原文来源: X
原文标题:What the heck is “zkML”?
编译:Golem,星球日报
自 ChatGPT 等大措辞模型火爆后,在去中央化网络上运行类似的机器学习模型也成为了区块链+AI 的紧张叙事之一。但我们无法像信赖 OpenAI 这样有信誉支撑的公司一样信赖去中央化网络会利用特定的 ML 模型进行推理,因此我们须要进行验证。考虑到数据的隐私性,零知识机器学习(zkML)被普遍看好,那么它会是链上 AI 的未来吗?
Odaily 星球日报将在本文中大略先容关于 zkML 的根本知识、值得关注的 zkML 项目,末了在大略解释 zkML 的局限性及代替方案。
关于 zkML 的根本知识
零知识机器学习 (zkML) 类似于一种打算中的保密方法。它紧张涉及两个部分:
利用机器学习(ML)实行任务;证明任务精确完成,但不透露所有细节。大略来说,它的事情事理如下:
a. 运行任务
有人利用 ML 模型来处理一些数据并得到结果,这就像厨师按照食谱烤蛋糕但却不见告任何人质料一样。
b. 证明任务
任务完成后,他们可以展示一个证明。例如,“我在这个特定的模型中利用了特定的输入,并得到了这个结果。”他们实际上在证明他们精确遵照了食谱上的步骤。
c. 守旧秘密
zkML 的妙处在于,当他们证明任务精确完成时,他们可以保留一些细节,例如将输入的数据、模型的运作办法或结果保密。简而言之,zkML 可以让证明者说“相信我,我做对了”,同时仍旧保持他们的方法和数据的私密性。
值得关注的 zkML 项目先容
zkML 观点自提出到现在已有将近一年韶光,目前已经有许多干系项目正在培植,个中少部分还在市场上发行了代币。Messari列出了一些有名 VC 投资的 zkML 项目,下面将对它们进行先容。
来源:Messari
Spectral
Spectral正在为 Web3 构建链上代理经济。他们的旗舰产品 SYNTAX 是一种专有的 LLM(Large Language Model),可以天生 Solidity 代码。Spectral 能够用户使创建链上自主代理,同时利用去中央化的 ML 推断来改进智能合约。此外,利用 zkML,Spectral 能够供应证据表明特定的预测是由特定的 ML 模型天生的,确保了流程中的信赖和真实性。
Spectral 已发币,代币为 SPEC,市值 1.19 亿美元。
Worldcoin
Worldcoin正在开拓一个开源系统,旨在让每个人都能参与环球经济。在 Worldcoin 中,zkML 的一个潜在用场是提高虹膜识别技能的安全性和隐私性。代币 WLD 市值目前为 10.7 亿美元。
它的事情事理如下:
a. 生物识别自托管
World ID 的用户可以将自己的生物特色数据(如虹膜扫描)安全加密地存储在他们的移动设备上。
b. 本地处理
然后,用户可以将 ML 模型下载到他们的设备中,以从虹膜扫描中天生唯一的代码。
c. 隐私保护证明
利用 zkML,他们可以直接在自己的设备上创建证明。这一证明证明了他们的虹膜代码是利用精确的模型通过扫描准确天生的。所有这些操作都是在不暴露用户实际数据的情形下进行的。
Risc Zero
RISC Zero旨在增强互联网的信赖和效率,这将通过供应无需各方互相信任的打算做事来实现。
以下是 RISC Zero 关注的重点:
a. 扩展区块链
它利用 Bonsai 证明做事来实行繁芜操作,从而增强区块链的安全性。Bonsai 在链下管理繁芜的打算和隐私数据,从而提高效率。
b. 与 Spice AI 的互助
Spice AI供应可组合、即用型数据和 AI 根本举动步伐,包括托管的云级 Spice.ai OSS。这次互助旨在为开拓职员供应全面的 zkML 工具包。
c. 机器学习做事
开拓职员可以利用 RISC Zero 来安全地访问和查询数据、私密演习 ML 模型及供应数据被精确处理的证明。
实质上,RISC Zero 为开拓职员供应 MLaaS(ML as a service)做事,同时确保数据和实行过程保持私密和安全。
Giza
Giza是一个在 Starknet 网络上运行的机器学习平台。
a. 紧张目标
Giza 旨在直接在区块链上扩展 ML 操作。
b. 技能根本
其利用支持零知识(ZK)证明的 Starknet 来验证 ML 操作,确保打算的准确性和安全性,并且不会透露根本数据。
c. 运用
在 Starknet 上,Giza 启用“Giza Agents”来自动实行各种财务策略,包括跨协议收益聚合、资产配置、无风险做市。实质上,利用 zkML 的上风,Giza 许可在区块链上安全、自动地实行金融策略。
Vanna
Vanna 是模块化 AI 推理网络,不仅与 EVM 链兼容,而且供应灵巧的安全性,用户可选择 zkML、optimistic ZK、opML,、teeML 等多种验证办法。结合 Vanna 未来的利用场景为利用 LLM 天生链上 GameFi 游戏对话;链上智能合约漏洞检测;针对 DeFi 协议的风险预警引擎;用于标记空投中的女巫账户信誉系统。
除了以上先容的几个项目外,zkML 生态中还有如下图中的项目,由于篇幅缘故原由就不再先容了,供读者自行参考。
来源:SevenX Ventures
zkML 的局限性及代替方案
只管在理论上能够吸引人,但 zkML 目前并不太实用。AI 打算本身就属于资源密集型,添加类似 zkML 中利用的加密方法会使它们变得更慢,Modulus Labs 报告称 zkML 可能比常规打算慢 1000 倍。实际上对付大多数用户来说,多等待几分钟在日常体验上都难以接管。
因此,由于这些限定,zkML 现在可能仅适用于非常小的 ML 模型。在这种情形下许多 AI 项目不得不考虑其他的验证方法。目前紧张有两种替代方案:
opML(Optimistic ML)teeML(Trusted Execution Environment ML)下图大略解释了三者之间的差异: