La tecnología blockchain y el aprendizaje automático, como dos campos que han atraído mucha atención, lideran el progreso tecnológico con sus características descentralizadas y capacidades basadas en datos, respectivamente. ZK (Zero-Knowledge, en lo sucesivo denominado ZK) en la tecnología blockchain es un concepto en criptografía, que se refiere a una prueba o proceso interactivo en el que el probador puede probar la veracidad de una declaración al verificador sin revelar ninguna información específica sobre esto. declaración. ML (Machine Learning, Machine Learning, en lo sucesivo denominado ML) es una rama de la IA. El aprendizaje automático aprende de los datos de entrada, los resume para formar un modelo y hace predicciones y decisiones.
En este contexto, ZKML (Zero-Knowledge Machine Learning), que combina los dos, ha florecido recientemente. ZKML combina las capacidades de verificación y protección de la privacidad de la prueba de conocimiento cero con las capacidades de procesamiento de datos y toma de decisiones del aprendizaje automático, lo que brinda nuevas oportunidades y posibilidades para las aplicaciones de blockchain. ZKML nos brinda una solución para proteger simultáneamente la privacidad de los datos, verificar la precisión del modelo y mejorar la eficiencia computacional.
¡Este artículo presentará ZKML en profundidad, comprenderá sus principios técnicos y escenarios de aplicación, explorará este emocionante campo cruzado con desarrolladores y revelará cómo ZKML puede construir un futuro digital con privacidad, seguridad y eficiencia más completas!
ZKML: la combinación de prueba de conocimiento cero y aprendizaje automático
Hay dos razones por las que la prueba de conocimiento cero y el aprendizaje automático se pueden combinar en la cadena de bloques:
Por un lado, la tecnología de conocimiento cero de ZK no solo espera realizar la verificación eficiente de las transacciones en cadena, sino que los desarrolladores de ZK también esperan que ZK pueda usarse en un campo ecológico más amplio. El poderoso soporte de IA de ML se ha convertido en un polo para ZK aplicación expansión ecológica Buen ayudante.
Por otro lado, todo el proceso desde el desarrollo hasta el uso de modelos ML se enfrenta al problema de la prueba de confianza. ZK puede ayudar a ML a realizar la prueba de validez sin filtrar datos e información, y resolver el dilema de confianza de ML. La combinación de ZKML significa que ambos toman lo que necesitan y van en ambas direcciones, y también agregará impulso a la ecología de la cadena de bloques.
Las necesidades y capacidades de desarrollo de ZK y ML se complementan entre sí
ML tiene muchos problemas de confianza que resolver, y es necesario probar la precisión, la integridad y la privacidad de los flujos de trabajo individuales. ZK puede verificar de manera efectiva si algún tipo de computación funciona correctamente bajo la premisa de garantizar la privacidad, lo que resuelve el problema de larga data de la prueba de confianza en el aprendizaje automático. La integridad del modelo es un problema importante de prueba de confianza en el proceso de capacitación de ML, pero la protección de la privacidad de los datos y la información que se entrena y utiliza el modelo de ML es igualmente importante. Esto dificulta que la capacitación de ML pase la agencia reguladora y de auditoría de terceros para completar la prueba de confianza, y el ZK descentralizado con atributos de conocimiento cero es una ruta de prueba de confianza que es altamente compatible con ML.
"AI mejora la productividad, blockchain optimiza las relaciones de producción", ML inyecta un mayor impulso de innovación y calidad de servicio en la pista ZK, ZK brinda verificabilidad y protección de la privacidad para ML, y ZKML y ZKML se complementan entre sí en el entorno blockchain.
Ventajas técnicas de ZKML
Las principales ventajas técnicas de ZKML se dan cuenta de la combinación de integridad computacional, protección de la privacidad y optimización heurística. Desde una perspectiva de privacidad, las ventajas de ZKML son:
Lograr una verificación transparente
La prueba de conocimiento cero (ZK) puede evaluar el rendimiento del modelo sin exponer los detalles internos del modelo, lo que permite un proceso de evaluación transparente y sin confianza.
Garantía de privacidad de datos
ZK se puede utilizar para verificar datos públicos mediante un modelo público o verificar datos privados mediante un modelo privado, lo que garantiza la privacidad y la confidencialidad de los datos.
El propio ZK garantiza la exactitud de una determinada declaración bajo la premisa de garantizar la privacidad a través de protocolos criptográficos, lo que resuelve los defectos del aprendizaje automático de prueba de corrección informática en la protección de la privacidad y el aprendizaje automático de cifrado homomórfico en la protección de la privacidad. La incorporación de ZK en el proceso de ML crea una plataforma segura y que preserva la privacidad que aborda las deficiencias del aprendizaje automático tradicional. Esto no solo anima a las empresas de privacidad a adoptar técnicas de aprendizaje automático, sino que los desarrolladores de Web2 también están más motivados para explorar el potencial tecnológico de Web3.
ZK Empowers ML: proporciona infraestructura en cadena
Los grilletes del poder de cómputo en la cadena ML y ZK-SNARKs
La razón por la cual ML, que es relativamente maduro fuera de la cadena, acaba de ingresar a la cadena es porque el costo de la potencia informática de la cadena de bloques es demasiado alto. Muchos proyectos de aprendizaje automático no pueden ejecutarse directamente en el entorno de cadena de bloques representado por EVM debido a limitaciones de potencia informática. Al mismo tiempo, aunque la verificación de validez de ZK es más eficiente que el doble cálculo, esta ventaja se limita al procesamiento de datos de transacciones nativo de la cadena de bloques. Cuando las operaciones e interacciones criptográficas ya complejas de ZK se enfrentan a una gran cantidad de operaciones de ML, se expone el problema de bajo TPS de la cadena de bloques, y el problema de la baja potencia informática de la cadena de bloques se ha convertido en el mayor obstáculo que obstaculiza el ML en la cadena.
La aparición de ZK-SNARK alivia el problema de los requisitos de alta potencia informática de ML. ZK-SNARKs es una construcción criptográfica de prueba de conocimiento cero, y su nombre completo es "Argumento de conocimiento sucinto no interactivo de conocimiento cero". Es una técnica basada en criptografía de curva elíptica y encriptación homomórfica para pruebas eficientes de conocimiento cero. ZK-SNARK se caracteriza por su alta compacidad. Al usar ZK-SNARK, el probador puede generar una prueba corta y compacta, y el verificador solo necesita realizar una pequeña cantidad de cálculo para verificar la validez de la prueba sin tener que comunicarse con el probar muchas veces interactuar. Esta naturaleza de requerir solo una interacción del probador al verificador hace que los ZK-SNARK sean eficientes y prácticos en aplicaciones prácticas, y es más adecuado para los requisitos de potencia informática de ML en la cadena. Actualmente, los ZK-SNARK son la principal forma de ZK en ZKML.
Requisitos de infraestructura en cadena de ML y proyectos correspondientes
El empoderamiento de ZK a ML se refleja principalmente en la prueba de conocimiento cero de todo el proceso de ML, que es la interacción entre ML y las funciones en la cadena. Los dos problemas principales que deben resolverse en esta interacción son conectar los formularios de datos de los dos y proporcionar potencia informática para el proceso de prueba ZK.
**Aceleración de hardware ZK: **La prueba ZK de ML es más complicada, lo que requiere potencia informática en cadena asistida por hardware para acelerar el cálculo de la prueba. Dichos proyectos incluyen: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
**Procesamiento de datos de ML en la cadena: **Procese los datos de la cadena en un formulario de datos que pueda ingresar al entrenamiento de ML y ayude a que se acceda más fácilmente a la salida de ML desde la cadena. Dichos proyectos incluyen: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
**Circuitización de cálculo de ML: **El modo de cálculo de ML es diferente de la prueba de circuitoización en cadena de ZK, y la cadena de ML debe convertir su modo de cálculo en una forma de circuito que pueda ser procesada por blockchain ZK. Dichos proyectos incluyen: Modulus Labs, Jason Morton, Giza.
Prueba de ZK de **resultado de ML: **El problema de prueba de confianza de ML debe ser resuelto por ZK en la cadena. La aplicación basada en ZK-SNARK construida sobre Risc Zero o Nil Foundation puede realizar la prueba de autenticidad del modelo. Dichos proyectos incluyen: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML Empowering ZK: Enriquecimiento de los escenarios de aplicaciones Web3
ZK resuelve el problema de prueba de confianza de ML y brinda a ML la oportunidad de encadenarse. Muchos campos de Web3 necesitan con urgencia la productividad o el soporte de decisiones de AI ML.ZKML permite que las aplicaciones en cadena realicen el empoderamiento de AI bajo la premisa de garantizar la descentralización y la eficacia.
DeFi
ZKML puede ayudar a DeFi a estar más automatizado, uno es la automatización de actualizaciones de parámetros de protocolo en la cadena; el otro es la automatización de estrategias comerciales.
Modulus Labs lanzó RockyBot, el primer bot comercial de IA completamente en cadena.
HIZO
ZKML puede ayudar a la construcción de la identidad descentralizada Web3 DID. Anteriormente, los modos de gestión de identidad, como claves privadas y mnemónicos, hacían que la experiencia del usuario de Web3 fuera deficiente. La construcción DID real se puede completar a través de ZKML para identificar la información biológica de los sujetos de Web3. Al mismo tiempo, ZKML puede garantizar la seguridad de la privacidad de la información biológica del usuario. .
Worldcoin está implementando ZKML para la verificación DID de conocimiento cero basada en el escaneo del iris.
juego
ZKML puede ayudar a los juegos Web3 a lograr funciones completas en la cadena. ML puede brindar una automatización diferenciada a la interacción del juego y aumentar la diversión del juego, mientras que ZK puede tomar las decisiones de interacción de ML en la cadena.
Modulus Labs lanza el juego de ajedrez con tecnología ZKML @VsLeela;
AI ARENA usa ZKML para darse cuenta de la alta interactividad de los juegos NFT en la cadena.
Cuidado de la Salud y Asesoramiento Jurídico
La atención médica y la consultoría legal son áreas con alta privacidad y requieren una gran cantidad de acumulaciones de casos. ZKML puede ayudar a los usuarios a tomar decisiones y garantizar que la privacidad de los usuarios no se filtre.
Desafíos ZKML
Actualmente, ZKML se está desarrollando vigorosamente, pero debido a que no es nativo de la cadena de bloques y requiere mucha potencia de cómputo, ZKML enfrentará principalmente los siguientes dos desafíos en el futuro:
Problema de distorsión de parámetros en el proceso de cuantificación y carga de datos de ML:
*La mayoría de ML usa números de punto flotante para representar los parámetros del modelo, mientras que los circuitos ZK necesitan usar números de punto fijo. En el proceso de conversión de tipo digital, la precisión de los parámetros de ML se reducirá, lo que conducirá a la distorsión de los resultados de salida de ML hasta cierto punto.
Los requisitos de alta potencia informática de su gran modelo ZK prueban:
En la actualidad, el poder de cómputo de la cadena de bloques no puede hacer frente a ZKML de gran escala y alto cálculo en la cadena. Los populares ZK-SNARK actuales solo admiten pruebas de conocimiento cero de ML de pequeña y pequeña escala. La limitación de la potencia informática es un factor clave que afecta el desarrollo de las aplicaciones de cadena de bloques ZKML.
La etapa de generación de pruebas ZK tiene una alta complejidad computacional y requiere muchos recursos de potencia de cómputo. Debido a la alta correlación entre los datos accedidos y procesados en la etapa de prueba ZK, es difícil distribuir este proceso y no puede ser "paralelizable". La distribución de este proceso puede introducir una complejidad adicional e incluso degradar el rendimiento general. En la actualidad, para resolver el problema de la eficiencia informática ZK, la dirección de investigación principal se centra más en la optimización de algoritmos y la aceleración de hardware.
Conclusión
ZKML es un movimiento bidireccional entre la prueba de conocimiento cero y el aprendizaje automático. La tecnología blockchain ZK recientemente desarrollada ayuda a ML a resolver el problema de la prueba de confianza y proporciona un entorno en cadena para ML; la tecnología AI madura ML ayuda a ZK a realizar Web3 ecológico expansión e innovación de aplicaciones.
El desarrollo de ZKML enfrenta algunos desafíos, como problemas de distorsión de parámetros y requisitos de alta potencia informática para modelos grandes, pero estos problemas pueden resolverse mediante la innovación tecnológica y la aceleración de hardware. Con la aparición y el desarrollo continuos de proyectos ZKML, podemos prever que aportará más innovación y valor al ecosistema Web3 en campos como DeFi, DID, juegos y atención médica.
En el futuro, se espera que ZKML se convierta en la clave para desbloquear verdaderamente la integración cruzada de Web3 + AI, brindando un fuerte apoyo para desarrollar aún más la seguridad, la protección de la privacidad y las aplicaciones de cadena de bloques eficientes. ¡Al combinar el conocimiento cero de ZK y las capacidades de procesamiento de datos de ML, seguramente podremos crear un mundo digital más abierto, inteligente y confiable!
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Un vistazo a las ventajas y desafíos del aprendizaje automático de conocimiento cero ZKML
La tecnología blockchain y el aprendizaje automático, como dos campos que han atraído mucha atención, lideran el progreso tecnológico con sus características descentralizadas y capacidades basadas en datos, respectivamente. ZK (Zero-Knowledge, en lo sucesivo denominado ZK) en la tecnología blockchain es un concepto en criptografía, que se refiere a una prueba o proceso interactivo en el que el probador puede probar la veracidad de una declaración al verificador sin revelar ninguna información específica sobre esto. declaración. ML (Machine Learning, Machine Learning, en lo sucesivo denominado ML) es una rama de la IA. El aprendizaje automático aprende de los datos de entrada, los resume para formar un modelo y hace predicciones y decisiones.
En este contexto, ZKML (Zero-Knowledge Machine Learning), que combina los dos, ha florecido recientemente. ZKML combina las capacidades de verificación y protección de la privacidad de la prueba de conocimiento cero con las capacidades de procesamiento de datos y toma de decisiones del aprendizaje automático, lo que brinda nuevas oportunidades y posibilidades para las aplicaciones de blockchain. ZKML nos brinda una solución para proteger simultáneamente la privacidad de los datos, verificar la precisión del modelo y mejorar la eficiencia computacional.
¡Este artículo presentará ZKML en profundidad, comprenderá sus principios técnicos y escenarios de aplicación, explorará este emocionante campo cruzado con desarrolladores y revelará cómo ZKML puede construir un futuro digital con privacidad, seguridad y eficiencia más completas!
ZKML: la combinación de prueba de conocimiento cero y aprendizaje automático
Hay dos razones por las que la prueba de conocimiento cero y el aprendizaje automático se pueden combinar en la cadena de bloques:
Por un lado, la tecnología de conocimiento cero de ZK no solo espera realizar la verificación eficiente de las transacciones en cadena, sino que los desarrolladores de ZK también esperan que ZK pueda usarse en un campo ecológico más amplio. El poderoso soporte de IA de ML se ha convertido en un polo para ZK aplicación expansión ecológica Buen ayudante.
Por otro lado, todo el proceso desde el desarrollo hasta el uso de modelos ML se enfrenta al problema de la prueba de confianza. ZK puede ayudar a ML a realizar la prueba de validez sin filtrar datos e información, y resolver el dilema de confianza de ML. La combinación de ZKML significa que ambos toman lo que necesitan y van en ambas direcciones, y también agregará impulso a la ecología de la cadena de bloques.
Las necesidades y capacidades de desarrollo de ZK y ML se complementan entre sí
ML tiene muchos problemas de confianza que resolver, y es necesario probar la precisión, la integridad y la privacidad de los flujos de trabajo individuales. ZK puede verificar de manera efectiva si algún tipo de computación funciona correctamente bajo la premisa de garantizar la privacidad, lo que resuelve el problema de larga data de la prueba de confianza en el aprendizaje automático. La integridad del modelo es un problema importante de prueba de confianza en el proceso de capacitación de ML, pero la protección de la privacidad de los datos y la información que se entrena y utiliza el modelo de ML es igualmente importante. Esto dificulta que la capacitación de ML pase la agencia reguladora y de auditoría de terceros para completar la prueba de confianza, y el ZK descentralizado con atributos de conocimiento cero es una ruta de prueba de confianza que es altamente compatible con ML.
"AI mejora la productividad, blockchain optimiza las relaciones de producción", ML inyecta un mayor impulso de innovación y calidad de servicio en la pista ZK, ZK brinda verificabilidad y protección de la privacidad para ML, y ZKML y ZKML se complementan entre sí en el entorno blockchain.
Ventajas técnicas de ZKML
Las principales ventajas técnicas de ZKML se dan cuenta de la combinación de integridad computacional, protección de la privacidad y optimización heurística. Desde una perspectiva de privacidad, las ventajas de ZKML son:
Lograr una verificación transparente
La prueba de conocimiento cero (ZK) puede evaluar el rendimiento del modelo sin exponer los detalles internos del modelo, lo que permite un proceso de evaluación transparente y sin confianza.
Garantía de privacidad de datos
ZK se puede utilizar para verificar datos públicos mediante un modelo público o verificar datos privados mediante un modelo privado, lo que garantiza la privacidad y la confidencialidad de los datos.
El propio ZK garantiza la exactitud de una determinada declaración bajo la premisa de garantizar la privacidad a través de protocolos criptográficos, lo que resuelve los defectos del aprendizaje automático de prueba de corrección informática en la protección de la privacidad y el aprendizaje automático de cifrado homomórfico en la protección de la privacidad. La incorporación de ZK en el proceso de ML crea una plataforma segura y que preserva la privacidad que aborda las deficiencias del aprendizaje automático tradicional. Esto no solo anima a las empresas de privacidad a adoptar técnicas de aprendizaje automático, sino que los desarrolladores de Web2 también están más motivados para explorar el potencial tecnológico de Web3.
ZK Empowers ML: proporciona infraestructura en cadena
La razón por la cual ML, que es relativamente maduro fuera de la cadena, acaba de ingresar a la cadena es porque el costo de la potencia informática de la cadena de bloques es demasiado alto. Muchos proyectos de aprendizaje automático no pueden ejecutarse directamente en el entorno de cadena de bloques representado por EVM debido a limitaciones de potencia informática. Al mismo tiempo, aunque la verificación de validez de ZK es más eficiente que el doble cálculo, esta ventaja se limita al procesamiento de datos de transacciones nativo de la cadena de bloques. Cuando las operaciones e interacciones criptográficas ya complejas de ZK se enfrentan a una gran cantidad de operaciones de ML, se expone el problema de bajo TPS de la cadena de bloques, y el problema de la baja potencia informática de la cadena de bloques se ha convertido en el mayor obstáculo que obstaculiza el ML en la cadena.
La aparición de ZK-SNARK alivia el problema de los requisitos de alta potencia informática de ML. ZK-SNARKs es una construcción criptográfica de prueba de conocimiento cero, y su nombre completo es "Argumento de conocimiento sucinto no interactivo de conocimiento cero". Es una técnica basada en criptografía de curva elíptica y encriptación homomórfica para pruebas eficientes de conocimiento cero. ZK-SNARK se caracteriza por su alta compacidad. Al usar ZK-SNARK, el probador puede generar una prueba corta y compacta, y el verificador solo necesita realizar una pequeña cantidad de cálculo para verificar la validez de la prueba sin tener que comunicarse con el probar muchas veces interactuar. Esta naturaleza de requerir solo una interacción del probador al verificador hace que los ZK-SNARK sean eficientes y prácticos en aplicaciones prácticas, y es más adecuado para los requisitos de potencia informática de ML en la cadena. Actualmente, los ZK-SNARK son la principal forma de ZK en ZKML.
El empoderamiento de ZK a ML se refleja principalmente en la prueba de conocimiento cero de todo el proceso de ML, que es la interacción entre ML y las funciones en la cadena. Los dos problemas principales que deben resolverse en esta interacción son conectar los formularios de datos de los dos y proporcionar potencia informática para el proceso de prueba ZK.
ML Empowering ZK: Enriquecimiento de los escenarios de aplicaciones Web3
ZK resuelve el problema de prueba de confianza de ML y brinda a ML la oportunidad de encadenarse. Muchos campos de Web3 necesitan con urgencia la productividad o el soporte de decisiones de AI ML.ZKML permite que las aplicaciones en cadena realicen el empoderamiento de AI bajo la premisa de garantizar la descentralización y la eficacia.
DeFi
ZKML puede ayudar a DeFi a estar más automatizado, uno es la automatización de actualizaciones de parámetros de protocolo en la cadena; el otro es la automatización de estrategias comerciales.
HIZO
ZKML puede ayudar a la construcción de la identidad descentralizada Web3 DID. Anteriormente, los modos de gestión de identidad, como claves privadas y mnemónicos, hacían que la experiencia del usuario de Web3 fuera deficiente. La construcción DID real se puede completar a través de ZKML para identificar la información biológica de los sujetos de Web3. Al mismo tiempo, ZKML puede garantizar la seguridad de la privacidad de la información biológica del usuario. .
juego
ZKML puede ayudar a los juegos Web3 a lograr funciones completas en la cadena. ML puede brindar una automatización diferenciada a la interacción del juego y aumentar la diversión del juego, mientras que ZK puede tomar las decisiones de interacción de ML en la cadena.
Cuidado de la Salud y Asesoramiento Jurídico
La atención médica y la consultoría legal son áreas con alta privacidad y requieren una gran cantidad de acumulaciones de casos. ZKML puede ayudar a los usuarios a tomar decisiones y garantizar que la privacidad de los usuarios no se filtre.
Desafíos ZKML
Actualmente, ZKML se está desarrollando vigorosamente, pero debido a que no es nativo de la cadena de bloques y requiere mucha potencia de cómputo, ZKML enfrentará principalmente los siguientes dos desafíos en el futuro:
Conclusión
ZKML es un movimiento bidireccional entre la prueba de conocimiento cero y el aprendizaje automático. La tecnología blockchain ZK recientemente desarrollada ayuda a ML a resolver el problema de la prueba de confianza y proporciona un entorno en cadena para ML; la tecnología AI madura ML ayuda a ZK a realizar Web3 ecológico expansión e innovación de aplicaciones.
El desarrollo de ZKML enfrenta algunos desafíos, como problemas de distorsión de parámetros y requisitos de alta potencia informática para modelos grandes, pero estos problemas pueden resolverse mediante la innovación tecnológica y la aceleración de hardware. Con la aparición y el desarrollo continuos de proyectos ZKML, podemos prever que aportará más innovación y valor al ecosistema Web3 en campos como DeFi, DID, juegos y atención médica.
En el futuro, se espera que ZKML se convierta en la clave para desbloquear verdaderamente la integración cruzada de Web3 + AI, brindando un fuerte apoyo para desarrollar aún más la seguridad, la protección de la privacidad y las aplicaciones de cadena de bloques eficientes. ¡Al combinar el conocimiento cero de ZK y las capacidades de procesamiento de datos de ML, seguramente podremos crear un mundo digital más abierto, inteligente y confiable!