ZKML: Công nghệ triển khai mô hình bảo vệ quyền riêng tư bằng cách tích hợp AI và blockchain
Tuyển chọn TechFlowTuyển chọn TechFlow
ZKML: Công nghệ triển khai mô hình bảo vệ quyền riêng tư bằng cách tích hợp AI và blockchain
ZKML nóng bỏng rực hiện nay rốt cuộc là gì?
Chuyên sâu báo cáo Web3Tác giả: Maggie, Foresight Research
ZKML (Zero knowledge machine learning) là công nghệ áp dụng bằng chứng kiến thức không (zero-knowledge proof) vào học máy (machine learning), ZKML là cầu nối giữa AI và blockchain. ZKML có thể giải quyết vấn đề bảo vệ quyền riêng tư của mô hình hoặc dữ liệu đầu vào AI và xác minh quá trình suy luận, từ đó cho phép mô hình nhỏ hoặc bằng chứng suy luận dưới dạng ZKP được đưa lên chuỗi. Việc đưa mô hình/suy luận lên chuỗi mang ý nghĩa:
-
Khiến blockchain nhận thức được thế giới vật lý. Ví dụ: Một mô hình nhận diện khuôn mặt chạy trên blockchain có thể giúp blockchain "nhìn thấy" khuôn mặt người dùng, qua mô hình AI trên chuỗi, blockchain có thể hiểu khuôn mặt này có thể thuộc về một phụ nữ, khoảng bao nhiêu tuổi, v.v.
-
Cho phép hợp đồng thông minh ra quyết định. Ví dụ: Mô hình dự đoán giá WETH trên chuỗi có thể hỗ trợ hợp đồng thông minh đưa ra quyết định giao dịch.
-
Chạy mô hình AI với bảo mật quyền riêng tư. Ví dụ: Doanh nghiệp đã tiêu tốn rất nhiều tài nguyên tính toán để huấn luyện một mô hình, muốn cung cấp dịch vụ suy luận bên ngoài theo cách bảo vệ quyền riêng tư, hoặc muốn đảm bảo dữ liệu đầu vào của người dùng được bảo mật. ZKML vừa có thể đảm bảo quyền riêng tư của mô hình/dữ liệu đầu vào, vừa có thể chứng minh với người dùng rằng quá trình suy luận đã diễn ra chính xác, đạt được suy luận phi tin nhiệm (trustless inference).
Ứng dụng của ZKML
-
AI trên chuỗi: Đưa mô hình AI/bằng chứng suy luận AI lên chuỗi, cho phép hợp đồng thông minh sử dụng AI để ra quyết định. Ví dụ: hệ thống giao dịch trên chuỗi phục vụ mục đích ra quyết định đầu tư.
-
Blockchain tự cải thiện: Cho phép blockchain tận dụng khả năng của AI để liên tục nâng cao và điều chỉnh chiến lược dựa trên dữ liệu lịch sử. Ví dụ: Hệ thống uy tín trên chuỗi dựa vào AI.
-
AIGC lên chuỗi: Nội dung/tác phẩm nghệ thuật do AIGC tạo ra được đưa lên chuỗi và đúc thành NFT, ZK có thể chứng minh tính đúng đắn của quy trình, ví dụ như tập dữ liệu không sử dụng hình ảnh bản quyền.
-
Xác thực sinh trắc học ví tiền (KYC): Bằng chứng nhận diện khuôn mặt được đưa lên chuỗi, ví hoàn thành KYC.
-
An toàn AI: Dùng AI để phát hiện gian lận, ngăn chặn tấn công Sybil, v.v.
-
Trò chơi ZKML trên chuỗi: Kỳ thủ cờ vua trí tuệ nhân tạo trên chuỗi, nhân vật NFT được điều khiển bởi mạng nơ-ron, v.v.
Khía cạnh kỹ thuật của ZKML
-
Mục tiêu: Chuyển đổi mạng nơ-ron thành mạch ZK, khó khăn: 1. Mạch ZK không hỗ trợ số dấu phẩy động; 2. Mạng nơ-ron quá lớn thì khó chuyển đổi.
-
Tiến triển hiện tại: Thư viện ZKML đầu tiên xuất hiện cách đây 2 năm, lịch sử phát triển công nghệ này còn rất ngắn. Hiện tại, các thư viện ZKML mới nhất đã hỗ trợ ZK hóa một số mạng nơ-ron đơn giản và ứng dụng chúng trên blockchain. Theo thông tin, có thể đưa mô hình hồi quy tuyến tính cơ bản lên chuỗi, các mô hình mạng nơ-ron nhỏ khác cũng đều có thể hỗ trợ chứng minh và đưa lên chuỗi. Tuy nhiên, các demo hiện có rất ít, chỉ thấy duy nhất một demo nhận diện chữ số viết tay. Một số công cụ tuyên bố có thể hỗ trợ 100 triệu tham số, thậm chí còn có công cụ tuyên bố có thể chuyển GPT2 thành mạch ZK và tạo bằng chứng ZK.
-
Hướng phát triển: Lượng tử hóa mạng (Network Quantization), chuyển đổi số dấu phẩy động trong mạng nơ-ron sang số dấu phẩy cố định, đồng thời nhẹ hóa mạng nơ-ron (thân thiện với ZK). Cố gắng chuyển đổi mạng nơ-ron tham số quy mô lớn thành mạch ZK, đồng thời nâng cao hiệu quả tạo bằng chứng (mở rộng khả năng ZK).
Tổng kết
ZKML là cầu nối giữa AI và blockchain, ý nghĩa của nó nằm ở việc giúp blockchain cảm nhận thế giới vật lý, cho phép hợp đồng thông minh ra quyết định, vận hành mô hình AI với bảo mật riêng tư — đây là một công nghệ đầy tiềm năng.
Công nghệ này tuy lịch sử ngắn nhưng phát triển rất nhanh, hiện tại đã có thể chuyển đổi một số mô hình mạng nơ-ron đơn giản thành mạch ZK, có thể đưa mô hình hoặc bằng chứng suy luận lên chuỗi. Tuy nhiên, mô hình ngôn ngữ vẫn còn khó khăn, hiện tại Ddkang/zkml tuyên bố có thể tạo phiên bản ZK của GPT2, Bert và Diffusion — các mô hình xử lý ngôn ngữ tự nhiên, nhưng hiệu quả thực tế chưa rõ ràng, có thể chạy nhưng có lẽ chưa thể đưa bằng chứng lên chuỗi. Tin rằng cùng với sự phát triển của công nghệ lượng tử hóa mạng, công nghệ ZK và công nghệ mở rộng blockchain, ZKML cho mô hình ngôn ngữ sẽ sớm trở nên khả dụng.
1. Bối cảnh
(Nếu bạn đã hiểu biết về ZK và ML, bạn có thể bỏ qua chương này).
Bằng chứng kiến thức không (ZK): Là phương pháp mà bên chứng minh có thể khiến bên kiểm chứng tin rằng một khẳng định nào đó là đúng, mà không tiết lộ bất kỳ thông tin hữu ích nào. ZK chủ yếu dùng để chứng minh tính đúng đắn của quá trình tính toán và bảo vệ quyền riêng tư.
Chứng minh tính đúng đắn của quá trình tính toán: Lấy ví dụ ZK-rollup, hoạt động của ZK-rollup về cơ bản là đóng gói nhiều giao dịch lại với nhau, đăng lên lớp 1 (L1), đồng thời công bố một bằng chứng (sử dụng công nghệ bằng chứng kiến thức không) để khẳng định các giao dịch này là hợp lệ. Khi bằng chứng này được xác minh là hợp lệ trên L1, trạng thái của zk-rollup sẽ được cập nhật.
Bảo vệ quyền riêng tư: Lấy ví dụ giao thức Aztec, tài sản trên zk.money của Aztec tồn tại dưới dạng phiếu (note), tương tự UTXO của Bitcoin, số tiền trên phiếu được mã hóa. Khi người dùng cần chuyển khoản, họ phải hủy phiếu cũ và tạo phiếu mới cho người nhận và phần tiền thừa cho chính mình. Bằng chứng kiến thức không được dùng để chứng minh một cách bảo mật rằng tổng số tiền trên các phiếu mới và phiếu cũ là bằng nhau, đồng thời người dùng sở hữu quyền kiểm soát phiếu.
Học máy (Machine Learning): Là một nhánh của trí tuệ nhân tạo. Học máy tập trung vào thiết kế và phân tích các thuật toán giúp máy tính tự động "học hỏi". Các thuật toán học máy có thể tự động phân tích dữ liệu để tìm ra quy luật, sau đó dùng quy luật đó để dự đoán dữ liệu chưa biết. Học máy đã được ứng dụng rộng rãi trong các lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên, nhận dạng đặc điểm sinh học, công cụ tìm kiếm, chẩn đoán y khoa, phát hiện gian lận thẻ tín dụng, phân tích thị trường chứng khoán, sắp thứ tự trình tự DNA, nhận dạng giọng nói và chữ viết tay, trò chơi và robot.
2. ZKML giải quyết vấn đề gì?
ZKML là một lĩnh vực nghiên cứu và phát triển gây tiếng vang trong cộng đồng mật mã học trong hai năm gần đây. Việc áp dụng bằng chứng kiến thức không vào học máy, mục tiêu chính của công nghệ này là dùng bằng chứng kiến thức không để giải quyết vấn đề bảo vệ quyền riêng tư và tính xác minh được trong học máy. Từ đó cho phép mô hình nhỏ hoặc bằng chứng suy luận dưới dạng ZKP được đưa lên chuỗi, trở thành cầu nối giữa AI và blockchain:
-
Đưa mô hình lên chuỗi: Có thể chuyển đổi mô hình ML thành mạch ZK, lưu trữ mô hình ZKML nhỏ trong hợp đồng thông minh trên blockchain. Người dùng có thể sử dụng mô hình bằng cách gọi hàm trong hợp đồng thông minh. Ví dụ: RockyBot của Modulus Labs là một mô hình AI trên chuỗi, dùng để dự đoán giá WETH nhằm hỗ trợ ra quyết định giao dịch.
-
Đưa bằng chứng suy luận mô hình lên chuỗi: Chuyển đổi mô hình ML thành mạch ZK, thực hiện suy luận bên ngoài chuỗi và tạo bằng chứng ZK. Bằng chứng ZK có thể chứng minh quá trình suy luận đã được thực hiện đúng. Kết quả suy luận và bằng chứng ZK được gửi lên chuỗi để người dùng tham khảo và hợp đồng thông minh xác minh.
Việc đưa mô hình/bằng chứng suy luận lên chuỗi có ý nghĩa gì?
-
Khiến blockchain nhận thức được thế giới vật lý. Ví dụ: Một mô hình nhận diện khuôn mặt chạy trên blockchain có thể giúp blockchain "nhìn thấy" khuôn mặt người dùng, qua mô hình AI trên chuỗi, blockchain có thể hiểu khuôn mặt này có thể thuộc về một phụ nữ, khoảng bao nhiêu tuổi, v.v.
-
Cho phép hợp đồng thông minh ra quyết định. Ví dụ: Mô hình dự đoán giá WETH trên chuỗi có thể hỗ trợ hợp đồng thông minh đưa ra quyết định giao dịch.
-
Chạy mô hình AI với bảo mật quyền riêng tư. Ví dụ: Doanh nghiệp đã tiêu tốn rất nhiều tài nguyên tính toán để huấn luyện một mô hình, muốn cung cấp dịch vụ suy luận bên ngoài theo cách bảo vệ quyền riêng tư, hoặc muốn đảm bảo dữ liệu đầu vào của người dùng được bảo mật. ZKML vừa có thể đảm bảo quyền riêng tư của mô hình/dữ liệu đầu vào, vừa có thể chứng minh với người dùng rằng quá trình suy luận đã diễn ra chính xác, đạt được suy luận phi tin nhiệm.
Vai trò của bằng chứng kiến thức không trong ZKML:
1. Bảo vệ quyền riêng tư: Bảo vệ quyền riêng tư của mô hình ML hoặc dữ liệu đầu vào trong quá trình suy luận.
-
Quyền riêng tư dữ liệu (Mô hình công khai + Dữ liệu riêng tư): Tôi có một số dữ liệu nhạy cảm, ví dụ như dữ liệu y tế, hình ảnh khuôn mặt. Tôi có thể dùng ZKML để bảo vệ quyền riêng tư dữ liệu đầu vào, chạy mô hình mạng nơ-ron công khai trên dữ liệu này và thu được kết quả. Ví dụ: mô hình nhận diện khuôn mặt.
-
Quyền riêng tư mô hình (Mô hình riêng tư + Dữ liệu công khai): Ví dụ, tôi đã tốn rất nhiều chi phí để huấn luyện một mô hình và không muốn tiết lộ mô hình này, do đó cần bảo vệ quyền riêng tư mô hình. Tôi có thể dùng ZKML để chạy một mô hình mạng nơ-ron riêng tư được bảo mật, mô hình này có thể suy luận từ dữ liệu công khai để đưa ra kết quả đầu ra.
2. Tính xác minh được: Dùng ZKP để chứng minh quá trình suy luận ML được thực hiện đúng, làm cho quá trình học máy có thể xác minh được.
-
Ví dụ, nếu mô hình được thực thi không nằm trên máy chủ của tôi, nhưng tôi cần đảm bảo quá trình suy luận được thực hiện chính xác. Tôi có thể dùng ZKML để thực hiện một lần suy luận với một đầu vào và mô hình nhất định, tạo ra đầu ra, ZKP có thể chứng minh quá trình này được thực hiện đúng. Ngay cả khi quá trình chạy không diễn ra trên máy tính của tôi, tôi vẫn có thể xác minh ZKP để biết liệu suy luận có được thực hiện đúng hay không, từ đó tin tưởng kết quả.
3. Các trường hợp sử dụng ZKML
-
Tính toàn vẹn tính toán
-
AI trên chuỗi (On-chain AI): Triển khai mô hình AI trên blockchain, giúp hợp đồng thông minh có khả năng ra quyết định nhờ mô hình AI.
-
Modulus Labs: RockyBot - Bot giao dịch ML có thể xác minh trên chuỗi (on-chain verifiable ML trading bot)
-
-
Blockchain tự cải thiện: Cho phép blockchain tận dụng khả năng của AI để liên tục nâng cao và điều chỉnh chiến lược dựa trên dữ liệu lịch sử.
-
Tăng cường AMM của Lyra Finance bằng trí tuệ nhân tạo.
-
Tạo hệ thống uy tín dựa trên AI cho Astraly.
-
Tạo chức năng tuân thủ dựa trên AI ở cấp độ hợp đồng thông minh cho giao thức Aztec.
-
Modulus Labs: Blockchain tự cải thiện (link):
-
-
AIGC lên chuỗi: Nội dung/tác phẩm nghệ thuật do AIGC tạo ra được đưa lên chuỗi và đúc thành NFT, ZK có thể chứng minh tính đúng đắn của quy trình, ví dụ như tập dữ liệu không sử dụng hình ảnh bản quyền.
-
Minh bạch dịch vụ học máy (ML as a Service - MLaaS) (link)
-
An toàn AI: Dùng AI để phát hiện gian lận, ngăn chặn tấn công Sybil. Huấn luyện mô hình phát hiện bất thường AI dựa trên dữ liệu hợp đồng thông minh, tạm dừng hợp đồng nếu chỉ số bất thường, và đưa bằng chứng phát hiện bất thường dưới dạng ZK lên chuỗi.
-
Trò chơi ZKML trên chuỗi: Kỳ thủ cờ vua trí tuệ nhân tạo trên chuỗi, nhân vật NFT được điều khiển bởi mạng nơ-ron, v.v.
-
Chuẩn hóa kiểm định mô hình AI có thể xác minh: Dùng ZK để cung cấp bằng chứng kiểm định mô hình, giúp kết quả thử nghiệm hiệu suất và hiệu quả của mô hình trở nên có thể xác minh.
-
Bằng chứng tính đúng đắn của quá trình huấn luyện mô hình: Vì quá trình huấn luyện mô hình tiêu tốn rất nhiều tài nguyên, hiện tại việc dùng ZK để chứng minh tính đúng đắn của quá trình huấn luyện là chưa khả thi, nhưng nhiều người tin rằng về mặt công nghệ là khả thi, và đang cố gắng sử dụng ZK để chứng minh mô hình có sử dụng hoặc không sử dụng một bộ dữ liệu nhất định, nhằm giải quyết vấn đề bản quyền của AIGC.
-
-
Bảo vệ quyền riêng tư
-
Xác thực sinh trắc học ví tiền / Danh tính số
-
WordCoin đang quét mống mắt thông qua thiết bị nhận dạng sinh trắc học Orb để cung cấp danh tính số duy nhất và có thể xác minh cho người dùng. WordCoin đang nghiên cứu zkml, dự kiến dùng để nâng cấp World ID. Sau khi nâng cấp, người dùng sẽ có thể tự lưu trữ đặc trưng sinh trắc học đã ký trong bộ nhớ mã hóa trên thiết bị di động của họ, tải xuống mô hình ML tạo mã mống mắt, và tự tạo bằng chứng kiến thức không trên thiết bị, chứng minh mã mống mắt thực sự được tạo từ hình ảnh đã ký bằng mô hình đúng.
-
-
Sàn thưởng học máy dựa trên blockchain
-
Doanh nghiệp đăng thưởng và cung cấp dữ liệu công khai và dữ liệu riêng tư. Dữ liệu công khai dùng để huấn luyện mô hình, dữ liệu riêng tư dùng để dự đoán. Một số nhà cung cấp dịch vụ AI sẽ huấn luyện mô hình, chuyển đổi mô hình thành mạch ZK, mã hóa mô hình và nộp vào hợp đồng để xác minh. Thực hiện dự đoán trên dữ liệu riêng tư, thu được kết quả và tạo bằng chứng ZK, nộp bằng chứng ZK vào hợp đồng để xác minh. Nhà cung cấp dịch vụ AI nhận thưởng sau khi hoàn tất chuỗi thao tác. zkML: Demo cho circomlib-ml trên mạng thử nghiệm Goerli
-
-
Suy luận bảo vệ quyền riêng tư: Ví dụ, dùng dữ liệu bệnh nhân riêng tư cho chẩn đoán y khoa, sau đó gửi kết quả suy luận nhạy cảm (ví dụ như kết quả xét nghiệm ung thư) tới bệnh nhân. (vCNN paper, trang 2/16)
-
4. Bản đồ ZKML
Theo bản đồ ZKML do SevenX Ventures tổng hợp.
-
Tăng tốc phần cứng: Nhiều tổ chức đang tích cực nghiên cứu phát triển tăng tốc phần cứng cho ZKP, điều này cũng thúc đẩy sự phát triển của ZKML. Thông thường sử dụng FPGA, GPU và chip ASIC để tăng tốc quá trình tạo ZKP. Ví dụ: Accseal đang phát triển chip ASIC chuyên dụng cho tăng tốc ZKP; Ingonyama đang xây dựng thư viện tăng tốc ZK ICIClE, được thiết kế dành cho GPU hỗ trợ CUDA; Supranational tập trung vào tăng tốc GPU; Cysic và Ulvetanna tập trung vào tăng tốc FPGA.
-
Dữ liệu đầu vào: Để sử dụng dữ liệu đầu vào trên chuỗi, Axiom, Herodotus, Hyper Oracle, Lagrange sẽ cải thiện khả năng truy cập dữ liệu blockchain của người dùng và cung cấp cái nhìn sâu sắc hơn về dữ liệu trên chuỗi. Sau đó có thể trích xuất dữ liệu đầu vào ML từ dữ liệu lịch sử đã nhập.
-
Suy luận: ModulusLabs đang phát triển hệ thống zkSNARK mới chuyên dụng cho ZKML. Phần này có thể kết hợp với phần bộ công cụ ZKML, chủ yếu tập trung vào việc ZK hóa mô hình và các công cụ cần thiết trong quá trình ZK hóa. Giza là một nền tảng học máy dựa trên StarkNet, tập trung vào triển khai mô hình hoàn toàn trên chuỗi.
-
Tính toán: Tập trung xây dựng mạng lưới tính toán phi tập trung, dùng để huấn luyện các mô hình AI mà mọi người đều có thể truy cập. Chúng cho phép mọi người sử dụng tài nguyên tính toán biên (edge computing) với chi phí thấp hơn để huấn luyện mô hình AI.
-
Đào tạo phi tập trung / Năng lực tính toán: Tập trung xây dựng mạng lưới tính toán phi tập trung, dùng để huấn luyện các mô hình AI mà mọi người đều có thể truy cập. Chúng cho phép mọi người sử dụng tài nguyên tính toán biên với chi phí thấp hơn để huấn luyện mô hình AI.
-
Bộ công cụ ZKML: Xem thêm chương 5 về lịch sử phát triển công nghệ. ZAMA trong hình chủ yếu dùng mã hóa đồng cấu toàn phần (FHE) để bảo vệ quyền riêng tư trong học máy. So với ZKML, FHEML chỉ bảo vệ quyền riêng tư mà không cung cấp khả năng xác minh phi tin nhiệm.
-
Các trường hợp sử dụng: Worldcoin dùng ZKML để xác thực danh tính số. Người dùng lưu trữ đặc trưng sinh trắc học đã ký trong thiết bị dưới dạng mã hóa, ZK hóa mô hình học máy nhận diện mống mắt, chạy mô hình khi xác thực danh tính, kiểm tra xem đặc trưng sinh trắc học có khớp hay không, và dùng ZKP để chứng minh tính đúng đắn của quá trình thực hiện. Modulus Labs phát triển robot giao dịch AI trên chuỗi. EIP7007 của Cathie, tiêu chuẩn zkML AIGC-NFT. Kỳ thủ cờ vua AI trên chuỗi, nhân vật NFT điều khiển bởi mạng nơ-ron, v.v.
5. Lịch sử phát triển công nghệ ZKML
Thách thức chính khi chuyển mạng nơ-ron thành mạch ZK nằm ở:
-
Mạch yêu cầu phép toán số dấu phẩy cố định, nhưng mạng nơ-ron sử dụng rất nhiều số dấu phẩy động.
-
Vấn đề kích thước mô hình: Mô hình lớn khó chuyển đổi và mạch sẽ rất lớn.
Lịch sử phát triển của các thư viện ZKML như sau:
- Năm 2021, zk-ml/linear-regression-demo, Peiyuan Liao
Triển khai mạch hồi quy tuyến tính, một thuật toán dự đoán cơ bản, giả định mối quan hệ tuyến tính giữa biến đầu ra và biến đầu vào, phù hợp với việc dự đoán biến dạng số và nghiên cứu mối quan hệ giữa hai hoặc nhiều biến. Ví dụ: Dự đoán giá nhà dựa trên diện tích và các đặc điểm khác, hoặc dự đoán doanh số bán hàng trong tương lai dựa trên dữ liệu doanh số lịch sử.
- Năm 2022, 0xZKML/zk-mnist, 0xZKML
Tạo mạch ZK cho mạng nơ-ron dựa trên bộ dữ liệu MNIST, có thể nhận diện chữ số viết tay. Ví dụ: Viết tay số 2, hệ thống nhận diện đúng là 2 và tạo bằng chứng cho quá trình suy luận. Bằng chứng này có thể đưa lên chuỗi và có thể được xác minh trên chuỗi bằng ethers + snarkjs.
Thực tế, thư viện zk-mnist hiện tại chỉ chuyển lớp cuối cùng thành mạch, chứ chưa chuyển toàn bộ mạng nơ-ron thành mạch.
- Năm 2022, socathie/zkML, Cathie
So với zk-mnist, ZKML đã chuyển toàn bộ mạng nơ-ron thành mạch. zkMachineLearning của Cathie cung cấp nhiều bộ công cụ ZKML như cirocmlib-ml, keras2circom giúp kỹ sư ML chuyển mô hình thành mạch.
-
Tháng 11 năm 2022, zk-ml/uchikoma, Peiyuan Liao
Chuyển đổi phép toán dấu phẩy động trong mạng nơ-ron thành dấu phẩy cố định. Tạo và công bố mã nguồn một công cụ và khung làm việc phổ quát, có thể chuyển hầu như mọi thuật toán học máy thành mạch bằng chứng kiến thức không dễ dàng tích hợp với blockchain.
-
Mô hình thị giác -> AIGC
-
Mô hình ngôn ngữ -> Trợ lý trò chuyện, trợ lý viết văn
-
Mô hình tuyến tính và cây quyết định -> Phát hiện gian lận, phòng ngừa tấn công Sybil
-
Mô hình đa phương thức -> Hệ thống gợi ý
Huấn luyện một mô hình học máy tạo nội dung thân thiện với blockchain (AIGC), sau đó chuyển đổi thành mạch ZK. Có thể dùng nó để tạo tác phẩm nghệ thuật, tạo bằng chứng ZK ngắn gọn, sau đó đúc tác phẩm thành NFT.
-
Tháng 7 năm 2022, cập nhật tháng 3 năm 2023, zkonduit/ezkl
ezkl là một thư viện và công cụ dòng lệnh, dùng để thực hiện suy luận trên các mô hình học sâu và các đồ thị tính toán khác trong zk-snark (ZKML). Sử dụng hệ thống chứng minh Halo2.
Có thể định nghĩa đồ thị tính toán như mạng nơ-ron, sau đó dùng ezkl để tạo mạch ZK-SNARK. Bằng chứng ZKP tạo ra từ suy luận có thể được xác minh bằng hợp đồng thông minh.
Tuyên bố có thể hỗ trợ mô hình 100 triệu tham số, nhưng có thể tiêu tốn rất nhiều tài nguyên.
-
Tháng 5 năm 2023, Ddkang/zkml (Link)
zkml tuyên bố có thể ZK hóa các mô hình GPT2, Bert và Diffusion. Nhưng có thể cần bộ nhớ rất lớn, chưa rõ liệu có thể lưu bằng chứng vào hợp đồng thông minh hay không.
zkml có thể xác minh việc thực thi mô hình đạt độ chính xác 92,4% trên ImageNet, và còn có thể chứng minh một mô hình MNIST trong vòng bốn giây với độ chính xác 99%.
-
Tháng 5 năm 2023, zkp-gravity/0g
Nhẹ hóa mạng nơ-ron, hỗ trợ dữ liệu riêng tư + mô hình công khai.
Nói chung, chúng ta có thể thấy hướng khám phá hiện tại của công nghệ ZKML:
-
Lượng tử hóa mạng (Network Quantization), chuyển đổi số dấu phẩy động trong mạng nơ-ron thành số dấu phẩy cố định, đồng thời nhẹ hóa mạng nơ-ron (thân thiện với ZK).
-
Cố gắng chuyển đổi mạng nơ-ron tham số quy mô lớn thành mạch ZK, đồng thời nâng cao hiệu quả tạo bằng chứng (mở rộng khả năng ZK).
6. Tổng kết
ZKML là cầu nối giữa AI và blockchain, ý nghĩa của nó nằm ở việc giúp blockchain nhận thức được thế giới vật lý, cho phép hợp đồng thông minh ra quyết định, vận hành mô hình AI với bảo mật riêng tư — đây là một công nghệ đầy tiềm năng.
ZKML có lịch sử ngắn nhưng phát triển rất nhanh. Hiện tại đã có thể chuyển đổi một số mô hình mạng nơ-ron đơn giản thành mạch ZK, có thể đưa mô hình hoặc bằng chứng suy luận lên chuỗi. Mô hình ngôn ngữ vẫn còn khó khăn, hiện tại Ddkang/zkml tuyên bố có thể tạo phiên bản ZK của GPT2, Bert và Diffusion. Tin rằng cùng với sự phát triển của công nghệ lượng tử hóa mạng, công nghệ ZK và công nghệ mở rộng blockchain, ZKML cho mô hình ngôn ngữ sẽ sớm trở nên khả dụng.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Foresight Ventures
