未来链上AI的主宰:零知识机器学习(zkML)?(附优质项目介绍)

By admin 5 月 16, 2024
未来链上AI的主宰:零知识机器学习(zkML)?(附优质项目介绍)未来链上AI的主宰:零知识机器学习(zkML)?(附优质项目介绍)

随着ChatGPT等大型语言模型的流行,在去中心化网络上运行类似的机器学习模型也逐渐成为区块链和人工智能的热门话题之一。然而,我们无法像信任有声望的公司OpenAI一样相信去中心化网络会使用特定的机器学习模型进行推理,因此需要进行验证。考虑到数据的隐私性,零知识机器学习(zkML)得到了广泛关注,那么它是否会成为链上人工智能的未来呢?

本文将简单介绍zkML的基础知识、值得关注的zkML项目,并简要说明zkML的局限性及代替方案。

关于zkML的基础知识
零知识机器学习(zkML)类似于一种计算中的保密方法。它主要涉及两个部分:
1. 使用机器学习(ML)执行任务;
2. 证明任务正确完成,但不透露所有细节。

简单来说,zkML的工作原理如下:
a. 运行任务:有人使用ML模型处理一些数据并得到结果,就像厨师按照食谱烤蛋糕但不告诉任何人原料一样;
b. 证明任务:任务完成后,他们可以展示一个证明,例如“我在这个特定的模型中使用了特定的输入,并得到了这个结果。”他们实际上在证明他们正确遵循了食谱上的步骤;
c. 保守秘密:zkML的妙处在于,当他们证明任务正确完成时,他们可以保留一些细节,例如将输入的数据、模型的运作方式或结果保密。简而言之,zkML可以让证明者说“相信我,我做对了”,同时仍然保持他们的方法和数据的私密性。

值得关注的zkML项目介绍
zkML概念自提出到现在已有将近一年时间,目前已经有许多相关项目正在建设,其中少部分还在市场上发行了代币。

Messari列出了一些知名VC投资的zkML项目,下面将对它们进行介绍。

1. Spectral:正在为Web3构建链上代理经济。他们的旗舰产品SYNTAX是一种专有的大型语言模型,可以生成Solidity代码。Spectral能够让用户创建链上自主代理,并利用去中心化的机器学习推断来改进智能合约。此外,利用zkML,Spectral能够提供证据表明特定的预测是由特定的机器学习模型生成的,确保了流程中的信任和真实性。Spectral已发行代币SPEC,市值为1.19亿美元。

2. Worldcoin:正在开发一个开源系统,旨在让每个人都能参与全球经济。在Worldcoin中,zkML的一个潜在用途是提高虹膜识别技术的安全性和隐私性。用户可以将自己的生物特征数据(如虹膜扫描)安全加密地存储在他们的移动设备上。然后,他们可以将机器学习模型下载到设备中,以从虹膜扫描中生成唯一的代码。使用zkML,他们可以在自己的设备上创建证明,证明他们的虹膜代码是使用正确的模型通过准确扫描生成的,而不暴露用户实际数据。Worldcoin的代币WLD市值目前为10.7亿美元。

3. RISC Zero:旨在增强互联网的信任和效率,通过提供无需各方互相信任的计算服务来实现。RISC Zero关注的重点包括扩展区块链和与Spice AI的合作。它使用Bonsai证明服务来执行复杂操作,提高区块链的安全性。与Spice AI的合作旨在为开发人员提供全面的zkML工具包。开发人员可以使用RISC Zero安全地访问和查询数据、私密训练机器学习模型,并提供数据被正确处理的证明。RISC Zero为开发人员提供MLaaS(ML as a service)服务,同时确保数据和执行过程保持私密和安全。

4. Giza:是一个在Starknet网络上运行的机器学习平台。Giza的主要目标是直接在区块链上扩展机器学习操作。它使用支持零知识证明的Starknet来验证机器学习操作,确保计算的准确性和安全性,并且不会泄露基础数据。在Starknet上,Giza启用“Giza Agents”来自动执行各种财务策略,包括跨协议收益聚合、资产配置和无风险做市。利用zkML的优势,Giza允许在区块链上安全、自动地执行金融策略。

5. Vanna:是一个模块化AI推理网络,既与EVM链兼容,又提供灵活的安全性,用户可选择zkML、optimistic ZK、opML、teeML等多种验证方式。Vanna未来的使用场景包括使用大型语言模型生成链上GameFi游戏对话、链上智能合约漏洞检测、针对DeFi协议的风险预警引擎以及用于标记空投中的女巫账户信誉系统。

除了以上介绍的几个项目外,zkML生态中还有其他项目,供读者自行参考。

zkML的局限性及代替方案
尽管在理论上吸引人,但zkML目前并不太实用。AI计算本身就属于资源密集型,添加类似zkML中使用的加密方法会使其变得更慢,Modulus Labs的报告称,zkML可能比常规计算慢1000倍。实际上,对于大多数用户来说,多等待几分钟在日常体验上都难以接受。

因此,由于这些限制,zkML现在可能仅适用于非常小的机器学习模型。在这种情况下,许多AI项目不得不考虑其他的验证方法。目前主要有两种替代方案:optimistic ML和Trusted Execution Environment ML。

以上为本文的翻译内容,仅供参考。

By admin

Related Post

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注