많은 관심을 받고 있는 블록체인 기술과 머신러닝은 각각 탈중앙화 특성과 데이터 기반 역량으로 기술 발전을 이끌고 있습니다. 블록체인 기술 중 ZK(Zero-Knowledge, 이하 ZK)는 암호학의 개념으로, 증명자가 진술에 대한 구체적인 정보를 공개하지 않고 진술의 진실성을 검증자에게 증명할 수 있는 증명 또는 대화형 프로세스를 말합니다. 성명. ML(Machine Learning, Machine Learning, 이하 ML)은 AI의 한 분야입니다. 머신러닝은 입력 데이터로부터 학습하고, 이를 요약하여 모델을 형성하고, 예측과 결정을 내립니다.
이런 맥락에서 최근 이 둘을 결합한 ZKML(Zero-Knowledge Machine Learning)이 각광받고 있다. ZKML은 영지식 증명의 개인 정보 보호 및 검증 기능과 머신 러닝의 데이터 처리 및 의사 결정 기능을 결합하여 블록체인 애플리케이션에 새로운 기회와 가능성을 제공합니다. ZKML은 데이터 개인 정보 보호, 모델 정확성 확인, 계산 효율성 향상을 동시에 수행할 수 있는 솔루션을 제공합니다.
첫 번째 수준 제목
ZKML: 영지식 증명과 머신러닝의 결합
블록체인에서 영지식증명과 머신러닝을 결합할 수 있는 이유는 두 가지입니다.
한편, ZK의 영지식 기술은 온체인 거래의 효율적인 검증을 실현하기를 바랄 뿐만 아니라 ZK 개발자들은 ZK가 더 넓은 생태학적 분야에서 사용될 수 있기를 바라고 있습니다. ML의 강력한 AI 지원은 ZK의 기둥이 되었습니다. 응용 생태학적 확장 좋은 도우미.
보조 제목
ZK와 ML의 개발 요구 사항과 기능은 서로를 보완합니다.
ML에는 해결해야 할 신뢰 문제가 많으며 개별 워크플로의 정확성, 무결성, 개인정보 보호가 입증되어야 합니다. ZK는 개인 정보 보호를 보장한다는 전제 하에 모든 종류의 컴퓨팅이 올바르게 실행되고 있는지 효과적으로 확인할 수 있으며, 이는 기계 학습에서 오랫동안 지속되어 온 신뢰 증명 문제를 해결합니다. 모델의 무결성은 ML 훈련 프로세스에서 중요한 신뢰 증명 문제이지만, ML 모델이 훈련되고 사용되는 데이터와 정보의 개인정보 보호도 똑같이 중요합니다. 이로 인해 ML 교육이 제3자 감사 및 규제 기관을 통과하여 신뢰 증명을 완료하는 것이 어렵고, 영지식 속성을 갖춘 분산형 ZK는 ML과 호환성이 높은 신뢰 증명 경로입니다.
보조 제목
ZKML의 기술적 장점
ZKML의 주요 기술적 이점은 계산 무결성, 개인 정보 보호 및 경험적 최적화의 조합을 실현합니다. 개인 정보 보호 관점에서 ZKML의 장점은 다음과 같습니다.
투명한 인증 활성화
영지식 증명(ZK)은 모델의 내부 세부 정보를 노출하지 않고 모델 성능을 평가할 수 있어 투명하고 신뢰할 수 없는 평가 프로세스를 가능하게 합니다.
데이터 개인정보 보호 보장
ZK는 공개 모델을 사용하여 공개 데이터를 확인하거나 비공개 모델을 사용하여 개인 데이터를 확인하는 데 사용할 수 있으므로 데이터 개인정보 보호 및 민감도를 보장합니다.
보조 제목
ZK는 ML을 강화합니다: 온체인 인프라 제공
ML 체인 및 ZK-SNARK의 컴퓨팅 성능 족쇄
상대적으로 성숙한 오프체인인 ML이 이제 막 체인에 진입한 이유는 블록체인의 컴퓨팅 파워 비용이 너무 높기 때문입니다. 많은 머신러닝 프로젝트는 컴퓨팅 파워의 한계로 인해 EVM으로 대표되는 블록체인 환경에서 직접 실행될 수 없습니다. 동시에 ZK의 유효성 검증은 이중 계산보다 더 효율적이지만 이러한 장점은 블록체인 고유의 거래 데이터 처리에만 국한됩니다. ZK의 이미 복잡한 암호화 작업 및 상호 작용이 수많은 ML 작업에 직면하게 되면 블록체인의 낮은 TPS 문제가 노출되고 블록체인의 낮은 컴퓨팅 성능 문제는 ML 온체인을 방해하는 가장 큰 걸림돌이 되었습니다.
ZK-SNARK의 출현은 ML의 높은 컴퓨팅 성능 요구 사항 문제를 완화합니다. ZK-SNARK는 영지식 증명의 암호화 구성이며 전체 이름은 다음과 같습니다."영지식 확장 가능한 비대화형 논증"(제로 지식 간결한 비대화형 지식 논증). 효율적인 영지식 증명을 위해 타원곡선암호와 동형암호를 기반으로 한 기술입니다. ZK-SNARK는 높은 Compactness를 특징으로 하며, ZK-SNARK를 사용함으로써 Prover는 짧고 간결한 증명을 생성할 수 있으며, Verifier는 검증자와 통신할 필요 없이 증명의 유효성을 검증하기 위해 소량의 계산만 수행하면 됩니다. 여러 번 증명하고 상호 작용하십시오. 증명자와 검증자 간에 단 한 번의 상호 작용만 필요로 하는 이러한 특성으로 인해 ZK-SNARK는 실제 애플리케이션에서 효율적이고 실용적이며 체인에서 ML의 컴퓨팅 성능 요구 사항에 더 적합합니다. 현재 ZK-SNARK는 ZKML에서 ZK의 주요 형태입니다.
ML의 온체인 인프라 요구 사항 및 해당 프로젝트
ZK에서 ML로의 권한 부여는 주로 ML의 전체 프로세스, 즉 ML과 체인 기능 간의 상호 작용에 대한 영지식 증명에 반영됩니다. 이 상호작용에서 해결해야 할 두 가지 주요 문제는 둘의 데이터 형식을 연결하고 ZK 증명 프로세스에 컴퓨팅 성능을 제공하는 것입니다.
ZK 하드웨어 가속: ML의 ZK 증명은 더 복잡하며, 증명 계산을 가속화하려면 하드웨어 지원 온체인 컴퓨팅 성능이 필요합니다. 이러한 프로젝트에는 Cysic, Ulvetanna, Ingonyama, Supranational, Accseal이 포함됩니다.
ML 체인의 데이터 처리: 체인의 데이터를 ML 교육에 입력할 수 있는 데이터 형식으로 처리하고, ML의 출력이 체인에서 더 쉽게 액세스될 수 있도록 돕습니다. 이러한 프로젝트에는 Axiom, Herodotus, LAGRANGE, Hyper Oracle이 포함됩니다.
ML 계산 회로화: ML 계산 모드는 ZK의 온체인 회로화 증명과 다르며, ML의 온체인은 계산 모드를 블록체인 ZK에서 처리할 수 있는 회로 형태로 변환해야 합니다. 이러한 프로젝트에는 Modulus Labs, Jason Morton, Giza가 포함됩니다.
ML 결과의 ZK 증명: ML의 신뢰 증명 문제는 체인의 ZK에 의해 해결되어야 합니다. Risc Zero 또는 Nil Foundation을 기반으로 구축된 ZK-SNARK를 기반으로 하는 애플리케이션은 모델의 진위 증명을 실현할 수 있습니다. 이러한 프로젝트에는 RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill이 포함됩니다.
ML이 ZK를 강화함: Web3 애플리케이션 시나리오 강화
ZK는 ML의 신뢰 증명 문제를 해결하고 ML에 연결될 수 있는 기회를 제공합니다. 많은 Web3 분야에는 AI ML의 생산성이나 의사결정 지원이 시급히 필요합니다. ZKML은 온체인 애플리케이션을 통해 분산화 및 효율성 보장을 전제로 AI의 역량 강화를 실현할 수 있습니다.
DeFi
ZKML은 DeFi가 더욱 자동화되도록 도울 수 있습니다. 하나는 체인의 프로토콜 매개변수 업데이트 자동화이고, 다른 하나는 거래 전략의 자동화입니다.
Modulus Labs는 최초의 완전한 온체인 AI 거래 봇인 RockyBot을 출시했습니다.
DID
ZKML은 Web3 분산 ID DID 구축을 도울 수 있습니다. 이전에는 개인 키 및 니모닉과 같은 신원 관리 모드로 인해 Web3 사용자 경험이 열악했지만 ZKML을 통해 실제 DID 구축을 완료하여 Web3 주체의 생물학적 정보를 식별하는 동시에 ZKML은 사용자 생물학적 정보 프라이버시의 보안을 보장할 수 있습니다. .
게임
게임
ZKML은 Web3 게임이 완전한 기능을 갖춘 온체인을 달성하도록 도울 수 있습니다. ML은 게임 상호작용에 차별화된 자동화를 가져와 게임의 재미를 높일 수 있으며, ZK는 온체인에서 ML의 상호작용 결정을 내릴 수 있습니다.
Modulus Labs는 ZKML 기반 체스 게임 @VsLeela를 출시했습니다.
AI ARENA는 ZKML을 사용하여 체인에서 NFT 게임의 높은 상호작용을 실현합니다.
의료 및 법률 자문
의료 및 법률 컨설팅은 개인 정보 보호가 높은 영역으로 많은 사례 축적이 필요한 분야이므로 ZKML은 사용자의 의사 결정을 돕고 사용자의 개인 정보가 유출되지 않도록 보장할 수 있습니다.
ZKML 과제
ZKML은 현재 활발하게 발전하고 있지만 블록체인에 고유하지 않고 많은 컴퓨팅 능력이 필요하기 때문에 ZKML은 앞으로 주로 다음 두 가지 과제에 직면하게 될 것입니다.
체인의 ML 데이터 정량화 과정에서 매개변수 왜곡 문제:
대부분의 ML은 모델의 매개변수를 표현하기 위해 부동 소수점 숫자를 사용하는 반면, ZK 회로는 고정 소수점 숫자를 사용해야 합니다. 디지털 유형 변환 과정에서 ML 매개변수의 정밀도가 감소하여 ML 출력 결과가 어느 정도 왜곡될 수 있습니다.
대형 모델 ZK는 높은 컴퓨팅 성능 요구 사항 문제를 입증합니다.
현재 블록체인의 컴퓨팅 성능은 체인의 대규모 및 고계산 ZKML을 처리할 수 없으며 현재 인기 있는 ZK-SNARK는 소규모 및 소규모 ML 영지식 증명만 지원합니다. 컴퓨팅 성능 제한은 ZKML 블록체인 애플리케이션 개발에 영향을 미치는 핵심 요소입니다.
발문
발문
ZKML은 영지식 증명과 기계 학습 사이의 양방향 이동입니다. 최근 개발된 블록체인 기술 ZK는 ML이 신뢰 증명 문제를 해결하도록 돕고 ML을 위한 온체인 환경을 제공합니다. 성숙한 AI 기술 ML은 ZK가 Web3 생태학적 실현을 돕습니다. 확장 및 애플리케이션 혁신.
ZKML의 개발은 매개변수 왜곡 문제, 대형 모델의 높은 컴퓨팅 성능 요구 사항 등 몇 가지 과제에 직면해 있지만 이러한 문제는 기술 혁신과 하드웨어 가속을 통해 해결할 수 있습니다. ZKML 프로젝트의 지속적인 등장과 발전을 통해 DeFi, DID, 게임, 헬스케어 등의 분야에서 Web3 생태계에 더 많은 혁신과 가치를 가져올 것으로 예상할 수 있습니다.
앞으로 ZKML은 Web3 + AI의 교차 통합을 실제로 실현하는 열쇠가 되어 추가 보안 구축, 개인 정보 보호 및 효율적인 블록체인 애플리케이션에 대한 강력한 지원을 제공할 것으로 예상됩니다. ZK의 영지식과 ML의 데이터 처리 기능을 결합함으로써 우리는 더욱 개방적이고 지능적이며 신뢰할 수 있는 디지털 세상을 만들 수 있을 것입니다!
