1. Чи потрібен перевірний штучний інтелект залежить від того: чи змінюються дані on-chain, та чи включені справедливість та конфіденційність

   1. Коли ШІ не впливає на статус on-chain, штучний інтелект може діяти як радник. Люди можуть оцінити якість послуг ШІ через фактичні результати, не перевіряючи процес обчислень.
   2. Коли стан ланцюга змінюється, якщо сервіс спрямований на індивідуальних користувачів і не впливає на конфіденційність, то користувачі все ще можуть безпосередньо оцінити якість послуг штучного інтелекту без перевірки процесу обчислення.
   3. Коли вплив штучного інтелекту впливає на справедливість та особисту конфіденційність серед багатьох людей, наприклад, використання штучного інтелекту для оцінки та розподілу винагороди серед членів спільноти, використання штучного інтелекту для оптимізації AMM або включення біологічних даних, люди захочуть переглянути розрахунки штучного інтелекту. Саме тут можна перевірити, що штучний інтелект може знайти PMF.

2. Вертикальна екосистема застосувань штучного інтелекту: Оскільки один кінець перевірного штучного інтелекту - це смарт-контракт, перевірні застосування штучного інтелекту та навіть штучний інтелект та власні додатки можуть використовувати одне одного без довіри. Це потенційна складова екосистема застосувань штучного інтелекту

3. Горизонтальна екосистема застосування штучного інтелекту: Система громадського ланцюжка може вирішувати проблеми, такі як оплата послуг, координація спорів з оплатою та відповідність потреб користувачів та вмісту послуг для постачальників послуг штучного інтелекту, щоб користувачі могли насолоджуватися децентралізованим досвідом надання послуг штучного інтелекту з більш високим рівнем свободи.

1. Огляд Modulus Labs та історії застосування

1.1 Вступ та основні рішення

Modulus Labs - це компанія "на ланцюжку" штучного інтелекту, яка вважає, що ШІ може значно підвищити можливості смарт-контрактів та зробити додатки web3 більш потужними. Однак існує суперечність, коли ШІ застосовується до web3, а саме, ШІ потребує великої кількості обчислювальної потужності для роботи, і ШІ є чорною скринькою для позаланцюжкового обчислення. Це не відповідає основним вимогам web3 бути безпідозрюваним та перевіреним.

Таким чином, Modulus Labs використовував zk rollup [попередня обробка поза ланцюжком + верифікація на ланцюжку] схему та запропонував архітектуру, яка може перевіряти штучний інтелект. Зокрема, ML-модель працює поза ланцюжком, і, крім того, для обчислення ML поза ланцюжком генерується zkp. За допомогою цього zkp можна перевірити архітектуру, ваги та вхідні дані (вхідні дані) моделі поза ланцюжком. Звісно, цей zkp також може бути опублікований на ланцюжку для верифікації смарт-контрактами. На цей момент штучний інтелект та контракти на ланцюжку можуть взаємодіяти більш надійно, тобто було реалізовано "AI на ланцюжку".

На основі ідеї перевіряється штучний інтелект, Modulus Labs вже запустив три програми "on-chain AI" та також запропонував багато можливих сценаріїв застосування.

1.2 Випадки застосування

1. Першим, хто вийшов на ринок, був Rocky Bot, автоматизований торговий штучний інтелект. Rocky був навчений за історичними даними з торгової пари Weth/USDC. Він оцінює майбутні тенденції weth на основі історичних даних. Після того, як прийнято торгове рішення, він згенерує zkp для процесу прийняття рішення (процесу обчислення) та надішле повідомлення на L1 для запуску транзакції.
2. Другий - це онлайн-шахова гра "Ліла проти світу". Обидва гравці у грі - це штучний інтелект та людина, а ситуація гри знаходиться в контракті. Гравець працює через гаманець (взаємодіє з контрактами). Однак штучний інтелект аналізує нову ситуацію у шаховій грі, робить висновки та генерує zkp для всього обчислювального процесу. Обидва кроки виконуються у хмарі AWS, а zkp перевіряється контрактом на ланцюгу. Після успішної перевірки контракт гри використовується для "гри в шахи".
3. Третій — «ончейн» ШІ-художник і запустив серію NFT zKMon. Суть полягає в тому, що ШІ генерує NFT і розміщує їх у ланцюжку, а також генерує zkp. Користувачі можуть перевірити, чи згенерований їхній NFT з відповідної моделі штучного інтелекту через zkp.

Крім того, компанія Modulus Labs згадала кілька інших використань:

1. Використовуйте штучний інтелект для оцінки персональних даних на ланцюгу та іншої інформації, генеруйте рейтинги особистої репутації та публікуйте zkp для перевірки користувача;
2. Використовуйте штучний інтелект для оптимізації продуктивності AMM та публікації zkp для користувачів для перевірки;
3. Використовуйте перевірний штучний інтелект, щоб допомогти проектам з конфіденційністю впоратися з регуляторним тиском, але в той же час не розголошувати конфіденційність (можливо, використовуючи машинне навчання, щоб довести, що ця операція не є відмиванням грошей, не розголошуючи інформацію, таку як адреси користувачів);
4. AI оракули та випуск zkp для всіх, щоб перевірити надійність даних поза ланцюжком;
5. У конкурсі моделі штучного інтелекту учасники подають власну архітектуру та ваги, потім запускають модель зі стандартним тестовим вводом для генерації zkp для обчислень, і остаточний контракт автоматично відправляє переможцю призові гроші;
6. Worldcoin заявив, що в майбутньому користувачі зможуть завантажити модель райдужної оболонки, щоб згенерувати відповідний код на локальному пристрої, запустити модель локально та згенерувати zkp. Таким чином, on-chain контракт може використовувати zkp для перевірки того, що код райдужної оболонки користувача згенеровано з правильної моделі та розумної райдужної оболонки, при цьому біологічна інформація не залишає пристрій користувача;

Фото Кредит: Modulus Labs

1.3 Обговоріть різноманітні сценарії застосування на основі потреб в перевірному AI

1.3.1 Сценарії, які можуть підтвердити, що не потрібен штучний інтелект

У сценарії бота Rocky користувачам може не знадобитися перевіряти процес розрахунку машинного навчання. По-перше, користувачі не мають досвіду та можливості провести реальну верифікацію. Навіть якщо є інструмент верифікації, на думку користувача, «я натискаю кнопку, з'являється інтерфейс, який повідомляє мені, що цей сервіс штучного інтелекту насправді був згенерований певною моделлю», і справжність визначити неможливо. По-друге, користувачам не потрібно перевіряти, тому що їх хвилює, чи висока прибутковість ШІ. Користувачі мігрують, коли прибутковість низька, і вони завжди вибирають ту модель, яка працює найкраще. Коротше кажучи, коли кінцевим результатом штучного інтелекту є те, що шукає користувач, процес верифікації може бути незначним, оскільки користувачеві потрібно лише перейти на сервіс, який працює найкраще.

Один з можливих варіантів - це те, що штучний інтелект виступає тільки як радник, а користувач самостійно виконує транзакцію. Коли люди вводять свої торгові цілі в штучний інтелект, штучний інтелект обчислює і повертає кращий шлях транзакції / напрям торгівлі поза ланцюжком, а користувач вибирає, чи виконувати його. Людям також не потрібно перевіряти модель, що стоїть за цим; їм просто потрібно вибрати продукт з найвищим доходом.

Ще одна небезпечна, але дуже ймовірна ситуація полягає в тому, що люди не цікавляться своїм контролем над активами або процесом обчислення штучного інтелекту. Коли з'являється робот, який автоматично заробляє гроші, люди навіть готові безпосередньо переказувати гроші йому, так само як кладуть токени на CEX або традиційні банки для фінансового управління. Тому що люди не цікавляться принципами, що стоять за цим; їх цікавить лише те, скільки грошей вони отримають в кінці, або навіть скільки грошей показує їм проектна сторона, які вони заробляють, цей вид сервісу може швидко здобути велику кількість користувачів, і навіть ітерувати швидше, ніж продукти з боку проекту, які використовують перевірний штучний інтелект.

Зробивши крок назад, якщо штучний інтелект взагалі не бере участь у змінах стану on-chain, а просто збирає дані on-chain та попередньо обробляє їх для користувачів, тоді немає потреби генерувати ZKP для обчислювального процесу. Ось кілька прикладів такого типу застосування як "сервіс даних":

1. Чат-вікно, надане Mest, є типовим сервісом даних. Користувачі можуть використовувати питання та відповіді, щоб зрозуміти свої дані on-chain, наприклад, запитуючи, скільки грошей вони витратили на NFT;
2. ChaingPT - це багатофункціональний штучний інтелектуальний асистент, який може інтерпретувати розумні контракти для вас перед торгівлею, повідомляти вам, чи торгуєте ви з правильним пулом, або повідомляти вам, чи ймовірно, що транзакцію спіймали або вкрали. Крім того, ChaingPT також готується до надання рекомендацій щодо новин штучного інтелекту, вводити пропозиції для автоматичного створення зображень та публікації їх як NFT та інших послуг;
3. RSS3 надає AIOP, тому користувачі можуть вибрати те, які дані on-chain вони хочуть і зробити певну попередню обробку, щоб було легко тренувати штучний інтелект з конкретними даними on-chain;
4. DeVillama та RSS3 також розробили плагіни ChatGPT, де користувачі можуть отримувати дані на ланцюжку через розмови;

1.3.2 Сценарії, які потребують перевірного штучного інтелекту

Ця стаття стверджує, що сценарії, які включають у себе кілька людей, справедливість та конфіденційність, потребують ZKP для надання підтвердження, і декілька з наведених Modulus Labs застосунків обговорюються тут:

1. Коли спільнота винагороджує осіб на основі особистих репутацій, згенерованих штучним інтелектом, члени спільноти невідмінно будуть просити перегляду процесу прийняття рішення щодо оцінки, який є процесом обчислення ML;
2. Сценарії оптимізації штучного інтелекту для AMM передбачають розподіл користі між декількома людьми, а процес обчислення штучного інтелекту також потребує регулярної перевірки;
3. При балансуванні конфіденційності та регулювання ZK наразі є одним з кращих рішень. Якщо постачальник послуг використовує ML у послузі для обробки конфіденційних даних, йому потрібно згенерувати ZKP для всього обчислювального процесу;
4. Оскільки оракули мають широкий спектр впливу, якщо їх контролює штучний інтелект, ZKP потрібно регулярно генерувати для перевірки правильної роботи ШІ.
5. У конкурсі громадськість та інші учасники зобов'язані перевірити, чи відповідає обчислення ML вимогам конкурсу;
6. Серед можливих використань Worldcoin захист персональних біоданих також є важливою вимогою;

Загалом, коли штучний інтелект схожий на приймач рішень, і його виведення має широкий вплив та включає в себе справедливість від багатьох сторін, то люди будуть вимагати перегляду процесу прийняття рішень, або просто забезпечити, що в процесі прийняття рішень штучного інтелекту немає серйозних проблем, і захист особистої конфіденційності є дуже негайною вимогою.

Отже, "чи змінює вивід штучного інтелекту статусу on-chain" та "чи впливає це на справедливість/конфіденційність" - це два критерії для оцінки потреби в перевірному рішенні зі штучним інтелектом

1. Коли вихід штучного інтелекту не модифікує стану ланцюжка, служба штучного інтелекту може діяти як рекомендатор. Люди можуть оцінити якість служби штучного інтелекту за допомогою ефекту рекомендації, не перевіряючи обчислювальний процес;
2. Коли вихід ШШ змінює статус on-chain, якщо сервіс спрямований лише на індивідуумів і не впливає на конфіденційність, то користувачі все ще можуть безпосередньо оцінити якість обслуговування ШШ без перевірки обчислювального процесу;
3. Коли вплив штучного інтелекту безпосередньо впливає на справедливість серед багатьох людей, а штучний інтелект автоматично модифікує дані on-chain, спільноті та громадськості потрібно тестувати процес прийняття рішень штучного інтелекту;
4. Коли дані, оброблені Машинним Навчанням, стосуються особистої конфіденційності, також потрібно використовувати zk для захисту конфіденційності та відповідно виконання регуляторних вимог.

Фото Кредит: Kernel Ventures

2. Два моделі екосистем штучного інтелекту на основі громадського ланцюжка

У будь-якому випадку, рішення Modulus Labs дуже повчальне про те, як штучний інтелект може поєднувати криптовалюту та приносити практичну користь. Однак система публічного ланцюга не тільки розширює можливості окремих сервісів штучного інтелекту, але й має потенціал для створення нової екосистеми додатків ШІ. Ця нова екосистема призвела до інших відносин між послугами штучного інтелекту, ніж Web2, відносинами між службами штучного інтелекту та користувачами, і навіть способом співпраці між висхідними та низхідними каналами. Ми можемо узагальнити потенційні моделі екосистеми додатків ШІ на два типи: вертикальний режим і горизонтальна модель.

2.1 Вертикальний режим: Спрямований на досягнення композиції між штучними інтелектами

Випадок використання ланцюгового шаху «Ліла проти світу» має особливе місце. Люди можуть ставити на людей або штучний інтелект, і токени автоматично розподіляються після закінчення гри. На цей момент значення zkp не тільки для користувачів, щоб перевірити обчислення штучного інтелекту, але також як гарантія довіри для тригерування переходів стану ланцюга. Зі забезпеченням довіри може також бути композиція на рівні dapp між послугами штучного інтелекту та між штучним інтелектом і крипто-рідними dapp.

Джерело зображення: Kernel Ventures, з посиланням на Modulus Labs

Базовою одиницею комбінованого штучного інтелекту є [off-chain модель машинного навчання - генерація zkp - контракт на верифікацію в мережі - основний контракт]. Цей пристрій спирається на фреймворк «Ліла проти світу», але фактична архітектура однієї децентралізованої програми зі штучним інтелектом може відрізнятися від тієї, що показана на зображенні вище. По-перше, ситуація з шаховою партією в шахах вимагає контракту, але насправді ШІ може не знадобитися ончейн-контракт. Однак, що стосується архітектури комбінованого ШІ, якщо основний бізнес реєструється за допомогою контрактів, іншим децентралізованим програмам може бути зручніше поєднувати його з ним. По-друге, основний контракт не обов'язково повинен впливати на модель машинного навчання самої децентралізованої програми зі штучним інтелектом, оскільки децентралізована програма зі штучним інтелектом може мати односпрямований ефект. Після того, як модель машинного навчання буде оброблена, достатньо запустити контракт, пов'язаний з власним бізнесом, і контракт буде викликаний іншими децентралізованими програмами.

Широко, дзвінки між контрактами - це дзвінки між різними веб-додатками web3. Це дзвінки для особистої ідентичності, активів, фінансових послуг, навіть соціальної інформації. Ми можемо уявити конкретне поєднання додатків штучного інтелекту:

1. Worldcoin використовує ML для генерації кодів Ірису та zkp для особистих даних про Ірис;
2. Додаток штучного інтелекту для оцінки репутації спочатку перевіряє, чи особа за цим DID є реальною особою (з даними про райс на звороті), а потім розподіляє NFT-токени користувачам на основі репутації у ланцюжку;
3. Позичальна служба налаштовує частку кредитування відповідно до NFT, що належить користувачеві;
4. …

Взаємодія між ШІ в рамках публічного ланцюга не є чимось, що не обговорювалося. Лоаф, учасник екосистеми повноланцюгових ігор Realms, одного разу припустив, що NPC зі штучним інтелектом можуть торгувати один з одним, як гравці, щоб вся економічна система могла оптимізувати себе і працювати автоматично. AI Arena розробила автоматизовану бойову гру зі штучним інтелектом. Користувачі спочатку купують NFT. NFT представляє бойового робота, а за ним стоїть модель штучного інтелекту. Користувачі спочатку грають в ігри самостійно, а потім передають дані штучному інтелекту для імітації навчання. Коли користувачі відчувають, що ШІ достатньо сильний, вони можуть автоматично грати проти інших ШІ на арені. Modulus Labs зазначила, що AI Arena хоче перетворити весь цей ШІ на штучний інтелект, який можна перевірити. В обох цих випадках ШІ міг взаємодіяти один з одним і змінювати дані в ланцюжку безпосередньо під час взаємодії.

Проте, є ще багато питань, які потрібно обговорити щодо конкретної реалізації комбінованого штучного інтелекту, таких як те, як різні додатки можуть використовувати зкп або перевіряти контракти один одного. Однак у зк-сфері також існує багато відмінних проектів. Наприклад, RISC Zero зробив багато прогресу у виконанні складних обчислень поза ланцюжком та випуску зкп на ланцюжок. Можливо, одного дня буде можливо знайти відповідне рішення.

2.2 Горизонтальна модель: платформи штучного інтелекту, які акцентують на децентралізації

У цьому відношенні ми головним чином представляємо децентралізовану платформу штучного інтелекту під назвою SAKSHI, яка була спільно запропонована людьми з Принстону, Університету Цінхуа, Університету Іллінойського в Урбана-Шампейні, Гонконгського університету науки та технологій, Witness Chain та Eigen Layer. Її основна мета - забезпечити користувачам доступ до послуг штучного інтелекту у більш децентралізованому способі, зробити весь процес більш недовіреним і автоматизованим.

Фотокредит: SAKSHI

Структуру SAKSHI можна розділити на шість шарів: шар обслуговування (сервісний шар), шар контролю (контрольний шар), шар транзакцій (шар перекладу), шар доказів (шар підтвердження), економічний шар (економічний шар) та ринковий шар (ринкове місце)

Ринок - це рівень, найближчий до користувача. На ринку є агрегатори, які надають послуги користувачам від імені різних постачальників штучного інтелекту. Користувачі роблять замовлення через агрегаторів і укладають угоди з агрегаторами щодо якості обслуговування та цін на плату (угоди називаються SLA - угоди про рівень обслуговування).

Далі, рівень обслуговування надає API для клієнтської сторони, після чого клієнт надсилає запит на інференцію ML агрегатору, і запит відправляється на сервер, що використовується для відповідності постачальнику послуг з штучного інтелекту (шлях, яким передається запит, є частиною рівня управління). Таким чином, рівень обслуговування та рівень управління схожі на сервіс з кількома веб-серверами web2, але різні сервери обслуговуються різними суб'єктами, і кожен сервер з'єднаний через SLA (раніше підписаний сервісний договір) та агрегатор.

SLA розгортаються на ланцюгу у вигляді смарт-контрактів, всі вони належать до рівня транзакцій (зауваження: в цьому рішенні вони розгорнуті на Ланцюгу Свідків). Рівень транзакцій також реєструє поточний статус сервісного замовлення та використовується для координації користувачів, агрегаторів та постачальників послуг з метою вирішення спорів щодо платежів.

Для того, щоб на рівні транзакцій було докази, на які можна розраховувати при вирішенні спорів, шар доказів (Proof Layer) буде перевіряти, чи використовує постачальник послуг модель, як це було узгоджено в SLA. Однак SAKSHI не вибрав генерацію zkp для процесу обчислення ML, а замість цього використав ідею оптимістичного доказу, сподіваючись створити мережу вузлів-викликачів для тестування сервісу. Спонукальні винагороди вузлів покладаються на Witness Chain.

Хоча SLA та мережа викликачів використовуються на свідківському ланцюжку, у планах SAKSHI свідківський ланцюжок не планує використовувати свої власні токени стимулювання для досягнення незалежної безпеки, а замість цього використовує безпеку Ethereum через Eigen Layer, тому весь економічний процес фактично ґрунтується на Eigen Layer.

Як видно, SAKSHI знаходиться між постачальниками послуг штучного інтелекту та користувачами, та організовує різних штучних інтелектів у децентралізований спосіб для надання послуг користувачам. Це більше схоже на горизонтальне рішення. Ядро SAKSHI полягає в тому, що воно дозволяє постачальникам послуг штучного інтелекту більше уваги приділяти управлінню власними обчисленнями поза ланцюжком, відповідності потреб користувачів послугам моделей, оплаті послуг та перевірці якості послуг через угоди на ланцюжку, а також намагається автоматично вирішувати спори щодо оплати. Звичайно, наразі SAKSHI все ще знаходиться на теоретичному етапі, і також є багато деталей реалізації, які варто визначити.

3. Майбутні перспективи

Незалежно від того, чи це поєднувальний штучний інтелект, чи децентралізовані платформи штучного інтелекту, модель екосистеми штучного інтелекту, заснована на громадському ланцюжку, здається мати щось спільне. Наприклад, постачальники послуг штучного інтелекту не прямо спілкуються з користувачами; їм потрібно лише надавати моделі машинного навчання та виконувати обчислення поза ланцюжком. Оплата, вирішення спорів та координація між потребами користувачів та послугами можуть бути вирішені децентралізованими угодами. Як надійна інфраструктура, громадський ланцюжок зменшує терті між постачальниками послуг та користувачами, при цьому у користувачів також є вищий рівень автономії в цей час.

Незважаючи на те, що переваги використання громадського ланцюга як основи для застосування є банальними, це також стосується послуг штучного інтелекту. Однак відмінність між застосуваннями штучного інтелекту та існуючими додатками dapp полягає в тому, що застосування штучного інтелекту не можуть розмістити всі обчислення на ланцюгу, тому необхідно використовувати zk або оптимістичне підтвердження, щоб підключити послуги штучного інтелекту до системи громадського ланцюга більш довірливим способом.

З впровадженням ряду рішень щодо оптимізації досвіду, таких як абстрагування облікового запису, користувачі можуть не відчувати існування мнемонік, ланцюжків та газу. Це наближає екосистему громадського ланцюжка до веб2 з точки зору досвіду, тоді як користувачі можуть отримати вищий рівень свободи та композиції, ніж веб2 сервіси. Це буде дуже привабливим для користувачів. Екосистема застосунків штучного інтелекту на основі громадського ланцюжка варта очікувань.

Kernel Ventures - це криптовалютний венчурний фонд, який працює завдяки спільноті досліджень та розробок з понад 70 інвестиціями на ранній стадії, фокусуючись на інфраструктурі, проміжному програмному забезпеченні, додатках децентралізованих фінансів, особливо ZK, Rollup, DEX, модульних блокчейнах і вертикалях, які будуть сприймати наступний мільярд користувачів криптовалюти, таких як абстракція облікових записів, доступність даних, масштабованість та інше. Протягом останніх семи років ми пишаємося тим, що підтримуємо розвиток основних спільнот розробників та університетських асоціацій блокчейну по всьому світу.

Disclaimer：

1. Ця стаття перепечатана з[дзеркало]. Усі авторські права належать оригінальному автору [Kernel Ventures Jerry Luo]. Якщо є зауваження до цього повторення, будь ласка, зв'яжіться з командою Gate Learn（gatelearn@gate.io), і вони оперативно цим займуться.
2. Відповідальність за відмову: погляди та думки, висловлені в цій статті, є виключно авторськими і не становлять жодної інвестиційної поради.
3. Переклади статей на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонені.