Học máy không kiến thức (viết tắt là ZKML) là một hướng nghiên cứu và phát triển gần đây đã gây chấn động trong lĩnh vực mật mã. Nhưng nó là gì? Và tại sao nó lại hữu ích? Trước tiên, hãy chia thuật ngữ này thành hai phần, không có kiến thức (ZK) và học máy (ML) và giải thích từng phần là gì.
Bằng chứng không tri thức là một loại giao thức mật mã. Trong đó bên (người chứng minh) có thể chứng minh cho bên kia (người xác minh) rằng một mệnh đề nhất định là đúng mà không tiết lộ bất kỳ thông tin bổ sung nào. Lĩnh vực này đã đạt được tiến bộ đáng kể về nhiều mặt như nghiên cứu, triển khai và ứng dụng giao thức.
Hai "nguyên thủy" (thành phần) chính của kiến thức bằng 0 tạo ra bằng chứng tính toàn vẹn tính toán cho một tập hợp các phép tính nhất định, dễ xác minh hơn nhiều so với việc tự thực hiện các phép tính đó (chúng tôi gọi đây là "sự ngắn gọn"). Bằng chứng không tri thức cũng cung cấp khả năng ẩn một phần của quá trình tính toán trong khi vẫn đảm bảo tính chính xác của phép tính (chúng tôi gọi đó là "không có kiến thức").
Việc tạo ra Bằng chứng không tri thức rất tốn kém về mặt tính toán, cao hơn nhiều lần so với tính toán ban đầu. Điều này có nghĩa là đối với một số tính toán, việc tạo ra Bằng chứng không tri thức là không khả thi vì sẽ mất một khoảng thời gian không thực tế ngay cả trên phần cứng tốt nhất. Tuy nhiên, những tiến bộ gần đây về mật mã, phần cứng và hệ thống phân tán đã làm cho việc tính toán Bằng chứng không tri thức trở nên khả thi hơn. Những tiến bộ này giúp có thể xây dựng các giao thức sử dụng các bằng chứng tính toán chuyên sâu, từ đó mở rộng không gian thiết kế cho các ứng dụng mới.
Mật mã không có kiến thức là một trong những công nghệ phổ biến nhất cho Web3 vì nó cho phép các nhà phát triển xây dựng các ứng dụng riêng tư và mở rộng. Khi công nghệ không có kiến thức tiếp tục phát triển, có khả năng sẽ có sự bùng nổ của các ứng dụng mới trong kỷ Cambri, vì các công cụ để xây dựng các ứng dụng không có kiến thức sẽ yêu cầu ít chuyên môn về miền hơn và trở nên dễ sử dụng hơn đối với các nhà phát triển. Dưới đây là một số ví dụ ứng dụng thực tế (nhiều dự án đang được phát triển và chưa hoàn thành).
Bản tổng hợp ZK mở rộng dung lượng cho Ethereum
Các hệ thống phân tán như chuỗi công khai có khả năng tính toán hạn chế vì tất cả nút tham gia (máy tính) phải tự xác minh các tính toán trong mỗi khối. Sau khi sử dụng bằng chứng ZK, chúng tôi có thể thực hiện các tính toán này ngoài Chuỗi và tạo bằng chứng ZK, sau đó xác minh bằng chứng trên Chuỗi , đạt được mở rộng mà không phải phi tập trung và bảo mật. Ứng dụng ví dụ:
• Starknet đã được ra mắt mainnet , sử dụng hệ thống chứng minh ZK-STARK ban đầu. So với ZK-SNARK, ZK-STARK an toàn hơn, có thể chống lại các cuộc tấn công từ máy tính lượng tử và không yêu cầu cài đặt đáng tin cậy trong quá trình thiết lập hệ thống ban đầu; giao dịch là Khi số lượng tăng lên, chi phí trung bình cho mỗi giao dịch sẽ trở nên nhỏ hơn.
• Giai đoạn mạng thử nghiệm Scroll được dành riêng để tạo bản tổng hợp ZK tương đương với EVM (Máy ảo Ethereum), tương thích với EVM hơn các giải pháp mở rộng Ethereum L2 khác.
• Polygon zkEVM đã được ra mắt ra mắt mainnet. Đây là một trong những giải pháp mở rộng Ethereum L2 và được phát triển dựa trên ZK-STARK. Polygon Miden đang được phát triển và đặt mục tiêu trở thành chuỗi công khai về quyền riêng tư có thông lượng cao.
• zkSync đã được ra mắt mainnet và hiện là blockchain L2 Bằng chứng không tri thức tích cực nhất. Nó hiện đang sử dụng hệ thống bằng chứng ZK-SNARK và sẽ được chuyển sang ZK-STARK trong tương lai.
Xây dựng các ứng dụng bảo vệ quyền riêng tư
Các đặc điểm của Bằng chứng không tri thức cho phép ẩn một phần tính toán trong quy trình chứng minh, điều này rất hữu ích để xây dựng các ứng dụng tạo bằng chứng crypto để bảo vệ quyền riêng tư và dữ liệu cá nhân của người dùng. Ứng dụng ví dụ:
• Semaphore
• MACI
• Bóng râm một phần
• Mạng Aztec đang xây dựng một giải pháp mở rộng quy mô sở hữu tư nhân (ZK Rollup) cho Ethereum , trong đó số dư và cặp giao dịch những người quan sát bên ngoài.
Bằng chứng nhận dạng và dữ liệu
WorldID Worldcoin đang xây dựng WorldID, một giao thức chứng minh tính cách bảo vệ quyền riêng tư. Nó cho phép bất kỳ ai có WorldID đưa ra tuyên bố crypto rằng họ là một con người độc nhất và chưa thực hiện bất kỳ hành động nào (chẳng hạn như đăng ký mạng xã hội) mà không tiết lộ danh tính của họ.
• Sismo
•Bè lũ
• Tiên đề
Blockchain L1
Vì Bằng chứng không tri thức có thể giúp thuê ngoài tính toán và đảm bảo tính riêng tư của tính toán, nên có thể tạo blockchain L1 riêng tư/ngắn gọn (bằng chứng nhỏ và dễ xác minh). Ứng dụng ví dụ:
• Zcash
• Mina
Học máy là một trường con của trí tuệ nhân tạo liên quan đến việc phát triển và ứng dụng các thuật toán cho phép máy tính tự học và điều chỉnh từ dữ liệu, tối ưu hóa hiệu suất của chúng thông qua các lần lặp liên tục. Các mô hình ngôn ngữ lớn, chẳng hạn như GPT-4 và Bard, là các hệ thống xử lý ngôn ngữ tự nhiên tiên tiến sử dụng lượng lớn dữ liệu đào tạo để tạo ra văn bản giống con người, trong khi các mô hình đồ thị Vincentian, chẳng hạn như DALL-E 2, Midjourney và Stable Diffusion có thể chuyển đổi văn bản thành Mô tả được chuyển thành biểu thức trực quan thực tế. Những tiến bộ nhanh chóng trong công nghệ học máy hứa hẹn sẽ giải quyết những thách thức phức tạp trong nhiều lĩnh vực khác nhau như chăm sóc sức khỏe, tài chính, giao thông vận tải, v.v., cải thiện việc ra quyết định và tối ưu hóa kết quả bằng cách tận dụng những hiểu biết và dự đoán dựa trên dữ liệu. Khi những mô hình này trở nên phức tạp hơn, chúng hứa hẹn sẽ cách mạng hóa nhiều ngành công nghiệp và thay đổi cách chúng ta sống, làm việc và tương tác với công nghệ.
Trong một thế giới mà nội dung do AI tạo ra ngày càng giống nội dung do con người tạo ra, các ứng dụng tiềm năng của mật mã không chứa kiến thức có thể giúp chúng ta xác định rằng một phần nội dung cụ thể được tạo ra bằng cách áp dụng một mô hình cụ thể cho một đầu vào cụ thể. Nếu bạn tạo các mạch không có kiến thức cho các mô hình ngôn ngữ lớn (chẳng hạn như GPT4), mô hình đồ thị Vincent (chẳng hạn như DALL-E 2) hoặc bất kỳ mô hình nào khác, bạn có thể xác minh đầu ra của các mô hình này. Thuộc tính không có kiến thức của những bằng chứng này cũng sẽ cho phép chúng tôi ẩn một số phần nhất định của đầu vào hoặc mô hình khi cần. Một ví dụ điển hình là áp dụng mô hình học máy trên một số dữ liệu nhạy cảm, trong đó người dùng nhận được kết quả suy luận của mô hình mà không tiết lộ thông tin đầu vào của họ cho bất kỳ bên thứ ba nào (chẳng hạn như trong ngành chăm sóc sức khỏe).
Lưu ý: Khi nói về học máy không có kiến thức, chúng tôi đang đề cập đến việc tạo Bằng chứng không tri thức cho bước suy luận của mô hình học máy chứ không phải bước đào tạo (bản thân việc đào tạo đã đòi hỏi lượng lớn tài nguyên máy tính).
Các hệ thống không có kiến thức hiện đại kết hợp với phần cứng hiệu suất cao vẫn có khả năng chứng minh các mô hình ngôn ngữ lớn hiện có ("LLM"), nhưng có một số tiến bộ trong việc chứng minh các mô hình nhỏ hơn. .
Về việc tạo bằng chứng cho các mô hình học máy, chúng tôi kiểm tra mật mã không chứa kiến thức tiên tiến nhất và tập hợp các nghiên cứu, bài báo, ứng dụng và thư viện mã có liên quan. Bạn có thể tìm thấy tài nguyên về học máy không có kiến thức trong kho lưu trữ awesome-zkml của cộng đồng ZKML trên GitHub.
Đội ngũ Modulus Labs gần đây đã xuất bản một bài báo có tên “Cái giá của trí thông minh”, trong đó họ so sánh các hệ thống Bằng chứng không tri thức hiện có với nhiều mô hình có quy mô khác nhau. Hiện tại, bằng cách sử dụng hệ thống chứng minh như plonky2, phải mất khoảng 50 giây để chạy trên máy AWS mạnh mẽ để tạo bằng chứng cho một mô hình có khoảng 18 triệu tham số. Hình dưới đây cho thấy sự khác biệt về thời gian chạy của các hệ thống chứng minh khác nhau khi số lượng tham số mạng thần kinh tăng lên:
Thư viện ezkl của Zkonduit là một sáng kiến khác nhằm cải thiện hệ thống máy học không có kiến thức, cho phép bạn tạo Bằng chứng không tri thức cho các mô hình học máy được xuất bằng ONNX. Điều này cho phép bất kỳ kỹ sư máy học nào tạo ra Bằng chứng không tri thức cho các bước suy luận trong mô hình của họ và chứng minh kết quả đầu ra cho bất kỳ người xác minh nào.
Một số đội ngũ đang nỗ lực cải tiến công nghệ không có kiến thức, tối ưu hóa phần cứng để tăng tốc độ tính toán bằng Bằng chứng không tri thức, đặc biệt đối với nhiệm vụ sử dụng nhiều tài nguyên như thuật toán chứng minh và người xác minh. Khi công nghệ không có kiến thức phát triển, nhờ những cải tiến về phần cứng chuyên dụng, kiến trúc hệ thống bằng chứng (kích thước bằng chứng, thời gian xác minh, thời gian tạo bằng chứng, v.v.) và việc triển khai giao thức không có kiến thức hiệu quả hơn, chúng tôi sẽ có thể Chứng minh các mô hình lớn hơn trên máy yếu hơn. Chúng tôi hy vọng những tiến bộ này sẽ dẫn đến các ứng dụng và trường hợp sử dụng máy học không có kiến thức mới.
Để xác định xem liệu máy học không có kiến thức có phù hợp với một ứng dụng cụ thể hay không, chúng ta có thể sử dụng biểu đồ Venn để so sánh các tính năng của mật mã không có kiến thức với các yêu cầu của trường hợp sử dụng.
Heuristics: Sử dụng quy tắc ngón tay cái hoặc "heuristics" để tìm ra giải pháp tốt phương pháp . Phương pháp tối ưu hóa heuristic không cố gắng tìm ra giải pháp tối ưu cho một vấn đề mà tìm ra giải pháp tốt hoặc “đủ tốt” trong khoảng thời gian hợp lý dựa trên tầm quan trọng tương đối của vấn đề đối với hệ thống tổng thể và độ khó của việc tối ưu hóa.
Học máy crypto hoàn toàn: Crypto đồng cấu hoàn toàn cho phép các nhà phát triển thực hiện các phép tính trên dữ liệu crypto và kết quả được giải mã sẽ là đầu ra của phép tính được thực hiện trên đầu vào ban đầu crypto. Nó có thể thực hiện suy luận mô hình theo cách bảo vệ quyền riêng tư (bảo mật dữ liệu hoàn toàn, không giống như học máy không có kiến thức, trong đó người chứng minh cần quyền truy cập vào tất cả dữ liệu, tuy nhiên, nó không thể chứng minh bằng mật mã các tính toán được thực hiện như tính chính xác Bằng chứng không tri thức). Ví dụ: đội ngũ Zama đang tạo ra một khung máy học crypto hóa hoàn toàn đồng hình có tên là Concrete ML.
Bằng chứng không tri thức so với bằng chứng có giá trị: Hai thuật ngữ này thường được sử dụng thay thế cho nhau trong ngành vì bằng chứng hợp lệ là Bằng chứng không tri thức và không che giấu một phần tính toán hoặc kết quả của nó. Liên quan đến việc học máy không có kiến thức, hầu hết các ứng dụng hiện tại đều có bằng chứng hợp lệ sử dụng Bằng chứng không tri thức.
Học máy hiệu quả: Bằng chứng SNARK/STARK về các mô hình học máy, trong đó các tính toán đều được hiển thị công khai cho người xác minh. Bất kỳ người xác minh nào cũng có thể chứng minh tính chính xác trong tính toán của mô hình học máy.
Học máy không có kiến thức: Bằng chứng không tri thức về mô hình học máy, trong đó tính toán được ẩn khỏi trình xác minh (sử dụng thuộc tính không có kiến thức). Người chứng minh có thể chứng minh tính chính xác trong tính toán của mô hình học máy mà không tiết lộ bất kỳ thông tin nào khác.
Các trường hợp sử dụng cụ thể
Tính toàn vẹn tính toán (học máy hiệu quả)
Bằng chứng hợp lệ (SNARK/STARK) có thể được sử dụng để chứng minh tính chính xác của một số phép tính nhất định. Trong bối cảnh học máy, chúng tôi đang chứng minh rằng một mô hình học máy suy luận hoặc một mô hình tạo ra một số đầu ra nhất định bằng cách sử dụng các đầu vào cụ thể.
Ví dụ: Modulus Labs, một công ty khởi nghiệp tập trung vào học máy không có kiến thức, đang xây dựng các trường hợp sử dụng sau:
•Bot giao dịch máy học có thể xác minh trên Chuỗi RockyBot
• Blockchain tự phát triển (ví dụ):
• Thêm các tính năng thông minh vào giao thức nhà tạo lập thị trường tự động tùy chọn tài chính Lyra
Tạo một hệ thống danh tiếng dựa trên AI minh bạch cho Astraly ( oracle không có kiến thức)
• Nghiên cứu những đột phá về công nghệ cho Giao thức Aztec (zk-rollup với các tính năng bảo mật) để hỗ trợ các công cụ tuân thủ cấp độ hợp đồng dựa trên công nghệ máy học
Khả năng dễ dàng chứng minh và xác minh rằng đầu ra được tạo ra bởi một mô hình và đầu vào nhất định. Điều này cho phép các mô hình học máy chạy ngoài Chuỗi trên phần cứng chuyên dụng và Bằng chứng không tri thức của chúng có thể được xác minh dễ dàng trên Chuỗi. Ví dụ: Giza đang giúp Yearn (giao thức tổng hợp lợi nhuận DeFi) chứng minh rằng một số chiến lược lợi nhuận phức tạp sử dụng máy học đang chạy chính xác trên Chuỗi.
Tính minh bạch của Học máy như một Dịch vụ (MLaaS)
Khi các công ty khác nhau cung cấp dịch vụ mô hình học máy thông qua giao diện chương trình ứng dụng (API) của họ, người dùng thực sự khó biết liệu nhà cung cấp dịch vụ có thực sự cung cấp mô hình mà họ nói hay không vì giao diện chương trình ứng dụng (API) là một hộp đen. API mô hình học máy đi kèm với bằng chứng xác thực sẽ giúp mang lại sự minh bạch cho người dùng vì họ có thể xác minh xem họ đang sử dụng mô hình nào.
Không có kiến thức bất thường và phát hiện gian lận
Tạo Bằng chứng không tri thức về khả năng khai thác hoặc gian lận. Các mô hình phát hiện bất thường có thể được đào tạo về dữ liệu hợp đồng thông minh và được sử dụng làm chỉ báo thú vị thông qua các giao thức của Tổ chức tự trị phi tập trung (DAO) để có thể tự động hóa các quy trình bảo mật, chẳng hạn như đình chỉ hoạt động hợp đồng một cách chủ động và phòng ngừa hơn. Có một số công ty khởi nghiệp đang xem xét sử dụng các mô hình học máy trên hợp đồng thông minh để phân tích bảo mật và bước tiếp theo có thể là bằng chứng phát hiện sự bất thường không có kiến thức.
Quyền riêng tư (học máy không có kiến thức)
Ngoài các bằng chứng về tính hợp lệ, chúng tôi cũng có thể ẩn một số chi tiết tính toán để hỗ trợ các ứng dụng máy học bảo đảm quyền riêng tư. Dưới đây là một vài ví dụ:
• Kaggle phi tập trung : Chứng minh độ chính xác của mô hình trên một số dữ liệu thử nghiệm lớn hơn x% mà không tiết lộ tỷ trọng của mô hình.
• Suy luận mô hình bảo vệ quyền riêng tư: Nhập kết quả chẩn đoán y tế của dữ liệu riêng tư của bệnh nhân vào mô hình và gửi suy luận mô hình nhạy cảm (chẳng hạn như kết quả phát hiện ung thư) cho bệnh nhân. (Nguồn: giấy vCNN, trang 2/16)
• Worldcoin
Các trường hợp sử dụng tiềm năng của máy học không kiến thức trong Worldcoin
Một ứng dụng tiềm năng của máy học không kiến thức trong Worldcoin là mã mống mắt nâng cấp. Người dùng World ID có thể tự lưu giữ thông tin sinh trắc học đã ký của mình trong bộ lưu trữ crypto trên thiết bị di động của họ, tải xuống mô hình học máy được sử dụng để tạo mã mống mắt và tạo cục bộ Bằng chứng không tri thức rằng mã mống mắt của họ thực sự là mô hình chính xác bằng cách sử dụng Tạo từ hình ảnh chữ ký. Vì hợp đồng thông minh có thể xác minh bằng Bằng chứng không tri thức và chứng minh việc tạo mã mống mắt, mã mống mắt này có thể được chèn vào nhóm người dùng Worldcoin đã đăng ký mà không được phép. Điều này có nghĩa là nếu Worldcoin nâng cấp thuật toán tạo mã mống mắt, do đó phá vỡ khả năng tương thích với các lần lặp trước, người dùng sẽ không phải sử dụng lại Orb (một thiết bị chuyên dụng để quét mống mắt) và chỉ cần nâng cấp trên thiết bị cục bộ của họ.
Worldcoin giả |
Dịch thuật cửa sau |
Hiệu đính｜Johnny Jiang
Sắp chữ｜Bo
Đánh giá｜Bo
Link gốc👇
https:// Worldcoin.org/blog/engineering/intro-to-zkml
SeeDAO là một thành phố kỹ thuật số dựa trên blockchain, có dạng mạng kỹ thuật số phi tập trung(Mạng SeeDAO) và các vị trí thực tế (Seeshore) được lập bản đồ trên toàn thế giới, do các thành viên SeeDAO đồng xây dựng, đồng quản lý và chia sẻ. Hiện tại, một số hiệp hội đã được thành lập, bao gồm Hiệp hội Dịch thuật, Hiệp hội Nghiên cứu Đầu tư và Hiệp hội R&D với hơn 10.000 thành viên. Nó nhằm mục đích giúp ra đời các dự án Web3 chất lượng cao từ giáo dục, thông tin, hoạt động và các khía cạnh khác.
Trang web chính thức: https://seedao.xyz
Twitter tiếng Trung: https://twitter.com/see_dao
Twitter toàn cầu: https://twitter.com/en_SeeDAO
Bất hòa: https://discord.com/invite/seedao-xyz
Ý niệm: https://seedao.notion.site
Gương: https://seedao.mirror.xyz
Điện tín: https://t.me/theseedao
Thêm trợ lý WeChat để tham gia trại mới SeeDAO : seedao2023
