영지식 머신러닝(ML)(ZKML)은 최근 암호화폐 분야에서 돌풍을 일으키고 있는 연구개발 방향이다. 하지만 그것은 무엇입니까? 그리고 왜 유용한가요? 먼저, 용어를 영지식(ZK)과 머신러닝(ML)(ML)의 두 부분으로 나누고 이들이 무엇인지 설명하겠습니다.
영지식 증명은 일종의 암호화 프로토콜입니다. 한쪽(증명자)은 추가 정보를 공개하지 않고도 주어진 명제가 사실이라는 것을 상대방(검증자)에게 증명할 수 있습니다. 이 분야는 연구, 프로토콜 구현 및 응용과 같은 여러 측면에서 상당한 진전을 이루었습니다.
영지식의 두 가지 주요 "기본 요소"(구성 요소)는 주어진 계산 집합에 대해 계산 자체를 수행하는 것보다 확인하기가 훨씬 쉬운 계산 무결성 증명을 생성합니다(이를 "간결성"이라고 함). 영지식 증명은 계산의 정확성을 보장하면서 계산 프로세스의 일부를 숨길 수 있는 가능성도 제공합니다(우리는 이를 "영지식"이라고 부릅니다).
영지식 증명을 생성하는 것은 계산 비용이 많이 들고 원래 계산보다 몇 배 더 높습니다. 이는 일부 계산의 경우 최고의 하드웨어에서도 비현실적인 시간이 걸리기 때문에 영지식 증명을 생성하는 것이 불가능하다는 것을 의미합니다. 그러나 최근 암호화, 하드웨어 및 분산 시스템의 발전으로 더욱 집약적인 영지식 증명 계산이 가능해졌습니다. 이러한 발전을 통해 계산 집약적인 증명을 사용하는 프로토콜을 구축할 수 있으므로 새로운 애플리케이션을 위한 설계 공간이 확장됩니다.
영지식 암호화는 개발자가 확장 가능한 비공개 애플리케이션을 구축할 수 있게 해주기 때문에 Web3에서 가장 널리 사용되는 기술 중 하나입니다. 영지식 기술이 계속 성숙해짐에 따라 영지식 응용 프로그램을 구축하기 위한 도구에는 도메인 전문 지식이 덜 필요하고 개발자가 사용하기가 더 쉬워지기 때문에 새로운 응용 프로그램이 캄브리아기 시대에 폭발적으로 증가할 가능성이 있습니다. 다음은 실제 적용 사례입니다(많은 프로젝트가 개발 중이지만 아직 완료되지 않았습니다).
ZK 롤업으로 이더 용량 확장
퍼블릭 체인과 같은 분산 시스템은 참여하는 모든 노드(컴퓨터)가 각 블록의 계산을 자체적으로 검증해야 하기 때문에 컴퓨팅 성능이 제한됩니다. ZK 증명을 사용한 후, 우리는 오프체인에서 이러한 계산을 수행하고 ZK 증명을 생성한 다음 온체인 증명을 검증하여 탈중앙화 하지 않고 확장성을 달성할 수 있습니다. 적용 사례:
• Starknet은 원래의 ZK-STARK 증명 시스템을 사용하여 메인넷에서 출시되었습니다. ZK-SNARK와 비교하여 ZK-STARK는 더 안전하고 양자 컴퓨터의 공격에 저항할 수 있으며 초기 시스템 설정 중에 신뢰할 수 있는 설정이 필요하지 않습니다. ZK-STARK는 더 큰 오버헤드, 더 긴 증명 크기 및 시간을 갖습니다. 거래 건수가 증가할수록 거래당 평균 비용은 작아집니다.
• 스크롤 테스트넷 단계는 다른 이더 L2 확장 솔루션보다 EVM과 더 잘 호환되는 EVM( 이더 Virtual Machine)과 동등한 ZK 롤업을 생성하는 데 전념합니다.
• Polygon zkEVM은 메인 네트워크에서 출시되었습니다. 이는 이더 L2 확장 솔루션 중 하나이며 ZK-STARK를 기반으로 개발되었습니다. Polygon Miden은 개발 중이며 처리량이 높은 개인 정보 보호 공개 체인을 목표로 합니다.
• zkSync는 메인 네트워크에서 출시되었으며 현재 가장 활동적인 영지식 증명 L2 블록체인입니다. 현재 ZK-SNARK 증명 시스템을 사용하고 있으며 향후 ZK-STARK로 마이그레이션할 예정입니다.
개인정보 보호 애플리케이션 구축
영지식 증명의 특성으로 인해 증명 프로세스에서 계산의 일부를 숨길 수 있으며, 이는 사용자 개인 정보 및 개인 데이터를 보호하기 위해 암호화 증명을 생성하는 애플리케이션을 구축하는 데 매우 유용합니다. 적용 사례:
• 세마포어
• 마치
• 반그림자
• Aztec Network는 사용자 잔액 과 거래가 외부 관찰자에게 완전히 숨겨지는 이더 용 프라이빗 스케일링 솔루션(ZK Rollup)을 구축하고 있습니다.
신원 및 데이터 증명
WorldID Worldcoin은 개인 정보를 보호하는 성격 증명 프로토콜인 WorldID를 구축하고 있습니다. 이를 통해 WorldID가 있는 사람은 누구나 자신이 고유한 인간이며 자신의 신원을 공개하지 않고 어떠한 작업(예: 소셜 네트워크 가입)도 수행하지 않았다는 암호화된 진술을 발행할 수 있습니다.
• 시스모
•도당
• 공리
L1 블록체인
영지식 증명은 계산을 아웃소싱하고 계산의 개인정보 보호를 보장할 수 있으므로 비공개/간결한(증명이 작고 확인하기 쉬운) L1 블록체인을 만들 수 있습니다. 적용 예시:
• 지캐시
• 미나
머신러닝(ML) 컴퓨터가 데이터로부터 스스로 학습하고 조정하여 지속적인 반복을 통해 성능을 최적화할 수 있도록 하는 알고리즘의 개발 및 적용과 관련된 인공 지능의 하위 분야입니다. GPT-4, Bard 등의 대형 언어 모델은 막대한 양의 훈련 데이터를 사용해 인간과 유사한 텍스트를 생성하는 최첨단 자연어 처리 시스템인 반면, DALL-E 2 등의 Vincentian 그래프 모델은 Midjourney 및 Stable Diffusion은 텍스트를 설명으로 변환하여 사실적인 시각적 표현으로 변환할 수 있습니다. 머신러닝(ML) 기술의 급속한 발전은 의료, 금융, 교통 등 다양한 분야의 복잡한 문제를 해결하고, 데이터 기반 통찰력과 예측을 활용하여 의사결정을 개선하고 결과를 최적화할 것을 약속합니다. 이러한 모델이 더욱 정교해짐에 따라 많은 산업에 혁명을 일으키고 우리가 살고 일하고 기술과 상호 작용하는 방식을 변화시킬 것을 약속합니다.
AI 생성 콘텐츠가 점점 인간이 만든 콘텐츠처럼 보이는 세상에서 영지식 암호화를 잠재적으로 적용하면 특정 입력에 특정 모델을 적용하여 콘텐츠의 특정 부분이 생성되었는지 확인하는 데 도움이 될 수 있습니다. 대규모 언어 모델(예: GPT4), Vincent 그래프 모델(예: DALL-E 2) 또는 기타 모델에 대한 영지식 회로를 생성하는 경우 이러한 모델의 출력을 확인할 수 있습니다. 이러한 증명의 영지식 속성을 통해 필요할 때 입력 또는 모델의 특정 부분을 숨길 수도 있습니다. 좋은 예는 일부 민감한 데이터에 머신러닝(ML) 모델을 적용하는 것입니다. 여기서 사용자는 입력 내용을 제3자(예: 의료 산업)에 공개하지 않고 모델의 추론 결과를 얻습니다.
참고: 영지식 머신러닝(ML) 에 대해 이야기할 때 훈련 단계가 아닌 머신러닝(ML) 모델의 추론 단계에 대한 영지식 증명을 생성하는 것을 의미합니다(훈련 자체에는 이미 대량 컴퓨팅 리소스가 필요함).
고성능 하드웨어와 결합된 현재의 최첨단 영지식 시스템은 현재 사용 가능한 대규모 언어 모델("LLM")을 입증하는 능력에 비해 여전히 뒤처져 있지만 소규모 모델의 발전을 입증하는 데는 약간의 진전이 있습니다. .
머신러닝(ML) 모델에 대한 증명 작성과 관련하여 최첨단 영지식 암호화를 검토하고 관련 연구, 기사, 애플리케이션 및 코드 라이브러리를 통합합니다. 영지식 머신러닝(ML) 대한 리소스는 GitHub에 있는 ZKML 커뮤니티의 awesome-zkml 저장소에서 찾을 수 있습니다.
Modulus Labs 팀은 최근 다양한 규모의 다양한 모델에 대해 기존 영지식 증명 시스템을 벤치마킹한 "The Price of Intelligence"라는 논문을 발표했습니다. 현재 plonky2와 같은 증명 시스템을 사용하면 강력한 AWS 시스템에서 실행하여 약 1,800만 개의 매개변수가 있는 모델에 대한 증명을 생성하는 데 약 50초가 걸립니다. 아래 그림은 신경망 매개변수 수가 증가함에 따라 다양한 증명 시스템의 실행 시간 차이를 보여줍니다.
Zkonduit의 ezkl 라이브러리는 영지식 머신러닝(ML) 시스템을 개선하기 위한 또 다른 이니셔티브로, ONNX를 사용하여 내보낸 머신러닝(ML) 모델에 대한 영지식 증명을 만들 수 있습니다. 이를 통해 모든 머신러닝(ML) 엔지니어는 모델의 추론 단계에 대한 영지식 증명을 생성하고 검증자에게 출력을 증명할 수 있습니다.
여러 팀이 특히 증명자 및 검증자 알고리즘과 같은 리소스 집약적인 작업의 경우 영지식 증명 계산 속도를 높이기 위해 하드웨어를 최적화하여 영지식 기술을 개선하기 위해 노력하고 있습니다. 영지식 기술이 성숙해짐에 따라 전용 하드웨어, 증명 시스템 아키텍처(증명 크기, 검증 시간, 증명 생성 시간 등) 및 보다 성능이 뛰어난 영지식 프로토콜 구현으로 인해 더 큰 모델을 시연할 수 있게 될 것입니다. 더 약한 기계. 우리는 이러한 발전이 새로운 영지식 머신러닝(ML) 애플리케이션 및 사용 사례로 이어지기를 바랍니다.
영지식 머신러닝(ML) 특정 애플리케이션에 적합한지 여부를 결정하기 위해 벤 다이어그램을 사용하여 영지식 암호화의 기능을 사용 사례 요구 사항과 비교할 수 있습니다.
경험적 방법: 경험 법칙 또는 "경험적 방법"을 사용하여 기존 최적화 방법으로 해결하기 어려운 문제에 대한 좋은 솔루션을 찾습니다. 휴리스틱 최적화 방법은 문제에 대한 최적의 솔루션을 찾으려고 시도하는 것이 아니라 전체 시스템에 대한 문제의 상대적 중요성과 최적화의 어려움을 기반으로 합리적인 시간 내에 좋거나 "충분히 좋은" 솔루션을 찾는 것입니다.
완전 동형 암호화 머신러닝(ML): 완전 동형 암호화를 통해 개발자는 암호화된 데이터에 대해 계산을 수행할 수 있으며, 해독된 결과는 암호화되지 않은 원래 입력에 대해 수행된 계산의 출력이 됩니다. 개인정보 보호 방식으로 모델 추론을 수행할 수 있습니다(증명자가 모든 데이터에 액세스해야 하는 영지식 머신러닝(ML) 과 달리 완전한 데이터 개인정보 보호). 그러나 영지식 증명 정확성처럼 수행된 계산을 암호화 방식으로 증명할 수는 없습니다. 예를 들어, Zama 팀은 Concrete ML이라는 완전 동형 암호화 머신러닝(ML) 프레임 만들고 있습니다.
영지식 증명 대 유효성 증명: 유효성 증명은 계산이나 그 결과의 일부를 숨기지 않는 영지식 증명이기 때문에 이 두 용어는 종종 업계에서 같은 의미로 사용됩니다. 영지식 머신러닝(ML) 에 관한 한, 대부분의 현재 응용 프로그램은 영지식 증명을 활용하는 유효성 증명에 있습니다.
효과적인 머신러닝(ML): 모든 계산이 검증자에게 공개적으로 표시되는 머신러닝(ML) 모델의 SNARK/STARK 증명입니다. 모든 검증자는 머신러닝(ML) 모델의 계산 정확성을 입증할 수 있습니다.
영지식 머신러닝(ML)(Zero-knowledge machine learning): 머신러닝(ML) 모델의 영지식 증명으로 계산이 검증자로부터 숨겨집니다(영지식 속성 사용). 증명자는 다른 정보를 공개하지 않고도 머신러닝(ML) 모델의 계산 정확성을 증명할 수 있습니다.
특정 사용 사례
계산 무결성(효과적인 머신러닝(ML))
유효성 증명(SNARK/STARK)은 특정 계산의 정확성을 증명하는 데 사용할 수 있습니다. 머신러닝(ML) 의 맥락에서 우리는 머신러닝(ML) 모델이 추론하거나 모델이 특정 입력을 사용하여 특정 출력을 생성한다는 것을 증명합니다.
예를 들어, 영지식 머신러닝(ML) 에 중점을 둔 스타트업인 Modulus Labs는 다음과 같은 사용 사례를 구축하고 있습니다.
• 온체인 검증 가능한 머신러닝(ML) 트레이딩 봇 RockyBot
• 스스로 진화하는 블록체인(예):
• Lyra 금융 옵션 자동 마켓메이커(AMM) 프로토콜에 스마트 기능 추가
Astraly를 위한 투명한 AI 기반 평판 시스템 구축(영지식 오라클)
• 머신러닝(ML) 기반 계약 수준 규정 준수 도구를 활성화하기 위해 Aztec 프로토콜(개인 정보 보호 기능을 갖춘 zk-rollup)에 대한 기술 혁신을 위해 노력하고 있습니다.
주어진 모델과 입력에 의해 출력이 생성된다는 것을 쉽게 증명하고 검증하는 능력. 이를 통해 머신러닝(ML) 모델이 전용 하드웨어에서 오프체인으로 실행될 수 있으며 영지식 증명은 온 온체인 에서 쉽게 확인할 수 있습니다. 예를 들어, Giza는 Yearn(DeFi 수익률 집계 프로토콜)이 머신러닝(ML) 사용하는 일부 복잡한 수익률 전략이 온체인 올바르게 실행되고 있음을 증명하도록 돕고 있습니다.
MLaaS(서비스형 머신러닝(ML)) 투명성
여러 기업이 각자의 API(응용 프로그램 인터페이스)를 통해 머신러닝(ML) 모델 서비스를 제공할 때, API(응용 프로그램 인터페이스)는 블랙박스이기 때문에 서비스 제공자가 실제로 자신이 말하는 모델을 제공하고 있는지 여부를 사용자 입장에서는 알기가 정말 어렵습니다. 유효성 증명과 함께 제공되는 머신러닝(ML) 모델 API는 사용자가 사용 중인 모델을 확인할 수 있도록 투명성을 제공하는 데 도움이 됩니다.
영지식 이상 및 사기 탐지
악용 가능성 또는 사기에 대한 영지식 증명을 만듭니다. 이상 탐지 모델은 스마트 계약 데이터에 대해 교육을 받고 탈중앙화 자율 조직(DAO) 프로토콜을 통해 흥미로운 지표로 사용되어 계약 운영의 보다 적극적이고 예방적인 중단과 같은 안전 절차를 자동화할 수 있습니다. 보안 분석을 위해 스마트 계약에 머신러닝(ML) 모델을 사용하려는 스타트업이 있으며 다음 단계는 영지식 이상 탐지 증명이 될 수 있습니다.
개인 정보 보호(영지식 머신러닝(ML))
유효성 증명 외에도 개인 정보 보호 머신러닝(ML) 애플리케이션을 지원하기 위해 일부 계산 세부 정보를 숨길 수도 있습니다. 다음은 몇 가지 예입니다.
• 탈중앙화 Kaggle: 모델 가중치를 공개하지 않고 일부 테스트 데이터에서 모델의 정확도가 x%보다 크다는 것을 증명합니다.
• 개인 정보 보호 모델 추론: 환자 개인 데이터의 의료 진단 결과를 모델에 입력하고 민감한 모델 추론(암 발견 결과 등)을 환자에게 보냅니다. (출처: vCNN 논문, 2/16페이지)
• 월드코인
Worldcoin의 영지식 머신러닝(ML) 의 잠재적 사용 사례
Worldcoin에서 영지식 머신러닝(ML) 의 잠재적인 용도 중 하나는 확장 가능한 홍채 코드입니다. World ID 사용자는 자신의 서명된 생체 인식 정보를 모바일 장치의 암호화된 저장소에 자체 보관하고, 홍채 코드를 생성하는 데 사용되는 머신러닝(ML) 모델을 다운로드하고, 홍채 코드가 실제로 올바른 모델을 사용하고 있다는 영지식 증명을 로컬에서 생성할 수 있습니다. 시그니처 이미지에서 스마트 계약은 영지식 증명을 검증하고 홍채 코드 생성을 인증할 수 있기 때문에 이 홍채 코드는 등록된 Worldcoin 사용자 집합에 무단으로 삽입될 수 있습니다. 이는 Worldcoin이 홍채 코드를 생성하는 알고리즘을 업그레이드하여 이전 반복과의 호환성을 깨뜨리면 사용자가 Orb(홍채 스캔 전용 장치)를 재사용할 필요가 없고 로컬 장치에서만 업그레이드하면 된다는 것을 의미합니다. 그것.
저자│월드코인
번역 |
교정│Johnny Jiang
조판 │ 보
리뷰｜보
원본링크👇
https://worldcoin.org/blog/engineering/intro-to-zkml
SeeDAO는 블록체인 기반의 디지털 도시 국가로, SeeDAO 회원들이 공동 구축, 공동 관리 및 공유하는 탈중앙화 형태를 취합니다. . 현재 번역 길드, 투자 연구 길드, R&D 길드 등 여러 길드가 형성되어 회원 수가 10,000명이 넘습니다. 교육, 정보, 활동 및 기타 측면에서 고품질 Web3 프로젝트의 탄생을 돕는 것을 목표로 합니다.
공식 홈페이지: https://seedao.xyz
중국 트위터: https://twitter.com/see_dao
글로벌 트위터: https://twitter.com/en_SeeDAO
디스코드: https://discord.com/invite/seedao-xyz
노션: https://seedao.notion.site
텔레그램: https://t.me/theseedao
SeeDAO 초보자 캠프에 참가하려면 WeChat 보조원을 추가하세요: seeDAO2023
