บทความนี้เขียนโดยทีมวิจัยของ SevenX และมีวัตถุประสงค์เพื่อการสื่อสารและการเรียนรู้เท่านั้น และไม่ถือเป็นการอ้างอิงการลงทุนใดๆ หากต้องการอ้างอิงกรุณาระบุแหล่งที่มา
รายงานต้นฉบับภาษาอังกฤษเผยแพร่บนแพลตฟอร์ม Mirror ของ SevenX ในเดือนพฤษภาคม 2023 สำหรับเนื้อหาการวิจัยการลงทุนของจีนเพิ่มเติม โปรดติดตามบัญชีสาธารณะ [SevenXVentures]
ขอขอบคุณ Brian Retford, SunYi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin และ Brent สำหรับข้อมูลเชิงลึก ข้อเสนอแนะ และบทวิจารณ์อันมีค่าของบทความนี้
ผู้เขียน : เกรซ แอนด์ ฮิลล์
สำหรับผู้ที่ชื่นชอบ crypto อย่างพวกเรา ปัญญาประดิษฐ์เป็นประเด็นที่ได้รับความนิยมมาระยะหนึ่งแล้ว ที่น่าสนใจคือไม่มีใครอยากเห็น AI วิ่งอาละวาด ความตั้งใจดั้งเดิมของการประดิษฐ์บล็อคเชนคือการป้องกันไม่ให้เงินดอลลาร์หลุดออกจากการควบคุม ดังนั้นเราอาจพยายามป้องกันไม่ให้ปัญญาประดิษฐ์หลุดออกจากการควบคุม นอกจากนี้ ขณะนี้เรามีเทคโนโลยีใหม่ที่เรียกว่าการพิสูจน์ความรู้เป็นศูนย์เพื่อให้แน่ใจว่าสิ่งต่างๆ จะไม่ผิดพลาด อย่างไรก็ตาม เพื่อควบคุมสัตว์ร้ายที่เป็น AI เราต้องเข้าใจว่ามันทำงานอย่างไร
ข้อมูลเบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง
ปัญญาประดิษฐ์ได้ผ่านการเปลี่ยนชื่อหลายครั้ง ตั้งแต่ ระบบผู้เชี่ยวชาญ เป็น โครงข่ายประสาทเทียม จากนั้นเป็น แบบจำลองกราฟิก และสุดท้ายเป็น การเรียนรู้ของเครื่อง ทั้งหมดนี้เป็นส่วนย่อยของ “ปัญญาประดิษฐ์” ที่ได้รับการตั้งชื่อที่แตกต่างกัน และความเข้าใจของเราเกี่ยวกับ AI ยังคงเติบโตอย่างต่อเนื่อง มาเจาะลึกการเรียนรู้ของเครื่องและทำความเข้าใจให้ลึกซึ้งยิ่งขึ้น
หมายเหตุ: ปัจจุบัน โมเดลการเรียนรู้ของเครื่องส่วนใหญ่เป็นโครงข่ายประสาทเทียม เนื่องจากมีประสิทธิภาพที่เหนือกว่าในหลาย ๆ งาน เราเรียกการเรียนรู้ของเครื่องเป็นหลักว่าการเรียนรู้ของเครื่องเครือข่ายประสาทเทียม
แมชชีนเลิร์นนิงทำงานอย่างไร
ก่อนอื่น มาดูการทำงานภายในของการเรียนรู้ของเครื่องกันก่อน:
การประมวลผลข้อมูลอินพุตล่วงหน้า: ข้อมูลอินพุตจะต้องได้รับการประมวลผลเป็นรูปแบบที่สามารถใช้เป็นอินพุตโมเดลได้ ซึ่งมักจะเกี่ยวข้องกับการประมวลผลล่วงหน้าและวิศวกรรมคุณลักษณะเพื่อดึงข้อมูลที่เป็นประโยชน์และแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสม เช่น เมทริกซ์อินพุตหรือเทนเซอร์ (เมทริกซ์มิติสูง) นี่คือแนวทางของระบบผู้เชี่ยวชาญ ด้วยการมาถึงของการเรียนรู้เชิงลึก เลเยอร์การประมวลผลจะจัดการการประมวลผลล่วงหน้าโดยอัตโนมัติ
ตั้งค่าพารามิเตอร์โมเดลเริ่มต้น: พารามิเตอร์โมเดลเริ่มต้นประกอบด้วยหลายเลเยอร์ ฟังก์ชันการเปิดใช้งาน น้ำหนักเริ่มต้น อคติ อัตราการเรียนรู้ ฯลฯ พารามิเตอร์บางตัวสามารถปรับได้ด้วยอัลกอริธึมการปรับให้เหมาะสมระหว่างการฝึกเพื่อปรับปรุงความแม่นยำของโมเดล
ข้อมูลการฝึกอบรม:
ข้อมูลอินพุตจะถูกป้อนเข้าสู่โครงข่ายประสาทเทียม โดยทั่วไปจะเริ่มต้นด้วยการแยกคุณลักษณะอย่างน้อยหนึ่งเลเยอร์และเลเยอร์การสร้างแบบจำลองความสัมพันธ์ เช่น เลเยอร์แบบหมุนวน (CNN) เลเยอร์ที่เกิดซ้ำ (RNN) หรือเลเยอร์การเอาใจใส่ตนเอง เลเยอร์เหล่านี้เรียนรู้ที่จะแยกคุณลักษณะที่เกี่ยวข้องออกจากข้อมูลอินพุตและสร้างแบบจำลองความสัมพันธ์ระหว่างคุณลักษณะเหล่านี้
ผลลัพธ์ของเลเยอร์เหล่านี้จะถูกส่งไปยังเลเยอร์เพิ่มเติมหนึ่งเลเยอร์ขึ้นไป ซึ่งทำการคำนวณและการแปลงข้อมูลอินพุตที่แตกต่างกัน เลเยอร์เหล่านี้มักเกี่ยวข้องกับการคูณเมทริกซ์ของเมทริกซ์น้ำหนักที่เรียนรู้ได้เป็นหลัก และการประยุกต์ใช้ฟังก์ชันการเปิดใช้งานแบบไม่เชิงเส้น แต่ยังอาจรวมถึงการดำเนินการอื่นๆ เช่น การบิดและการรวมกลุ่มในโครงข่ายประสาทเทียมแบบบิด หรือการวนซ้ำในโครงข่ายประสาทที่เกิดซ้ำ ผลลัพธ์ของเลเยอร์เหล่านี้ทำหน้าที่เป็นอินพุตไปยังเลเยอร์ถัดไปในโมเดล หรือเป็นเอาต์พุตที่คาดการณ์ขั้นสุดท้าย
รับผลลัพธ์ของโมเดล: ผลลัพธ์ที่คำนวณโดยโครงข่ายประสาทเทียมมักจะเป็นเวกเตอร์หรือเมทริกซ์ที่แสดงถึงความน่าจะเป็นในการจัดหมวดหมู่ภาพ คะแนนการวิเคราะห์ความรู้สึก หรือผลลัพธ์อื่น ๆ ขึ้นอยู่กับการใช้งานของเครือข่าย โดยปกติแล้วยังมีโมดูลการประเมินข้อผิดพลาดและการอัปเดตพารามิเตอร์ที่อัปเดตพารามิเตอร์โดยอัตโนมัติตามวัตถุประสงค์ของโมเดล
ผลลัพธ์ของการคำนวณโครงข่ายประสาทเทียมมักเป็นเวกเตอร์หรือเมทริกซ์ที่แสดงถึงความน่าจะเป็นของการจัดประเภทภาพ คะแนนการวิเคราะห์ความรู้สึก หรือผลลัพธ์อื่นๆ ขึ้นอยู่กับการใช้งานของเครือข่าย โดยปกติแล้วยังมีโมดูลการประเมินข้อผิดพลาดและการอัปเดตพารามิเตอร์ที่อัปเดตพารามิเตอร์โดยอัตโนมัติตามวัตถุประสงค์ของโมเดล หากคำอธิบายข้างต้นดูคลุมเครือเกินไป นี่คือตัวอย่างของการใช้โมเดล CNN เพื่อระบุรูปภาพของ Apple
โหลดรูปภาพลงในโมเดลเป็นเมทริกซ์ของค่าพิกเซล เมทริกซ์นี้สามารถแสดงเป็นเทนเซอร์ 3 มิติที่มีขนาด (ความสูง ความกว้าง ช่อง)
ตั้งค่าพารามิเตอร์เริ่มต้นของโมเดล CNN
รูปภาพที่ป้อนจะถูกส่งผ่านเลเยอร์ที่ซ่อนอยู่หลายเลเยอร์ใน CNN โดยแต่ละเลเยอร์จะใช้ตัวกรองแบบหมุนวนเพื่อแยกคุณสมบัติที่ซับซ้อนมากขึ้นจากรูปภาพ ผลลัพธ์ของแต่ละเลเยอร์จะถูกส่งผ่านฟังก์ชันการเปิดใช้งานแบบไม่เชิงเส้น จากนั้นจึงรวมกลุ่มเพื่อลดมิติของแผนผังคุณลักษณะ โดยปกติเลเยอร์สุดท้ายจะเป็นเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์ซึ่งสร้างการคาดการณ์เอาต์พุตตามคุณสมบัติที่แยกออกมา
ผลลัพธ์สุดท้ายของ CNN คือคลาสที่มีความน่าจะเป็นสูงสุด นี่คือป้ายกำกับที่คาดการณ์ของภาพที่ป้อน
กรอบงานความน่าเชื่อถือสำหรับการเรียนรู้ของเครื่อง
เราสามารถสรุปสิ่งที่กล่าวมาข้างต้นเป็นเฟรมเวิร์กความน่าเชื่อถือของ Machine Learning รวมถึง Machine Learning พื้นฐาน 4 ชั้น กระบวนการ Machine Learning ทั้งหมดต้องการให้เลเยอร์เหล่านี้เชื่อถือได้จึงจะเชื่อถือได้:
ข้อมูลเข้า: ข้อมูลดิบจำเป็นต้องได้รับการประมวลผลล่วงหน้าและบางครั้งก็ถูกเก็บเป็นความลับ
ความสมบูรณ์: ข้อมูลอินพุตไม่ได้ถูกแก้ไข ไม่มีการปนเปื้อนจากอินพุตที่เป็นอันตราย และได้รับการประมวลผลล่วงหน้าอย่างถูกต้อง
ความเป็นส่วนตัว: ข้อมูลที่ป้อนจะไม่ถูกเปิดเผยหากจำเป็น
ผลลัพธ์: จำเป็นต้องสร้างและส่งอย่างแม่นยำ
ความสมบูรณ์: ผลลัพธ์ถูกสร้างขึ้นอย่างถูกต้อง
ความเป็นส่วนตัว: เอาต์พุตจะไม่รั่วไหลหากจำเป็น
ประเภทโมเดล/อัลกอริทึม: โมเดลควรคำนวณอย่างถูกต้อง
ความสมบูรณ์: โมเดลทำงานได้อย่างถูกต้อง
ความเป็นส่วนตัว: ตัวโมเดลหรือการคำนวณจะไม่รั่วไหลหากจำเป็น
โมเดลโครงข่ายประสาทเทียมที่ต่างกันมีอัลกอริธึมและเลเยอร์ที่แตกต่างกันซึ่งเหมาะสำหรับกรณีการใช้งานและอินพุตที่แตกต่างกัน
โครงข่ายประสาทเทียมแบบหมุนวน (CNN) มักใช้สำหรับงานที่เกี่ยวข้องกับข้อมูลคล้ายตาราง เช่น รูปภาพ ซึ่งสามารถบันทึกรูปแบบและคุณสมบัติเฉพาะที่ได้โดยการใช้การดำเนินการแบบหมุนวนกับขอบเขตอินพุตขนาดเล็ก
ในทางกลับกัน โครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN) เหมาะอย่างยิ่งสำหรับข้อมูลตามลำดับ เช่น อนุกรมเวลาหรือภาษาธรรมชาติ ซึ่งสถานะที่ซ่อนอยู่สามารถรวบรวมข้อมูลจากขั้นตอนเวลาก่อนหน้าและสร้างแบบจำลองการพึ่งพาชั่วคราวได้
เลเยอร์การเอาใจใส่ตนเองมีประโยชน์สำหรับการจับความสัมพันธ์ระหว่างองค์ประกอบในลำดับอินพุต ทำให้มีประสิทธิภาพสำหรับงานต่างๆ เช่น การแปลด้วยคอมพิวเตอร์ หรือการสรุป ซึ่งการพึ่งพาระยะยาวเป็นสิ่งสำคัญ
ยังมีแบบจำลองประเภทอื่นๆ อยู่ด้วย รวมถึง Multilayer Perceptrons (MLP) และอื่นๆ
พารามิเตอร์โมเดล: ในบางกรณี พารามิเตอร์ควรมีความโปร่งใสหรือสร้างขึ้นตามระบอบประชาธิปไตย แต่ในทุกกรณีจะต้องไม่เสี่ยงต่อการถูกปลอมแปลง ความสมบูรณ์: พารามิเตอร์ถูกสร้างขึ้น ดูแลรักษา และจัดการด้วยวิธีที่ถูกต้อง ความเป็นส่วนตัว: เจ้าของโมเดลมักจะเก็บพารามิเตอร์โมเดลการเรียนรู้ของเครื่องไว้เป็นความลับเพื่อปกป้องทรัพย์สินทางปัญญาและความได้เปรียบทางการแข่งขันขององค์กรที่พัฒนาโมเดล ปรากฏการณ์นี้เป็นเรื่องปกติจนกระทั่งโมเดลหม้อแปลงมีราคาแพงมากในการฝึกอบรม แต่ก็ยังเป็นปัญหาสำคัญสำหรับอุตสาหกรรม
ปัญหาความน่าเชื่อถือในการเรียนรู้ของเครื่อง
ด้วยการเติบโตอย่างรวดเร็วของแอปพลิเคชันแมชชีนเลิร์นนิง (ML) (CAGR มากกว่า 20%) และการบูรณาการที่เพิ่มมากขึ้นในชีวิตประจำวัน เช่น ความนิยมล่าสุดของ ChatGPT ปัญหาความไว้วางใจใน ML จึงมีความสำคัญมากขึ้นเรื่อยๆ ไม่สามารถเพิกเฉยได้ ดังนั้นจึงจำเป็นอย่างยิ่งที่จะต้องระบุและแก้ไขปัญหาความน่าเชื่อถือเหล่านี้เพื่อให้แน่ใจว่ามีการใช้ AI อย่างมีความรับผิดชอบ และป้องกันการใช้งานในทางที่ผิดที่อาจเกิดขึ้น อย่างไรก็ตาม ปัญหาคืออะไร? มาดูกันดีกว่า
ความโปร่งใสหรือพิสูจน์ได้ไม่เพียงพอ
ปัญหาด้านความน่าเชื่อถือรบกวนการเรียนรู้ของเครื่องจักรมายาวนานด้วยเหตุผลหลักสองประการ:
ลักษณะความเป็นส่วนตัว: ตามที่กล่าวไว้ข้างต้น พารามิเตอร์โมเดลมักจะเป็นแบบส่วนตัว และในบางกรณี อินพุตโมเดลจำเป็นต้องถูกเก็บไว้เป็นส่วนตัวเช่นกัน ซึ่งจะสร้างปัญหาความเชื่อถือระหว่างเจ้าของโมเดลและผู้ใช้โมเดลโดยธรรมชาติ
กล่องดำอัลกอริธึม: โมเดลการเรียนรู้ของเครื่องบางครั้งเรียกว่า กล่องดำ เนื่องจากเกี่ยวข้องกับขั้นตอนอัตโนมัติหลายขั้นตอนในการคำนวณที่ยากต่อการเข้าใจหรืออธิบาย ขั้นตอนเหล่านี้เกี่ยวข้องกับอัลกอริธึมที่ซับซ้อนและข้อมูลจำนวนมาก ส่งผลให้เกิดผลลัพธ์ที่ไม่แน่นอนและบางครั้งก็สุ่ม ทำให้อัลกอริธึมเสี่ยงต่อการถูกกล่าวหาว่ามีอคติหรือแม้แต่การเลือกปฏิบัติ
ก่อนที่จะไปไกลกว่านี้ ข้อสันนิษฐานที่สำคัญประการหนึ่งของบทความนี้ก็คือโมเดลนั้น พร้อมใช้งาน ซึ่งหมายความว่าโมเดลนี้ได้รับการฝึกอบรมมาเป็นอย่างดีและเหมาะสมกับวัตถุประสงค์ โมเดลอาจไม่ทำงานในทุกสถานการณ์ และโมเดลจะปรับปรุงในอัตราที่น่าตกใจ อายุการใช้งานปกติของโมเดล Machine Learning อยู่ระหว่าง 2 ถึง 18 เดือน ขึ้นอยู่กับสถานการณ์การใช้งาน
แจกแจงรายละเอียดปัญหาความน่าเชื่อถือในการเรียนรู้ของเครื่อง
มีปัญหาด้านความน่าเชื่อถือบางประการในกระบวนการฝึกอบรมโมเดล และขณะนี้ Gensyn กำลังดำเนินการสร้างหลักฐานที่ถูกต้องเพื่ออำนวยความสะดวกในกระบวนการนี้ อย่างไรก็ตาม บทความนี้เน้นที่กระบวนการอนุมานแบบจำลองเป็นหลัก ตอนนี้เรามาใช้การเรียนรู้ของเครื่องสี่องค์ประกอบเพื่อค้นหาปัญหาความน่าเชื่อถือที่อาจเกิดขึ้น:
เข้า:
แหล่งข้อมูลมีการป้องกันการแทรกแซง
ข้อมูลอินพุตส่วนตัวจะไม่ถูกขโมยโดยผู้ดำเนินการโมเดล (ปัญหาความเป็นส่วนตัว)
แบบอย่าง:
ตัวแบบมีความแม่นยำตามที่โฆษณาไว้
กระบวนการคำนวณเสร็จสมบูรณ์อย่างถูกต้อง
พารามิเตอร์:
พารามิเตอร์โมเดลไม่มีการเปลี่ยนแปลงหรือเป็นไปตามที่โฆษณา
ในระหว่างกระบวนการ พารามิเตอร์โมเดลที่มีค่าต่อเจ้าของโมเดลจะไม่รั่วไหล (ปัญหาความเป็นส่วนตัว)
เอาท์พุท:
ผลลัพธ์นั้นถูกต้องอย่างพิสูจน์ได้ (อาจปรับปรุงได้เนื่องจากองค์ประกอบทั้งหมดข้างต้นได้รับการปรับปรุง)
วิธีนำ ZK ไปใช้กับเฟรมเวิร์กความน่าเชื่อถือของแมชชีนเลิร์นนิ่ง
ปัญหาด้านความน่าเชื่อถือบางประการข้างต้นสามารถแก้ไขได้โดยดำเนินการแบบ on-chain การอัปโหลดอินพุตและพารามิเตอร์การเรียนรู้ของเครื่องจักรไปยังห่วงโซ่และการคำนวณแบบจำลองบนห่วงโซ่สามารถรับประกันความถูกต้องของอินพุต พารามิเตอร์ และการคำนวณแบบจำลองได้ แต่แนวทางนี้อาจเสียสละความสามารถในการขยายขนาดและความเป็นส่วนตัว Giza กำลังทำสิ่งนี้บน Starknet แต่เนื่องจากปัญหาด้านต้นทุน จึงรองรับเฉพาะโมเดลการเรียนรู้ของเครื่องอย่างง่าย ๆ เช่น การถดถอย ไม่ใช่โครงข่ายประสาทเทียม เทคโนโลยี ZK สามารถแก้ปัญหาความน่าเชื่อถือข้างต้นได้อย่างมีประสิทธิภาพมากขึ้น ปัจจุบัน ZK ใน ZKML มักจะหมายถึง zkSNARK ก่อนอื่น เรามาทบทวนแนวคิดพื้นฐานของ zkSNARK กันก่อน:การพิสูจน์ zkSNARK เป็นการพิสูจน์ว่าฉันรู้ข้อมูลลับบางอย่าง w ซึ่งมันเป็นความจริงที่ผลลัพธ์ของการคำนวณ f นี้ออกมา โดยไม่บอกคุณว่า w คืออะไร กระบวนการสร้างหลักฐานสามารถสรุปได้เป็นขั้นตอนต่อไปนี้:
กำหนดข้อความที่ต้องการพิสูจน์: f(x, w)=true
“ฉันจำแนกภาพนี้อย่างถูกต้อง x โดยใช้โมเดลการเรียนรู้ของเครื่อง f พร้อมพารามิเตอร์ส่วนตัว w”
แปลงคำสั่งให้เป็นวงจร (การคำนวณ): วิธีการสร้างวงจรแบบต่างๆ ได้แก่ R 1 CS, QAP, Plonkish เป็นต้น
เมื่อเปรียบเทียบกับกรณีการใช้งานอื่นๆ ZKML ต้องมีขั้นตอนเพิ่มเติมที่เรียกว่าการหาปริมาณ โดยทั่วไปการอนุมานโครงข่ายประสาทเทียมจะทำโดยใช้เลขทศนิยมซึ่งมีราคาสูงมากในการเลียนแบบในโดเมนหลักของวงจรเลขคณิต วิธีการหาปริมาณที่แตกต่างกันทำให้ความแม่นยำและข้อกำหนดของอุปกรณ์ลดลงวิธีสร้างวงจรบางอย่างเช่น R 1 CS ไม่ได้มีประสิทธิภาพสำหรับโครงข่ายประสาทเทียม ส่วนนี้สามารถปรับเปลี่ยนเพื่อปรับปรุงประสิทธิภาพได้
สร้างรหัสพิสูจน์และรหัสยืนยัน
สร้างพยาน: f(x, w)=true เมื่อ w=w*
สร้างความมุ่งมั่นในแฮช: พยาน w* มุ่งมั่นที่จะสร้างค่าแฮชโดยใช้ฟังก์ชันแฮชที่เข้ารหัส แฮชนี้สามารถเปิดเผยต่อสาธารณะได้
ซึ่งช่วยให้แน่ใจว่าอินพุตส่วนตัวหรือพารามิเตอร์โมเดลจะไม่ถูกแก้ไขหรือแก้ไขระหว่างการคำนวณ ขั้นตอนนี้มีความสำคัญเนื่องจากแม้แต่การปรับเปลี่ยนเล็กน้อยก็อาจส่งผลกระทบอย่างมีนัยสำคัญต่อลักษณะการทำงานและผลลัพธ์ของแบบจำลอง
การสร้างหลักฐาน: ระบบพิสูจน์ที่แตกต่างกันใช้อัลกอริธึมการสร้างหลักฐานที่แตกต่างกัน
กฎความรู้แบบศูนย์พิเศษจำเป็นต้องได้รับการออกแบบสำหรับการดำเนินการเรียนรู้ของเครื่องจักร เช่น การคูณเมทริกซ์และเลเยอร์แบบบิดเบี้ยว เพื่อใช้โปรโตคอลที่ประหยัดเวลาแบบซับลิเนียร์สำหรับการคำนวณเหล่านี้
✓ ระบบ zkSNARK สำหรับการใช้งานทั่วไป เช่น Groth 16 อาจไม่สามารถรองรับโครงข่ายประสาทเทียมได้อย่างมีประสิทธิภาพเนื่องจากมีภาระการคำนวณมากเกินไป
✓ ตั้งแต่ปี 2020 เป็นต้นมา ระบบพิสูจน์ ZK ใหม่จำนวนมากได้เกิดขึ้นเพื่อเพิ่มประสิทธิภาพการพิสูจน์ ZK สำหรับกระบวนการอนุมานแบบจำลอง รวมถึง vCNN, ZEN, ZKCNN และ pvCNN อย่างไรก็ตาม ส่วนใหญ่ได้รับการปรับให้เหมาะกับรุ่นของ CNN สามารถใช้ได้กับชุดข้อมูลหลักบางชุดเท่านั้น เช่น MNIST หรือ CIFAR-10
✓ ในปี 2022 Daniel Kang Tatsunori Hashimoto, Ion Stoica และ Yi Sun (ผู้ก่อตั้ง Axiom) เสนอรูปแบบการพิสูจน์ใหม่โดยใช้ Halo 2 ซึ่งทำให้เกิดการสร้างการพิสูจน์ ZK สำหรับชุดข้อมูล ImageNet เป็นครั้งแรก การเพิ่มประสิทธิภาพมุ่งเน้นไปที่ส่วนเลขคณิต โดยมีพารามิเตอร์การค้นหาใหม่สำหรับความไม่เชิงเส้นและการนำวงจรย่อยกลับมาใช้ใหม่ข้ามเลเยอร์
✓ Modulus Labs กำลังเปรียบเทียบระบบการพิสูจน์ที่แตกต่างกันสำหรับการอนุมานแบบออนไลน์ และพบว่าในแง่ของเวลาในการพิสูจน์ ZKCNN และ plonky 2 ทำงานได้ดีที่สุด ในแง่ของการใช้หน่วยความจำของผู้พิสูจน์สูงสุด ZKCNN และ halo 2 ทำงานได้ดี ในขณะที่ plonky ทำงานได้ดี แต่ โดยเสียค่าใช้จ่ายในการใช้หน่วยความจำและ ZKCNN เหมาะสำหรับรุ่น CNN เท่านั้น นอกจากนี้ยังกำลังพัฒนาระบบ zkSNARK ใหม่ที่ออกแบบมาเฉพาะสำหรับ ZKML รวมถึงเครื่องเสมือนใหม่
หลักฐานการตรวจสอบ: ผู้ตรวจสอบใช้กุญแจยืนยันในการตรวจสอบโดยที่พยานไม่รู้
ดังนั้นเราจึงสามารถแสดงให้เห็นว่าการใช้เทคนิคความรู้เป็นศูนย์กับโมเดลการเรียนรู้ของเครื่องสามารถแก้ปัญหาความน่าเชื่อถือได้มากมาย เทคนิคที่คล้ายกันโดยใช้การยืนยันแบบโต้ตอบสามารถให้ผลลัพธ์ที่คล้ายกัน แต่จะต้องใช้ทรัพยากรเพิ่มเติมในด้านผู้ตรวจสอบ และอาจประสบปัญหาความเป็นส่วนตัวมากขึ้น เป็นที่น่าสังเกตว่า การสร้างการพิสูจน์สำหรับสิ่งเหล่านี้อาจต้องใช้เวลาและทรัพยากร ทั้งนี้ขึ้นอยู่กับรุ่นเฉพาะ ดังนั้นในท้ายที่สุดแล้วจะเกิดข้อเสียเปรียบเมื่อนำเทคโนโลยีนี้ไปใช้กับกรณีการใช้งานจริงในท้ายที่สุด
สถานะปัจจุบันของโซลูชั่นปัจจุบัน
ต่อไป โซลูชั่นที่มีอยู่คืออะไร? โปรดทราบว่าผู้ให้บริการโมเดลอาจมีสาเหตุหลายประการที่ไม่ต้องการสร้างการพิสูจน์ ZKML สำหรับผู้ที่กล้าพอที่จะลองใช้ ZKML และโซลูชันก็สมเหตุสมผล พวกเขาสามารถเลือกจากโซลูชันที่แตกต่างกันสองสามรายการ ขึ้นอยู่กับรุ่นและตำแหน่งของอินพุต:
หากข้อมูลอินพุตเป็นแบบออนไลน์ ให้พิจารณาใช้ Axiom เป็นวิธีแก้ปัญหา:
Axiom กำลังสร้างตัวประมวลผลร่วมที่ไม่มีความรู้สำหรับ Ethereum เพื่อปรับปรุงการเข้าถึงข้อมูลบล็อกเชนของผู้ใช้ และมอบมุมมองดิจิทัลที่ซับซ้อนยิ่งขึ้นของข้อมูลบนเชน การคำนวณแมชชีนเลิร์นนิงที่เชื่อถือได้บนข้อมูลออนไลน์เป็นไปได้:
ขั้นแรก Axiom นำเข้าข้อมูลออนไลน์โดยจัดเก็บราก Merkle ของแฮชบล็อก Ethereum ไว้ในสัญญาอัจฉริยะ AxiomV 0 ซึ่งได้รับการตรวจสอบอย่างน่าเชื่อถือผ่านกระบวนการตรวจสอบ ZK-SNARK จากนั้นสัญญา AxiomV 0 StoragePf จะอนุญาตให้มีการตรวจสอบแบทช์ของการพิสูจน์การจัดเก็บข้อมูล Ethereum ในอดีตโดยพลการ เทียบกับรากของความไว้วางใจที่ได้รับจากแฮชบล็อกแคชใน AxiomV 0
จากนั้น ข้อมูลอินพุตของแมชชีนเลิร์นนิงสามารถแยกออกจากข้อมูลประวัติที่นำเข้าได้
จากนั้น Axiom จะสามารถนำการดำเนินการการเรียนรู้ของเครื่องจักรที่ได้รับการพิสูจน์แล้วไปใช้ด้านบน โดยใช้ Halo 2 ที่ปรับให้เหมาะสมเป็นแบ็กเอนด์เพื่อตรวจสอบประสิทธิภาพของแต่ละส่วนการคำนวณ
สุดท้าย Axiom จะแนบ zk-proof กับผลลัพธ์การสืบค้นแต่ละรายการ และ Axiom smart Contract จะตรวจสอบ zk-proof ผู้มีส่วนได้เสียที่ต้องการพิสูจน์สามารถเข้าถึงได้จากสัญญาอัจฉริยะ
หากคุณวางโมเดลของคุณแบบออนไลน์ ให้พิจารณาใช้ RISC Zero เป็นโซลูชัน:
ขั้นแรก ซอร์สโค้ดของโมเดลจะต้องได้รับการคอมไพล์เป็นไบนารี RISC-V เมื่อดำเนินการไบนารีนี้ใน ZKVM เอาต์พุตจะถูกจับคู่กับใบเสร็จรับเงินที่คำนวณได้ซึ่งมีตราประทับการเข้ารหัส ตราประทับนี้ทำหน้าที่เป็นอาร์กิวเมนต์ที่ไม่มีความรู้เพื่อความสมบูรณ์ในการคำนวณ โดยเชื่อมโยง imageID ที่เข้ารหัส (ระบุไบนารี่ RISC-V ที่ดำเนินการ) กับเอาต์พุตโค้ดที่ประกาศเพื่อการตรวจสอบที่รวดเร็วโดยบุคคลที่สาม
เมื่อดำเนินการโมเดลใน ZKVM การคำนวณเกี่ยวกับการเปลี่ยนแปลงสถานะจะเสร็จสมบูรณ์ภายใน VM ทั้งหมด ไม่มีข้อมูลใดๆ เกี่ยวกับสถานะภายในของโมเดลรั่วไหลสู่โลกภายนอก
เมื่อดำเนินการแบบจำลอง ผลลัพธ์ที่ได้จะกลายเป็นหลักฐานพิสูจน์ความสมบูรณ์ของการคำนวณโดยปราศจากความรู้ RISC Zero ZKVM เป็นเครื่องเสมือน RISC-V ที่สามารถสร้างการพิสูจน์โค้ดที่รันโดยปราศจากความรู้ เมื่อใช้ ZKVM คุณสามารถสร้างใบเสร็จรับเงินที่เข้ารหัสซึ่งใครๆ ก็สามารถตรวจสอบได้ว่าสร้างโดยรหัสไคลเอ็นต์ ZKVM เมื่อมีการออกใบเสร็จรับเงิน จะไม่มีการเปิดเผยข้อมูลอื่น ๆ เกี่ยวกับการดำเนินการโค้ด (เช่น ข้อมูลป้อนเข้าที่ให้ไว้)
ด้วยการรันโมเดลแมชชีนเลิร์นนิงใน ZKVM ของ RISC Zero คุณสามารถพิสูจน์ได้ว่าการคำนวณที่เกี่ยวข้องในโมเดลนั้นดำเนินการอย่างถูกต้อง กระบวนการคำนวณและการตรวจสอบสามารถทำได้แบบออฟไลน์ในสภาพแวดล้อมที่ผู้ใช้ต้องการ หรือใน Bonsai Network ซึ่งเป็นแบบรวมสากล
กระบวนการเฉพาะในการสร้างการพิสูจน์ ZK นั้นเกี่ยวข้องกับโปรโตคอลเชิงโต้ตอบที่มี oracle แบบสุ่มเป็นตัวตรวจสอบ ตราประทับบนใบเสร็จรับเงิน RISC Zero ถือเป็นบันทึกข้อตกลงปฏิสัมพันธ์นี้เป็นหลัก
หากคุณต้องการนำเข้าโมเดลโดยตรงจากซอฟต์แวร์แมชชีนเลิร์นนิงที่ใช้กันทั่วไป เช่น Tensorflow หรือ Pytorch ให้พิจารณาใช้ ezkl เป็นโซลูชัน:
ขั้นแรก ส่งออกโมเดลสุดท้ายเป็นไฟล์ .onnx และอินพุตตัวอย่างบางส่วนเป็นไฟล์ .json
จากนั้น ชี้ ezkl ไปที่ไฟล์ .onnx และ .json เพื่อสร้างวงจร ZK-SNARK ที่สามารถพิสูจน์คำสั่ง ZKML ได้
Ezkl คือไลบรารีและเครื่องมือบรรทัดคำสั่งสำหรับการอนุมานโมเดลการเรียนรู้เชิงลึกและกราฟการคำนวณอื่นๆ ใน zkSNARK
ดูเหมือนง่ายใช่มั้ย? เป้าหมายของ Ezkl คือการสร้างเลเยอร์นามธรรมที่ช่วยให้สามารถเรียกและจัดวางการดำเนินการระดับสูงในวงจร Halo 2 ได้ Ezkl ขจัดความซับซ้อนมากมายไปพร้อมๆ กับการคงความยืดหยุ่นอันเหลือเชื่อไว้ โมเดลเชิงปริมาณมีปัจจัยสเกลแบบเชิงปริมาณโดยอัตโนมัติ ซึ่งสนับสนุนความยืดหยุ่นในการเปลี่ยนไปใช้ระบบพิสูจน์อื่นๆ ที่เกี่ยวข้องกับโซลูชันใหม่ๆ นอกจากนี้ยังรองรับเครื่องเสมือนหลายประเภท รวมถึง EVM และ WASM
เกี่ยวกับระบบพิสูจน์ ezkl ปรับแต่งวงจร halo 2 โดยการรวมการพิสูจน์ (การแปลงการพิสูจน์ที่ยากต่อการตรวจสอบเป็นการพิสูจน์ที่ง่ายต่อการตรวจสอบผ่านตัวกลาง) และการเรียกซ้ำ (สามารถแก้ปัญหาหน่วยความจำได้ แต่ปรับให้เข้ากับ halo 2 ได้ยาก) Ezkl ยังปรับกระบวนการทั้งหมดให้เหมาะสมผ่านการหลอมรวมและนามธรรมซึ่งสามารถลดค่าใช้จ่ายผ่านการพิสูจน์ขั้นสูง
เป็นที่น่าสังเกตว่าเมื่อเทียบกับโครงการ zkml ทั่วไปอื่นๆ Accessor Labs มุ่งเน้นไปที่การจัดหาเครื่องมือ zkml ที่ออกแบบมาเป็นพิเศษสำหรับเกมออนไลน์เต็มรูปแบบ ซึ่งอาจเกี่ยวข้องกับ AI NPC การอัปเดตการเล่นเกมอัตโนมัติ อินเทอร์เฟซเกมที่เกี่ยวข้องกับภาษาธรรมชาติ ฯลฯ
กรณีการใช้งานอยู่ที่ไหน
การแก้ปัญหาเรื่องความไว้วางใจด้วยแมชชีนเลิร์นนิงผ่านเทคโนโลยี ZK หมายความว่าตอนนี้สามารถนำไปใช้กับกรณีการใช้งานที่ มีความเสี่ยงสูง และ มีความมั่นใจสูง ได้มากกว่าแค่ติดตามการสนทนาของผู้คนหรือจับคู่ภาพแมวกับภาพสุนัขเพื่อสร้างความแตกต่าง Web3 กำลังสำรวจกรณีการใช้งานเหล่านี้จำนวนมากอยู่แล้ว นี่ไม่ใช่เรื่องบังเอิญ เนื่องจากแอปพลิเคชัน Web3 ส่วนใหญ่ทำงานหรือตั้งใจให้ทำงานบนบล็อกเชน เนื่องจากบล็อกเชนมีคุณสมบัติเฉพาะในการทำงานอย่างปลอดภัย ยากต่อการแก้ไข และมีการคำนวณที่กำหนดได้ AI ที่ประพฤติตัวดีและสามารถตรวจสอบได้ควรเป็น AI ที่สามารถทำงานในสภาพแวดล้อมที่ไม่น่าเชื่อถือและมีการกระจายอำนาจใช่ไหม?
กรณีการใช้งานที่สามารถใช้ ZK+ML ใน Web3
แอปพลิเคชัน Web3 จำนวนมากเสียสละประสบการณ์ผู้ใช้เพื่อความปลอดภัยและการกระจายอำนาจ เนื่องจากนั่นเป็นลำดับความสำคัญและข้อจำกัดด้านโครงสร้างพื้นฐานอย่างชัดเจน AI/ML มีศักยภาพในการเสริมสร้างประสบการณ์ผู้ใช้ ซึ่งไม่ต้องสงสัยเลยว่ามีประโยชน์ แต่ก่อนหน้านี้ดูเหมือนจะเป็นไปไม่ได้หากไม่มีการประนีประนอม ตอนนี้ ต้องขอบคุณ ZK ที่ทำให้เราสามารถดู AI/ML รวมกับแอปพลิเคชัน Web3 ได้อย่างสะดวกสบาย โดยไม่กระทบต่อความปลอดภัยและการกระจายอำนาจมากเกินไป
โดยพื้นฐานแล้ว นี่จะเป็นแอปพลิเคชัน Web3 (ซึ่งอาจมีหรือไม่มีอยู่ในขณะที่เขียน) ที่ใช้ ML/AI ในลักษณะที่ไม่น่าเชื่อถือ คำว่า trustless เราหมายถึงว่ามันทำงานบนสภาพแวดล้อม/แพลตฟอร์มที่ไม่น่าเชื่อถือ หรือสามารถพิสูจน์ได้ว่าสามารถพิสูจน์การทำงานของมันได้หรือไม่ โปรดทราบว่าไม่ใช่ทุกกรณีการใช้งาน ML/AI (แม้แต่ใน Web3) ที่ต้องการหรือต้องการทำงานในลักษณะที่ไม่น่าเชื่อถือ เราจะวิเคราะห์แต่ละส่วนของความสามารถ ML ที่ใช้ในโดเมน Web3 ต่างๆ จากนั้นเราจะระบุชิ้นส่วนที่ต้องใช้ ZKML ซึ่งโดยทั่วไปแล้วเป็นชิ้นส่วนที่มีมูลค่าสูงซึ่งผู้คนยินดีจ่ายเงินเพิ่มเพื่อพิสูจน์ กรณีการใช้งาน/แอปพลิเคชันส่วนใหญ่ที่กล่าวถึงด้านล่างยังอยู่ในขั้นตอนการวิจัยเชิงทดลอง ดังนั้นพวกเขาจึงยังห่างไกลจากการยอมรับในทางปฏิบัติ เราจะหารือว่าทำไมในภายหลัง
Defi Defi เป็นหนึ่งในไม่กี่ข้อพิสูจน์ว่าตลาดผลิตภัณฑ์เหมาะสมกับโปรโตคอลบล็อกเชนและแอปพลิเคชัน Web3 ความสามารถในการสร้าง จัดเก็บ และจัดการความมั่งคั่งและทุนในลักษณะที่ไม่ได้รับอนุญาตนั้นไม่เคยมีมาก่อนในประวัติศาสตร์ของมนุษย์ เราได้ระบุกรณีการใช้งานจำนวนหนึ่งที่ต้องใช้โมเดล AI/ML เพื่อรันโดยไม่ได้รับอนุญาต เพื่อให้มั่นใจในความปลอดภัยและการกระจายอำนาจ
การประเมินความเสี่ยง: การเงินยุคใหม่ต้องใช้โมเดล AI/ML เพื่อการประเมินความเสี่ยงที่หลากหลาย ตั้งแต่การป้องกันการฉ้อโกงและการฟอกเงินไปจนถึงการออกสินเชื่อที่ไม่มีหลักประกัน การตรวจสอบให้แน่ใจว่าโมเดล AI/ML ดังกล่าวทำงานในลักษณะที่ตรวจสอบได้ หมายความว่าเราสามารถป้องกันไม่ให้โมเดลเหล่านั้นถูกจัดการเพื่อให้สามารถเซ็นเซอร์ได้ ซึ่งจะเป็นอุปสรรคต่อการใช้ลักษณะที่ไม่ได้รับอนุญาตของผลิตภัณฑ์ Defi
การจัดการสินทรัพย์: กลยุทธ์การซื้อขายอัตโนมัติไม่ใช่เรื่องใหม่สำหรับการเงินและ Defi แบบเดิม มีความพยายามที่จะใช้กลยุทธ์การซื้อขายที่สร้างโดย AI/ML แต่มีกลยุทธ์การกระจายอำนาจเพียงไม่กี่กลยุทธ์เท่านั้นที่ประสบความสำเร็จ การใช้งานทั่วไปในสาขา Defi ปัจจุบันรวมถึง Rocky Bot ที่ทดลองโดย Modulus Labs
สัญญาที่ถือเงินใน L1 และแลกเปลี่ยน WEth/USDC บน Uniswap
สัญญา L2 ใช้โครงข่ายประสาทเทียมสามชั้นที่เรียบง่าย (แต่ยืดหยุ่น) เพื่อคาดการณ์ราคา WEth ในอนาคต สัญญาใช้ข้อมูลราคา WETH ในอดีตเป็นข้อมูลนำเข้า
ส่วนหน้าที่เรียบง่ายสำหรับการแสดงภาพและโค้ด PyTorch สำหรับการฝึก regressors และ classifiers
สิ่งนี้ใช้กับส่วน เอาต์พุต ของกรอบงานความน่าเชื่อถือของ ML เอาต์พุตถูกสร้างขึ้นบน L2 ถ่ายโอนไปยัง L1 และใช้สำหรับการดำเนินการ ไม่สามารถแก้ไขได้ในระหว่างกระบวนการนี้
สิ่งนี้ใช้ได้กับทั้งส่วน อินพุต และ โมเดล การป้อนข้อมูลราคาในอดีตมาจากบล็อกเชน การดำเนินการของโมเดลได้รับการคำนวณใน CairoVM (ประเภทหนึ่งของ ZKVM) และการติดตามการดำเนินการจะสร้างหลักฐาน ZK สำหรับการตรวจสอบ
Rocky Bot: Modulus Labs สร้างบอทการซื้อขายโดยใช้ AI เพื่อการตัดสินใจบน StarkNet
Automated MM and liquidity provision:
โดยพื้นฐานแล้ว เป็นการผสมผสานระหว่างความพยายามที่คล้ายกันที่เกิดขึ้นในการประเมินความเสี่ยงและการจัดการสินทรัพย์ เพียงแต่มีแนวทางที่แตกต่างกันในแง่ของปริมาณ ลำดับเวลา และประเภทสินทรัพย์ มีงานวิจัยมากมายเกี่ยวกับการใช้ ML เพื่อสร้างตลาดในตลาดหุ้น อาจเป็นเพียงเรื่องของเวลาก่อนที่ผลการวิจัยบางส่วนจะถูกนำมาใช้กับผลิตภัณฑ์ Defi
ตัวอย่างเช่น Lyra Finance กำลังทำงานร่วมกับ Modulus Labs เพื่อปรับปรุง AMM ด้วยฟีเจอร์อัจฉริยะเพื่อทำให้การใช้เงินทุนมีประสิทธิภาพมากขึ้น
คำกล่าวอันทรงเกียรติ:
ทีม Warp.cc ได้พัฒนาโปรเจ็กต์การสอนเกี่ยวกับวิธีการปรับใช้สัญญาอัจฉริยะที่รันโครงข่ายประสาทเทียมที่ได้รับการฝึกอบรมเพื่อทำนายราคาของ Bitcoin สิ่งนี้สอดคล้องกับส่วน “อินพุต” และ “โมเดล” ของเฟรมเวิร์กของเรา เนื่องจากอินพุตใช้ข้อมูลที่ได้รับจาก RedStone Oracles และโมเดลถูกดำเนินการบน Arweave เป็นสัญญาอัจฉริยะ Warp
นี่เป็นการทำซ้ำครั้งแรกและเกี่ยวข้องกับ ZK ดังนั้นจึงเป็นการยกย่องชมเชยจากเรา แต่ในอนาคต ทีม Warp กำลังพิจารณาการนำส่วนของ ZK ไปใช้
เกม
เกมและการเรียนรู้ของเครื่องมีความเกี่ยวพันกันอย่างมาก พื้นที่สีเทาในแผนภาพแสดงถึงการประเมินเบื้องต้นของเราว่าความสามารถด้านการเรียนรู้ของเครื่องในส่วนของเกมจำเป็นต้องจับคู่กับการพิสูจน์ ZKML ที่เกี่ยวข้องหรือไม่ Leela Chess Zero เป็นตัวอย่างที่น่าสนใจมากในการใช้ ZKML กับเกม:
ตัวแทนเอไอ
LC 0 และกลุ่มมนุษย์ผลัดกันเล่นเกม (อย่างที่ควรจะเป็นในหมากรุก)
การเคลื่อนที่ของ LC 0 คำนวณจากแบบจำลองที่ติดตั้งวงจรอย่างง่ายของ LC 0
Leela Chess Zero (LC 0): ผู้เล่นหมากรุก AI ออนไลน์ทั้งหมดที่สร้างขึ้นโดย Modulus Labs ที่เล่นกับกลุ่มผู้เล่นมนุษย์จากชุมชน
การเคลื่อนที่ของ LC 0 มีการพิสูจน์การแย่งชิง Halo 2 เพื่อให้แน่ใจว่าไม่มีการรบกวนจากความไว้วางใจของสมองของมนุษย์ มีเพียงรุ่น LC 0 แบบเรียบง่ายเท่านั้นที่สามารถใช้เพื่อการตัดสินใจ
เหมาะกับส่วน รุ่น การดำเนินการแบบจำลองมีหลักฐาน ZK เพื่อตรวจสอบว่าการคำนวณไม่ได้รับการแก้ไข
การวิเคราะห์และการทำนายข้อมูล: นี่เป็นการใช้งาน AI/ML ทั่วไปในโลกของเกม Web2 อย่างไรก็ตาม เราพบเหตุผลบางประการที่ต้องนำ ZK ไปใช้ในกระบวนการ ML นี้ อาจไม่คุ้มกับความพยายามที่จะไม่ให้คุณค่ามากเกินไปเข้าไปเกี่ยวข้องโดยตรงในกระบวนการนี้ อย่างไรก็ตาม หากใช้การวิเคราะห์และการคาดการณ์บางอย่างเพื่อกำหนดรางวัลสำหรับผู้ใช้ ZK ก็อาจถูกนำไปใช้เพื่อให้แน่ใจว่าผลลัพธ์นั้นถูกต้อง
คำกล่าวอันทรงเกียรติ:
AI Arena เป็นเกมที่ใช้ Ethereum ซึ่งผู้เล่นจากทั่วโลกสามารถออกแบบ ฝึกฝน และต่อสู้กับตัวละคร NFT ที่ขับเคลื่อนโดยโครงข่ายประสาทเทียม นักวิจัยที่มีพรสวรรค์จากทั่วโลกแข่งขันกันเพื่อสร้างโมเดลการเรียนรู้ของเครื่อง (ML) ที่ดีที่สุดเพื่อมีส่วนร่วมในการต่อสู้ในเกม AI Arena มุ่งเน้นไปที่โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า โดยรวมแล้ว มีค่าใช้จ่ายในการคำนวณต่ำกว่าโครงข่ายประสาทเทียมแบบหมุนวน (CNN) หรือโครงข่ายประสาทที่เกิดซ้ำ (RNN) ถึงกระนั้น ในปัจจุบันโมเดลต่างๆ จะถูกอัปโหลดไปยังแพลตฟอร์มหลังจากการฝึกอบรมเสร็จสิ้นแล้วเท่านั้น ดังนั้นจึงคุ้มค่าที่จะกล่าวถึง
GiroGiro.AI กำลังสร้างชุดเครื่องมือ AI ที่ช่วยให้คนจำนวนมากสามารถสร้างปัญญาประดิษฐ์สำหรับการใช้งานส่วนตัวหรือเชิงพาณิชย์ ผู้ใช้สามารถสร้างระบบ AI ประเภทต่างๆ โดยใช้แพลตฟอร์มเวิร์กโฟลว์ AI ที่ใช้งานง่ายและเป็นอัตโนมัติ ด้วยการป้อนข้อมูลเพียงเล็กน้อยและเลือกอัลกอริธึม (หรือโมเดลสำหรับการปรับปรุง) ผู้ใช้จึงสามารถสร้างและใช้โมเดล AI ที่ตนมีอยู่ในใจได้ แม้ว่าโปรเจ็กต์นี้จะยังอยู่ในช่วงเริ่มต้น แต่เรารู้สึกตื่นเต้นมากที่ได้เห็นสิ่งที่ GiroGiro สามารถนำมาสู่การเงินเกมและผลิตภัณฑ์ที่เน้น metaverse ได้ ดังนั้นเราจึงยกย่องให้เป็นรางวัลชมเชย
ทำและสังคม
ใน DID และพื้นที่โซเชียล จุดตัดของ Web3 และ ML ปัจจุบันส่วนใหญ่อยู่ในขอบเขตของการพิสูจน์โดยมนุษย์และการพิสูจน์รับรอง ส่วนอื่นๆ อาจพัฒนาขึ้น แต่จะใช้เวลานานกว่านี้
หลักฐานของมนุษย์
แอปพลิเคชันของผู้ใช้สร้างที่อยู่กระเป๋าสตางค์ในเครื่อง
แอปพลิเคชันใช้เซมาฟอร์เพื่อพิสูจน์ว่ามีคีย์ส่วนตัวของคีย์สาธารณะที่ลงทะเบียนไว้ก่อนหน้านี้ เนื่องจากนี่เป็นข้อพิสูจน์ที่ไม่มีความรู้ จึงไม่ได้เปิดเผยว่าเป็นกุญแจสาธารณะใด
หลักฐานจะถูกส่งไปยังเครื่องจัดลำดับอีกครั้ง ซึ่งจะตรวจสอบหลักฐานและเริ่มกระบวนการฝากโทเค็นไปยังที่อยู่กระเป๋าเงินที่ให้ไว้ ส่วนที่เรียกว่าจะถูกส่งไปพร้อมกับหลักฐานเพื่อให้แน่ใจว่าผู้ใช้ไม่สามารถรับรางวัลได้สองครั้ง
ผู้ใช้สร้างคู่คีย์เซมาฟอร์บนโทรศัพท์มือถือ และมอบคีย์สาธารณะที่แฮชให้กับ Orb ผ่านโค้ด QR
Orb สแกนม่านตาของผู้ใช้และคำนวณ IrisHash ของผู้ใช้ในเครื่อง จากนั้นจะส่งข้อความที่ลงนามซึ่งมีคีย์สาธารณะที่แฮชและ IrisHash ไปยังโหนดลำดับการลงทะเบียน
โหนดลำดับจะตรวจสอบลายเซ็นของ Orb จากนั้นตรวจสอบ IrisHash เพื่อดูว่าตรงกับลายเซ็นในฐานข้อมูลหรือไม่ หากผ่านการตรวจสอบเอกลักษณ์ IrisHash และคีย์สาธารณะจะถูกบันทึก
Worldcoin ใช้อุปกรณ์ที่เรียกว่า Orb เพื่อตรวจสอบว่าบุคคลนั้นมีตัวตนจริงหรือไม่ แทนที่จะพยายามตรวจสอบโดยฉ้อโกง โดยการวิเคราะห์คุณสมบัติใบหน้าและม่านตาผ่านเซ็นเซอร์กล้องต่างๆ และโมเดลการเรียนรู้ของเครื่อง เมื่อตัดสินใจได้แล้ว Orb จะถ่ายภาพกลุ่มม่านตาของผู้คน และใช้โมเดลการเรียนรู้ของเครื่องหลายแบบและเทคนิคการมองเห็นด้วยคอมพิวเตอร์อื่นๆ เพื่อสร้างรหัสม่านตา ซึ่งเป็นการแสดงลักษณะดิจิทัลที่สำคัญที่สุดของรูปแบบม่านตาของแต่ละบุคคล ขั้นตอนการลงทะเบียนเฉพาะมีดังนี้:
Worldcoin ใช้ระบบพิสูจน์ความรู้เป็นศูนย์ของ Semaphore แบบโอเพ่นซอร์สเพื่อแปลงเอกลักษณ์ของ IrisHash ให้กลายเป็นเอกลักษณ์ของบัญชีผู้ใช้โดยไม่ต้องเชื่อมโยง สิ่งนี้ทำให้มั่นใจได้ว่าผู้ใช้ที่ลงทะเบียนใหม่สามารถรับ WorldCoins ของตนได้สำเร็จ ดำเนินการดังต่อไปนี้:
WorldCoin ใช้เทคโนโลยี ZK เพื่อให้แน่ใจว่าผลลัพธ์ของโมเดล ML จะไม่เปิดเผยข้อมูลส่วนบุคคลของผู้ใช้ เนื่องจากไม่มีความสัมพันธ์กันระหว่างข้อมูลเหล่านั้น ในกรณีนี้ จะอยู่ภายใต้ส่วน เอาต์พุต ของกรอบงานความน่าเชื่อถือของเรา เนื่องจากช่วยให้มั่นใจได้ว่าเอาต์พุตจะถูกส่งและใช้ในลักษณะที่ต้องการ ในกรณีนี้เป็นการส่วนตัว
ทบทวนกรอบการทำงาน ML Trust จากมุมมองของกรณีการใช้งาน
จะเห็นได้ว่ากรณีการใช้งานที่เป็นไปได้ของ ZKML ใน Web3 ยังอยู่ในช่วงเริ่มต้น แต่ก็ไม่สามารถละเลยได้ ในอนาคต เนื่องจากการใช้ ZKML ยังคงขยายตัวต่อไป อาจมีความจำเป็นสำหรับผู้ให้บริการ ZKML โดยสร้างรูปแบบปิด วนซ้ำตามรูปด้านล่าง:ผู้ให้บริการ ZKML มุ่งเน้นไปที่ส่วน โมเดล และ พารามิเตอร์ ของกรอบงานความน่าเชื่อถือของ ML เป็นหลัก แม้ว่าสิ่งที่เราเห็นตอนนี้ส่วนใหญ่เกี่ยวข้องกับ พารามิเตอร์ จะเกี่ยวข้องกับ โมเดล มากกว่า สิ่งสำคัญคือต้องทราบว่าส่วน อินพุต และ เอาต์พุต ได้รับการแก้ไขมากขึ้นโดยโซลูชันที่ใช้บล็อกเชน ไม่ว่าจะเป็นแหล่งข้อมูลหรือปลายทางข้อมูล ZK หรือบล็อกเชนเพียงอย่างเดียวอาจไม่บรรลุความน่าเชื่อถืออย่างสมบูรณ์ แต่เมื่อรวมกันแล้วอาจทำได้
ห่างไกลจากแอพพลิเคชั่นขนาดใหญ่แค่ไหน?
สุดท้ายนี้ เราสามารถมุ่งเน้นไปที่สถานะความเป็นไปได้ในปัจจุบันของ ZKML และว่าเราอยู่ห่างจากการใช้งาน ZKML ในวงกว้างเพียงใด
เอกสารของ Modulus Labs ให้ข้อมูลและข้อมูลเชิงลึกเกี่ยวกับความเป็นไปได้ของแอปพลิเคชัน ZKML โดยการทดสอบ Worldcoin (ด้วยข้อกำหนดด้านความแม่นยำและหน่วยความจำที่เข้มงวด) และ AI Arena (ด้วยข้อกำหนดด้านความคุ้มทุนและเวลา):หาก Worldcon ใช้ ZKML การใช้หน่วยความจำของตัวพิสูจน์จะเกินความสามารถของฮาร์ดแวร์มือถือเชิงพาณิชย์ใดๆ หากการแข่งขัน AI Arena ใช้ ZKML การใช้ ZKCNN จะเพิ่มเวลาและค่าใช้จ่าย 100 เท่า (0.6 วินาที เทียบกับเดิม 0.008 วินาที) น่าเสียดายที่ไม่เหมาะสำหรับการใช้เทคนิค ZKML โดยตรงเพื่อพิสูจน์เวลาและการใช้หน่วยความจำของตัวพิสูจน์
แล้วขนาดหลักฐานและเวลาในการตรวจสอบล่ะ? เราสามารถอ้างถึงเอกสารของ Daniel Kang, Tatsunori Hashimoto, Ion Stoica และ Yi Sun ดังที่แสดงด้านล่าง โซลูชันการอนุมาน DNN สามารถบรรลุความแม่นยำ 79% บน ImageNet (ประเภทรุ่น: DCNN, 16 เลเยอร์, 3.4 ล้านพารามิเตอร์) ในขณะที่เวลาในการตรวจสอบใช้เวลาเพียง 10 วินาทีและขนาดการพิสูจน์คือ 5952 ไบต์ นอกจากนี้ zkSNARK ยังสามารถลดความแม่นยำลงได้ถึง 59% ด้วยเวลาการตรวจสอบเพียง 0.7 วินาที ผลลัพธ์เหล่านี้แสดงให้เห็นว่าการใช้ zkSNARK บนโมเดลมาตราส่วน ImageNet สามารถทำได้ในแง่ของขนาดการพิสูจน์และเวลาในการตรวจสอบ ปัญหาคอขวดทางเทคนิคหลักในปัจจุบันคือเวลาพิสูจน์และการใช้หน่วยความจำ ยังเป็นไปไม่ได้ทางเทคนิคที่จะใช้ ZKML ในกรณี web3 ZKML มีศักยภาพที่จะตามทันการพัฒนา AI หรือไม่? เราสามารถเปรียบเทียบข้อมูลเชิงประจักษ์ได้หลายอย่าง:
ความเร็วในการพัฒนาโมเดลการเรียนรู้ของเครื่อง: รุ่น GPT-1 ที่เปิดตัวในปี 2562 มีพารามิเตอร์ 150 ล้านพารามิเตอร์ ในขณะที่รุ่น GPT-3 ล่าสุดที่เปิดตัวในปี 2563 มีพารามิเตอร์ 175 พันล้านพารามิเตอร์ ซึ่งเพิ่มขึ้น 1,166 เท่าของจำนวนพารามิเตอร์ในเวลาเพียง 2 เท่า ปี .
ความเร็วในการเพิ่มประสิทธิภาพของระบบความรู้เป็นศูนย์: การเติบโตของประสิทธิภาพของระบบความรู้เป็นศูนย์นั้นเป็นไปตามก้าว กฎของมัวร์ ระบบความรู้แบบศูนย์ใหม่เกิดขึ้นเกือบทุกปี และเราคาดหวังว่าประสิทธิภาพการพิสูจน์จะเติบโตอย่างรวดเร็วจะดำเนินต่อไประยะหนึ่ง
เมื่อพิจารณาจากข้อมูลนี้ แม้ว่าโมเดลการเรียนรู้ของเครื่องจะพัฒนาอย่างรวดเร็ว แต่ความเร็วในการเพิ่มประสิทธิภาพของระบบพิสูจน์ความรู้เป็นศูนย์ก็เพิ่มขึ้นอย่างต่อเนื่องเช่นกัน ในอนาคต ZKML อาจยังมีโอกาสที่จะค่อยๆ ตามการพัฒนาของ AI ได้ แต่จำเป็นต้องมีนวัตกรรมทางเทคโนโลยีอย่างต่อเนื่องและการเพิ่มประสิทธิภาพเพื่อลดช่องว่าง ซึ่งหมายความว่าแม้ว่าปัจจุบัน ZKML จะมีปัญหาคอขวดทางเทคนิคในแอปพลิเคชัน web3 ด้วยการพัฒนาอย่างต่อเนื่องของเทคโนโลยีที่ไม่มีความรู้ เรายังคงมีเหตุผลที่คาดหวังได้ว่า ZKML จะมีบทบาทมากขึ้นในสถานการณ์ web3 ในอนาคต เมื่อเปรียบเทียบอัตราการปรับปรุงของ ML และ ZK ที่ล้ำสมัย แนวโน้มไม่น่าจะเป็นไปได้มากนัก อย่างไรก็ตาม ด้วยการปรับปรุงประสิทธิภาพการ Convolution อย่างต่อเนื่อง ฮาร์ดแวร์ ZK และระบบพิสูจน์ ZK ที่ปรับแต่งตามการดำเนินงานโครงข่ายประสาทเทียมที่มีโครงสร้างสูง หวังว่าการพัฒนา ZKML จะสามารถตอบสนองความต้องการของ web3 ได้ โดยเริ่มจากการจัดหาเครื่องจักรที่ล้าสมัย ฟังก์ชั่นการเรียนรู้เริ่มต้นขึ้น แม้ว่าเราอาจใช้บล็อกเชน + ZK เพื่อตรวจสอบว่าข้อมูลที่ ChatGPT ฟีดกลับมาให้ฉันนั้นเชื่อถือได้อาจเป็นเรื่องยากสำหรับเรา แต่เราอาจนำโมเดล ML ที่เล็กกว่าและเก่ากว่าบางรุ่นไปใส่ในวงจร ZK ได้
สรุปแล้ว
"อำนาจมีแนวโน้มที่จะทุจริต และอำนาจเบ็ดเสร็จย่อมทุจริตอย่างแน่นอน". ด้วยพลังอันน่าทึ่งของ AI และ ML ทำให้ในปัจจุบันไม่มีวิธีที่เข้าใจผิดได้ในการนำสิ่งนี้ไปอยู่ภายใต้การกำกับดูแล ข้อเท็จจริงได้รับการพิสูจน์ครั้งแล้วครั้งเล่าว่ารัฐบาลต่างๆ เข้ามาแทรกแซงผลที่ตามมาล่าช้า หรือสั่งห้ามทันที Blockchain+ZK นำเสนอหนึ่งในโซลูชั่นไม่กี่อย่างที่สามารถทำให้สัตว์ร้ายเชื่องด้วยวิธีที่พิสูจน์ได้และตรวจสอบได้
เราหวังว่าจะได้เห็นนวัตกรรมผลิตภัณฑ์เพิ่มเติมในด้าน ZKML ZK และบล็อกเชนมอบสภาพแวดล้อมที่ปลอดภัยและเชื่อถือได้สำหรับการทำงานของ AI/ML นอกจากนี้เรายังคาดหวังว่านวัตกรรมผลิตภัณฑ์เหล่านี้จะสร้างโมเดลธุรกิจใหม่ทั้งหมด เนื่องจากในโลกของสกุลเงินดิจิทัลที่ไม่ได้รับอนุญาต เราไม่ได้ถูกจำกัดโดยรูปแบบการสร้างรายได้แบบ de-SaaS ที่นี่ เราหวังว่าจะสนับสนุนผู้สร้างเพิ่มเติมในเรื่องนี้"อนาธิปไตยตะวันตก"และ"ไอวอรี่ทาวเวอร์อีลิท"ของการทับซ้อนอันน่าทึ่งเพื่อต่อยอดจากแนวคิดที่น่าตื่นเต้น เรายังอยู่ในช่วงเริ่มต้น แต่เราอาจอยู่ในเส้นทางกอบกู้โลกแล้ว
