零学问机器研习 (ZKML) ：ZK与AI将会碰撞出怎样的火花？

原文题目：《AN INTRODUCTION TO ZERO-KNOWLEDGE MACHINE LEARNING (ZKML)》

原文起因：Worldcoin

原文编译：深潮 TechFlow

Zero-Knowledge 呆板练习（ZKML）是迩来在明码学界引起振动的一个争论以及开垦范畴。但它是甚么，有甚么好处呢？开币安官网登录始，让咱们把这个术语分化成它的两个组成全体，并注释一下它们是甚么。

甚么是 ZK？

零学识证实是一种明码协议，个中一方（证实者）也许向另一方（验证者）证实一个给定的陈说是可靠的，而没有泄漏除该陈说为真之外的一切附带信息。这是一个在各个方面博得辽阔掘起的争论范畴，涵盖了从争论到协议实行以及利用的一切方面。

ZK 供给的两个主要「原语」（大概说构建块）是恐怕为一组给定的算计建立拥有算计齐全性证实的才略，个中证实比施行算计自己要轻易地多。（咱们称这种属性为「简明性」）。ZK 证实也供给了潜伏算计中某些全体同时维持算计正确性的选项。（咱们称这种属性为「零学识性」）。

天生零学识证实须要很是大的算计量，约莫比原始算计贵 100 倍。这意味着，正在某些状况下因为最好硬件上天生它们所需的时光使其没有实在际，所以没有能算计零学识证实。

然而，正在连年来明码学、硬件以及散布式系统带域的前进一经使零学识证实成为了越来越弱小的算计可行的挑选。这些掘起一经为也许利用算计聚集型证实的协议的建立供给了大概，进而扩张了新利用法式的妄图空间。

ZK 利用案例

零学识明码学是 Web3 空间中最盛行的本领之一，由于它禁止开垦人员构建可扩充以及/或公有的利用法式。以下是一些尝试中若何利用它的示例（即使请留神，这些项目中许多都还正在施行中）：

1. 经过 ZK rollups 扩充以太坊

Starknet

Scroll

Polygon Zero，Polygon Miden，Polygon zkEVM

zkSync

2. 构建损坏隐私的利用法式

Semaphore

MACI

Penumbra

Aztec Network

3. 身份原语以及数据起因

WorldID

Sismo

Clique

Axiom

4. 第一层协议

Zcash

Mina

随着 ZK 本领的幼稚，咱们置信将会呈现新的利用法式的迸发，由于构建这些利用法式所利用的器械将须要更少的范畴专科学识，对付开垦人员来讲将会尤其轻易利用。

呆板练习

呆板练习是人工智能（「AI」）范畴的一个争论方向，使得算计机也许主动从体味中练习以及革新，无需清爽地施行编程。它运用算法以及统计模子来分解以及判别数据中的模式，然后基于这些模式施行预计或决议。呆板练习的最终目的是开垦出恐怕自符合练习、没有须要人类干涉和正在疗养保健、金融以及交通等各个范畴束缚繁复课题的智能系统。

迩来，您大概一经看到了大型语言模子（如 chatGPT 以及 Bard）和文本到图像的模子（如 DALL-E 2、Midjourney 或 Stable Diffusion）的掘起。随着这些模子变得越来越好，并且恐怕施行更精深的义务，领会是哪个模子施行了这些操作就变得很是主要，依然操作由人类施行。正在接下来的全体中，咱们将琢磨这个思路。

ZKML 的动机以及现在尽力

咱们糊口正在一个天下上，AI/ML 天生的实质越来越难以与人类天生的实质识别开来。零学识明码学将使咱们恐怕做出这样的证实：「给定一段实质 C，它是由模子 M 利用于一些输入 X 天生的。」咱们将恐怕验证某个输出是否是由大型语言模子（如 chatGPT）或文本到图像模子（如 DALL-E 2）等一切其他咱们为其建立了零学识电路示意的模子所天生的。这些证实的零学识属性将使咱们恐怕根据须要也潜伏输入或模子的某些全体。一个很好的例子是正在一些敏锐数据上利用呆板练习模子，正在没有展示输入到第三方的状况下，用户也许分解他们的数据正在模子推理后的了局（比如，正在疗养行业）。

注：当咱们辩论 ZKML 时，咱们是指建立 ML 模子推理方法的零学识证实，而没有是对于 ML 模子锻炼（它自己一经很是算计聚集）。今朝，现有本领水平的零学识系统加上高机能硬件仍然出入多少个数目级，没法证实现在可用的大型语言模子（LLMs）等混乱的模子，不过正在建立较小模子的证实方面一经博得了一些掘起。

咱们对于零学识明码学正在为 ML 模子建立证实的左右文中的现有本领水平施行了一些争论，并建立了一个围拢相干争论、文章、利用法式以及代码库的文章集。ZKML 的资源也许正在 GitHub 上的 ZKML 社区的 awesome-币安登录地址zkml 保存库中找到。

Modulus Labs 团队迩来揭晓了一篇名为「智能的老本」的论文，个中对于现有的 ZK 证实系统施行了基准测试，并枚举了分歧巨细的多个模子。今朝，利用像 plonky2 这样的证实系统，正在弱小的 AWS 呆板上运行 50 秒上下，也许为约 1800 万个参数的模子建立证实。以下是该论文中的一张图表：

另一个旨正在革新 ZKML 系统本领水平的发起是 Zkonduit 的 ezkl 库，它禁止您建立对于利用 ONNX 导出的 ML 模子的 ZK 证实。这使得一切 ML 工程师都恐怕为他们的模子的推理方法建立 ZK 证实，并向一切正确切现的验证器证实输出。

有多少个团队在革新 ZK 本领，为 ZK 证实内部产生的操作建立优化硬件，并针对于一定用例构建这些协议的优化完结。随着本领的幼稚，更大的模子将正在较没有弱小的呆板上短时光内施行 ZK 证实。咱们指望这些掘起将使新的 ZKML 利用法式以及用例得以呈现。

潜伏的利用案例

为了决定 ZKML 是否合用于一定的利用，咱们也许思虑 ZK 明码学的个性将若何束缚与呆板练习相干的课题。这也许用一个 Venn 图来讲明：

定义：

1.Heuristic optimization—一种课题束缚方式，它利用体味法律或「启发式」来找到艰苦的课题的好束缚规划，而没有是利用传统的优化方式。启发式优化方式旨到处相对于的主要性以及优化难度下，正在正当的时光内找到好的或「渊博好」的束缚规划，而没有是实验找到最优束缚规划。

2.FHE ML—全面同态加密 ML 禁止开垦人员以损坏隐私的办法锻炼以及评估模子；然而，与 ZK 证实分歧，没有方法经过明码学办法证实所施行的算计的正确性。

像 Zama.ai 这样的团队在进行这个范畴的处事。

3.ZK vs Validity—熟行业中，这些术语常常被调换利用，由于无效性证实是 ZK 证实，没有会潜伏算计或其了局的某些全体。正在 ZKML 的左右文中，大普遍现在的利用法式都运用了 ZK 证实的无效性证实方面。

4.Validity ML—ZK 证实 ML 模子，正在个中没有算计或了局被失密。它们证实算计的正确性。

以下是一些潜伏的 ZKML 用例示例：

1. 算计齐全性（无效性 ML）

Modulus Labs

基于链上可验证的 ML 买卖呆板人 - RockyBot

自我革新视觉区块链（示例）：

增强 Lyra 金融期权协议 AMM 的智能个性

为 Astraly 建立透明的基于 AI 的声望系统（ZK oracle）

利用 ML for Aztec Protocol（拥有币安官网入口隐私功能的 zk-rollup）努力于公约级合规器械所需的本领攻破。

2. 呆板练习即办事 (MLaaS) 透明；

3.ZK 极度/哄骗检测：

这种利用场景使得可建立针对于可运用性/哄骗的 ZK 证实成为大概。极度检测模子也许正在智能合约数据上施行锻炼，并由 DAOs 批准算作乐趣的怀抱规范，以便恐怕主动化安全法式，如更积极、小心性地憩息合约。已有首创企业在争论正在智能合约境况中利用 ML 模子施行安全想法的方式，所以 ZK 极度检测证实犹如是当然的下一步。

4.ML 推理的通用无效性证实：恐怕轻便证实以及验证输出是给定模子以及输入对于的乘积。

5. 隐私 (ZKML)

6. 去焦点化的 Kaggle：证实模子正在某些测试数据上的确切率大于 x%，而没有会再现权重。

7. 隐私损坏推理：将对于个人患者数据的疗养诊疗输入模子，并将敏锐的推理（比如，癌症测试了局）发送给患者。

8.Worldcoin：

IrisCode 的可进级性：World ID 用户将恐怕正在他们的迁徙设施的加密保存中自我保存其生物性格，下载用于天生 IrisCode 的 ML 模子并正在要地建立零学识证实，以证实其 IrisCode 已乐成建立。这个 IrisCode 也许被无需答应地插入挂号的 Worldcoin 用户之一，由于领受的智能合约也许验证零学识证实，进而验证 IrisCode 的建立。这意味着，假设 Worldcoin 将来进级呆板练习模子以一种损坏与其以前版本兼容性的办法建立 IrisCode，用户就没有必再次去 Orb，而也许正在设施上要地建立这个零学识证实。

Orb 安全性：今朝，Orb 正在其受信赖的境况中施行多少个哄骗以及改动检测体制。然而，咱们也许建立一个零学识证实，说明这些体制正在拍摄图像以及天生 IrisCode 时是震动的，以便为 Worldcoin 协议供给更好的活体保险，由于咱们也许全面决定这些体制正在整体 IrisCode 天生历程中都将运行。

总之，ZKML 本领有着精深的利用远景，并且在加紧繁华。随着越来越多的团队以及集体参加到这个范畴，咱们置信 ZKML 的利用场景将会尤其各类化以及精深化。