La technologie blockchain et l'apprentissage automatique, deux domaines qui ont attiré beaucoup d'attention, mènent le progrès technologique avec leurs caractéristiques décentralisées et leurs capacités basées sur les données respectivement. ZK (Zero-Knowledge, ci-après dénommé ZK) dans la technologie blockchain est un concept de cryptographie, qui fait référence à une preuve ou à un processus interactif dans lequel le prouveur peut prouver la véracité d'une déclaration au vérificateur sans divulguer aucune information spécifique à ce sujet. déclaration. ML (Machine Learning, Machine Learning, ci-après dénommé ML) est une branche de l'IA. L'apprentissage automatique apprend à partir des données d'entrée, les résume pour former un modèle, et fait des prédictions et des décisions.
Dans ce contexte, le ZKML (Zero-Knowledge Machine Learning), qui combine les deux, a récemment fleuri. ZKML combine les capacités de protection de la vie privée et de vérification de la preuve à connaissance nulle avec les capacités de traitement des données et de prise de décision de l'apprentissage automatique, offrant de nouvelles opportunités et possibilités pour les applications blockchain. ZKML nous fournit une solution pour simultanément protéger la confidentialité des données, vérifier l'exactitude du modèle et améliorer l'efficacité des calculs.
Cet article présentera ZKML en profondeur, comprendra ses principes techniques et ses scénarios d'application, explorera ce domaine passionnant avec les développeurs et révélera comment ZKML peut construire un avenir numérique avec une confidentialité, une sécurité et une efficacité plus complètes !
ZKML : la combinaison de la preuve de connaissance zéro et de l'apprentissage automatique
Il y a deux raisons pour lesquelles la preuve de connaissance zéro et l'apprentissage automatique peuvent être combinés sur la blockchain :
D'une part, la technologie à connaissance zéro de ZK espère non seulement réaliser la vérification efficace des transactions en chaîne, mais les développeurs de ZK espèrent également que ZK pourra être utilisé dans un domaine écologique plus large.Le puissant support d'IA de ML est devenu un pôle pour ZK expansion écologique de l'application.Bonne aide.
D'autre part, l'ensemble du processus, du développement à l'utilisation des modèles ML, est confronté au problème de la preuve de confiance. ZK peut aider ML à réaliser la preuve de validité sans fuite de données et d'informations, et à résoudre le dilemme de confiance du ML. La combinaison de ZKML signifie que les deux prennent ce dont ils ont besoin et vont dans les deux sens, et ajouteront également de l'élan à l'écologie de la blockchain.
Les besoins et capacités de développement de ZK et ML se complètent
Le ML a de nombreux problèmes de confiance à résoudre, et l'exactitude, l'intégrité et la confidentialité des flux de travail individuels doivent être prouvées. ZK peut vérifier efficacement si tout type d'informatique fonctionne correctement en garantissant la confidentialité, ce qui résout le problème de longue date de la preuve de confiance dans l'apprentissage automatique. L'intégrité du modèle est un problème important de preuve de confiance dans le processus de formation ML, mais la protection de la confidentialité des données et des informations que le modèle ML est formé et utilisé est tout aussi importante. Cela rend difficile pour la formation ML de passer l'audit tiers et l'agence de réglementation pour compléter la preuve de confiance, et le ZK décentralisé avec des attributs de connaissance zéro est un chemin de preuve de confiance qui est hautement compatible avec ML.
"L'IA améliore la productivité, la blockchain optimise les relations de production", ML injecte une dynamique d'innovation et une qualité de service plus élevées dans la voie ZK, ZK fournit une vérifiabilité et une protection de la confidentialité pour ML, et ZKML et ZKML se complètent dans l'environnement blockchain.
Avantages techniques de ZKML
Les principaux avantages techniques de ZKML sont la combinaison de l'intégrité informatique, de la protection de la vie privée et de l'optimisation heuristique. Du point de vue de la confidentialité, les avantages de ZKML sont :
Réalisation d'une vérification transparente
La preuve sans connaissance (ZK) peut évaluer les performances du modèle sans exposer les détails internes du modèle, permettant un processus d'évaluation transparent et sans confiance.
Garantie de confidentialité des données
ZK peut être utilisé pour vérifier des données publiques à l'aide d'un modèle public ou pour vérifier des données privées à l'aide d'un modèle privé, garantissant ainsi la confidentialité et la sensibilité des données.
ZK lui-même garantit l'exactitude d'une certaine déclaration sous le principe d'assurer la confidentialité par le biais de protocoles cryptographiques, ce qui résout les défauts de l'apprentissage automatique à l'épreuve de l'exactitude informatique dans la protection de la vie privée et l'apprentissage automatique du cryptage homomorphe dans la protection de la vie privée. L'intégration de ZK dans le processus ML crée une plate-forme sécurisée et préservant la confidentialité qui comble les lacunes de l'apprentissage automatique traditionnel. Non seulement cela encourage les entreprises de protection de la vie privée à adopter des techniques d'apprentissage automatique, mais les développeurs Web2 sont également plus motivés pour explorer le potentiel technologique de Web3.
ZK Empowers ML : Fournit une infrastructure en chaîne
** Les chaînes de la puissance de calcul sur la chaîne ML et les ZK-SNARK **
La raison pour laquelle ML, qui est relativement mature hors chaîne, vient d'entrer dans la chaîne est que le coût de la puissance de calcul de la blockchain est trop élevé. De nombreux projets d'apprentissage automatique ne peuvent pas s'exécuter directement dans l'environnement de blockchain représenté par EVM en raison de limitations de puissance de calcul. Dans le même temps, bien que la vérification de la validité de ZK soit plus efficace que le double calcul, cet avantage est limité au traitement des données de transaction natif de la blockchain. Lorsque les opérations et les interactions cryptographiques déjà complexes de ZK sont confrontées à un grand nombre d'opérations ML, le problème de faible TPS de la blockchain est exposé, et le problème de la faible puissance de calcul de la blockchain est devenu le plus gros obstacle qui entrave le ML en chaîne.
L'émergence des ZK-SNARK atténue le problème des exigences de puissance de calcul élevées du ML. ZK-SNARKs est une construction cryptographique de preuve de connaissance zéro, et son nom complet est "Zero-Knowledge Succinct Non-Interactive Argument of Knowledge". Il s'agit d'une technique basée sur la cryptographie à courbe elliptique et le chiffrement homomorphe pour des preuves efficaces à connaissance nulle. ZK-SNARK se caractérise par une grande compacité. En utilisant des ZK-SNARK, le prouveur peut générer une preuve courte et compacte, et le vérificateur n'a besoin d'effectuer qu'une petite quantité de calculs pour vérifier la validité de la preuve sans avoir à communiquer avec le prouver plusieurs fois. Cette nature de ne nécessiter qu'une seule interaction entre le prouveur et le vérificateur rend les ZK-SNARK efficaces et pratiques dans les applications pratiques, et est plus adapté aux exigences de puissance de calcul de ML sur la chaîne. Actuellement, les ZK-SNARK sont la principale forme de ZK dans ZKML.
** Exigences d'infrastructure en chaîne de ML et projets correspondants **
L'autonomisation de ZK à ML se reflète principalement dans la preuve de connaissance nulle de l'ensemble du processus de ML, qui est l'interaction entre ML et les fonctions de la chaîne. Les deux problèmes majeurs qui doivent être résolus dans cette interaction sont de connecter les formes de données des deux et de fournir une puissance de calcul pour le processus de preuve ZK.
** Accélération matérielle ZK : ** La preuve ZK de ML est plus compliquée, ce qui nécessite une puissance de calcul en chaîne assistée par matériel pour accélérer le calcul de la preuve. Ces projets incluent : Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
**Traitement des données ML sur la chaîne : **Traitez les données de la chaîne dans un formulaire de données pouvant entrer dans la formation ML et aidez la sortie de ML à être plus facilement accessible depuis la chaîne. Ces projets incluent : Axiom, Herodotus, LAGRANGE, Hyper Oracle.
** Circuitisation de calcul ML : ** Le mode de calcul ML est différent de la preuve de circuitisation en chaîne de ZK, et la chaîne en chaîne de ML doit convertir son mode de calcul en une forme de circuit pouvant être traitée par la blockchain ZK. Ces projets incluent : Modulus Labs, Jason Morton, Gizeh.
Preuve ZK du résultat ** ML : ** Le problème de preuve de confiance de ML doit être résolu par ZK sur la chaîne. L'application basée sur des ZK-SNARK construits sur Risc Zero ou Nil Foundation peut réaliser la preuve d'authenticité du modèle. Ces projets incluent : RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.
ML Empowering ZK : Enrichir les scénarios d'application Web3
ZK résout le problème de preuve de confiance de ML et offre à ML la possibilité d'être enchaîné. De nombreux domaines Web3 ont un besoin urgent de la productivité ou de l'aide à la décision d'AI ML. ZKML permet aux applications en chaîne de réaliser l'autonomisation de l'IA sous le principe d'assurer la décentralisation et l'efficacité.
DeFi
ZKML peut aider DeFi à être plus automatisé, l'un est l'automatisation des mises à jour des paramètres de protocole sur la chaîne ; l'autre est l'automatisation des stratégies de trading.
Modulus Labs a lancé RockyBot, le tout premier robot de trading AI entièrement en chaîne.
A FAIT
ZKML peut aider à la construction d'une identité décentralisée Web3 DID. Auparavant, les modes de gestion de l'identité tels que les clés privées et les mnémoniques rendaient l'expérience utilisateur Web3 médiocre. La construction DID réelle peut être complétée par ZKML pour identifier les informations biologiques des sujets Web3. Dans le même temps, ZKML peut garantir la sécurité de la confidentialité des informations biologiques de l'utilisateur. .
Worldcoin met en œuvre ZKML pour la vérification DID sans connaissance basée sur le balayage de l'iris.
jeu
ZKML peut aider les jeux Web3 à atteindre des fonctionnalités complètes en chaîne. ML peut apporter une automatisation différenciée à l'interaction du jeu et augmenter le plaisir du jeu ; tandis que ZK peut prendre les décisions d'interaction de ML en chaîne.
Modulus Labs lance le jeu d'échecs propulsé par ZKML @VsLeela ;
AI ARENA utilise ZKML pour réaliser la haute interactivité des jeux NFT sur la chaîne.
Soins de santé et conseils juridiques
La santé et le conseil juridique sont des domaines où la confidentialité est élevée et nécessitent un grand nombre d'accumulations de cas. ZKML peut aider les utilisateurs à prendre des décisions et à garantir que la vie privée des utilisateurs ne soit pas divulguée.
Défis ZKML
ZKML se développe actuellement vigoureusement, mais parce qu'il n'est pas natif de la blockchain et nécessite beaucoup de puissance de calcul, ZKML devra principalement faire face aux deux défis suivants à l'avenir :
* Problème de distorsion des paramètres lors du processus de quantification et de téléchargement des données ML :
*La plupart des ML utilisent des nombres à virgule flottante pour représenter les paramètres du modèle, tandis que les circuits ZK doivent utiliser des nombres à virgule fixe. Dans le processus de conversion de type numérique, la précision des paramètres ML sera réduite, ce qui entraînera dans une certaine mesure une distorsion des résultats de sortie ML.
Les exigences élevées en puissance de calcul de son grand modèle ZK proof :
À l'heure actuelle, la puissance de calcul de la blockchain ne peut pas faire face à des ZKML à grande échelle et à calcul élevé sur la chaîne.Les ZK-SNARK populaires actuels ne prennent en charge que les preuves à connaissance zéro ML à petite et à petite échelle. La limitation de la puissance de calcul est un facteur clé affectant le développement des applications blockchain ZKML.
L'étape de génération de preuves ZK a une grande complexité de calcul et nécessite beaucoup de ressources de puissance de calcul. En raison de la forte corrélation entre les données consultées et traitées dans l'étape de preuve ZK, il est difficile de distribuer ce processus et il ne peut pas être "parallélisable". La distribution de ce processus peut introduire une complexité supplémentaire et même dégrader les performances globales. À l'heure actuelle, pour résoudre le problème de l'efficacité du calcul ZK, la direction de la recherche principale est davantage axée sur l'optimisation des algorithmes et l'accélération matérielle.
Conclusion
ZKML est un mouvement à double sens entre la preuve de connaissance zéro et l'apprentissage automatique. La technologie de chaîne de blocs récemment développée ZK aide ML à résoudre le problème de la preuve de confiance et fournit un environnement en chaîne pour ML ; la technologie AI mature ML aide ZK à réaliser Web3 écologique l'expansion et l'innovation des applications.
Le développement de ZKML est confronté à certains défis, tels que des problèmes de distorsion des paramètres et des exigences de puissance de calcul élevées pour les grands modèles, mais ces problèmes peuvent être résolus grâce à l'innovation technologique et à l'accélération matérielle. Avec l'émergence et le développement continus des projets ZKML, nous pouvons prévoir qu'ils apporteront plus d'innovation et de valeur à l'écosystème Web3 dans des domaines tels que DeFi, DID, les jeux et la santé.
À l'avenir, ZKML devrait devenir la clé pour véritablement déverrouiller l'intégration croisée de Web3 + AI, offrant un soutien solide pour renforcer davantage la sécurité, la protection de la vie privée et des applications de blockchain efficaces. En combinant la connaissance zéro de ZK et les capacités de traitement de données de ML, nous serons sûrement en mesure de créer un monde numérique plus ouvert, intelligent et digne de confiance !
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Coup d'œil sur les avantages et les défis de l'apprentissage automatique sans connaissance ZKML
La technologie blockchain et l'apprentissage automatique, deux domaines qui ont attiré beaucoup d'attention, mènent le progrès technologique avec leurs caractéristiques décentralisées et leurs capacités basées sur les données respectivement. ZK (Zero-Knowledge, ci-après dénommé ZK) dans la technologie blockchain est un concept de cryptographie, qui fait référence à une preuve ou à un processus interactif dans lequel le prouveur peut prouver la véracité d'une déclaration au vérificateur sans divulguer aucune information spécifique à ce sujet. déclaration. ML (Machine Learning, Machine Learning, ci-après dénommé ML) est une branche de l'IA. L'apprentissage automatique apprend à partir des données d'entrée, les résume pour former un modèle, et fait des prédictions et des décisions.
Dans ce contexte, le ZKML (Zero-Knowledge Machine Learning), qui combine les deux, a récemment fleuri. ZKML combine les capacités de protection de la vie privée et de vérification de la preuve à connaissance nulle avec les capacités de traitement des données et de prise de décision de l'apprentissage automatique, offrant de nouvelles opportunités et possibilités pour les applications blockchain. ZKML nous fournit une solution pour simultanément protéger la confidentialité des données, vérifier l'exactitude du modèle et améliorer l'efficacité des calculs.
Cet article présentera ZKML en profondeur, comprendra ses principes techniques et ses scénarios d'application, explorera ce domaine passionnant avec les développeurs et révélera comment ZKML peut construire un avenir numérique avec une confidentialité, une sécurité et une efficacité plus complètes !
ZKML : la combinaison de la preuve de connaissance zéro et de l'apprentissage automatique
Il y a deux raisons pour lesquelles la preuve de connaissance zéro et l'apprentissage automatique peuvent être combinés sur la blockchain :
D'une part, la technologie à connaissance zéro de ZK espère non seulement réaliser la vérification efficace des transactions en chaîne, mais les développeurs de ZK espèrent également que ZK pourra être utilisé dans un domaine écologique plus large.Le puissant support d'IA de ML est devenu un pôle pour ZK expansion écologique de l'application.Bonne aide.
D'autre part, l'ensemble du processus, du développement à l'utilisation des modèles ML, est confronté au problème de la preuve de confiance. ZK peut aider ML à réaliser la preuve de validité sans fuite de données et d'informations, et à résoudre le dilemme de confiance du ML. La combinaison de ZKML signifie que les deux prennent ce dont ils ont besoin et vont dans les deux sens, et ajouteront également de l'élan à l'écologie de la blockchain.
Les besoins et capacités de développement de ZK et ML se complètent
Le ML a de nombreux problèmes de confiance à résoudre, et l'exactitude, l'intégrité et la confidentialité des flux de travail individuels doivent être prouvées. ZK peut vérifier efficacement si tout type d'informatique fonctionne correctement en garantissant la confidentialité, ce qui résout le problème de longue date de la preuve de confiance dans l'apprentissage automatique. L'intégrité du modèle est un problème important de preuve de confiance dans le processus de formation ML, mais la protection de la confidentialité des données et des informations que le modèle ML est formé et utilisé est tout aussi importante. Cela rend difficile pour la formation ML de passer l'audit tiers et l'agence de réglementation pour compléter la preuve de confiance, et le ZK décentralisé avec des attributs de connaissance zéro est un chemin de preuve de confiance qui est hautement compatible avec ML.
"L'IA améliore la productivité, la blockchain optimise les relations de production", ML injecte une dynamique d'innovation et une qualité de service plus élevées dans la voie ZK, ZK fournit une vérifiabilité et une protection de la confidentialité pour ML, et ZKML et ZKML se complètent dans l'environnement blockchain.
Avantages techniques de ZKML
Les principaux avantages techniques de ZKML sont la combinaison de l'intégrité informatique, de la protection de la vie privée et de l'optimisation heuristique. Du point de vue de la confidentialité, les avantages de ZKML sont :
Réalisation d'une vérification transparente
La preuve sans connaissance (ZK) peut évaluer les performances du modèle sans exposer les détails internes du modèle, permettant un processus d'évaluation transparent et sans confiance.
Garantie de confidentialité des données
ZK peut être utilisé pour vérifier des données publiques à l'aide d'un modèle public ou pour vérifier des données privées à l'aide d'un modèle privé, garantissant ainsi la confidentialité et la sensibilité des données.
ZK lui-même garantit l'exactitude d'une certaine déclaration sous le principe d'assurer la confidentialité par le biais de protocoles cryptographiques, ce qui résout les défauts de l'apprentissage automatique à l'épreuve de l'exactitude informatique dans la protection de la vie privée et l'apprentissage automatique du cryptage homomorphe dans la protection de la vie privée. L'intégration de ZK dans le processus ML crée une plate-forme sécurisée et préservant la confidentialité qui comble les lacunes de l'apprentissage automatique traditionnel. Non seulement cela encourage les entreprises de protection de la vie privée à adopter des techniques d'apprentissage automatique, mais les développeurs Web2 sont également plus motivés pour explorer le potentiel technologique de Web3.
ZK Empowers ML : Fournit une infrastructure en chaîne
La raison pour laquelle ML, qui est relativement mature hors chaîne, vient d'entrer dans la chaîne est que le coût de la puissance de calcul de la blockchain est trop élevé. De nombreux projets d'apprentissage automatique ne peuvent pas s'exécuter directement dans l'environnement de blockchain représenté par EVM en raison de limitations de puissance de calcul. Dans le même temps, bien que la vérification de la validité de ZK soit plus efficace que le double calcul, cet avantage est limité au traitement des données de transaction natif de la blockchain. Lorsque les opérations et les interactions cryptographiques déjà complexes de ZK sont confrontées à un grand nombre d'opérations ML, le problème de faible TPS de la blockchain est exposé, et le problème de la faible puissance de calcul de la blockchain est devenu le plus gros obstacle qui entrave le ML en chaîne.
L'émergence des ZK-SNARK atténue le problème des exigences de puissance de calcul élevées du ML. ZK-SNARKs est une construction cryptographique de preuve de connaissance zéro, et son nom complet est "Zero-Knowledge Succinct Non-Interactive Argument of Knowledge". Il s'agit d'une technique basée sur la cryptographie à courbe elliptique et le chiffrement homomorphe pour des preuves efficaces à connaissance nulle. ZK-SNARK se caractérise par une grande compacité. En utilisant des ZK-SNARK, le prouveur peut générer une preuve courte et compacte, et le vérificateur n'a besoin d'effectuer qu'une petite quantité de calculs pour vérifier la validité de la preuve sans avoir à communiquer avec le prouver plusieurs fois. Cette nature de ne nécessiter qu'une seule interaction entre le prouveur et le vérificateur rend les ZK-SNARK efficaces et pratiques dans les applications pratiques, et est plus adapté aux exigences de puissance de calcul de ML sur la chaîne. Actuellement, les ZK-SNARK sont la principale forme de ZK dans ZKML.
L'autonomisation de ZK à ML se reflète principalement dans la preuve de connaissance nulle de l'ensemble du processus de ML, qui est l'interaction entre ML et les fonctions de la chaîne. Les deux problèmes majeurs qui doivent être résolus dans cette interaction sont de connecter les formes de données des deux et de fournir une puissance de calcul pour le processus de preuve ZK.
ML Empowering ZK : Enrichir les scénarios d'application Web3
ZK résout le problème de preuve de confiance de ML et offre à ML la possibilité d'être enchaîné. De nombreux domaines Web3 ont un besoin urgent de la productivité ou de l'aide à la décision d'AI ML. ZKML permet aux applications en chaîne de réaliser l'autonomisation de l'IA sous le principe d'assurer la décentralisation et l'efficacité.
DeFi
ZKML peut aider DeFi à être plus automatisé, l'un est l'automatisation des mises à jour des paramètres de protocole sur la chaîne ; l'autre est l'automatisation des stratégies de trading.
A FAIT
ZKML peut aider à la construction d'une identité décentralisée Web3 DID. Auparavant, les modes de gestion de l'identité tels que les clés privées et les mnémoniques rendaient l'expérience utilisateur Web3 médiocre. La construction DID réelle peut être complétée par ZKML pour identifier les informations biologiques des sujets Web3. Dans le même temps, ZKML peut garantir la sécurité de la confidentialité des informations biologiques de l'utilisateur. .
jeu
ZKML peut aider les jeux Web3 à atteindre des fonctionnalités complètes en chaîne. ML peut apporter une automatisation différenciée à l'interaction du jeu et augmenter le plaisir du jeu ; tandis que ZK peut prendre les décisions d'interaction de ML en chaîne.
Soins de santé et conseils juridiques
La santé et le conseil juridique sont des domaines où la confidentialité est élevée et nécessitent un grand nombre d'accumulations de cas. ZKML peut aider les utilisateurs à prendre des décisions et à garantir que la vie privée des utilisateurs ne soit pas divulguée.
Défis ZKML
ZKML se développe actuellement vigoureusement, mais parce qu'il n'est pas natif de la blockchain et nécessite beaucoup de puissance de calcul, ZKML devra principalement faire face aux deux défis suivants à l'avenir :
* Problème de distorsion des paramètres lors du processus de quantification et de téléchargement des données ML : *La plupart des ML utilisent des nombres à virgule flottante pour représenter les paramètres du modèle, tandis que les circuits ZK doivent utiliser des nombres à virgule fixe. Dans le processus de conversion de type numérique, la précision des paramètres ML sera réduite, ce qui entraînera dans une certaine mesure une distorsion des résultats de sortie ML.
Conclusion
ZKML est un mouvement à double sens entre la preuve de connaissance zéro et l'apprentissage automatique. La technologie de chaîne de blocs récemment développée ZK aide ML à résoudre le problème de la preuve de confiance et fournit un environnement en chaîne pour ML ; la technologie AI mature ML aide ZK à réaliser Web3 écologique l'expansion et l'innovation des applications.
Le développement de ZKML est confronté à certains défis, tels que des problèmes de distorsion des paramètres et des exigences de puissance de calcul élevées pour les grands modèles, mais ces problèmes peuvent être résolus grâce à l'innovation technologique et à l'accélération matérielle. Avec l'émergence et le développement continus des projets ZKML, nous pouvons prévoir qu'ils apporteront plus d'innovation et de valeur à l'écosystème Web3 dans des domaines tels que DeFi, DID, les jeux et la santé.
À l'avenir, ZKML devrait devenir la clé pour véritablement déverrouiller l'intégration croisée de Web3 + AI, offrant un soutien solide pour renforcer davantage la sécurité, la protection de la vie privée et des applications de blockchain efficaces. En combinant la connaissance zéro de ZK et les capacités de traitement de données de ML, nous serons sûrement en mesure de créer un monde numérique plus ouvert, intelligent et digne de confiance !