Foresight Ventures: zkML là cái quái gì vậy?

zkML là cầu nối giữa AI và chuỗi khối, ý nghĩa của nó là cho phép chuỗi khối nhận thức được thế giới vật chất, cho phép các hợp đồng thông minh đưa ra quyết định và chạy các mô hình AI với sự bảo vệ quyền riêng tư.

Bản tóm tắt

• ZKML (Máy học không kiến thức) là một công nghệ sử dụng bằng chứng không kiến thức cho việc học máy, ZKML là cầu nối giữa AI và chuỗi khối. ZKML có thể giải quyết vấn đề bảo vệ quyền riêng tư của mô hình/đầu vào AI và quy trình lập luận có thể kiểm chứng, để ZKP của mô hình nhỏ hoặc lý luận có thể được tải lên chuỗi. Ý nghĩa của chuỗi bằng chứng mô hình/lý luận là:
• Hãy để blockchain nhận thức thế giới vật chất. Ví dụ: mô hình nhận dạng khuôn mặt chạy trên blockchain có thể nhận diện khuôn mặt cho blockchain, và mô hình AI trên blockchain có thể hiểu khuôn mặt đó có thể là phụ nữ, bao nhiêu tuổi, v.v.
• Cho phép hợp đồng thông minh đưa ra quyết định. Ví dụ: mô hình dự đoán giá WETH trên chuỗi có thể giúp các hợp đồng thông minh đưa ra quyết định giao dịch.
• Chạy các mô hình AI một cách riêng tư. Ví dụ: một doanh nghiệp dành nhiều sức mạnh tính toán để đào tạo một mô hình, hy vọng cung cấp dịch vụ suy luận theo cách được bảo vệ quyền riêng tư hoặc đầu vào của người dùng muốn đảm bảo quyền riêng tư. Việc sử dụng ZKML không chỉ có thể đảm bảo tính riêng tư của mô hình/đầu vào mà còn chứng minh cho người dùng thấy rằng lập luận được thực hiện chính xác, nhận ra lập luận không đáng tin cậy.
• Ứng dụng của ZKML
• AI trên chuỗi: Đưa mô hình AI/bằng chứng suy luận của AI vào chuỗi, để các hợp đồng thông minh có thể sử dụng AI để đưa ra quyết định. Ví dụ: hệ thống giao dịch trực tuyến được sử dụng cho các quyết định đầu tư trực tuyến.
• ** Chuỗi khối tự cải thiện: ** Hãy để chuỗi khối sử dụng khả năng của AI để liên tục cải thiện và sửa đổi các chiến lược dựa trên dữ liệu lịch sử. Ví dụ: hệ thống danh tiếng trên chuỗi dựa trên AI.
• AIGC on-chain: Nội dung/tác phẩm nghệ thuật được tạo bởi AIGC, Mint on-chain vào NFT, ZK có thể chứng minh tính chính xác của quy trình, không có hình ảnh có bản quyền nào được sử dụng trong bộ dữ liệu, v.v.
• Xác thực sinh trắc học (KYC) của ví: Bằng chứng nhận dạng khuôn mặt được tải lên chuỗi và ví hoàn tất KYC.
• AI Security: Sử dụng AI để phát hiện gian lận, ngăn chặn tấn công Sybil, v.v.
• Trò chơi ZKML trên chuỗi: người chơi cờ trí tuệ nhân tạo trên chuỗi, ký tự NFT được điều khiển bởi mạng lưới thần kinh, v.v.
• ZKML về mặt kỹ thuật
• Mục tiêu: Biến mạng nơ-ron thành mạch ZK Khó khăn: 1. Mạch ZK không hỗ trợ số dấu phẩy động, 2. Mạng nơ-ron quá lớn khó chuyển đổi.
• Tiến độ hiện tại:
• Thư viện ZKML ra đời sớm nhất cách đây 2 năm và lịch sử phát triển của toàn bộ công nghệ này rất ngắn. Hiện tại, thư viện ZKML mới nhất hỗ trợ một số ZK mạng thần kinh đơn giản và được áp dụng cho chuỗi khối. Người ta nói rằng mô hình hồi quy tuyến tính cơ bản có thể được tải lên chuỗi và các loại mô hình mạng thần kinh nhỏ hơn khác có thể hỗ trợ chuỗi bằng chứng. Nhưng tôi thấy rất ít Demo, chỉ có nhận dạng chữ số viết tay.
• **Một số công cụ tuyên bố hỗ trợ 100 triệu tham số và một số tuyên bố chuyển đổi GPT2 thành mạch ZK để tạo bằng chứng ZK. **
• Hướng phát triển:
• Network Quantization (lượng tử hóa mạng), chuyển đổi số dấu phẩy động trong mạng nơ-ron thành số dấu phẩy động và làm nhẹ mạng nơ-ron (thân thiện với ZK).
• Cố gắng chuyển đổi mạng thần kinh có tham số quy mô lớn thành mạch ZK và cải thiện hiệu quả chứng minh (mở rộng khả năng ZK).
• Tổng kết:
• ZKML là cầu nối giữa AI và chuỗi khối, ý nghĩa của nó là cho phép chuỗi khối nhận thức được thế giới vật chất, cho phép hợp đồng thông minh đưa ra quyết định và chạy các mô hình AI với bảo vệ quyền riêng tư**, **là một công nghệ rất hứa hẹn .
• Lịch sử của công nghệ này rất ngắn nhưng nó đang phát triển rất nhanh, hiện tại một số mô hình mạng thần kinh đơn giản có thể được chuyển đổi thành các mạch ZK, có thể được sử dụng để xâu chuỗi mô hình hoặc xâu chuỗi bằng chứng lý luận. Nhưng ngôn ngữ tương đối khó, hiện tại Ddkang/zkml tuyên bố rằng nó có thể tạo ra phiên bản ZK của mô hình xử lý ngôn ngữ tự nhiên GPT2, Bert và Diffusion, nhưng không rõ hiệu quả thực tế, nó có thể chạy nhưng có thể không sẽ được tải lên chuỗi. Tôi tin rằng với sự phát triển của công nghệ khối lượng mạng, công nghệ ZK và công nghệ mở rộng chuỗi khối, mô hình ngôn ngữ ZKML sẽ sớm khả dụng.

1. Bối cảnh

(Nếu bạn biết gì đó về ZK, ML, bạn có thể bỏ qua chương này).

• **Bằng chứng không kiến thức (ZK): **Bằng chứng không kiến thức có nghĩa là người chứng minh có thể thuyết phục người xác minh rằng một khẳng định nào đó là đúng mà không cần cung cấp bất kỳ thông tin hữu ích nào cho người xác minh. ZK chủ yếu được sử dụng để chứng minh rằng quá trình tính toán được thực hiện chính xác và để bảo vệ quyền riêng tư.
• Chứng minh tính đúng đắn của quá trình tính toán: Lấy ZK-rollup làm ví dụ, hoạt động của ZK-rollup chỉ đơn giản là đóng gói nhiều giao dịch lại với nhau, xuất bản chúng trên L1 và đồng thời đưa ra bằng chứng (sử dụng công nghệ bằng chứng không kiến thức ) để tuyên bố rằng các giao dịch này là hợp lệ, sau khi được xác minh trên L1 rằng chúng hợp lệ, trạng thái của zk-rollup sẽ được cập nhật.
• Bảo vệ quyền riêng tư: Lấy giao thức Aztec làm ví dụ, tài sản trên zk.money của Aztec tồn tại ở dạng hóa đơn, tương tự như UTXO của Bitcoin, số lượng hóa đơn được mã hóa, khi người dùng cần chuyển tiền , hóa đơn cần được hủy và Tạo ghi chú mới cho người nhận tiền cũng như cho chính bạn (thay đổi). Bằng chứng không có kiến thức được sử dụng để bảo vệ quyền riêng tư để chứng minh rằng số lượng ghi chú bị hủy giống với số lượng ghi chú mới được tạo và người dùng có quyền kiểm soát ghi chú.
• Machine Learning: Machine Learning là một nhánh của Trí tuệ nhân tạo. Lý thuyết học máy chủ yếu là thiết kế và phân tích một số thuật toán cho phép máy tính “học” một cách tự động. Các thuật toán học máy tự động phân tích và thu được các quy luật từ dữ liệu, đồng thời sử dụng các quy luật này để dự đoán dữ liệu chưa biết. Học máy đã được sử dụng rộng rãi trong thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng sinh trắc học, công cụ tìm kiếm, chẩn đoán y tế, phát hiện gian lận thẻ tín dụng, phân tích thị trường chứng khoán, giải trình tự DNA, nhận dạng giọng nói và chữ viết, trò chơi và người máy.

**2. ZKML giải quyết vấn đề gì? **

ZKML là một lĩnh vực nghiên cứu và phát triển đã gây xôn xao cộng đồng mật mã trong hai năm qua. Bằng cách sử dụng bằng chứng không có kiến thức cho máy học**, mục tiêu chính của công nghệ ** này là sử dụng bằng chứng không có kiến thức để giải quyết các vấn đề về bảo vệ quyền riêng tư và có thể kiểm chứng của máy học**. Bằng cách này, mô hình nhỏ hoặc ZKP của lý luận có thể được tải lên chuỗi và trở thành cầu nối giữa AI và chuỗi khối:

• Chuỗi mô hình: Các mô hình ML có thể được chuyển đổi thành các mạch ZK và các mô hình ZKML nhỏ có thể được lưu trữ trong hợp đồng thông minh của chuỗi khối. Người dùng có thể sử dụng mô hình bằng cách gọi các phương thức hợp đồng thông minh. Ví dụ: RockyBot của Modulus Labs đã tạo một mô hình AI trên chuỗi để dự đoán giá WETH cho các quyết định giao dịch.
• Bằng chứng suy luận mô hình, v.v. trên chuỗi: chuyển đổi mô hình ML thành mạch ZK, thực hiện suy luận ngoài chuỗi và tạo bằng chứng ZK. Bằng chứng ZK có thể chứng minh rằng quá trình lập luận được thực hiện một cách chính xác. Kết quả lập luận và bằng chứng ZK được gửi tới chuỗi để người gọi tham khảo và bằng chứng xác minh hợp đồng thông minh.

** Tầm quan trọng của mô hình/bằng chứng lý luận về chuỗi là gì? **

• Hãy để blockchain nhận thức thế giới vật chất. Ví dụ: mô hình nhận dạng khuôn mặt chạy trên blockchain có thể nhận diện khuôn mặt cho blockchain, và mô hình AI trên blockchain có thể hiểu khuôn mặt đó có thể là phụ nữ, bao nhiêu tuổi, v.v.
• Cho phép hợp đồng thông minh đưa ra quyết định. Ví dụ: mô hình dự đoán giá WETH trên chuỗi có thể giúp các hợp đồng thông minh đưa ra quyết định giao dịch.
• Chạy các mô hình AI một cách riêng tư. Ví dụ: một doanh nghiệp dành nhiều sức mạnh tính toán để đào tạo một mô hình, hy vọng cung cấp dịch vụ suy luận theo cách được bảo vệ quyền riêng tư hoặc đầu vào của người dùng muốn đảm bảo quyền riêng tư. Việc sử dụng ZKML không chỉ có thể đảm bảo tính riêng tư của mô hình/đầu vào mà còn chứng minh cho người dùng thấy rằng lập luận được thực hiện chính xác, nhận ra lập luận không đáng tin cậy.

Bằng chứng không kiến thức chứng minh vai trò trong ZKML:

**1. Bảo vệ quyền riêng tư: Bảo vệ quyền riêng tư của dữ liệu đầu vào trong mô hình ML hoặc quy trình dự đoán. **

• **Quyền riêng tư dữ liệu (Mô hình công khai + Dữ liệu riêng tư): **Tôi có một số dữ liệu nhạy cảm, chẳng hạn như dữ liệu y tế, hình ảnh khuôn mặt, v.v. Tôi có thể sử dụng ZKML để bảo vệ quyền riêng tư của dữ liệu đầu vào, chạy mô hình mạng thần kinh công khai trên dữ liệu này và nhận kết quả. Ví dụ, các mô hình nhận dạng khuôn mặt,
• Quyền riêng tư của người mẫu (Mẫu riêng tư + Dữ liệu công khai): Ví dụ: tôi tốn rất nhiều tiền để đào tạo người mẫu, tôi không muốn tiết lộ người mẫu của mình nên tôi cần bảo vệ quyền riêng tư của người mẫu. Tôi có thể sử dụng ZKML để chạy một mô hình mạng thần kinh riêng nhằm bảo vệ quyền riêng tư và mô hình này có thể suy luận đầu vào công khai để nhận đầu ra.

**2. Tính có thể kiểm chứng: ZKP được sử dụng để chứng minh việc thực hiện đúng quy trình lập luận ML, làm cho quy trình máy học có thể kiểm chứng được. **

• Giả sử, việc thực hiện mô hình không nằm trên máy chủ của tôi, nhưng tôi cần đảm bảo rằng việc đầu cơ được thực hiện chính xác. Tôi có thể sử dụng ZKML để thực hiện suy luận trên đầu vào và mô hình, nó tạo ra kết quả đầu ra, ZKP có thể chứng minh rằng quy trình này được thực thi chính xác, ngay cả khi quy trình đang chạy không có trên máy tính của tôi, tôi có thể xác minh rằng suy luận đó là chính xác bằng cách xác minh ZKP đã triển khai và do đó tin tưởng vào kết quả.

3. Các trường hợp sử dụng cho ZKML

• ** HOÀN THIỆN TÍNH TOÁN **
• **Trí tuệ nhân tạo trên chuỗi (On-chain AI): **Triển khai mô hình AI trên chuỗi khối, để các hợp đồng thông minh có thể có khả năng ra quyết định thông qua mô hình AI.
• Modulus Labs: RockyBot On-chain bot giao dịch ML có thể kiểm chứng (một robot giao dịch học máy có thể kiểm chứng trên chuỗi khối)
• Blockchain tự cải thiện: Hãy để blockchain sử dụng khả năng của AI để liên tục cải thiện và điều chỉnh các chiến lược dựa trên dữ liệu lịch sử.
• Nâng cao AMM của Lyra Finance với trí tuệ nhân tạo.
• Tạo hệ thống danh tiếng dựa trên AI cho Astraly.
• Tạo các chức năng tuân thủ dựa trên AI ở cấp độ hợp đồng thông minh cho giao thức Aztec
• Modulus Labs: Chuỗi khối tự cải thiện (liên kết):
• AIGC on-chain: Nội dung/tác phẩm nghệ thuật được tạo bởi AIGC, Mint on-chain vào NFT, ZK có thể chứng minh tính chính xác của quy trình, không có hình ảnh có bản quyền nào được sử dụng trong bộ dữ liệu, v.v.
• ML dưới dạng Dịch vụ(MLaaS) minh bạch (liên kết)
• AI Security: Sử dụng AI để phát hiện gian lận, ngăn chặn tấn công Sybil, v.v. Mô hình phát hiện bất thường AI được đào tạo theo dữ liệu hợp đồng thông minh và hợp đồng sẽ bị đình chỉ nếu chỉ báo bất thường và ZK được sử dụng để phát hiện bất thường để chứng minh rằng nó đang trên chuỗi.
• Trò chơi ZKML trên chuỗi: người chơi cờ trí tuệ nhân tạo trên chuỗi, ký tự NFT được điều khiển bởi mạng lưới thần kinh, v.v.
• Kiểm tra điểm chuẩn mô hình AI có thể xác minh: Sử dụng ZK để cung cấp bằng chứng kiểm tra điểm chuẩn mô hình và cung cấp khả năng kiểm chứng cho kết quả kiểm tra hiệu suất và hiệu quả của mô hình.
• Bằng chứng về tính đúng đắn của đào tạo mô hình: Vì đào tạo mô hình rất tốn tài nguyên nên bằng chứng về tính đúng đắn của đào tạo mô hình với ZK hiện không có sẵn, nhưng nhiều người cho rằng công nghệ này khả thi và cố gắng sử dụng ZK để chứng minh điều đó mô hình sử dụng một dữ liệu nào đó/không sử dụng một dữ liệu nào đó để giải quyết vấn đề bản quyền của AIGC.
• bảo vệ quyền riêng tư
• Xác thực sinh trắc học/Nhận dạng kỹ thuật số cho ví *WordCoin đang quét mống mắt bằng thiết bị sinh trắc học Orb, cung cấp cho người dùng danh tính kỹ thuật số duy nhất có thể kiểm chứng. WorldCoin đang làm việc trên zkml, được lên kế hoạch sử dụng để nâng cấp World ID. Sau khi nâng cấp, người dùng sẽ có thể tự động giữ sinh trắc học chữ ký của họ trong bộ lưu trữ được mã hóa trên thiết bị di động của họ, tải xuống mô hình ML được tạo bởi mã mống mắt, và tạo bằng chứng không có kiến thức cục bộ, chứng minh rằng mã mống mắt của Nó thực sự được tạo từ hình ảnh chữ ký bằng mô hình chính xác.
• Nền tảng tiền thưởng máy học dựa trên chuỗi khối
• Công ty phát hành phần thưởng và cung cấp dữ liệu công khai và riêng tư. Dữ liệu công khai được sử dụng để đào tạo mô hình và dữ liệu riêng tư được sử dụng để dự đoán. Một số bên dịch vụ AI đào tạo mô hình và biến nó thành mạch ZK. Mã hóa mô hình và gửi nó đến hợp đồng để xác minh. Đối với dữ liệu riêng tư, đưa ra dự đoán, nhận kết quả và tạo bằng chứng ZK, được gửi tới hợp đồng để xác minh. Các nhà cung cấp dịch vụ AI nhận tiền thưởng sau khi hoàn thành một loạt hoạt động. zkML: Demo cho circomlib-ml trên Goerli testnet
• Lập luận bảo vệ quyền riêng tư: Ví dụ: sử dụng dữ liệu riêng tư của bệnh nhân để chẩn đoán y tế, sau đó gửi các kết luận nhạy cảm (chẳng hạn như kết quả phát hiện ung thư) cho bệnh nhân. (giấy vCNN, trang 2/16)

4. Bố cục của ZKML

Đánh giá từ bố cục ZKML do SevenX Ventures tổ chức.

• Tăng tốc phần cứng: Nhiều tổ chức đang tích cực phát triển khả năng tăng tốc phần cứng ZKP, điều này cũng có lợi cho sự phát triển của ZKML. Nói chung, chip FPGA, GPU và ASIC được sử dụng để tăng tốc độ tạo ZKP. Ví dụ: Accseal đang phát triển chip ASIC để tăng tốc phần cứng ZKP và Ingonyama đang xây dựng thư viện tăng tốc ZK ICIClE, được thiết kế cho GPU hỗ trợ CUDA. Supranational tập trung vào tăng tốc GPU, Cysic và Ulvetanna tập trung vào tăng tốc FPGA.
• Đầu vào: Để sử dụng đầu vào dữ liệu trên chuỗi, Axiom, Herodotus, Hyper Oracle, Lagrange sẽ cải thiện quyền truy cập của người dùng vào dữ liệu chuỗi khối và cung cấp chế độ xem dữ liệu trên chuỗi phức tạp hơn. Dữ liệu đầu vào ML sau đó có thể được trích xuất từ dữ liệu lịch sử đã nhập
• lý do: ModulusLabs đang phát triển một hệ thống zkSNARK mới dành riêng cho ZKML. Phần này có thể được hợp nhất với bộ công cụ ZKML, chủ yếu để ZK hóa mô hình và bộ công cụ cần thiết trong quy trình ZKization. Giza là một nền tảng máy học dựa trên StarkNet*, *tập trung vào mở rộng quy mô triển khai mô hình hoàn toàn trên chuỗi.
• Điện toán: Tập trung vào việc xây dựng mạng điện toán phi tập trung để đào tạo các mô hình AI mà mọi người có thể truy cập. Chúng cho phép mọi người sử dụng các tài nguyên điện toán cạnh để đào tạo các mô hình AI với chi phí thấp hơn.
• Sức mạnh điện toán/đào tạo phi tập trung: Tập trung xây dựng mạng điện toán phi tập trung để đào tạo các mô hình AI mà mọi người đều có thể truy cập. Chúng cho phép mọi người sử dụng các tài nguyên điện toán cạnh để đào tạo các mô hình AI với chi phí thấp hơn.
• Bộ công cụ ZKML: Xem Chương 5 Lịch sử phát triển công nghệ. ZAMA trong hình chủ yếu sử dụng mã hóa đồng cấu hoàn toàn (FHE) để bảo vệ quyền riêng tư của máy học.So với ZKML, FHEML chỉ thực hiện quyền riêng tư và không thực hiện xác minh không đáng tin cậy.
• Trường hợp sử dụng: Worldcoin, sử dụng ZKML để xác thực danh tính kỹ thuật số. Sinh trắc học chữ ký của người dùng được mã hóa và lưu trữ trong thiết bị của người dùng, đồng thời mô hình máy học của nhận dạng mống mắt dựa trên ZK sẽ chạy mô hình này trong quá trình nhận dạng danh tính để xác minh xem sinh trắc học có khớp hay không. Sử dụng ZKP để chứng minh tính đúng đắn của quy trình đang chạy. Modulars Labs là một robot giao dịch AI trên chuỗi. Tiêu chuẩn EIP7007, zkML AIGC-NFT của Cathie. Những người chơi cờ trí tuệ nhân tạo trên chuỗi, các ký tự NFT được điều khiển bởi mạng lưới thần kinh, v.v.

5. Lịch sử phát triển công nghệ ZKML

Những thách thức chính trong việc biến mạng thần kinh thành mạch ZK là:

1. Các mạch yêu cầu các phép tính dấu phẩy động, nhưng các số dấu chấm động được sử dụng rộng rãi trong các mạng thần kinh.
2. Vấn đề về kích thước mô hình, việc chuyển đổi mô hình lớn khó khăn và mạch lớn.

Lịch sử phát triển của thư viện ZKML như sau:

1.2021, zk-ml/hồi quy tuyến tính-demo, Peiyuan Liao

• Thực hiện mạch hồi quy tuyến tính Hồi quy tuyến tính là một thuật toán dự đoán rất cơ bản, giả định mối quan hệ tuyến tính giữa biến đầu ra và biến đầu vào, phù hợp để dự đoán các biến số và nghiên cứu mối quan hệ giữa hai hay nhiều biến. Ví dụ: dự đoán giá nhà dựa trên kích thước nhà và các đặc điểm khác hoặc dự đoán doanh số bán hàng trong tương lai dựa trên dữ liệu bán hàng lịch sử, v.v.

2.2022 年, 0xZKML/zk-mnist, 0xZKML

• Tạo mạch ZK mạng thần kinh dựa trên bộ dữ liệu MNIST, có thể nhận dạng các số viết tay. Ví dụ: chữ viết tay số 2, chữ viết tay được nhận dạng là 2 và bằng chứng quy trình lập luận** được tạo. **Bằng chứng có thể được tải lên chuỗi và bằng chứng trên chuỗi có thể được xác minh bằng ethers + snarkjs.
• Trên thực tế, thư viện zk-mnist hiện chỉ chuyển lớp cuối cùng thành mạch chứ chưa chuyển mạng nơ ron hoàn chỉnh thành mạch.

3. 2022, socathie/zkML, Cathie

• So với zk-mnist, ZKML chuyển đổi một mạng thần kinh hoàn chỉnh thành một mạch. Cathie's zkMachineLearning cung cấp nhiều bộ công cụ ZKML cirocmlib-ml và keras2circom để giúp các kỹ sư ML chuyển đổi mô hình thành mạch.

4. Tháng 11 năm 2022, zk-ml/uchikoma, Peiyuan Liao

• Chuyển các phép toán dấu phẩy động trong mạng nơ-ron sang phép toán dấu phẩy động. Đã tạo và cung cấp nguồn mở một công cụ và khuôn khổ chung giúp chuyển đổi hầu hết mọi thuật toán học máy thành một mạch bằng chứng không kiến thức có thể dễ dàng tích hợp với các chuỗi khối.
• Mô hình trực quan -> AIGC
• Mô hình ngôn ngữ -> chatbot, trợ lý viết
• Mô hình tuyến tính và cây quyết định -> Phát hiện gian lận, phòng chống tấn công Sybil
• Mô hình đa phương thức -> hệ thống tư vấn
• Đã đào tạo mô hình học máy tạo nội dung thân thiện với chuỗi khối (AIGC) và chuyển đổi nó thành mạch ZK. Sử dụng nó để tạo tác phẩm nghệ thuật, tạo bằng chứng ZK ngắn gọn và cuối cùng là đúc tác phẩm nghệ thuật thành NFT.

5. Tháng 7 năm 2022, cập nhật tháng 3 năm 2023, zkonduit/ezkl

• ezkl là một thư viện và công cụ dòng lệnh để suy luận về các mô hình học sâu và các biểu đồ tính toán khác trong zk-snark (ZKML). Sử dụng Halo2 làm hệ thống bằng chứng.
• Có thể xác định biểu đồ tính toán, chẳng hạn như mạng thần kinh, sau đó sử dụng ezkl để tạo mạch ZK-SNARK. ZKP được tạo để suy luận có thể được xác minh bằng hợp đồng thông minh.
• Nó được cho là một mô hình có thể hỗ trợ 100 triệu tham số, nhưng nó có thể tiêu tốn rất nhiều tài nguyên.

6. Tháng 5 năm 2023, Ddkang/zkml (Liên kết)

• zkml tuyên bố sử dụng ZK để chuyển đổi các mô hình GPT2, Bert và Diffusion. Nhưng nó có thể sử dụng nhiều bộ nhớ và không rõ liệu bằng chứng có thể được lưu trữ trong hợp đồng thông minh hay không.
• zkml có thể xác minh việc thực thi mô hình tới độ chính xác 92,4% trên ImageNet và cũng có thể chứng minh mô hình MNIST với độ chính xác 99% trong trong bốn giây.

7. Tháng 5 năm 2023, zkp-gravity/0g

• Mạng nơ-ron nhẹ, hỗ trợ dữ liệu riêng + mô hình công khai.

Nói chung, chúng ta có thể thấy hướng khám phá hiện tại của công nghệ ZKML:

1. Lượng tử hóa mạng, chuyển đổi các số dấu phẩy động trong mạng thần kinh thành các số dấu phẩy cố định và làm nhẹ mạng thần kinh (thân thiện với ZK).
2. Cố gắng chuyển đổi mạng thần kinh có tham số quy mô lớn thành mạch ZK và cải thiện hiệu quả chứng minh (mở rộng khả năng ZK).

6. Tóm tắt

1. ZKML là cầu nối giữa AI và chuỗi khối. Ý nghĩa của nó là cho phép ** chuỗi khối nhận thức được thế giới thực, cho phép các hợp đồng thông minh đưa ra quyết định và chạy các mô hình AI với sự bảo vệ quyền riêng tư. Đây là một công nghệ rất hứa hẹn .
2. Lịch sử của ZKML rất ngắn và sự phát triển của nó rất nhanh. Hiện tại, một số mô hình mạng thần kinh đơn giản có thể được chuyển đổi thành các mạch ZK và các mô hình có thể được tải lên chuỗi hoặc bằng chứng lý luận có thể được tải lên chuỗi. Mô hình ngôn ngữ tương đối khó Hiện tại, Ddkang/zkml tuyên bố có thể tạo phiên bản ZK của mô hình GPT2, Bert và Diffusion. Tôi tin rằng với sự phát triển của công nghệ khối lượng mạng, công nghệ ZK và công nghệ mở rộng chuỗi khối, mô hình ngôn ngữ ZKML sẽ sớm khả dụng.