Học máy không kiến thức (ZKML): ZK và AI sẽ va chạm với loại tia lửa nào?

Tiêu đề gốc: " GIỚI THIỆU VỀ HỌC TẬP MÁY KHÔNG KIẾN THỨC (ZKML)"

Nguồn gốc: Worldcoin

Bản tổng hợp gốc: Deep Wave TechFlow

Học máy không kiến thức (ZKML) hiện đang gây xôn xao trong ngành mật mã cộng đồng Một lĩnh vực nghiên cứu và phát triển. Nhưng nó là gì và dùng để làm gì? Đầu tiên, hãy chia thuật ngữ này thành hai thành phần và giải thích chúng là gì.

ZK là gì?

Bằng chứng không có kiến thức là một giao thức mật mã trong đó một bên (người chứng minh) có thể chứng minh cho một bên khác (người xác minh) rằng một tuyên bố đã cho là đúng , mà không tiết lộ bất kỳ thông tin bổ sung nào ngoài tuyên bố đó là đúng. Đây là một lĩnh vực nghiên cứu đang đạt được tiến bộ vượt bậc trên mọi mặt trận, từ nghiên cứu đến triển khai và ứng dụng giao thức.

Hai "nguyên thủy" (hoặc khối xây dựng) chính do ZK cung cấp là khả năng tạo bằng chứng tính toàn vẹn tính toán cho một tập hợp tính toán nhất định, trong đó bằng chứng là dễ dàng hơn nhiều so với việc thực hiện tính toán. (Chúng tôi gọi thuộc tính này là "sự đơn giản"). Bằng chứng ZK cũng cung cấp tùy chọn để ẩn một số phần nhất định của tính toán trong khi vẫn duy trì tính chính xác của tính toán. (Chúng tôi gọi thuộc tính này là "không có kiến thức").

Tạo ra bằng chứng không có kiến thức đòi hỏi một lượng tính toán rất lớn, đắt hơn khoảng 100 lần so với tính toán ban đầu. Điều này có nghĩa là trong một số trường hợp, không thể tính toán được bằng chứng không có kiến thức vì thời gian cần thiết để tạo ra chúng trên phần cứng tối ưu khiến việc này không thực tế.

Tuy nhiên, những tiến bộ trong mật mã, phần cứng và hệ thống phân tán trong những năm gần đây đã khiến bằng chứng không có kiến thức trở thành một lựa chọn khả thi cho các tính toán ngày càng mạnh mẽ. Những tiến bộ này đã cho phép tạo ra các giao thức có thể sử dụng các bằng chứng tính toán chuyên sâu, từ đó mở rộng không gian thiết kế cho các ứng dụng mới.

Trường hợp sử dụng ZK

Mật mã không có kiến thức là một trong những công nghệ phổ biến nhất trong thế giới Web3 space One, vì nó cho phép các nhà phát triển xây dựng các ứng dụng có thể mở rộng và/hoặc riêng tư. Dưới đây là một số ví dụ về cách nó được sử dụng trong thực tế (mặc dù xin lưu ý rằng nhiều dự án trong số này vẫn đang được tiến hành):

1. Via ZK rollups mở rộng Ethereum

Starknet

Cuộn

Polygon Zero, Polygon Miden, Polygon zkEVM

zkSync

2. Xây dựng các ứng dụng bảo vệ quyền riêng tư

Semaphore

MACI

Penumbra

Mạng lưới Aztec

3. Nguồn dữ liệu và nguyên tắc nhận dạng nguyên thủy

WorldID

Sismo

Clique

Tiên đề

4. Giao thức lớp 1

Zcash

Zcash

Mina

Khi công nghệ ZK trưởng thành, chúng tôi tin rằng sẽ có sự bùng nổ của các ứng dụng mới vì việc xây dựng các ứng dụng này Các công cụ được sử dụng sẽ đòi hỏi ít chuyên môn về miền hơn và sẽ dễ dàng hơn cho các nhà phát triển sử dụng.

Học máy

Học máy là một lĩnh vực nghiên cứu trong lĩnh vực trí tuệ nhân tạo (" AI"), cho phép máy tính tự động học hỏi và cải thiện từ trải nghiệm mà không cần phải lập trình rõ ràng. Nó sử dụng các thuật toán và mô hình thống kê để phân tích và xác định các mẫu trong dữ liệu, sau đó đưa ra dự đoán hoặc quyết định dựa trên các mẫu này. Mục tiêu cuối cùng của học máy là phát triển các hệ thống thông minh có thể học thích ứng, không cần sự can thiệp của con người và giải quyết các vấn đề phức tạp trong nhiều lĩnh vực khác nhau như chăm sóc sức khỏe, tài chính và giao thông vận tải.

Gần đây, bạn có thể đã thấy các mô hình ngôn ngữ quy mô lớn (như chatGPT và Bard) và các mô hình chuyển văn bản thành hình ảnh (như DALL-E 2, Sự khuếch tán giữa hành trình hoặc ổn định) Tiến trình. Khi các mô hình này trở nên tốt hơn và có thể thực hiện nhiều nhiệm vụ hơn, điều quan trọng là phải hiểu mô hình nào thực hiện các thao tác hoặc liệu các thao tác đó có được thực hiện bởi con người hay không. Trong phần tiếp theo, chúng ta sẽ khám phá ý tưởng này.

Động lực của ZKML và những nỗ lực hiện tại

Chúng ta đang sống trong một thế giới, AI/ Nội dung do ML tạo ngày càng khó phân biệt với nội dung do con người tạo ra. Mật mã không có kiến thức sẽ cho phép chúng tôi đưa ra các tuyên bố như: "Với một phần nội dung C, nó được tạo bởi mô hình M áp dụng cho một số đầu vào X." Chúng tôi sẽ có thể xác minh xem một đầu ra nhất định có được tạo bởi một ngôn ngữ lớn hay không mô hình như chatGPT) hoặc mô hình chuyển văn bản thành hình ảnh (như DALL-E 2) hoặc bất kỳ mô hình nào khác mà chúng tôi đã tạo biểu diễn mạch không có kiến thức. Thuộc tính không có kiến thức của những bằng chứng này sẽ cho phép chúng tôi ẩn một số phần nhất định của đầu vào hoặc mô hình nếu muốn. Một ví dụ điển hình là áp dụng mô hình học máy trên một số dữ liệu nhạy cảm, trong đó người dùng có thể biết kết quả dữ liệu của họ sau khi suy luận mô hình mà không tiết lộ thông tin đầu vào cho bên thứ ba (ví dụ: trong ngành chăm sóc sức khỏe).

Lưu ý: Khi nói về ZKML, chúng ta đang nói về việc tạo bằng chứng không có kiến thức cho bước suy luận của các mô hình ML, chứ không phải về đào tạo mô hình ML (bản thân nó đã được tính toán rất kỹ lưỡng). căng). Hiện tại, các hệ thống không có kiến thức tiên tiến kết hợp với phần cứng hiệu suất cao vẫn còn rất xa mới có thể chứng minh được các mô hình lớn như các mô hình ngôn ngữ lớn (LLM) hiện có, nhưng một số tiến bộ đã được thực hiện trong việc tạo ra các bằng chứng cho mô hình nhỏ hơn.

Chúng tôi đã tiến hành một số nghiên cứu về tính tiên tiến của mật mã không có kiến thức trong bối cảnh tạo ra bằng chứng cho các mô hình ML và tạo ra một tổng hợp các nghiên cứu liên quan, A tập hợp các bài viết, ứng dụng và cơ sở mã. Bạn có thể tìm thấy tài nguyên cho ZKML trong kho lưu trữ awesome-zkml của cộng đồng ZKML trên GitHub.

Nhóm Modulus Labs gần đây đã phát hành một bài báo có tên "Chi phí của trí thông minh", đánh giá hệ thống chứng minh ZK hiện có và liệt kê nhiều mô hình có kích cỡ khác nhau. Hiện tại, bằng cách sử dụng hệ thống chứng minh như plonky2, có thể tạo bằng chứng cho mô hình có khoảng 18 triệu tham số trong khoảng 50 giây trên máy AWS mạnh mẽ. Đây là sơ đồ từ bài báo:

Một sáng kiến khác nhằm cải thiện tính tiên tiến của hệ thống ZKML là thư viện ezkl của Zkonduit, cho phép bạn tạo bằng chứng ZK về Các mô hình ML do ONNX xuất. Điều này cho phép bất kỳ kỹ sư ML nào tạo bằng chứng ZK cho bước suy luận trong mô hình của họ và chứng minh kết quả đầu ra cho bất kỳ trình xác thực nào được triển khai chính xác.

Một số nhóm đang cải tiến công nghệ ZK, tạo ra phần cứng được tối ưu hóa cho các hoạt động diễn ra bên trong các bằng chứng ZK và xây dựng cách triển khai tối ưu hóa các giao thức này cho các trường hợp sử dụng cụ thể. Khi công nghệ hoàn thiện, các mẫu lớn hơn sẽ có khả năng chống ZK trong một khoảng thời gian ngắn trên các máy kém mạnh hơn. Chúng tôi hy vọng những phát triển này sẽ cho phép xuất hiện các ứng dụng và trường hợp sử dụng ZKML mới.

Các trường hợp sử dụng tiềm năng

Để xác định xem ZKML có phù hợp với một ứng dụng cụ thể hay không, chúng ta có thể xem xét các đặc điểm của mật mã ZK sẽ giải quyết các vấn đề liên quan đến học máy như thế nào. Điều này có thể được minh họa bằng sơ đồ Venn:

Định nghĩa:

1. Tối ưu hóa theo suy nghiệm—một phương pháp giải quyết vấn đề sử dụng quy tắc kinh nghiệm hoặc "kinh nghiệm" để tìm ra giải pháp tốt cho các vấn đề khó khăn, thay vì sử dụng các phương pháp tối ưu hóa truyền thống. Các phương pháp tối ưu hóa heuristic nhằm mục đích tìm ra các giải pháp tốt hoặc "đủ tốt" trong một khoảng thời gian hợp lý dựa trên tầm quan trọng tương đối và độ khó tối ưu hóa của chúng, thay vì cố gắng tìm ra giải pháp tối ưu.

2.FHE ML—ML mã hóa hoàn toàn đồng hình cho phép các nhà phát triển đào tạo và đánh giá các mô hình theo cách bảo vệ quyền riêng tư; tuy nhiên, không giống như các bằng chứng ZK, Có không có cách nào để chứng minh bằng mật mã tính đúng đắn của các phép tính được thực hiện.

Các nhóm như Zama.ai đang làm việc trong không gian này.

3.ZK và Tính hợp lệ—Trong ngành, các thuật ngữ này thường được sử dụng thay thế cho nhau vì bằng chứng về tính hợp lệ là bằng chứng ZK, Không các phần của phép tính hoặc kết quả của nó bị ẩn. Trong bối cảnh ZKML, hầu hết các ứng dụng hiện tại đều khai thác khía cạnh chứng minh tính hợp lệ của bằng chứng ZK.

4. Tính hợp lệ ML—ZK chứng minh các mô hình ML không có tính toán hoặc kết quả nào được giữ bí mật. Họ chứng minh tính đúng đắn của tính toán.

Dưới đây là một số ví dụ về các trường hợp sử dụng ZKML tiềm năng:

1. ML tình dục)

Modulus Labs

Dựa trên robot giao dịch ML có thể xác minh trên chuỗi - RockyBot

Blockchain trực quan tự cải thiện (ví dụ):

Giao thức tùy chọn tài chính Lyra nâng cao AMM Intelligence tính năng

Tạo hệ thống danh tiếng dựa trên AI minh bạch (ZK oracle) cho Astraly

Hoạt động về những đột phá công nghệ cần thiết cho các công cụ tuân thủ cấp hợp đồng sử dụng ML cho Giao thức Aztec (danh sách zk với các tính năng bảo mật).

2. Học máy như một dịch vụ (MLaaS) minh bạch;

3.ZK ngoại lệ / Phát hiện gian lận:

Trường hợp sử dụng này giúp tạo bằng chứng ZK về khả năng khai thác/lừa đảo. Các mô hình phát hiện bất thường có thể được đào tạo về dữ liệu hợp đồng thông minh và được DAO đồng ý là số liệu thú vị để có thể tự động hóa các quy trình bảo mật như đình chỉ hợp đồng chủ động và phòng ngừa hơn. Đã có những công ty khởi nghiệp đang tìm cách sử dụng mô hình ML cho mục đích bảo mật trong môi trường hợp đồng thông minh, vì vậy, bằng chứng phát hiện sự bất thường của ZK dường như là bước tiếp theo tự nhiên.

4. Bằng chứng hợp lệ phổ quát cho suy luận ML: có thể dễ dàng chứng minh và xác minh rằng đầu ra là sản phẩm của một mô hình nhất định và cặp đầu vào.

5. Quyền riêng tư (ZKML)

6. Kaggle phi tập trung: Chứng minh rằng mô hình hoạt động tốt trong một số thử nghiệm nhất định Độ chính xác trên dữ liệu lớn hơn x% khi không hiển thị trọng số.

7. Suy luận bảo vệ quyền riêng tư: Đưa chẩn đoán y tế dựa trên dữ liệu riêng tư của bệnh nhân vào mô hình và gửi suy luận nhạy cảm (ví dụ: kết quả xét nghiệm ung thư) cho bệnh nhân.

8. Worldcoin:

Khả năng nâng cấp của IrisCode : Người dùng World ID sẽ có thể tự duy trì sinh trắc học của mình trong bộ lưu trữ được mã hóa trên thiết bị di động của họ, tải xuống mô hình ML được sử dụng để tạo IrisCode và tạo bằng chứng không có kiến thức cục bộ để chứng minh rằng IrisCode của họ đã được tạo thành công. IrisCode này có thể được chèn vào một trong những người dùng Worldcoin đã đăng ký mà không được phép, vì hợp đồng thông minh nhận có thể xác minh bằng chứng không có kiến thức và do đó tạo ra IrisCode. Điều này có nghĩa là nếu Worldcoin trong tương lai nâng cấp mô hình học máy để tạo IrisCode theo cách phá vỡ tính tương thích với phiên bản trước của nó, thì người dùng sẽ không phải truy cập lại Orb và có thể tạo bằng chứng không có kiến thức này cục bộ trên thiết bị.

Orb Security: Hiện tại, Orb triển khai một số cơ chế phát hiện gian lận và giả mạo trong môi trường đáng tin cậy của mình. Tuy nhiên, chúng tôi có thể tạo bằng chứng không có kiến thức rằng các cơ chế này đang hoạt động khi hình ảnh được chụp và IrisCode được tạo để cung cấp sự đảm bảo về độ sống động tốt hơn cho giao thức Worldcoin, vì chúng tôi có thể hoàn toàn chắc chắn rằng các cơ chế này sẽ hoạt động trong suốt IrisCode quá trình tạo.chạy.

Tóm lại, công nghệ ZKML có triển vọng ứng dụng rộng rãi và đang phát triển nhanh chóng. Khi có nhiều nhóm và cá nhân tham gia lĩnh vực này hơn, chúng tôi tin rằng các kịch bản ứng dụng của ZKML sẽ trở nên đa dạng và sâu rộng hơn.

Liên kết gốc

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia