ブロックチェーン技術と機械学習は、それぞれ分散型の特徴とデータドリブンな機能で技術進歩を牽引する注目の分野です。ブロックチェーン技術におけるZK（Zero-Knowledge、以下ZK）とは、暗号学の概念であり、証明者が検証者に対して、特定の情報を開示することなく、発言の真実性を証明できる証明または対話型のプロセスを指します。声明。 ML（Machine Learning、機械学習、以下ML）はAIの一分野です。機械学習は入力データから学習し、それを要約してモデルを形成し、予測と決定を行います。
こうした中、最近では両者を組み合わせたZKML（Zero-Knowledge Machine Learning）が隆盛を極めている。 ZKML は、ゼロ知識証明のプライバシー保護および検証機能と、機械学習のデータ処理および意思決定機能を組み合わせ、ブロックチェーン アプリケーションに新たな機会と可能性をもたらします。 ZKML は、データのプライバシーの保護、モデルの精度の検証、計算効率の向上を同時に実現するソリューションを提供します。
最初のレベルのタイトル
ZKML: ゼロ知識証明と機械学習の組み合わせ
ゼロ知識証明と機械学習をブロックチェーン上で組み合わせることができる理由は 2 つあります。
ZKのゼロ知識技術は、オンチェーントランザクションの効率的な検証を実現することを期待しているだけでなく、ZKの開発者はZKがより広範な生態学的分野で使用できることを望んでおり、MLの強力なAIサポートはZKの支柱となっています。アプリケーションの生態学的拡張。優れたヘルパーです。
副題
ZK と ML の開発ニーズと機能は相互に補完します
ML には解決すべき信頼性の問題が数多くあり、個々のワークフローの正確性、完全性、プライバシーを証明する必要があります。 ZK は、プライバシーの確保を前提としてあらゆる種類のコンピューティングが正しく実行されているかどうかを効果的に検証できるため、機械学習における信頼証明という長年の問題が解決されます。モデルの整合性は、ML トレーニング プロセスにおける重要な信頼証明の問題ですが、ML モデルがトレーニングおよび使用されるデータと情報のプライバシー保護も同様に重要です。これにより、ML トレーニングが第三者の監査および規制機関を通過して信頼証明を完了することが困難になります。また、ゼロ知識属性を持つ分散型 ZK は、ML との互換性が高い信頼証明パスとなります。
副題
ZKML の技術的な利点
ZKML の主な技術的利点は、計算の整合性、プライバシー保護、ヒューリスティック最適化の組み合わせを実現することです。プライバシーの観点から見ると、ZKML の利点は次のとおりです。
透過的認証を有効にする
ゼロ知識証明 (ZK) は、モデルの内部詳細を公開することなくモデルのパフォーマンスを評価できるため、透過的でトラストレスな評価プロセスが可能になります。
データプライバシー保証
ZK を使用すると、パブリック モデルを使用してパブリック データを検証したり、プライベート モデルを使用してプライベート データを検証したりすることができるため、データのプライバシーと機密性が確保されます。
副題
ZK が ML を強化: オンチェーン インフラストラクチャを提供
ML チェーンと ZK-SNARK におけるコンピューティング能力の束縛
比較的成熟したオフチェーンである ML がチェーンに参入した理由は、ブロックチェーンの計算能力コストが高すぎるためです。多くの機械学習プロジェクトは、コンピューティング能力の制限により、EVM に代表されるブロックチェーン環境で直接実行できません。同時に、ZK の有効性検証は二重計算よりも効率的ですが、この利点はブロックチェーン固有のトランザクション データ処理に限定されます。 ZK のすでに複雑な暗号操作とインタラクションが多数の ML 操作に直面すると、ブロックチェーンの低い TPS 問題が露呈し、ブロックチェーンの低い計算能力の問題がオンチェーンでの ML を妨げる最大の枷となっています。
ZK-SNARK の出現により、ML の高い計算能力要件の問題が軽減されます。 ZK-SNARKs はゼロ知識証明の暗号構造であり、その正式名称は"ゼロ知識でスケーラブルな非対話型議論"(ゼロ知識の簡潔で非対話的な知識の議論)。これは、効率的なゼロ知識証明のための楕円曲線暗号と準同型暗号に基づく技術です。 ZK-SNARKはコンパクト性が高いのが特徴で、ZK-SNARKを利用することで証明者は短くてコンパクトな証明を生成でき、検証者は証明者と通信することなく少量の計算だけで証明の正当性を検証できます。証明者は何度も対話します。証明者と検証者の間で対話が 1 回だけ必要になるというこの性質により、ZK-SNARK は実際のアプリケーションで効率的かつ実用的となり、チェーン上の ML の計算能力要件により適しています。現在、ZK-SNARK は ZKML における ZK の主な形式です。
ML のオンチェーン インフラストラクチャ要件と対応するプロジェクト
ZK から ML への権限付与は、主に、ML のプロセス全体、つまり ML とチェーン上の関数間の相互作用のゼロ知識証明に反映されます。この相互作用で解決する必要がある 2 つの主要な問題は、2 つのデータ形式を接続することと、ZK 証明プロセスに計算能力を提供することです。
ZK ハードウェア アクセラレーション: ML の ZK 証明はより複雑であり、証明計算を高速化するにはハードウェア支援のオンチェーン コンピューティング能力が必要です。そのようなプロジェクトには、Cysic、Ulvetanna、Ingonyama、Supranational、Accseal が含まれます。
ML チェーン上のデータ処理: チェーン上のデータを ML トレーニングに入力できるデータ形式に処理し、チェーンから ML の出力に簡単にアクセスできるようにします。このようなプロジェクトには、Axiom、Herodotus、LAGRANGE、Hyper Oracle が含まれます。
ML計算回路化：ML計算モードはZKのオンチェーン回路化証明とは異なり、MLのオンチェーンは計算モードをブロックチェーンZKで処理できる回路形式に変換する必要があります。このようなプロジェクトには、Modulus Labs、Jason Morton、Giza が含まれます。
ML 結果の ZK 証明: ML の信頼証明問題は、チェーン上の ZK によって解決される必要があります。 Risc Zero または Nil Foundation 上に構築された ZK-SNARK に基づくアプリケーションは、モデルの信頼性証明を実現できます。このようなプロジェクトには、RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill が含まれます。
ML が ZK を強化: Web3 アプリケーション シナリオを強化
ZK は ML の信頼証明の問題を解決し、ML に連鎖する機会を提供します。多くの Web3 分野では、AI ML による生産性や意思決定のサポートが緊急に必要とされており、ZKML を使用すると、分散化と効率性の確保を前提として、オンチェーン アプリケーションで AI の強化を実現できます。
DeFi
ZKML は、DeFi の自動化を促進することができ、1 つはチェーン上のプロトコル パラメーターの更新の自動化、もう 1 つは取引戦略の自動化です。
Modulus Labs は、史上初の完全なオンチェーン AI トレーディング ボットである RockyBot を発売しました。
DID
ZKML は、Web3 分散型アイデンティティ DID の構築に役立ちます。以前は、秘密キーやニーモニックなどの ID 管理モードにより、Web3 のユーザー エクスペリエンスが低下していましたが、実際の DID 構築は ZKML を通じて完了し、Web3 主体の生体情報を識別できます。同時に、ZKML はユーザーの生体情報プライバシーのセキュリティを保証できます。 。
ゲーム
ゲーム
ZKML は、Web3 ゲームがフル機能のオンチェーンを実現するのに役立ちます。 ML はゲームのインタラクションに差別化された自動化をもたらし、ゲームの楽しさを向上させることができ、ZK は ML のインタラクションの決定をオンチェーンで行うことができます。
Modulus Labs が ZKML を利用したチェス ゲーム @VsLeela をリリース。
AI ARENAはZKMLを使用して、チェーン上でNFTゲームの高いインタラクティブ性を実現します。
医療および法律上のアドバイス
医療や法律コンサルティングはプライバシーが高く、多くの事例の蓄積が必要な分野ですが、ZKML はユーザーの意思決定を支援し、ユーザーのプライバシーが漏洩しないようにすることができます。
ZKML の課題
ZKML は現在精力的に開発が進められていますが、ブロックチェーンにネイティブではなく、多くのコンピューティング能力を必要とするため、ZKML は将来的に主に次の 2 つの課題に直面することになります。
チェーン上の ML データ定量化のプロセスにおけるパラメータの歪みの問題:
ほとんどの ML はモデルのパラメーターを表すために浮動小数点数を使用しますが、ZK 回路は固定小数点数を使用する必要があります。デジタル型変換のプロセスでは、ML パラメータの精度が低下し、ML 出力結果にある程度の歪みが生じます。
その大規模モデル ZK は、高い計算能力要件の問題を証明しています。
現時点では、ブロックチェーンの計算能力はチェーン上の大規模かつ高計算の ZKML に対応できず、現在普及している ZK-SNARK は小規模および小規模な ML のゼロ知識証明のみをサポートしています。計算能力の制限は、ZKML ブロックチェーン アプリケーションの開発に影響を与える重要な要素です。
エピローグ
エピローグ
ZKML は、ゼロ知識証明と機械学習の間の双方向の動きです。最近開発されたブロックチェーン テクノロジー ZK は、ML による信頼証明の問題の解決を支援し、ML にオンチェーン環境を提供します。成熟した AI テクノロジー ML は、ZK による Web3 エコロジーの実現に役立ちます。拡張とアプリケーションの革新。
ZKML の開発は、パラメータの歪みの問題や大規模モデルの高い計算能力要件など、いくつかの課題に直面していますが、これらの問題は技術革新とハードウェア アクセラレーションによって解決できます。 ZKML プロジェクトの継続的な出現と発展により、DeFi、DID、ゲーム、ヘルスケアなどの分野で Web3 エコシステムにさらなる革新と価値をもたらすことが予測できます。
将来的には、ZKML が Web3 + AI の相互統合を真に解き放つ鍵となり、セキュリティ、プライバシー保護、効率的なブロックチェーン アプリケーションのさらなる構築を強力にサポートすると期待されています。 ZKのゼロ知識とMLのデータ処理能力を組み合わせることで、よりオープンでインテリジェントで信頼できるデジタル世界を構築できるはずです。
