果，具體取決于網(wǎng)絡(luò)的應(yīng)用。通常還有一個(gè)錯(cuò)誤評估和參數(shù)更新模塊，根據(jù)模型的目的自動更新參數(shù)。如果上述解釋看起來太晦澀，可以參考以下使用 CNN 模型識別蘋果圖片的例子。
將圖像以像素值矩陣的形式加載到模型中。該矩陣可以表示為具有尺寸（高度、寬度、通道）的3D張量。
設(shè)置 CNN 模型的初始參數(shù)。
輸入圖像通過 CNN 中的多個(gè)隱藏層，每個(gè)層應(yīng)用卷積濾波器從圖像中提取越來越復(fù)雜的特征。每層的輸出通過非線性激活函數(shù)，然后進(jìn)行池化以減小特征圖的維數(shù)。最后一層通常是一個(gè)全連接層，根據(jù)提取的特征生成輸出預(yù)測。
CNN 的最終輸出是概率最高的類別。這是輸入圖像的預(yù)測標(biāo)簽。
輸入：原始數(shù)據(jù)需要進(jìn)行預(yù)處理，有時(shí)還需要保密。
完整性：輸入數(shù)據(jù)未被篡改，未被惡意輸入污染，并且正確地進(jìn)行了預(yù)處理。
隱私：如有需要，輸入數(shù)據(jù)不會泄露。
輸出：需要準(zhǔn)確生成和傳輸
完整性：輸出正確生成。
隱私：如有需要，輸出不會泄露。
模型類型/算法：模型應(yīng)正確計(jì)算
完整性：模型執(zhí)行正確。
隱私：如有需要，模型本身或計(jì)算不會泄露。
不同的神經(jīng)網(wǎng)絡(luò)模型具有不同的算法和層，適用于不同的用例和輸入。
卷積神經(jīng)網(wǎng)絡(luò)（CNN）通常用于涉及網(wǎng)格狀數(shù)據(jù)的任務(wù)，如圖像，其中局部模式和特征可以通過對小輸入?yún)^(qū)域應(yīng)用卷積操作來捕獲。
另一方面，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）非常適用于順序數(shù)據(jù)，如時(shí)間序列或自然語言，其中隱藏狀態(tài)可以捕獲來自先前時(shí)間步的信息并建模時(shí)間依賴關(guān)系。
自注意力層對于捕獲輸入序列中元素之間的關(guān)系非常有用，使其對于諸如機(jī)器翻譯或摘要之類的任務(wù)非常有效，這些任務(wù)中長程依賴關(guān)系至關(guān)重要。
還存在其他類型的模型，包括多層感知機(jī)（MLP）等。
模型參數(shù)：在某些情況下，參數(shù)應(yīng)該透明或民主生成，但在所有情況下都不易被篡改。完整性：參數(shù)以正確的方式生成、維護(hù)和管理。隱私：模型所有者通常會對機(jī)器學(xué)習(xí)模型參數(shù)保密，以保護(hù)開發(fā)該模型的組織的知識產(chǎn)權(quán)和競爭優(yōu)勢。這種現(xiàn)象只在變壓器模型變得瘋狂昂貴的訓(xùn)練前非常普遍，但對行業(yè)來說仍然是一個(gè)主要問題。
信任問題長期困擾著機(jī)器學(xué)習(xí)，主要原因有兩個(gè)：
隱私性質(zhì)：如上所述，模型參數(shù)通常是私密的，而在某些情況下，模型輸入也需要保密，這自然會在模型所有者和模型用戶之間帶來一些信任問題。
算法黑盒：機(jī)器學(xué)習(xí)模型有時(shí)被稱為“黑盒”，因?yàn)樗鼈冊谟?jì)算過程中涉及許多難以理解或解釋的自動化步驟。這些步驟涉及復(fù)雜的算法和大量的數(shù)據(jù)，帶來不確定性和有時(shí)隨機(jī)的輸出，使得算法容易受到偏見甚至歧視的指責(zé)。
在更深入之前，本文的一個(gè)更大的假設(shè)是模型已經(jīng)“準(zhǔn)備好使用”，意味著它經(jīng)過良好的訓(xùn)練并符合目的。模型可能不適用于所有情況，而且模型以驚人的速度改進(jìn)，機(jī)器學(xué)習(xí)模型的正常使用壽命在2到18個(gè)月之間，具體取決于應(yīng)用場景。
輸入：
數(shù)據(jù)來源是防篡改的
私有輸入數(shù)據(jù)不被模型操作者竊取（隱私問題）
模型：
模型本身如宣傳的那樣準(zhǔn)確
計(jì)算過程正確完成
參數(shù)：
模型參數(shù)沒有被改變或與宣傳的一致
在過程中，對模型所有者具有價(jià)值的模型參數(shù)沒有泄露（隱私問題）
輸出：
輸出結(jié)果可證明是正確的（可能隨著上述所有元素的改進(jìn)而改進(jìn)）
一個(gè) zkSNARK 證明是證明我知道一些秘密輸入 w，使得這個(gè)計(jì)算 f 的結(jié)果為 OUT 是真實(shí)的，而不告訴你 w 是什么。證明生成過程可以總結(jié)為以下幾個(gè)步驟：
制定需要證明的陳述：f(x, w)=true
“我使用具有私有參數(shù) w 的機(jī)器學(xué)習(xí)模型 f 正確地對這個(gè)圖像 x 進(jìn)行了分類。”
將陳述轉(zhuǎn)換為電路（算術(shù)化）：不同的電路構(gòu)建方法包括 R 1 CS、QAP、Plonkish 等。與其他用例相比，ZKML 需要一個(gè)額外的步驟，稱為量化。神經(jīng)網(wǎng)絡(luò)推斷通常使用浮點(diǎn)算術(shù)完成，而在算術(shù)電路的主要領(lǐng)域中模擬浮點(diǎn)算術(shù)非常昂貴。不同的量化方法在精度和設(shè)備要求之間取得折衷。
一些像 R 1 CS 這樣的電路構(gòu)建方法對神經(jīng)網(wǎng)絡(luò)來說效率不高。這部分可以調(diào)整以提高性能。
生成一個(gè)證明密鑰和一個(gè)驗(yàn)證密鑰
創(chuàng)建一個(gè)見證：當(dāng) w=w*時(shí)，f(x, w)=true
創(chuàng)建一個(gè)哈希承諾：見證人 w*承諾使用加密哈希函數(shù)生成一個(gè)哈希值。這個(gè)哈希值可以公之于眾。
這有助于確保在計(jì)算過程中，私有輸入或模型參數(shù)沒有被篡改或修改。這一步至關(guān)重要，因?yàn)榧词故羌?xì)微的修改也可能對模型的行為和輸出產(chǎn)生重大影響。
生成證明：不同的證明系統(tǒng)使用不同的證明生成算法。
需要為機(jī)器學(xué)習(xí)操作設(shè)計(jì)特殊的零知識規(guī)則，如矩陣乘法和卷積層，以便實(shí)現(xiàn)這些計(jì)算的子線性時(shí)間高效協(xié)議。
? 像 groth 16 這樣的通用 zkSNARK 系統(tǒng)可能無法有效處理神經(jīng)網(wǎng)絡(luò)，因?yàn)橛?jì)算負(fù)載過大。
? 自 2020 年以來，許多新的 ZK 證明系統(tǒng)應(yīng)運(yùn)而生，以優(yōu)化模型推理過程的 ZK 證明，包括 vCNN、ZEN、ZKCNN 和 pvCNN。然而，它們中的大多數(shù)都針對 CNN 模型進(jìn)行了優(yōu)化。它們只能應(yīng)用于一些主要的數(shù)據(jù)集，如 MNIST 或 CIFAR-10 。
? 2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 創(chuàng)始人）提出了一種基于 Halo 2 的新證明方案，首次實(shí)現(xiàn)了對 ImageNet 數(shù)據(jù)集的 ZK 證明生成。他們的優(yōu)化主要集中在算術(shù)化部分，具有用于非線性的新穎查找參數(shù)和跨層重用子電路。
? Modulus Labs 正在為鏈上推理對不同證明系統(tǒng)進(jìn)行基準(zhǔn)測試，發(fā)現(xiàn)在證明時(shí)間方面，ZKCNN 和 plonky 2 表現(xiàn)最佳；在峰值證明者內(nèi)存使用方面，ZKCNN 和 halo 2 表現(xiàn)良好；而 plonky 雖然表現(xiàn)良好，但犧牲了內(nèi)存消耗，而且 ZKCNN 僅適用于 CNN 模型。它還正在開發(fā)一個(gè)專門為 ZKML 設(shè)計(jì)的新 zkSNARK 系統(tǒng)，以及一個(gè)新的虛擬機(jī)。
驗(yàn)證證明：驗(yàn)證者使用驗(yàn)證密鑰進(jìn)行驗(yàn)證，無需知道見證人的知識。
因此，我們可以證明將零知識技術(shù)應(yīng)用于機(jī)器學(xué)習(xí)模型可以解決很多信任問題。使用交互式驗(yàn)證的類似技術(shù)可以達(dá)到類似的效果，但會在驗(yàn)證者方面需要更多資源，并可能面臨更多的隱私問題。值得注意的是，根據(jù)具體的模型，為它們生成證明可能需要時(shí)間和資源，因此在將此技術(shù)最終應(yīng)用于現(xiàn)實(shí)世界的用例時(shí)，各方面將存在折衷。
如果輸入數(shù)據(jù)在鏈上，可以考慮使用 Axiom 作為解決方案：
Axiom 正在為以太坊構(gòu)建一個(gè)零知識協(xié)處理器，以改善用戶對區(qū)塊鏈數(shù)據(jù)的訪問并提供更復(fù)雜數(shù)字化的鏈上數(shù)據(jù)視圖。在鏈上數(shù)據(jù)上進(jìn)行可靠的機(jī)器學(xué)習(xí)計(jì)算是可行的：
首先，Axiom 通過在其智能合約 AxiomV 0 中存儲以太坊區(qū)塊哈希的默克爾根來導(dǎo)入鏈上數(shù)據(jù)，這些數(shù)據(jù)通過 ZK-SNARK 驗(yàn)證過程進(jìn)行無信任驗(yàn)證。然后，AxiomV 0 StoragePf 合約允許對 AxiomV 0 中緩存的區(qū)塊哈希給出的信任根進(jìn)行任意歷史以太坊存儲證明的批量驗(yàn)證。
接下來，可以從導(dǎo)入的歷史數(shù)據(jù)中提取機(jī)器學(xué)習(xí)輸入數(shù)據(jù)。
然后，Axiom 可以在頂部應(yīng)用經(jīng)過驗(yàn)證的機(jī)器學(xué)習(xí)操作；使用經(jīng)過優(yōu)化的 halo 2 作為后端來驗(yàn)證每個(gè)計(jì)算部分的有效性。
最后，Axiom 會附上每個(gè)查詢結(jié)果的 zk 證明，并且 Axiom 智能合約會驗(yàn)證 zk 證明。任何想要證明的相關(guān)方都可以從智能合約中訪問它。
如果將模型放在鏈上，可以考慮使用 RISC Zero 作為解決方案：
首先，需要將模型的源代碼編譯成 RISC-V 二進(jìn)制文件。當(dāng)這個(gè)二進(jìn)制文件在 ZKVM 中執(zhí)行時(shí)，輸出會與一個(gè)包含加密密封的計(jì)算收據(jù)配對。這個(gè)密封作為計(jì)算完整性的零知識論據(jù)，將加密的 imageID（識別執(zhí)行的 RISC-V 二進(jìn)制文件）與聲明的代碼輸出關(guān)聯(lián)起來，以便第三方快速驗(yàn)證。
當(dāng)模型在 ZKVM 中執(zhí)行時(shí)，關(guān)于狀態(tài)更改的計(jì)算完全在 VM 內(nèi)部完成。它不會向外部泄露有關(guān)模型內(nèi)部狀態(tài)的任何信息。
一旦模型執(zhí)行完畢，生成的密封就成為計(jì)算完整性的零知識證明。RISC Zero ZKVM 是一個(gè) RISC-V 虛擬機(jī)，它可以生成對其執(zhí)行的代碼的零知識證明。使用 ZKVM，可以生成一個(gè)加密收據(jù)，任何人都可以驗(yàn)證這個(gè)收據(jù)是由 ZKVM 的客戶代碼生成的。發(fā)布收據(jù)時(shí)，不會泄露有關(guān)代碼執(zhí)行的其他信息（例如，所提供的輸入）。
通過在 RISC Zero 的 ZKVM 中運(yùn)行機(jī)器學(xué)習(xí)模型，可以證明模型涉及的確切計(jì)算是正確執(zhí)行的。計(jì)算和驗(yàn)證過程可以在用戶喜歡的環(huán)境中離線完成，或者在 Bonsai Network 中完成，Bonsai Network 是一個(gè)通用的 roll-up。
生成 ZK 證明的具體過程涉及到一個(gè)與隨機(jī) oracle 作為驗(yàn)證者的交互協(xié)議。RISC Zero 收據(jù)上的密封本質(zhì)上就是這個(gè)交互協(xié)議的記錄。
如果您想直接從常用的機(jī)器學(xué)習(xí)軟件（如 Tensorflow 或 Pytorch）導(dǎo)入模型，可以考慮使用 ezkl 作為解決方案：
首先，將最終模型導(dǎo)出為 .onnx 文件，將一些樣本輸入導(dǎo)出為 .json 文件。
然后，將 ezkl 指向 .onnx 和 .json 文件，以生成可以證明 ZKML 語句的 ZK-SNARK 電路。
Ezkl 是一個(gè)庫和命令行工具，用于在 zkSNARK 中進(jìn)行深度學(xué)習(xí)模型和其他計(jì)算圖的推斷。
看起來簡單，對吧？Ezkl 的目標(biāo)是提供一個(gè)抽象層，允許在 Halo 2 電路中調(diào)用和布局高級操作。Ezkl 抽象了許多復(fù)雜性，同時(shí)保持了令人難以置信的靈活性。他們的量化模型具有自動量化的縮放因子。他們支持靈活地更改為新解決方案所涉及的其他證明系統(tǒng)。他們還支持多種類型的虛擬機(jī)，包括 EVM 和 WASM。
關(guān)于證明系統(tǒng)，ezkl 通過聚合證明（通過中介將難以驗(yàn)證的證明轉(zhuǎn)換為易于驗(yàn)證的證明）和遞歸（可以解決內(nèi)存問題，但難以適應(yīng) halo 2）來定制 halo 2 電路。Ezkl 還通過融合和抽象（可以通過高級證明減少開銷）來優(yōu)化整個(gè)過程。
值得注意的是，與其他通用 zkml 項(xiàng)目相比，Accessor Labs 專注于為完全上鏈游戲提供專門設(shè)計(jì)的 zkml 工具，可能涉及 AI NPC、游戲玩法的自動更新、涉及自然語言的游戲界面等。
從本質(zhì)上講，這將是一個(gè)Web3應(yīng)用程序（在撰寫本文時(shí)可能存在或不存在），以無需信任的方式實(shí)現(xiàn) ML/AI。在無需信任的方式下，我們指的是它是否在無需信任的環(huán)境/平臺上運(yùn)行，或者其操作是否可以被證明是可驗(yàn)證的。請注意，并非所有 ML/AI 用例（即使在Web3中）都需要或更喜歡以無需信任的方式運(yùn)行。我們將分析在各種Web3領(lǐng)域中使用的 ML 功能的每個(gè)部分。然后，我們將確定需要 ZKML 的部分，通常是人們愿意為證明支付額外費(fèi)用的高價(jià)值部分。下面提到的大多數(shù)用例/應(yīng)用仍處于實(shí)驗(yàn)研究階段。因此，它們距離實(shí)際采用還很遙遠(yuǎn)。我們稍后會討論原因。
Defi 
Defi 是區(qū)塊鏈協(xié)議和 Web3 應(yīng)用中為數(shù)不多的產(chǎn)品市場契合度證明之一。以無需許可的方式創(chuàng)建、存儲和管理財(cái)富和資本在人類歷史上是前所未有的。我們已經(jīng)確定了許多需要 AI/ML 模型無需許可地運(yùn)行以確保安全性和去中心化的用例。
Automated MM and liquidity provision:
本質(zhì)上，這是風(fēng)險(xiǎn)評估和資產(chǎn)管理中進(jìn)行的類似努力的結(jié)合，只是在交易量、時(shí)間線和資產(chǎn)類型方面采用了不同的方式。關(guān)于如何在股票市場中使用 ML 進(jìn)行做市的研究論文有很多。在一些研究成果適用于 Defi 產(chǎn)品可能只是時(shí)間問題。
例如，Lyra Finance 正與 Modulus Labs 合作，通過智能功能提升其 AMM，使其資本利用效率更高。
榮譽(yù)提名：
Warp.cc 團(tuán)隊(duì)開發(fā)了一個(gè)教程項(xiàng)目，介紹如何部署一個(gè)運(yùn)行訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)以預(yù)測比特幣價(jià)格的智能合約。這符合我們框架的“輸入”和“模型”部分，因?yàn)檩斎胧褂?RedStone Oracles 提供的數(shù)據(jù)，模型作為一個(gè) Warp 智能合約在 Arweave 上執(zhí)行。
這是第一次迭代并涉及 ZK，所以它屬于我們的榮譽(yù)提名，但是在未來，Warp 團(tuán)隊(duì)考慮實(shí)現(xiàn)一個(gè) ZK 部分。
游戲
游戲與機(jī)器學(xué)習(xí)有很多交集：圖中的灰色區(qū)域代表了我們對游戲部分中的機(jī)器學(xué)習(xí)功能是否需要與相應(yīng)的 ZKML 證明配對的初步評估。Leela Chess Zero 是將 ZKML 應(yīng)用于游戲的一個(gè)非常有趣的例子：
AI 代理
LC 0 和人類集體輪流進(jìn)行游戲（正如象棋中應(yīng)有的那樣）。
LC 0 的移動是通過簡化的、適合電路的 LC 0 模型計(jì)算出來的。
Leela Chess Zero (LC 0)：由 Modulus Labs 構(gòu)建的一款完全基于鏈上的 AI 棋手，與來自社區(qū)的一群人類玩家對戰(zhàn)。
LC 0 的移動有一個(gè) Halo 2 snark 證明，以確保沒有人類智囊團(tuán)的干預(yù)。只有簡化的 LC 0 模型在那里做決策。
這符合“模型”部分。模型的執(zhí)行有一個(gè) ZK 證明，以驗(yàn)證計(jì)算沒有被篡改。
數(shù)據(jù)分析與預(yù)測：這一直是 Web2 游戲世界中 AI/ML 的常見用途。然而，我們發(fā)現(xiàn)在這個(gè) ML 過程中實(shí)現(xiàn) ZK 的理由非常少。為了不讓過多的價(jià)值直接涉及到這個(gè)過程，這可能不值得付出努力。然而，如果某些分析和預(yù)測被用來為用戶確定獎(jiǎng)勵(lì)，那么 ZK 可能會被實(shí)施以確保結(jié)果是正確的。
榮譽(yù)提名：
AI Arena 是一款以太坊原生游戲，來自世界各地的玩家可以在其中設(shè)計(jì)、訓(xùn)練和戰(zhàn)斗由人工神經(jīng)網(wǎng)絡(luò)驅(qū)動的 NFT 角色。來自世界各地的才華橫溢的研究人員競相創(chuàng)建最佳機(jī)器學(xué)習(xí)（ML）模型來參與游戲戰(zhàn)斗。AI Arena 主要關(guān)注前饋神經(jīng)網(wǎng)絡(luò)。總體而言，它們的計(jì)算開銷比卷積神經(jīng)網(wǎng)絡(luò)（CNNs）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）低。盡管如此，目前模型只在訓(xùn)練完成后上傳到平臺，因此值得一提。
GiroGiro.AI 正在構(gòu)建一個(gè) AI 工具包，使大眾能夠?yàn)閭€(gè)人或商業(yè)用途創(chuàng)建人工智能。用戶可以根據(jù)直觀且自動化的 AI 工作流平臺創(chuàng)建各種類型的 AI 系統(tǒng)。只需輸入少量數(shù)據(jù)和選擇算法（或用于改進(jìn)的模型），用戶就可以生成并利用心中的 AI 模型。盡管該項(xiàng)目處于非常早期階段，但我們非常期待看到 GiroGiro 可以為游戲金融和元宇宙為重點(diǎn)的產(chǎn)品帶來什么，因此將其列為榮譽(yù)提名。
DID 和社交
在 DID 和社交領(lǐng)域，Web3 和 ML 的交叉點(diǎn)目前主要體現(xiàn)在人類證明和憑據(jù)證明領(lǐng)域；其他部分可能會發(fā)展，但需要更長的時(shí)間。
人類證明
用戶的應(yīng)用程序在本地生成一個(gè)錢包地址。
應(yīng)用程序使用 Semaphore 證明它擁有之前注冊的一個(gè)公鑰的私鑰。因?yàn)檫@是零知識證明，所以它不會透露是哪個(gè)公鑰。
證明再次發(fā)送到順序器，順序器驗(yàn)證證明并啟動將代幣存入提供的錢包地址的過程。所謂的零件隨證明一起發(fā)送，確保用戶不能領(lǐng)取兩次獎(jiǎng)勵(lì)。
用戶在手機(jī)上生成一個(gè) Semaphore 密鑰對，并通過二維碼向 Orb 提供哈希后的公鑰。
Orb 掃描用戶的虹膜并在本地計(jì)算用戶的 IrisHash。然后，它將包含哈希公鑰和 IrisHash 的簽名消息發(fā)送到注冊順序節(jié)點(diǎn)。
順序節(jié)點(diǎn)驗(yàn)證 Orb 的簽名，然后檢查 IrisHash 是否與數(shù)據(jù)庫中已有的匹配。如果唯一性檢查通過，IrisHash 和公鑰將被保存。
Worldcoin 使用一種名為 Orb 的設(shè)備來判斷某人是否是一個(gè)真實(shí)存在的人，而不是試圖欺詐驗(yàn)證。它通過各種攝像頭傳感器和機(jī)器學(xué)習(xí)模型分析面部和虹膜特征來實(shí)現(xiàn)這一目標(biāo)。一旦做出這個(gè)判斷，Orb 就會拍攝一組人的虹膜照片，并使用多個(gè)機(jī)器學(xué)習(xí)模型和其他計(jì)算機(jī)視覺技術(shù)創(chuàng)建虹膜編碼，這是一個(gè)表示個(gè)體虹膜圖案最重要特征的數(shù)字表示。具體的注冊步驟如下：
Worldcoin 使用開源的 Semaphore 零知識證明系統(tǒng)將 IrisHash 的唯一性轉(zhuǎn)換為用戶帳戶的唯一性，而不會將它們關(guān)聯(lián)起來。這確保新注冊的用戶可以成功領(lǐng)取他/她的 WorldCoins。步驟如下：
WorldCoin 使用 ZK 技術(shù)確保其 ML 模型的輸出不會泄露用戶的個(gè)人數(shù)據(jù)，因?yàn)樗鼈冎g沒有關(guān)聯(lián)。在這種情況下，它屬于我們信任框架的“輸出”部分，因?yàn)樗_保了輸出以期望的方式傳輸和使用，在這種情況下是私密的。
可以看到，Web3 中 ZKML 的潛在用例尚處于起步階段，但不能被忽視；未來，隨著 ZKML 使用的不斷擴(kuò)大，可能會出現(xiàn)對 ZKML 提供商的需求，形成下圖中的閉環(huán)：
ZKML 服務(wù)提供商主要關(guān)注 ML 信任框架的“模型”和“參數(shù)”部分。盡管我們現(xiàn)在看到的大部分與“參數(shù)”相關(guān)的更多是“模型”相關(guān)。需要注意的是，“輸入”和“輸出”部分更多地由基于區(qū)塊鏈的解決方案解決，無論是作為數(shù)據(jù)來源還是數(shù)據(jù)目的地。單獨(dú)使用 ZK 或區(qū)塊鏈可能無法實(shí)現(xiàn)完全的可信度，但它們聯(lián)合起來可能會實(shí)現(xiàn)。
那么證明大小和驗(yàn)證時(shí)間呢？我們可以參考 Daniel Kang、Tatsunori Hashimoto、Ion Stoica 和 Yi Sun 的論文。如下所示，他們的 DNN 推理解決方案在 ImageNet（模型類型：DCNN， 16 層， 3.4 百萬參數(shù)）上的準(zhǔn)確率可以達(dá)到 79% ，同時(shí)驗(yàn)證時(shí)間僅需 10 秒，證明大小為 5952 字節(jié)。此外，zkSNARKs 可以縮小到 59% 準(zhǔn)確率時(shí)驗(yàn)證時(shí)間僅需 0.7 秒。這些結(jié)果表明，在證明大小和驗(yàn)證時(shí)間方面，對 ImageNet 規(guī)模的模型進(jìn)行 zkSNARKing 是可行的。目前主要的技術(shù)瓶頸在于證明時(shí)間和內(nèi)存消耗。在 web3 案例中應(yīng)用 ZKML 在技術(shù)上尚不可行。ZKML 是否有潛力趕上 AI 的發(fā)展呢？我們可以比較幾個(gè)經(jīng)驗(yàn)數(shù)據(jù)：
機(jī)器學(xué)習(xí)模型的發(fā)展速度： 2019 年發(fā)布的 GPT-1 模型具有 1.5 億個(gè)參數(shù)，而 2020 年發(fā)布的最新 GPT-3 模型具有 1, 750 億個(gè)參數(shù)，僅兩年間參數(shù)數(shù)量增加了 1, 166 倍。
零知識系統(tǒng)的優(yōu)化速度：零知識系統(tǒng)的性能增長基本上遵循“摩爾定律”式的步伐。幾乎每年都會出現(xiàn)新的零知識系統(tǒng)，我們預(yù)計(jì)證明者性能的快速增長在一段時(shí)間內(nèi)還將繼續(xù)。
從這些數(shù)據(jù)來看，盡管機(jī)器學(xué)習(xí)模型的發(fā)展速度非常快，但零知識證明系統(tǒng)的優(yōu)化速度也在穩(wěn)步提升。在未來一段時(shí)間內(nèi)，ZKML 可能仍有機(jī)會逐步趕上 AI 的發(fā)展，但它需要不斷地進(jìn)行技術(shù)創(chuàng)新和優(yōu)化以縮小差距。這意味著，盡管目前 ZKML 在 web3 應(yīng)用中存在技術(shù)瓶頸，但隨著零知識證明技術(shù)的不斷發(fā)展，我們?nèi)杂欣碛善诖?ZKML 在未來能夠在 web3 場景中發(fā)揮更大的作用。對比前沿的 ML 與 ZK 的改進(jìn)率，前景并不十分樂觀。不過，隨著卷積性能、ZK 硬件的不斷完善，以及基于高度結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)操作而量身定做的 ZK 證明系統(tǒng)，希望 ZKML 的發(fā)展能夠滿足web3的需求，先從提供一些老式的機(jī)器學(xué)習(xí)功能開始。雖然我們可能很難用區(qū)塊鏈 ZK 來驗(yàn)證 ChatGPT 反饋給我的信息是否可信，但我們也許可以在 ZK 電路中安裝一些較小和較老的 ML 模型。
我們期待在 ZKML 領(lǐng)域看到更多的產(chǎn)品創(chuàng)新，ZK 和區(qū)塊鏈為 AI/ML 的運(yùn)行提供了一個(gè)安全和值得信賴的環(huán)境。我們也期待這些產(chǎn)品創(chuàng)新產(chǎn)生全新的商業(yè)模式，因?yàn)樵跓o許可的加密貨幣世界里，我們不受這里的去 SaaS 商業(yè)化模式的限制。我們期待著支持更多的建設(shè)者，在這個(gè) "西部荒野無政府狀態(tài) "和 "象牙塔精英 "的迷人重疊中，來建立他們令人興奮的想法。我們?nèi)蕴幱谠缙陔A段，但我們可能已經(jīng)在拯救世界的路上。
喜來順財(cái)經(jīng)
<strike id="ykeqq"></strike>
<fieldset id="ykeqq"></fieldset>