원문 편집: Deep Tide TechFlow
원문 편집: Deep Tide TechFlow
ZKML(Zero-Knowledge Machine Learning)은 최근 암호화 커뮤니티에서 큰 파장을 일으키고 있는 연구 개발 분야입니다. 그러나 그것은 무엇이며 무엇에 좋은가요? 먼저 용어를 두 가지 구성 요소로 분류하고 해당 용어가 무엇인지 설명하겠습니다.
ZK는 무엇입니까?
영지식 증명은 한 당사자(증명자)가 다른 당사자(검증자)에게 해당 진술이 사실이라는 것 이외의 추가 정보를 공개하지 않고 다른 당사자(검증자)에게 증명할 수 있는 암호 프로토콜입니다. 연구부터 프로토콜 구현 및 응용에 이르기까지 다양한 측면에서 큰 발전을 이루고 있는 연구 분야입니다.
ZK가 제공하는 두 가지 주요 "원시 요소"(또는 빌딩 블록)는 주어진 계산 집합에 대한 계산 무결성 증명을 생성하는 기능으로, 계산 자체를 수행하는 것보다 증명이 훨씬 쉽습니다. (이 속성을 "단순성"이라고 합니다.) ZK 증명은 또한 계산의 정확성을 유지하면서 계산의 일부를 숨길 수 있는 옵션을 제공합니다. (이 속성을 "제로 지식"이라고 합니다.)
영지식 증명을 생성하는 것은 매우 계산 집약적이며 원래 계산보다 약 100배 더 비쌉니다. 이는 영지식 증명을 최적의 하드웨어에서 생성하는 데 필요한 시간으로 인해 비실용적이기 때문에 경우에 따라 영지식 증명을 계산할 수 없음을 의미합니다.
그러나 최근 암호화, 하드웨어 및 분산 시스템의 발전으로 영지식 증명이 점점 더 강력한 계산을 위한 실행 가능한 옵션이 되었습니다. 이러한 발전으로 계산 집약적인 증명을 사용할 수 있는 프로토콜을 생성할 수 있게 되었고 새로운 애플리케이션을 위한 설계 공간이 확장되었습니다.
ZK 사용 사례
영지식 암호화는 개발자가 확장 가능 및/또는 개인용 애플리케이션을 구축할 수 있게 해주기 때문에 Web3 공간에서 가장 널리 사용되는 기술 중 하나입니다. 다음은 실제로 사용되는 방법에 대한 몇 가지 예입니다(이러한 프로젝트 중 많은 부분이 여전히 진행 중임).
1. ZK 롤업을 통한 이더리움 확장
Starknet
Scroll
Polygon Zero，Polygon Miden，Polygon zkEVM
zkSync
2. 개인 정보 보호 앱 구축
Semaphore
MACI
Penumbra
Aztec Network
3. ID 프리미티브 및 데이터 소스
WorldID
Sismo
Clique
Axiom
4. 레이어 1 프로토콜
Zcash
Mina
ZK 기술이 발전함에 따라 이러한 응용 프로그램을 구축하는 데 사용되는 도구는 도메인 전문 지식이 덜 필요하고 개발자가 사용하기 더 쉽기 때문에 새로운 응용 프로그램이 폭발적으로 증가할 것이라고 믿습니다.
기계 학습
기계 학습은 컴퓨터가 명시적으로 프로그래밍하지 않고도 경험을 통해 자동으로 학습하고 개선할 수 있도록 하는 인공 지능("AI") 분야의 연구 영역입니다. 알고리즘과 통계 모델을 활용하여 데이터의 패턴을 분석 및 식별한 다음 이러한 패턴을 기반으로 예측 또는 결정을 내립니다. 기계 학습의 궁극적인 목표는 인간의 개입 없이 적응적으로 학습할 수 있는 지능형 시스템을 개발하고 의료, 금융, 교통 등 다양한 분야의 복잡한 문제를 해결하는 것입니다.
최근에는 chatGPT, Bard와 같은 대규모 언어 모델과 DALL-E 2, Midjourney 또는 Stable Diffusion과 같은 text-to-image 모델의 발전을 보셨을 것입니다. 이러한 모델이 더 좋아지고 더 넓은 범위의 작업을 수행할 수 있게 됨에 따라 어떤 모델이 작업을 수행했는지 또는 작업이 사람에 의해 수행되었는지 여부를 이해하는 것이 중요해졌습니다. 다음 섹션에서는 이러한 사고 방식을 살펴보겠습니다.
ZKML 동기 및 현재 노력
우리는 AI/ML 생성 콘텐츠를 사람이 생성한 콘텐츠와 구분하기 점점 더 어려워지는 세상에 살고 있습니다. 영지식 암호화를 사용하면 "콘텐츠 C가 주어졌을 때 일부 입력 X에 적용된 모델 M에 의해 생성되었습니다."와 같은 진술을 할 수 있습니다. 특정 출력이 큰 언어에 의해 생성되었는지 확인할 수 있습니다. 모델(예: chatGPT) 또는 텍스트-이미지 모델(예: DALL-E 2 ) 또는 영지식 회로 표현을 생성한 기타 모델. 이러한 증명의 영지식 속성을 통해 원하는 경우 모델의 입력 또는 일부를 숨길 수도 있습니다. 좋은 예는 제3자에게 입력을 공개하지 않고 일부 민감한 데이터에 기계 학습 모델을 적용하는 것입니다. 사용자는 모델 추론 후 데이터 결과를 알 수 있습니다(예: 의료 산업).
참고: ZKML에 대해 이야기할 때 ML 모델 교육(자체적으로 이미 매우 계산 집약적임)이 아니라 ML 모델의 추론 단계에 대한 영지식 증명 생성을 의미합니다. 현재 고성능 하드웨어와 결합된 최첨단 영지식 시스템은 현재 사용 가능한 대규모 언어 모델(LLM)과 같은 거대한 모델을 증명하는 데는 여전히 상당한 수준이 걸리지만, 더 작은 모델.
우리는 ML 모델에 대한 증명을 생성하는 맥락에서 영지식 암호화 기술에 대한 연구를 수행했으며 관련 연구, 기사, 애플리케이션 및 코드 리포지토리를 집계하는 기사 모음을 만들었습니다. ZKML용 리소스는 GitHub의 ZKML 커뮤니티의 awesome-zkml 저장소에서 찾을 수 있습니다.
Modulus Labs 팀은 최근 기존 ZK 증명 시스템을 벤치마킹하고 다양한 크기의 여러 모델을 나열하는 "The Cost of Intelligence"라는 논문을 발표했습니다. 현재 강력한 AWS 머신에서 ~50초 내에 plonky 2와 같은 증명 시스템을 사용하여 ~1,800만 매개변수가 있는 모델에 대한 증명을 생성할 수 있습니다. 다음은 논문의 다이어그램입니다.
ZKML 시스템의 최신 기술을 개선하기 위한 또 다른 이니셔티브는 Zkonduit의 ezkl 라이브러리입니다. 이를 통해 ONNX를 사용하여 내보낸 ML 모델의 ZK 증명을 만들 수 있습니다. 이를 통해 모든 ML 엔지니어는 모델의 추론 단계에 대한 ZK 증명을 생성하고 올바르게 구현된 검증자에게 출력을 증명할 수 있습니다.
ZK 기술을 개선하고, ZK 증명 내부에서 일어나는 일에 대해 최적화된 하드웨어를 만들고, 특정 사용 사례를 위해 이러한 프로토콜의 최적화된 구현을 구축하기 위해 노력하는 여러 팀이 있습니다. 기술이 발전함에 따라 더 큰 모델은 짧은 시간 동안 덜 강력한 기계에서 ZK 검증을 받게 됩니다. 이러한 발전을 통해 새로운 ZKML 애플리케이션과 사용 사례가 등장할 수 있기를 바랍니다.
잠재적 사용 사례
정의:
정의:
1. 휴리스틱 최적화 - 기존의 최적화 방법을 사용하는 대신 어려운 문제에 대한 좋은 솔루션을 찾기 위해 경험 법칙 또는 "휴리스틱"을 사용하는 문제 해결 방법입니다. 휴리스틱 최적화 방법은 최적의 솔루션을 찾으려고 시도하는 대신 상대적 중요성과 최적화의 어려움을 감안할 때 합리적인 시간 내에 양호하거나 "충분히 좋은" 솔루션을 찾는 것을 목표로 합니다.
2. FHE ML - 완전 동형 암호화 ML을 사용하면 개발자가 개인 정보를 보호하는 방식으로 모델을 교육하고 평가할 수 있지만 ZK 증명과 달리 수행된 계산의 정확성을 암호화 방식으로 증명할 방법이 없습니다.
Zama.ai와 같은 팀이 이 분야에서 일하고 있습니다.
3. ZK 대 유효성 — 유효성 증명은 계산의 일부 또는 그 결과를 숨기지 않는 ZK 증명이기 때문에 업계에서 이러한 용어는 종종 같은 의미로 사용됩니다. ZKML의 맥락에서 대부분의 최신 애플리케이션은 ZK 증명의 유효성 증명 측면을 활용합니다.
4. 유효성 ML - ZK는 계산이나 결과가 비밀로 유지되지 않는 ML 모델을 증명합니다. 그들은 계산의 정확성을 증명합니다.
다음은 잠재적인 ZKML 사용 사례의 몇 가지 예입니다.
1. 계산 완전성(validity ML)
Modulus Labs
온체인 검증 가능한 ML 거래 봇 - RockyBot
자가 개선 비주얼 블록체인(예시):
Lyra의 금융 옵션 프로토콜 AMM의 지능형 기능 향상
Astraly를 위한 투명한 AI 기반 평판 시스템(ZK oracle) 생성
Aztec 프로토콜용 ML(개인 정보 보호 기능이 있는 zk-rollup)을 사용하여 계약 수준 규정 준수 도구에 필요한 기술 혁신 작업을 수행합니다.
2. MLaaS(Machine Learning as a Service)는 투명합니다.
3. ZK 이상/사기 감지:
이 사용 사례를 통해 악용 가능성/사기에 대한 ZK 증명을 생성할 수 있습니다. 이상 감지 모델은 스마트 계약 데이터에 대해 교육을 받을 수 있으며 DAO는 보다 사전 예방적이고 예방적인 계약 중단과 같은 보안 절차를 자동화할 수 있는 흥미로운 메트릭으로 동의할 수 있습니다. 스마트 계약의 맥락에서 보안 목적으로 ML 모델을 사용하는 방법을 연구하는 스타트업이 이미 있으므로 ZK 이상 감지 증명은 자연스러운 다음 단계처럼 보입니다.
4. ML 추론을 위한 범용 유효성 증명: 출력이 주어진 모델과 입력 쌍의 곱임을 쉽게 증명하고 확인할 수 있는 기능입니다.
5. 프라이버시(ZKML).
6. 분산형 Kaggle: 가중치를 표시하지 않고 일부 테스트 데이터에서 모델이 x% 이상 정확함을 증명합니다.
7. 프라이버시 보호 추론: 비공개 환자 데이터에 대한 의학적 진단을 모델에 입력하고 민감한 추론(예: 암 검사 결과)을 환자에게 보냅니다.
8.Worldcoin：
IrisCode의 업그레이드 가능성: World ID 사용자는 모바일 장치의 암호화된 저장소에서 생체 인식을 자체 관리하고, IrisCode를 생성하는 데 사용된 ML 모델을 다운로드하고, IrisCode가 성공적으로 생성되었다는 영지식 증명을 로컬에서 생성할 수 있습니다. 이 IrisCode는 등록된 Worldcoin 사용자 중 한 명이 무단으로 삽입할 수 있습니다. 받는 스마트 계약이 영지식 증명을 확인하여 IrisCode 생성을 확인할 수 있기 때문입니다. 즉, Worldcoin이 향후 기계 학습 모델을 업그레이드하여 이전 버전과의 호환성을 깨는 방식으로 IrisCode를 생성하면 사용자는 Orb에 다시 갈 필요가 없지만 로컬에서 이 영지식 증명을 로컬에서 생성할 수 있습니다. 장치.
Orb 보안: 현재 Orb는 신뢰할 수 있는 환경에서 여러 사기 및 변조 감지 메커니즘을 구현합니다. 그러나 우리는 이러한 메커니즘이 활성화될 것임을 절대적으로 확신할 수 있기 때문에 Worldcoin 프로토콜에 대한 더 나은 활성 보장을 제공하기 위해 이미지가 촬영되고 IrisCode가 생성되었을 때 이러한 메커니즘이 활성화되었다는 영지식 증명을 생성할 수 있습니다. IrisCode 생성 프로세스 전반에 걸쳐 실행합니다.
원본 링크
IOS
Android