Công nghệ chuỗi khối và học máy, là hai lĩnh vực thu hút nhiều sự chú ý, dẫn đầu tiến bộ công nghệ với các đặc điểm phi tập trung và khả năng điều khiển dữ liệu tương ứng. ZK (Zero-Knowledge, sau đây gọi tắt là ZK) trong công nghệ blockchain là một khái niệm trong mật mã, đề cập đến một quá trình bằng chứng hoặc tương tác trong đó người chứng minh có thể chứng minh sự thật của tuyên bố với người xác minh mà không tiết lộ bất kỳ thông tin cụ thể nào về điều này tuyên bố. ML (Machine Learning, Machine Learning, sau đây gọi tắt là ML) là một nhánh của AI. Học máy học từ dữ liệu đầu vào, tóm tắt nó để tạo thành mô hình và đưa ra dự đoán cũng như quyết định.
Trong bối cảnh này, ZKML (Zero-Knowledge Machine Learning), kết hợp cả hai, gần đây đã phát triển mạnh mẽ. ZKML kết hợp khả năng xác minh và bảo vệ quyền riêng tư của bằng chứng không có kiến thức với khả năng xử lý dữ liệu và ra quyết định của máy học, mang lại những cơ hội và khả năng mới cho các ứng dụng blockchain. ZKML cung cấp cho chúng tôi giải pháp để đồng thời bảo vệ quyền riêng tư của dữ liệu, xác minh độ chính xác của mô hình và cải thiện hiệu quả tính toán.
danh hiệu cấp một
ZKML: Kết hợp Bằng chứng không có kiến thức với Học máy
Có hai lý do tại sao bằng chứng không kiến thức và học máy có thể được kết hợp trên blockchain:
Một mặt, công nghệ không kiến thức của ZK không chỉ hy vọng hiện thực hóa việc xác minh hiệu quả các giao dịch trên chuỗi mà các nhà phát triển ZK còn hy vọng rằng ZK có thể được sử dụng trong lĩnh vực sinh thái rộng lớn hơn. ứng dụng mở rộng sinh thái. Người trợ giúp tốt.
tiêu đề phụ
Nhu cầu và khả năng phát triển của ZK và ML bổ sung cho nhau
ML có rất nhiều vấn đề về độ tin cậy cần giải quyết và tính chính xác, tính toàn vẹn và quyền riêng tư của từng quy trình công việc cần phải được chứng minh. ZK có thể xác minh một cách hiệu quả xem có bất kỳ loại máy tính nào đang chạy chính xác hay không với tiền đề đảm bảo quyền riêng tư, điều này giải quyết vấn đề lâu dài về bằng chứng tin cậy trong học máy. Tính toàn vẹn của mô hình là một vấn đề quan trọng bằng chứng tin cậy trong quá trình đào tạo ML, nhưng việc bảo vệ quyền riêng tư của dữ liệu và thông tin mà mô hình ML được đào tạo và sử dụng cũng quan trọng không kém. Điều này gây khó khăn cho việc đào tạo ML để vượt qua cơ quan quản lý và kiểm toán bên thứ ba để hoàn thành bằng chứng tin cậy và ZK phi tập trung với các thuộc tính không có kiến thức là một con đường bằng chứng tin cậy có khả năng tương thích cao với ML.
tiêu đề phụ
Ưu điểm kỹ thuật của ZKML
Những ưu điểm kỹ thuật chính của ZKML thể hiện sự kết hợp giữa tính toàn vẹn tính toán, bảo vệ quyền riêng tư và tối ưu hóa heuristic. Từ góc độ quyền riêng tư, ưu điểm của ZKML là:
Kích hoạt xác thực minh bạch
Bằng chứng không có kiến thức (ZK) có thể đánh giá hiệu suất của mô hình mà không làm lộ các chi tiết bên trong của mô hình, tạo điều kiện cho quá trình đánh giá minh bạch và không cần tin cậy.
Đảm bảo quyền riêng tư dữ liệu
ZK có thể được sử dụng để xác minh dữ liệu công khai bằng mô hình công khai hoặc xác minh dữ liệu riêng tư bằng mô hình riêng tư, từ đó đảm bảo quyền riêng tư và độ nhạy cảm của dữ liệu.
tiêu đề phụ
ZK trao quyền cho ML: cung cấp cơ sở hạ tầng trên chuỗi
Xiềng xích của sức mạnh tính toán trên chuỗi ML và ZK-SNARK
Lý do tại sao ML, tương đối trưởng thành ngoài chuỗi, mới tham gia vào chuỗi là vì chi phí năng lượng tính toán của blockchain quá cao. Nhiều dự án học máy không thể chạy trực tiếp trong môi trường blockchain do EVM đại diện do hạn chế về khả năng tính toán. Đồng thời, mặc dù việc xác minh tính hợp lệ của ZK hiệu quả hơn so với tính toán kép, nhưng lợi thế này chỉ giới hạn ở việc xử lý dữ liệu giao dịch vốn có trên blockchain. Khi các hoạt động và tương tác mật mã phức tạp của ZK phải đối mặt với một số lượng lớn hoạt động ML, vấn đề TPS thấp của chuỗi khối sẽ lộ ra và vấn đề sức mạnh tính toán thấp của chuỗi khối đã trở thành xiềng xích lớn nhất cản trở ML trên chuỗi.
Sự xuất hiện của ZK-SNARK làm giảm bớt vấn đề yêu cầu sức mạnh tính toán cao của ML. ZK-SNARKs là một cấu trúc mật mã của bằng chứng không có kiến thức, tên đầy đủ của nó là"Đối số không tương tác có thể mở rộng kiến thức"(Zero-Kiến thức Lập luận ngắn gọn về kiến thức không tương tác). Đây là một kỹ thuật dựa trên mật mã đường cong elip và mã hóa đồng cấu để chứng minh không có kiến thức một cách hiệu quả. ZK-SNARK có đặc điểm là có độ nén cao, bằng cách sử dụng ZK-SNARK, người chứng minh có thể tạo ra một bằng chứng ngắn gọn và cô đọng, người xác minh chỉ cần thực hiện một lượng tính toán nhỏ để xác minh tính hợp lệ của bằng chứng mà không cần phải giao tiếp với câu tục ngữ nhiều lần tương tác. Bản chất chỉ yêu cầu một tương tác giữa người chứng minh và người xác minh làm cho ZK-SNARK trở nên hiệu quả và thiết thực trong các ứng dụng thực tế, đồng thời phù hợp hơn với các yêu cầu về sức mạnh tính toán của ML trên chuỗi. Hiện tại, ZK-SNARK là dạng ZK chính trong ZKML.
Các yêu cầu về cơ sở hạ tầng trên chuỗi của ML và các dự án tương ứng
Việc trao quyền cho ZK cho ML chủ yếu được phản ánh trong bằng chứng không có kiến thức về toàn bộ quá trình ML, đó là sự tương tác giữa ML và các chức năng trên chuỗi. Hai vấn đề chính cần được giải quyết trong tương tác này là kết nối các dạng dữ liệu của cả hai và cung cấp sức mạnh tính toán cho quy trình chứng minh ZK.
Tăng tốc phần cứng ZK: Bằng chứng ZK của ML phức tạp hơn, đòi hỏi sức mạnh tính toán trên chuỗi được hỗ trợ bằng phần cứng để tăng tốc tính toán bằng chứng. Các dự án này bao gồm: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
Xử lý dữ liệu trên chuỗi ML: xử lý dữ liệu trên chuỗi thành dạng dữ liệu có thể đưa vào đào tạo ML và giúp đầu ra của ML có thể được truy cập dễ dàng hơn từ chuỗi. Các dự án như vậy bao gồm: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
Mạch tính toán ML: Chế độ tính toán ML khác với bằng chứng mạch hóa trên chuỗi của ZK và trên chuỗi của ML phải chuyển đổi chế độ tính toán của nó thành dạng mạch có thể được xử lý bởi blockchain ZK. Những dự án như vậy bao gồm: Modulus Labs, Jason Morton, Giza.
Bằng chứng ZK về kết quả ML: Vấn đề bằng chứng tin cậy của ML cần được ZK giải quyết trên chuỗi. Ứng dụng dựa trên ZK-SNARK được xây dựng trên Risc Zero hoặc Nil Foundation có thể nhận ra bằng chứng xác thực của mô hình. Các dự án này bao gồm: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML trao quyền cho ZK: Làm phong phú các kịch bản ứng dụng Web3
ZK giải quyết vấn đề bằng chứng tin cậy của ML và tạo cơ hội cho ML bị xiềng xích. Nhiều lĩnh vực Web3 rất cần sự hỗ trợ về năng suất hoặc quyết định của AI ML. ZKML cho phép các ứng dụng trên chuỗi nhận ra sức mạnh của AI dưới tiền đề đảm bảo tính phân cấp và hiệu quả.
DeFi
ZKML có thể giúp DeFi tự động hóa hơn, một là tự động hóa cập nhật tham số giao thức trên chuỗi, hai là tự động hóa các chiến lược giao dịch.
Modulus Labs đã ra mắt RockyBot, bot giao dịch AI hoàn toàn trên chuỗi đầu tiên.
DID
ZKML có thể giúp xây dựng DID nhận dạng phi tập trung Web3. Trước đây, các chế độ quản lý danh tính như khóa riêng và khả năng ghi nhớ khiến trải nghiệm người dùng Web3 kém. Việc xây dựng DID thực sự có thể được hoàn thành thông qua ZKML để xác định thông tin sinh học của các chủ đề Web3. Đồng thời, ZKML có thể đảm bảo tính bảo mật cho quyền riêng tư thông tin sinh học của người dùng .
trò chơi
trò chơi
ZKML có thể giúp các trò chơi Web3 đạt được đầy đủ tính năng trên chuỗi. ML có thể mang lại sự tự động hóa khác biệt cho hoạt động tương tác trong trò chơi và tăng sự thú vị của trò chơi; trong khi ZK có thể đưa ra các quyết định tương tác trực tuyến của ML.
Modulus Labs ra mắt trò chơi cờ vua hỗ trợ ZKML @VsLeela;
AI ARENA sử dụng ZKML để nhận ra tính tương tác cao của các trò chơi NFT trên chuỗi.
Tư vấn sức khỏe và pháp lý
Tư vấn chăm sóc sức khỏe và pháp lý là những lĩnh vực có tính riêng tư cao và yêu cầu tích lũy số lượng lớn trường hợp. ZKML có thể giúp người dùng đưa ra quyết định và đảm bảo rằng quyền riêng tư của người dùng không bị rò rỉ.
Những thách thức của ZKML
ZKML hiện đang phát triển mạnh mẽ, nhưng vì nó không có nguồn gốc từ blockchain và đòi hỏi nhiều sức mạnh tính toán nên ZKML chủ yếu sẽ phải đối mặt với hai thách thức sau trong tương lai:
Vấn đề biến dạng tham số trong quá trình định lượng dữ liệu ML trên chuỗi:
Hầu hết ML sử dụng số dấu phẩy động để biểu diễn các tham số của mô hình, trong khi mạch ZK cần sử dụng số dấu phẩy cố định. Trong quá trình chuyển đổi loại kỹ thuật số, độ chính xác của các tham số ML sẽ bị giảm, điều này sẽ dẫn đến sự biến dạng của kết quả đầu ra ML ở một mức độ nhất định.
Mô hình ZK lớn của nó chứng tỏ vấn đề yêu cầu sức mạnh tính toán cao:
Hiện tại, sức mạnh tính toán của blockchain không thể đối phó với ZKML quy mô lớn và tính toán cao trên chuỗi. Các ZK-SNARK phổ biến hiện nay chỉ hỗ trợ bằng chứng không có kiến thức ML quy mô nhỏ và quy mô nhỏ. Giới hạn sức mạnh tính toán là yếu tố chính ảnh hưởng đến sự phát triển của các ứng dụng chuỗi khối ZKML.
phần kết
phần kết
ZKML là một phong trào hai chiều giữa bằng chứng không có kiến thức và học máy. Công nghệ chuỗi khối ZK được phát triển gần đây giúp ML giải quyết vấn đề bằng chứng tin cậy và cung cấp môi trường trực tuyến cho ML; công nghệ AI trưởng thành ML giúp ZK hiện thực hóa hệ sinh thái Web3 mở rộng và đổi mới ứng dụng.
Sự phát triển của ZKML phải đối mặt với một số thách thức, chẳng hạn như vấn đề biến dạng tham số và yêu cầu sức mạnh tính toán cao đối với các mô hình lớn, nhưng những vấn đề này có thể được giải quyết thông qua đổi mới công nghệ và tăng tốc phần cứng. Với sự xuất hiện và phát triển không ngừng của các dự án ZKML, chúng ta có thể thấy trước rằng nó sẽ mang lại nhiều đổi mới và giá trị hơn cho hệ sinh thái Web3 trong các lĩnh vực như DeFi, DID, trò chơi và chăm sóc sức khỏe.
Trong tương lai, ZKML dự kiến sẽ trở thành chìa khóa để thực sự mở khóa khả năng tích hợp chéo của Web3 + AI, cung cấp hỗ trợ mạnh mẽ để tăng cường bảo mật xây dựng, bảo vệ quyền riêng tư và các ứng dụng blockchain hiệu quả. Bằng cách kết hợp khả năng xử lý dữ liệu của ZK và khả năng xử lý dữ liệu của ML, chúng tôi chắc chắn sẽ có thể tạo ra một thế giới kỹ thuật số cởi mở, thông minh và đáng tin cậy hơn!
