การรวบรวมข้อความต้นฉบับ: Deep Tide TechFlow

การรวบรวมข้อความต้นฉบับ: Deep Tide TechFlow

Zero-Knowledge Machine Learning (ZKML) เป็นพื้นที่ของการวิจัยและพัฒนาที่กำลังสร้างคลื่นในชุมชนการเข้ารหัสเมื่อเร็ว ๆ นี้ แต่มันคืออะไรและมีประโยชน์อย่างไร? ก่อนอื่น เรามาแบ่งคำศัพท์ออกเป็นสองส่วนและอธิบายว่ามันคืออะไร

ZK คืออะไร?

Zero-knowledge Proof เป็นโปรโตคอลการเข้ารหัสที่ฝ่ายหนึ่ง (ผู้พิสูจน์) สามารถพิสูจน์ให้อีกฝ่ายหนึ่ง (ผู้ตรวจสอบ) เห็นว่าข้อความที่ระบุเป็นความจริงโดยไม่ต้องเปิดเผยข้อมูลเพิ่มเติมใด ๆ นอกจากข้อความนั้นเป็นความจริง นี่คือสาขาการวิจัยที่มีความก้าวหน้าอย่างมากในด้านต่างๆ ครอบคลุมทุกอย่างตั้งแต่การวิจัยไปจนถึงการนำโปรโตคอลไปใช้และประยุกต์ใช้

"พื้นฐาน" หลักสองประการ (หรือหน่วยการสร้าง) ที่ ZK มีให้คือความสามารถในการพิสูจน์ความสมบูรณ์ของการคำนวณสำหรับชุดการคำนวณที่กำหนด ซึ่งการพิสูจน์ทำได้ง่ายกว่าการคำนวณเองมาก (เราเรียกคุณสมบัตินี้ว่า "ความเรียบง่าย") การพิสูจน์ ZK ยังให้ตัวเลือกในการซ่อนบางส่วนของการคำนวณในขณะที่รักษาความถูกต้องของการคำนวณ (เราเรียกคุณสมบัตินี้ว่า "ความรู้เป็นศูนย์")

การสร้างการพิสูจน์ความรู้เป็นศูนย์นั้นต้องใช้การคำนวณอย่างมาก ซึ่งมีราคาแพงกว่าการคำนวณแบบเดิมประมาณ 100 เท่า ซึ่งหมายความว่าไม่สามารถคำนวณการพิสูจน์ความรู้ที่ไม่มีความรู้ได้ในบางกรณี เนื่องจากเวลาที่ต้องใช้ในการสร้างหลักฐานเหล่านั้นบนฮาร์ดแวร์ที่ดีที่สุดทำให้ไม่สามารถใช้งานได้จริง

อย่างไรก็ตาม ความก้าวหน้าล่าสุดในการเข้ารหัส ฮาร์ดแวร์ และระบบแบบกระจายทำให้การพิสูจน์โดยไม่มีความรู้เป็นตัวเลือกที่ทำงานได้สำหรับการคำนวณที่ทรงพลังยิ่งขึ้น ความก้าวหน้าเหล่านี้ทำให้สามารถสร้างโปรโตคอลที่สามารถใช้การพิสูจน์เชิงคำนวณอย่างเข้มข้น ขยายพื้นที่การออกแบบสำหรับแอปพลิเคชันใหม่ๆ

กรณีการใช้งาน ZK

การเข้ารหัสแบบ Zero-knowledge เป็นหนึ่งในเทคโนโลยีที่ได้รับความนิยมมากที่สุดใน Web3 เนื่องจากช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่ปรับขนาดได้และ/หรือส่วนตัว ต่อไปนี้เป็นตัวอย่างวิธีการใช้ในทางปฏิบัติ (แม้ว่าโปรดทราบว่าหลายโครงการเหล่านี้ยังคงดำเนินอยู่):

1. ปรับขนาด Ethereum ผ่าน ZK rollups

• Starknet

• Scroll

• Polygon Zero，Polygon Miden，Polygon zkEVM

• zkSync

2. สร้างแอพรักษาความเป็นส่วนตัว

• Semaphore

• MACI

• Penumbra

• Aztec Network

3. อัตลักษณ์ดั้งเดิมและแหล่งข้อมูล

• WorldID

• Sismo

• Clique

• Axiom

4. โปรโตคอลเลเยอร์ 1

• Zcash

• Mina

เมื่อเทคโนโลยี ZK เติบโตขึ้น เราเชื่อว่าจะมีแอปพลิเคชันใหม่ๆ เกิดขึ้นมากมาย เนื่องจากเครื่องมือที่ใช้ในการสร้างแอปพลิเคชันเหล่านี้จะต้องใช้ความเชี่ยวชาญด้านโดเมนน้อยลง และจะง่ายขึ้นสำหรับนักพัฒนาที่จะใช้

การเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่องเป็นพื้นที่ของการวิจัยในด้านปัญญาประดิษฐ์ ("AI") ที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้และปรับปรุงโดยอัตโนมัติจากประสบการณ์โดยไม่ต้องตั้งโปรแกรมอย่างชัดเจน ใช้อัลกอริทึมและแบบจำลองทางสถิติในการวิเคราะห์และระบุรูปแบบในข้อมูล จากนั้นจึงคาดการณ์หรือตัดสินใจตามรูปแบบเหล่านี้ เป้าหมายสูงสุดของแมชชีนเลิร์นนิงคือการพัฒนาระบบอัจฉริยะที่สามารถเรียนรู้แบบปรับเปลี่ยนได้ โดยปราศจากการแทรกแซงของมนุษย์ และแก้ปัญหาที่ซับซ้อนในด้านต่างๆ เช่น การดูแลสุขภาพ การเงิน และการขนส่ง

เมื่อเร็ว ๆ นี้ คุณอาจได้เห็นความคืบหน้าของโมเดลภาษาขนาดใหญ่ เช่น chatGPT และ Bard และโมเดลแปลงข้อความเป็นรูปภาพ เช่น DALL-E 2, Midjourney หรือ Stable Diffusion เมื่อแบบจำลองเหล่านี้ดีขึ้นและสามารถปฏิบัติงานได้หลากหลายมากขึ้น การทำความเข้าใจว่าแบบจำลองใดดำเนินการ หรือการดำเนินการนั้นดำเนินการโดยมนุษย์จึงเป็นเรื่องสำคัญ ในหัวข้อถัดไป เราจะสำรวจแนวความคิดนี้

แรงจูงใจ ZKML และความพยายามในปัจจุบัน

เราอยู่ในโลกที่เนื้อหาที่สร้างโดย AI/ML นั้นยากที่จะแยกความแตกต่างจากเนื้อหาที่มนุษย์สร้างขึ้น การเข้ารหัสที่ไม่มีความรู้จะช่วยให้เราสร้างข้อความเช่น: "สำหรับเนื้อหา C เนื้อหานั้นถูกสร้างขึ้นโดยโมเดล M ที่ใช้กับอินพุต X บางตัว" เราจะสามารถตรวจสอบได้ว่าเอาต์พุตบางอย่างสร้างโดยภาษาขนาดใหญ่หรือไม่ โมเดลเช่น chatGPT) หรือโมเดลข้อความเป็นรูปภาพ (เช่น DALL-E 2 ) หรือโมเดลอื่นๆ ที่เราได้สร้างการแทนวงจรความรู้เป็นศูนย์ คุณสมบัติที่ไม่มีความรู้ของการพิสูจน์เหล่านี้จะช่วยให้เราสามารถซ่อนอินพุตหรือบางส่วนของแบบจำลองได้หากต้องการ ตัวอย่างที่ดีคือการประยุกต์ใช้โมเดลแมชชีนเลิร์นนิงกับข้อมูลที่ละเอียดอ่อนบางอย่าง ผู้ใช้สามารถทราบผลลัพธ์ของข้อมูลของตนหลังจากอนุมานโมเดล (เช่น ในอุตสาหกรรมการแพทย์) โดยไม่เปิดเผยข้อมูลที่ป้อนให้กับบุคคลที่สาม

หมายเหตุ: เมื่อเราพูดถึง ZKML เราหมายถึงการสร้างการพิสูจน์ที่ไม่มีความรู้ของขั้นตอนการอนุมานของโมเดล ML ไม่ใช่เกี่ยวกับการฝึกอบรมโมเดล ML (ซึ่งตัวมันเองก็ใช้การคำนวณอย่างเข้มข้นอยู่แล้ว) ปัจจุบัน ระบบ Zero-knowledge ที่ล้ำสมัยควบคู่กับฮาร์ดแวร์ประสิทธิภาพสูงยังคงห่างไกลจากการพิสูจน์โมเดลขนาดใหญ่ เช่น โมเดลภาษาขนาดใหญ่ (LLM) ที่มีอยู่ในปัจจุบัน แต่มีความคืบหน้าบางอย่างในการสร้างการพิสูจน์ของ รุ่นเล็ก ความคืบหน้า

เราทำการวิจัยเกี่ยวกับความทันสมัยของการเข้ารหัสแบบไม่มีความรู้ในบริบทของการสร้างการพิสูจน์สำหรับโมเดล ML และสร้างคอลเล็กชันของบทความที่รวบรวมงานวิจัยที่เกี่ยวข้อง บทความ แอปพลิเคชัน และที่เก็บโค้ด แหล่งข้อมูลสำหรับ ZKML สามารถพบได้ในที่เก็บ Awesome-zkml ของชุมชน ZKML บน GitHub

ทีมงาน Modulus Labs เพิ่งเผยแพร่เอกสารชื่อ "ต้นทุนของข่าวกรอง" ซึ่งเป็นการเปรียบเทียบระบบพิสูจน์ ZK ที่มีอยู่และแสดงรายการรุ่นต่างๆ ที่มีขนาดต่างกัน ปัจจุบัน สามารถสร้างการพิสูจน์สำหรับโมเดลที่มีพารามิเตอร์ประมาณ 18 ล้านพารามิเตอร์โดยใช้ระบบพิสูจน์อย่าง plonky 2 ใน ~50 วินาทีบนเครื่อง AWS ที่ทรงพลัง นี่คือไดอะแกรมจากกระดาษ:

ความคิดริเริ่มอีกประการหนึ่งที่มุ่งปรับปรุงความทันสมัยของระบบ ZKML คือไลบรารี ezkl ของ Zkonduit ซึ่งช่วยให้คุณสร้างการพิสูจน์ ZK ของโมเดล ML ที่ส่งออกโดยใช้ ONNX ซึ่งช่วยให้วิศวกร ML สามารถสร้างการพิสูจน์ ZK สำหรับขั้นตอนการอนุมานของแบบจำลองของตน และพิสูจน์ผลลัพธ์ไปยังตัวตรวจสอบความถูกต้องที่นำไปใช้อย่างถูกต้อง

มีหลายทีมที่ทำงานเพื่อปรับปรุงเทคโนโลยี ZK สร้างฮาร์ดแวร์ที่ปรับให้เหมาะสมสำหรับสิ่งที่เกิดขึ้นภายในการพิสูจน์ ZK และสร้างการปรับใช้โปรโตคอลเหล่านี้ให้เหมาะสมสำหรับกรณีการใช้งานเฉพาะ เมื่อเทคโนโลยีเติบโตเต็มที่ โมเดลที่ใหญ่กว่าจะได้รับการพิสูจน์ ZK บนเครื่องจักรที่มีกำลังน้อยกว่าในช่วงระยะเวลาสั้นๆ เราหวังว่าความก้าวหน้าเหล่านี้จะช่วยให้เกิดแอปพลิเคชัน ZKML และกรณีการใช้งานใหม่ๆ ได้

กรณีการใช้งานที่เป็นไปได้

คำนิยาม:

คำนิยาม:

1. การเพิ่มประสิทธิภาพแบบฮิวริสติก - วิธีการแก้ปัญหาที่ใช้กฎง่ายๆ หรือ "ฮิวริสติก" เพื่อค้นหาวิธีแก้ไขปัญหาที่ดี แทนที่จะใช้วิธีการเพิ่มประสิทธิภาพแบบดั้งเดิม แทนที่จะพยายามหาทางออกที่ดีที่สุด วิธีการเพิ่มประสิทธิภาพแบบฮิวริสติกมีเป้าหมายเพื่อค้นหาวิธีแก้ปัญหาที่ดีหรือ "ดีพอ" ในระยะเวลาที่เหมาะสมโดยคำนึงถึงความสำคัญและความยากของการปรับให้เหมาะสม

2. FHE ML - Fully Homomorphic Encryption ML ช่วยให้นักพัฒนาสามารถฝึกฝนและประเมินโมเดลในลักษณะที่รักษาความเป็นส่วนตัวได้ อย่างไรก็ตาม ไม่เหมือนการพิสูจน์ ZK ตรงที่ไม่มีวิธีการพิสูจน์ความถูกต้องของการคำนวณที่ดำเนินการด้วยการเข้ารหัส

• ทีมอย่าง Zama.ai กำลังทำงานในพื้นที่นี้

3. ZK vs Validity — ในอุตสาหกรรม คำศัพท์เหล่านี้มักใช้แทนกันได้ เนื่องจากหลักฐานยืนยันความถูกต้องเป็นการพิสูจน์ ZK ที่ไม่ได้ซ่อนบางส่วนของการคำนวณหรือผลลัพธ์ ในบริบทของ ZKML แอปพลิเคชันปัจจุบันส่วนใหญ่ใช้ประโยชน์จากการพิสูจน์ความถูกต้องของการพิสูจน์ ZK

4. Validity ML - ZK พิสูจน์โมเดล ML ที่ไม่มีการเก็บการคำนวณหรือผลลัพธ์เป็นความลับ พวกเขาพิสูจน์ความถูกต้องของการคำนวณ

ต่อไปนี้คือตัวอย่างบางส่วนของกรณีการใช้งาน ZKML ที่เป็นไปได้:

1. ความสมบูรณ์ของการคำนวณ (ความถูกต้อง ML)

• Modulus Labs

• บอทการซื้อขาย ML ที่ตรวจสอบได้บนเครือข่าย - RockyBot

การปรับปรุงภาพ blockchain ด้วยตนเอง (ตัวอย่าง):

• ปรับปรุงคุณสมบัติอัจฉริยะของ AMM โปรโตคอลตัวเลือกทางการเงินของ Lyra

• สร้างระบบชื่อเสียงบนพื้นฐาน AI ที่โปร่งใส (ZK oracle) สำหรับ Astraly

• การใช้ ML สำหรับ Aztec Protocol (zk-rollup พร้อมคุณสมบัติความเป็นส่วนตัว) เพื่อทำงานกับความก้าวหน้าทางเทคโนโลยีที่จำเป็นสำหรับเครื่องมือการปฏิบัติตามระดับสัญญา

2. Machine Learning as a Service (MLaaS) มีความโปร่งใส

3. ZK ความผิดปกติ/การตรวจจับการฉ้อโกง:

• กรณีการใช้งานนี้ทำให้สามารถสร้างหลักฐาน ZK จากความสามารถในการแสวงหาผลประโยชน์/การฉ้อโกง แบบจำลองการตรวจจับความผิดปกติสามารถฝึกฝนเกี่ยวกับข้อมูลสัญญาอัจฉริยะและเห็นชอบโดย DAO เป็นตัวชี้วัดที่น่าสนใจเพื่อให้กระบวนการรักษาความปลอดภัยเป็นไปโดยอัตโนมัติ เช่น การระงับสัญญาเชิงรุกเชิงป้องกันมากขึ้น มีสตาร์ทอัพที่ทำงานเกี่ยวกับวิธีใช้โมเดล ML เพื่อจุดประสงค์ด้านความปลอดภัยในบริบทของสัญญาอัจฉริยะ ดังนั้นการพิสูจน์การตรวจจับความผิดปกติของ ZK จึงดูเหมือนเป็นขั้นตอนต่อไปตามธรรมชาติ

4. Universal Validity Proofs for ML Inference: ความสามารถในการพิสูจน์และตรวจสอบได้อย่างง่ายดายว่าเอาต์พุตเป็นผลิตภัณฑ์ของรุ่นและคู่อินพุตที่กำหนด

5. ความเป็นส่วนตัว (ZKML)

6. Kaggle แบบกระจายอำนาจ: พิสูจน์ว่าแบบจำลองมีความแม่นยำมากกว่า x% ในข้อมูลการทดสอบบางส่วนโดยไม่แสดงน้ำหนัก

7. การอนุมานที่รักษาความเป็นส่วนตัว: ป้อนการวินิจฉัยทางการแพทย์เกี่ยวกับข้อมูลส่วนตัวของผู้ป่วยลงในแบบจำลองและส่งข้อมูลการอนุมานที่ละเอียดอ่อน (เช่น ผลการตรวจมะเร็ง) ไปยังผู้ป่วย

8.Worldcoin：

• ความสามารถในการอัพเกรดของ IrisCode: ผู้ใช้ World ID จะสามารถดูแลไบโอเมตริกซ์ด้วยตนเองในที่เก็บข้อมูลเข้ารหัสบนอุปกรณ์พกพา ดาวน์โหลดโมเดล ML ที่ใช้สร้าง IrisCode และสร้างหลักฐานที่ไม่มีความรู้ในพื้นที่ว่าสร้าง IrisCode สำเร็จแล้ว IrisCode นี้สามารถแทรกโดยไม่ได้รับอนุญาตโดยหนึ่งในผู้ใช้ Worldcoin ที่ลงทะเบียน เนื่องจากสัญญาอัจฉริยะที่ได้รับสามารถตรวจสอบหลักฐานที่ไม่มีความรู้และด้วยเหตุนี้จึงสร้าง IrisCode ซึ่งหมายความว่าหาก Worldcoin อัปเกรดโมเดลแมชชีนเลิร์นนิงในอนาคตเพื่อสร้าง IrisCode ในลักษณะที่ทำลายความเข้ากันได้กับเวอร์ชันก่อนหน้า ผู้ใช้จะไม่ต้องไปที่ Orb อีกครั้ง แต่สามารถสร้างการพิสูจน์ความรู้ที่ไม่มีศูนย์นี้ในเครื่องได้ อุปกรณ์.

• Orb Security: ปัจจุบัน Orb ใช้กลไกการตรวจจับการฉ้อโกงและการงัดแงะหลายอย่างในสภาพแวดล้อมที่เชื่อถือได้ อย่างไรก็ตาม เราสามารถสร้างหลักฐานที่ไม่มีความรู้ว่ากลไกเหล่านี้ทำงานอยู่เมื่อถ่ายภาพและสร้าง IrisCode เพื่อให้การรับประกันความมีชีวิตที่ดีขึ้นสำหรับโปรโตคอล Worldcoin เนื่องจากเรามั่นใจได้อย่างแน่นอนว่ากลไกเหล่านี้จะทำงานอยู่ ตลอดกระบวนการสร้าง IrisCode รัน

ลิงค์ต้นฉบับ

ลิงค์ต้นฉบับ