沒有AI的Web3沒有靈魂 ZKML如何重塑AI與區塊鏈的關系
發表於 2023-06-10 16:20 作者： -R3PO
近日，英偉達發布第一季度業績報告，營收71.9億美元，超出市場預期的65.2億美元，毛利率64.6%，調整後每股收益1.09美元，市場預期0.92美元。由於英偉達財報超出預期，帶動美股芯片股盤後集體上漲，英偉達盤後一度漲29.35%，股價最高觸及395美元，創歷史新高，市值直逼“萬億”，AI芯片需求遠超預期，英偉達市值在一個交易日內暴漲1840億美元，漲出了3個比特幣的總市值。
英偉達CEO黃仁勳在發布財報時提到了有關AI應用的廣闊前景，稱計算機行業正在同時經歷兩個轉變——加速計算和生成式AI，企業競相將生成式AI應用到各個產品、服務和業務流程中，全球萬億美元規模的已安裝數據中心將從通用計算轉變到加速計算。
當前，幾乎所有頭部美元基金與機構都緊盯着AIGC賽道，通過積極建立選投坐標快速構建篩選體系，唯恐錯過了通往時代的列車。相關數據顯示,2023年一季度全球AIGC行業融資總額達38.11億元，融資次數共計17次。一個風口的興起往往代表着另一風口的衰落。人們逐漸對WEB3提出各種各樣的質疑：“資本都去看AI了，Web3監管收嚴、敘事不行了”，“AI比Web3看起來靠譜，也更容易出獨角獸。”
自人類歷史的黎明以來，集體故事一直在定義我們的文化，並豐富我們對世界的理解，敘事的重要性不言而喻。如今，人工智能的敘事正逐漸深入人心，甚至滲透到了Web3領域。有業內人士开始提出“沒有AI的Web3是沒有靈魂的”，有超過半數的Web3公司已經开始轉向AI。那么，AI+Web3將如何融合？近期，源自零知識證明和機器學習的新興結合體ZKML敘事走熱，它將如何協同人工智能和Web3，建立一個可信任的、去中心化的未來？
一、AI需要Web3，反之亦然
CoinDesk的首席內容官邁克爾-凱西(Michael Casey)說：“將加密貨幣和人工智能視爲不相關的技術是一個錯誤。它們是相輔相成的，彼此都在改進對方。”
Web3、加密貨幣和區塊鏈解決了自互聯網开始以來一直存在的社會挑战，即在去中心化的環境中如何保持有價值的信息安全。它們通過採用分布式記錄和激勵機制的新系統來處理人類對信息的信任問題。這些系統幫助由不信任的陌生人組成的社區集體維護开放的數據記錄，使他們能夠在沒有中間人的情況下分發和分享有價值或敏感的信息。
當前，我們正迅速邁向全面人工智能時代，而這一時代所帶來的挑战是十分艱巨的。這些挑战涵蓋了多個方面，從保護大型語言模型（LLMs）輸入的版權，到避免其輸出中出現錯誤的偏見，再到我們目前無法准確區分真實內容和由人工智能創造的虛假信息所帶來的“說謊者紅利”。要確保人類不受人工智能的負面影響，沒有簡單的解決方法可言。任何解決方案都不能依賴於過時的20世紀監管和技術框架來解決這些問題。我們迫切需要一個去中心化的治理系統，以應對在這個新時代如何生產、驗證和分享信息的挑战。
無論目前的Web3是否能提供所需的解決方案，區塊鏈技術確實在解決這些問題方面發揮了一定的作用。不可篡改的账本使我們能夠追蹤圖像和其他內容的來源，從而防止深度僞造。這種技術也可以用於驗證機器學習人工智能產品數據集的完整性。加密貨幣提供了一種無邊界的數字支付方式，可用於向全球爲人工智能培訓做出貢獻的人們提供報酬，如Bittensor等項目正在努力建立代幣化的區塊鏈-政府社區，以激勵人工智能开發者構建對人類友好的模型。與此相反，私營公司擁有的人工智能系統通常將股東利益置於用戶權益之上。
在這些想法能夠實現並規模化之前，我們還有很長的路要走。我們將需要整合一系列其他技術，例如零知識證明（ZK）、同態加密、安全計算、數字身份和去中心化憑證（DID）、物聯網等。此外，我們還需要解決隱私保護、懲罰不良行爲、鼓勵以人爲本的創新智能以及多方立法監管等諸多挑战。
二、ZKML如何架起AI和區塊鏈的橋梁
近期，源自零知識證明和機器學習的新興結合體ZKML被廣泛討論。目前，機器學習（ML）的部署變得越來越復雜。很多企業主要依賴於亞馬遜、谷歌、微軟等服務提供商來部署復雜的機器學習模型。然而，這些服務變得越來越難以審計和理解。作爲AI服務的消費者，我們如何相信這些模型所提供預測的有效性呢？
ZKML作爲人工智能和區塊鏈之間的橋梁，解決了AI模型和輸入的隱私保護問題，同時確保了推理過程的可驗證性。它提供了一種解決方案，使得可以在驗證私有數據時使用公共模型，或在驗證私有模型時使用公共數據。通過添加機器學習功能，智能合約能夠變得更加自主和動態，使其能夠根據實時鏈上數據而不是靜態規則進行處理。這樣一來，智能合約將更具靈活性，能夠適應更多場景，甚至是那些在最初創建合約時可能沒有預料到的場景。
當前，機器學習算法在區塊鏈上廣泛採用的困難之一是其高昂的計算成本。由於百萬級別的浮點運算無法直接在以太坊虛擬機（EVM）上執行，因此在鏈上運行這些模型成爲一個挑战。另外，機器學習模型的信任問題也是一個障礙，因爲模型的參數和輸入數據集通常是私有的，而模型的算法和運行過程又如同一個不透明的“黑匣子”，這可能引發模型擁有者和模型使用者之間的信任問題。
然而，通過ZKML技術，我們可以克服這些問題。ZKML允許任何人在鏈下運行一個模型，並生成一個簡潔且可驗證的證明，證明該模型確實產生了特定的結果。這個證明可以在鏈上發布，並由智能合約進行驗證。這意味着模型使用者可以驗證模型的結果，而無需了解模型的具體參數和運行細節，從而解決了信任問題。
通過上述圖表，我們可以看到ZKML技術兼具計算完整性、啓發式優化和隱私保護等特點。這種技術在Web3領域有着廣泛的應用前景，並且正在快速發展。越來越多的團隊和個人加入了這個領域，推動着各種潛力巨大的ZKML項目的开發。
三、ZKML項目分析
以下是一些潛力ZKML項目。
1、Worldcoin
Worldcoin正在應用ZKML，試圖建立一個保護隱私的人格證明協議。World ID 用戶將能夠在他們的移動設備的加密存儲中自我保管其生物特徵（如虹膜），下載用於生成 IrisCode 的 ML 模型並在本地創建零知識證明，接收的智能合約可以證明其 IrisCode 已成功創建。
然後，可用於執行有用的操作，如成員資格認證和投票。他們目前使用具有安全enclave的可信運行環境來驗證攝像頭籤名的虹膜掃描，但他們最終的目標是使用ZKP來證明神經網絡對加密級別安全保障的正確推理，並且保證ML模型的輸出不會泄露用戶的個人數據。
2、Modulus Labs
Modulus Labs是ZKML領域中最多樣化的項目之一，致力於相關研究的同時也在積極構建鏈上AI應用範例，Modulus Labs通過RockyBot（鏈上交易機器人）和Leela vs. the World（一種國際象棋遊戲，所有人與經驗證的Leela國際象棋引擎實例對決）展示了zkML的用例。該團隊還涉足研究領域，撰寫了The Cost of Intelligence（智能的成本）一文，對不同大小模型的各種驗證系統的速度和效率進行了基准測試。
3、Giza
Giza是一種可以以一種完全無需信任的方法在鏈上部署AI模型的協議。它使用的技術棧包括用於機器學習模型的ONNX格式，用於將這些模型轉換爲Cairo程序格式的Giza Transpiler，用於以可驗證和確定性的方式執行模型的ONNX Cairo Runtime，以及用於部署和執行鏈上模型的Giza Model智能合約。Giza總體上屬於機器學習模型到證明的鏈上編譯器，爲鏈上AI的發展提供一個替代路徑。
4、Zkaptcha
Zkaptcha 專注於 Web3 中的機器人問題，爲智能合約提供captcha（驗證碼）服務，保護智能合約免受機器人攻擊，使用零知識證明來創建抗女巫攻擊的智能合約。目前，該項目使終端用戶通過完成captcha驗證碼來產生一個人類工作的證明，captcha由鏈上驗證者驗證，並通過幾行代碼由智能合約訪問。未來，Zkaptcha 將繼承 zkML，推出類似於現有的 Web 2 驗證碼服務，甚至可以分析鼠標運動等行爲，以確定用戶是否爲真人。
目前看來，zkML賽道還處於初級階段，但我們有理由相信會 zkML 的力量可以給 crypto 帶來更好的前景和發展，也期待該領域能出現更多樣的產品，zk 技術和 crypto 爲 ML 的運行提供安全可信的環境，而未來除了產品的創新之外，還可能會催生 crypto 商業模式的創新，因爲在這個狂野和無政府的 Web 3 世界中，去中心化、crypto 技術和信任才是最最基礎的設施。
結語
在日益復雜和不確定的數字世界中建立信任，一直是人工智能和Web3所面臨的核心挑战。然而，將人工智能與Web3相融合卻爲建立一個信任、安全的去中心化未來帶來了巨大希望。對於开發者、技術專家、政策制定者和整個社會而言，共同塑造人工智能和Web3的未來至關重要，我們或許可以創造出一個超乎想象的智能互聯網時代。
Reference
https://worldcoin.org/blog/engineering/intro-to-zkml#motivation-and-current-efforts-in-zkml
https://github.com/worldcoin/awesome-zkml
https://www.coindesk.com/consensus-magazine/2023/05/19/why-web3-and-the-ai-internet-belong-together/
標題：沒有AI的Web3沒有靈魂 ZKML如何重塑AI與區塊鏈的關系
地址：https://www.coinsdeep.com/article/15200.html
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。