การเรียนรู้ของเครื่องแบบไม่มีความรู้ (zkML) คืออนาคตของ AI แบบออนไลน์หรือไม่ (สิ่งที่แนบมาด้วยคือการแนะนำโครงการคุณภาพสูง)

golem

Odaily资深作者

@web3_golem

2024-05-16 06:37

บทความนี้มีประมาณ 1817 คำ การอ่านทั้งหมดใช้เวลาประมาณ 3 นาที

แม้ว่า zkML เป็นวิธี on-chain AI/ML ที่เหมาะสมที่สุด แต่ในปัจจุบันก็ยังช้ากว่าการคำนวณทั่วไปถึง 1,000 เท่า

ผู้เขียนต้นฉบับ |. @DistilledCrypto

รวบรวม | . โกเลม

เนื่องจากความนิยมของโมเดลภาษาขนาดใหญ่ เช่น ChatGPT การใช้โมเดลการเรียนรู้ของเครื่องที่คล้ายกันบนเครือข่ายแบบกระจายอำนาจ จึงได้กลายเป็นหนึ่งในเรื่องราวหลักของบล็อกเชน + AI แต่เราไม่สามารถเชื่อถือเครือข่ายแบบกระจายอำนาจเพื่อใช้โมเดล ML เฉพาะสำหรับการอนุมานได้ เช่นเดียวกับที่เราสามารถเชื่อถือบริษัทที่มีชื่อเสียงอย่าง OpenAI ได้ ดังนั้นเราจึงจำเป็นต้องตรวจสอบมัน เมื่อพิจารณาถึงความเป็นส่วนตัวของข้อมูล โดยทั่วไปแล้ว Machine Learning แบบไม่มีความรู้ (zkML) มักมีแง่ดี ดังนั้น AI แบบออนไลน์จะเป็นอนาคตหรือไม่

Odaily Planet Daily จะแนะนำความรู้พื้นฐานของ zkML ซึ่งเป็น โครงการ zkML ที่น่าสนใจโดยย่อ ในบทความนี้ และสุดท้ายจะอธิบายสั้นๆ เกี่ยวกับข้อจำกัดและทางเลือกอื่นๆ ของ zkML

ความรู้พื้นฐานเกี่ยวกับ zkML

แมชชีนเลิร์นนิงแบบไม่มีความรู้ (zkML) คล้ายคลึงกับวิธีการรักษาความลับในการประมวลผล ส่วนใหญ่เกี่ยวข้องกับสองส่วน:

ใช้การเรียนรู้ของเครื่อง (ML) เพื่อดำเนินงาน
แสดงให้เห็นว่างานเสร็จสมบูรณ์อย่างถูกต้องโดยไม่เปิดเผยรายละเอียดทั้งหมด

พูดง่ายๆ ก็คือ มันทำงานดังนี้:

ก. รันงาน

บางคนใช้โมเดล ML เพื่อประมวลผลข้อมูลบางอย่างและได้ผลลัพธ์ ซึ่งเปรียบเสมือนเชฟอบเค้กตามสูตรแต่ไม่ได้บอกส่วนผสมให้ใครฟัง

ข. งานพิสูจน์

หลังจากงานเสร็จสิ้นก็สามารถแสดงหลักฐานได้ ตัวอย่างเช่น "ฉันใช้อินพุตเฉพาะในโมเดลเฉพาะนี้และได้ผลลัพธ์นี้" พวกเขากำลังพิสูจน์ว่าพวกเขาทำตามขั้นตอนในสูตรอย่างถูกต้อง

ค. เก็บความลับ

สิ่งที่ยอดเยี่ยมเกี่ยวกับ zkML ก็คือเมื่อพวกเขาพิสูจน์ได้ว่างานนั้นทำอย่างถูกต้อง พวกเขาสามารถเก็บรายละเอียดต่างๆ เช่น การเก็บรักษาข้อมูลอินพุต วิธีการทำงานของโมเดล หรือผลลัพธ์ที่เป็นความลับ กล่าวโดยสรุป zkML ช่วยให้ผู้พิสูจน์อักษรพูดว่า "เชื่อฉันเถอะ ฉันเข้าใจถูกแล้ว" ในขณะที่ยังคงรักษาวิธีการและข้อมูลของตนให้เป็นส่วนตัว

ข้อมูลเบื้องต้นเกี่ยวกับโปรเจ็กต์ zkML ที่ควรค่าแก่การเอาใจใส่

เป็นเวลาเกือบหนึ่งปีแล้วนับตั้งแต่มีการเสนอแนวคิดของ zkML มีโครงการที่เกี่ยวข้องมากมายที่อยู่ระหว่างการก่อสร้าง และยังมีโครงการจำนวนเล็กน้อยที่ออกโทเค็นในตลาดด้วย Messari แสดงรายการโครงการ zkML บางโครงการที่ลงทุนโดย VC ที่มีชื่อเสียง ซึ่งจะแนะนำด้านล่าง

ที่มา: เมสซารี

สเปกตรัม

Spectral กำลังสร้างระบบเศรษฐกิจพร็อกซีแบบออนไลน์สำหรับ Web3 ผลิตภัณฑ์หลักของบริษัท SYNTAX คือ LLM (Large Language Model) ที่เป็นกรรมสิทธิ์ซึ่งสามารถสร้างโค้ด Solidity ได้ Spectral ช่วยให้ผู้ใช้สามารถสร้างตัวแทนอัตโนมัติแบบออนไลน์ในขณะที่ใช้ประโยชน์จากการอนุมาน ML แบบกระจายอำนาจเพื่อปรับปรุงสัญญาอัจฉริยะ นอกจากนี้ ด้วยการใช้ประโยชน์จาก zkML ทำให้ Spectral สามารถแสดงหลักฐานว่าการคาดการณ์เฉพาะนั้นถูกสร้างขึ้นโดยโมเดล ML ที่เฉพาะเจาะจง เพื่อให้มั่นใจถึงความไว้วางใจและความถูกต้องในกระบวนการ

Spectral ได้ออกโทเค็น โทเค็นคือ SPEC ซึ่งมีมูลค่าตลาด 119 ล้านดอลลาร์

เวิลด์คอยน์

Worldcoin กำลังพัฒนาระบบโอเพ่นซอร์สที่ออกแบบมาเพื่อให้ทุกคนมีส่วนร่วมในเศรษฐกิจโลก ใน Worldcoin การใช้งานที่เป็นไปได้อย่างหนึ่งของ zkML คือการปรับปรุงความปลอดภัยและความเป็นส่วนตัวของเทคโนโลยีการจดจำม่านตา มูลค่าตลาดโทเค็น WLD ปัจจุบันอยู่ที่ 1.07 พันล้านดอลลาร์

นี่คือวิธีการทำงาน:

ก. การโฮสต์ด้วยตนเองด้วยไบโอเมตริกซ์

ผู้ใช้ World ID สามารถจัดเก็บข้อมูลชีวมาตรของตน เช่น การสแกนม่านตา ได้อย่างปลอดภัยและเข้ารหัสบนอุปกรณ์เคลื่อนที่ของตน

ข. การประมวลผลในท้องถิ่น

จากนั้นผู้ใช้จะสามารถดาวน์โหลดโมเดล ML ลงในอุปกรณ์ของตนเพื่อสร้างโค้ดเฉพาะจากการสแกนม่านตาได้

ค. ใบรับรองการคุ้มครองความเป็นส่วนตัว

เมื่อใช้ zkML พวกเขาสามารถสร้างการพิสูจน์ได้โดยตรงบนอุปกรณ์ของตน การรับรองนี้ยืนยันว่ารหัสม่านตาถูกสร้างขึ้นอย่างแม่นยำจากการสแกนโดยใช้รุ่นที่ถูกต้อง การดำเนินการทั้งหมดนี้ดำเนินการโดยไม่เปิดเผยข้อมูลจริงของผู้ใช้

ริสซีซีโร่

RISC Zero มุ่งหวังที่จะเพิ่มความน่าเชื่อถือและประสิทธิภาพของอินเทอร์เน็ต ซึ่งจะบรรลุได้ด้วยการให้บริการคอมพิวเตอร์ที่ไม่จำเป็นต้องมีฝ่ายต่างๆ เชื่อถือซึ่งกันและกัน

ประเด็นสำคัญของ RISC Zero มีดังนี้

ก. ขยายบล็อกเชน

ใช้บริการพิสูจน์บอนไซเพื่อดำเนินการที่ซับซ้อน ซึ่งช่วยเพิ่มความปลอดภัยของบล็อคเชน บอนไซจัดการการคำนวณที่ซับซ้อนและข้อมูลส่วนตัวนอกเครือข่าย เพื่อปรับปรุงประสิทธิภาพ

ข ความร่วมมือกับ Spice AI

Spice AI มอบข้อมูลที่ประกอบและพร้อมใช้งานและโครงสร้างพื้นฐาน AI รวมถึง Spice.ai OSS ในระดับคลาวด์ที่ได้รับการจัดการ ความร่วมมือนี้มีจุดมุ่งหมายเพื่อให้นักพัฒนาได้รับชุดเครื่องมือ zkML ที่ครอบคลุม

ค. บริการการเรียนรู้ของเครื่อง

นักพัฒนาสามารถใช้ RISC Zero เพื่อเข้าถึงและสืบค้นข้อมูลได้อย่างปลอดภัย ฝึกอบรมโมเดล ML แบบส่วนตัว และแสดงหลักฐานว่าข้อมูลได้รับการประมวลผลอย่างถูกต้อง

โดยพื้นฐานแล้ว RISC Zero มอบ MLaaS (ML as a service) ให้กับนักพัฒนา ในขณะเดียวกันก็ทำให้มั่นใจได้ว่าข้อมูลและการดำเนินการยังคงเป็นส่วนตัวและปลอดภัย

กิซ่า

Giza เป็นแพลตฟอร์มการเรียนรู้ของเครื่องที่ทำงานบนเครือข่าย Starknet

ก. วัตถุประสงค์หลัก

Giza มีเป้าหมายที่จะขยายการดำเนินงาน ML โดยตรงบนบล็อกเชน

ข พื้นฐานทางเทคนิค

ใช้ Starknet ที่รองรับการพิสูจน์ความรู้แบบศูนย์ (ZK) เพื่อตรวจสอบการทำงานของ ML เพื่อให้มั่นใจในความแม่นยำและความปลอดภัยของการคำนวณโดยไม่ทำให้ข้อมูลพื้นฐานรั่วไหล

ค. การสมัคร

บน Starknet นั้น Giza ช่วยให้ "ตัวแทน Giza" จัดทำกลยุทธ์ทางการเงินต่างๆ โดยอัตโนมัติ รวมถึงการรวบรวมรายได้ข้ามโปรโตคอล การจัดสรรสินทรัพย์ และการสร้างตลาดแบบไร้ความเสี่ยง โดยพื้นฐานแล้ว Giza ใช้ประโยชน์จากจุดแข็งของ zkML ช่วยให้สามารถดำเนินกลยุทธ์ทางการเงินบนบล็อกเชนได้อย่างปลอดภัยและเป็นอัตโนมัติ

วานนา

Vanna เป็นเครือข่ายการอนุมาน AI แบบโมดูลาร์ที่ไม่เพียงแต่เข้ากันได้กับห่วงโซ่ EVM เท่านั้น แต่ยังให้การรักษาความปลอดภัยที่ยืดหยุ่นอีกด้วย ผู้ใช้สามารถเลือกจาก zkML, ZK ในแง่ดี, opML, teeML และวิธีการตรวจสอบอื่น ๆ การรวมสถานการณ์การใช้งานในอนาคตของ Vanna เข้าด้วยกัน ได้แก่ การใช้ LLM เพื่อสร้างการสนทนาเกม GameFi บนเครือข่าย การตรวจจับช่องโหว่ของสัญญาอัจฉริยะบนเครือข่าย กลไกเตือนความเสี่ยงสำหรับโปรโตคอล DeFi และระบบชื่อเสียงของบัญชีแม่มดที่ใช้ในการทำเครื่องหมาย Airdrop

นอกเหนือจากหลายโครงการที่แนะนำข้างต้น ยังมีโครงการในระบบนิเวศของ zkML ดังแสดงในรูปด้านล่าง เนื่องจากเหตุผลด้านพื้นที่ จึงจะไม่แนะนำโครงการเหล่านี้เพื่อให้ผู้อ่านใช้อ้างอิง

ที่มา: SevenX Ventures

ข้อจำกัดของ zkML และทางเลือกอื่น

แม้ว่าในทางทฤษฎีจะน่าสนใจ แต่ปัจจุบัน zkML ยังใช้งานไม่ได้จริงนัก การคำนวณโดย AI ต้องใช้ทรัพยากรจำนวนมาก และการเพิ่มวิธีการเข้ารหัสแบบที่ใช้ใน zkML จะทำให้การคำนวณช้าลงไปอีก โดย Modulus Labs รายงานว่า zkML อาจช้ากว่าการคำนวณปกติถึง 1,000 เท่า ในความเป็นจริง สำหรับผู้ใช้ส่วนใหญ่ การรออีกไม่กี่นาทีเป็นสิ่งที่ยอมรับไม่ได้ในประสบการณ์รายวัน

ดังนั้น เนื่องจากข้อจำกัดเหล่านี้ zkML จึงอาจเหมาะสำหรับรุ่น ML ที่มีขนาดเล็กมากเท่านั้น ในกรณีนี้ โครงการ AI จำนวนมากต้องพิจารณาวิธีการยืนยันอื่นๆ ขณะนี้มีสองทางเลือกหลัก: