平衡 AI/ML的力量：ZK 和區塊鏈的作用_區塊鏈:CNN

作者：Hill Tan ， Grace Deng；SevenX Ventures Research

對于我們這些生活在加密貨幣之下的人來說，人工智能已經火了一段時間。有趣的是，沒人想看到一個AI失控。區塊鏈被發明出來就是為了防止美元失控，所以我們可能會嘗試一下。此外，我們現在有了一個新的叫做ZK的技術，它被用來確保事情不會出錯。我只是假設普通人對區塊鏈和ZK有一點了解。然而，為了馴服AI這個野獸，我們必須理解AI是如何工作的。

第一部分：易懂的機器學習簡介 AI已經有了幾個名稱，從“專家系統”到“神經網絡”，然后是“圖形模型”，最后是“機器學習”。所有這些都是“AI”的子集，人們給它們不同的名字，我們對AI的了解也更深了。讓我們深入了解機器學習，揭開機器學習的神秘面紗。

注意：現今大多數的機器學習模型都是神經網絡，因為它們在很多任務上的表現優秀。我們主要將機器學習稱為神經網絡機器學習。

那么，機器學習是如何工作的呢？

首先，讓我們快速了解一下機器學習的內部工作原理：

1 .輸入數據預處理：

輸入數據需要被處理成可以作為模型輸入的格式。這通常涉及到預處理和特征工程，以提取有用的信息，并將數據轉換成適當的形式，例如輸入矩陣或張量（高維矩陣）。這是專家系統的方法。隨著深度學習的出現，層的概念開始自動處理預處理的工作。

2.設置初始模型參數：

初始模型參數包括多個層，激活函數，初始權重，偏置，學習率等。有些可以在訓練中調整，以使用優化算法提高模型的精度。

3.訓練數據：

4.獲取模型的輸出：

神經網絡計算的輸出通常是一個向量或矩陣，表示圖像分類的概率、情感分析分數或其他結果，具體取決于網絡的應用。通常還有另一個錯誤評估和參數更新模塊，它允許根據模型的目的自動更新參數。

如果上面的解釋看起來太晦澀，你可以看看下面使用CNN模型識別蘋果圖像的例子。

圖像作為像素值矩陣載入模型，這個矩陣可以被表示為一個三維張量，其維度為（高度、寬度、通道）。

卷積神經網絡（CNN）模型的初始參數已設定。

輸入圖像通過CNN的多個隱藏層，每一層都應用卷積濾波器從圖像中提取日益復雜的特征。每一層的輸出通過一個非線性激活函數，然后進行池化以減少特征映射的維度。最后一層通常是一個全連接層，根據提取的特征產生輸出預測。

CNN的最終輸出是概率最高的類別。這就是輸入圖像的預測標簽。

我們可以將上述內容總結為一個機器學習信任框架，它包括四個必須可靠的機器學習層次，以使整個機器學習過程可靠：

隨著機器學習（ML）應用的爆炸式增長（復合年增長率超過20%）以及它們在日常生活中的融合程度的增加，如ChatGPT的最近流行，對ML的信任問題變得日益重要，不能被忽視。因此，發現并解決這些信任問題對于確保AI的負責任使用和防止其潛在濫用至關重要。然而，這些問題到底是什么呢？讓我們深入了解。

SBF：加密監管系統正在刀刃上保持平衡:1 月 20 日消息，FTX 首席執行官 Sam Bankman-Fried 在gm from Decrypt播客中表示，加密監管系統正在很多方面用很多方式平衡在刀刃上，這很有趣也將對系統產生深遠影響」。SBF 認為 2021 年 FTX 的亮點不是大規模用戶增長或其體育營銷的支出狂潮，而是在監管方面取得的進展。[2022/1/20 9:01:28]

缺乏透明度或可證明性

信任問題長期以來一直困擾著機器學習，主要原因有兩個：

隱私性：如前所述，模型參數通常是私有的，在某些情況下，模型輸入也需要保密，這自然會在模型擁有者和模型使用者之間帶來一些信任問題。

算法的黑匣子：機器學習模型有時被稱為“黑匣子”，因為它們在計算過程中涉及許多難以理解或解釋的自動化步驟。這些步驟涉及復雜的算法和大量數據，這些數據會帶來不確定的、有時是隨機的輸出，使算法成為偏見甚至歧視的罪魁禍首。

在更深入之前，本文中更大的假設是模型已經“準備好使用”，這意味著它訓練有素并且適合目的。該模型可能不適合所有情況，并且模型以驚人的速度改進，ML 模型的正常保質期為 2 到 18 個月不等，具體取決于應用場景。

模型訓練過程存在信任問題，Gensyn 目前正在努力生成有效證據以促進這一過程。但是，本文將主要關注模型推理過程。現在讓我們使用 ML 的四個構建塊來發現潛在的信任問題：

Input:

數據源不可篡改

私人輸入數據不會被模型運營商竊取（隱私問題）

Model:

該模型本身如所宣傳的那樣準確。

計算過程正確完成。

Parameters:

模型的參數未更改或與宣傳的一樣。

模型參數對模型所有者來說是寶貴的資產，在此過程中不會泄露（隱私問題）

Output:

輸出可證明是正確的（可以通過上述所有元素進行改進）

上面的一些信任問題可以通過簡單地上鏈來解決；將輸入和ML參數上傳到鏈上，模型計算上鏈，可以保證輸入、參數和模型計算的正確性。但是這種方法可能會犧牲可擴展性和隱私性。 Giza 在 Starknet 上是這樣做的，但是由于成本問題，它只支持回歸這樣簡單的機器學習模型，不支持神經網絡。 ZK 技術可以更高效地解決上述信任問題。目前ZKML的ZK通常指的是zkSNARK。首先，讓我們快速回顧一下 zkSNARKs 的一些基礎知識：

一個 zkSNARK 證明證明我知道一些秘密輸入 w 使得這個計算的結果 f 是 OUT 是真的而不告訴你 w 是什么。證明生成過程可以概括為幾個步驟：

1.制定一個需要證明的陳述：f(x,w)=true

“我已經使用帶有私有參數 w 的 ML 模型 f 對這張圖像 x 進行了正確分類。”

2.將語句轉換為電路（Arithmetization）：不同的電路構造方法包括R1CS、QAP、Plonkish等。

聲音 | Derek Schloss：在加密監管方面 美國應該平衡傳統和顛覆型技術:證券型代幣教育平臺Security Token Academy戰略總監Derek Schloss近期接受采訪時表示，對于加密領域的監管，美國應該采取一種謹慎的方法，即確定“如何最好地參與其中”，以保持傳統型與顛覆型技術之間的平衡為目標，“監管機構目前面臨的困難是，一方面要保護我們的傳統金融市場，另一方面又不能在顛覆性技術有機會真正啟動之前就將其扼殺。”Schloss補充說，世界其他地區正在“迅速行動”，為“新的數字資產經濟”制定“指導方針”，但由于美國在傳統金融領域處于領先地位，他們應該保持進入數字世界的勢頭，“就我們的傳統金融市場而言，美國確實在全球有顯著的領先優勢。為了保持現有的地位，美國最終必須加大立法和監管力度，并創造出我們市場可以依賴的、經過深思熟慮的引導方案。”（AMBCrypto）[2020/1/1]

與其他用例相比，ZKML 需要一個稱為量化的額外步驟。神經網絡推理通常在浮點運算中完成，這在運算電路的主要領域中進行仿真是極其昂貴的。不同的量化方法是精度和設備要求之間的權衡。一些電路構造方法如 R1CS 對神經網絡效率不高。可以調整這部分以提高性能。

3.生成證明密鑰和驗證密鑰

4.創建見證人：當 w=w*,f(x,w)=true

5.創建哈希承諾：見證人 w* 承諾使用加密哈希函數生成哈希值。然后可以公開此散列值。

它有助于確保私有輸入或模型參數在計算過程中未被篡改或修改。此步驟至關重要，因為即使是微小的修改也會對模型的行為和輸出產生重大影響。

6.生成證明：不同的證明系統使用不同的證明生成算法。

需要為機器學習操作設計特殊的零知識規則，例如矩陣乘法和卷積層，從而為這些計算提供具有亞線性時間的高效協議。

由于計算工作量太大，像 groth16 這樣的通用 zkSNARK 系統可能無法有效地處理神經網絡。

自 2020 年以來，出現了許多新的 ZK 證明系統來優化模型推理過程的 ZK 證明，包括 vCNN、ZEN、ZKCNN 和 pvCNN。然而，它們中的大多數都針對 CNN 模型進行了優化。它們只能應用于某些原始數據集，例如 MNIST 或 CIFAR-10。

2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 創始人）提出了一種基于 Halo2 的新證明方案，首次實現了 ImageNet 數據集的 ZK 證明生成。他們的優化主要落在算術部分，具有新穎的非線性查找參數和跨層子電路的重用。

正在對鏈上推理的不同證明系統進行基準測試，發現在證明時間方面，ZKCNN 和 plonky2 表現最好；在峰值證明者內存使用方面，ZKCNN 和 halo2 表現良好；而 plonky，雖然表現不錯，但犧牲了內存消耗，ZKCNN 僅適用于 CNN 模型。它還正在開發一個新的 zkSNARK 系統，特別是針對帶有新虛擬機的 ZKML。

7.驗證證明：驗證者使用驗證密鑰進行驗證，無需見證人知曉。

聲音 | 紐約州議員：需與各方合作為加密貨幣找到平衡監管制度:據cryptoninjas報道，美國紐約州議員、互聯網與新技術小組委員會主席Clyde Vanel刊文稱，加密貨幣不僅僅是存儲價值的資產，它被用作貨幣，一種交換商品和服務的手段，甚至還用于記錄合同和交易。更有趣的是，區塊鏈技術的技術可用于公共和私營部門，以提高透明度和效率。政府應該考慮將區塊鏈用于選舉、重要記錄和房地產交易的記錄。令人驚訝的是，加密貨幣和區塊鏈技術仍處于起步階段。 Vanel認為，立法者不應該在孤島中做出決。必須與各利益相關方合作，為紐約州的區塊鏈和加密貨幣找到適當的平衡監管制度。[2018/12/4]

因此，我們可以證明，將零知識技術應用于機器學習模型可以解決很多信任問題。使用交互式驗證的類似技術可以實現類似的結果，但將需要驗證方更多的資源，并可能面臨更多的隱私問題。值得注意的是，根據確切的模型，為它們生成證明可能會耗費時間和資源，因此當該技術最終在實際用例中實施時，會在各個方面做出妥協。

接下來，桌子上有什么？請記住，模型提供者可能不想生成 ZKML 證明的原因有很多。對于那些有足夠勇氣嘗試 ZKML 并且當解決方案對實施有意義時，他們可以根據他們的模型和輸入所在的位置從幾個不同的解決方案中進行選擇：

如果輸入數據在鏈上，Axiom 可以被視為一種解決方案：

Axiom 正在為以太坊構建一個 ZK 協處理器，以改善用戶對區塊鏈數據的訪問并提供更復雜的鏈上數據視圖。對鏈上數據進行可靠的機器學習計算是可行的：

如果模型上鏈，可以考慮 RISC Zero 作為解決方案：

RISC 零 ZKVM 是一個 RISC-V 虛擬機，它產生它執行的代碼的零知識證明。使用 ZKVM，生成加密收據，任何人都可以驗證它是由 ZKVM 的訪客代碼生成的。發布收據不會透露有關代碼執行的其他信息（例如，提供的輸入）。

通過在 RISC Zero 的 ZKVM 中運行機器學習模型，可以證明執行了模型中涉及的精確計算。計算和驗證過程可以在用戶首選環境中的鏈下完成，也可以在通用匯總的盆景網絡中完成。

生成 ZK 證明的確切過程涉及一個以隨機預言機作為驗證者的交互協議。 RISC 零收據上的印章本質上是此交互協議的抄本。

如果您想直接從 Tensorflow 或 Pytorch 等常用的 ML 軟件導入模型，可以考慮使用 ezkl 作為解決方案：

Ezkl 是一個庫和命令行工具，用于對 zkSNARK 中的深度學習模型和其他計算圖進行推理。

看起來很簡單，對吧？ ezkl 的目標是提供一個抽象層，允許在 Halo 2 電路中調用和布置更高級別的操作。 Ezkl 抽象化了很多復雜性，同時保持了難以置信的靈活性。他們的量化模型有一個用于自動量化的比例因子。隨著新解決方案的出現，它們支持對其他證明系統進行靈活更改。它們還支持多種類型的虛擬機，包括 EVM 和 WASM。

在證明系統方面，ezkl customs halo2 circuits通過聚合證明（通過中介將難以驗證的變成容易驗證的）和遞歸（可以解決內存問題，但很難適應halo2）。 Ezkl 還使用融合和抽象優化了整個過程（可以通過高級證明減少開銷）。

聲音 | 工信部信軟司處長：探索把握區塊鏈技術創新和行業監管的平衡:工業和信息化部信息化和軟件服務業司處長史惠康今日在可信區塊鏈標準與評測論壇上表示，要深入研究把握技術和產業發展趨勢，加強與相關部門的溝通協調，密切關注國際發展前沿動態，推動區塊鏈相關技術和產業的研究工作，深入分析區塊鏈對經濟社會造成的影響，探索把握區塊鏈技術創新和行業監管的平衡。[2018/10/10]

另外值得注意的是，相對于其他通用的zkml項目，Accessor Labs專注于提供專為全鏈上游戲設計的zkml工具，可能涉及AI NPC、游戲玩法自動更新、涉及自然語言的游戲界面等。

使用 ZK 技術解決 ML 的信任問題意味著它現在可以應用于更多“高風險”和“高度確定性”的用例，而不僅僅是跟上人們的談話或區分貓的圖片和狗的圖片。 Web3 已經在探索很多這樣的用例。這并非巧合，因為大多數 Web3 應用程序在區塊鏈上運行或打算在區塊鏈上運行，因為區塊鏈的特定性質可以安全運行、難以篡改并具有確定性計算。一個可驗證的行為良好的人工智能應該是一個能夠在去信任和去中心化的環境中進行活動的人工智能，對吧？

ZK+ML 有效的 Web3 用例

許多 Web3 應用程序為了安全和去中心化而犧牲用戶體驗，因為這顯然是他們的首要任務，并且基礎設施的限制也存在。 AI/ML 有可能豐富用戶體驗，這肯定會有所幫助，但以前似乎不可能不妥協。現在，感謝 ZK，我們可以輕松地看到 AI/ML 與 Web3 應用程序的結合，而不會在安全性和去中心化方面做出太多犧牲。

本質上，它將是一個以無信任方式實現 ML/AI 的 Web3 應用程序（在撰寫本文時可能存在也可能不存在）。通過去信任的方式，我們的意思是它是否在去信任的環境/平臺中運行，或者它的操作是可證明可驗證的。請注意，并非所有 ML/AI 用例（即使在 Web3 中）都需要或首選以去信任的方式運行。我們將分析在各種 Web3 領域中使用的 ML 功能的每個部分。然后，我們會識別出需要ZKML的部分，通常是人們愿意花額外的錢來證明的高價值部分。

下面提到的大多數用例/應用程序仍處于實驗研究階段。因此，它們離實際采用還很遠。我們稍后會討論原因。

Defi 是為數不多的適合區塊鏈協議和 Web3 應用程序的產品市場之一。能夠以無需許可的方式創造、存儲和管理財富和資本在人類歷史上是前所未有的。我們已經確定了許多 AI/ML 模型需要在未經許可的情況下運行以確保安全性和去中心化的用例。

風險評估：現代金融需要 AI/ML 模型進行各種風險評估，從防止欺詐和洗錢到發放無抵押貸款。確保這個 AI/ML 模型以可驗證的方式運行意味著我們可以防止它們被操縱進入審查制度，這阻礙了使用 Defi 產品的無許可性質。

資產管理：自動交易策略對于 Tradfi 和 Defi 來說并不新鮮。已經嘗試應用 AI/ML 生成的交易策略，但只有少數去中心化策略獲得成功。目前 defi 領域的典型應用包括 Modulus Labs 試驗的 rocky bot。

現場 | DBX鏈創始人Tomi：DDPos 機制可在性能和公平之間達到平衡:金色財經現場報道，7月4日，在日本東京舉辦的TOKENSKY區塊鏈+全球高峰論壇上，DBX鏈創始人Tomi表示DDPos 機制可在性能和公平之間達到新的平衡。區塊鏈提供的本質是代碼和法律的原則，但一直以來面臨著兩大難問題——安全和性能。POW和DPOS是有明顯的問題，POW成本高、效率低，而DPOS過度中心化，不民主、有很大的安全問題。DDPoS將機制不是節點，而是角色，底層數據交換實時參與投票，其隨機性可以使安全得到提升。其設計類似于超級節點設計，但是隨機性增加了其安全性和民主性。該機制使用時間加權證明，特點是匯入節點的成本非常高，因為通過經濟的手段進行匯選，可以讓節點更加重視安全和節點地位。DDPoS的優勢在TPS上和EOS類似，但EOS不民主、過于集中、不流動，帶來了很大的安全問題。DDPoS機制在EOS上進行了改良，在安全和性能上超越EOS。[2018/7/4]

The Rocky Bot ：Modulus Labs 在 StarkNet 上創建了一個交易機器人，使用人工智能進行決策。

自動化 MM 和流動性供應：這本質上是在風險評估和資產管理方面進行的類似努力的組合，只是在涉及數量、時間表和資產類型時以不同的方式進行。關于機器學習如何用于股票市場做市的論文很多。其中一些適用于 Defi 產品可能只是時間問題。

例如，Lyra Finance 正在與 Modulus Labs 合作，通過智能功能增強他們的 AMM，以提高資本效率。

榮譽獎: Warp.cc 團隊開發了一個教程項目，介紹如何部署運行訓練有素的神經網絡以預測比特幣價格的智能合約。這屬于我們框架的“輸入”和“模型”部分，因為輸入由 RedStone Oracles 提要提供，并且模型作為 Arweave 上的 Warp 智能合約執行。這是第一次迭代并且涉及到 ZK，所以它屬于我們的榮譽獎，但在未來 Warp 團隊考慮實現 ZK 部分

游戲與機器學習有很多交集：

圖中的灰色區域代表我們對游戲部分的 ML 功能是否需要與相應的 ZKML 證明配對的初步評估。 Leela Chess Zero 是將 ZKML 應用于游戲的一個非常有趣的示例：

AI Agents

Leela Chess Zero (LC0)：由 Modulus Labs 打造的完全鏈上人工智能國際象棋棋手，與來自社區的一群人類棋手對弈。

LC0 和人類集體輪流下棋（象棋應該如此）。

LC0 的移動是使用簡化的、電路友好的 LC0 模型計算的。

LC0 的舉動生成了 Halo2 snark 證明，以確保沒有人為策劃干預。只有簡化的 LC0 模型可以做出決定。

這適合“模型”部分。該模型的執行具有 ZK 證明，以驗證計算未被篡改。

數據分析和預測：這是 AI/ML 在 Web2 游戲世界中的常見用途。然而，我們發現很少有理由將 ZK 實施到這個 ML 過程中。為了不直接參與該過程的太多價值，可能不值得付出努力。但是，如果使用某些分析和預測來確定用戶的獎勵，則可能會實施 ZK 以確保結果正確。

榮譽獎:

AI Arena 是一款以太坊原生游戲，全世界的玩家都可以在其中設計、訓練和戰斗由人工神經網絡驅動的 NFT 角色。來自世界各地的才華橫溢的研究人員競相創建最佳的機器學習 (ML) 模型以在游戲中進行戰斗。 AI Arena 專注于前饋神經網絡。通常，它們的計算開銷低于卷積神經網絡 (CNN) 或遞歸神經網絡 (RNN)。不過，就目前而言，模型只有在經過訓練后才會上傳到平臺，因此值得一提。

GiroGiro.AI 正在構建一個 AI 工具包，使大眾能夠創建用于個人或商業用途的人工智能。用戶可以基于直觀和自動化的 AI 工作流平臺創建各種 AI 系統。只需輸入少量數據并選擇算法（或用于改進的模型），用戶就會在腦海中生成和利用 AI 模型。盡管該項目處于非常早期的階段，但由于 GiroGiro 專注于 gamefi 和以虛擬世界為重點的產品，因此我們非常期待看到它能帶來什么，因此它獲得了榮譽獎。

在DID&social領域，web3和ml的交集目前主要在proof of humanity和proof of credentials領域；其他部分可能會發展，但需要更長的時間。

人性的證明

Worldcoin 使用一種稱為 Orb 的設備來確定某人是否是一個沒有試圖欺騙驗證的真實存在的人。它通過各種相機傳感器和分析面部和虹膜特征的機器學習模型來實現這一點。一旦做出決定，Orb 就會拍攝一組人的虹膜照片，并使用多種機器學習模型和其他計算機視覺技術來創建虹膜代碼，這是個人虹膜圖案最重要特征的數字表示。具體報名步驟如下：

Worldcoin 使用開源的 Semaphore 零知識證明系統將 IrisHashes 的唯一性轉移到用戶帳戶的唯一性，而無需將它們鏈接起來。這確保了新注冊的用戶可以成功領取他/她的 WorldCoins。步驟如下：

WorldCoin 使用 ZK 技術確保其 ML 模型的輸出不會泄露用戶的個人數據，因為它們不會相互關聯。在這種情況下，它屬于我們信任框架的“輸出”部分，因為它確保輸出以所需方式傳輸和使用，在這種情況下是私密的。

行動證明

Astraly 是一個建立在 StarkNet 上的基于聲譽的代幣分發平臺，用于尋找和支持最新最好的 StarkNet 項目。衡量聲譽是一項具有挑戰性的任務，因為它是一個抽象概念，無法用簡單的指標輕松量化。在處理復雜的指標時，通常情況下，更全面和多樣化的輸入會產生更好的結果。這就是為什么 Astraly 正在尋求 modulus labs 的幫助，以使用 ML 模型來提供更準確的聲譽評級。

個性化推薦和內容過濾

Twitter 最近為“為你”時間線開源了他們的算法，但用戶無法驗證該算法是否正確運行，因為用于對推文進行排名的 ML 模型的權重是保密的。這導致了對偏見和審查制度的擔憂。

然而，Daniel Kang、Edward Gan、Ion Stoica 和 Yi Sun 提供了一種解決方案，使用 ezkl 提供證據證明 Twitter 算法在不泄露模型權重的情況下誠實運行，從而幫助平衡隱私和透明度。通過使用 ZKML 框架，Twitter 可以提交其排名模型的特定版本，并發布證據證明它為給定用戶和推文生成了特定的最終輸出排名。該解決方案使用戶能夠驗證計算是否正確執行，而無需信任系統。雖然要使 ZKML 更加實用還有很多工作要做，但這是提高社交媒體透明度的積極步驟。因此，這屬于我們的 ML 信任框架的“模型”部分。

可以看出，ZKML 在 web3 中的潛在用例仍處于起步階段，但不容忽視；未來隨著ZKML的使用范圍不斷擴大，可能會出現對ZKML提供者的需求，形成下圖的閉環：

ZKML 服務提供商主要關注 ML 信任框架的“模型”和“參數”部分。盡管我們現在看到的大多數與“模型”相關而不是“參數”。請注意，“輸入”和“輸出”部分更多地由基于區塊鏈的解決方案解決，用作數據源或數據目的地。單獨的 ZK 或區塊鏈可能無法實現完全可信，但它們聯合起來可能會做到。

Modulus Labs 的論文通過測試 Worldcoin（具有嚴格的精度和內存要求）和 AI Arena（具有成本效益和時間要求），為我們提供了一些關于 ZKML 應用可行性的數據和見解：

如果 Worldcon 使用 ZKML，證明者的內存消耗將超過任何商用移動硬件。如果 AI Arena 的錦標賽使用 ZKML，則使用 ZKCNN 會將時間和成本增加到 100 倍（0.6 秒對原來的 0.008 秒）。所以遺憾的是，直接應用 ZKML 技術來證明時間和證明內存使用都是不可行的。

證明大小和驗證時間如何？我們可以參考 Daniel Kang 、 Tatsunori Hashimoto 、 Ion Stoica 和 Yi Sun 的論文。如下圖所示，他們的 DNN 推理解決方案可以在 ImageNet（模型類型：DCNN，16 層，340 萬個參數）上實現高達 79% 的準確率，同時只需 10 秒和 5952 字節的驗證時間。此外，zkSNARKs 可以縮小到只需 0.7 秒即可以 59% 的準確率進行驗證。這些結果表明 zkSNARKing ImageNet 規模模型在證明大小和驗證時間方面的可行性。

現在主要的技術瓶頸在于時間和內存消耗的證明。在 web3 案例中應用 ZKML 在技術上仍然不可行。 ZKML 能否抓住 AI 的發展潛力？我們可以對比幾個經驗數據：

ML模型的發展速度：2019年發布的GPT-1模型有1.5億個參數，而2020年最新發布的GPT-3模型有1750億個參數，參數數量在短短兩年內增長了1166倍.

ZK系統的優化速度：ZK系統的性能增長基本遵循“摩爾定律”式的步伐。?幾乎每年都會推出新的 ZK 系統，我們預計證明者性能的火箭式增長將持續一段時間。

比較前沿的ML對ZK的提升幅度，前景不是很樂觀。然而，隨著rollup性能、ZK硬件以及基于高度結構化神經網絡操作的量身定制的ZK證明系統的不斷改進，希望ZKML的開發能夠滿足web3的需求，并從提供一些老式的機器學習功能開始第一的。

盡管我們可能很難使用區塊鏈 + ZK 來驗證 ChatGPT 提供給我的信息是否值得信賴，但我們或許能夠將一些更小和更舊的 ML 模型放入 ZK 電路中。

“權力導致腐敗，絕對的權力導致絕對的腐敗”。憑借 AI 和 ML 令人難以置信的力量，目前還沒有萬無一失的方法將其置于治理之下。政府一再證明可以為后果提供后期干預或早期徹底禁止。區塊鏈 + ZK 提供了能夠以可證明和可驗證的方式馴服野獸的少數解決方案之一。

我們期待在 ZKML 領域看到更多的產品創新，ZK 和區塊鏈為 AI/ML 的運行提供安全可信的環境。我們還期望全新的商業模式會從這些產品創新中產生，因為在無需許可的加密世界中，我們不受這里首選的 SaaS 商業化模式的限制。我們期待支持更多的建設者前來，在這個“狂野西部無政府狀態”和“象牙塔精英”的迷人重疊中構建他們激動人心的想法。

我們還早，但我們可能會在路上拯救世界。

DeFi之道

個人專欄

閱讀更多

金色薦讀

金色財經 善歐巴

迪新財訊

Chainlink預言機

區塊律動BlockBeats

白話區塊鏈

金色早8點

Odaily星球日報

Arcane Labs

歐科云鏈

Tags：區塊鏈CNNWEBWEB3區塊鏈的未來發展前景作者是誰CNNCWeb3Campweb3域名值錢嗎

Polygon