ผู้เขียนต้นฉบับ: Cathie, Hyper Oracle

สรุปเบื้องต้น

บทความล่าสุดโดย Vitalik Buterinสำรวจจุดตัดระหว่างบล็อกเชนและปัญญาประดิษฐ์ (AI) โดยมุ่งเน้นไปที่วิธีที่ AI สามารถนำไปใช้กับโลก crypto เป็นหลัก และสำรวจสี่จุดตัด: AI ในฐานะนักแสดง, AI ในฐานะอินเทอร์เฟซ, AI ตามกฎ และ AI เป็นเป้าหมาย

บทความนี้กล่าวถึงโอกาสและความท้าทายที่จุดตัดเหล่านี้ โดยเน้นประเด็นของการโจมตีด้วยการเรียนรู้ของเครื่องที่เป็นปฏิปักษ์และค่าใช้จ่ายด้านการเข้ารหัส บทความนี้กล่าวถึงความเป็นไปได้ของการใช้รูปแบบการเข้ารหัส เช่น การพิสูจน์ความรู้เป็นศูนย์ เพื่อซ่อนการทำงานภายในของแบบจำลอง ในขณะเดียวกันก็ชี้ให้เห็นถึงความท้าทายของค่าใช้จ่ายด้านการเข้ารหัสและการโจมตีการเรียนรู้ของเครื่องที่ขัดแย้งกับกล่องดำ

สุดท้ายนี้ บทความนี้จะกล่าวถึงเทคนิคในการสร้าง AI ส่วนตัวแบบกระจายอำนาจที่ปรับขนาดได้ และถือว่าแอปพลิเคชันเพื่อความปลอดภัยของ AI และ AI เป็นเป้าหมายในการเล่นเกม บทความนี้สรุปโดยเน้นย้ำถึงความจำเป็นในการปฏิบัติอย่างระมัดระวังในสาขาเหล่านี้ แต่แสดงความคาดหวังต่อโอกาสในการมาบรรจบกันของบล็อคเชนและ AI

0. โอกาสและความท้าทายของแอปพลิเคชัน Crypto + AI

ในบทความล่าสุดของ Vitalik เขาได้กล่าวถึงจุดบรรจบกันของปัญญาประดิษฐ์และการเข้ารหัส และระบุความท้าทายหลักสองประการ ได้แก่ ค่าใช้จ่ายด้านการเข้ารหัสและการโจมตีแมชชีนเลิร์นนิงที่เป็นปฏิปักษ์กล่องดำ

Vitalik เชื่อว่าปัญญาประดิษฐ์และสกุลเงินดิจิทัลมีศักยภาพที่ดี ปัญญาประดิษฐ์สามารถมีบทบาทสำคัญในการช่วยให้สกุลเงินดิจิทัลดีขึ้น เช่น อินเทอร์เฟซเกม หรือ กฎของเกม

1. ความท้าทาย: ค่าใช้จ่ายในการเข้ารหัส

ก) ปัญหาค่าใช้จ่ายด้านการเข้ารหัสได้รับการแก้ไขแล้วหรือไม่?

ในขณะที่ Vitalik มองเห็นศักยภาพที่ยอดเยี่ยมใน AI x Crypto เขาตั้งข้อสังเกตว่าหนึ่งในข้อคัดค้านหลักคือค่าใช้จ่ายในการเข้ารหัส ปัจจุบัน วิธี AI/ML บนเชนที่ได้รับความนิยมมากที่สุดคือ zkML ซึ่งรวบรวมโมเดล ML ลงในวงจร zk เพื่อให้สามารถยืนยันการพิสูจน์การเข้ารหัสบนเชนได้

“การประมวลผล AI มีราคาแพงโดยธรรมชาติ” และด้วยการเข้ารหัส มันก็ยิ่งช้าลงไปอีก

Vitalik เชื่อว่าปัญหาค่าใช้จ่ายด้านการเข้ารหัสได้รับการแก้ไขแล้วบางส่วน:

• การคำนวณปัญญาประดิษฐ์และค่าใช้จ่ายด้านการเข้ารหัสเหมาะสำหรับการเร่งความเร็วสูง และไม่มีการคำนวณประเภท ไม่มีโครงสร้าง เช่น zkEVM

• เมื่อเวลาผ่านไป รูปแบบการเข้ารหัส ZooKeeper ที่มีประสิทธิภาพมากขึ้นจะถูกประดิษฐ์ขึ้น และค่าใช้จ่ายจะลดลงอย่างมาก

b) ปัจจุบันค่าใช้จ่ายอยู่ที่ 1,000x

อย่างไรก็ตาม วิธีการนี้ยังห่างไกลจากการปฏิบัติจริง โดยเฉพาะในกรณีการใช้งานที่ Vitalik อธิบายไว้ นี่คือตัวอย่างที่เกี่ยวข้องบางส่วน:

• เฟรมเวิร์ก zkML EZKL ใช้เวลาประมาณ 80 นาทีในการสร้างการพิสูจน์สำหรับรุ่น 1 M-nanoGPT

• จากข้อมูลของ Modulus Labs พบว่า zkML มีราคาแพงกว่าการคำนวณเพียงอย่างเดียว >>1,000 เท่า โดยตัวเลขที่รายงานล่าสุดอยู่ที่ 1,000 เท่า

• จากการทดสอบของ EZKL เวลาพิสูจน์โดยเฉลี่ยของการจำแนกฟอเรสต์แบบสุ่มของ RISC Zero คือ 173 วินาที

ในทางปฏิบัติ การรอหลายนาทีเพื่อรับคำอธิบายที่มนุษย์สามารถอ่านได้เกี่ยวกับธุรกรรมที่สร้างโดย AI นั้นเป็นสิ่งที่ยอมรับไม่ได้

2. แก้ไขโดย opML

ก) opML: การเรียนรู้ของเครื่องในแง่ดี

ในตอนท้ายของบทความ Vitalik กล่าวว่า: ฉันหวังว่าจะได้เห็นความพยายามมากขึ้นในการใช้งานปัญญาประดิษฐ์เชิงสร้างสรรค์ในทุกด้านเหล่านี้ เพื่อที่เราจะได้เห็นว่ากรณีใดที่เป็นไปได้อย่างแท้จริงสำหรับการใช้งานขนาดใหญ่ เรา เชื่อว่า zkML อยู่ในนั้น ไม่ เป็นไปได้ ในขั้นตอนนี้ และแอปพลิเคชันข้างต้นไม่สามารถรับรู้ได้

ในฐานะผู้ประดิษฐ์ opML และผู้สร้างการใช้งาน opML แบบโอเพ่นซอร์สครั้งแรก เราเชื่อว่า opML สามารถแก้ปัญหาค่าใช้จ่ายด้านการเข้ารหัสผ่านทฤษฎีเกม ทำให้ AI x Crypto เป็นไปได้ในขณะนี้

b) การรักษาความปลอดภัยผ่านสิ่งจูงใจ

opML แก้ปัญหาโอเวอร์เฮดในการเข้ารหัสของ ML บนเชนพร้อมทั้งรับประกันความปลอดภัย เพื่อความง่าย เราสามารถใช้สมมติฐาน AnyTrust ของ Arbitrum เพื่อประเมินความปลอดภัยของระบบ opML

AnyTrust ถือว่ามีโหนดที่ซื่อสัตย์อย่างน้อยหนึ่งโหนดต่อการอ้างสิทธิ์ เพื่อให้มั่นใจว่าผู้ส่งหรือผู้ตรวจสอบความถูกต้องอย่างน้อยหนึ่งคนมีความซื่อสัตย์ ภายใต้ AnyTrust จะมีการรักษาความปลอดภัยและความถูกต้อง:

• ความปลอดภัย: ผู้ตรวจสอบที่ซื่อสัตย์สามารถบังคับใช้พฤติกรรมที่ถูกต้องโดยการท้าทายผลลัพธ์ที่ไม่ถูกต้องจากโหนดที่เป็นอันตราย ดังนั้นการลงโทษพวกเขาผ่านกระบวนการอนุญาโตตุลาการ

• ความถูกต้อง: ผลลัพธ์ที่เสนอจะได้รับการยอมรับภายในระยะเวลาสูงสุดหรือถูกปฏิเสธ

เมื่อเปรียบเทียบ AnyTrust และ Majority Trust โมเดล AnyTrust ของ opML มีความปลอดภัยมากกว่า AnyTrust มีความปลอดภัยสูงและเหนือกว่า Majority Trust ภายใต้เงื่อนไขต่างๆ

c) ความเป็นส่วนตัวของผู้ใช้ > ความเป็นส่วนตัวของโมเดล

Vitalik ยังกล่าวถึงปัญหาความเป็นส่วนตัวของโมเดลในบทความด้วย ที่จริงแล้ว สำหรับโมเดลส่วนใหญ่ (โดยเฉพาะโมเดลขนาดเล็กที่ zkML รองรับในทางปฏิบัติในปัจจุบัน) เป็นไปได้ที่จะสร้างโมเดลขึ้นใหม่โดยมีการอนุมานเพียงพอ

สำหรับความเป็นส่วนตัวโดยทั่วไปและความเป็นส่วนตัวของผู้ใช้โดยเฉพาะ opML ดูเหมือนจะขาดฟีเจอร์ความเป็นส่วนตัวโดยธรรมชาติ เนื่องจากจำเป็นต้องเปิดเผยคำท้าต่อสาธารณะ ด้วยการรวม zkML และ opML เราจึงสามารถบรรลุระดับความเป็นส่วนตัวที่เหมาะสม มั่นใจได้ว่าจะมีการสร้างความสับสนที่ปลอดภัยและไม่สามารถย้อนกลับได้

ง) ใช้กรณีการใช้งาน AI x Crypto

opML สามารถรัน Stable Diffusion และ LLaMA 2 ได้โดยตรงบน Ethereum แล้ว สี่หมวดหมู่ที่ Vitalik กล่าวถึง (AI ในฐานะผู้เล่น/อินเทอร์เฟซ/กฎ/วัตถุประสงค์) สามารถนำไปใช้กับ opML ได้แล้วโดยไม่มีค่าใช้จ่ายเพิ่มเติม

เรากำลังสำรวจกรณีการใช้งานและคำแนะนำต่อไปนี้อย่างจริงจัง:

• AIGC NFT (ERC-7007), 7007 Studio ชนะการแข่งขัน Story Protocol Hackathon

• เกมปัญญาประดิษฐ์ออนไลน์ (เช่น เกม Dungeons และ Dragons)

• ตลาดการคาดการณ์โดยใช้ ML

• ความถูกต้องของเนื้อหา (ตัวตรวจสอบ Deepfake)

• ความเป็นส่วนตัวที่ตั้งโปรแกรมได้ตามมาตรฐาน

• ตลาดพร้อมท์

• ชื่อเสียง/คะแนนเครดิต

3. สรุป

ด้วย opML เราสามารถขจัดความท้าทายที่เกิดจากค่าใช้จ่ายในการเข้ารหัส รักษาการกระจายอำนาจและการตรวจสอบได้ และทำให้ AI x Crypto ใช้งานได้ในปัจจุบัน