مع تعمق الذكاء الاصطناعي (AI) في مجالات حيوية مثل الرعاية الصحية، والمال، والقيادة الذاتية، أصبح ضمان موثوقية وشفافية وأمان عملية استنتاج التعلم الآلي (ML) أكثر أهمية من أي وقت مضى.
ومع ذلك، غالباً ما تعمل خدمات التعلم الآلي التقليدية ك"صندوق أسود"، حيث لا يمكن للمستخدمين رؤية سوى النتائج، مما يجعل من الصعب التحقق من العملية. هذه الغموض يجعل خدمات النماذج عرضة للمخاطر:
تم سرقة النموذج،
تم التلاعب بنتائج الاستنتاج بشكل ضار،
تواجه بيانات المستخدمين مخاطر تسرب الخصوصية.
يوفر ZKML (تعلم الآلة القائم على المعرفة الصفرية) حلًا تشفيرًا جديدًا لهذا التحدي. يعتمد على تقنية إثبات المعرفة الصفرية (ZKPs) ، مما يمنح نماذج تعلم الآلة القدرة على التحقق المشفر: إثبات أن عملية حسابية قد تم تنفيذها بشكل صحيح دون الكشف عن المعلومات الحساسة.
بعبارة أخرى، تتيح ZKPs لمقدمي الخدمة إثبات للمستخدمين:
"النتيجة التي حصلت عليها من الاستنتاج هي بالفعل ما حصلت عليه من النموذج المدرب الذي استخدمته - لكنني لن أفصح عن أي معلمات للنموذج."
هذا يعني أن المستخدمين يمكنهم الوثوق في صحة نتائج الاستدلال، بينما تظل بنية النموذج ومعاييره (التي غالباً ما تكون أصولاً ذات قيمة عالية) سرية دائمًا.
zkPyTorch
يسر شبكة Polyhedra أن تعلن عن إطلاق zkPyTorch ، وهو مترجم ثوري للتعلم الآلي بدون معرفة (ZKML) مصمم لسد الميل الأخير بين أطر الذكاء الاصطناعي السائدة وتقنيات ZK.
يدمج zkPyTorch بعمق قدرات التعلم الآلي القوية ل PyTorch مع محرك متطور مقاوم لعدم المعرفة ، مما يسمح لمطوري الذكاء الاصطناعي بإنشاء تطبيقات الذكاء الاصطناعي التي يمكن التحقق منها في بيئة مألوفة دون تغيير عادات البرمجة أو تعلم لغة ZK جديدة.
يمكن لهذا المترجم ترجمة عمليات النموذج عالية المستوى تلقائيا (مثل الالتواء ، وضرب المصفوفة ، و ReLU ، و softmax ، وآليات الانتباه) إلى دوائر ZKP التي يمكن التحقق منها مشفرا ، والاندماج مع مجموعة تحسين ZKML المطورة ذاتيا من Polyhdra لضغط وتسريع مسارات الاستدلال السائدة بذكاء لضمان صحة الدائرة والكفاءة الحسابية.
البنية التحتية الأساسية الرئيسية لبناء نظام بيئي موثوق للذكاء الاصطناعي
يواجه النظام البيئي للتعلم الآلي اليوم تحديات متعددة مثل أمن البيانات وقابلية التحقق الحسابي وشفافية النموذج. خاصة في الصناعات الرئيسية مثل الرعاية الصحية والتمويل والقيادة الذاتية ، لا تتضمن نماذج الذكاء الاصطناعي كمية كبيرة من المعلومات الشخصية الحساسة فحسب ، بل تحمل أيضا ملكية فكرية عالية القيمة وأسرار تجارية أساسية.
ظهر التعلم الآلي للمعرفة الصفرية (ZKML) ، والذي أصبح طفرة مهمة لحل هذه المعضلة. من خلال تقنية إثبات المعرفة الصفرية (ZKP) ، يمكن ل ZKML إكمال التحقق من سلامة استدلال النموذج دون الكشف عن معلمات النموذج أو بيانات الإدخال - كل من الخصوصية والجدارة بالثقة.
لكن في الواقع، فإن تطوير ZKML غالبًا ما يتطلب مستوى عالٍ من الكفاءة، ويحتاج إلى خلفية قوية في علم التشفير، وهو ما لا يستطيع مهندسو الذكاء الاصطناعي التقليديون التعامل معه بسهولة.
هذه هي المهمة الرئيسية لـ zkPyTorch. إنها تبني جسرًا بين PyTorch ومحرك ZKP، مما يسمح للمطورين ببناء أنظمة ذكاء اصطناعي تتمتع بحماية الخصوصية وقابلية التحقق باستخدام كود معروف، دون الحاجة إلى إعادة تعلم لغة التشفير المعقدة.
من خلال zkPyTorch، تعمل شبكة Polyhedra على تقليل الحواجز التكنولوجية لـ ZKML بشكل كبير، مما يعزز التطبيقات الذكية القابلة للتوسع والموثوقة نحو التيار الرئيسي، وإعادة بناء نموذج جديد لأمان الذكاء الاصطناعي وخصوصيته.
سير العمل zkPyTorch
الشكل 1: نظرة عامة على الهيكل العام لـ ZKPyTorch
كما هو موضح في الشكل 1 ، يقوم zkPyTorch تلقائيا بتحويل نموذج PyTorch القياسي إلى دائرة متوافقة مع ZKP من خلال ثلاث وحدات مصممة جيدا. تشمل هذه الوحدات الثلاث: وحدة المعالجة المسبقة ، ووحدة التكميم الصديقة للمعرفة الصفرية ، ووحدة تحسين الدائرة.
لا تتطلب هذه العملية من المطور إتقان أي دوائر تشفير أو بناء جملة متخصص: يحتاج المطور فقط إلى كتابة النموذج في PyTorch القياسي ، ويمكن ل zkPyTorch تحويله إلى دائرة يمكن التعرف عليها بواسطة محرك إثبات المعرفة الصفرية مثل Expander لإنشاء إثبات ZK المقابل. يقلل هذا التصميم المعياري للغاية بشكل كبير من حاجز الدخول لتطوير ZKML ، مما يسهل على مطوري الذكاء الاصطناعي إنشاء تطبيقات تعلم آلي فعالة وآمنة ويمكن التحقق منها دون الحاجة إلى تبديل اللغات أو تعلم التشفير.
الوحدة الأولى: معالجة النموذج
في المرحلة الأولى ، يقوم zkPyTorch بتحويل نموذج PyTorch إلى رسم بياني حسابي منظم باستخدام تنسيق تبادل الشبكة العصبية المفتوحة (ONNX). ONNX هو معيار التمثيل الوسيط الأكثر اعتمادا في الصناعة لتمثيل موحد لعمليات التعلم الآلي المعقدة. من خلال خطوة المعالجة المسبقة هذه ، يمكن ل zkPyTorch توضيح هيكل النموذج ، وتفكيك عملية الحوسبة الأساسية ، ووضع أساس متين للجيل اللاحق من دوائر إثبات المعرفة الصفرية.
الوحدة 2: القياس الكمي الصديق ل ZKP
وحدة التكميم هي جزء أساسي من نظام ZKML. تعتمد نماذج التعلم الآلي التقليدية على عمليات الفاصلة العائمة ، في حين أن بيئة ZKP أكثر ملاءمة لعمليات الأعداد الصحيحة في الحقول المحدودة. يستخدم zkPyTorch مخطط تكميم عدد صحيح محسن للحقول المحدودة لتعيين حسابات الفاصلة العائمة بدقة إلى حسابات الأعداد الصحيحة ، وفي نفس الوقت تحويل العمليات غير الخطية التي لا تفضي إلى ZKP (مثل ReLU و Softmax) إلى جداول بحث فعالة.
استراتيجيات هذه لا تقلل فقط بشكل كبير من تعقيد الدوائر، بل تعزز أيضًا قابلية التحقق وكفاءة التشغيل للنظام بأكمله مع ضمان دقة النموذج.
الوحدة الثالثة: تحسين الدوائر الطبقية
تتبع zkPyTorch استراتيجية متعددة المستويات في تحسين الدوائر، وتتضمن ما يلي:
تحسين الدفعات
صُممت خصيصًا للحسابات المسلسلة، من خلال معالجة متعددة لخطوات الاستدلال دفعة واحدة، مما يقلل بشكل كبير من تعقيد الحساب واستهلاك الموارد، وهي مناسبة بشكل خاص لمشاهد التحقق من نماذج اللغة الكبيرة مثل Transformer.
تسريع العمليات الأصلية
من خلال الجمع بين تحويل فورييه السريع (FFT) وتقنية جدول البحث، يتم تحسين سرعة تنفيذ الدوائر للعمليات الأساسية مثل الالتفاف وSoftmax بشكل فعال، مما يعزز بشكل جذري من كفاءة الحساب الكلية.
تنفيذ الدوائر المتوازية
امنح المجال كاملا لمزايا قوة الحوسبة لوحدات المعالجة المركزية ووحدات معالجة الرسومات متعددة النواة ، وقم بتقسيم حسابات الحمل الثقيل مثل ضرب المصفوفة إلى مهام فرعية متعددة ليتم تنفيذها بالتوازي ، مما يحسن بشكل كبير من سرعة وقابلية التوسع لتوليد دليل المعرفة الصفرية.
مناقشة تقنية متعمقة
رسم بياني موجه غير دائري (DAG)
يستخدم zkPyTorch رسما بيانيا غير دوري موجه (DAG) لإدارة التدفق الحسابي للتعلم الآلي. يلتقط هيكل DAG بشكل منهجي تبعيات النموذج المعقدة ، كما هو موضح في الشكل 2 ، حيث تمثل كل عقدة عملية محددة (مثل تبديل المصفوفة ، وضرب المصفوفة ، والقسمة ، و softmax) ، وتصور الحواف بالضبط أين تتدفق البيانات بين هذه العمليات.
لا يسهل هذا التمثيل الواضح والمنظم عملية التكليف إلى حد كبير فحسب ، بل يسهل أيضا زيادة تحسين الأداء. تتجنب الطبيعة الخالية من الحلقات لمجموعات DAG التبعيات الدورية وتضمن التنفيذ الفعال والقابل للتحكم للتسلسلات الحسابية ، وهو أمر بالغ الأهمية لتحسين توليد دوائر إثبات المعرفة الصفرية.
بالإضافة إلى ذلك ، تمكن DAG zkPyTorch من التعامل بكفاءة مع بنى النماذج المعقدة مثل المحولات والشبكة المتبقية (ResNet) ، والتي غالبا ما تحتوي على تدفقات بيانات معقدة مع مسارات متعددة وغير خطية ، وقد تم تصميم DAG لتلبية احتياجاتها الحسابية لضمان دقة وكفاءة استدلال النموذج.
الشكل 2: مثال على نموذج تعلم الآلة يتم تمثيله بشكل رسم بياني موجه بلا دورات (DAG)
تقنيات الكوانت المتقدمة
في zkPyTorch ، تعتبر تقنيات الكمية المتقدمة خطوة رئيسية لتحويل الحسابات العائمة إلى عمليات حسابية صحيحة مناسبة لنظام إثبات المعرفة الصفرية (ZKP) والتي تشمل حسابات المجال المحدود بشكل فعال. تعتمد zkPyTorch على طريقة الكمية الثابتة ، مصممة بعناية لتحقيق التوازن بين كفاءة الحساب ودقة النموذج ، مما يضمن سرعة ودقة في توليد الإثبات.
تتضمن عملية التكميم هذه معايرة صارمة لتحديد مقياس التكميم الأمثل بدقة لتمثيل أرقام الفاصلة العائمة بشكل فعال وتجنب التداعيات وفقدان الدقة الكبير. استجابة لتحديات الحوسبة غير الخطية الفريدة من نوعها في ZKP ، مثل Softmax وتطبيع الطبقة ، تقوم zkPyTorch بتحويل هذه الوظائف المعقدة بشكل مبتكر إلى عمليات بحث فعالة عن الجدول.
لا تعزز هذه الاستراتيجية كفاءة توليد الإثبات فحسب، بل تضمن أيضًا أن تتوافق نتائج الإثبات الناتجة تمامًا مع مخرجات نموذج القياس الدقيق العالي، مما يوازن بين الأداء والموثوقية، ويدفع عملية تطبيق التعلم الآلي القابل للتحقق.
استراتيجيات تحسين الدوائر المتعددة
تستخدم zkPyTorch نظام تحسين دارات متعدد المستويات عالي الدقة، مع التركيز على عدة أبعاد، لضمان الأداء الأقصى للاستدلال بدون معرفة من حيث الكفاءة وقابلية التوسع:
تحسين المعالجة الدفعة (Batch Processing Optimization)
من خلال تعبئة مهام الاستدلال المتعددة في معالجة الدفعات ، يتم تقليل التعقيد الحسابي الكلي بشكل كبير ، خاصة بالنسبة لسيناريوهات التشغيل المتسلسلة في نماذج اللغة مثل المحولات. كما هو موضح في الشكل 3 ، تعمل عملية الاستدلال التقليدية لنموذج اللغة الكبيرة (LLM) على أساس رمز مميز على حدة ، بينما يجمع نهج zkPyTorch المبتكر جميع رموز الإدخال والإخراج المميزة في عملية موجه واحدة للتحقق من الصحة. تؤكد هذه العملية أن الاستدلال الكلي ل LLM صحيح دفعة واحدة ، مع التأكد من أن كل رمز مميز للإخراج متوافق مع استدلال LLM القياسي.
في استدلال LLM ، فإن صحة آلية ذاكرة التخزين المؤقت KV هي المفتاح لضمان مصداقية مخرجات الاستدلال. إذا كان منطق الاستدلال الخاص بالنموذج غير صحيح ، حتى إذا تم استخدام ذاكرة التخزين المؤقت ، فلن يكون من الممكن استعادة النتائج المتوافقة مع عملية فك التشفير القياسية. يضمن zkPyTorch اليقين والاكتمال اللذين يمكن التحقق منه لكل مخرجات في دليل على المعرفة الصفرية من خلال إعادة إنتاج هذه العملية بدقة.
الشكل 3: التحقق من الدفعة المحسوبة بواسطة نماذج اللغة الكبيرة (LLMs)، حيث L تمثل طول تسلسل الإدخال، وN تمثل طول تسلسل الإخراج، وH تمثل أبعاد الطبقة المخفية للنموذج.
تحسين العمليات الأساسية (Optimized Primitive Operations)
يعمل zkPyTorch بعمق على تحسين أساسيات التعلم الآلي الأساسية ، مما يحسن بشكل كبير من كفاءة الدائرة. على سبيل المثال ، كانت عمليات الالتفاف دائما مكثفة من الناحية الحسابية ، ويستخدم zkPyTorch طريقة تحسين تعتمد على تحويل فورييه السريع (FFT) لتحويل الالتواءات التي تم إجراؤها في الأصل في المجال المكاني إلى عمليات ضرب في مجال التردد ، مما يقلل بشكل كبير من التكلفة الحسابية. في الوقت نفسه ، بالنسبة للوظائف غير الخطية مثل ReLU و softmax ، يعتمد النظام طريقة جدول البحث المحسوبة مسبقا ، والتي تتجنب الحساب غير الخطي غير الودي ل ZKP وتحسن بشكل كبير من كفاءة تشغيل دائرة الاستدلال.
تنفيذ الدائرة المتوازية (Parallel Circuit Execution)
يقوم zkPyTorch تلقائيا بتجميع عمليات التعلم الآلي المعقدة في دوائر متوازية ، مما يطلق العنان لإمكانات الأجهزة الكاملة لوحدات المعالجة المركزية / وحدات معالجة الرسومات متعددة النواة لتوليد إثبات متوازي على نطاق واسع. على سبيل المثال ، عند إجراء مضاعفة الموتر ، سيقوم zkPyTorch تلقائيا بتقسيم مهمة الحساب إلى مهام فرعية مستقلة متعددة ، والتي سيتم توزيعها على وحدات معالجة متعددة بالتوازي. لا تعمل استراتيجية التوازي هذه على تحسين إنتاجية تنفيذ الدوائر بشكل كبير فحسب ، بل تتيح أيضا التحقق الفعال من النماذج الكبيرة ، مما يفتح بعدا جديدا ل ZKML القابلة للتطوير.
اختبار شامل للأداء:突破 مزدوج في الأداء والدقة
تظهر zkPyTorch من خلال اختبارات معيارية صارمة أداءً رائعًا وقابلية استخدام فعلية في العديد من نماذج التعلم الآلي الرائجة:
اختبار نموذج VGG-16
على مجموعة بيانات CIFAR-10، يحتاج zkPyTorch فقط إلى 6.3 ثانية لإكمال توليد إثبات VGG-16 لصورة واحدة، ومع ذلك، فإن الدقة مقارنة بالحسابات التقليدية ذات الفاصلة العائمة تكاد تكون دون اختلاف. وهذا يدل على أن zkML قد اكتسب القدرة على العمل في مهام كلاسيكية مثل التعرف على الصور.
اختبار نموذج Llama-3
بالنسبة لنموذج اللغة الكبيرة Llama-3 بمقياس يصل إلى 8 مليارات معلمة ، يحقق zkPyTorch توليد إثبات فعال يبلغ حوالي 150 ثانية لكل رمز مميز. الأمر الأكثر إثارة للإعجاب هو أن الإخراج يحافظ على تشابه جيب التمام بنسبة 99.32٪ مقارنة بالنموذج الأصلي ، مما يضمن ثقة عالية مع مراعاة الاتساق الدلالي لمخرجات النموذج.
! [zkPyTorch: بناء مستقبل الذكاء الاصطناعي الموثوق بها ببراهين المعرفة الصفرية](https://img.gateio.im/social/moments-8b11bc2409c63173947221f6b3bdd46a019283746574839201
![zkPyTorch: بناء مستقبل موثوق للذكاء الاصطناعي باستخدام إثباتات المعرفة الصفرية])https://img.gateio.im/social/moments-d27d3380c85688e4da4d58ca93d09938(
الجدول 1: أداء أنواع مختلفة من حلول ZKP في الشبكات العصبية التلافيفية وشبكات المحول
تطبيقات واسعة النطاق موجهة نحو العالم الحقيقي
) MLaaS التي يمكن التحقق منها
مع استمرار ارتفاع قيمة نماذج التعلم الآلي، يختار المزيد والمزيد من مطوري الذكاء الاصطناعي نشر نماذجهم الخاصة على السحابة وتقديم خدمات التعلم الآلي كخدمة (MLaaS). ومع ذلك ، في الواقع ، غالبا ما يكون من الصعب على المستخدمين التحقق مما إذا كانت نتائج الاستدلال صحيحة وذات مصداقية. يرغب موفرو النماذج أيضا في حماية الأصول الأساسية، مثل هياكل النماذج والمعلمات، من السرقة أو إساءة الاستخدام.
zkPyTorch تم إنشاؤه لحل هذه التناقضات: إنه يمنح خدمات الذكاء الاصطناعي السحابية القدرة الأصلية على "التحقق من المعرفة الصفرية"، مما يحقق إمكانية التحقق من مستوى تشفير نتائج الاستدلال.
كما هو موضح في الشكل 4 ، يمكن للمطورين توصيل النماذج الكبيرة مباشرة مثل Llama-3 ب zkPyTorch لبناء نظام MLaaS موثوق به مع إمكانات إثبات عدم المعرفة. من خلال التكامل بسلاسة مع محرك ZKP الأساسي ، يمكن ل zkPyTorch إنشاء البراهين تلقائيا دون الكشف عن تفاصيل النموذج ، والتحقق مما إذا كان كل استنتاج قد تم تنفيذه بشكل صحيح ، وبالتالي إنشاء أساس ثقة تفاعلي موثوق به حقا لموفري النماذج والمستهلكين.
![zkPyTorch: بناء مستقبل موثوق للذكاء الاصطناعي باستخدام الإثباتات المعرفية]###https://img.gateio.im/social/moments-0537bff6a9c5c574690a9ee5210d1dd8(
الشكل 4: تطبيق zkPyTorch في سيناريوهات التعلم الآلي القابل للتحقق كخدمة (Verifiable MLaaS).
) حماية أمان تقييم النموذج
يوفر zkPyTorch آلية تقييم آمنة وقابلة للتحقق لنماذج الذكاء الاصطناعي، مما يسمح للأطراف المعنية بتقييم مؤشرات الأداء الرئيسية بدقة دون كشف تفاصيل النموذج. هذه الطريقة في التقييم "بدون تسرب" تضع معياراً جديداً للثقة في نماذج الذكاء الاصطناعي، حيث تعزز كفاءة المعاملات التجارية وتحافظ على سلامة حقوق الملكية الفكرية للمطورين. إنها لا تعزز فقط رؤية قيمة النموذج، بل تجلب أيضاً المزيد من الشفافية والعدالة لصناعة الذكاء الاصطناعي بأكملها.
مع التكامل العميق مع سلسلة الكتل EXPchain
تم دمج zkPyTorch بشكل أصلي مع شبكة Polyhedra، وهي شبكة blockchain تم تطويرها ذاتيًا تُعرف بـ EXPchain، لبناء بنية تحتية موثوقة للذكاء الاصطناعي اللامركزي. يوفر هذا الدمج مسارًا مُحسنًا للغاية لاستدعاءات العقود الذكية والتحقق على السلسلة، مما يسمح بالتحقق المشفر من نتائج استنتاج الذكاء الاصطناعي وتوثيقها بشكل دائم على blockchain.
بفضل التعاون بين zkPyTorch و EXPchain، يمكن للمطورين بناء تطبيقات الذكاء الاصطناعي القابلة للتحقق من النهاية إلى النهاية، بدءًا من نشر النموذج، وحساب الاستدلال، إلى التحقق على السلسلة، مما يحقق حقًا عملية حسابية للذكاء الاصطناعي شفافة وموثوقة وقابلة للتدقيق، ويوفر الدعم الأساسي لتطبيقات الجيل التالي من blockchain + AI.
خارطة الطريق المستقبلية والابتكار المستمر
ستستمر Polyhedra في دفع تطور zkPyTorch مع التركيز على الاتجاهات التالية:
المصدر المفتوح وبناء المجتمع
فتح المصدر تدريجياً لمكونات zkPyTorch الأساسية، وتحفيز المطورين حول العالم على المشاركة، وتعزيز الابتكار التعاوني والازدهار البيئي في مجال التعلم الآلي القائم على المعرفة الصفرية.
توسيع توافق النماذج والأطر
توسيع نطاق الدعم لنماذج وأطر التعلم الآلي السائدة، وزيادة قدرة zkPyTorch على التكيف والعمومية، مما يسمح بإدماجه بمرونة في أنواع مختلفة من سير العمل للذكاء الاصطناعي.
أدوات التطوير وSDK البناء
إطلاق سلسلة أدوات تطوير شاملة و حزمة أدوات تطوير البرمجيات (SDK) ، تبسيط عملية الدمج ، تسريع نشر واستخدام zkPyTorch في سيناريوهات الأعمال الفعلية.
الخاتمة
zkPyTorch هو علامة فارقة مهمة نحو مستقبل موثوق للذكاء الاصطناعي. من خلال دمج إطار عمل PyTorch الناضج مع تقنية الإثبات الصفري المتطورة، لا تعزز zkPyTorch فقط أمان وقابلية التحقق من التعلم الآلي بشكل كبير، بل تعيد أيضًا تشكيل طريقة نشر تطبيقات الذكاء الاصطناعي وحدود الثقة.
ستواصل Polyhedra الابتكار في مجال "الذكاء الاصطناعي الآمن"، مما يدفع التعلم الآلي نحو معايير أعلى في حماية الخصوصية، والتحقق من النتائج، وامتثال النماذج، مما يساعد على بناء أنظمة ذكية شفافة وموثوقة وقابلة للتوسع.
يرجى متابعة آخر التطورات التي ن发布ها باستمرار، وشهد كيف يعيد zkPyTorch تشكيل مستقبل عصر الذكاء الآمن.
رابط النص الأصلي
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
zkPyTorch: بناء مستقبل موثوق للذكاء الاصطناعي باستخدام zk-SNARKs
المؤلف الأصلي: جياهنغ تشانغ
مع تعمق الذكاء الاصطناعي (AI) في مجالات حيوية مثل الرعاية الصحية، والمال، والقيادة الذاتية، أصبح ضمان موثوقية وشفافية وأمان عملية استنتاج التعلم الآلي (ML) أكثر أهمية من أي وقت مضى.
ومع ذلك، غالباً ما تعمل خدمات التعلم الآلي التقليدية ك"صندوق أسود"، حيث لا يمكن للمستخدمين رؤية سوى النتائج، مما يجعل من الصعب التحقق من العملية. هذه الغموض يجعل خدمات النماذج عرضة للمخاطر:
يوفر ZKML (تعلم الآلة القائم على المعرفة الصفرية) حلًا تشفيرًا جديدًا لهذا التحدي. يعتمد على تقنية إثبات المعرفة الصفرية (ZKPs) ، مما يمنح نماذج تعلم الآلة القدرة على التحقق المشفر: إثبات أن عملية حسابية قد تم تنفيذها بشكل صحيح دون الكشف عن المعلومات الحساسة.
بعبارة أخرى، تتيح ZKPs لمقدمي الخدمة إثبات للمستخدمين:
"النتيجة التي حصلت عليها من الاستنتاج هي بالفعل ما حصلت عليه من النموذج المدرب الذي استخدمته - لكنني لن أفصح عن أي معلمات للنموذج."
هذا يعني أن المستخدمين يمكنهم الوثوق في صحة نتائج الاستدلال، بينما تظل بنية النموذج ومعاييره (التي غالباً ما تكون أصولاً ذات قيمة عالية) سرية دائمًا.
zkPyTorch
يسر شبكة Polyhedra أن تعلن عن إطلاق zkPyTorch ، وهو مترجم ثوري للتعلم الآلي بدون معرفة (ZKML) مصمم لسد الميل الأخير بين أطر الذكاء الاصطناعي السائدة وتقنيات ZK.
يدمج zkPyTorch بعمق قدرات التعلم الآلي القوية ل PyTorch مع محرك متطور مقاوم لعدم المعرفة ، مما يسمح لمطوري الذكاء الاصطناعي بإنشاء تطبيقات الذكاء الاصطناعي التي يمكن التحقق منها في بيئة مألوفة دون تغيير عادات البرمجة أو تعلم لغة ZK جديدة.
يمكن لهذا المترجم ترجمة عمليات النموذج عالية المستوى تلقائيا (مثل الالتواء ، وضرب المصفوفة ، و ReLU ، و softmax ، وآليات الانتباه) إلى دوائر ZKP التي يمكن التحقق منها مشفرا ، والاندماج مع مجموعة تحسين ZKML المطورة ذاتيا من Polyhdra لضغط وتسريع مسارات الاستدلال السائدة بذكاء لضمان صحة الدائرة والكفاءة الحسابية.
البنية التحتية الأساسية الرئيسية لبناء نظام بيئي موثوق للذكاء الاصطناعي
يواجه النظام البيئي للتعلم الآلي اليوم تحديات متعددة مثل أمن البيانات وقابلية التحقق الحسابي وشفافية النموذج. خاصة في الصناعات الرئيسية مثل الرعاية الصحية والتمويل والقيادة الذاتية ، لا تتضمن نماذج الذكاء الاصطناعي كمية كبيرة من المعلومات الشخصية الحساسة فحسب ، بل تحمل أيضا ملكية فكرية عالية القيمة وأسرار تجارية أساسية.
ظهر التعلم الآلي للمعرفة الصفرية (ZKML) ، والذي أصبح طفرة مهمة لحل هذه المعضلة. من خلال تقنية إثبات المعرفة الصفرية (ZKP) ، يمكن ل ZKML إكمال التحقق من سلامة استدلال النموذج دون الكشف عن معلمات النموذج أو بيانات الإدخال - كل من الخصوصية والجدارة بالثقة.
لكن في الواقع، فإن تطوير ZKML غالبًا ما يتطلب مستوى عالٍ من الكفاءة، ويحتاج إلى خلفية قوية في علم التشفير، وهو ما لا يستطيع مهندسو الذكاء الاصطناعي التقليديون التعامل معه بسهولة.
هذه هي المهمة الرئيسية لـ zkPyTorch. إنها تبني جسرًا بين PyTorch ومحرك ZKP، مما يسمح للمطورين ببناء أنظمة ذكاء اصطناعي تتمتع بحماية الخصوصية وقابلية التحقق باستخدام كود معروف، دون الحاجة إلى إعادة تعلم لغة التشفير المعقدة.
من خلال zkPyTorch، تعمل شبكة Polyhedra على تقليل الحواجز التكنولوجية لـ ZKML بشكل كبير، مما يعزز التطبيقات الذكية القابلة للتوسع والموثوقة نحو التيار الرئيسي، وإعادة بناء نموذج جديد لأمان الذكاء الاصطناعي وخصوصيته.
سير العمل zkPyTorch
الشكل 1: نظرة عامة على الهيكل العام لـ ZKPyTorch
كما هو موضح في الشكل 1 ، يقوم zkPyTorch تلقائيا بتحويل نموذج PyTorch القياسي إلى دائرة متوافقة مع ZKP من خلال ثلاث وحدات مصممة جيدا. تشمل هذه الوحدات الثلاث: وحدة المعالجة المسبقة ، ووحدة التكميم الصديقة للمعرفة الصفرية ، ووحدة تحسين الدائرة.
لا تتطلب هذه العملية من المطور إتقان أي دوائر تشفير أو بناء جملة متخصص: يحتاج المطور فقط إلى كتابة النموذج في PyTorch القياسي ، ويمكن ل zkPyTorch تحويله إلى دائرة يمكن التعرف عليها بواسطة محرك إثبات المعرفة الصفرية مثل Expander لإنشاء إثبات ZK المقابل. يقلل هذا التصميم المعياري للغاية بشكل كبير من حاجز الدخول لتطوير ZKML ، مما يسهل على مطوري الذكاء الاصطناعي إنشاء تطبيقات تعلم آلي فعالة وآمنة ويمكن التحقق منها دون الحاجة إلى تبديل اللغات أو تعلم التشفير.
الوحدة الأولى: معالجة النموذج
في المرحلة الأولى ، يقوم zkPyTorch بتحويل نموذج PyTorch إلى رسم بياني حسابي منظم باستخدام تنسيق تبادل الشبكة العصبية المفتوحة (ONNX). ONNX هو معيار التمثيل الوسيط الأكثر اعتمادا في الصناعة لتمثيل موحد لعمليات التعلم الآلي المعقدة. من خلال خطوة المعالجة المسبقة هذه ، يمكن ل zkPyTorch توضيح هيكل النموذج ، وتفكيك عملية الحوسبة الأساسية ، ووضع أساس متين للجيل اللاحق من دوائر إثبات المعرفة الصفرية.
الوحدة 2: القياس الكمي الصديق ل ZKP
وحدة التكميم هي جزء أساسي من نظام ZKML. تعتمد نماذج التعلم الآلي التقليدية على عمليات الفاصلة العائمة ، في حين أن بيئة ZKP أكثر ملاءمة لعمليات الأعداد الصحيحة في الحقول المحدودة. يستخدم zkPyTorch مخطط تكميم عدد صحيح محسن للحقول المحدودة لتعيين حسابات الفاصلة العائمة بدقة إلى حسابات الأعداد الصحيحة ، وفي نفس الوقت تحويل العمليات غير الخطية التي لا تفضي إلى ZKP (مثل ReLU و Softmax) إلى جداول بحث فعالة.
استراتيجيات هذه لا تقلل فقط بشكل كبير من تعقيد الدوائر، بل تعزز أيضًا قابلية التحقق وكفاءة التشغيل للنظام بأكمله مع ضمان دقة النموذج.
الوحدة الثالثة: تحسين الدوائر الطبقية
تتبع zkPyTorch استراتيجية متعددة المستويات في تحسين الدوائر، وتتضمن ما يلي:
مناقشة تقنية متعمقة
رسم بياني موجه غير دائري (DAG)
يستخدم zkPyTorch رسما بيانيا غير دوري موجه (DAG) لإدارة التدفق الحسابي للتعلم الآلي. يلتقط هيكل DAG بشكل منهجي تبعيات النموذج المعقدة ، كما هو موضح في الشكل 2 ، حيث تمثل كل عقدة عملية محددة (مثل تبديل المصفوفة ، وضرب المصفوفة ، والقسمة ، و softmax) ، وتصور الحواف بالضبط أين تتدفق البيانات بين هذه العمليات.
لا يسهل هذا التمثيل الواضح والمنظم عملية التكليف إلى حد كبير فحسب ، بل يسهل أيضا زيادة تحسين الأداء. تتجنب الطبيعة الخالية من الحلقات لمجموعات DAG التبعيات الدورية وتضمن التنفيذ الفعال والقابل للتحكم للتسلسلات الحسابية ، وهو أمر بالغ الأهمية لتحسين توليد دوائر إثبات المعرفة الصفرية.
بالإضافة إلى ذلك ، تمكن DAG zkPyTorch من التعامل بكفاءة مع بنى النماذج المعقدة مثل المحولات والشبكة المتبقية (ResNet) ، والتي غالبا ما تحتوي على تدفقات بيانات معقدة مع مسارات متعددة وغير خطية ، وقد تم تصميم DAG لتلبية احتياجاتها الحسابية لضمان دقة وكفاءة استدلال النموذج.
الشكل 2: مثال على نموذج تعلم الآلة يتم تمثيله بشكل رسم بياني موجه بلا دورات (DAG)
تقنيات الكوانت المتقدمة
في zkPyTorch ، تعتبر تقنيات الكمية المتقدمة خطوة رئيسية لتحويل الحسابات العائمة إلى عمليات حسابية صحيحة مناسبة لنظام إثبات المعرفة الصفرية (ZKP) والتي تشمل حسابات المجال المحدود بشكل فعال. تعتمد zkPyTorch على طريقة الكمية الثابتة ، مصممة بعناية لتحقيق التوازن بين كفاءة الحساب ودقة النموذج ، مما يضمن سرعة ودقة في توليد الإثبات.
تتضمن عملية التكميم هذه معايرة صارمة لتحديد مقياس التكميم الأمثل بدقة لتمثيل أرقام الفاصلة العائمة بشكل فعال وتجنب التداعيات وفقدان الدقة الكبير. استجابة لتحديات الحوسبة غير الخطية الفريدة من نوعها في ZKP ، مثل Softmax وتطبيع الطبقة ، تقوم zkPyTorch بتحويل هذه الوظائف المعقدة بشكل مبتكر إلى عمليات بحث فعالة عن الجدول.
لا تعزز هذه الاستراتيجية كفاءة توليد الإثبات فحسب، بل تضمن أيضًا أن تتوافق نتائج الإثبات الناتجة تمامًا مع مخرجات نموذج القياس الدقيق العالي، مما يوازن بين الأداء والموثوقية، ويدفع عملية تطبيق التعلم الآلي القابل للتحقق.
استراتيجيات تحسين الدوائر المتعددة
تستخدم zkPyTorch نظام تحسين دارات متعدد المستويات عالي الدقة، مع التركيز على عدة أبعاد، لضمان الأداء الأقصى للاستدلال بدون معرفة من حيث الكفاءة وقابلية التوسع:
تحسين المعالجة الدفعة (Batch Processing Optimization)
من خلال تعبئة مهام الاستدلال المتعددة في معالجة الدفعات ، يتم تقليل التعقيد الحسابي الكلي بشكل كبير ، خاصة بالنسبة لسيناريوهات التشغيل المتسلسلة في نماذج اللغة مثل المحولات. كما هو موضح في الشكل 3 ، تعمل عملية الاستدلال التقليدية لنموذج اللغة الكبيرة (LLM) على أساس رمز مميز على حدة ، بينما يجمع نهج zkPyTorch المبتكر جميع رموز الإدخال والإخراج المميزة في عملية موجه واحدة للتحقق من الصحة. تؤكد هذه العملية أن الاستدلال الكلي ل LLM صحيح دفعة واحدة ، مع التأكد من أن كل رمز مميز للإخراج متوافق مع استدلال LLM القياسي.
في استدلال LLM ، فإن صحة آلية ذاكرة التخزين المؤقت KV هي المفتاح لضمان مصداقية مخرجات الاستدلال. إذا كان منطق الاستدلال الخاص بالنموذج غير صحيح ، حتى إذا تم استخدام ذاكرة التخزين المؤقت ، فلن يكون من الممكن استعادة النتائج المتوافقة مع عملية فك التشفير القياسية. يضمن zkPyTorch اليقين والاكتمال اللذين يمكن التحقق منه لكل مخرجات في دليل على المعرفة الصفرية من خلال إعادة إنتاج هذه العملية بدقة.
! zkPyTorch: بناء مستقبل الذكاء الاصطناعي الموثوق به مع براهين المعرفة الصفرية
الشكل 3: التحقق من الدفعة المحسوبة بواسطة نماذج اللغة الكبيرة (LLMs)، حيث L تمثل طول تسلسل الإدخال، وN تمثل طول تسلسل الإخراج، وH تمثل أبعاد الطبقة المخفية للنموذج.
تحسين العمليات الأساسية (Optimized Primitive Operations)
يعمل zkPyTorch بعمق على تحسين أساسيات التعلم الآلي الأساسية ، مما يحسن بشكل كبير من كفاءة الدائرة. على سبيل المثال ، كانت عمليات الالتفاف دائما مكثفة من الناحية الحسابية ، ويستخدم zkPyTorch طريقة تحسين تعتمد على تحويل فورييه السريع (FFT) لتحويل الالتواءات التي تم إجراؤها في الأصل في المجال المكاني إلى عمليات ضرب في مجال التردد ، مما يقلل بشكل كبير من التكلفة الحسابية. في الوقت نفسه ، بالنسبة للوظائف غير الخطية مثل ReLU و softmax ، يعتمد النظام طريقة جدول البحث المحسوبة مسبقا ، والتي تتجنب الحساب غير الخطي غير الودي ل ZKP وتحسن بشكل كبير من كفاءة تشغيل دائرة الاستدلال.
تنفيذ الدائرة المتوازية (Parallel Circuit Execution)
يقوم zkPyTorch تلقائيا بتجميع عمليات التعلم الآلي المعقدة في دوائر متوازية ، مما يطلق العنان لإمكانات الأجهزة الكاملة لوحدات المعالجة المركزية / وحدات معالجة الرسومات متعددة النواة لتوليد إثبات متوازي على نطاق واسع. على سبيل المثال ، عند إجراء مضاعفة الموتر ، سيقوم zkPyTorch تلقائيا بتقسيم مهمة الحساب إلى مهام فرعية مستقلة متعددة ، والتي سيتم توزيعها على وحدات معالجة متعددة بالتوازي. لا تعمل استراتيجية التوازي هذه على تحسين إنتاجية تنفيذ الدوائر بشكل كبير فحسب ، بل تتيح أيضا التحقق الفعال من النماذج الكبيرة ، مما يفتح بعدا جديدا ل ZKML القابلة للتطوير.
اختبار شامل للأداء:突破 مزدوج في الأداء والدقة
تظهر zkPyTorch من خلال اختبارات معيارية صارمة أداءً رائعًا وقابلية استخدام فعلية في العديد من نماذج التعلم الآلي الرائجة:
اختبار نموذج VGG-16
على مجموعة بيانات CIFAR-10، يحتاج zkPyTorch فقط إلى 6.3 ثانية لإكمال توليد إثبات VGG-16 لصورة واحدة، ومع ذلك، فإن الدقة مقارنة بالحسابات التقليدية ذات الفاصلة العائمة تكاد تكون دون اختلاف. وهذا يدل على أن zkML قد اكتسب القدرة على العمل في مهام كلاسيكية مثل التعرف على الصور.
اختبار نموذج Llama-3
بالنسبة لنموذج اللغة الكبيرة Llama-3 بمقياس يصل إلى 8 مليارات معلمة ، يحقق zkPyTorch توليد إثبات فعال يبلغ حوالي 150 ثانية لكل رمز مميز. الأمر الأكثر إثارة للإعجاب هو أن الإخراج يحافظ على تشابه جيب التمام بنسبة 99.32٪ مقارنة بالنموذج الأصلي ، مما يضمن ثقة عالية مع مراعاة الاتساق الدلالي لمخرجات النموذج.
! [zkPyTorch: بناء مستقبل الذكاء الاصطناعي الموثوق بها ببراهين المعرفة الصفرية](https://img.gateio.im/social/moments-8b11bc2409c63173947221f6b3bdd46a019283746574839201
![zkPyTorch: بناء مستقبل موثوق للذكاء الاصطناعي باستخدام إثباتات المعرفة الصفرية])https://img.gateio.im/social/moments-d27d3380c85688e4da4d58ca93d09938(
الجدول 1: أداء أنواع مختلفة من حلول ZKP في الشبكات العصبية التلافيفية وشبكات المحول
تطبيقات واسعة النطاق موجهة نحو العالم الحقيقي
) MLaaS التي يمكن التحقق منها
مع استمرار ارتفاع قيمة نماذج التعلم الآلي، يختار المزيد والمزيد من مطوري الذكاء الاصطناعي نشر نماذجهم الخاصة على السحابة وتقديم خدمات التعلم الآلي كخدمة (MLaaS). ومع ذلك ، في الواقع ، غالبا ما يكون من الصعب على المستخدمين التحقق مما إذا كانت نتائج الاستدلال صحيحة وذات مصداقية. يرغب موفرو النماذج أيضا في حماية الأصول الأساسية، مثل هياكل النماذج والمعلمات، من السرقة أو إساءة الاستخدام.
zkPyTorch تم إنشاؤه لحل هذه التناقضات: إنه يمنح خدمات الذكاء الاصطناعي السحابية القدرة الأصلية على "التحقق من المعرفة الصفرية"، مما يحقق إمكانية التحقق من مستوى تشفير نتائج الاستدلال.
كما هو موضح في الشكل 4 ، يمكن للمطورين توصيل النماذج الكبيرة مباشرة مثل Llama-3 ب zkPyTorch لبناء نظام MLaaS موثوق به مع إمكانات إثبات عدم المعرفة. من خلال التكامل بسلاسة مع محرك ZKP الأساسي ، يمكن ل zkPyTorch إنشاء البراهين تلقائيا دون الكشف عن تفاصيل النموذج ، والتحقق مما إذا كان كل استنتاج قد تم تنفيذه بشكل صحيح ، وبالتالي إنشاء أساس ثقة تفاعلي موثوق به حقا لموفري النماذج والمستهلكين.
![zkPyTorch: بناء مستقبل موثوق للذكاء الاصطناعي باستخدام الإثباتات المعرفية]###https://img.gateio.im/social/moments-0537bff6a9c5c574690a9ee5210d1dd8(
الشكل 4: تطبيق zkPyTorch في سيناريوهات التعلم الآلي القابل للتحقق كخدمة (Verifiable MLaaS).
) حماية أمان تقييم النموذج
يوفر zkPyTorch آلية تقييم آمنة وقابلة للتحقق لنماذج الذكاء الاصطناعي، مما يسمح للأطراف المعنية بتقييم مؤشرات الأداء الرئيسية بدقة دون كشف تفاصيل النموذج. هذه الطريقة في التقييم "بدون تسرب" تضع معياراً جديداً للثقة في نماذج الذكاء الاصطناعي، حيث تعزز كفاءة المعاملات التجارية وتحافظ على سلامة حقوق الملكية الفكرية للمطورين. إنها لا تعزز فقط رؤية قيمة النموذج، بل تجلب أيضاً المزيد من الشفافية والعدالة لصناعة الذكاء الاصطناعي بأكملها.
مع التكامل العميق مع سلسلة الكتل EXPchain
تم دمج zkPyTorch بشكل أصلي مع شبكة Polyhedra، وهي شبكة blockchain تم تطويرها ذاتيًا تُعرف بـ EXPchain، لبناء بنية تحتية موثوقة للذكاء الاصطناعي اللامركزي. يوفر هذا الدمج مسارًا مُحسنًا للغاية لاستدعاءات العقود الذكية والتحقق على السلسلة، مما يسمح بالتحقق المشفر من نتائج استنتاج الذكاء الاصطناعي وتوثيقها بشكل دائم على blockchain.
بفضل التعاون بين zkPyTorch و EXPchain، يمكن للمطورين بناء تطبيقات الذكاء الاصطناعي القابلة للتحقق من النهاية إلى النهاية، بدءًا من نشر النموذج، وحساب الاستدلال، إلى التحقق على السلسلة، مما يحقق حقًا عملية حسابية للذكاء الاصطناعي شفافة وموثوقة وقابلة للتدقيق، ويوفر الدعم الأساسي لتطبيقات الجيل التالي من blockchain + AI.
خارطة الطريق المستقبلية والابتكار المستمر
ستستمر Polyhedra في دفع تطور zkPyTorch مع التركيز على الاتجاهات التالية:
المصدر المفتوح وبناء المجتمع
فتح المصدر تدريجياً لمكونات zkPyTorch الأساسية، وتحفيز المطورين حول العالم على المشاركة، وتعزيز الابتكار التعاوني والازدهار البيئي في مجال التعلم الآلي القائم على المعرفة الصفرية.
توسيع توافق النماذج والأطر
توسيع نطاق الدعم لنماذج وأطر التعلم الآلي السائدة، وزيادة قدرة zkPyTorch على التكيف والعمومية، مما يسمح بإدماجه بمرونة في أنواع مختلفة من سير العمل للذكاء الاصطناعي.
أدوات التطوير وSDK البناء
إطلاق سلسلة أدوات تطوير شاملة و حزمة أدوات تطوير البرمجيات (SDK) ، تبسيط عملية الدمج ، تسريع نشر واستخدام zkPyTorch في سيناريوهات الأعمال الفعلية.
الخاتمة
zkPyTorch هو علامة فارقة مهمة نحو مستقبل موثوق للذكاء الاصطناعي. من خلال دمج إطار عمل PyTorch الناضج مع تقنية الإثبات الصفري المتطورة، لا تعزز zkPyTorch فقط أمان وقابلية التحقق من التعلم الآلي بشكل كبير، بل تعيد أيضًا تشكيل طريقة نشر تطبيقات الذكاء الاصطناعي وحدود الثقة.
ستواصل Polyhedra الابتكار في مجال "الذكاء الاصطناعي الآمن"، مما يدفع التعلم الآلي نحو معايير أعلى في حماية الخصوصية، والتحقق من النتائج، وامتثال النماذج، مما يساعد على بناء أنظمة ذكية شفافة وموثوقة وقابلة للتوسع.
يرجى متابعة آخر التطورات التي ن发布ها باستمرار، وشهد كيف يعيد zkPyTorch تشكيل مستقبل عصر الذكاء الآمن.
رابط النص الأصلي