背景在过去的几个月里，人工智能行业出现了许多突破。GPT4和稳定扩散等模式正在改变人们生产软件、互联网和与之互动的方式。
虽然这些新的人工智能模型表现突出，但有人担心人工智能的不可预测性和对齐性。例如，在线服务的世界缺乏透明度，大部分后台工作由人工智能模型运行。验证这些模型的行为是否符合预期将是一个巨大的挑战。此外，用户隐私也值得关注。所有提供给模型API的数据都可以用来提高人工智能，或者被黑客利用。
ZKML可能是解决这些问题的新方法。通过将可验证和不可信任的属性输入到机器学习模型中，区块链和ZK技术可以形成一个可以实现人工智能对齐的框架。
ZKML是什么？在本文中，零知识机器学习(ZKML)是指在不透露模型输入或模型参数的情况下，使用zkSNARK(一种零知识证明)来证明机器学习推理的正确性。根据信息是否私有，ZKML的用例可以分为以下类型:
公共模式+私有数据:私有机器学习:ZKML可用于在敏感数据上训练和评估机器学习模型，而不会将数据透露给他人。这对于医疗诊断和金融欺诈检测等应用非常重要。我们也看到一些公司在生物特征数据认证中使用ZKML来建立人性证明服务。事实证明，在一个大多数在线内容都是由人工智能生成的世界中，密码学可以作为一种来源来确保内容的真实性。人们正试图用ZKML来对抗深度欺诈的问题。私有模式+公共数据模型的真实性:ZKML可以用来保证机器学习模型的一致性。这对于用户保证模型提供者不偷懒使用成本更低的模型或者被黑客攻击是非常重要的。去中心化Kaggle:ZKML允许数据科学竞赛的参与者在公共测试数据上证明模型的准确性，而不需要在训练时暴露模型权重。公共模型+公共数据分散推理:这种方法主要是利用ZKML的简单性，将复杂的人工智能计算压缩成类似ZK rollup的链条进行证明。该方法可以将模型服务的成本分摊到多个节点上。既然zkSNARK会成为加密货币世界非常重要的技术，那么ZKML也有可能改变加密货币世界的格局。通过在智能合约中添加人工智能功能，ZKML可以解锁更复杂的在线应用。这种整合在ZKML社区中被描述为“关注区块链”。
技术瓶颈但是ZK-ML也面临着几个技术挑战，急需解决。
量化:ZKP在实地工作，但神经网络是在浮点上训练的。这意味着，为了使神经网络模型zk/区块链友好，需要将其转化为具有完整计算轨迹的定点算术表示。这可能会牺牲模型的性能，因为参数的准确性较低。跨语言翻译:神经网络人工智能模型用python和cpp编写，ZKP电路用rust语言。所以我们需要一个转换层来将模型转换成基于ZKP的运行时。通常这种类型的翻译层需要基于特定的模型，因此很难设计一个通用的翻译层。ZKP的计算成本:基本上，ZKP的成本将远远高于原来的ML计算。根据Modulus Labs的一项实验，对于一个有2000万个参数的模型，生成证明需要1-5分钟以上的时间，内存消耗约为20-60GB，具体取决于ZK证明系统。发展现状即使面对上述挑战，我们也看到ZKML在加密货币社区引起了关注，一些伟大的团队正在探索这一领域。
基础设施
模型编译器
因为ZKML的主要瓶颈是将人工智能模型转化为ZK电路，所以一些团队正在研究ZK模型编译器等基础设施层。从一年前的逻辑回归模型或简单的CNN模型开始，这个领域已经迅速发展到更复杂的模型。
EZKL项目现在支持参数高达100 mm的模型..它使用ONNX格式和halo2 ZKP系统。该库还支持只提交模型的一部分。ZKML库已经支持扩散模型的GPT2、Bert和ZKP。ZKVM
ZKML编译器也属于零知识虚拟机的通用范畴。
Risc Zero是一个使用开源RiscV指令集的zkVM，因此它可以支持C++和Rust的ZKP。zkDTP项目展示了如何将决策树ML模型转换成rust，并在Risc Zero上运行。我们也看到一些团队正在尝试使用Startnet(Giza)和Aleo(零重力)，并将AI模型引入链中。应用除了基础设施倡议，其他团队也开始探索ZKML的应用。
定义:
DeFi的一个用例是人工智能驱动的金库，其机制是由人工智能模型而不是不变的策略决定的。这些策略可以吸收链上和链下的数据，以预测市场趋势和执行交易。ZKML保证了模型在链上的一致性。这可以使整个过程自动化和不可信。蒙多卢斯实验室正在建造RockyBot。该团队在链上训练了一个人工智能模型来预测ETH价格，并建立了一个智能合约来自动与该模型进行交易。其他潜在的DeFi用例包括人工智能驱动的DEX和贷款协议。Oracle还可以使用ZKML来提供由外链数据生成的新数据源。游戏:
模数实验室推出了基于ZKML的国际象棋游戏LeeLa，所有用户都与一个由ZK验证并由人工智能模型驱动的机器人进行比赛。人工智能可以给现有的全网游带来更多的互动功能。NFT/创造者经济:
EIP-7007:这个EIP提供了一个接口，ZKML可以用来验证人工智能为NFT生成的内容是否真的来自某个输入(提示)的模型。这个标准可以为人工智能产生的NFT集赋能，甚至为新型的创造者经济注入动力。身份:
Wordcoin项目正在提供一个基于用户生物特征信息的非机器人验证解决方案。该团队正在探索ZKML的使用，它允许用户以未经授权的方式生成IRIS(国际维修信息系统)代码。当生成虹膜代码的算法升级后，用户可以下载模型并生成自己的证明，而不必去对象请求站。采用的关键是考虑到人工智能模型零知识证明的高成本。我们认为ZKML的采用可以从一些信任成本较高的加密货币原生用例入手。
另一个值得考虑的市场是数据隐私非常重要的行业，比如医疗保健。虽然还有其他解决方案，如联合学习和安全MPC，但ZKML的优势在于区块链可以扩大激励网络。
更广泛和大规模地采用ZKML可能是因为人们对现有的大型人工智能供应商失去了信任。会不会有一些事件会提高整个行业的认知度，促使用户考虑可验证的人工智能技术？
综上所述，ZKML还处于早期阶段，还有很多挑战需要克服。但随着ZK技术的完善，我们认为人们很快就会找到几个产品市场适应性很强的ZKML用例。这些用例起初可能看起来非常小众。但是，随着集中式人工智能的发展，以及对每个行业甚至人类生活的渗透，人们可能会发现ZKML更大的价值。
如果您正在构建ZKML应用程序或基础设施，请在Twitter上联系@alanwwu。我们将很高兴与你交谈。
本网站声明:网站内容来源于网络。如有侵权，请联系我们，我们会及时处理。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"zk的模式有，zkcli使用"：http://www.guoyinggangguan.com/qkl/145327.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
