يعد إثبات الاستدلال بنموذج التعلم الآلي (ML) عبر zkSNARKs بأن يكون أحد أهم التطورات في العقود الذكية هذا العقد. يفتح هذا التطور مساحة تصميم كبيرة بشكل مثير ، مما يسمح للتطبيقات والبنية التحتية بالتطور إلى أنظمة أكثر تعقيدًا وذكية.
من خلال إضافة قدرات التعلم الآلي ، يمكن أن تصبح العقود الذكية أكثر استقلالية وديناميكية ، مما يسمح لها باتخاذ قرارات بناءً على بيانات في الوقت الفعلي على السلسلة بدلاً من القواعد الثابتة. ستكون العقود الذكية مرنة ويمكن أن تستوعب مجموعة متنوعة من السيناريوهات ، بما في ذلك تلك التي ربما لم تكن متوقعة عند إنشاء العقد في الأصل. باختصار ، ستعمل قدرات التعلم الآلي على تضخيم الأتمتة والدقة والكفاءة والمرونة لأي عقد ذكي نضعه في السلسلة.
يستخدم ML على نطاق واسع في معظم التطبيقات خارج web3 ، وتطبيقه في العقود الذكية يكاد يكون صفرًا. ويرجع ذلك أساسًا إلى التكلفة الحسابية العالية لتشغيل هذه النماذج على السلسلة. على سبيل المثال ، FastBERT هو نموذج لغة محسّن حسابيًا يستخدم حوالي 1800 MFLOPS (مليون عملية فاصلة عائمة) ، والتي لا يمكن تشغيلها مباشرة على EVM.
يركز تطبيق نموذج ML على السلسلة بشكل أساسي على مرحلة التفكير: تطبيق النموذج للتنبؤ ببيانات العالم الحقيقي. من أجل الحصول على عقود ذكية على نطاق ML ، يجب أن تكون العقود قادرة على استيعاب مثل هذه التوقعات ، ولكن كما ذكرنا سابقًا ، فإن تشغيل النماذج مباشرة على EVM غير ممكن. توفر لنا zkSNARKs حلاً: يمكن لأي شخص تشغيل نموذج خارج السلسلة وإنشاء دليل موجز وقابل للتحقق من أن النموذج المتوقع قد أدى إلى نتيجة محددة. يمكن نشر هذا الدليل على السلسلة واستيعابه من خلال العقود الذكية لتعزيز ذكائهم.
في هذه المقالة ، سوف نقوم بما يلي:
اطلع على التطبيقات المحتملة وحالات الاستخدام لـ ML على السلسلة
استكشاف المشاريع الناشئة والبنية التحتية في صميم zkML
ناقش بعض تحديات التطبيقات الحالية وما قد يبدو عليه مستقبل zkML
! [تحليل متعمق لمسار ZKML: الخطوة التالية في ذكاء العقود الذكية] (https://img.gateio.im/social/moments-40baef27dd-66f097a3c7-dd1a6f-62a40f)
مقدمة في تعلم الآلة (ML)
التعلم الآلي (ML) هو حقل فرعي من الذكاء الاصطناعي (AI) يركز على تطوير الخوارزميات والنماذج الإحصائية التي تمكن أجهزة الكمبيوتر من التعلم من البيانات وإجراء التنبؤات أو القرارات. تحتوي نماذج ML عادةً على ثلاثة مكونات رئيسية:
بيانات التدريب: مجموعة من بيانات الإدخال المستخدمة لتدريب خوارزمية التعلم الآلي لعمل تنبؤات أو تصنيف بيانات جديدة. يمكن أن تتخذ بيانات التدريب أشكالًا عديدة مثل الصور أو النصوص أو الصوت أو البيانات الرقمية أو مجموعات منها.
نموذج معماري: الهيكل العام أو تصميم نموذج التعلم الآلي. يحدد التسلسل الهرمي ووظائف التنشيط ونوع وعدد الاتصالات بين العقد أو الخلايا العصبية. يعتمد اختيار البنية على المشكلة المحددة والبيانات المستخدمة.
معلمات النموذج: القيم أو الأوزان التي يتعلمها النموذج أثناء التدريب لعمل تنبؤات. يتم تعديل هذه القيم بشكل متكرر بواسطة خوارزمية تحسين لتقليل الخطأ بين النتائج المتوقعة والفعلية.
إنشاء النموذج ونشره ينقسم إلى مرحلتين:
مرحلة التدريب: في مرحلة التدريب ، يتعرض النموذج لمجموعة بيانات معنونة ويضبط معلماته لتقليل الخطأ بين النتائج المتوقعة والنتائج الفعلية. تتضمن عملية التدريب عادةً تكرارات أو دورات متعددة ، ويتم تقييم دقة النموذج في مجموعة تحقق منفصلة.
مرحلة الاستدلال: مرحلة الاستدلال هي المرحلة التي يتم فيها استخدام نموذج التعلم الآلي المدرب لعمل تنبؤات بشأن البيانات الجديدة غير المرئية. يأخذ النموذج بيانات الإدخال ويطبق المعلمات التي تم تعلمها لإنشاء مخرجات ، مثل التصنيف أو توقع الانحدار.
حاليًا ، يركز zkML بشكل أساسي على مرحلة الاستدلال لنماذج التعلم الآلي ، بدلاً من مرحلة التدريب ، ويرجع ذلك أساسًا إلى التعقيد الحسابي للتدريب في دوائر التحقق. ومع ذلك ، فإن تركيز zkML على الاستدلال ليس قيدًا: نحن نتوقع بعض حالات الاستخدام والتطبيقات الشيقة للغاية.
سيناريوهات استدلال تم التحقق منها
هناك أربعة سيناريوهات محتملة للتحقق من صحة التفكير:
المدخلات الخاصة ، النموذج العام. قد يرغب مستهلكو النموذج (MC) في الحفاظ على سرية مدخلاتهم من موفري النماذج (MP). على سبيل المثال ، قد يرغب MC في المصادقة للمقرضين على نتائج نموذج تسجيل الائتمان دون الكشف عن معلوماتهم المالية الشخصية. يمكن القيام بذلك باستخدام مخطط الالتزام المسبق وتشغيل النموذج محليًا.
المدخلات العامة ، النموذج الخاص. هناك مشكلة شائعة في ML-as-a-Service وهي أن MP قد يرغب في إخفاء معلماته أو أوزانه لحماية عنوان IP الخاص به ، بينما يريد MC التحقق من أن الاستنتاجات المتولدة هي بالفعل من النموذج المحدد في بيئة الخصومة. فكر منه بهذه الطريقة: عند تقديم استنتاج إلى MC عندما يكون لدى MP حافز لتشغيل نموذج أخف لتوفير المال. باستخدام الوعد بأوزان النموذج على السلسلة ، يمكن للمشرفين تدقيق النماذج الخاصة في أي وقت.
مدخلات خاصة ، نموذج خاص. يحدث هذا عندما تكون البيانات المستخدمة للاستدلال حساسة للغاية أو سرية ، ويكون النموذج نفسه مخفيًا لحماية IP. مثال على ذلك قد يشمل مراجعة نماذج الرعاية الصحية باستخدام معلومات المريض الخاصة. يمكن استخدام تقنيات التكوين في zk أو المتغيرات باستخدام الحساب متعدد الأطراف (MPC) أو FHE لخدمة هذا السيناريو.
المدخلات العامة ، النموذج العام. في حين أنه يمكن نشر جميع جوانب النموذج ، فإن zkML يعالج حالة استخدام مختلفة: ضغط الحسابات خارج السلسلة والتحقق من صحتها إلى بيئات متصلة بالسلسلة. بالنسبة للنماذج الأكبر حجمًا ، يكون التحقق من موجز zk الموجزة للاستدلال أكثر فعالية من حيث التكلفة بدلاً من إعادة تشغيل النموذج بنفسك.
يفتح منطق ML الذي تم التحقق منه مساحات تصميم جديدة للعقود الذكية. تتضمن بعض تطبيقات التشفير الأصلية ما يلي:
1 DeFi
يمكن التحقق من ML خارج السلسلة oracles. قد يدفع الاعتماد المستمر للذكاء الاصطناعي التوليفي الصناعة إلى تنفيذ مخططات توقيع لمحتواها (على سبيل المثال ، المنشورات الإخبارية التي توقع المقالات أو الصور). البيانات الموقعة جاهزة لإثبات المعرفة الصفرية ، مما يجعل البيانات قابلة للتكوين وجديرة بالثقة. يمكن لنماذج ML معالجة هذه البيانات الموقعة خارج السلسلة لعمل تنبؤات وتصنيفات (على سبيل المثال ، تصنيف نتائج الانتخابات أو أحداث الطقس). يمكن لوسائل ML خارج السلسلة هذه أن تحل دون ثقة أسواق التنبؤ في العالم الحقيقي ، وعقود بروتوكول التأمين ، وما إلى ذلك عن طريق التحقق من المنطق ونشر البراهين على السلسلة.
تطبيقات DeFi على أساس معلمات ML. يمكن أن تكون العديد من جوانب DeFi آلية. على سبيل المثال ، يمكن لبروتوكولات الإقراض استخدام نماذج ML لتحديث المعلمات في الوقت الفعلي. حاليًا ، تعتمد بروتوكولات الإقراض بشكل أساسي على النماذج خارج السلسلة التي تديرها المنظمات لتحديد عوامل الضمان ، ونسب القرض إلى القيمة ، وحدود التصفية ، وما إلى ذلك ، ولكن قد يكون الخيار الأفضل هو نموذج مفتوح المصدر مدرب من قبل المجتمع يمكن لأي شخص تشغيله وتحقق.
استراتيجيات التداول الآلي. من الطرق الشائعة لإثبات خصائص العائد لاستراتيجية النموذج المالي أن يقوم أعضاء البرلمان بتزويد المستثمرين بمختلف بيانات الاختبار الخلفي. ومع ذلك ، لا توجد طريقة للتحقق من أن الإستراتيجي يتبع النموذج عند تنفيذ عملية تداول - يجب على المستثمر أن يثق في أن الخبير الإستراتيجي يتبع النموذج بالفعل. يوفر zkML حلاً حيث يمكن لـ MP تقديم أدلة على تفكير النموذج المالي عند نشره في وظائف محددة. قد يكون هذا مفيدًا بشكل خاص للأقبية التي تديرها DeFi.
2. الأمن
مراقبة الاحتيال للعقود الذكية. بدلاً من السماح للحوكمة البشرية البطيئة أو الجهات الفاعلة المركزية بالتحكم في القدرة على تعليق العقود ، يمكن استخدام نماذج ML لاكتشاف السلوك الضار المحتمل وتعليق العقود.
3. ML التقليدي
تطبيق لامركزي وغير موثوق به لـ Kaggle. يمكن إنشاء بروتوكول أو سوق يسمح للمسؤولين التنفيذيين أو الأطراف المهتمة الأخرى بالتحقق من دقة النماذج دون مطالبة أعضاء البرلمان بالكشف عن أوزان النموذج. هذا مفيد لبيع النماذج ، وإدارة المسابقات حول دقة النموذج ، وما إلى ذلك.
سوق سريع لامركزي للذكاء الاصطناعي التوليدي. نمت التأليف الفوري للذكاء الاصطناعي التوليدي إلى حرفة معقدة ، وغالبًا ما تحتوي مطالبات إنشاء المخرجات المثلى على مُعدِّلات متعددة. قد تكون الأطراف الخارجية على استعداد لشراء هذه التلميحات المعقدة من المبدعين. يمكن استخدام zkML بطريقتين هنا: 1) للتحقق من صحة إخراج التلميح ، لتأكيد المشترين المحتملين أن التلميح ينشئ بالفعل الصورة المطلوبة ؛
اسمح لمالك الإكرامية بالاحتفاظ بملكية الطرف بعد الشراء ، بينما تظل غامضة بالنسبة للمشتري ، ولكن لا يزال يُنشئ صورًا تم التحقق منها له.
4. الهوية
استبدل المفاتيح الخاصة بمصادقة بيومترية تحافظ على الخصوصية. تظل إدارة المفاتيح الخاصة واحدة من أكبر العقبات في تجربة مستخدم الويب 3. يعد تجريد المفاتيح الخاصة من خلال التعرف على الوجه أو عوامل فريدة أخرى أحد الحلول الممكنة لـ zkML.
الإنزال الجوي العادل ومكافآت المساهمين. يمكن استخدام نماذج ML لإنشاء شخصيات مفصلة للمستخدمين لتحديد مخصصات الإنزال الجوي أو مكافآت المساهمة بناءً على عوامل متعددة. يمكن أن يكون هذا مفيدًا بشكل خاص عند دمجه مع حلول الهوية. في هذه الحالة ، تتمثل إحدى الاحتمالات في جعل المستخدمين يقومون بتشغيل نموذج مفتوح المصدر يقوم بتقييم مشاركتهم في التطبيق بالإضافة إلى المشاركة ذات المستوى الأعلى ، مثل منشورات منتدى الحوكمة ، للتوضيح بشأن مهامهم. ثم يتم تقديم هذا الدليل إلى العقد لتخصيص الرمز المقابل.
5. Web3 Social
التصفية لوسائل التواصل الاجتماعي web3. ستؤدي الطبيعة اللامركزية لتطبيقات الويب 3 الاجتماعية إلى زيادة المحتوى الضار والبريد العشوائي. من الناحية المثالية ، يمكن لمنصة الوسائط الاجتماعية استخدام نموذج ML مفتوح المصدر بتوافق المجتمع ونشر البراهين على منطق النموذج عندما يختار تصفية المنشورات. مثال على ذلك: تحليل zkML على خوارزمية Twitter.
الإعلان / التوصية. بصفتي مستخدمًا لوسائل التواصل الاجتماعي ، قد أكون على استعداد لرؤية إعلانات مخصصة ، لكني أرغب في الحفاظ على خصوصية تفضيلاتي واهتماماتي من المعلنين. يمكنني اختيار تشغيل نموذج محليًا حول اهتماماتي ، وإدخاله في تطبيق وسائط لتزويدني بالمحتوى. في هذه الحالة ، قد يرغب المعلنون في الدفع للمستخدمين النهائيين لتحقيق ذلك ، ومع ذلك ، قد تكون هذه النماذج أقل تعقيدًا بكثير من النماذج الإعلانية المستهدفة قيد الإنتاج حاليًا.
6. اقتصاد الخالق / الألعاب
إعادة التوازن في الاقتصاد داخل اللعبة. يمكن تعديل إصدار الرمز ، والتزويد ، والحرق ، وحدود التصويت ، وما إلى ذلك ديناميكيًا باستخدام نماذج ML. أحد النماذج الممكنة هو عقد الحوافز الذي يعيد التوازن إلى الاقتصاد داخل اللعبة إذا تم الوصول إلى حد معين لإعادة التوازن وتم التحقق من إثبات المنطق.
أنواع جديدة من ألعاب السلسلة. يمكن إنشاء البشر المتعاونين مقابل ألعاب الذكاء الاصطناعي وغيرها من الألعاب المبتكرة على السلسلة حيث يعمل نموذج الذكاء الاصطناعي غير الموثوق به كشخصية غير قابلة للعب. يتم نشر كل إجراء تتخذه NPC على السلسلة جنبًا إلى جنب مع دليل يمكن لأي شخص التحقق من تشغيل النموذج الصحيح. في Leela vs. World من Modulus Labs ، يريد المدقق التأكد من أن 1900 ELO AI المحدد يختار الخطوة ، وليس Magnus Carlson. مثال آخر هو AI Arena ، وهي لعبة قتال AI تشبه Super Smash Brothers. في بيئة تنافسية عالية المخاطر ، يرغب اللاعبون في التأكد من أن النماذج التي يدربونها لا تتدخل أو تغش.
! [تحليل متعمق لمسار ZKML: الخطوة التالية في ذكاء العقود الذكية] (https://img.gateio.im/social/moments-40baef27dd-183d2643e5-dd1a6f-62a40f)
المشاريع الناشئة والبنية التحتية
يمكن تقسيم نظام zkML البيئي على نطاق واسع إلى أربع فئات رئيسية:
مترجم نموذج إلى إثبات: بنية أساسية لتجميع النماذج في التنسيقات الحالية (على سبيل المثال ، Pytorch و ONNX وما إلى ذلك) في دوائر حسابية يمكن التحقق منها.
نظام الإثبات المعمم: إنشاء نظام إثبات للتحقق من المسارات الحسابية التعسفية.
نظام إثبات خاص بـ zkML: نظام إثبات مصمم خصيصًا للتحقق من المسار الحسابي لنماذج ML.
التطبيقات: مشاريع تعمل على حالات استخدام فريدة من نوعها لـ zkML.
01 المجمعات النموذجية لإثباتها
في نظام zkML البيئي ، كان معظم الاهتمام ينصب على إنشاء برامج التحويل البرمجي من نموذج إلى برهان. عادةً ما تقوم هذه المجمعات بتحويل نماذج ML المتقدمة إلى دوائر zk باستخدام Pytorch و Tensorflow وما إلى ذلك.
EZKL هي مكتبة وأداة سطر أوامر لاستدلال نماذج التعلم العميق في zk-SNARKs. باستخدام EZKL ، يمكنك تحديد رسم بياني حسابي في Pytorch أو TensorFlow ، وتصديره كملف ONNX مع بعض أمثلة المدخلات في ملفات JSON ، ثم توجيه EZKL إلى هذه الملفات لإنشاء دوائر zkSNARK. مع الجولة الأخيرة من تحسينات الأداء ، يمكن لـ EZKL الآن إثبات نموذج بحجم MNIST في حوالي 6 ثوانٍ و 1.1 جيجابايت من ذاكرة الوصول العشوائي. حتى الآن ، شهدت EZKL بعض التبني المبكر الملحوظ ، حيث يتم استخدامها كبنية أساسية للعديد من مشاريع الهاكاثون.
تحتوي مكتبة Cathie So's circomlib-ml على العديد من قوالب دوائر ML لـ Circom. تتضمن الدوائر بعض وظائف ML الأكثر شيوعًا. إن Keras 2c ircom ، التي طورتها Cathie ، هي أداة Python التي تحول نماذج Keras إلى دوائر Circom باستخدام مكتبة circomlib-ml الأساسية.
طورت LinearA إطارين لـ zkML: Tachikoma و Uchikoma. يستخدم Tachikoma لتحويل الشبكة العصبية إلى شكل صحيح فقط وإنشاء مسارات حسابية. Uchikoma هي أداة تقوم بتحويل التمثيل الوسيط لـ TVM إلى لغات برمجة لا تدعم عمليات الفاصلة العائمة. تخطط LinearA لدعم Circom بحساب المجال و Solidity بحساب الأعداد الصحيحة الموقعة وغير الموقعة.
يعد zkml الخاص بـ Daniel Kang إطار عمل لإثباتات تنفيذ نماذج ML المبنية على عمله في ورقة "توسيع نطاق استدلال DNN غير الموثوق به باستخدام إثباتات المعرفة الصفرية". في وقت كتابة هذا التقرير ، كان قادرًا على إثبات وجود دائرة MNIST في حوالي 5 جيجابايت من الذاكرة وفي حوالي 16 ثانية من وقت التشغيل.
فيما يتعلق بالمجمعين الأكثر عمومية من النموذج إلى الإثبات ، هناك Nil Foundation و Risc Zero. zkLLVM التابع لمؤسسة Nil عبارة عن مترجم دائري قائم على LLVM قادر على التحقق من صحة النماذج الحسابية المكتوبة بلغات البرمجة الشائعة مثل C ++ و Rust و Java / Type. بالمقارنة مع المجمعين الآخرين من النموذج إلى الإثبات المذكورين هنا ، فهي بنية تحتية للأغراض العامة ، لكنها لا تزال مناسبة للحسابات المعقدة مثل zkML. يمكن أن يكون هذا قويًا بشكل خاص عند دمجه مع سوق الإثبات الخاص بهم.
يبني Risc Zero zkVM للأغراض العامة يستهدف مجموعة تعليمات RISC-V مفتوحة المصدر ، وبالتالي يدعم اللغات الناضجة الحالية مثل C ++ و Rust ، بالإضافة إلى سلسلة أدوات LLVM. يتيح ذلك التكامل السلس بين رمز zkVM للمضيف والضيف ، على غرار سلسلة أدوات CUDA C ++ من Nvidia ، ولكن باستخدام محرك ZKP بدلاً من وحدة معالجة الرسومات. على غرار Nil ، استخدم Risc Zero للتحقق من المسار الحسابي لنموذج ML.
02 نظام الإثبات المعمم
كانت التحسينات التي تم إجراؤها على نظام الإثبات هي القوة الدافعة الرئيسية وراء جعل zkML تؤتي ثمارها ، ولا سيما إدخال البوابات المخصصة وجداول البحث. ويرجع ذلك أساسًا إلى اعتماد ML على اللاخطية. باختصار ، يتم تقديم اللاخطية من خلال وظائف التنشيط (مثل ReLU و sigmoid و tanh) التي يتم تطبيقها على ناتج التحويل الخطي في الشبكة العصبية. هذه اللاخطية صعبة التنفيذ في دوائر zk بسبب قيود بوابات التشغيل الرياضية. يمكن أن تساعد جداول البحث والعوامل Bitwise في هذا الأمر عن طريق الحساب المسبق للنتائج المحتملة غير الخطية في جدول البحث ، والذي يعد أكثر كفاءة من الناحية الحسابية في zk.
لهذا السبب ، يميل نظام إثبات Plonkish إلى أن يكون الواجهة الخلفية الأكثر شيوعًا لـ zkML. تتعامل Halo 2 و Plonky 2 مع مخططاتهما الحسابية للجدول مع العلاقات غير الخطية للشبكة العصبية بشكل جيد مع معلمات البحث. بالإضافة إلى ذلك ، يتمتع الأول بنظام بيئي نابض بالحياة من أدوات المطور والمرونة ، مما يجعله خلفية فعلية للعديد من المشاريع ، بما في ذلك EZKL.
أنظمة الإثبات الأخرى لها مزاياها أيضًا. تشمل أنظمة الإثبات القائمة على R 1 CS Groth 16 ، المعروف بحجمه الصغير ، و Gemini ، المعروف بمعالجته للدوائر الكبيرة للغاية وأدوات التحقق الخطية. تعد الأنظمة القائمة على STARK ، مثل مكتبة Winterfell prover / verifier مفيدة بشكل خاص عند أخذ آثار مدخلات لبرامج القاهرة عبر أدوات الجيزة ، واستخدام Winterfell لإنشاء براهين STARK للتحقق من صحة المخرجات.
03 نظام إثبات محدد zkML
تم إحراز بعض التقدم في تصميم أنظمة إثبات فعالة يمكنها التعامل مع العمليات المعقدة غير الملائمة للدوائر لنماذج التعلم الآلي المتقدمة. تميل أنظمة مثل zkCNN المستندة إلى نظام الإثبات الخاص بـ GKR و Zator المستندة إلى تقنيات اندماجية إلى التفوق على أنظمة الإثبات العالمية ، كما هو موضح في التقارير المعيارية لـ Modulus Labs.
zkCNN هي طريقة لإثبات صحة الشبكات العصبية التلافيفية باستخدام براهين المعرفة الصفرية. يستخدم بروتوكول التحقق الإجمالي لإثبات تحويلات فورييه والتلافيفات السريعة ، مع وقت إثبات خطي ، أسرع من نتائج الحوسبة المقاربة. تم تقديم العديد من البراهين التفاعلية للتحسين والتعميم ، بما في ذلك الطبقات التلافيفية للتحقق ، ووظائف تنشيط ReLU ، والتجميع الأقصى. وفقًا لتقرير قياس الأداء الخاص بـ Modulus Labs ، فإن zkCNN مثير للاهتمام بشكل خاص من حيث أنه يتفوق على أنظمة إثبات أخرى للأغراض العامة من حيث سرعة توليد الإثبات واستهلاك ذاكرة الوصول العشوائي.
Zator هو مشروع يهدف إلى استكشاف استخدام SNARKs العودية للتحقق من الشبكات العصبية العميقة. يتمثل القيد الحالي في التحقق من صحة النماذج الأعمق في ملاءمة المسارات الحسابية بأكملها في دائرة واحدة. اقترح Zator استخدام SNARK العودي للتحقق من طبقة تلو الأخرى ، والتي يمكن أن تتحقق تدريجيًا من الحسابات المتكررة N-step. استخدموا Nova لتقليل عدد N من مثيلات الحوسبة إلى مثيل واحد يمكن التحقق منه في خطوة واحدة. باستخدام هذا النهج ، كان Zator قادرًا على SNARK شبكة ذات 512 طبقة ، وهي عميقة مثل معظم نماذج الإنتاج الحالية للذكاء الاصطناعي. لا تزال أوقات إنشاء الإثبات والتحقق من Zator طويلة جدًا بالنسبة لحالات الاستخدام السائدة ، ولكن تقنياتهم المدمجة لا تزال ممتعة للغاية.
التطبيقات
بالنظر إلى الأيام الأولى لـ zkML ، كان تركيزها إلى حد كبير على البنية التحتية المذكورة أعلاه. ومع ذلك ، يوجد حاليًا العديد من المشاريع المخصصة لتطوير التطبيقات.
تعد Modulus Labs واحدة من أكثر المشاريع تنوعًا في مساحة zkML ، حيث تعمل على كل من أمثلة التطبيقات والأبحاث ذات الصلة. على الجانب المطبق ، أظهرت Modulus Labs حالات استخدام لـ zkML مع RockyBot ، وهو روبوت تجاري على السلسلة ، و Leela vs. the World ، وهي لعبة لوحية يلعب فيها البشر ضد محرك Leela الشطرنج المثبت على السلسلة. أجرى الفريق أيضًا بحثًا وكتب The Cost of Intelligence ، والذي يقيس سرعة وكفاءة أنظمة الإثبات المختلفة بأحجام نماذج مختلفة.
تحاول Worldcoin تطبيق zkML لإنشاء بروتوكول إثبات هوية بشرية يحافظ على الخصوصية. تتعامل Worldcoin مع مسح قزحية العين عالي الدقة باستخدام أجهزة مخصصة وتوصيلها بتطبيق Semaphore. يمكن بعد ذلك استخدام هذا النظام لإجراء عمليات مفيدة مثل إثبات العضوية والتصويت. يستخدمون حاليًا بيئة تشغيل موثوقة وجيبًا آمنًا للتحقق من عمليات مسح قزحية العين الموقعة بالكاميرا ، لكن هدفهم النهائي هو استخدام براهين عدم المعرفة للتحقق من المنطق الصحيح للشبكات العصبية لتوفير ضمان أمان على مستوى التشفير.
الجيزة هي بروتوكول يتخذ نهجًا غير موثوق به تمامًا لنشر نماذج الذكاء الاصطناعي على السلسلة. يستخدم تنسيق ONNX لتمثيل نماذج التعلم الآلي ، و Giza Transpiler لتحويل هذه النماذج إلى تنسيق برنامج القاهرة ، و ONNX Cairo Runtime لتنفيذ النماذج بطريقة يمكن التحقق منها وحتمية ، وعقد جيزة النموذج الذكي للنشر على السلسلة و مكدس التكنولوجيا لتنفيذ النموذج. على الرغم من أنه يمكن أيضًا تصنيف الجيزة كمترجم من نموذج إلى برهان ، إلا أن وضعها كسوق لنماذج ML يعد أحد أكثر التطبيقات إثارة للاهتمام في الوقت الحالي.
Gensyn هي شبكة موزعة من موفري الأجهزة لتدريب نماذج ML. على وجه التحديد ، يقومون بتطوير نظام تدقيق احتمالي يعتمد على النسب المتدرج واستخدام نقاط التفتيش النموذجية لتمكين شبكات GPU الموزعة من خدمة التدريب لنماذج كاملة النطاق. على الرغم من أن تطبيقهم لـ zkML هنا محدد جدًا لحالة الاستخدام الخاصة بهم - فهم يريدون التأكد من أنه عندما تقوم العقدة بتنزيل وتدريب جزء من النموذج ، فإنهم صادقون بشأن تحديثات النموذج - فإنه يوضح قوة الجمع بين قوة zk و ML.
يركز ZKaptcha على مشكلة الروبوت في web3 ويوفر خدمات رمز التحقق للعقود الذكية. وقد أدى تطبيقهم الحالي إلى قيام المستخدمين النهائيين بإنشاء أدلة على العمل البشري من خلال إكمال اختبارات CAPTCHA ، والتي يتم التحقق منها بواسطة المدققين على السلسلة ويتم الوصول إليها عن طريق العقود الذكية مع بضعة أسطر من التعليمات البرمجية. اليوم ، يعتمدون بشكل أساسي على zk فقط ، لكنهم يعتزمون تنفيذ zkML في المستقبل ، على غرار خدمات الكابتشا web2 الحالية ، وتحليل السلوك مثل حركات الماوس لتحديد ما إذا كان المستخدم بشريًا.
نظرًا للأيام الأولى لسوق zkML ، تم بالفعل تجربة العديد من التطبيقات على مستوى الهاكاثون. تشمل المشاريع AI Coliseum ، وهي مسابقة AI على السلسلة باستخدام أدلة ZK للتحقق من مخرجات التعلم الآلي ، و Hunter z Hunter ، و أداة البحث عن الصور باستخدام مكتبة EZKL للتحقق من إخراج نموذج تصنيف الصور مع دوائر Halo 2 ، و zk Section 9 ، يقوم بتحويل نماذج توليد الصور بالذكاء الاصطناعي إلى دوائر لتصوير فن الذكاء الاصطناعي والتحقق من صحته.
! [تحليل متعمق لمسار ZKML: الخطوة التالية من ذكاء العقد الذكي] (https://img.gateio.im/social/moments-40baef27dd-42361bb8f9-dd1a6f-62a40f)
تحديات ZKML
على الرغم من التقدم السريع في التحسين والتحسين ، لا يزال مجال zkML يواجه بعض التحديات الأساسية. تتضمن هذه التحديات جوانب فنية وعملية ، بما في ذلك:
التكميم مع الحد الأدنى من فقدان الدقة
حجم الدائرة وخاصة عندما تتكون الشبكة من طبقات متعددة
دليل فعال لمضاعفة المصفوفة
ضد الهجوم
التكميم هو عملية تمثيل أرقام الفاصلة العائمة كأرقام النقطة الثابتة. تستخدم معظم نماذج التعلم الآلي أرقام الفاصلة العائمة لتمثيل معلمات النموذج ووظائف التنشيط. عند التعامل مع حساب المجال لدارات zk ، يلزم استخدام أرقام النقطة الثابتة. يعتمد تأثير التكميم على دقة نموذج التعلم الآلي على مستوى الدقة المستخدمة. بشكل عام ، قد يؤدي استخدام دقة أقل (أي عدد أقل من وحدات البت) إلى دقة أقل ، حيث قد يؤدي ذلك إلى حدوث أخطاء في التقريب والتقريب. ومع ذلك ، هناك العديد من التقنيات التي يمكن استخدامها لتقليل تأثير التكميم على الدقة ، مثل ضبط النموذج بعد التكميم ، واستخدام تقنيات مثل التدريب على الوعي الكمي. بالإضافة إلى ذلك ، أظهر Zero Gravity ، وهو مشروع هاكاثون في zkSummit 9 ، أن بنى الشبكات العصبية البديلة المطورة للأجهزة المتطورة ، مثل الشبكات العصبية عديمة الوزن ، يمكن استخدامها لتجنب مشاكل التكميم في الدوائر.
إلى جانب التكميم ، تعد الأجهزة تحديًا رئيسيًا آخر. بمجرد تمثيل نموذج التعلم الآلي بشكل صحيح بواسطة دائرة ، تصبح البراهين التي تثبت تفكيره رخيصة وسريعة بسبب بساطة zk. التحدي هنا ليس مع المدقق ، ولكن مع المثل ، حيث يزداد استهلاك ذاكرة الوصول العشوائي ووقت إنشاء الإثبات بسرعة مع نمو حجم النموذج. بعض أنظمة الإثبات (مثل الأنظمة المستندة إلى GKR التي تستخدم بروتوكول التحقق الإجمالي والدوائر الحسابية الهرمية) أو التقنيات المدمجة (مثل الجمع بين Plonky 2 و Groth 16 ، فإن Plonky 2 فعال من حيث وقت الإثبات ولكنه فعال للنماذج الكبيرة Poor و Groth 16 لا يؤدي إلى نمو حجم الإثبات في تعقيد النماذج المعقدة) هو الأنسب للتعامل مع هذه المشكلات ، لكن إدارة المقايضات تمثل تحديًا أساسيًا في مشاريع zkML.
فيما يتعلق بمكافحة الهجمات ، لا يزال هناك عمل يتعين القيام به. أولاً ، إذا اختار بروتوكول غير موثوق به أو DAO تنفيذ نموذج ، فلا يزال هناك خطر حدوث هجمات معادية أثناء مرحلة التدريب (على سبيل المثال ، تدريب نموذج لإظهار سلوك معين عندما يرى مدخلات معينة ، والتي يمكن استخدامها للتلاعب لاحقًا المنطق). قد تكون تقنيات التعلم الموحدة و zkML في مرحلة التدريب طريقة لتقليل سطح الهجوم هذا.
التحدي الأساسي الآخر هو خطر هجمات سرقة النماذج عندما يحافظ النموذج على الخصوصية. في حين أنه من الممكن تشويش أوزان النموذج ، بالنظر إلى ما يكفي من أزواج المدخلات والمخرجات ، لا يزال من الممكن نظريًا استنتاج الأوزان إلى الوراء. هذا هو في الغالب خطر على النماذج الصغيرة ، ولكن لا تزال هناك مخاطر.
قابلية تمديد العقود الذكية
في حين أن هناك بعض التحديات في تحسين هذه النماذج لتعمل ضمن قيود zk ، فإن التحسينات يتم إجراؤها بمعدل أسي ، ويتوقع البعض أنه مع زيادة تسريع الأجهزة ، سنتمكن قريبًا من العمل مع المجال الأوسع للتعلم الآلي للوصول إلى نفس المستوى. للتأكيد على سرعة هذه التحسينات ، انتقلت zkML من عرض 0x PARC لكيفية تنفيذ نموذج تصنيف صور MNIST صغير الحجم في دائرة يمكن التحقق منها في عام 2021 ، إلى دانيال كانج الذي قام بالشيء نفسه بالنسبة لنموذج مقياس ImageNet بعد أقل من عام. أوراق. في أبريل 2022 ، تحسنت دقة نموذج مقياس ImageNet هذا من 79٪ إلى 92٪ ، ومن المتوقع أن تصبح النماذج الكبيرة مثل GPT-2 ممكنة في المستقبل القريب ، على الرغم من أن وقت الإثبات الحالي أطول.
على الرغم من أن zkML لا يزال في المراحل الأولى من التطوير ، فقد بدأ بالفعل في إظهار نتائج واعدة. مع تطور التكنولوجيا ونضجها ، يمكننا أن نتوقع رؤية المزيد من حالات استخدام zkML المبتكرة على السلسلة.
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.
تحليل متعمق لمسار ZKML: الخطوة التالية في ذكاء العقود الذكية
يعد إثبات الاستدلال بنموذج التعلم الآلي (ML) عبر zkSNARKs بأن يكون أحد أهم التطورات في العقود الذكية هذا العقد. يفتح هذا التطور مساحة تصميم كبيرة بشكل مثير ، مما يسمح للتطبيقات والبنية التحتية بالتطور إلى أنظمة أكثر تعقيدًا وذكية.
من خلال إضافة قدرات التعلم الآلي ، يمكن أن تصبح العقود الذكية أكثر استقلالية وديناميكية ، مما يسمح لها باتخاذ قرارات بناءً على بيانات في الوقت الفعلي على السلسلة بدلاً من القواعد الثابتة. ستكون العقود الذكية مرنة ويمكن أن تستوعب مجموعة متنوعة من السيناريوهات ، بما في ذلك تلك التي ربما لم تكن متوقعة عند إنشاء العقد في الأصل. باختصار ، ستعمل قدرات التعلم الآلي على تضخيم الأتمتة والدقة والكفاءة والمرونة لأي عقد ذكي نضعه في السلسلة.
يستخدم ML على نطاق واسع في معظم التطبيقات خارج web3 ، وتطبيقه في العقود الذكية يكاد يكون صفرًا. ويرجع ذلك أساسًا إلى التكلفة الحسابية العالية لتشغيل هذه النماذج على السلسلة. على سبيل المثال ، FastBERT هو نموذج لغة محسّن حسابيًا يستخدم حوالي 1800 MFLOPS (مليون عملية فاصلة عائمة) ، والتي لا يمكن تشغيلها مباشرة على EVM.
يركز تطبيق نموذج ML على السلسلة بشكل أساسي على مرحلة التفكير: تطبيق النموذج للتنبؤ ببيانات العالم الحقيقي. من أجل الحصول على عقود ذكية على نطاق ML ، يجب أن تكون العقود قادرة على استيعاب مثل هذه التوقعات ، ولكن كما ذكرنا سابقًا ، فإن تشغيل النماذج مباشرة على EVM غير ممكن. توفر لنا zkSNARKs حلاً: يمكن لأي شخص تشغيل نموذج خارج السلسلة وإنشاء دليل موجز وقابل للتحقق من أن النموذج المتوقع قد أدى إلى نتيجة محددة. يمكن نشر هذا الدليل على السلسلة واستيعابه من خلال العقود الذكية لتعزيز ذكائهم.
في هذه المقالة ، سوف نقوم بما يلي:
! [تحليل متعمق لمسار ZKML: الخطوة التالية في ذكاء العقود الذكية] (https://img.gateio.im/social/moments-40baef27dd-66f097a3c7-dd1a6f-62a40f)
مقدمة في تعلم الآلة (ML)
التعلم الآلي (ML) هو حقل فرعي من الذكاء الاصطناعي (AI) يركز على تطوير الخوارزميات والنماذج الإحصائية التي تمكن أجهزة الكمبيوتر من التعلم من البيانات وإجراء التنبؤات أو القرارات. تحتوي نماذج ML عادةً على ثلاثة مكونات رئيسية:
إنشاء النموذج ونشره ينقسم إلى مرحلتين:
حاليًا ، يركز zkML بشكل أساسي على مرحلة الاستدلال لنماذج التعلم الآلي ، بدلاً من مرحلة التدريب ، ويرجع ذلك أساسًا إلى التعقيد الحسابي للتدريب في دوائر التحقق. ومع ذلك ، فإن تركيز zkML على الاستدلال ليس قيدًا: نحن نتوقع بعض حالات الاستخدام والتطبيقات الشيقة للغاية.
سيناريوهات استدلال تم التحقق منها
هناك أربعة سيناريوهات محتملة للتحقق من صحة التفكير:
يفتح منطق ML الذي تم التحقق منه مساحات تصميم جديدة للعقود الذكية. تتضمن بعض تطبيقات التشفير الأصلية ما يلي:
1 DeFi
يمكن التحقق من ML خارج السلسلة oracles. قد يدفع الاعتماد المستمر للذكاء الاصطناعي التوليفي الصناعة إلى تنفيذ مخططات توقيع لمحتواها (على سبيل المثال ، المنشورات الإخبارية التي توقع المقالات أو الصور). البيانات الموقعة جاهزة لإثبات المعرفة الصفرية ، مما يجعل البيانات قابلة للتكوين وجديرة بالثقة. يمكن لنماذج ML معالجة هذه البيانات الموقعة خارج السلسلة لعمل تنبؤات وتصنيفات (على سبيل المثال ، تصنيف نتائج الانتخابات أو أحداث الطقس). يمكن لوسائل ML خارج السلسلة هذه أن تحل دون ثقة أسواق التنبؤ في العالم الحقيقي ، وعقود بروتوكول التأمين ، وما إلى ذلك عن طريق التحقق من المنطق ونشر البراهين على السلسلة.
تطبيقات DeFi على أساس معلمات ML. يمكن أن تكون العديد من جوانب DeFi آلية. على سبيل المثال ، يمكن لبروتوكولات الإقراض استخدام نماذج ML لتحديث المعلمات في الوقت الفعلي. حاليًا ، تعتمد بروتوكولات الإقراض بشكل أساسي على النماذج خارج السلسلة التي تديرها المنظمات لتحديد عوامل الضمان ، ونسب القرض إلى القيمة ، وحدود التصفية ، وما إلى ذلك ، ولكن قد يكون الخيار الأفضل هو نموذج مفتوح المصدر مدرب من قبل المجتمع يمكن لأي شخص تشغيله وتحقق.
استراتيجيات التداول الآلي. من الطرق الشائعة لإثبات خصائص العائد لاستراتيجية النموذج المالي أن يقوم أعضاء البرلمان بتزويد المستثمرين بمختلف بيانات الاختبار الخلفي. ومع ذلك ، لا توجد طريقة للتحقق من أن الإستراتيجي يتبع النموذج عند تنفيذ عملية تداول - يجب على المستثمر أن يثق في أن الخبير الإستراتيجي يتبع النموذج بالفعل. يوفر zkML حلاً حيث يمكن لـ MP تقديم أدلة على تفكير النموذج المالي عند نشره في وظائف محددة. قد يكون هذا مفيدًا بشكل خاص للأقبية التي تديرها DeFi.
2. الأمن
مراقبة الاحتيال للعقود الذكية. بدلاً من السماح للحوكمة البشرية البطيئة أو الجهات الفاعلة المركزية بالتحكم في القدرة على تعليق العقود ، يمكن استخدام نماذج ML لاكتشاف السلوك الضار المحتمل وتعليق العقود.
3. ML التقليدي
تطبيق لامركزي وغير موثوق به لـ Kaggle. يمكن إنشاء بروتوكول أو سوق يسمح للمسؤولين التنفيذيين أو الأطراف المهتمة الأخرى بالتحقق من دقة النماذج دون مطالبة أعضاء البرلمان بالكشف عن أوزان النموذج. هذا مفيد لبيع النماذج ، وإدارة المسابقات حول دقة النموذج ، وما إلى ذلك.
سوق سريع لامركزي للذكاء الاصطناعي التوليدي. نمت التأليف الفوري للذكاء الاصطناعي التوليدي إلى حرفة معقدة ، وغالبًا ما تحتوي مطالبات إنشاء المخرجات المثلى على مُعدِّلات متعددة. قد تكون الأطراف الخارجية على استعداد لشراء هذه التلميحات المعقدة من المبدعين. يمكن استخدام zkML بطريقتين هنا: 1) للتحقق من صحة إخراج التلميح ، لتأكيد المشترين المحتملين أن التلميح ينشئ بالفعل الصورة المطلوبة ؛
4. الهوية
استبدل المفاتيح الخاصة بمصادقة بيومترية تحافظ على الخصوصية. تظل إدارة المفاتيح الخاصة واحدة من أكبر العقبات في تجربة مستخدم الويب 3. يعد تجريد المفاتيح الخاصة من خلال التعرف على الوجه أو عوامل فريدة أخرى أحد الحلول الممكنة لـ zkML.
الإنزال الجوي العادل ومكافآت المساهمين. يمكن استخدام نماذج ML لإنشاء شخصيات مفصلة للمستخدمين لتحديد مخصصات الإنزال الجوي أو مكافآت المساهمة بناءً على عوامل متعددة. يمكن أن يكون هذا مفيدًا بشكل خاص عند دمجه مع حلول الهوية. في هذه الحالة ، تتمثل إحدى الاحتمالات في جعل المستخدمين يقومون بتشغيل نموذج مفتوح المصدر يقوم بتقييم مشاركتهم في التطبيق بالإضافة إلى المشاركة ذات المستوى الأعلى ، مثل منشورات منتدى الحوكمة ، للتوضيح بشأن مهامهم. ثم يتم تقديم هذا الدليل إلى العقد لتخصيص الرمز المقابل.
5. Web3 Social
التصفية لوسائل التواصل الاجتماعي web3. ستؤدي الطبيعة اللامركزية لتطبيقات الويب 3 الاجتماعية إلى زيادة المحتوى الضار والبريد العشوائي. من الناحية المثالية ، يمكن لمنصة الوسائط الاجتماعية استخدام نموذج ML مفتوح المصدر بتوافق المجتمع ونشر البراهين على منطق النموذج عندما يختار تصفية المنشورات. مثال على ذلك: تحليل zkML على خوارزمية Twitter.
الإعلان / التوصية. بصفتي مستخدمًا لوسائل التواصل الاجتماعي ، قد أكون على استعداد لرؤية إعلانات مخصصة ، لكني أرغب في الحفاظ على خصوصية تفضيلاتي واهتماماتي من المعلنين. يمكنني اختيار تشغيل نموذج محليًا حول اهتماماتي ، وإدخاله في تطبيق وسائط لتزويدني بالمحتوى. في هذه الحالة ، قد يرغب المعلنون في الدفع للمستخدمين النهائيين لتحقيق ذلك ، ومع ذلك ، قد تكون هذه النماذج أقل تعقيدًا بكثير من النماذج الإعلانية المستهدفة قيد الإنتاج حاليًا.
6. اقتصاد الخالق / الألعاب
إعادة التوازن في الاقتصاد داخل اللعبة. يمكن تعديل إصدار الرمز ، والتزويد ، والحرق ، وحدود التصويت ، وما إلى ذلك ديناميكيًا باستخدام نماذج ML. أحد النماذج الممكنة هو عقد الحوافز الذي يعيد التوازن إلى الاقتصاد داخل اللعبة إذا تم الوصول إلى حد معين لإعادة التوازن وتم التحقق من إثبات المنطق.
أنواع جديدة من ألعاب السلسلة. يمكن إنشاء البشر المتعاونين مقابل ألعاب الذكاء الاصطناعي وغيرها من الألعاب المبتكرة على السلسلة حيث يعمل نموذج الذكاء الاصطناعي غير الموثوق به كشخصية غير قابلة للعب. يتم نشر كل إجراء تتخذه NPC على السلسلة جنبًا إلى جنب مع دليل يمكن لأي شخص التحقق من تشغيل النموذج الصحيح. في Leela vs. World من Modulus Labs ، يريد المدقق التأكد من أن 1900 ELO AI المحدد يختار الخطوة ، وليس Magnus Carlson. مثال آخر هو AI Arena ، وهي لعبة قتال AI تشبه Super Smash Brothers. في بيئة تنافسية عالية المخاطر ، يرغب اللاعبون في التأكد من أن النماذج التي يدربونها لا تتدخل أو تغش.
! [تحليل متعمق لمسار ZKML: الخطوة التالية في ذكاء العقود الذكية] (https://img.gateio.im/social/moments-40baef27dd-183d2643e5-dd1a6f-62a40f)
المشاريع الناشئة والبنية التحتية
يمكن تقسيم نظام zkML البيئي على نطاق واسع إلى أربع فئات رئيسية:
01 المجمعات النموذجية لإثباتها
في نظام zkML البيئي ، كان معظم الاهتمام ينصب على إنشاء برامج التحويل البرمجي من نموذج إلى برهان. عادةً ما تقوم هذه المجمعات بتحويل نماذج ML المتقدمة إلى دوائر zk باستخدام Pytorch و Tensorflow وما إلى ذلك.
EZKL هي مكتبة وأداة سطر أوامر لاستدلال نماذج التعلم العميق في zk-SNARKs. باستخدام EZKL ، يمكنك تحديد رسم بياني حسابي في Pytorch أو TensorFlow ، وتصديره كملف ONNX مع بعض أمثلة المدخلات في ملفات JSON ، ثم توجيه EZKL إلى هذه الملفات لإنشاء دوائر zkSNARK. مع الجولة الأخيرة من تحسينات الأداء ، يمكن لـ EZKL الآن إثبات نموذج بحجم MNIST في حوالي 6 ثوانٍ و 1.1 جيجابايت من ذاكرة الوصول العشوائي. حتى الآن ، شهدت EZKL بعض التبني المبكر الملحوظ ، حيث يتم استخدامها كبنية أساسية للعديد من مشاريع الهاكاثون.
تحتوي مكتبة Cathie So's circomlib-ml على العديد من قوالب دوائر ML لـ Circom. تتضمن الدوائر بعض وظائف ML الأكثر شيوعًا. إن Keras 2c ircom ، التي طورتها Cathie ، هي أداة Python التي تحول نماذج Keras إلى دوائر Circom باستخدام مكتبة circomlib-ml الأساسية.
طورت LinearA إطارين لـ zkML: Tachikoma و Uchikoma. يستخدم Tachikoma لتحويل الشبكة العصبية إلى شكل صحيح فقط وإنشاء مسارات حسابية. Uchikoma هي أداة تقوم بتحويل التمثيل الوسيط لـ TVM إلى لغات برمجة لا تدعم عمليات الفاصلة العائمة. تخطط LinearA لدعم Circom بحساب المجال و Solidity بحساب الأعداد الصحيحة الموقعة وغير الموقعة.
يعد zkml الخاص بـ Daniel Kang إطار عمل لإثباتات تنفيذ نماذج ML المبنية على عمله في ورقة "توسيع نطاق استدلال DNN غير الموثوق به باستخدام إثباتات المعرفة الصفرية". في وقت كتابة هذا التقرير ، كان قادرًا على إثبات وجود دائرة MNIST في حوالي 5 جيجابايت من الذاكرة وفي حوالي 16 ثانية من وقت التشغيل.
فيما يتعلق بالمجمعين الأكثر عمومية من النموذج إلى الإثبات ، هناك Nil Foundation و Risc Zero. zkLLVM التابع لمؤسسة Nil عبارة عن مترجم دائري قائم على LLVM قادر على التحقق من صحة النماذج الحسابية المكتوبة بلغات البرمجة الشائعة مثل C ++ و Rust و Java / Type. بالمقارنة مع المجمعين الآخرين من النموذج إلى الإثبات المذكورين هنا ، فهي بنية تحتية للأغراض العامة ، لكنها لا تزال مناسبة للحسابات المعقدة مثل zkML. يمكن أن يكون هذا قويًا بشكل خاص عند دمجه مع سوق الإثبات الخاص بهم.
يبني Risc Zero zkVM للأغراض العامة يستهدف مجموعة تعليمات RISC-V مفتوحة المصدر ، وبالتالي يدعم اللغات الناضجة الحالية مثل C ++ و Rust ، بالإضافة إلى سلسلة أدوات LLVM. يتيح ذلك التكامل السلس بين رمز zkVM للمضيف والضيف ، على غرار سلسلة أدوات CUDA C ++ من Nvidia ، ولكن باستخدام محرك ZKP بدلاً من وحدة معالجة الرسومات. على غرار Nil ، استخدم Risc Zero للتحقق من المسار الحسابي لنموذج ML.
02 نظام الإثبات المعمم
كانت التحسينات التي تم إجراؤها على نظام الإثبات هي القوة الدافعة الرئيسية وراء جعل zkML تؤتي ثمارها ، ولا سيما إدخال البوابات المخصصة وجداول البحث. ويرجع ذلك أساسًا إلى اعتماد ML على اللاخطية. باختصار ، يتم تقديم اللاخطية من خلال وظائف التنشيط (مثل ReLU و sigmoid و tanh) التي يتم تطبيقها على ناتج التحويل الخطي في الشبكة العصبية. هذه اللاخطية صعبة التنفيذ في دوائر zk بسبب قيود بوابات التشغيل الرياضية. يمكن أن تساعد جداول البحث والعوامل Bitwise في هذا الأمر عن طريق الحساب المسبق للنتائج المحتملة غير الخطية في جدول البحث ، والذي يعد أكثر كفاءة من الناحية الحسابية في zk.
لهذا السبب ، يميل نظام إثبات Plonkish إلى أن يكون الواجهة الخلفية الأكثر شيوعًا لـ zkML. تتعامل Halo 2 و Plonky 2 مع مخططاتهما الحسابية للجدول مع العلاقات غير الخطية للشبكة العصبية بشكل جيد مع معلمات البحث. بالإضافة إلى ذلك ، يتمتع الأول بنظام بيئي نابض بالحياة من أدوات المطور والمرونة ، مما يجعله خلفية فعلية للعديد من المشاريع ، بما في ذلك EZKL.
أنظمة الإثبات الأخرى لها مزاياها أيضًا. تشمل أنظمة الإثبات القائمة على R 1 CS Groth 16 ، المعروف بحجمه الصغير ، و Gemini ، المعروف بمعالجته للدوائر الكبيرة للغاية وأدوات التحقق الخطية. تعد الأنظمة القائمة على STARK ، مثل مكتبة Winterfell prover / verifier مفيدة بشكل خاص عند أخذ آثار مدخلات لبرامج القاهرة عبر أدوات الجيزة ، واستخدام Winterfell لإنشاء براهين STARK للتحقق من صحة المخرجات.
03 نظام إثبات محدد zkML
تم إحراز بعض التقدم في تصميم أنظمة إثبات فعالة يمكنها التعامل مع العمليات المعقدة غير الملائمة للدوائر لنماذج التعلم الآلي المتقدمة. تميل أنظمة مثل zkCNN المستندة إلى نظام الإثبات الخاص بـ GKR و Zator المستندة إلى تقنيات اندماجية إلى التفوق على أنظمة الإثبات العالمية ، كما هو موضح في التقارير المعيارية لـ Modulus Labs.
zkCNN هي طريقة لإثبات صحة الشبكات العصبية التلافيفية باستخدام براهين المعرفة الصفرية. يستخدم بروتوكول التحقق الإجمالي لإثبات تحويلات فورييه والتلافيفات السريعة ، مع وقت إثبات خطي ، أسرع من نتائج الحوسبة المقاربة. تم تقديم العديد من البراهين التفاعلية للتحسين والتعميم ، بما في ذلك الطبقات التلافيفية للتحقق ، ووظائف تنشيط ReLU ، والتجميع الأقصى. وفقًا لتقرير قياس الأداء الخاص بـ Modulus Labs ، فإن zkCNN مثير للاهتمام بشكل خاص من حيث أنه يتفوق على أنظمة إثبات أخرى للأغراض العامة من حيث سرعة توليد الإثبات واستهلاك ذاكرة الوصول العشوائي.
Zator هو مشروع يهدف إلى استكشاف استخدام SNARKs العودية للتحقق من الشبكات العصبية العميقة. يتمثل القيد الحالي في التحقق من صحة النماذج الأعمق في ملاءمة المسارات الحسابية بأكملها في دائرة واحدة. اقترح Zator استخدام SNARK العودي للتحقق من طبقة تلو الأخرى ، والتي يمكن أن تتحقق تدريجيًا من الحسابات المتكررة N-step. استخدموا Nova لتقليل عدد N من مثيلات الحوسبة إلى مثيل واحد يمكن التحقق منه في خطوة واحدة. باستخدام هذا النهج ، كان Zator قادرًا على SNARK شبكة ذات 512 طبقة ، وهي عميقة مثل معظم نماذج الإنتاج الحالية للذكاء الاصطناعي. لا تزال أوقات إنشاء الإثبات والتحقق من Zator طويلة جدًا بالنسبة لحالات الاستخدام السائدة ، ولكن تقنياتهم المدمجة لا تزال ممتعة للغاية.
التطبيقات
بالنظر إلى الأيام الأولى لـ zkML ، كان تركيزها إلى حد كبير على البنية التحتية المذكورة أعلاه. ومع ذلك ، يوجد حاليًا العديد من المشاريع المخصصة لتطوير التطبيقات.
تعد Modulus Labs واحدة من أكثر المشاريع تنوعًا في مساحة zkML ، حيث تعمل على كل من أمثلة التطبيقات والأبحاث ذات الصلة. على الجانب المطبق ، أظهرت Modulus Labs حالات استخدام لـ zkML مع RockyBot ، وهو روبوت تجاري على السلسلة ، و Leela vs. the World ، وهي لعبة لوحية يلعب فيها البشر ضد محرك Leela الشطرنج المثبت على السلسلة. أجرى الفريق أيضًا بحثًا وكتب The Cost of Intelligence ، والذي يقيس سرعة وكفاءة أنظمة الإثبات المختلفة بأحجام نماذج مختلفة.
تحاول Worldcoin تطبيق zkML لإنشاء بروتوكول إثبات هوية بشرية يحافظ على الخصوصية. تتعامل Worldcoin مع مسح قزحية العين عالي الدقة باستخدام أجهزة مخصصة وتوصيلها بتطبيق Semaphore. يمكن بعد ذلك استخدام هذا النظام لإجراء عمليات مفيدة مثل إثبات العضوية والتصويت. يستخدمون حاليًا بيئة تشغيل موثوقة وجيبًا آمنًا للتحقق من عمليات مسح قزحية العين الموقعة بالكاميرا ، لكن هدفهم النهائي هو استخدام براهين عدم المعرفة للتحقق من المنطق الصحيح للشبكات العصبية لتوفير ضمان أمان على مستوى التشفير.
الجيزة هي بروتوكول يتخذ نهجًا غير موثوق به تمامًا لنشر نماذج الذكاء الاصطناعي على السلسلة. يستخدم تنسيق ONNX لتمثيل نماذج التعلم الآلي ، و Giza Transpiler لتحويل هذه النماذج إلى تنسيق برنامج القاهرة ، و ONNX Cairo Runtime لتنفيذ النماذج بطريقة يمكن التحقق منها وحتمية ، وعقد جيزة النموذج الذكي للنشر على السلسلة و مكدس التكنولوجيا لتنفيذ النموذج. على الرغم من أنه يمكن أيضًا تصنيف الجيزة كمترجم من نموذج إلى برهان ، إلا أن وضعها كسوق لنماذج ML يعد أحد أكثر التطبيقات إثارة للاهتمام في الوقت الحالي.
Gensyn هي شبكة موزعة من موفري الأجهزة لتدريب نماذج ML. على وجه التحديد ، يقومون بتطوير نظام تدقيق احتمالي يعتمد على النسب المتدرج واستخدام نقاط التفتيش النموذجية لتمكين شبكات GPU الموزعة من خدمة التدريب لنماذج كاملة النطاق. على الرغم من أن تطبيقهم لـ zkML هنا محدد جدًا لحالة الاستخدام الخاصة بهم - فهم يريدون التأكد من أنه عندما تقوم العقدة بتنزيل وتدريب جزء من النموذج ، فإنهم صادقون بشأن تحديثات النموذج - فإنه يوضح قوة الجمع بين قوة zk و ML.
يركز ZKaptcha على مشكلة الروبوت في web3 ويوفر خدمات رمز التحقق للعقود الذكية. وقد أدى تطبيقهم الحالي إلى قيام المستخدمين النهائيين بإنشاء أدلة على العمل البشري من خلال إكمال اختبارات CAPTCHA ، والتي يتم التحقق منها بواسطة المدققين على السلسلة ويتم الوصول إليها عن طريق العقود الذكية مع بضعة أسطر من التعليمات البرمجية. اليوم ، يعتمدون بشكل أساسي على zk فقط ، لكنهم يعتزمون تنفيذ zkML في المستقبل ، على غرار خدمات الكابتشا web2 الحالية ، وتحليل السلوك مثل حركات الماوس لتحديد ما إذا كان المستخدم بشريًا.
نظرًا للأيام الأولى لسوق zkML ، تم بالفعل تجربة العديد من التطبيقات على مستوى الهاكاثون. تشمل المشاريع AI Coliseum ، وهي مسابقة AI على السلسلة باستخدام أدلة ZK للتحقق من مخرجات التعلم الآلي ، و Hunter z Hunter ، و أداة البحث عن الصور باستخدام مكتبة EZKL للتحقق من إخراج نموذج تصنيف الصور مع دوائر Halo 2 ، و zk Section 9 ، يقوم بتحويل نماذج توليد الصور بالذكاء الاصطناعي إلى دوائر لتصوير فن الذكاء الاصطناعي والتحقق من صحته.
! [تحليل متعمق لمسار ZKML: الخطوة التالية من ذكاء العقد الذكي] (https://img.gateio.im/social/moments-40baef27dd-42361bb8f9-dd1a6f-62a40f)
تحديات ZKML
على الرغم من التقدم السريع في التحسين والتحسين ، لا يزال مجال zkML يواجه بعض التحديات الأساسية. تتضمن هذه التحديات جوانب فنية وعملية ، بما في ذلك:
التكميم هو عملية تمثيل أرقام الفاصلة العائمة كأرقام النقطة الثابتة. تستخدم معظم نماذج التعلم الآلي أرقام الفاصلة العائمة لتمثيل معلمات النموذج ووظائف التنشيط. عند التعامل مع حساب المجال لدارات zk ، يلزم استخدام أرقام النقطة الثابتة. يعتمد تأثير التكميم على دقة نموذج التعلم الآلي على مستوى الدقة المستخدمة. بشكل عام ، قد يؤدي استخدام دقة أقل (أي عدد أقل من وحدات البت) إلى دقة أقل ، حيث قد يؤدي ذلك إلى حدوث أخطاء في التقريب والتقريب. ومع ذلك ، هناك العديد من التقنيات التي يمكن استخدامها لتقليل تأثير التكميم على الدقة ، مثل ضبط النموذج بعد التكميم ، واستخدام تقنيات مثل التدريب على الوعي الكمي. بالإضافة إلى ذلك ، أظهر Zero Gravity ، وهو مشروع هاكاثون في zkSummit 9 ، أن بنى الشبكات العصبية البديلة المطورة للأجهزة المتطورة ، مثل الشبكات العصبية عديمة الوزن ، يمكن استخدامها لتجنب مشاكل التكميم في الدوائر.
إلى جانب التكميم ، تعد الأجهزة تحديًا رئيسيًا آخر. بمجرد تمثيل نموذج التعلم الآلي بشكل صحيح بواسطة دائرة ، تصبح البراهين التي تثبت تفكيره رخيصة وسريعة بسبب بساطة zk. التحدي هنا ليس مع المدقق ، ولكن مع المثل ، حيث يزداد استهلاك ذاكرة الوصول العشوائي ووقت إنشاء الإثبات بسرعة مع نمو حجم النموذج. بعض أنظمة الإثبات (مثل الأنظمة المستندة إلى GKR التي تستخدم بروتوكول التحقق الإجمالي والدوائر الحسابية الهرمية) أو التقنيات المدمجة (مثل الجمع بين Plonky 2 و Groth 16 ، فإن Plonky 2 فعال من حيث وقت الإثبات ولكنه فعال للنماذج الكبيرة Poor و Groth 16 لا يؤدي إلى نمو حجم الإثبات في تعقيد النماذج المعقدة) هو الأنسب للتعامل مع هذه المشكلات ، لكن إدارة المقايضات تمثل تحديًا أساسيًا في مشاريع zkML.
فيما يتعلق بمكافحة الهجمات ، لا يزال هناك عمل يتعين القيام به. أولاً ، إذا اختار بروتوكول غير موثوق به أو DAO تنفيذ نموذج ، فلا يزال هناك خطر حدوث هجمات معادية أثناء مرحلة التدريب (على سبيل المثال ، تدريب نموذج لإظهار سلوك معين عندما يرى مدخلات معينة ، والتي يمكن استخدامها للتلاعب لاحقًا المنطق). قد تكون تقنيات التعلم الموحدة و zkML في مرحلة التدريب طريقة لتقليل سطح الهجوم هذا.
التحدي الأساسي الآخر هو خطر هجمات سرقة النماذج عندما يحافظ النموذج على الخصوصية. في حين أنه من الممكن تشويش أوزان النموذج ، بالنظر إلى ما يكفي من أزواج المدخلات والمخرجات ، لا يزال من الممكن نظريًا استنتاج الأوزان إلى الوراء. هذا هو في الغالب خطر على النماذج الصغيرة ، ولكن لا تزال هناك مخاطر.
قابلية تمديد العقود الذكية
في حين أن هناك بعض التحديات في تحسين هذه النماذج لتعمل ضمن قيود zk ، فإن التحسينات يتم إجراؤها بمعدل أسي ، ويتوقع البعض أنه مع زيادة تسريع الأجهزة ، سنتمكن قريبًا من العمل مع المجال الأوسع للتعلم الآلي للوصول إلى نفس المستوى. للتأكيد على سرعة هذه التحسينات ، انتقلت zkML من عرض 0x PARC لكيفية تنفيذ نموذج تصنيف صور MNIST صغير الحجم في دائرة يمكن التحقق منها في عام 2021 ، إلى دانيال كانج الذي قام بالشيء نفسه بالنسبة لنموذج مقياس ImageNet بعد أقل من عام. أوراق. في أبريل 2022 ، تحسنت دقة نموذج مقياس ImageNet هذا من 79٪ إلى 92٪ ، ومن المتوقع أن تصبح النماذج الكبيرة مثل GPT-2 ممكنة في المستقبل القريب ، على الرغم من أن وقت الإثبات الحالي أطول.
نحن نعتبر zkML نظامًا بيئيًا غنيًا ومتزايدًا مصممًا لتوسيع قدرات blockchain والعقود الذكية ، مما يجعلها أكثر مرونة وقابلية للتكيف وذكاء.
على الرغم من أن zkML لا يزال في المراحل الأولى من التطوير ، فقد بدأ بالفعل في إظهار نتائج واعدة. مع تطور التكنولوجيا ونضجها ، يمكننا أن نتوقع رؤية المزيد من حالات استخدام zkML المبتكرة على السلسلة.