ZK-機器學習：在推進 AI

ScalingX ｜2023-05-31 15:17

zkML，本質上是將ZK技術融入AI軟件中，以克服其在隱私保護、數據真實性驗證等方面的局限性。

的同時保護隱私

ChatGPT 和 Midjourney 等生成式人工智能的到來，為設計和藝術、軟件開發、出版甚至金融等各個領域開闢了新的可能性。生成式人工智能簡直就是一個奇蹟，它有望提高人類的生產力，並將我們的創造力提升到一個新的水平。

為了將 ChatGPT 和 Midjourney 等軟件發展到今天的水平，我們需要多年的研究和大量的數據才能訓練這些軟件背後的人工智能模型。 ChatGPT 就是其中之一，必須使用來自網頁、書籍和其他來源的約 570GB 數據集進行訓練。這些數據的很大一部分可能來自用戶，他們根本不知道自己的個人數據被用來訓練人工智能軟件。雖然收集和使用的大多數數據可能對其來源用戶無害，但一些敏感或私人數據可能不可避免地會混入其中並饋送到模型中，而所有這些都未經用戶同意。

鑑於此類系統帶來的隱私問題，人們對數據隱私和安全問題的認識和重視程度不斷提高。人們呼籲在利用人工智能的優勢和保護個人隱私權之間找到和諧的平衡。幸運的是，有一種有前途的技術可以幫助彌補這一差距——零知識證明（ZKP）。

什麼是 zkML？

零知識協議是一種方法，通過該方法，一方（證明者）可以向另一方（驗證者）證明某件事是真實的，除了該特定陳述是真實的事實之外，無需透露任何信息。自 2022 年以來，零知識（ZK）技術一直穩步增長，見證了整個區塊鏈領域的大幅增長。 ZK 領域內的項目一直在不斷努力，並在可擴展性和隱私領域取得了重大進展。

機器學習是人工智能的一個分支，專注於開發能夠從過去的數據中學習、識別模式並在無需大量人工參與的情況下做出邏輯決策的系統。它是一種數據分析技術，可利用數字數據、文本內容、用戶交互和視覺數據等各種類型的數字信息自動創建分析模型。

在監督機器學習中，輸入被提供給具有預定義參數的預訓練模型，並且該模型生成可供其他系統使用的輸出。強調維護輸入數據和模型參數的機密性和隱私性的重要性至關重要，因為輸入數據可能包含個人財務或生物特徵信息等敏感細節，而模型參數可能包括生物特徵認證參數等機密元素。

將零知識技術與人工智能相結合，您將獲得零知識機器學習 (zkML)，這是一項道德且強大的新技術，可以徹底改變我們的工作方式。

在 Modulus Labs 團隊最近出版的題為《智能成本》的出版物中，他們使用不同規模的不同模型對各種現有的 ZKP 系統進行了全面的基準測試。目前，ZK 在鏈上 ML 領域的主要應用是驗證精確計算。但如果有足夠的時間和發展，ZKP，特別是 SNARK（簡潔的非交互式知識論證），可以進步到可以通過防止洩露用戶的輸入來確保用戶的隱私免受好奇的驗證者的侵害。

zkML，本質上是將ZK技術融入AI軟件中，以克服其在隱私保護、數據真實性驗證等方面的局限性。

zkML 的用例

雖然 zkML 仍然是一項新興技術，具有大量尚未探索的可能性，但幾個突出的用例已經引起了人們的關注。 zkML 的一些著名應用包括：

計算完整性（有效性 ML）

SNARK 和 STARK 等有效性證明具有驗證計算正確性的能力，並且可以通過驗證模型推理或確認特定輸入導致特定模型輸出來將這種能力擴展到 ML 任務。輕鬆證明和驗證輸出是特定模型和輸入組合的結果，有助於在專用硬件上進行 ML 模型的鏈外部署，同時方便地驗證鏈上的 zkps。例如， Giza正在協助去中心化金融 (DeFi) 收益聚合器協議Yearn演示利用鏈上 ML 的複雜收益策略的準確執行。

欺詐識別

通過利用智能合約數據，可以訓練異常檢測模型，並隨後得到 DAO（去中心化自治組織）的認可，作為自動化安全程序的有價值的指標。這種主動和預防性的方法可以實現行動的自動化，例如在識別潛在惡意活動時暫停合同，從而提高其有效性。

機器學習即服務 (MLaaS) 的透明度

在多家公司通過其 API 提供 ML 模型的情況下，由於 API 的不透明性質，用戶很難確定服務提供商是否確實提供了所聲稱的模型。與 ML 模型 API 一起提供有效性證明對於為用戶提供透明度非常有價值，使他們能夠驗證他們正在使用的特定模型。

Web3 社交媒體中的過濾

web3 社交應用程序的去中心化性質預計將導致垃圾郵件和惡意內容的增加。社交媒體平台的理想方法是利用社區集體同意的開源機器學習模型。此外，當選擇過濾帖子時，該平台可以提供模型推理的證據。 Daniel Kang 使用 zkML 對 Twitter 算法的分析提供了對此主題的進一步見解。

保護隱私

醫療保健行業優先考慮患者數據的隱私和機密性。通過利用 zkML，醫學研究人員和機構能夠使用加密的患者數據開發模型，確保個人記錄的保護。這使得協作分析無需共享敏感信息，從而促進疾病診斷、治療效果和公共衛生研究的進展。

探索 zkML 的項目概述

zkML 的許多應用程序正處於實驗階段，經常出現在黑客馬拉鬆的創新項目中。 zkML 引入了設計智能合約的新途徑，並且有幾個正在進行的項目正在積極探索其應用程序。

ZK-機器學習：在推進人工智能的同時保護隱私

圖片來自@bastian_wetzel

Modulus Labs ：使用 zkML 從事實際應用和相關研究。他們通過諸如RockyBot （一種鏈上交易機器人）和Leela vs. the World 等項目舉例說明了 zkML 的應用，Leela vs. the World 是一種國際象棋遊戲，在該遊戲中，全體人類與經過驗證的鏈上版本的Leela 國際象棋引擎進行競爭。
Giza ：由Starkware支持的協議，支持使用完全去信任的方法在鏈上部署人工智能模型。
Worldcoin ：一種利用 zkML 的人格證明協議。在這一努力中，世界幣利用定制硬件來處理詳細的虹膜掃描，並將其納入其信號量實施中。這些虹膜掃描可實現會員認證和投票等基本功能。