เทคโนโลยีบล็อกเชนและการเรียนรู้ของเครื่องเป็นสองสาขาที่ดึงดูดความสนใจอย่างมาก เป็นผู้นำความก้าวหน้าทางเทคโนโลยีด้วยคุณลักษณะการกระจายอำนาจและความสามารถในการขับเคลื่อนด้วยข้อมูลตามลำดับ ZK (Zero-Knowledge ซึ่งต่อไปนี้จะเรียกว่า ZK) ในเทคโนโลยีบล็อกเชนเป็นแนวคิดในการเข้ารหัสซึ่งหมายถึงกระบวนการพิสูจน์หรือโต้ตอบซึ่งผู้พิสูจน์สามารถพิสูจน์ความจริงของข้อความต่อผู้ตรวจสอบได้โดยไม่ต้องเปิดเผยข้อมูลเฉพาะใด ๆ เกี่ยวกับเรื่องนี้ คำแถลง. ML (Machine Learning, Machine Learning ซึ่งต่อไปนี้จะเรียกว่า ML) เป็นสาขาหนึ่งของ AI แมชชีนเลิร์นนิงเรียนรู้จากข้อมูลอินพุต สรุปเพื่อสร้างแบบจำลอง ตลอดจนคาดการณ์และตัดสินใจ

ในบริบทนี้ ZKML (Zero-Knowledge Machine Learning) ซึ่งรวมเอาทั้งสองอย่างเข้าด้วยกัน ได้เจริญรุ่งเรืองเมื่อเร็ว ๆ นี้ ZKML ผสมผสานการป้องกันความเป็นส่วนตัวและความสามารถในการตรวจสอบของการพิสูจน์ความรู้แบบศูนย์เข้ากับความสามารถในการประมวลผลข้อมูลและการตัดสินใจของการเรียนรู้ของเครื่อง นำมาซึ่งโอกาสและความเป็นไปได้ใหม่ๆ สำหรับแอปพลิเคชันบล็อกเชน ZKML มอบโซลูชันเพื่อปกป้องความเป็นส่วนตัวของข้อมูล ตรวจสอบความถูกต้องของโมเดล และปรับปรุงประสิทธิภาพการคำนวณไปพร้อมๆ กัน

ชื่อระดับแรก

ZKML: การผสมผสานการพิสูจน์ความรู้แบบ Zero-Knowledge เข้ากับการเรียนรู้ของเครื่อง

มีเหตุผลสองประการที่ทำให้การพิสูจน์ความรู้เป็นศูนย์และการเรียนรู้ของเครื่องสามารถรวมกันบนบล็อกเชนได้:

ในด้านหนึ่ง เทคโนโลยีความรู้แบบศูนย์ของ ZK ไม่เพียงแต่หวังว่าจะบรรลุการตรวจสอบยืนยันธุรกรรมออนไลน์อย่างมีประสิทธิภาพเท่านั้น แต่นักพัฒนา ZK ยังหวังว่า ZK จะสามารถนำมาใช้ในระบบนิเวศที่กว้างขึ้นได้ การสนับสนุน AI อันทรงพลังของ ML ได้กลายเป็นเสาหลักสำหรับ ZK การประยุกต์ใช้การขยายตัวของระบบนิเวศ ผู้ช่วยที่ดี

ชื่อรอง

ความต้องการและความสามารถในการพัฒนาของ ZK และ ML ช่วยเสริมซึ่งกันและกัน

ML มีปัญหาด้านความน่าเชื่อถือมากมายที่ต้องแก้ไข และความถูกต้อง ความสมบูรณ์ และความเป็นส่วนตัวของขั้นตอนการทำงานแต่ละรายการจำเป็นต้องได้รับการพิสูจน์ ZK สามารถตรวจสอบได้อย่างมีประสิทธิภาพว่าคอมพิวเตอร์ประเภทใดก็ตามทำงานอย่างถูกต้องหรือไม่ภายใต้หลักประกันความเป็นส่วนตัว ซึ่งช่วยแก้ปัญหาการพิสูจน์ความน่าเชื่อถือในการเรียนรู้ของเครื่องที่มีมายาวนาน ความสมบูรณ์ของโมเดลถือเป็นปัญหาสำคัญในการพิสูจน์ความน่าเชื่อถือในกระบวนการฝึกอบรม ML แต่การปกป้องความเป็นส่วนตัวของข้อมูลและข้อมูลที่โมเดล ML ได้รับการฝึกและใช้ก็มีความสำคัญไม่แพ้กัน สิ่งนี้ทำให้ยากสำหรับการฝึกอบรม ML ที่จะผ่านหน่วยงานตรวจสอบและกำกับดูแลบุคคลที่สามเพื่อพิสูจน์ความน่าเชื่อถือ และ ZK แบบกระจายอำนาจที่มีคุณลักษณะที่ไม่มีความรู้เป็นเส้นทางพิสูจน์ความน่าเชื่อถือที่เข้ากันได้สูงกับ ML

ชื่อรอง

ข้อดีทางเทคนิคของ ZKML

ข้อได้เปรียบทางเทคนิคหลักๆ ของ ZKML คือการผสมผสานระหว่างความสมบูรณ์ของการคำนวณ การปกป้องความเป็นส่วนตัว และการเพิ่มประสิทธิภาพการเรียนรู้ตามหลักสำนึก จากมุมมองความเป็นส่วนตัว ข้อดีของ ZKML คือ:

เปิดใช้งานการรับรองความถูกต้องแบบโปร่งใส

Zero-Knowledge Proof (ZK) สามารถประเมินประสิทธิภาพของโมเดลได้โดยไม่ต้องเปิดเผยรายละเอียดภายในของโมเดล ช่วยให้กระบวนการประเมินมีความโปร่งใสและไร้ความน่าเชื่อถือ

การรับประกันความเป็นส่วนตัวของข้อมูล

ZK สามารถใช้ในการตรวจสอบข้อมูลสาธารณะโดยใช้แบบจำลองสาธารณะ หรือตรวจสอบข้อมูลส่วนตัวโดยใช้แบบจำลองส่วนตัว จึงมั่นใจได้ถึงความเป็นส่วนตัวและความละเอียดอ่อนของข้อมูล

ชื่อรอง

ZK เสริมศักยภาพ ML: มอบโครงสร้างพื้นฐานแบบออนไลน์

โซ่ตรวนของพลังการประมวลผลบน ML chain และ ZK-SNARK

เหตุผลที่ ML ซึ่งค่อนข้างเติบโตนอกเครือข่าย เพิ่งเข้าสู่เครือข่ายก็เนื่องมาจากต้นทุนด้านพลังงานการประมวลผลของบล็อกเชนสูงเกินไป โปรเจ็กต์แมชชีนเลิร์นนิงจำนวนมากไม่สามารถทำงานโดยตรงในสภาพแวดล้อมบล็อกเชนที่ EVM เป็นตัวแทนได้ เนื่องจากข้อจำกัดด้านพลังงานในการประมวลผล ในเวลาเดียวกัน แม้ว่าการตรวจสอบความถูกต้องของ ZK จะมีประสิทธิภาพมากกว่าการคำนวณซ้ำซ้อน แต่ข้อดีนี้จำกัดอยู่ที่การประมวลผลข้อมูลธุรกรรมแบบเนทีฟของบล็อกเชน เมื่อการดำเนินการด้านการเข้ารหัสและการโต้ตอบที่ซับซ้อนอยู่แล้วของ ZK เผชิญกับการดำเนินการ ML จำนวนมาก ปัญหา TPS ที่ต่ำของบล็อกเชนก็ถูกเปิดเผย และปัญหาพลังการประมวลผลที่ต่ำของบล็อกเชนก็กลายเป็นอุปสรรคที่ใหญ่ที่สุดที่ขัดขวาง ML ออนไลน์

การเกิดขึ้นของ ZK-SNARK ช่วยบรรเทาปัญหาความต้องการพลังงานการประมวลผลสูงของ ML ZK-SNARKs เป็นโครงสร้างการเข้ารหัสของการพิสูจน์ความรู้เป็นศูนย์ ชื่อเต็มของมันคือ"การโต้แย้งแบบไม่โต้ตอบที่ปรับขนาดได้เป็นศูนย์ความรู้"(ความรู้เป็นศูนย์ ข้อโต้แย้งความรู้ที่ไม่โต้ตอบโดยสรุป) เป็นเทคนิคที่ใช้การเข้ารหัสแบบเส้นโค้งรูปไข่และการเข้ารหัสแบบโฮโมมอร์ฟิกเพื่อการพิสูจน์ความรู้ที่ไม่มีความรู้อย่างมีประสิทธิภาพ ZK-SNARK มีลักษณะพิเศษคือมีความกะทัดรัดสูง ด้วยการใช้ ZK-SNARK ผู้พิสูจน์สามารถสร้างหลักฐานที่สั้นและกะทัดรัดได้และผู้ตรวจสอบจำเป็นต้องทำการคำนวณเพียงเล็กน้อยเพื่อตรวจสอบความถูกต้องของหลักฐานโดยไม่ต้องสื่อสารกับ พิสูจน์หลายครั้งโต้ตอบ ลักษณะของการกำหนดให้ต้องมีการโต้ตอบเพียงครั้งเดียวระหว่างผู้พิสูจน์และผู้ตรวจสอบทำให้ ZK-SNARK มีประสิทธิภาพและใช้งานได้จริงในการใช้งานจริง และเหมาะสมกว่าสำหรับความต้องการกำลังประมวลผลของ ML บนห่วงโซ่ ปัจจุบัน ZK-SNARK เป็นรูปแบบหลักของ ZK ใน ZKML

ข้อกำหนดโครงสร้างพื้นฐานออนไลน์ของ ML และโครงการที่เกี่ยวข้อง

การเพิ่มศักยภาพของ ZK ถึง ML ส่วนใหญ่จะสะท้อนให้เห็นในการพิสูจน์ความรู้เป็นศูนย์ของกระบวนการทั้งหมดของ ML ซึ่งเป็นปฏิสัมพันธ์ระหว่าง ML และฟังก์ชันในห่วงโซ่ ปัญหาสำคัญสองประการที่ต้องแก้ไขในการโต้ตอบนี้คือการเชื่อมต่อรูปแบบข้อมูลของทั้งสอง และจัดเตรียมพลังการประมวลผลสำหรับกระบวนการพิสูจน์ ZK

• การเร่งด้วยฮาร์ดแวร์ ZK: การพิสูจน์ ZK ของ ML นั้นซับซ้อนกว่า ซึ่งต้องใช้พลังการประมวลผลแบบ on-chain ที่ได้รับความช่วยเหลือจากฮาร์ดแวร์เพื่อเร่งการคำนวณการพิสูจน์ โครงการดังกล่าว ได้แก่: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal

• การประมวลผลข้อมูลบนห่วงโซ่ ML: ประมวลผลข้อมูลบนห่วงโซ่เป็นรูปแบบข้อมูลที่สามารถเข้าสู่การฝึกอบรม ML และช่วยให้เข้าถึงเอาต์พุตของ ML จากห่วงโซ่ได้ง่ายขึ้น โครงการดังกล่าว ได้แก่: Axiom, Herodotus, LAGRANGE, Hyper Oracle

• วงจรการคำนวณ ML: โหมดการคำนวณ ML แตกต่างจากการพิสูจน์วงจรออนไลน์ของ ZK และออนไลน์ของ ML จะต้องแปลงโหมดการคำนวณเป็นรูปแบบวงจรที่สามารถประมวลผลโดยบล็อกเชน ZK โครงการดังกล่าวได้แก่: Modulus Labs, Jason Morton, Giza

• หลักฐาน ZK ของผลลัพธ์ ML: ปัญหาการพิสูจน์ความน่าเชื่อถือของ ML จำเป็นต้องได้รับการแก้ไขโดย ZK บนห่วงโซ่ แอปพลิเคชันที่ใช้ ZK-SNARK ที่สร้างขึ้นบน Risc Zero หรือ Nil Foundation สามารถพิสูจน์ความถูกต้องของโมเดลได้ โครงการดังกล่าว ได้แก่: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill

ML Empowers ZK: ยกระดับสถานการณ์แอปพลิเคชัน Web3

ZK แก้ปัญหาการพิสูจน์ความน่าเชื่อถือของ ML และเปิดโอกาสให้ ML ถูกล่ามโซ่ ฟิลด์ Web3 จำนวนมากต้องการการสนับสนุนด้านประสิทธิภาพหรือการตัดสินใจของ AI ML อย่างเร่งด่วน ZKML ช่วยให้แอปพลิเคชันออนไลน์สามารถตระหนักถึงการเสริมศักยภาพของ AI ภายใต้สถานที่ตั้งของการกระจายอำนาจและประสิทธิผล

DeFi

ZKML สามารถช่วยให้ DeFi เป็นอัตโนมัติมากขึ้น หนึ่งในนั้นคือระบบอัตโนมัติของการอัปเดตพารามิเตอร์โปรโตคอลบนเชน และอีกอย่างคือระบบอัตโนมัติของกลยุทธ์การซื้อขาย

• Modulus Labs ได้เปิดตัว RockyBot ซึ่งเป็นบอทซื้อขาย AI แบบออนไลน์เต็มรูปแบบตัวแรกของโลก

DID

ZKML สามารถช่วยสร้าง DID ของข้อมูลประจำตัวแบบกระจายอำนาจของ Web3 ได้ ก่อนหน้านี้ โหมดการจัดการข้อมูลประจำตัว เช่น คีย์ส่วนตัวและการช่วยจำทำให้ประสบการณ์ผู้ใช้ Web3 แย่ลง การสร้าง DID จริงสามารถดำเนินการให้เสร็จสิ้นผ่าน ZKML เพื่อระบุข้อมูลทางชีวภาพของหัวข้อ Web3 ในเวลาเดียวกัน ZKML สามารถรับประกันความปลอดภัยของความเป็นส่วนตัวของข้อมูลทางชีวภาพของผู้ใช้ .

• เกม

เกม

ZKML สามารถช่วยให้เกม Web3 บรรลุคุณสมบัติออนไลน์เต็มรูปแบบได้ ML สามารถนำระบบอัตโนมัติที่แตกต่างมาสู่การโต้ตอบในเกมและเพิ่มความสนุกสนานของเกม ในขณะที่ ZK สามารถทำการตัดสินใจโต้ตอบของ ML แบบออนไลน์ได้

• Modulus Labs เปิดตัวเกมหมากรุกขับเคลื่อนด้วย ZKML @VsLeela

• AI ARENA ใช้ ZKML เพื่อตระหนักถึงการโต้ตอบระดับสูงของเกม NFT บนเครือข่าย

คำแนะนำด้านการดูแลสุขภาพและกฎหมาย

การให้คำปรึกษาด้านการดูแลสุขภาพและกฎหมายเป็นพื้นที่ที่มีความเป็นส่วนตัวสูงและต้องมีการสะสมเคสจำนวนมาก ZKML สามารถช่วยให้ผู้ใช้ตัดสินใจและมั่นใจได้ว่าความเป็นส่วนตัวของผู้ใช้จะไม่รั่วไหล

ความท้าทายของ ZKML

ปัจจุบัน ZKML กำลังพัฒนาอย่างแข็งขัน แต่เนื่องจากไม่ได้มาจากบล็อกเชนและต้องใช้พลังการประมวลผลจำนวนมาก ZKML จะเผชิญกับความท้าทายสองประการต่อไปนี้ในอนาคตเป็นหลัก:

• ปัญหาการบิดเบือนพารามิเตอร์ในกระบวนการหาปริมาณข้อมูล ML บนสายโซ่:

• ML ส่วนใหญ่ใช้ตัวเลขทศนิยมเพื่อแสดงพารามิเตอร์ของโมเดล ในขณะที่วงจร ZK จำเป็นต้องใช้ตัวเลขจุดคงที่ ในกระบวนการแปลงประเภทดิจิทัล ความแม่นยำของพารามิเตอร์ ML จะลดลง ซึ่งจะนำไปสู่การบิดเบือนผลลัพธ์ของ ML ในระดับหนึ่ง

• ZK รุ่นใหญ่พิสูจน์ให้เห็นถึงปัญหาความต้องการพลังการประมวลผลสูง:

• ในปัจจุบัน พลังการประมวลผลของบล็อกเชนไม่สามารถรับมือกับ ZKML ขนาดใหญ่และมีการคำนวณสูงบนเชนได้ ZK-SNARK ที่ได้รับความนิยมในปัจจุบันรองรับเฉพาะการพิสูจน์ความรู้เป็นศูนย์ของ ML ขนาดเล็กและขนาดเล็กเท่านั้น ข้อจำกัดด้านกำลังประมวลผลเป็นปัจจัยสำคัญที่ส่งผลต่อการพัฒนาแอปพลิเคชันบล็อกเชน ZKML

• บทส่งท้าย

บทส่งท้าย

ZKML เป็นการเคลื่อนไหวสองทางระหว่างการพิสูจน์ความรู้เป็นศูนย์และการเรียนรู้ของเครื่อง เทคโนโลยีบล็อกเชนที่พัฒนาขึ้นเมื่อเร็วๆ นี้ ZK ช่วยให้ ML แก้ปัญหาการพิสูจน์ความน่าเชื่อถือและจัดเตรียมสภาพแวดล้อมออนไลน์สำหรับ ML เทคโนโลยี AI ที่เป็นผู้ใหญ่ ML ช่วยให้ ZK ตระหนักถึงระบบนิเวศของ Web3 การขยายตัวและนวัตกรรมการประยุกต์ใช้

การพัฒนา ZKML เผชิญกับความท้าทายบางประการ เช่น ปัญหาการบิดเบือนพารามิเตอร์ และความต้องการพลังงานการประมวลผลสูงสำหรับรุ่นขนาดใหญ่ แต่ปัญหาเหล่านี้สามารถแก้ไขได้ด้วยนวัตกรรมทางเทคโนโลยีและการเร่งด้วยฮาร์ดแวร์ ด้วยการเกิดขึ้นและการพัฒนาอย่างต่อเนื่องของโครงการ ZKML เราคาดการณ์ได้ว่าจะนำนวัตกรรมและคุณค่ามาสู่ระบบนิเวศ Web3 ในด้านต่างๆ เช่น DeFi, DID, เกม และการดูแลสุขภาพ

ในอนาคต ZKML คาดว่าจะกลายเป็นกุญแจสำคัญในการปลดล็อกการบูรณาการข้ามแพลตฟอร์มของ Web3 + AI อย่างแท้จริง โดยให้การสนับสนุนที่แข็งแกร่งสำหรับการสร้างความปลอดภัย การปกป้องความเป็นส่วนตัว และแอปพลิเคชันบล็อกเชนที่มีประสิทธิภาพเพิ่มเติม ด้วยการรวมความรู้แบบศูนย์ของ ZK และความสามารถในการประมวลผลข้อมูลของ ML เราจะสามารถสร้างโลกดิจิทัลที่เปิดกว้าง ชาญฉลาด และน่าเชื่อถือมากขึ้นได้อย่างแน่นอน!