Ein Blick auf die Vorteile und Herausforderungen von ZKML für wissensfreies maschinelles Lernen

Blockchain-Technologie und maschinelles Lernen sind zwei Bereiche, die viel Aufmerksamkeit erregt haben und mit ihren dezentralen Eigenschaften bzw. datengesteuerten Fähigkeiten den technologischen Fortschritt anführen. ZK (Zero-Knowledge, im Folgenden als ZK bezeichnet) in der Blockchain-Technologie ist ein Konzept in der Kryptographie. **bezieht sich auf einen Beweis oder interaktiven Prozess, bei dem der Prüfer dem Prüfer die Richtigkeit dieser Aussage nachweisen kann, ohne dabei etwas Besonderes preiszugeben Informationen darüber. **ML (Machine Learning, maschinelles Lernen, im Folgenden als ML bezeichnet) ist ein Zweig der KI. Maschinelles Lernen lernt aus Eingabedaten, fasst diese zu einem Modell zusammen und trifft Vorhersagen und Entscheidungen.

In diesem Zusammenhang hat sich in jüngster Zeit ZKML (Zero-Knowledge Machine Learning) etabliert, das beides kombiniert. ZKML kombiniert die Datenschutz- und Verifizierungsfunktionen von Zero-Knowledge-Proof mit den Datenverarbeitungs- und Entscheidungsfähigkeiten des maschinellen Lernens und eröffnet so neue Chancen und Möglichkeiten für Blockchain-Anwendungen. ZKML bietet uns eine Lösung, um gleichzeitig den Datenschutz zu schützen, die Modellgenauigkeit zu überprüfen und die Recheneffizienz zu verbessern.

In diesem Artikel werden wir ZKML eingehend vorstellen, seine technischen Prinzipien und Anwendungsszenarien verstehen, dieses spannende Querschnittsthema mit Entwicklern erkunden und schließlich zeigen, wie ZKML eine digitale Zukunft mit vollständigerer Privatsphäre, mehr Sicherheit und hoher Effizienz aufbauen kann! **

**ZKML: **Zero-Knowledge-Proof kombiniert mit maschinellem Lernen

Es gibt zwei Gründe, warum Zero-Knowledge-Proof und maschinelles Lernen auf der Blockchain kombiniert werden können:

Einerseits hofft ZKs Zero-Knowledge-Technologie nicht nur auf eine effiziente Verifizierung von On-Chain-Transaktionen, ZK-Entwickler hoffen auch, dass ZK in einem breiteren ökologischen Bereich eingesetzt werden kann, und auf die leistungsstarke KI-Unterstützung von ML ist zu einer ZK-Anwendung geworden. Ein hervorragender Booster für den ökologischen Ausbau.

Andererseits ist der gesamte Prozess von der Entwicklung bis zur Verwendung von ML-Modellen mit dem Problem des Vertrauensnachweises konfrontiert**. ZK kann ML dabei helfen, den Gültigkeitsnachweis zu realisieren, ohne Daten und Informationen preiszugeben, und das Vertrauensdilemma von ML lösen. Die Kombination von ZKML bedeutet, dass beide das nehmen, was sie brauchen, und in beide Richtungen gehen, und wird auch der Blockchain-Ökologie Schwung verleihen.

ZK und ML ergänzen sich hinsichtlich Entwicklungsbedarf und -fähigkeiten

ML muss viele Vertrauensprobleme lösen und die Genauigkeit, Integrität und Vertraulichkeit einzelner Arbeitsabläufe müssen nachgewiesen werden. ZK kann unter der Prämisse, den Datenschutz zu gewährleisten, effektiv überprüfen, ob jede Art von Computer ordnungsgemäß funktioniert, und es löst das seit langem bestehende Problem des Vertrauensnachweises beim maschinellen Lernen**. Die Integrität des Modells ist ein wichtiger Aspekt der Vertrauenswürdigkeit im ML-Trainingsprozess, aber der Schutz der Privatsphäre der Daten und Informationen, mit denen das ML-Modell trainiert und verwendet wird, ist ebenso wichtig. Dies macht es für ML-Schulungen schwierig, die externe Prüfungs- und Regulierungsbehörde zu bestehen, um den Vertrauensnachweis abzuschließen, und das dezentrale ZK mit Zero-Knowledge-Attributen ist ein Vertrauensnachweispfad, der in hohem Maße mit ML kompatibel ist.

„KI verbessert die Produktivität, Blockchain optimiert die Produktionsbeziehungen“, ML verleiht der ZK-Strecke eine höhere Innovationsdynamik und Servicequalität, ZK bietet ML Überprüfbarkeit und Datenschutz, ZKML und ZKML sind in der Blockchain-Umgebung komplementärer Betrieb.

Technische Vorteile von ZKML

Die wichtigsten technischen Vorteile von ZKML sind die Kombination aus Rechenintegrität, Datenschutz und heuristischer Optimierung. Aus datenschutzrechtlicher Sicht sind die Vorteile von ZKML:

Eine transparente Verifizierung erreichen

Zero-Knowledge Proof (ZK) kann die Modellleistung bewerten, ohne die internen Details des Modells preiszugeben, was einen transparenten und vertrauenswürdigen Bewertungsprozess ermöglicht.

Datenschutzgarantie

Mit ZK können öffentliche Daten mithilfe eines öffentlichen Modells oder private Daten mithilfe eines privaten Modells überprüft werden, um Datenschutz und Sensibilität sicherzustellen.

ZK selbst gewährleistet die Richtigkeit einer bestimmten Aussage unter der Prämisse, den Datenschutz durch kryptografische Protokolle zu gewährleisten, wodurch die Mängel des maschinellen Lernens beim Berechnen der Korrektheit beim Schutz der Privatsphäre und beim maschinellen Lernen mit homomorpher Verschlüsselung beim Schutz der Privatsphäre behoben werden. **Durch die Integration von ZK in den ML-Prozess entsteht eine sichere und die Privatsphäre schützende Plattform, die die Mängel des traditionellen maschinellen Lernens behebt. ** Dies ermutigt nicht nur Datenschutzunternehmen, Techniken des maschinellen Lernens einzuführen, sondern Web2-Entwickler sind auch motivierter, das technologische Potenzial von Web3 zu erkunden.

ZK stärkt ML: Bietet On-Chain-Infrastruktur

Die Fesseln der Rechenleistung an der ML-Kette und ZK-SNARKs

Der Grund, warum ML, das außerhalb der Kette relativ ausgereift ist, gerade erst in die Kette eingetreten ist, liegt darin, dass die Rechenleistungskosten der Blockchain zu hoch sind. Viele maschinelle Lernprojekte können aufgrund von Einschränkungen der Rechenleistung nicht direkt in der durch EVM repräsentierten Blockchain-Umgebung ausgeführt werden. Gleichzeitig ist die Gültigkeitsprüfung von ZK zwar effizienter als die Doppelberechnung, dieser Vorteil beschränkt sich jedoch auf die in der Blockchain native Verarbeitung von Transaktionsdaten. Wenn die komplexen kryptografischen Berechnungen und Interaktionen von ZK einer großen Anzahl von ML-Berechnungen gegenüberstehen, wird das Problem des niedrigen TPS der Blockchain aufgedeckt, und die geringe Rechenleistung der Blockchain ist zum größten Hindernis geworden, das ML in der Kette behindert. **

Das Aufkommen von ZK-SNARKs entschärft das Problem des hohen Rechenleistungsbedarfs von ML. ZK-SNARKs ist eine kryptografische Konstruktion des Zero-Knowledge-Beweises und sein vollständiger Name lautet „Zero-Knowledge Succinct Non-Interactive Argument of Knowledge“. Dabei handelt es sich um eine Technik, die auf Elliptische-Kurven-Kryptographie und homomorpher Verschlüsselung für effiziente Zero-Knowledge-Beweise basiert. ZK-SNARK zeichnet sich durch hohe Kompaktheit aus. Durch die Verwendung von ZK-SNARKs kann der Beweiser einen kurzen und kompakten Beweis generieren, und der Prüfer muss nur einen kleinen Rechenaufwand durchführen, um die Gültigkeit des Beweises zu überprüfen, ohne mit dem kommunizieren zu müssen Prüfer viele Male. Interagieren. Diese Art erfordert nur eine Interaktion zwischen dem Prüfer und dem Verifizierer, was ZK-SNARKs in praktischen Anwendungen effizient und praktisch macht, was besser für die On-Chain-Rechenleistungsanforderungen von ML geeignet ist. Derzeit sind ZK-SNARKs die Hauptform von ZK in ZKML.

Anforderungen an die On-Chain-Infrastruktur von ML und entsprechende Projekte

Die Befähigung von ZK zu ML spiegelt sich hauptsächlich im wissensfreien Beweis des gesamten ML-Prozesses wider, der die Interaktion zwischen ML und den Funktionen in der Kette darstellt. Die beiden Hauptprobleme, die in dieser Interaktion gelöst werden müssen, bestehen darin, die Datenformen der beiden zu verbinden und Rechenleistung für den ZK-Beweisprozess bereitzustellen.

• **ZK-Hardwarebeschleunigung: **Der ZK-Beweis von ML ist komplizierter und erfordert hardwaregestützte On-Chain-Rechenleistung, um die Beweisberechnung zu beschleunigen. Zu diesen Projekten gehören: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal.
• **ML-Datenverarbeitung in der Kette: **Verarbeiten Sie die Daten in der Kette in ein Datenformular, das in das ML-Training eingehen kann und dazu beiträgt, dass auf die Ausgabe von ML leichter von der Kette aus zugegriffen werden kann. Zu diesen Projekten gehören: Axiom, Herodotus, LAGRANGE, Hyper Oracle.
• **ML-Berechnungsschaltung: **Der ML-Berechnungsmodus unterscheidet sich vom On-Chain-Schaltungsnachweis von ZK, und die On-Chain von ML muss ihren Berechnungsmodus in eine Schaltungsform umwandeln, die von Blockchain ZK verarbeitet werden kann. Zu diesen Projekten gehören: Modulus Labs, Jason Morton, Gizeh.
• ZK-Beweis für **ML-Ergebnis: **Das Vertrauensbeweisproblem von ML muss von ZK in der Kette gelöst werden. Die auf ZK-SNARKs basierende Anwendung, die auf Risc Zero oder Nil Foundation basiert, kann den Echtheitsnachweis des Modells realisieren. Zu diesen Projekten gehören: RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill.

ML Empowering ZK: Bereicherung von Web3-Anwendungsszenarien

*ZK löst das Vertrauensproblem von ML und bietet ML die Möglichkeit, verkettet zu werden. Viele Web3-Bereiche benötigen dringend die Produktivität oder Entscheidungsunterstützung von AI ML. ZKML ermöglicht es Anwendungen in der Kette, die Stärkung der KI unter der Prämisse der Gewährleistung von Dezentralisierung und Effektivität zu realisieren. *

DeFi

ZKML kann DeFi dabei helfen, stärker zu automatisieren, zum einen die Automatisierung von Protokollparameteraktualisierungen in der Kette, zum anderen die Automatisierung von Handelsstrategien.

• Modulus Labs hat RockyBot auf den Markt gebracht, den ersten vollständig in die Kette integrierten KI-Handelsbot.

TAT

ZKML kann beim Aufbau einer dezentralen Web3-Identitäts-DID helfen. Zuvor führten Identitätsverwaltungsmodi wie private Schlüssel und Mnemonik zu einer schlechten Web3-Benutzererfahrung. Die eigentliche DID-Konstruktion kann über ZKML abgeschlossen werden, um die biologischen Informationen von Web3-Subjekten zu identifizieren. Gleichzeitig kann ZKML die Sicherheit der Privatsphäre biologischer Benutzerinformationen gewährleisten .

• Worldcoin implementiert ZKML für eine wissensfreie DID-Verifizierung basierend auf Iris-Scanning.

Spiel

ZKML kann Web3-Spielen dabei helfen, eine voll funktionsfähige On-Chain zu erreichen. ML kann eine differenzierte Automatisierung in die Spielinteraktion bringen und den Spaß am Spiel steigern; während ZK die Interaktionsentscheidungen von ML in der Kette treffen kann.

• Modulus Labs bringt ZKML-basiertes Schachspiel @VsLeela auf den Markt;
• AI ARENA nutzt ZKML, um die hohe Interaktivität von NFT-Spielen in der Kette zu realisieren.

Gesundheitsversorgung und Rechtsberatung

Das Gesundheitswesen und die Rechtsberatung sind Bereiche mit hoher Privatsphäre und erfordern eine große Anzahl von Fallansammlungen. ZKML kann Benutzern bei der Entscheidungsfindung helfen und sicherstellen, dass die Privatsphäre der Benutzer nicht verloren geht.

ZKML-Herausforderungen

ZKML entwickelt sich derzeit stark weiter, aber da es nicht nativ in der Blockchain enthalten ist und viel Rechenleistung benötigt, wird ZKML in Zukunft vor allem mit den folgenden zwei Herausforderungen konfrontiert sein:

• Das Problem der Parameterverzerrung im Prozess der ML-Datenquantifizierung in der Kette:

*Die meisten ML verwenden Gleitkommazahlen, um die Parameter des Modells darzustellen, während ZK-Schaltkreise Festkommazahlen verwenden müssen. Bei der digitalen Typkonvertierung wird die Präzision der ML-Parameter verringert, was bis zu einem gewissen Grad zu einer Verzerrung der ML-Ausgabeergebnisse führt.

• Der hohe Rechenleistungsbedarf seines großen Modells ZK beweist:

• Derzeit kann die Rechenleistung der Blockchain nicht mit groß angelegten und hochberechenbaren ZKML in der Kette umgehen. ** Die derzeit beliebten ZK-SNARKs unterstützen nur kleine und kleine ML-Zero-Knowledge-Beweise. **Die Begrenzung der Rechenleistung ist ein Schlüsselfaktor, der die Entwicklung von ZKML-Blockchain-Anwendungen beeinflusst.

• **Die Phase der ZK-Erzeugung von Beweisen weist eine hohe Rechenkomplexität auf und erfordert viele Rechenleistungsressourcen. **Aufgrund der hohen Korrelation zwischen den Daten, auf die normalerweise in der ZK-Beweisphase zugegriffen und diese verarbeitet werden müssen, ist dieser Prozess schwer zu verteilen und nicht „parallelisierbar“. Die Verteilung dieses Prozesses kann zu zusätzlicher Komplexität führen und sogar die Gesamtleistung beeinträchtigen. Um das Problem der ZK-Recheneffizienz zu lösen, liegt die Hauptrichtung der Forschung derzeit eher auf Algorithmusoptimierung und Hardwarebeschleunigung.

Abschluss

ZKML ist eine wechselseitige Reise zwischen wissensfreiem Beweis und maschinellem Lernen. Die jüngste kontinuierliche Entwicklung der Blockchain-Technologie ZK hilft ML, das Problem des Vertrauensnachweises zu lösen, und bietet eine On-Chain-Umgebung für ML; ausgereifte KI Technologie ML hilft ZK bei der Realisierung der ökologischen Web3-Erweiterung und Anwendungsinnovation.

Die Entwicklung von ZKML steht vor einigen Herausforderungen, wie z. B. Parameterverzerrungsproblemen und hohen Anforderungen an die Rechenleistung für große Modelle, aber diese Probleme können durch technologische Innovation und Hardwarebeschleunigung gelöst werden. Mit der kontinuierlichen Entstehung und Entwicklung von ZKML-Projekten können wir davon ausgehen, dass sie mehr Innovation und Wert für das Web3-Ökosystem in den Bereichen DeFi, DID, Spiele und Gesundheitswesen bringen werden. **

**Es wird erwartet, dass ZKML in Zukunft der Schlüssel zur tatsächlichen Erschließung der übergreifenden Integration von Web3 + KI wird und eine starke Unterstützung für weitere Gebäudesicherheit, Datenschutz und effiziente Blockchain-Anwendungen bietet. Durch die Kombination der Zero-Knowledge-Funktionen von ZK und der Datenverarbeitungsfunktionen von ML werden wir sicherlich in der Lage sein, eine offenere, intelligentere und vertrauenswürdigere digitale Welt zu schaffen!