Технологія блокчейн і машинне навчання, як дві галузі, які привернули велику увагу, ведуть технологічний прогрес завдяки своїм децентралізованим характеристикам і можливостям, керованим даними, відповідно. ZK (Zero-Knowledge, далі іменується як ZK) у технології блокчейн — це концепція в криптографії, яка відноситься до доказу або інтерактивного процесу, в якому перевіряючий може довести правдивість твердження верифікатору, не розкриваючи жодної конкретної інформації про це. заява. ML (Machine Learning, Machine Learning, далі ML) — це гілка ШІ. Машинне навчання вивчає вхідні дані, узагальнює їх для формування моделі, робить прогнози та приймає рішення.
У цьому контексті ZKML (Zero-Knowledge Machine Learning), який поєднує обидва, нещодавно процвітав. ZKML поєднує захист конфіденційності та можливості перевірки з нульовими знаннями з можливостями обробки даних і прийняття рішень машинного навчання, надаючи нові можливості та можливості для додатків блокчейн. ZKML надає нам рішення для одночасного захисту конфіденційності даних, перевірки точності моделі та підвищення ефективності обчислень.
Ця стаття детально ознайомить із ZKML, зрозуміє його технічні принципи та сценарії застосування, дослідить це захоплююче перехресне поле з розробниками та покаже, як ZKML може побудувати цифрове майбутнє з повнішою конфіденційністю, безпекою та ефективністю!
ZKML: поєднання підтвердження з нульовим знанням і машинного навчання
Є дві причини, чому підтвердження з нульовим знанням і машинне навчання можна поєднати в блокчейні:
З одного боку, технологія нульового знання ZK не тільки сподівається реалізувати ефективну перевірку мережевих транзакцій, але й розробники ZK також сподіваються, що ZK можна буде використовувати в ширшій екологічній сфері.Потужна підтримка штучного інтелекту ML стала полюсом для ZK застосування екологічне розширення Хороший помічник.
З іншого боку, весь процес від розробки до використання моделей ML стикається з проблемою підтвердження довіри.ZK може допомогти ML реалізувати підтвердження дійсності без витоку даних і інформації, а також вирішити дилему довіри ML. Поєднання ZKML означає, що обидва беруть те, що їм потрібно, і йдуть в обох напрямках, а також додадуть імпульс екології блокчейну.
Потреби в розробці та можливості ZK і ML доповнюють одна одну
ML має вирішити багато проблем із довірою, а точність, цілісність і конфіденційність окремих робочих процесів потрібно підтвердити. ZK може ефективно перевірити, чи правильно працює будь-який тип обчислень за умови забезпечення конфіденційності, що вирішує давню проблему доказу довіри в машинному навчанні. Цілісність моделі є важливою проблемою підтвердження довіри в процесі навчання ML, але не менш важливим є захист конфіденційності даних і інформації, які навчається та використовується модель ML. Це ускладнює проходження навчання ML у сторонніх аудиторських і регуляторних органах для завершення підтвердження довіри, а децентралізований ZK з атрибутами нульового знання є шляхом підтвердження довіри, який дуже сумісний з ML.
«Штучний інтелект покращує продуктивність, блокчейн оптимізує виробничі стосунки», ML впроваджує вищий імпульс інновацій і якість обслуговування в трек ZK, ZK забезпечує можливість перевірки та захист конфіденційності для ML, а ZKML і ZKML доповнюють один одного в середовищі блокчейну.
Технічні переваги ZKML
Основні технічні переваги ZKML реалізують поєднання обчислювальної цілісності, захисту конфіденційності та евристичної оптимізації. З точки зору конфіденційності ZKML має такі переваги:
Досягнення прозорої перевірки
Підтвердження з нульовим знанням (ZK) може оцінити продуктивність моделі, не розкриваючи внутрішні деталі моделі, забезпечуючи прозорий і надійний процес оцінювання.
Гарантія конфіденційності даних
ZK можна використовувати для перевірки загальнодоступних даних за допомогою загальнодоступної моделі або перевірки приватних даних за допомогою приватної моделі, забезпечуючи тим самим конфіденційність і конфіденційність даних.
Сам ZK забезпечує правильність певного твердження за умови забезпечення конфіденційності за допомогою криптографічних протоколів, що усуває дефекти машинного навчання з підтвердженням коректності обчислень у захисті конфіденційності та машинного навчання з гомоморфним шифруванням у захисті конфіденційності. Включення ZK у процес ML створює безпечну та конфіденційну платформу, яка усуває недоліки традиційного машинного навчання. Це не тільки заохочує компанії, що займаються захистом конфіденційності, застосовувати методи машинного навчання, але й розробники Web2 більше мотивовані досліджувати технологічний потенціал Web3.
ZK Empowers ML: надає мережеву інфраструктуру
Кайдани обчислювальної потужності в ланцюжку ML і ZK-SNARK
Причина, чому ML, який є відносно зрілим поза ланцюгом, щойно увійшов у ланцюг, полягає в тому, що вартість обчислювальної потужності блокчейну є занадто високою. Багато проектів машинного навчання не можуть безпосередньо працювати в середовищі блокчейну, представленому EVM, через обмеження обчислювальної потужності. У той же час, хоча перевірка дійсності ZK є більш ефективною, ніж подвійне обчислення, ця перевага обмежується обробкою даних транзакцій, властивою блокчейну. Коли і без того складні криптографічні операції та взаємодії ZK стикаються з великою кількістю операцій машинного навчання, проблема низького TPS блокчейну стає відкритою, а проблема низької обчислювальної потужності блокчейну стає найбільшою перешкодою, яка перешкоджає ML on-chain.
Поява ZK-SNARK усуває проблему високих вимог до обчислювальної потужності ML. ZK-SNARKs — це криптографічна конструкція доказу з нульовим знанням, її повна назва — «Короткий неінтерактивний аргумент знань з нульовим знанням». Це техніка, заснована на криптографії еліптичної кривої та гомоморфному шифруванні для ефективних доказів з нульовим знанням. ZK-SNARK характеризується високою компактністю. Використовуючи ZK-SNARK, прувер може створити короткий і компактний доказ, а верифікатору потрібно виконати лише невелику кількість обчислень, щоб перевірити достовірність доказу, без зв’язку з доводити багато разів взаємодіяти. Така природа потреби лише однієї взаємодії між прувером і верифікатором робить ZK-SNARK ефективними та практичними в практичних застосуваннях і більше підходить для вимог обчислювальної потужності ML у ланцюжку. Наразі ЗК-СНАРКи є основною формою ЗК у ЗКМЛ.
Вимоги до мережевої інфраструктури ML і відповідні проекти
Розширення можливостей ZK для ML в основному відображається в доказі нульового знання всього процесу ML, який є взаємодією між ML і функціями в ланцюжку. Дві основні проблеми, які необхідно вирішити в цій взаємодії, полягають у з’єднанні форм даних двох і забезпеченні обчислювальної потужності для процесу перевірки ZK.
**Апаратне прискорення ZK: **Доказ ZK ML є складнішим, що вимагає апаратно-підтримуваної обчислювальної потужності в ланцюжку для прискорення обчислення доказу. До таких проектів належать: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
**Обробка даних ML у ланцюжку: **Обробка даних у ланцюжку у форму даних, яка може входити до навчання ML, і полегшує доступ до вихідних даних ML із ланцюжка. До таких проектів належать: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
**Концепція обчислень ML: **Режим обчислень ML відрізняється від перевірки схемотехніки в ланцюжку ZK, і він-ланцюг ML повинен перетворити свій режим обчислення у форму схеми, яка може бути оброблена блокчейном ZK. До таких проектів належать: Modulus Labs, Jason Morton, Giza.
ZK-доказ **результату ML: **Проблему підтвердження довіри ML потрібно вирішити за допомогою ZK у ланцюжку. Додаток на основі ZK-SNARKs, побудований на Risc Zero або Nil Foundation, може реалізувати доказ автентичності моделі. Серед таких проектів: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML Empowering ZK: розширені сценарії додатків Web3
ZK вирішує проблему надійності ML і надає ML можливість бути прив’язаним. Багатьом сферам Web3 терміново потрібна продуктивність або підтримка прийняття рішень AI ML. ZKML дозволяє мережевим програмам реалізувати розширення можливостей AI за умови забезпечення децентралізації та ефективності.
DeFi
ZKML може допомогти DeFi бути більш автоматизованим, один – автоматизація оновлення параметрів протоколу в ланцюжку; інший – автоматизація торгових стратегій.
Modulus Labs запустила RockyBot, першого в історії торгового бота штучного інтелекту, який повністю працює в мережі.
ЗРОБИВ
ZKML може допомогти у створенні децентралізованої ідентичності DID Web3. Раніше режими керування ідентифікацією, такі як приватні ключі та мнемоніка, погіршували взаємодію з користувачем Web3. Справжню конструкцію DID можна завершити за допомогою ZKML для ідентифікації біологічної інформації суб’єктів Web3. Водночас ZKML може гарантувати безпеку конфіденційності біологічної інформації користувача .
Worldcoin реалізує ZKML для перевірки DID з нульовим знанням на основі сканування райдужної оболонки ока.
гра
ZKML може допомогти іграм Web3 досягти повнофункціонального онлайн-мережі. ML може внести диференційовану автоматизацію у взаємодію з грою та збільшити задоволення від гри; тоді як ZK може приймати рішення щодо взаємодії ML у ланцюжку.
Modulus Labs запускає шахову гру на основі ZKML @VsLeela;
AI ARENA використовує ZKML для реалізації високої інтерактивності ігор NFT у ланцюжку.
Охорона здоров’я та юридичні консультації
Охорона здоров’я та юридичні консультації є сферами з високим рівнем конфіденційності та вимагають накопичення великої кількості справ. ZKML може допомогти користувачам приймати рішення та гарантувати, що конфіденційність користувачів не витікає.
Проблеми ZKML
Зараз ZKML інтенсивно розвивається, але оскільки він не є рідним для блокчейну та потребує великої обчислювальної потужності, ZKML в основному зіткнеться з наступними двома проблемами в майбутньому:
Проблема спотворення параметрів у процесі квантування та завантаження даних ML:
*Більшість ML використовує числа з плаваючою комою для представлення параметрів моделі, тоді як схеми ZK повинні використовувати числа з фіксованою комою. У процесі перетворення цифрового типу буде знижена точність параметрів ML, що призведе до певного спотворення результатів виведення ML.
Високі вимоги до обчислювальної потужності його великої моделі ZK підтверджені:
На даний момент обчислювальна потужність блокчейну не може впоратися з великомасштабним і великим обчисленням ZKML у ланцюжку. Нині популярні ZK-SNARK підтримують лише дрібномасштабні та дрібномасштабні докази нульового знання ML. Обмеження обчислювальної потужності є ключовим фактором, що впливає на розробку блокчейн-додатків ZKML.
Етап генерації доказів ZK має високу обчислювальну складність і вимагає великих ресурсів обчислювальної потужності. Через високу кореляцію між даними, до яких здійснюється доступ і обробленими на етапі перевірки ZK, важко розподілити цей процес, і він не може бути «паралелізованим». Поширення цього процесу може створити додаткову складність і навіть погіршити загальну продуктивність. На даний момент для вирішення проблеми ефективності обчислень ZK основні напрямки досліджень спрямовані більше на оптимізацію алгоритмів і апаратне прискорення.
Висновок
ZKML — це двосторонній рух між підтвердженням нульових знань і машинним навчанням. Нещодавно розроблена технологія блокчейну ZK допомагає ML вирішити проблему підтвердження довіри та забезпечує мережеве середовище для ML; розвинена технологія штучного інтелекту ML допомагає ZK реалізувати екологічність Web3 розширення та впровадження інновацій.
Розробка ZKML стикається з деякими проблемами, такими як проблеми спотворення параметрів і високі вимоги до обчислювальної потужності для великих моделей, але ці проблеми можна вирішити за допомогою технологічних інновацій і апаратного прискорення. Завдяки безперервній появі та розвитку проектів ZKML ми можемо передбачити, що вони привнесуть більше інновацій та цінності в екосистему Web3 у таких сферах, як DeFi, DID, ігри та охорона здоров’я.
Очікується, що в майбутньому ZKML стане ключем до справжнього розблокування перехресної інтеграції Web3 + AI, забезпечуючи потужну підтримку для подальшого створення безпеки, захисту конфіденційності та ефективних додатків блокчейну. Поєднавши ZK з нульовим знанням і можливості обробки даних ML, ми точно зможемо створити більш відкритий, інтелектуальний і надійний цифровий світ!
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Погляд на переваги та проблеми машинного навчання ZKML без знань
Технологія блокчейн і машинне навчання, як дві галузі, які привернули велику увагу, ведуть технологічний прогрес завдяки своїм децентралізованим характеристикам і можливостям, керованим даними, відповідно. ZK (Zero-Knowledge, далі іменується як ZK) у технології блокчейн — це концепція в криптографії, яка відноситься до доказу або інтерактивного процесу, в якому перевіряючий може довести правдивість твердження верифікатору, не розкриваючи жодної конкретної інформації про це. заява. ML (Machine Learning, Machine Learning, далі ML) — це гілка ШІ. Машинне навчання вивчає вхідні дані, узагальнює їх для формування моделі, робить прогнози та приймає рішення.
У цьому контексті ZKML (Zero-Knowledge Machine Learning), який поєднує обидва, нещодавно процвітав. ZKML поєднує захист конфіденційності та можливості перевірки з нульовими знаннями з можливостями обробки даних і прийняття рішень машинного навчання, надаючи нові можливості та можливості для додатків блокчейн. ZKML надає нам рішення для одночасного захисту конфіденційності даних, перевірки точності моделі та підвищення ефективності обчислень.
Ця стаття детально ознайомить із ZKML, зрозуміє його технічні принципи та сценарії застосування, дослідить це захоплююче перехресне поле з розробниками та покаже, як ZKML може побудувати цифрове майбутнє з повнішою конфіденційністю, безпекою та ефективністю!
ZKML: поєднання підтвердження з нульовим знанням і машинного навчання
Є дві причини, чому підтвердження з нульовим знанням і машинне навчання можна поєднати в блокчейні:
З одного боку, технологія нульового знання ZK не тільки сподівається реалізувати ефективну перевірку мережевих транзакцій, але й розробники ZK також сподіваються, що ZK можна буде використовувати в ширшій екологічній сфері.Потужна підтримка штучного інтелекту ML стала полюсом для ZK застосування екологічне розширення Хороший помічник.
З іншого боку, весь процес від розробки до використання моделей ML стикається з проблемою підтвердження довіри.ZK може допомогти ML реалізувати підтвердження дійсності без витоку даних і інформації, а також вирішити дилему довіри ML. Поєднання ZKML означає, що обидва беруть те, що їм потрібно, і йдуть в обох напрямках, а також додадуть імпульс екології блокчейну.
Потреби в розробці та можливості ZK і ML доповнюють одна одну
ML має вирішити багато проблем із довірою, а точність, цілісність і конфіденційність окремих робочих процесів потрібно підтвердити. ZK може ефективно перевірити, чи правильно працює будь-який тип обчислень за умови забезпечення конфіденційності, що вирішує давню проблему доказу довіри в машинному навчанні. Цілісність моделі є важливою проблемою підтвердження довіри в процесі навчання ML, але не менш важливим є захист конфіденційності даних і інформації, які навчається та використовується модель ML. Це ускладнює проходження навчання ML у сторонніх аудиторських і регуляторних органах для завершення підтвердження довіри, а децентралізований ZK з атрибутами нульового знання є шляхом підтвердження довіри, який дуже сумісний з ML.
«Штучний інтелект покращує продуктивність, блокчейн оптимізує виробничі стосунки», ML впроваджує вищий імпульс інновацій і якість обслуговування в трек ZK, ZK забезпечує можливість перевірки та захист конфіденційності для ML, а ZKML і ZKML доповнюють один одного в середовищі блокчейну.
Технічні переваги ZKML
Основні технічні переваги ZKML реалізують поєднання обчислювальної цілісності, захисту конфіденційності та евристичної оптимізації. З точки зору конфіденційності ZKML має такі переваги:
Досягнення прозорої перевірки
Підтвердження з нульовим знанням (ZK) може оцінити продуктивність моделі, не розкриваючи внутрішні деталі моделі, забезпечуючи прозорий і надійний процес оцінювання.
Гарантія конфіденційності даних
ZK можна використовувати для перевірки загальнодоступних даних за допомогою загальнодоступної моделі або перевірки приватних даних за допомогою приватної моделі, забезпечуючи тим самим конфіденційність і конфіденційність даних.
Сам ZK забезпечує правильність певного твердження за умови забезпечення конфіденційності за допомогою криптографічних протоколів, що усуває дефекти машинного навчання з підтвердженням коректності обчислень у захисті конфіденційності та машинного навчання з гомоморфним шифруванням у захисті конфіденційності. Включення ZK у процес ML створює безпечну та конфіденційну платформу, яка усуває недоліки традиційного машинного навчання. Це не тільки заохочує компанії, що займаються захистом конфіденційності, застосовувати методи машинного навчання, але й розробники Web2 більше мотивовані досліджувати технологічний потенціал Web3.
ZK Empowers ML: надає мережеву інфраструктуру
Причина, чому ML, який є відносно зрілим поза ланцюгом, щойно увійшов у ланцюг, полягає в тому, що вартість обчислювальної потужності блокчейну є занадто високою. Багато проектів машинного навчання не можуть безпосередньо працювати в середовищі блокчейну, представленому EVM, через обмеження обчислювальної потужності. У той же час, хоча перевірка дійсності ZK є більш ефективною, ніж подвійне обчислення, ця перевага обмежується обробкою даних транзакцій, властивою блокчейну. Коли і без того складні криптографічні операції та взаємодії ZK стикаються з великою кількістю операцій машинного навчання, проблема низького TPS блокчейну стає відкритою, а проблема низької обчислювальної потужності блокчейну стає найбільшою перешкодою, яка перешкоджає ML on-chain.
Поява ZK-SNARK усуває проблему високих вимог до обчислювальної потужності ML. ZK-SNARKs — це криптографічна конструкція доказу з нульовим знанням, її повна назва — «Короткий неінтерактивний аргумент знань з нульовим знанням». Це техніка, заснована на криптографії еліптичної кривої та гомоморфному шифруванні для ефективних доказів з нульовим знанням. ZK-SNARK характеризується високою компактністю. Використовуючи ZK-SNARK, прувер може створити короткий і компактний доказ, а верифікатору потрібно виконати лише невелику кількість обчислень, щоб перевірити достовірність доказу, без зв’язку з доводити багато разів взаємодіяти. Така природа потреби лише однієї взаємодії між прувером і верифікатором робить ZK-SNARK ефективними та практичними в практичних застосуваннях і більше підходить для вимог обчислювальної потужності ML у ланцюжку. Наразі ЗК-СНАРКи є основною формою ЗК у ЗКМЛ.
Розширення можливостей ZK для ML в основному відображається в доказі нульового знання всього процесу ML, який є взаємодією між ML і функціями в ланцюжку. Дві основні проблеми, які необхідно вирішити в цій взаємодії, полягають у з’єднанні форм даних двох і забезпеченні обчислювальної потужності для процесу перевірки ZK.
ML Empowering ZK: розширені сценарії додатків Web3
ZK вирішує проблему надійності ML і надає ML можливість бути прив’язаним. Багатьом сферам Web3 терміново потрібна продуктивність або підтримка прийняття рішень AI ML. ZKML дозволяє мережевим програмам реалізувати розширення можливостей AI за умови забезпечення децентралізації та ефективності.
DeFi
ZKML може допомогти DeFi бути більш автоматизованим, один – автоматизація оновлення параметрів протоколу в ланцюжку; інший – автоматизація торгових стратегій.
ЗРОБИВ
ZKML може допомогти у створенні децентралізованої ідентичності DID Web3. Раніше режими керування ідентифікацією, такі як приватні ключі та мнемоніка, погіршували взаємодію з користувачем Web3. Справжню конструкцію DID можна завершити за допомогою ZKML для ідентифікації біологічної інформації суб’єктів Web3. Водночас ZKML може гарантувати безпеку конфіденційності біологічної інформації користувача .
гра
ZKML може допомогти іграм Web3 досягти повнофункціонального онлайн-мережі. ML може внести диференційовану автоматизацію у взаємодію з грою та збільшити задоволення від гри; тоді як ZK може приймати рішення щодо взаємодії ML у ланцюжку.
Охорона здоров’я та юридичні консультації
Охорона здоров’я та юридичні консультації є сферами з високим рівнем конфіденційності та вимагають накопичення великої кількості справ. ZKML може допомогти користувачам приймати рішення та гарантувати, що конфіденційність користувачів не витікає.
Проблеми ZKML
Зараз ZKML інтенсивно розвивається, але оскільки він не є рідним для блокчейну та потребує великої обчислювальної потужності, ZKML в основному зіткнеться з наступними двома проблемами в майбутньому:
Висновок
ZKML — це двосторонній рух між підтвердженням нульових знань і машинним навчанням. Нещодавно розроблена технологія блокчейну ZK допомагає ML вирішити проблему підтвердження довіри та забезпечує мережеве середовище для ML; розвинена технологія штучного інтелекту ML допомагає ZK реалізувати екологічність Web3 розширення та впровадження інновацій.
Розробка ZKML стикається з деякими проблемами, такими як проблеми спотворення параметрів і високі вимоги до обчислювальної потужності для великих моделей, але ці проблеми можна вирішити за допомогою технологічних інновацій і апаратного прискорення. Завдяки безперервній появі та розвитку проектів ZKML ми можемо передбачити, що вони привнесуть більше інновацій та цінності в екосистему Web3 у таких сферах, як DeFi, DID, ігри та охорона здоров’я.
Очікується, що в майбутньому ZKML стане ключем до справжнього розблокування перехресної інтеграції Web3 + AI, забезпечуючи потужну підтримку для подальшого створення безпеки, захисту конфіденційності та ефективних додатків блокчейну. Поєднавши ZK з нульовим знанням і можливості обробки даних ML, ми точно зможемо створити більш відкритий, інтелектуальний і надійний цифровий світ!