零知識機器學習（zkML）是鏈上人工智慧的未來嗎？ （附優質項目介紹）

原作者| @DistilledCrypto

編譯|魔像

隨著ChatGPT等大型語言模型的流行，在去中心化網路上運行類似的機器學習模型 已成為區塊鏈+AI的主要敘事之一。然而，我們不能像信任 OpenAI 這樣信譽良好的公司那樣信任去中心化網路使用特定的 ML 模型進行推理，因此我們需要對其進行驗證。考慮到資料的隱私性，零知識機器學習（zkML）普遍被看好，那麼它會是鏈上AI的未來嗎？

Odaily星球日報這篇文章將簡單介紹一下zkML的基礎知識， zkML值得關注的項目，最後簡單解釋一下zkML的限制和替代解決方案。

zkML基礎知識

零知識機器學習（zkML）類似於計算中的保密方法。主要涉及兩部分：

• 使用機器學習 (ML) 執行任務；

• 證明任務已正確完成，但不透露所有細節。

簡單來說，它的工作原理如下：

一個。運行任務

有人使用機器學習模型來處理一些數據並獲得結果，這就像廚師按照食譜烤蛋糕但不告訴任何人成分一樣。

b.證明任務

任務完成後，他們可以出示證明。例如，我在這個特定模型中使用了這個特定輸入並得到了這個結果。他們實際上證明了他們正確地遵循了食譜中的步驟。

c.保密

zkML 的美妙之處在於，當他們證明任務已正確完成時，他們可以保留一些細節，例如輸入資料、模型如何運作或結果是私有的。簡而言之，zkML 允許證明者說“相信我，我做對了”，同時仍保持其方法和數據的隱私。

值得關注的 zkML 專案介紹

zkML的概念提出已經快一年了。目前，許多相關項目正在建設中，其中一些項目已經在市場上發行了代幣。 梅薩裡 列舉了一些知名VC投資的zkML項目，以下會介紹。

資料來源：梅薩裡

光譜

光譜 正在為Web3建立鏈上代理經濟。他們的旗艦產品 SYNTAX 是一個專有的 LLM（大型語言模型），可以產生 Solidity 程式碼。 Spectral 使用戶能夠創建鏈上自主代理，同時利用去中心化的機器學習推理來改進智能合約。此外，使用 zkML，Spectral 能夠提供證據證明特定預測是由特定 ML 模型產生的，確保過程中的信任和真實性。

Spectral發行了名為SPEC的代幣，市值為$119百萬。

世界幣

世界幣 正在開發一個開源系統，旨在讓每個人都能參與全球經濟。在 Worldcoin 中，zkML 的潛在用途之一是提高虹膜辨識技術的安全性和隱私性。代幣WLD目前市值為$10.7億。

它的工作原理如下：

一個。生物辨識自架

World ID 使用者可以在行動裝置上安全加密地儲存其生物辨識數據，例如虹膜掃描。

b.本地加工

然後，使用者可以將機器學習模型下載到他們的裝置上，透過虹膜掃描產生唯一的程式碼。

c.隱私保護證明

使用 zkML，他們可以直接在其設備上建立證明。該證據證實他們的虹膜代碼是使用正確的模型透過掃描準確產生的。所有這一切都是在不暴露用戶實際數據的情況下完成的。

RISC 零

精簡指令集零 旨在透過提供不需要各方相互信任的運算服務來增強網路上的信任和效率。

以下是 RISC Zero 的要點：

一個。擴展區塊鏈

它使用 Bonsai Proof Service 來執行複雜的操作，從而增強區塊鏈的安全性。 Bonsai 在鏈下管理複雜的運算和私有數據，從而提高效率。

b.與 Spice AI 合作

香料人工智慧 提供可組合、即用型資料和人工智慧基礎設施，包括託管雲端規模的 Spice.ai OSS。此次合作旨在為開發人員提供全面的 zkML 工具包。

c.機器學習服務

開發人員可以使用 RISC Zero 安全地存取和查詢資料、私下訓練 ML 模型，並提供資料已正確處理的證據。

本質上，RISC Zero 為開發人員提供 MLaaS（ML 即服務）服務，同時確保資料和執行流程保持隱私和安全。

吉薩

吉薩 是一個在 Starknet 網路上運作的機器學習平台。

一個。主要目標

Giza 的目標是直接在區塊鏈上擴展機器學習作業。

b.技術基礎

它使用支援零知識（ZK）證明的Starknet來驗證ML操作，在不洩漏底層資料的情況下確保計算的準確性和安全性。

c.應用

在 Starknet 上，Giza 讓「Giza Agents」能夠自動執行各種金融策略，包括跨協議收益聚合、資產配置和無風險做市。本質上，利用 zkML 的優勢，Giza 可以在區塊鏈上安全、自動地執行財務策略。

瓦納

瓦納 是一個模組化的AI推理網絡，不僅相容於EVM鏈，還提供靈活的安全性。使用者可選擇zkML、樂觀ZK、opML、teeML等多種驗證方式。鏈上智能合約漏洞檢測； DeFi協定的風險預警引擎；以及用於在空投中標記女巫帳戶的聲譽系統。

除了上面介紹的項目外，zkML生態中還有如下圖的項目。限於篇幅，這裡不再一一介紹，供讀者參考。

來源：SevenX Ventures

zkML 和替代方案的局限性

雖然 zkML 在理論上很有吸引力，但目前還不太實用。 AI 計算本質上是資源密集型的，添加 zkML 中使用的加密方法會使計算速度變得更慢，Modulus Labs 報告稱 zkML 可能比常規計算慢 1,000 倍。事實上，對於大多數用戶來說，在日常體驗中額外等待幾分鐘是不可接受的。

因此，由於這些限制，zkML 現在可能只適用於非常小的 ML 模型。在這種情況下，許多AI專案不得不考慮其他驗證方式。目前主要有兩種替代方案：

• opML（樂觀機器學習）

• teeML（可信任執行環境 ML）

下圖簡單說明了三者的差別：

來源：馬林協議

本文來自網路：零知識機器學習（zkML）是鏈上AI的未來嗎？ （附優質項目介紹）

相關：比特幣減半警報：鯨魚對即將發生的事件有何反應？

簡而言之，比特幣鯨魚在減半事件之前進行了深入分析。儘管市場情緒悲觀，鯨魚仍在累積比特幣。鯨魚的行為表明，在減半後供應減少的預期中，鯨魚的前景看漲。隨著比特幣（BTC）社群預計即將到來的減半事件，加密貨幣鯨魚行為——持有大量比特幣的投資者——受到了密切關注。分析師和市場觀察家渴望了解這些主要參與者如何在歷史上影響比特幣價格和市場動態的里程碑之前就定位自己。儘管情勢看跌，鯨魚仍在購買 CryptoQuant 和 Santiment 等區塊鏈分析平台的最新數據，這些數據揭示了鯨魚活動的顯著變化。根據 CryptoQuant 的一條推文，鯨魚的比特幣累積有所增加，這表明那些預計減半後供應緊張的人看漲前景...