Технология блокчейн и машинное обучение, как две области, привлекшие большое внимание, ведут технологический прогресс благодаря своим децентрализованным характеристикам и возможностям, основанным на данных, соответственно. ZK (Zero-Knowledge, далее ZK) в технологии блокчейн — это понятие в криптографии, которое относится к доказательству или интерактивному процессу, в котором доказывающий может доказать истинность утверждения проверяющему, не раскрывая какой-либо конкретной информации об этом. заявление. ML (Machine Learning, Машинное обучение, далее ML) — это ветвь ИИ. Машинное обучение учится на входных данных, обобщает их для формирования модели и делает прогнозы и решения.
В этом контексте в последнее время процветает ZKML (машинное обучение с нулевым разглашением), объединяющее эти два метода. ZKML сочетает в себе возможности защиты конфиденциальности и проверки доказательства с нулевым разглашением с возможностями обработки данных и принятия решений машинного обучения, открывая новые возможности и возможности для приложений блокчейна. ZKML предоставляет нам решение для одновременной защиты конфиденциальности данных, проверки точности модели и повышения эффективности вычислений.
В этой статье подробно рассказывается о ZKML, разбираются его технические принципы и сценарии применения, исследуется эта захватывающая область с разработчиками и рассказывается, как ZKML может построить цифровое будущее с более полной конфиденциальностью, безопасностью и эффективностью!
ZKML: сочетание доказательства с нулевым разглашением и машинного обучения
Есть две причины, по которым в блокчейне можно сочетать доказательство с нулевым разглашением и машинное обучение:
С одной стороны, технология ZK с нулевым разглашением не только надеется реализовать эффективную проверку транзакций в сети, но и разработчики ZK также надеются, что ZK можно будет использовать в более широкой экологической сфере.Мощная поддержка искусственного интеллекта ML стала полюсом для ZK. Экологическое расширение приложения Хороший помощник.
С другой стороны, весь процесс от разработки до использования моделей ML сталкивается с проблемой доказательства доверия, ZK может помочь ML реализовать доказательство достоверности без утечки данных и информации и решить дилемму доверия ML. Комбинация ZKML означает, что оба берут то, что им нужно, и идут в обоих направлениях, а также придают импульс экологии блокчейна.
Потребности в разработке и возможности ZK и ML дополняют друг друга
Машинному обучению нужно решить множество проблем с доверием, и необходимо доказать точность, целостность и конфиденциальность отдельных рабочих процессов. ZK может эффективно проверять, правильно ли выполняются какие-либо вычисления, при условии обеспечения конфиденциальности, что решает давнюю проблему доказательства доверия в машинном обучении. Целостность модели является важным вопросом проверки доверия в процессе обучения ML, но не менее важна защита конфиденциальности данных и информации, которую модель ML обучает и использует. Это затрудняет обучение ML для прохождения стороннего аудиторского и регулирующего органа для завершения проверки доверия, а децентрализованный ZK с атрибутами с нулевым разглашением — это путь проверки доверия, который хорошо совместим с ML.
«ИИ повышает производительность, блокчейн оптимизирует производственные отношения», машинное обучение придает более высокий импульс инновациям и качество услуг в направлении ZK, ZK обеспечивает проверяемость и защиту конфиденциальности для машинного обучения, а ZKML и ZKML дополняют друг друга в среде блокчейна.
Технические преимущества ZKML
Основные технические преимущества ZKML заключаются в сочетании вычислительной целостности, защиты конфиденциальности и эвристической оптимизации. С точки зрения конфиденциальности преимущества ZKML:
Прозрачная проверка
Доказательство с нулевым разглашением (ZK) позволяет оценить производительность модели, не раскрывая ее внутренних деталей, что обеспечивает прозрачный и ненадежный процесс оценки.
Гарантия конфиденциальности данных
ZK можно использовать для проверки общедоступных данных с использованием общедоступной модели или проверки частных данных с использованием частной модели, тем самым обеспечивая конфиденциальность и конфиденциальность данных.
Сам ZK обеспечивает правильность определенного утверждения в соответствии с предпосылкой обеспечения конфиденциальности с помощью криптографических протоколов, что устраняет дефекты машинного обучения с доказательством правильности вычислений в защите конфиденциальности и машинного обучения гомоморфного шифрования в защите конфиденциальности. Включение ZK в процесс машинного обучения создает безопасную и сохраняющую конфиденциальность платформу, которая устраняет недостатки традиционного машинного обучения. Это не только побуждает компании, обеспечивающие конфиденциальность, внедрять методы машинного обучения, но и побуждает разработчиков Web2 исследовать технологический потенциал Web3.
ZK Empowers ML: обеспечивает инфраструктуру в сети
Оковы вычислительной мощности в цепочке машинного обучения и ZK-SNARK
Причина, по которой ML, который является относительно зрелым вне блокчейна, только что вошел в цепочку, заключается в том, что стоимость вычислительной мощности блокчейна слишком высока. Многие проекты машинного обучения не могут напрямую работать в среде блокчейна, представленной EVM, из-за ограничений вычислительной мощности. В то же время, хотя проверка валидности ZK более эффективна, чем двойной расчет, это преимущество ограничено родной для блокчейна обработкой данных транзакций. Когда и без того сложные криптографические операции и взаимодействия ZK сталкиваются с большим количеством операций ML, обнажается проблема низкой TPS блокчейна, а проблема низкой вычислительной мощности блокчейна становится самой большой оковой, мешающей ML в сети.
Появление ZK-SNARK облегчает проблему высоких требований к вычислительной мощности машинного обучения. ZK-SNARKs — это криптографическая конструкция доказательства с нулевым разглашением, полное название которой — «Краткий неинтерактивный аргумент знания с нулевым разглашением». Это метод, основанный на криптографии на эллиптических кривых и гомоморфном шифровании для эффективных доказательств с нулевым разглашением. ZK-SNARK характеризуется высокой компактностью.Используя ZK-SNARK, доказывающая сторона может сгенерировать короткое и компактное доказательство, а верификатору нужно выполнить лишь небольшой объем вычислений, чтобы проверить достоверность доказательства, не связываясь с проверяющей стороной. доказывают много раз. Этот характер, требующий только одного взаимодействия между доказывающим и проверяющим, делает ZK-SNARK эффективным и практичным в практических приложениях и больше подходит для требований вычислительной мощности ML в цепочке. В настоящее время ZK-SNARK являются основной формой ZK в ZKML.
Требования к сетевой инфраструктуре ML и соответствующие проекты
Расширение возможностей ZK для ML в основном отражается в доказательстве с нулевым разглашением всего процесса ML, которое представляет собой взаимодействие между ML и функциями в цепочке. Две основные проблемы, которые необходимо решить в этом взаимодействии, — это соединить формы данных двух и обеспечить вычислительную мощность для процесса доказательства ZK.
**Аппаратное ускорение ZK: **Доказательство ZK ML более сложное, и для ускорения расчета доказательства требуется аппаратная вычислительная мощность в сети. К таким проектам относятся: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
** Обработка данных ML в цепочке: ** Обработка данных в цепочке в форму данных, которая может входить в обучение ML, и упрощает доступ к выходным данным ML из цепочки. К таким проектам относятся: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
** Схема расчета ML: ** Режим расчета ML отличается от доказательства схемы ZK в цепочке, и он-чейн ML должен преобразовать свой режим расчета в форму схемы, которая может быть обработана блокчейном ZK. К таким проектам относятся: Modulus Labs, Jason Morton, Giza.
Доказательство ZK результата **ML: **проблема подтверждения доверия **ML должна быть решена ZK в цепочке. Приложение, основанное на ZK-SNARK, построенном на Risc Zero или Nil Foundation, может реализовать доказательство подлинности модели. К таким проектам относятся: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML Empowering ZK: Расширение возможностей приложений Web3
ZK решает проблему доказательства доверия ML и предоставляет ML возможность быть в цепочке. Многие области Web3 срочно нуждаются в производительности или поддержке принятия решений AI ML.ZKML позволяет сетевым приложениям реализовать возможности ИИ при условии обеспечения децентрализации и эффективности.
DeFi
ZKML может помочь DeFi быть более автоматизированным, одним из которых является автоматизация обновлений параметров протокола в цепочке, а другим — автоматизация торговых стратегий.
Modulus Labs запустила RockyBot, первого в мире торгового робота с искусственным интеллектом, полностью подключенного к сети.
ДЕЛАЛ
ZKML может помочь в создании DID децентрализованной идентификации Web3. Ранее режимы управления идентификацией, такие как закрытые ключи и мнемоника, ухудшали работу пользователей Web3. Реальное построение DID можно было выполнить с помощью ZKML для идентификации биологической информации субъектов Web3. В то же время ZKML может гарантировать безопасность конфиденциальности биологической информации пользователя. .
Worldcoin внедряет ZKML для проверки DID с нулевым разглашением на основе сканирования радужной оболочки глаза.
игра
ZKML может помочь играм Web3 достичь полнофункциональной сети. ML может привнести дифференцированную автоматизацию в игровое взаимодействие и повысить удовольствие от игры, в то время как ZK может принимать решения по взаимодействию ML в цепочке.
Modulus Labs запускает шахматную игру на основе ZKML @VsLeela;
AI ARENA использует ZKML для реализации высокой интерактивности игр NFT в сети.
Здравоохранение и юридические консультации
Здравоохранение и юридическое консультирование — это области с высоким уровнем конфиденциальности, требующие накопления большого количества дел ZKML может помочь пользователям принимать решения и гарантировать, что конфиденциальность пользователей не будет раскрыта.
Проблемы с ZKML
ZKML в настоящее время активно развивается, но, поскольку он не является родным для блокчейна и требует больших вычислительных мощностей, ZKML в основном столкнется со следующими двумя проблемами в будущем:
Проблема искажения параметров в процессе квантования и загрузки данных ML:
Большинство ML использует числа с плавающей запятой для представления параметров модели, в то время как схемы ZK должны использовать числа с фиксированной точкой. В процессе преобразования цифрового типа точность параметров машинного обучения будет снижаться, что приведет к некоторому искажению выходных результатов машинного обучения.
Высокие требования к вычислительной мощности большой модели ZK подтверждают:
В настоящее время вычислительная мощность блокчейна не может справиться с крупномасштабным и высокопроизводительным ZKML в цепочке.Текущие популярные ZK-SNARK поддерживают только мелкомасштабные и мелкомасштабные доказательства с нулевым разглашением ML. Ограничение вычислительной мощности является ключевым фактором, влияющим на разработку приложений блокчейна ZKML.
Этап генерации ЗК доказательств имеет высокую вычислительную сложность и требует больших вычислительных ресурсов. Из-за высокой корреляции между данными, к которым осуществляется доступ и которые обрабатываются на этапе доказательства ZK, этот процесс сложно распределить, и его нельзя «распараллелить». Распределение этого процесса может привести к дополнительной сложности и даже ухудшить общую производительность. В настоящее время для решения проблемы эффективности вычислений ZK основным направлением исследований является оптимизация алгоритмов и аппаратное ускорение.
Заключение
ZKML — это двустороннее движение между доказательством с нулевым разглашением и машинным обучением.Недавно разработанная технология блокчейна ZK помогает ML решить проблему доказательства доверия и обеспечивает среду для ML; зрелая технология искусственного интеллекта ML помогает ZK реализовать экологичность Web3. расширение и инновации приложений.
Разработка ZKML сталкивается с некоторыми проблемами, такими как проблемы с искажением параметров и высокие требования к вычислительной мощности для больших моделей, но эти проблемы можно решить с помощью технологических инноваций и аппаратного ускорения. С постоянным появлением и развитием проектов ZKML мы можем предвидеть, что они принесут больше инноваций и ценности экосистеме Web3 в таких областях, как DeFi, DID, игры и здравоохранение.
Ожидается, что в будущем ZKML станет ключом к подлинному открытию кросс-интеграции Web3 + AI, обеспечивая мощную поддержку для дальнейшего повышения безопасности, защиты конфиденциальности и эффективных приложений блокчейна. Объединив возможности ZK с нулевым разглашением и возможности обработки данных ML, мы, несомненно, сможем создать более открытый, интеллектуальный и заслуживающий доверия цифровой мир!
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Взгляд на преимущества и проблемы машинного обучения с нулевым разглашением ZKML
Технология блокчейн и машинное обучение, как две области, привлекшие большое внимание, ведут технологический прогресс благодаря своим децентрализованным характеристикам и возможностям, основанным на данных, соответственно. ZK (Zero-Knowledge, далее ZK) в технологии блокчейн — это понятие в криптографии, которое относится к доказательству или интерактивному процессу, в котором доказывающий может доказать истинность утверждения проверяющему, не раскрывая какой-либо конкретной информации об этом. заявление. ML (Machine Learning, Машинное обучение, далее ML) — это ветвь ИИ. Машинное обучение учится на входных данных, обобщает их для формирования модели и делает прогнозы и решения.
В этом контексте в последнее время процветает ZKML (машинное обучение с нулевым разглашением), объединяющее эти два метода. ZKML сочетает в себе возможности защиты конфиденциальности и проверки доказательства с нулевым разглашением с возможностями обработки данных и принятия решений машинного обучения, открывая новые возможности и возможности для приложений блокчейна. ZKML предоставляет нам решение для одновременной защиты конфиденциальности данных, проверки точности модели и повышения эффективности вычислений.
В этой статье подробно рассказывается о ZKML, разбираются его технические принципы и сценарии применения, исследуется эта захватывающая область с разработчиками и рассказывается, как ZKML может построить цифровое будущее с более полной конфиденциальностью, безопасностью и эффективностью!
ZKML: сочетание доказательства с нулевым разглашением и машинного обучения
Есть две причины, по которым в блокчейне можно сочетать доказательство с нулевым разглашением и машинное обучение:
С одной стороны, технология ZK с нулевым разглашением не только надеется реализовать эффективную проверку транзакций в сети, но и разработчики ZK также надеются, что ZK можно будет использовать в более широкой экологической сфере.Мощная поддержка искусственного интеллекта ML стала полюсом для ZK. Экологическое расширение приложения Хороший помощник.
С другой стороны, весь процесс от разработки до использования моделей ML сталкивается с проблемой доказательства доверия, ZK может помочь ML реализовать доказательство достоверности без утечки данных и информации и решить дилемму доверия ML. Комбинация ZKML означает, что оба берут то, что им нужно, и идут в обоих направлениях, а также придают импульс экологии блокчейна.
Потребности в разработке и возможности ZK и ML дополняют друг друга
Машинному обучению нужно решить множество проблем с доверием, и необходимо доказать точность, целостность и конфиденциальность отдельных рабочих процессов. ZK может эффективно проверять, правильно ли выполняются какие-либо вычисления, при условии обеспечения конфиденциальности, что решает давнюю проблему доказательства доверия в машинном обучении. Целостность модели является важным вопросом проверки доверия в процессе обучения ML, но не менее важна защита конфиденциальности данных и информации, которую модель ML обучает и использует. Это затрудняет обучение ML для прохождения стороннего аудиторского и регулирующего органа для завершения проверки доверия, а децентрализованный ZK с атрибутами с нулевым разглашением — это путь проверки доверия, который хорошо совместим с ML.
«ИИ повышает производительность, блокчейн оптимизирует производственные отношения», машинное обучение придает более высокий импульс инновациям и качество услуг в направлении ZK, ZK обеспечивает проверяемость и защиту конфиденциальности для машинного обучения, а ZKML и ZKML дополняют друг друга в среде блокчейна.
Технические преимущества ZKML
Основные технические преимущества ZKML заключаются в сочетании вычислительной целостности, защиты конфиденциальности и эвристической оптимизации. С точки зрения конфиденциальности преимущества ZKML:
Прозрачная проверка
Доказательство с нулевым разглашением (ZK) позволяет оценить производительность модели, не раскрывая ее внутренних деталей, что обеспечивает прозрачный и ненадежный процесс оценки.
Гарантия конфиденциальности данных
ZK можно использовать для проверки общедоступных данных с использованием общедоступной модели или проверки частных данных с использованием частной модели, тем самым обеспечивая конфиденциальность и конфиденциальность данных.
Сам ZK обеспечивает правильность определенного утверждения в соответствии с предпосылкой обеспечения конфиденциальности с помощью криптографических протоколов, что устраняет дефекты машинного обучения с доказательством правильности вычислений в защите конфиденциальности и машинного обучения гомоморфного шифрования в защите конфиденциальности. Включение ZK в процесс машинного обучения создает безопасную и сохраняющую конфиденциальность платформу, которая устраняет недостатки традиционного машинного обучения. Это не только побуждает компании, обеспечивающие конфиденциальность, внедрять методы машинного обучения, но и побуждает разработчиков Web2 исследовать технологический потенциал Web3.
ZK Empowers ML: обеспечивает инфраструктуру в сети
Причина, по которой ML, который является относительно зрелым вне блокчейна, только что вошел в цепочку, заключается в том, что стоимость вычислительной мощности блокчейна слишком высока. Многие проекты машинного обучения не могут напрямую работать в среде блокчейна, представленной EVM, из-за ограничений вычислительной мощности. В то же время, хотя проверка валидности ZK более эффективна, чем двойной расчет, это преимущество ограничено родной для блокчейна обработкой данных транзакций. Когда и без того сложные криптографические операции и взаимодействия ZK сталкиваются с большим количеством операций ML, обнажается проблема низкой TPS блокчейна, а проблема низкой вычислительной мощности блокчейна становится самой большой оковой, мешающей ML в сети.
Появление ZK-SNARK облегчает проблему высоких требований к вычислительной мощности машинного обучения. ZK-SNARKs — это криптографическая конструкция доказательства с нулевым разглашением, полное название которой — «Краткий неинтерактивный аргумент знания с нулевым разглашением». Это метод, основанный на криптографии на эллиптических кривых и гомоморфном шифровании для эффективных доказательств с нулевым разглашением. ZK-SNARK характеризуется высокой компактностью.Используя ZK-SNARK, доказывающая сторона может сгенерировать короткое и компактное доказательство, а верификатору нужно выполнить лишь небольшой объем вычислений, чтобы проверить достоверность доказательства, не связываясь с проверяющей стороной. доказывают много раз. Этот характер, требующий только одного взаимодействия между доказывающим и проверяющим, делает ZK-SNARK эффективным и практичным в практических приложениях и больше подходит для требований вычислительной мощности ML в цепочке. В настоящее время ZK-SNARK являются основной формой ZK в ZKML.
Расширение возможностей ZK для ML в основном отражается в доказательстве с нулевым разглашением всего процесса ML, которое представляет собой взаимодействие между ML и функциями в цепочке. Две основные проблемы, которые необходимо решить в этом взаимодействии, — это соединить формы данных двух и обеспечить вычислительную мощность для процесса доказательства ZK.
ML Empowering ZK: Расширение возможностей приложений Web3
ZK решает проблему доказательства доверия ML и предоставляет ML возможность быть в цепочке. Многие области Web3 срочно нуждаются в производительности или поддержке принятия решений AI ML.ZKML позволяет сетевым приложениям реализовать возможности ИИ при условии обеспечения децентрализации и эффективности.
DeFi
ZKML может помочь DeFi быть более автоматизированным, одним из которых является автоматизация обновлений параметров протокола в цепочке, а другим — автоматизация торговых стратегий.
ДЕЛАЛ
ZKML может помочь в создании DID децентрализованной идентификации Web3. Ранее режимы управления идентификацией, такие как закрытые ключи и мнемоника, ухудшали работу пользователей Web3. Реальное построение DID можно было выполнить с помощью ZKML для идентификации биологической информации субъектов Web3. В то же время ZKML может гарантировать безопасность конфиденциальности биологической информации пользователя. .
игра
ZKML может помочь играм Web3 достичь полнофункциональной сети. ML может привнести дифференцированную автоматизацию в игровое взаимодействие и повысить удовольствие от игры, в то время как ZK может принимать решения по взаимодействию ML в цепочке.
Здравоохранение и юридические консультации
Здравоохранение и юридическое консультирование — это области с высоким уровнем конфиденциальности, требующие накопления большого количества дел ZKML может помочь пользователям принимать решения и гарантировать, что конфиденциальность пользователей не будет раскрыта.
Проблемы с ZKML
ZKML в настоящее время активно развивается, но, поскольку он не является родным для блокчейна и требует больших вычислительных мощностей, ZKML в основном столкнется со следующими двумя проблемами в будущем:
Заключение
ZKML — это двустороннее движение между доказательством с нулевым разглашением и машинным обучением.Недавно разработанная технология блокчейна ZK помогает ML решить проблему доказательства доверия и обеспечивает среду для ML; зрелая технология искусственного интеллекта ML помогает ZK реализовать экологичность Web3. расширение и инновации приложений.
Разработка ZKML сталкивается с некоторыми проблемами, такими как проблемы с искажением параметров и высокие требования к вычислительной мощности для больших моделей, но эти проблемы можно решить с помощью технологических инноваций и аппаратного ускорения. С постоянным появлением и развитием проектов ZKML мы можем предвидеть, что они принесут больше инноваций и ценности экосистеме Web3 в таких областях, как DeFi, DID, игры и здравоохранение.
Ожидается, что в будущем ZKML станет ключом к подлинному открытию кросс-интеграции Web3 + AI, обеспечивая мощную поддержку для дальнейшего повышения безопасности, защиты конфиденциальности и эффективных приложений блокчейна. Объединив возможности ZK с нулевым разглашением и возможности обработки данных ML, мы, несомненно, сможем создать более открытый, интеллектуальный и заслуживающий доверия цифровой мир!