การตีความ ZKML เชิงลึก: หลักการทางเทคนิค สถานการณ์การใช้งาน ข้อได้เปรียบ และความท้าทาย

เทคโนโลยีบล็อกเชนและแมชชีนเลิร์นนิงเป็นสองสาขาที่ได้รับความสนใจอย่างมาก เป็นผู้นำความก้าวหน้าทางเทคโนโลยีด้วยลักษณะการกระจายอำนาจและความสามารถในการขับเคลื่อนข้อมูลตามลำดับ ZK (Zero-Knowledge ซึ่งต่อไปนี้จะเรียกว่า ZK) ในเทคโนโลยีบล็อกเชนเป็นแนวคิดในการเข้ารหัส ซึ่งหมายถึงกระบวนการพิสูจน์หรือโต้ตอบที่ผู้พิสูจน์สามารถพิสูจน์ความจริงของข้อความต่อผู้ตรวจสอบได้โดยไม่ต้องเปิดเผยข้อมูลเฉพาะใด ๆ เกี่ยวกับสิ่งนี้ คำแถลง. ML (Machine Learning, Machine Learning ซึ่งต่อไปนี้จะเรียกว่า ML) เป็นแขนงหนึ่งของ AI แมชชีนเลิร์นนิงเรียนรู้จากข้อมูลอินพุต สรุปข้อมูลเพื่อสร้างแบบจำลอง และคาดการณ์และตัดสินใจ

ในบริบทนี้ ZKML (Zero-Knowledge Machine Learning) ซึ่งรวมเอาทั้งสองสิ่งนี้เข้าด้วยกันได้เฟื่องฟูขึ้นเมื่อไม่นานมานี้ ZKML รวมการปกป้องความเป็นส่วนตัวและความสามารถในการตรวจสอบของการพิสูจน์ความรู้เป็นศูนย์เข้ากับการประมวลผลข้อมูลและความสามารถในการตัดสินใจของแมชชีนเลิร์นนิง นำมาซึ่งโอกาสและความเป็นไปได้ใหม่ ๆ สำหรับแอปพลิเคชันบล็อกเชน ZKML มอบโซลูชันเพื่อปกป้องความเป็นส่วนตัวของข้อมูล ตรวจสอบความถูกต้องของโมเดล และปรับปรุงประสิทธิภาพการคำนวณไปพร้อมๆ กัน

บทความนี้จะแนะนำ ZKML ในเชิงลึก ทำความเข้าใจหลักการทางเทคนิคและสถานการณ์การใช้งาน สำรวจข้อมูลข้ามสาขาที่น่าตื่นเต้นกับนักพัฒนา และเปิดเผยว่า ZKML สามารถสร้างอนาคตดิจิทัลด้วยความเป็นส่วนตัว ความปลอดภัย และประสิทธิภาพที่สมบูรณ์ยิ่งขึ้นได้อย่างไร

ZKML: การผสมผสานระหว่างการพิสูจน์ความรู้เป็นศูนย์และการเรียนรู้ของเครื่อง

มีเหตุผลสองประการที่ทำให้การพิสูจน์ความรู้เป็นศูนย์และการเรียนรู้ของเครื่องสามารถรวมกันบนบล็อกเชนได้:

ในแง่หนึ่ง เทคโนโลยี Zero-knowledge ของ ZK ไม่เพียงหวังให้เกิดการตรวจสอบการทำธุรกรรมบนเครือข่ายอย่างมีประสิทธิภาพเท่านั้น แต่นักพัฒนา ZK ยังหวังว่า ZK จะสามารถนำไปใช้ในด้านระบบนิเวศที่กว้างขึ้น การสนับสนุน AI อันทรงพลังของ ML ได้กลายเป็นเสาหลักสำหรับ ZK ประยุกต์ ขยายระบบนิเวศ ตัวช่วยดีๆ

ในทางกลับกัน กระบวนการทั้งหมดตั้งแต่การพัฒนาไปจนถึงการใช้โมเดล ML ประสบปัญหาในการพิสูจน์ความน่าเชื่อถือ ZK สามารถช่วย ML ตระหนักถึงการพิสูจน์ความถูกต้องโดยไม่รั่วไหลของข้อมูลและแก้ปัญหาความไม่ไว้วางใจของ ML การรวมกันของ ZKML หมายความว่าทั้งสองใช้สิ่งที่พวกเขาต้องการและไปทั้งสองทิศทาง และยังจะเพิ่มแรงผลักดันให้กับระบบนิเวศของบล็อกเชน

ความต้องการและความสามารถในการพัฒนาของ ZK และ ML ช่วยเสริมซึ่งกันและกัน

ML มีปัญหาด้านความน่าเชื่อถือมากมายที่ต้องแก้ไข และความถูกต้อง ความสมบูรณ์ และความเป็นส่วนตัวของเวิร์กโฟลว์แต่ละรายการจำเป็นต้องได้รับการพิสูจน์ ZK สามารถตรวจสอบได้อย่างมีประสิทธิภาพว่าการประมวลผลประเภทใดทำงานอย่างถูกต้องภายใต้หลักการของการรับรองความเป็นส่วนตัว ซึ่งช่วยแก้ปัญหาการพิสูจน์ความน่าเชื่อถือที่มีมาอย่างยาวนานในการเรียนรู้ของเครื่อง ความสมบูรณ์ของโมเดลเป็นปัญหาสำคัญในการพิสูจน์ความน่าเชื่อถือในกระบวนการฝึกอบรม ML แต่การปกป้องความเป็นส่วนตัวของข้อมูลและข้อมูลที่โมเดล ML ได้รับการฝึกอบรมและใช้งานก็มีความสำคัญเท่าเทียมกัน สิ่งนี้ทำให้การฝึกอบรม ML เป็นเรื่องยากที่จะผ่านการตรวจสอบและหน่วยงานกำกับดูแลของบุคคลที่สามเพื่อพิสูจน์ความน่าเชื่อถือให้เสร็จสมบูรณ์ และ ZK แบบกระจายศูนย์ที่มีแอตทริบิวต์ที่ไม่มีความรู้เป็นเส้นทางพิสูจน์ความน่าเชื่อถือที่เข้ากันได้สูงกับ ML

“AI ปรับปรุงประสิทธิภาพการทำงาน บล็อกเชนปรับความสัมพันธ์ด้านการผลิตให้เหมาะสม” ML ใส่โมเมนตัมนวัตกรรมและคุณภาพการบริการที่สูงขึ้นลงในเส้นทาง ZK ZK ให้การตรวจสอบความถูกต้องและการปกป้องความเป็นส่วนตัวสำหรับ ML และ ZKML และ ZKML ช่วยเสริมซึ่งกันและกันในสภาพแวดล้อมบล็อกเชน

ข้อดีทางเทคนิคของ ZKML

ข้อได้เปรียบทางเทคนิคหลักๆ ของ ZKML ทำให้ตระหนักถึงการผสมผสานระหว่างความสมบูรณ์ของการคำนวณ การปกป้องความเป็นส่วนตัว และการเพิ่มประสิทธิภาพแบบฮิวริสติก จากมุมมองด้านความเป็นส่วนตัว ข้อดีของ ZKML คือ:

บรรลุการตรวจสอบที่โปร่งใส

Zero-knowledge Proof (ZK) สามารถประเมินประสิทธิภาพของโมเดลโดยไม่ต้องเปิดเผยรายละเอียดภายในของโมเดล ทำให้เกิดกระบวนการประเมินที่โปร่งใสและไม่ไว้วางใจได้

รับประกันความเป็นส่วนตัวของข้อมูล

สามารถใช้ ZK เพื่อตรวจสอบข้อมูลสาธารณะโดยใช้โมเดลสาธารณะหรือตรวจสอบข้อมูลส่วนตัวโดยใช้โมเดลส่วนตัว จึงรับประกันความเป็นส่วนตัวและความละเอียดอ่อนของข้อมูล

ZK เองรับประกันความถูกต้องของข้อความบางอย่างภายใต้สมมติฐานของการรับรองความเป็นส่วนตัวผ่านโปรโตคอลการเข้ารหัส ซึ่งจะแก้ไขข้อบกพร่องของการเรียนรู้ของเครื่องที่พิสูจน์ความถูกต้องของคอมพิวเตอร์ในการปกป้องความเป็นส่วนตัวและการเรียนรู้ของเครื่องเข้ารหัสแบบโฮโมมอร์ฟิคในการปกป้องความเป็นส่วนตัว การรวม ZK เข้ากับกระบวนการ ML สร้างแพลตฟอร์มที่ปลอดภัยและรักษาความเป็นส่วนตัวซึ่งแก้ไขข้อบกพร่องของการเรียนรู้ของเครื่องแบบดั้งเดิม สิ่งนี้ไม่เพียงกระตุ้นให้บริษัทด้านความเป็นส่วนตัวนำเทคนิคการเรียนรู้ของเครื่องมาใช้ นักพัฒนา Web2 ยังมีแรงจูงใจมากขึ้นในการสำรวจศักยภาพทางเทคโนโลยีของ Web3

ZK Empowers ML: จัดเตรียมโครงสร้างพื้นฐานบนเครือข่าย

พันธนาการของพลังการประมวลผลบนห่วงโซ่ ML และ ZK-SNARK

เหตุผลที่ ML ซึ่งเป็น off-chain ค่อนข้างสมบูรณ์ เพิ่งเข้ามาอยู่ใน chain เนื่องจากค่าพลังการประมวลผลของ blockchain นั้นสูงเกินไป โครงการแมชชีนเลิร์นนิงจำนวนมากไม่สามารถทำงานโดยตรงในสภาพแวดล้อมบล็อกเชนที่แสดงโดย EVM เนื่องจากข้อจำกัดด้านกำลังการประมวลผล ในขณะเดียวกัน แม้ว่าการตรวจสอบความถูกต้องของ ZK จะมีประสิทธิภาพมากกว่าการคำนวณซ้ำ ข้อได้เปรียบนี้จำกัดเฉพาะการประมวลผลข้อมูลธุรกรรมที่มาจากบล็อกเชนเท่านั้น เมื่อการดำเนินการเข้ารหัสและการโต้ตอบที่ซับซ้อนอยู่แล้วของ ZK เผชิญกับการดำเนินการ ML จำนวนมาก ปัญหา TPS ต่ำของบล็อกเชนจึงถูกเปิดเผย และปัญหาพลังการประมวลผลต่ำของบล็อกเชนได้กลายเป็นกุญแจมือที่ใหญ่ที่สุดที่ขัดขวาง ML บนเชน

การเกิดขึ้นของ ZK-SNARK ช่วยบรรเทาปัญหาความต้องการพลังงานการประมวลผลสูงของ ML ZK-SNARKs เป็นโครงสร้างการเข้ารหัสของการพิสูจน์ความรู้เป็นศูนย์ และชื่อเต็มของมันคือ “Zero-Knowledge Succinct Non-Interactive Argument of Knowledge” เป็นเทคนิคที่ใช้การเข้ารหัสแบบเส้นโค้งวงรีและการเข้ารหัสแบบโฮโมมอร์ฟิคเพื่อการพิสูจน์ความรู้ที่ไม่มีความรู้อย่างมีประสิทธิภาพ ZK-SNARK มีลักษณะที่มีความกะทัดรัดสูง เมื่อใช้ ZK-SNARK เครื่องพิสูจน์สามารถสร้างหลักฐานที่สั้นและกะทัดรัดได้และผู้ตรวจสอบจะต้องทำการคำนวณเพียงเล็กน้อยเพื่อตรวจสอบความถูกต้องของการพิสูจน์โดยไม่ต้องสื่อสารกับ พิสูจน์หลายครั้งโต้ตอบ ธรรมชาติของการโต้ตอบเพียงครั้งเดียวระหว่างผู้พิสูจน์และผู้ตรวจสอบทำให้ ZK-SNARK มีประสิทธิภาพและใช้งานได้จริงในการใช้งานจริง และเหมาะสมกว่าสำหรับข้อกำหนดด้านกำลังการประมวลผลของ ML บนสายโซ่ ปัจจุบัน ZK-SNARK เป็นรูปแบบหลักของ ZK ใน ZKML

ข้อกำหนดโครงสร้างพื้นฐานบนเครือข่ายของ ML และโครงการที่เกี่ยวข้อง

การเพิ่มขีดความสามารถของ ZK ถึง ML ส่วนใหญ่สะท้อนให้เห็นในการพิสูจน์ที่ไม่มีความรู้ของกระบวนการทั้งหมดของ ML ซึ่งเป็นปฏิสัมพันธ์ระหว่าง ML และฟังก์ชันในสายโซ่ ปัญหาหลักสองประการที่ต้องแก้ไขในการโต้ตอบนี้คือการเชื่อมต่อรูปแบบข้อมูลของทั้งสองและให้พลังการประมวลผลสำหรับกระบวนการพิสูจน์ ZK

• การเร่งด้วยฮาร์ดแวร์ ZK: การพิสูจน์ ZK ของ ML นั้นซับซ้อนกว่า ซึ่งต้องใช้พลังการประมวลผลแบบออนเชนที่มีฮาร์ดแวร์ช่วยเพื่อเร่งการคำนวณการพิสูจน์ โครงการดังกล่าว ได้แก่ Cysic, Ulvetanna, Ingonyama, Supranational, Accseal
• การประมวลผลข้อมูลบนห่วงโซ่ ML: ประมวลผลข้อมูลบนห่วงโซ่เป็นรูปแบบข้อมูลที่สามารถเข้าสู่การฝึกอบรม ML และช่วยให้เข้าถึงเอาต์พุตของ ML จากห่วงโซ่ได้ง่ายขึ้น โครงการดังกล่าว ได้แก่ Axiom, Herodotus, LAGRANGE, Hyper Oracle
• วงจรการคำนวณ ML: โหมดการคำนวณ ML นั้นแตกต่างจากการพิสูจน์วงจรบนเชนของ ZK และออนเชนของ ML จะต้องแปลงโหมดการคำนวณเป็นรูปแบบวงจรที่บล็อกเชน ZK ประมวลผลได้ โครงการดังกล่าว ได้แก่ Modulus Labs, Jason Morton, Giza
• การพิสูจน์ ZK ของผลลัพธ์ ML: ปัญหาการพิสูจน์ความน่าเชื่อถือของ ML จะต้องได้รับการแก้ไขโดย ZK ในสายโซ่ แอปพลิเคชันที่ใช้ ZK-SNARK ที่สร้างขึ้นบน Risc Zero หรือ Nil Foundation สามารถพิสูจน์ความถูกต้องของโมเดลได้ โครงการดังกล่าว ได้แก่ RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP, IronMill

ML ช่วยให้ ZK: เพิ่มคุณค่าให้กับสถานการณ์แอ็พพลิเคชัน Web3

ZK แก้ปัญหาการพิสูจน์ความน่าเชื่อถือของ ML และเปิดโอกาสให้ ML ถูกล่ามโซ่ ฟิลด์ Web3 จำนวนมากต้องการความช่วยเหลือด้านประสิทธิภาพหรือการตัดสินใจของ AI ML อย่างเร่งด่วน ZKML ช่วยให้แอปพลิเคชันบนเครือข่ายรับรู้ถึงการเพิ่มขีดความสามารถของ AI ภายใต้เงื่อนไขของการกระจายอำนาจและประสิทธิผล

ดีไฟ

ZKML สามารถช่วยให้ DeFi เป็นระบบอัตโนมัติมากขึ้น หนึ่งคือการทำงานอัตโนมัติของการอัปเดตพารามิเตอร์โปรโตคอลในห่วงโซ่ อีกอย่างคือการทำงานอัตโนมัติของกลยุทธ์การซื้อขาย

• Modulus Labs เปิดตัว RockyBot ซึ่งเป็นบอทซื้อขาย AI บนเครือข่ายเต็มรูปแบบตัวแรก

ทำ

ZKML สามารถช่วยสร้าง Web3 DID ประจำตัวแบบกระจายอำนาจ ก่อนหน้านี้ โหมดการจัดการข้อมูลประจำตัว เช่น คีย์ส่วนตัวและตัวช่วยจำทำให้ประสบการณ์ของผู้ใช้ Web3 แย่ลง การสร้าง DID จริงสามารถทำได้ผ่าน ZKML เพื่อระบุข้อมูลทางชีวภาพของอาสาสมัคร Web3 ในขณะเดียวกัน ZKML สามารถรับประกันความปลอดภัยของความเป็นส่วนตัวของข้อมูลทางชีวภาพของผู้ใช้ .

• Worldcoin กำลังใช้ ZKML สำหรับการตรวจสอบ DID แบบไม่มีความรู้โดยอิงจากการสแกนม่านตา

เกม

ZKML สามารถช่วยให้เกม Web3 บรรลุคุณสมบัติเต็มรูปแบบบนเครือข่าย ML สามารถนำระบบอัตโนมัติที่แตกต่างมาสู่การโต้ตอบในเกมและเพิ่มความสนุกของเกม ในขณะที่ ZK สามารถตัดสินใจการโต้ตอบของ ML บนเครือข่ายได้

• Modulus Labs เปิดตัวเกมหมากรุกขับเคลื่อนด้วย ZKML @VsLeela;
• AI ARENA ใช้ ZKML เพื่อตระหนักถึงการโต้ตอบสูงของเกม NFT บนเครือข่าย

คำแนะนำด้านการดูแลสุขภาพและกฎหมาย

การให้คำปรึกษาด้านการดูแลสุขภาพและกฎหมายเป็นพื้นที่ที่มีความเป็นส่วนตัวสูงและต้องมีการสะสมเคสจำนวนมาก ZKML สามารถช่วยผู้ใช้ในการตัดสินใจและรับประกันว่าความเป็นส่วนตัวของผู้ใช้จะไม่รั่วไหล

ความท้าทาย ZKML

ปัจจุบัน ZKML กำลังพัฒนาอย่างจริงจัง แต่เนื่องจากไม่ได้มาจากบล็อกเชนและต้องการพลังการประมวลผลจำนวนมาก ZKML จะเผชิญกับความท้าทายสองประการต่อไปนี้เป็นหลักในอนาคต:

• ปัญหาการบิดเบือนพารามิเตอร์ในกระบวนการกำหนดปริมาณข้อมูล ML และการอัปโหลด:

*ML ส่วนใหญ่ใช้ตัวเลขทศนิยมเพื่อแสดงพารามิเตอร์ของโมเดล ในขณะที่วงจร ZK จำเป็นต้องใช้ตัวเลขจุดตายตัว ในกระบวนการแปลงประเภทดิจิตอล ความแม่นยำของพารามิเตอร์ ML จะลดลง ซึ่งจะนำไปสู่การบิดเบือนของผลลัพธ์เอาต์พุต ML ในระดับหนึ่ง

• ความต้องการพลังการประมวลผลสูงของ ZK proof รุ่นใหญ่:

• ในปัจจุบัน พลังการประมวลผลของบล็อกเชนไม่สามารถรับมือกับ ZKML ขนาดใหญ่และการคำนวณสูงบนเชนได้ ZK-SNARK ที่เป็นที่นิยมในปัจจุบันรองรับเฉพาะการพิสูจน์ความรู้ ML ขนาดเล็กและขนาดเล็กเท่านั้น ข้อจำกัดด้านกำลังการประมวลผลเป็นปัจจัยสำคัญที่ส่งผลต่อการพัฒนาแอปพลิเคชัน ZKML blockchain

• ขั้นตอนของการสร้างการพิสูจน์ ZK มีความซับซ้อนในการคำนวณสูงและต้องการทรัพยากรพลังงานในการคำนวณจำนวนมาก เนื่องจากข้อมูลที่เข้าถึงและประมวลผลในขั้นตอนการพิสูจน์ ZK มีความสัมพันธ์กันสูง จึงเป็นเรื่องยากที่จะเผยแพร่กระบวนการนี้และไม่สามารถ “เทียบเคียงกันได้” การกระจายกระบวนการนี้อาจเพิ่มความซับซ้อนและแม้แต่ทำให้ประสิทธิภาพโดยรวมลดลง ในปัจจุบัน เพื่อแก้ปัญหาประสิทธิภาพการประมวลผลของ ZK แนวทางการวิจัยกระแสหลักคือการปรับอัลกอริทึมให้เหมาะสมและการเร่งฮาร์ดแวร์

บทสรุป

ZKML เป็นการเคลื่อนไหวแบบสองทางระหว่างการพิสูจน์ความรู้เป็นศูนย์และการเรียนรู้ของเครื่อง เทคโนโลยี blockchain ที่พัฒนาขึ้นล่าสุด ZK ช่วยให้ ML แก้ปัญหาการพิสูจน์ความน่าเชื่อถือและจัดเตรียมสภาพแวดล้อมแบบ on-chain สำหรับ ML เทคโนโลยี AI ที่พัฒนาเต็มที่ ML ช่วยให้ ZK ตระหนักถึงระบบนิเวศ Web3 นวัตกรรมการขยายและการประยุกต์ใช้

การพัฒนา ZKML เผชิญกับความท้าทายบางประการ เช่น ปัญหาความผิดเพี้ยนของพารามิเตอร์ และความต้องการพลังงานในการคำนวณสูงสำหรับโมเดลขนาดใหญ่ แต่ปัญหาเหล่านี้สามารถแก้ไขได้ด้วยนวัตกรรมทางเทคโนโลยีและการเร่งฮาร์ดแวร์ ด้วยการเกิดขึ้นอย่างต่อเนื่องและการพัฒนาของโครงการ ZKML เราสามารถคาดการณ์ได้ว่าจะนำนวัตกรรมและคุณค่ามาสู่ระบบนิเวศของ Web3 ในด้านต่างๆ เช่น DeFi, DID, เกม และการดูแลสุขภาพ

ในอนาคต ZKML คาดว่าจะเป็นกุญแจสำคัญในการปลดล็อกการผสานรวมระหว่าง Web3 + AI อย่างแท้จริง ซึ่งให้การสนับสนุนที่แข็งแกร่งสำหรับการสร้างความปลอดภัยเพิ่มเติม การปกป้องความเป็นส่วนตัว และแอปพลิเคชันบล็อกเชนที่มีประสิทธิภาพ ด้วยการรวมความรู้ที่ไม่มีศูนย์ของ ZK และความสามารถในการประมวลผลข้อมูลของ ML เราจะสามารถสร้างโลกดิจิทัลที่เปิดกว้าง ชาญฉลาด และน่าเชื่อถือมากขึ้นได้อย่างแน่นอน!