การเรียนรู้ของเครื่องจักรแบบ Zero-Knowledge (zkML) คืออนาคตของ AI แบบออนเชนหรือไม่ (พร้อมคำแนะนำเกี่ยวกับโครงการที่มีคุณภาพ)

ผู้เขียนต้นฉบับ | @DistilledCrypto

เรียบเรียง | โกเลม

เนื่องมาจากความนิยมของโมเดลภาษาขนาดใหญ่ เช่น ChatGPT ที่ทำให้การรันโมเดลการเรียนรู้ของเครื่องที่คล้ายคลึงกันบนเครือข่ายแบบกระจายอำนาจ กลายเป็นหนึ่งในเรื่องราวหลักของบล็อคเชน + AI อย่างไรก็ตาม เราไม่สามารถไว้วางใจเครือข่ายแบบกระจายอำนาจในการใช้โมเดล ML เฉพาะสำหรับการให้เหตุผลได้ เช่น เราไว้วางใจบริษัทที่มีชื่อเสียง เช่น OpenAI ดังนั้นเราจึงจำเป็นต้องตรวจสอบ เมื่อพิจารณาถึงความเป็นส่วนตัวของข้อมูล การเรียนรู้ของเครื่องจักรแบบ Zero-Knowledge (zkML) ถือเป็นเรื่องที่ดีโดยทั่วไป ดังนั้นนี่จะเป็นอนาคตของ AI แบบออนเชนหรือไม่

ในบทความนี้ Odaily Planet Daily จะแนะนำความรู้พื้นฐานเกี่ยวกับ zkML อย่างคร่าวๆ โครงการ zkML ที่ควรค่าแก่การใส่ใจ และในที่สุดอธิบายข้อจำกัดของ zkML และโซลูชั่นทางเลือกอย่างย่อๆ

ความรู้พื้นฐานเกี่ยวกับ zkML

การเรียนรู้ของเครื่องจักรแบบ Zero-knowledge (zkML) มีลักษณะคล้ายกับแนวทางการรักษาความลับในการประมวลผล โดยส่วนใหญ่เกี่ยวข้องกับสองส่วน:

• ใช้การเรียนรู้ของเครื่องจักร (ML) เพื่อดำเนินการงานต่างๆ

• พิสูจน์ว่างานเสร็จสมบูรณ์อย่างถูกต้องโดยไม่ต้องเปิดเผยรายละเอียดทั้งหมด

หากจะให้อธิบายแบบง่ายๆ ก็คือมันทำงานดังนี้:

ก. รันงาน

มีคนใช้โมเดล ML เพื่อประมวลผลข้อมูลและรับผลลัพธ์ ซึ่งก็เหมือนกับเชฟที่ทำตามสูตรอาหารในการอบเค้กแต่ไม่บอกส่วนผสมกับใครเลย

ข. งานพิสูจน์

เมื่องานเสร็จสมบูรณ์ พวกเขาสามารถแสดงหลักฐานได้ ตัวอย่างเช่น ฉันใช้ข้อมูลอินพุตเฉพาะนี้ในแบบจำลองเฉพาะนี้และได้ผลลัพธ์นี้ พวกเขากำลังพิสูจน์ว่าพวกเขาทำตามขั้นตอนในสูตรอย่างถูกต้อง

ค. การรักษาความลับ

ข้อดีของ zkML คือเมื่อพิสูจน์ได้ว่างานเสร็จเรียบร้อย ก็สามารถเก็บรายละเอียดบางอย่าง เช่น ข้อมูลอินพุต วิธีการทำงานของโมเดล หรือผลลัพธ์ไว้เป็นส่วนตัวได้ กล่าวโดยย่อ zkML ช่วยให้ผู้พิสูจน์สามารถบอกได้ว่า "เชื่อฉันเถอะ ฉันทำถูกต้องแล้ว" ในขณะที่ยังคงรักษาความเป็นส่วนตัวของวิธีการและข้อมูลไว้

การแนะนำโครงการ zkML ที่น่าสนใจ

แนวคิดของ zkML ถูกเสนอขึ้นมาเมื่อเกือบหนึ่งปีแล้ว ปัจจุบันมีโครงการที่เกี่ยวข้องหลายโครงการที่กำลังอยู่ระหว่างการก่อสร้าง และบางโครงการก็ได้ออกโทเค็นออกสู่ตลาดแล้ว เมสซารี แสดงรายการโครงการ zkML บางส่วนที่ลงทุนโดย VC ที่มีชื่อเสียง ซึ่งจะมีการแนะนำด้านล่างนี้

ที่มา : Messari

สเปกตรัม

สเปกตรัม กำลังสร้างเศรษฐกิจตัวแทนแบบออนเชนสำหรับ Web3 ผลิตภัณฑ์เรือธงของพวกเขา SYNTAX เป็น LLM (Large Language Model) ที่เป็นกรรมสิทธิ์ซึ่งสร้างโค้ด Solidity Spectral ช่วยให้ผู้ใช้สามารถสร้างตัวแทนแบบออนเชนอิสระในขณะที่ใช้ประโยชน์จากการอนุมาน ML แบบกระจายอำนาจเพื่อปรับปรุงสัญญาอัจฉริยะ นอกจากนี้ การใช้ zkML ทำให้ Spectral สามารถให้หลักฐานว่าการทำนายเฉพาะเจาะจงนั้นสร้างขึ้นโดยโมเดล ML เฉพาะเจาะจง ซึ่งรับประกันความน่าเชื่อถือและความถูกต้องในกระบวนการ

Spectral ได้ออกโทเค็นชื่อ SPEC ซึ่งมีมูลค่าตลาดอยู่ที่ $119 ล้าน

เวิลด์คอยน์

เวิลด์คอยน์ กำลังพัฒนาระบบโอเพ่นซอร์สที่มุ่งหวังให้ทุกคนมีส่วนร่วมในเศรษฐกิจโลก ใน Worldcoin การใช้งาน zkML ที่เป็นไปได้อย่างหนึ่งคือการปรับปรุงความปลอดภัยและความเป็นส่วนตัวของเทคโนโลยีการจดจำม่านตา มูลค่าทางการตลาดของโทเค็น WLD ในปัจจุบันอยู่ที่ $1.07 พันล้าน

วิธีการทำงานมีดังนี้:

ก. การโฮสต์ข้อมูลไบโอเมตริกซ์ด้วยตนเอง

ผู้ใช้ World ID สามารถจัดเก็บข้อมูลไบโอเมตริกซ์ เช่น การสแกนม่านตา ได้อย่างปลอดภัยและเข้ารหัสไว้ในอุปกรณ์พกพาของตน

ข. การประมวลผลในท้องถิ่น

จากนั้นผู้ใช้สามารถดาวน์โหลดโมเดล ML ลงในอุปกรณ์ของตนเพื่อสร้างรหัสเฉพาะจากการสแกนม่านตา

c. หลักฐานการปกป้องความเป็นส่วนตัว

การใช้ zkML ช่วยให้ผู้ใช้สามารถพิสูจน์ได้โดยตรงบนอุปกรณ์ของตนเอง หลักฐานนี้ยืนยันว่ารหัสไอริสของพวกเขาถูกสร้างขึ้นอย่างแม่นยำจากการสแกนโดยใช้แบบจำลองที่ถูกต้อง ทั้งนี้ การดำเนินการทั้งหมดนี้ไม่เปิดเผยข้อมูลจริงของผู้ใช้

ริสซีโร่

RISC ซีโร่ มีเป้าหมายเพื่อเพิ่มความน่าเชื่อถือและประสิทธิภาพบนอินเทอร์เน็ตโดยการให้บริการคอมพิวเตอร์ที่ไม่จำเป็นต้องให้บุคคลอื่นไว้วางใจกัน

นี่คือจุดสำคัญของ RISC Zero:

ก. การขยายขนาดของบล็อคเชน

Bonsai Proof Service ใช้ในการดำเนินการที่ซับซ้อน ส่งผลให้ความปลอดภัยของบล็อคเชนเพิ่มขึ้น Bonsai จัดการการคำนวณที่ซับซ้อนและข้อมูลส่วนตัวนอกบล็อคเชน จึงทำให้ประสิทธิภาพดีขึ้น

ข. ความร่วมมือกับ Spice AI

เครื่องเทศ AI ให้บริการข้อมูลและโครงสร้างพื้นฐาน AI ที่ประกอบขึ้นได้และพร้อมใช้งาน รวมถึง OSS Spice.ai ที่ได้รับการจัดการในระดับคลาวด์ ความร่วมมือนี้มุ่งหวังที่จะมอบชุดเครื่องมือ zkML ที่ครอบคลุมให้กับนักพัฒนา

ค. บริการการเรียนรู้ของเครื่องจักร

นักพัฒนาสามารถใช้ RISC Zero เพื่อเข้าถึงและสอบถามข้อมูลอย่างปลอดภัย ฝึกอบรมโมเดล ML เป็นการส่วนตัว และแสดงหลักฐานว่าข้อมูลได้รับการประมวลผลอย่างถูกต้อง

โดยพื้นฐานแล้ว RISC Zero มอบบริการ MLaaS (ML ในรูปแบบบริการ) ให้แก่นักพัฒนาในขณะที่รับประกันว่าข้อมูลและกระบวนการดำเนินการยังคงเป็นส่วนตัวและปลอดภัย

กิซ่า

กิซ่า เป็นแพลตฟอร์มการเรียนรู้ของเครื่องจักรที่ทำงานบนเครือข่าย Starknet

ก. วัตถุประสงค์หลัก

Giza มีเป้าหมายที่จะขยายขนาดการดำเนินการ ML โดยตรงบนบล็อคเชน

ข. พื้นฐานทางเทคนิค

ใช้ Starknet ซึ่งสนับสนุนการพิสูจน์ความรู้เป็นศูนย์ (ZK) เพื่อตรวจสอบการดำเนินการ ML ช่วยให้มั่นใจถึงความแม่นยำและความปลอดภัยของการคำนวณโดยไม่รั่วไหลของข้อมูลที่อยู่ข้างใต้

ข. การสมัคร

บน Starknet Giza ช่วยให้ “ตัวแทน Giza” สามารถดำเนินการตามกลยุทธ์ทางการเงินต่างๆ ได้โดยอัตโนมัติ รวมถึงการรวมผลตอบแทนข้ามโปรโตคอล การจัดสรรสินทรัพย์ และการสร้างตลาดที่ปราศจากความเสี่ยง โดยพื้นฐานแล้ว การใช้ประโยชน์จากข้อได้เปรียบของ zkML ทำให้ Giza อนุญาตให้ดำเนินการตามกลยุทธ์ทางการเงินบนบล็อคเชนได้อย่างปลอดภัยและอัตโนมัติ

วานนา

วานนา เป็นเครือข่ายการใช้เหตุผล AI แบบแยกส่วนที่ไม่เพียงเข้ากันได้กับเชน EVM เท่านั้น แต่ยังให้ความปลอดภัยที่ยืดหยุ่นอีกด้วย ผู้ใช้สามารถเลือกวิธีการตรวจสอบได้หลากหลาย เช่น zkML, optimistic ZK, opML, teeML เป็นต้น โดยการรวมสถานการณ์การใช้งานในอนาคตของ Vannas เข้าด้วยกัน จะใช้ LLM เพื่อสร้างบทสนทนาเกม GameFi บนเชน การตรวจจับช่องโหว่สัญญาอัจฉริยะบนเชน กลไกเตือนความเสี่ยงสำหรับโปรโตคอล DeFi และระบบชื่อเสียงสำหรับการทำเครื่องหมายบัญชีใน airdrop

นอกจากโครงการที่แนะนำข้างต้นแล้ว ยังมีโครงการในระบบนิเวศ zkML อีกด้วย ดังที่แสดงในภาพด้านล่าง เนื่องจากมีข้อจำกัดด้านพื้นที่ จึงไม่สามารถแนะนำโครงการเหล่านี้ให้ผู้อ่านได้ใช้อ้างอิงได้ที่นี่

ที่มา: SevenX Ventures

ข้อจำกัดของ zkML และทางเลือกอื่น

แม้ว่าจะดูน่าสนใจในทางทฤษฎี แต่ zkML ยังไม่สามารถใช้งานได้จริงในขณะนี้ การคำนวณด้วย AI นั้นใช้ทรัพยากรจำนวนมาก และการเพิ่มวิธีการเข้ารหัสเช่นเดียวกับที่ใช้ใน zkML ทำให้การคำนวณช้าลงไปอีก โดย Modulus Labs รายงานว่า zkML อาจช้ากว่าการคำนวณปกติถึง 1,000 เท่า ในความเป็นจริงแล้ว สำหรับผู้ใช้ส่วนใหญ่ การรอเพิ่มอีกไม่กี่นาทีถือเป็นสิ่งที่ยอมรับไม่ได้ในชีวิตประจำวัน

ดังนั้น เนื่องด้วยข้อจำกัดเหล่านี้ zkML จึงอาจเหมาะสำหรับโมเดล ML ขนาดเล็กมากเท่านั้น ในกรณีนี้ โปรเจกต์ AI จำนวนมากต้องพิจารณาใช้วิธีการตรวจสอบอื่น ปัจจุบันมีทางเลือกหลักอยู่สองทาง:

• opML (โอติมิสติก เอ็มแอล)

• teeML (สภาพแวดล้อมการทำงานที่เชื่อถือได้ ML)

รูปต่อไปนี้แสดงให้เห็นความแตกต่างระหว่างทั้งสามอย่าง:

ที่มา: โปรโตคอลมาร์ลิน

บทความนี้มีที่มาจากอินเทอร์เน็ต: การเรียนรู้ของเครื่องจักรแบบ Zero-Knowledge (zkML) คืออนาคตของ AI แบบออนเชนหรือไม่ (พร้อมคำนำเกี่ยวกับโครงการที่มีคุณภาพ)

ที่เกี่ยวข้อง: การแจ้งเตือนการลดครึ่งหนึ่งของ Bitcoin: วาฬมีปฏิกิริยาอย่างไรต่อเหตุการณ์ที่กำลังจะเกิดขึ้น?

การวิเคราะห์วาฬ Bitcoin อย่างเข้มข้นก่อนเหตุการณ์ halving แม้จะมีความรู้สึกเป็นขาลง แต่วาฬก็ยังคงสะสม Bitcoin พฤติกรรมของวาฬบ่งบอกถึงแนวโน้มขาขึ้นท่ามกลางความคาดหวังว่าอุปทานจะลดลงหลัง halving ในขณะที่ชุมชน Bitcoin (BTC) คาดการณ์เหตุการณ์ halving ที่กำลังจะเกิดขึ้น พฤติกรรมของวาฬสกุลเงินดิจิทัล – นักลงทุนที่ถือ Bitcoin เป็นจำนวนมาก – ได้รับการตรวจสอบอย่างเข้มข้น นักวิเคราะห์และผู้สังเกตการณ์ตลาดต่างกระตือรือร้นที่จะเข้าใจว่าผู้เล่นหลักเหล่านี้วางตำแหน่งตัวเองอย่างไรก่อนที่จะถึงจุดสำคัญที่ส่งผลกระทบต่อราคาและพลวัตของตลาดในอดีต แม้จะมีสภาวะเป็นขาลง แต่วาฬก็ยังคงซื้อ ข้อมูลล่าสุดจากแพลตฟอร์มวิเคราะห์บล็อคเชน เช่น CryptoQuant และ Santiment เผยให้เห็นการเปลี่ยนแปลงอย่างเห็นได้ชัดในกิจกรรมของวาฬ ตามทวีตจาก CryptoQuant มีการสะสม Bitcoin ของวาฬเพิ่มขึ้น ซึ่งบ่งบอกถึงแนวโน้มขาขึ้นจากผู้ที่คาดการณ์ว่าอุปทานจะลดลงหลัง halving…