BTC

$96,000

5.73%

ETH

$3,521.91

3.97%

HTX

$0.{5}2273

5.23%

SOL

$198.17

3.05%

BNB

$710

3.05%

简体中文

繁體中文

English

Tiếng Việt

한국어

日本語

ภาษาไทย

Türkçe

Hiểu vai trò của ZK trong việc thúc đẩy AI trên chuỗi

DeFi之道

Đọc bài viết này mất 21 phút

Các dịch vụ tổng hợp từ các công ty như Starkware, Matter Labs và các công ty khác đang sử dụng bằng chứng không kiến thức để tính toán quy mô lớn trong khi vẫn đảm bảo an toàn về mặt mật mã. Chúng ta có thể làm điều tương tự với AI không?

Tiêu đề gốc: " Một bài viết để hiểu vai trò của ZK trong việc thúc đẩy AI trên chuỗi 》

Nguồn gốc: Modulus Labs

Bản tổng hợp gốc: Con đường của DeFi

Cuối cùng thì tôi rất vui vì đã có thể chia sẻ nó với bạn Bài báo đầu tiên của chúng tôi, được tài trợ thông qua một khoản trợ cấp từ Ethereum Foundation, có tựa đề Chi phí của trí thông minh: Chứng minh suy luận về máy học với kiến thức không có kiến thức‌ (hoặc paper0, như những đứa trẻ tuyệt vời gọi nó là Luật) .

Đúng vậy, đây là những con số có thật! Có biểu đồ! Bài viết cũng thảo luận về các cấu trúc lý thuyết và tác động của chúng đến hiệu suất! Trên thực tế, paper0 là nỗ lực nghiên cứu đầu tiên nhằm đánh giá các hệ thống chứng minh ZK trên một bộ chung các nguyên tắc AI và bạn có thể đọc toàn bộ bài báo ngay bây giờ.

Đối với bài viết này, bạn có thể coi nó như một bản tóm tắt của bài báo, chi tiết xin vui lòng tham khảo bài viết gốc.

Không dài dòng nữa, chúng ta hãy xem xét kỹ hơn:

Paper0: Những điểm chính trong cuộc điều tra của chúng tôi

Quả thực, tương lai của máy tính Sẽ có việc sử dụng nhiều trí tuệ nhân tạo phức tạp. Hãy xem trình soạn thảo văn bản của tôi:

Gợi ý của Notion cho tôi biết rằng LLM của họ có thể làm cho câu này hay hơn

Tuy nhiên, chức năng không có trên mạng lưới thần kinh của chuỗi, thậm chí không có hệ thống khuyến nghị nhỏ nhất hoặc thuật toán phù hợp tồn tại. Cái quái gì vậy! Thậm chí không phải là một thử nghiệm... Tất nhiên, lý do rất rõ ràng, bởi vì điều này quá tốn kém, xét cho cùng, ngay cả việc chạy một phép tính trị giá hàng trăm nghìn FLOP (chỉ đủ để thực hiện một suy luận trên một mạng lưới thần kinh nhỏ bé) cũng tốn hàng trăm Mười nghìn gas, hiện nay tương đương hàng trăm đô la.

Vậy, nếu muốn đưa mô hình AI vào một thế giới không có sự tin cậy, chúng ta phải làm gì? Liệu chúng ta có quay đầu và bỏ cuộc không? Tất nhiên là không...đợi đã! Roll-over)…Cung cấp up…

Nếu các dịch vụ Rollup như Starkware, Matter Labs và các dịch vụ khác đang sử dụng bằng chứng không có kiến thức để mở rộng quy mô tính toán Mở rộng trong khi vẫn giữ mật mã an toàn, vậy chúng ta có thể làm điều tương tự với AI không?

Câu hỏi này đã trở thành nguồn động lực thúc đẩy chúng tôi nghiên cứu bài viết0. Cảnh báo tiết lộ nội dung, đây là những gì chúng tôi tìm thấy:

"Các hệ thống chứng minh ZK hiện đại ngày càng trở nên hiệu quả hơn và ngày càng đa dạng hơn. Chúng có thể hỗ trợ các hoạt động trí tuệ nhân tạo với chi phí hợp lý ở một mức độ nào đó.

Trên thực tế, một số hệ thống chứng minh mạng lưới thần kinh tốt hơn nhiều so với các hệ thống khác.

Tuy nhiên, tất cả những hệ thống này vẫn chưa đạt được hiệu suất cần thiết cho các ứng dụng trong thế giới thực và thật không đủ cho các trường hợp sử dụng phép thuật.

Nói cách khác, nếu không tăng tốc thêm thì các hệ thống ZK do AI vận hành sẽ có khả năng sử dụng rất hạn chế trường hợp."

paper0 Tóm tắt

Đây là một bí mật được nhiều người biết đến: Hiệu suất của AI là hầu như luôn tỷ lệ thuận với kích thước mô hình. Xu hướng này dường như cũng không chậm lại. Chừng nào điều này còn xảy ra thì điều đó sẽ đặc biệt khó khăn đối với những người trong chúng ta sử dụng web3.

Xét cho cùng, chi phí tính toán là nguyên nhân cuối cùng và không thể tránh khỏi của những cơn ác mộng.

Hôm nay ZKP đã có thể hỗ trợ các mô hình nhỏ, nhưng các mô hình từ trung bình đến lớn phá vỡ mô hình

Điểm chuẩn: Thiết kế thử nghiệm

Đối với bài viết0, chúng tôi tập trung vào 2 chỉ số cơ bản trong bất kỳ hệ thống chứng minh không có kiến thức nào:

- Thời gian tạo bằng chứng: Thời gian cần có để người chứng minh tạo ra bằng chứng đồng hành cho suy luận AI và

- Mức sử dụng bộ nhớ của người chứng minh ở mức cao nhất: bộ nhớ tối đa mà người chứng minh có thể sử dụng để tạo ra các bằng chứng suy luận tại bất kỳ thời điểm nào trong quá trình chứng minh;

Đây hầu hết là một lựa chọn thực tế và là điểm khởi đầu từ khi chúng ta Rockybot được xây dựng dựa trên kinh nghiệm (chứng minh rằng việc sử dụng thời gian và bộ nhớ là những ưu tiên trước mắt trong việc xác định tính khả thi của bất kỳ trường hợp sử dụng AI không đáng tin cậy nào). Ngoài ra, tất cả các phép đo được thực hiện cho thời gian tạo bằng chứng và không tính đến quá trình xử lý trước hoặc tạo nhân chứng.

Tất nhiên, có những khía cạnh khác của chi phí cần theo dõi. Điều này bao gồm thời gian chạy của trình xác thực và kích thước bằng chứng. Chúng tôi có thể xem lại các số liệu này trong tương lai, nhưng xem xét chúng nằm ngoài phạm vi của paper0.

Đối với các hệ thống bằng chứng thực tế mà chúng tôi đã thử nghiệm, chúng tôi đã chọn ra 6 hệ thống thông qua bỏ phiếu:

Bảng tóm tắt các hệ thống chứng minh đã được Paper0 kiểm tra và các tác giả đã hỗ trợ chúng tôi

Cuối cùng, chúng tôi đã tạo ra hai bộ tri giác đa tuyến tính (MLP) để đo điểm chuẩn - điều đáng chú ý là MLP tương đối đơn giản và chủ yếu bao gồm các hoạt động tuyến tính. Điều này bao gồm một bộ kiến trúc có quy mô theo số lượng tham số (lên tới 18 triệu tham số và 22 GFLOP) và một bộ kiến trúc thứ hai có tỷ lệ theo số lượng lớp (lên tới 500 lớp). Như được hiển thị trong bảng bên dưới, mỗi bộ kiểm tra khả năng mở rộng quy mô của hệ thống bằng chứng theo các cách khác nhau và đại diện cho việc học sâu nổi tiếng từ LeNet5 (60K tham số, 0,5 MFLOP) đến ResNet-34 (22M tham số, 3,77 GFLOP) ( ML) Kích thước kiến trúc.

Thông số và bộ điểm chuẩn sâu

Kết quả: nhanh như chớp

Kết quả về thời gian tạo bằng chứng cho các tham số và phạm vi độ sâu của 6 hệ thống bằng chứng trên

Đối với 6 tham số hệ thống đã được chứng minh ở trên và kết quả bộ nhớ cao nhất trong phạm vi độ sâu

Để biết nội dung đầy đủ của các kết quả này cũng như phân tích chuyên sâu về các điểm nghẽn trong mỗi hệ thống, hãy xem Phần 4 của bài báo0.

Trường hợp sử dụng và bài học rút ra cuối cùng

Được rồi, đó là một số sơ đồ rất ngắn gọn và đây là ý chính:

"Plonky2 cho đến nay là hệ thống hoạt động tốt nhất về mặt thời gian chứng minh vì nó sử dụng các cam kết đa thức dựa trên FRI và miền Goldilocks. Trên thực tế, đối với kiến trúc điểm chuẩn lớn nhất của chúng tôi, đó là Nhanh hơn 3 lần so với Halo2.

Tuy nhiên, điều này lại gây ra tổn thất đáng kể về mức tiêu thụ bộ nhớ của bộ chuẩn và hiệu suất của Plonky2 luôn kém hơn, đôi khi khiến Halo2 đạt mức sử dụng RAM cao nhất của ."

Vậy điều này có ý nghĩa gì trong thực tế? Chúng tôi sẽ tập trung vào 2 ví dụ:

1. Worldcoin: Worldcoin đang xây dựng “Giao thức chứng minh danh tính bảo vệ quyền riêng tư” đầu tiên trên thế giới (hoặc PPPoPP). Vấn đề tấn công Sybil được giải quyết bằng cách buộc xác thực vào một sinh trắc học rất độc đáo: mống mắt. Đây là một ý tưởng điên rồ sử dụng mạng lưới thần kinh tích chập để nén, chuyển đổi và chứng minh dữ liệu mống mắt được lưu trữ. Mặc dù thiết lập hiện tại của họ liên quan đến một môi trường điện toán đáng tin cậy trong một vùng an toàn trong phần cứng quả cầu, nhưng thay vào đó, họ hy vọng sẽ sử dụng ZKP để chứng minh tính toán chính xác của mô hình. Điều này sẽ cho phép người dùng tự bảo vệ dữ liệu sinh trắc học của mình và cung cấp các đảm bảo về bảo mật bằng mật mã (miễn là dữ liệu đó được xử lý trên phần cứng của người dùng, chẳng hạn như điện thoại di động).

Bây giờ cụ thể hơn: Mô hình của Worldcoin có 1,8 triệu tham số và 50 lớp. Đây là độ phức tạp của mô hình cần thiết để phân biệt giữa 10 tỷ tròng đen khác nhau. Ối!

Mặc dù các hệ thống chứng minh như Plonky2 trên CPU đám mây được tối ưu hóa về mặt tính toán có thể tạo ra các bằng chứng suy luận cho các mô hình có kích thước này trong vài phút, nhưng bộ nhớ của bộ chứng minh sẽ vượt quá bất kỳ phần cứng di động thương mại nào (hàng chục GB RAM).

Trên thực tế, chưa có hệ thống thử nghiệm nào có thể chứng minh được mạng lưới thần kinh này trên phần cứng di động...

2. Đấu trường AI: Đấu trường AI: Đấu trường AI là một game chiến đấu nền tảng on-chain tương tự như phong cách của "Super Smash Bros.". Nó có một tính năng độc đáo: người chơi không vận hành avatar để chiến đấu trong thời gian thực mà để người chơi sở hữu AI các người mẫu cạnh tranh và chiến đấu với nhau, và vâng, điều đó nghe thật tuyệt.

Theo thời gian, đội ngũ tuyệt vời tại AI Arena đang nỗ lực chuyển đổi trò chơi của họ sang một kế hoạch giải đấu hoàn toàn không cần sự tin cậy. Nhưng vấn đề là, điều này liên quan đến thách thức xác thực số lượng tính toán AI đáng kinh ngạc cho mỗi trò chơi.

Trò chơi chạy ở tốc độ 60 khung hình/giây và kéo dài 3 phút. Điều này có nghĩa là mỗi vòng của trò chơi có hơn 20.000 kết quả suy luận giữa hai mô hình người chơi. Lấy mạng chính sách từ AI Arena làm ví dụ, một MLP tương đối nhỏ mất khoảng 0,008 giây để thực hiện chuyển tiếp và sử dụng zkCNN để chứng minh mô hình mất 0,6 giây, tức là khả năng tính toán tăng gấp 1000 lần cho mỗi hành động được thực hiện.

Điều này cũng đồng nghĩa với việc chi phí tính toán sẽ tăng lên gấp 1000 lần. Khi kinh tế đơn vị ngày càng trở nên quan trọng đối với các dịch vụ trên chuỗi, các nhà phát triển phải cân bằng giá trị của bảo mật phi tập trung với chi phí thực tế của việc tạo bằng chứng.

https ://aws.amazon.com/ec2/pricing/

Cho dù đó là ví dụ trên, tạo hình ảnh kiểu ZK-KYC, DALL-E hay Smart Large các mô hình ngôn ngữ trong hợp đồng và một thế giới hoàn chỉnh các trường hợp sử dụng tồn tại trong thế giới ZKML. Tuy nhiên, để thực sự triển khai những điều này, chúng tôi thực sự cảm thấy rằng bộ chứng minh ZK vẫn cần nhiều cải tiến. Đặc biệt là cho tương lai của các chuỗi khối tự cải tiến.

Vậy chúng ta nên đi đâu từ đây?

Chúng tôi có dữ liệu hiệu suất cụ thể và chúng tôi biết kỹ thuật nào có xu hướng hoạt động tốt nhất khi chứng minh mạng lưới thần kinh. Tất nhiên, chúng tôi bắt đầu khám phá nhiều trường hợp sử dụng khác nhau đã truyền cảm hứng cho cộng đồng đang phát triển của chúng tôi.