Tác giả của bài viết này, Elena Burger, là đối tác giao dịch của a16z crypto, tập trung vào trò chơi, NFT, phương tiện web3 và cơ sở hạ tầng phi tập trung. Trước khi gia nhập nhóm, cô ấy là nhà phân tích vốn chủ sở hữu tại Gilder, Gagnon, Howe và Co trong bốn năm. Cô có bằng Cử nhân Lịch sử tại Đại học Barnard, Đại học Columbia.
Trong vài năm qua, Zero-knowledge Proof trên chuỗi khối đã rất hữu ích cho hai mục đích chính: (1) mở rộng quy mô các mạng bị hạn chế về mặt tính toán bằng cách xử lý các giao dịch ngoài chuỗi và xác thực kết quả trên mạng chính; Kích hoạt các giao dịch được bảo vệ để bảo vệ quyền riêng tư của người dùng, chỉ những giao dịch đó với khóa giải mã có thể nhìn thấy chúng. Trong bối cảnh của các chuỗi khối, rõ ràng tại sao các thuộc tính này lại được mong muốn: một mạng phi tập trung như Ethereum sẽ ổn nếu không có các yêu cầu không bền vững về sức mạnh xử lý, băng thông và độ trễ của trình xác thực (do đó cần có Rollup hợp hợp lệ). hoặc kích thước khối và tất cả các giao dịch đều hiển thị cho bất kỳ ai (do đó cần có giải pháp bảo mật trên chuỗi).
Nhưng Zero-knowledge Proof cũng hữu ích cho loại chức năng thứ ba: xác minh hiệu quả rằng bất kỳ loại tính toán nào đang chạy chính xác (không chỉ tính toán trong các phiên bản ngoài chuỗi EVM). Điều này vượt xa phạm vi của blockchain.
Những tiến bộ trong việc tận dụng sức mạnh của Zero-knowledge Proof để xác minh ngắn gọn các hệ thống máy tính giờ đây cho phép người dùng yêu cầu mức độ tin cậy và khả năng xác minh như nhau từ các chuỗi khối trong mọi sản phẩm kỹ thuật số (và hầu hết các mô hình machine learning quan trọng) trong giới tính tồn tại. Nhu cầu cao đối với điện toán chuỗi khối đã thúc đẩy nghiên cứu Zero-knowledge Proof, tạo ra các hệ thống bằng chứng hiện đại với dung lượng bộ nhớ nhỏ hơn và thời gian xác minh và xác minh nhanh hơn, giờ đây có thể xác minh một số thuật toán machine learning nhỏ nhất định trên chuỗi.
Đến bây giờ, có lẽ tất cả chúng ta đều đã trải nghiệm tiềm năng tương tác với một sản phẩm machine learning cực kỳ mạnh mẽ. Vài ngày trước, tôi đã sử dụng GPT-4 để giúp tôi tạo một AI liên tục đánh bại tôi trong môn cờ vua. Cảm giác này giống như một mô hình thu nhỏ của tất cả những tiến bộ trong machine learning trong vài thập kỷ qua: Các nhà phát triển IBM đã dành 12 năm để phát triển Deep Blue , một mô hình chạy trên máy tính IBM RS/6000 SP 32 nút có khả năng đánh giá Gần 200 triệu nước cờ, đánh bại nhà vô địch cờ vua Gary Kasparov năm 1997. Ngược lại, tôi chỉ mất vài giờ, tôi viết rất ít mã và tôi đã viết một chương trình đánh bại tôi.
Đúng là tôi nghi ngờ rằng AI mà tôi đã tạo ra có thể đánh bại Gary Kasparov trong môn cờ vua, nhưng điều đó không quan trọng. Vấn đề là bất kỳ ai chơi với GPT-4 đều có thể có trải nghiệm tương tự khi đạt được siêu năng lực: chỉ cần nỗ lực một chút, bạn có thể tạo ra những thứ gần bằng hoặc vượt quá khả năng của chính mình. Tất cả chúng ta đều là nhà nghiên cứu của IBM; chúng ta đều là Gary Kasparov.
Rõ ràng, điều này thật thú vị và hơi khó khăn khi nghĩ đến. Đối với bất kỳ ai làm việc trong ngành công nghiệp tiền điện tử, động lực tự nhiên (sau khi ngạc nhiên về những gì machine learning có thể làm) là xem xét các vectơ tập trung tiềm năng và cách phân cấp các vectơ này thành một hệ thống mà mọi người có thể kiểm tra và sở hữu một cách minh bạch trong mạng. Các mô hình hiện tại được xây dựng bằng cách đồng hóa một lượng lớn văn bản và dữ liệu có sẵn công khai, nhưng hiện chỉ được kiểm soát và sở hữu bởi một số ít người. Cụ thể hơn, câu hỏi không phải là "liệu trí tuệ nhân tạo có giá trị lớn hay không" mà là "làm thế nào để chúng ta xây dựng các hệ thống này theo cách mà bất kỳ ai tương tác với chúng đều được hưởng lợi về tài chính và, nếu họ chọn, đảm bảo rằng dữ liệu của họ vẫn được sử dụng trong một cách tôn trọng quyền riêng tư của họ."
Gần đây, đã có tiếng nói kêu gọi tạm dừng hoặc giảm tiến độ các dự án trí tuệ nhân tạo quy mô lớn như Chat-GPT. Dừng tiến trình có lẽ không phải là giải pháp ở đây: thay vào đó, tốt hơn là nên đẩy các mô hình nguồn mở, với Zero-knowledge Proof bảo toàn quyền riêng tư trên chuỗi và có thể kiểm tra đầy đủ trong trường hợp nhà cung cấp mô hình muốn trọng số hoặc dữ liệu của họ ở chế độ riêng tư. bảo vệ chúng. Trường hợp sử dụng thứ hai xung quanh trọng số và dữ liệu của mô hình riêng tư không khả thi trên chuỗi hiện nay, nhưng những tiến bộ trong hệ thống Zero-knowledge Proof sẽ giúp điều đó trở nên khả thi trong tương lai.
Machine learning có thể kiểm chứng và sở hữu
Tại thời điểm này, một AI cờ vua giống như AI tôi đã tạo bằng Chat-GPT cảm thấy tương đối lành tính: một chương trình có đầu ra thống nhất không sử dụng dữ liệu vi phạm quyền sở hữu trí tuệ có giá trị hoặc vi phạm quyền riêng tư. Nhưng điều gì sẽ xảy ra khi chúng ta muốn đảm bảo rằng mô hình mà chúng ta được thông báo thực sự là mô hình đang chạy khi nó chạy phía sau API? Hoặc nếu tôi muốn lấy dữ liệu đã xác minh vào một mô hình trên chuỗi và đảm bảo dữ liệu thực sự đến từ một bên hợp pháp thì sao? Điều gì sẽ xảy ra nếu tôi muốn đảm bảo rằng "người" gửi dữ liệu thực sự là người chứ không phải bot đang cố tấn công mạng của tôi? Zero-knowledge Proof , với khả năng trình bày ngắn gọn và xác minh các chương trình tùy ý, là một cách để đạt được điều này.
Điều đáng chú ý là ngày nay, trường hợp sử dụng chính cho Zero-knowledge Proof trong môi trường machine learning trên chuỗi là để xác minh các tính toán chính xác. Nói cách khác, Zero-knowledge Proof và cụ thể hơn là SNARK (Lập luận kiến thức không tương tác ngắn gọn), hữu ích nhất trong ngữ cảnh ML vì thuộc tính ngắn gọn của chúng. Điều này là do Zero-knowledge Proof bảo vệ quyền riêng tư của người chứng minh (và dữ liệu mà nó xử lý) khỏi những người xác minh rình mò. Các kỹ thuật nâng cao quyền riêng tư như Mã hóa đồng nhất hoàn toàn (FHE), Mã hóa chức năng hoặc Môi trường thực thi đáng tin cậy (TEE) phù hợp hơn để cho phép các trình xác minh không đáng tin cậy chạy tính toán trên dữ liệu đầu vào riêng tư (khám phá sâu hơn các kỹ thuật này nằm ngoài phạm vi của bài báo này. trong phạm vi).
Hãy lùi lại một bước và hiểu ở cấp độ cao các loại ứng dụng machine learning mà bạn có thể trình bày mà không cần kiến thức. (Để có cái nhìn sâu hơn về ZK, hãy xem các bài viết của chúng tôi về thuật toán Zero-knowledge Proof và cải tiến phần cứng , công việc của Justin Thaler về hiệu suất SNARK hoặc tiêu chuẩn không kiến thức của chúng tôi.) Zero-knowledge Proof thường biểu thị các chương trình dưới dạng mạch số học: Sử dụng các mạch này, một người chứng minh tạo ra một bằng chứng từ các đầu vào công khai và riêng tư, và một người xác minh sẽ tính toán một cách toán học rằng đầu ra của câu lệnh là chính xác—mà không thu được bất kỳ thông tin nào về các đầu vào riêng tư.
Chúng tôi vẫn đang ở giai đoạn đầu của việc xác minh tính toán thực tế bằng cách sử dụng Zero-knowledge Proof trên chuỗi, nhưng các cải tiến về thuật toán đang mở rộng những gì khả thi. Dưới đây là năm cách Zero-knowledge Proof được áp dụng trong machine learning.
1. Tính xác thực của mô hình: Bạn muốn đảm bảo rằng mô hình machine learning mà một số thực thể tuyên bố đã chạy thực sự là mô hình đã được chạy. Ví dụ: trường hợp một mô hình có thể được truy cập bằng API và có nhiều phiên bản của nhà cung cấp mô hình cụ thể -- chẳng hạn như phiên bản rẻ hơn, kém chính xác hơn và phiên bản đắt hơn, hiệu suất cao hơn. Không có bằng chứng, bạn không có cách nào biết liệu nhà cung cấp mô hình có cung cấp cho bạn mô hình rẻ hơn mà bạn đã thực sự trả tiền cho mô hình đắt hơn hay không (ví dụ: nhà cung cấp mô hình muốn tiết kiệm chi phí máy chủ và tăng Tỷ lệ lợi nhuận của họ) .
Để làm được điều này, bạn cần có các bằng chứng riêng biệt cho mỗi lần khởi tạo mô hình. Một cách thiết thực để đạt được điều này là thông qua Khung cam kết chức năng của Dan Boneh, Wilson Nguyen và Alex Ozdemir, một sơ đồ cam kết không có kiến thức dựa trên SNARK cho phép chủ sở hữu mô hình gửi dữ liệu đến mô hình và người dùng có thể nhập dữ liệu vào mô hình và nhận xác thực rằng mô hình đã gửi đã chạy. Một số ứng dụng được xây dựng trên Risc Zero , một máy ảo đa năng dựa trên STARK, cũng hỗ trợ điều này. Nghiên cứu bổ sung của Daniel Kang, Tatsunori Hashimoto, Ion Stoica và Yi Sun đã chứng minh rằng suy luận hợp lệ trên bộ dữ liệu ImageNet có thể được xác minh với độ chính xác 92% ( có thể so sánh với mô hình ImageNet không được ZK xác thực có hiệu suất cao nhất ).
Nhưng chỉ nhận được bằng chứng rằng một mô hình đã gửi đã chạy là không đủ. Các mô hình có thể không đại diện chính xác cho một chương trình nhất định, do đó, các nội dung gửi dự kiến sẽ được bên thứ ba kiểm tra. Các cam kết chức năng cho phép người chứng minh chắc chắn rằng nó đã sử dụng một mô hình đã cam kết, nhưng chúng không thể đảm bảo bất cứ điều gì về mô hình đã cam kết. Nếu chúng ta có thể làm cho Zero-knowledge Proof có thể thực thi đủ để chứng minh việc đào tạo (xem ví dụ #4 bên dưới), thì một ngày nào đó chúng ta cũng có thể bắt đầu nhận được những đảm bảo này.
2. Tính toàn vẹn của mô hình: Bạn muốn đảm bảo rằng cùng một thuật toán machine learning hoạt động theo cùng một cách trên dữ liệu từ những người dùng khác nhau. Điều này hữu ích trong các lĩnh vực mà bạn không muốn áp dụng sai lệch tùy ý, chẳng hạn như quyết định chấm điểm tín dụng và đơn xin vay. Bạn cũng có thể sử dụng lời hứa chức năng. Để làm điều này, bạn sẽ gửi một mô hình và các tham số của nó, đồng thời cho phép mọi người gửi dữ liệu. Đầu ra sẽ xác thực rằng mô hình đã được chạy với các tham số đã gửi cho từng dữ liệu người dùng. Ngoài ra, mô hình và các tham số của nó có thể được công khai và chính người dùng có thể chứng minh rằng họ đã áp dụng mô hình và tham số phù hợp cho dữ liệu (được xác thực) của chính họ. Điều này có thể đặc biệt hữu ích trong lĩnh vực y tế, nơi mà luật pháp yêu cầu một số thông tin bệnh nhân nhất định phải giữ kín. Trong tương lai, điều này có thể cho phép các hệ thống chẩn đoán y tế học hỏi và cải thiện từ dữ liệu người dùng theo thời gian thực một cách hoàn toàn riêng tư.
3. Bằng chứng: Bạn muốn tích hợp bằng chứng từ các bên được xác minh bên ngoài (ví dụ: bất kỳ nền tảng kỹ thuật số hoặc phần cứng nào có thể tạo chữ ký số) vào một mô hình hoặc bất kỳ loại hợp đồng thông minh nào khác chạy trên chuỗi. Để làm điều này, bạn sẽ sử dụng Zero-knowledge Proof để xác minh chữ ký và sử dụng bằng chứng này làm đầu vào cho chương trình. Anna Rose và Tarun Chitra gần đây đã tổ chức một tập podcast Zero Knowledge cùng với Daniel Kang và Yi Sun để khám phá những tiến bộ mới nhất trong lĩnh vực này.
Cụ thể, Daniel và Yi gần đây đã xuất bản công trình về cách xác minh rằng các hình ảnh được chụp bởi một cảm biến đã được xác thực không trải qua các biến đổi như cắt xén, thay đổi kích thước hoặc chỉnh sửa hạn chế—điều này hữu ích khi bạn muốn chứng minh rằng một hình ảnh không phải là deepfake nhưng Hữu ích trong trường hợp một số hình thức chỉnh sửa hợp pháp đã được thực hiện. Dan Boneh và Trisha Datta đã thực hiện công việc tương tự, sử dụng Zero-knowledge Proof để xác minh nguồn gốc của hình ảnh.
Tuy nhiên, rộng hơn, bất kỳ tin nhắn được xác thực kỹ thuật số nào cũng có thể trải qua hình thức xác minh này: Jason Morton, người đang làm việc trên thư viện EZKL (thêm về điều đó trong phần tiếp theo), gọi nó là “để mắt đến blockchain”. Bất kỳ điểm cuối đã ký nào: (ví dụ: dịch vụ SXG của Cloudflare , công chứng viên bên thứ ba) tạo chữ ký số có thể kiểm chứng, rất hữu ích để chứng minh nguồn gốc và tính xác thực từ một bên đáng tin cậy.
4. Suy luận hoặc đào tạo phi tập trung: Bạn muốn thực hiện suy luận hoặc đào tạo machine learning theo cách phi tập trung và cho phép mọi người gửi dữ liệu lên mô hình công khai. Để làm điều này, bạn có thể triển khai một mô hình hiện có trên chuỗi hoặc xây dựng một mạng hoàn toàn mới và nén mô hình bằng cách sử dụng Zero-knowledge Proof. Thư viện EZKL của Jason Morton đang tạo một phương thức để lấy các tệp ONXX và JSON và chuyển đổi chúng thành các mạch ZK-SNARK. Một cuộc biểu tình gần đây tại ETH Denver cho thấy điều này có thể được sử dụng để tạo các ứng dụng như săn tìm kho báu trên chuỗi dựa trên nhận dạng hình ảnh, trong đó người tạo trò chơi có thể tải ảnh lên, bằng chứng về hình ảnh được tạo và người chơi có thể tải hình ảnh lên; người xác minh kiểm tra hình ảnh do người dùng tải lên xem hình ảnh có khớp với chứng thực do người tạo tạo hay không. EZKL hiện có thể xác thực các mô hình lên tới 100 triệu tham số, có nghĩa là nó có thể được sử dụng để xác thực các mô hình có kích thước ImageNet (với 60 triệu tham số) trên chuỗi.
Các nhóm khác như Modulus Labs đang đánh giá các hệ thống bằng chứng khác nhau để suy luận trên chuỗi . Điểm chuẩn của Modulus chạy tới 18 triệu thông số. Về mặt đào tạo, Gensyn đang xây dựng một hệ thống máy tính phi tập trung, nơi người dùng có thể nhập dữ liệu công khai và đào tạo các mô hình của họ thông qua mạng lưới các nút phi tập trung và xác minh tính chính xác của việc đào tạo.
5. Bằng chứng về danh tính: Bạn muốn xác minh rằng ai đó là duy nhất mà không ảnh hưởng đến quyền riêng tư của họ. Để thực hiện việc này, bạn cần phải tạo một phương pháp xác minh -- ví dụ: quét sinh trắc học hoặc cách gửi ID chính phủ của bạn bằng mật mã. Sau đó, bạn sẽ sử dụng Zero-knowledge Proof để kiểm tra xem ai đó đã được xác thực mà không tiết lộ bất kỳ thông tin nào về danh tính của người đó, liệu danh tính đó có thể nhận dạng đầy đủ hay bí danh như khóa công khai hay không.
Worldcoin thực hiện điều này thông qua giao thức Proof of Identity của họ , một phương pháp đảm bảo khả năng chống lại Sybil bằng cách tạo mã mống mắt duy nhất cho người dùng. Điều quan trọng, các khóa riêng được tạo cho WorldID (và các khóa riêng khác cho ví tiền mã hóa được tạo cho người dùng Worldcoin) hoàn toàn tách biệt với mã mống mắt được tạo cục bộ bởi các quả bóng quét mắt của dự án. Sự tách biệt này tách hoàn toàn nhận dạng sinh trắc học khỏi bất kỳ dạng khóa người dùng nào có thể đến từ một người. Worldcoin cũng cho phép các ứng dụng nhúng SDK cho phép người dùng đăng nhập bằng WorldID và sử dụng Zero-knowledge Proof để bảo vệ quyền riêng tư, cho phép ứng dụng kiểm tra xem người đó có WorldID hay không nhưng không hỗ trợ theo dõi người dùng cá nhân (xem bài viết này để biết thêm chi tiết).
Ví dụ này là một hình thức sử dụng các thuộc tính bảo vệ quyền riêng tư của Zero-knowledge Proof chống lại các dạng trí tuệ nhân tạo yếu hơn, độc hại hơn, do đó, nó khá khác so với các ví dụ khác được liệt kê ở trên (ví dụ: chứng minh rằng bạn là người thật chứ không phải robot, mà không tiết lộ bất kỳ thông tin nào về bản thân bạn).
Kiến trúc mô hình và những thách thức
Những đột phá trong các hệ thống bằng chứng cho phép SNARK (Lập luận kiến thức không tương tác ngắn gọn) là động lực chính để đưa nhiều mô hình machine learning vào chuỗi. Một số nhóm đang tạo mạch tùy chỉnh trong các kiến trúc hiện có (bao gồm Plonk, Plonky2, Air, v.v.). Về các mạch tùy chỉnh, Halo 2 đã trở thành một chương trình phụ trợ phổ biến được sử dụng trong công việc như dự án EZKL của Daniel Kang và Jason Morton. Thời gian kiểm chứng cho Halo 2 gần như tuyến tính, kích thước bằng chứng thường chỉ vài kilobyte và thời gian xác minh không đổi. Có lẽ quan trọng hơn, Halo 2 có các công cụ mạnh mẽ dành cho nhà phát triển, khiến nó trở thành phần phụ trợ SNARK phổ biến cho các nhà phát triển sử dụng. Các nhóm khác, chẳng hạn như Risc Zero, làm việc dựa trên chiến lược VM chung. Những người khác đang tạo các khung tùy chỉnh bằng cách sử dụng hệ thống bằng chứng cực kỳ hiệu quả của Justin Thaler dựa trên giao thức tổng kiểm tra.
Thời gian tạo và xác minh bằng chứng hoàn toàn phụ thuộc vào phần cứng tạo và kiểm tra bằng chứng cũng như kích thước của mạch tạo ra bằng chứng. Nhưng điều quan trọng cần lưu ý ở đây là bất kể chương trình được trình bày như thế nào, kích thước của bằng chứng luôn tương đối nhỏ, vì vậy gánh nặng kiểm tra bằng chứng đối với người xác minh là hạn chế. Tuy nhiên, có một số điểm tinh tế ở đây: đối với các hệ thống bằng chứng như Plonky2 sử dụng các sơ đồ cam kết dựa trên FRI, kích thước bằng chứng có thể tăng lên. (Trừ khi nó được bọc trong một SNARK dựa trên ghép nối như Plonk hoặc Groth16, kích thước của chúng không tăng lên cùng với độ phức tạp của câu lệnh.)
Hàm ý của các mô hình machine learning ở đây là một khi bạn thiết kế một hệ thống bằng chứng đại diện chính xác cho một mô hình, chi phí xác minh đầu ra thực sự sẽ rất rẻ. Những điều mà các nhà phát triển phải suy nghĩ nhiều nhất là thời gian và bộ nhớ chứng minh: thể hiện các mô hình theo cách mà chúng có thể được chứng minh tương đối nhanh chóng và kích thước bằng chứng lý tưởng là ở mức vài kilobyte. Để chứng minh việc thực thi chính xác một mô hình machine learning trong điều kiện không có kiến thức, bạn cần mã hóa kiến trúc mô hình (các lớp, nút và hàm kích hoạt), tham số, ràng buộc và phép nhân ma trận và biểu diễn chúng dưới dạng mạch. Điều này liên quan đến việc phân tách các thuộc tính này thành các phép toán số học có thể được thực hiện trên các trường hữu hạn.
Lĩnh vực này vẫn còn ở giai đoạn sơ khai. Độ chính xác và trung thực có thể bị ảnh hưởng trong quá trình chuyển đổi mô hình thành mạch. Khi một mô hình được biểu diễn dưới dạng một mạch số học, các tham số mô hình, ràng buộc và phép toán nhân ma trận đã đề cập trước đó có thể yêu cầu các phép tính gần đúng và đơn giản hóa. Khi các phép toán số học được mã hóa dưới dạng các phần tử trong trường hữu hạn của bằng chứng, một số độ chính xác có thể bị mất (hoặc nếu không có những tối ưu hóa này, các bằng chứng sẽ rất tốn kém để tạo ra bằng cách sử dụng các khung không kiến thức hiện tại). Hơn nữa, các tham số và kích hoạt của các mô hình machine learning thường được mã hóa thành 32 bit để đảm bảo độ chính xác, nhưng Zero-knowledge Proof ngày nay không thể biểu thị các phép toán dấu phẩy động 32 bit ở định dạng mạch số học cần thiết mà không có chi phí đáng kể. Do đó, các nhà phát triển có thể chọn sử dụng các mô hình machine learning được lượng tử hóa có số nguyên 32 bit đã được chuyển đổi thành độ chính xác 8 bit. Các loại mô hình này được biểu diễn một cách thuận lợi Zero-knowledge Proof, nhưng mô hình đang được xác minh có thể là một xấp xỉ sơ bộ của mô hình ban đầu chất lượng cao.
Ở giai đoạn này, không thể phủ nhận đó là một trò chơi đuổi bắt. Khi Zero-knowledge Proof trở nên tối ưu hơn, độ phức tạp của các mô hình machine learning tăng lên. Đã có nhiều lĩnh vực tối ưu hóa đầy hứa hẹn: đệ quy bằng chứng có thể giảm kích thước bằng chứng tổng thể bằng cách cho phép sử dụng bằng chứng làm đầu vào cho bằng chứng tiếp theo, mở khóa nén bằng chứng. Ngoài ra còn có các khung mới nổi, chẳng hạn như nhánh rẽ của Linear A của Apache's Tensor Virtual Machine (TVM), cải thiện dựa trên bộ chuyển mã để chuyển đổi các số dấu phẩy động thành các biểu diễn số nguyên thân thiện với kiến thức bằng không. Cuối cùng, chúng tôi tại a16z crypto lạc quan rằng công việc trong tương lai sẽ giúp việc biểu diễn các số nguyên 32 bit trong SNARK trở nên hợp lý hơn.
Hai định nghĩa về "Kích cỡ"
Quy mô Zero-knowledge Proof mở rộng với tính năng nén: SNARK cho phép bạn sử dụng một hệ thống cực kỳ phức tạp (máy ảo, mô hình machine learning) và biểu diễn hệ thống đó dưới dạng toán học sao cho chi phí xác minh hệ thống đó thấp hơn chi phí vận hành hệ thống đó. Mặt khác, machine learning mở rộng theo quy mô: các mô hình ngày nay trở nên tốt hơn với nhiều dữ liệu, thông số hơn và GPU/TPU tham gia vào quá trình đào tạo và suy luận. Các công ty tập trung có thể chạy các máy chủ ở quy mô hầu như không giới hạn: tính phí hàng tháng cho các lệnh gọi API và trang trải chi phí vận hành.
Thực tế kinh tế của các mạng blockchain hoạt động theo cách hoàn toàn ngược lại: các nhà phát triển được khuyến khích tối ưu hóa mã của họ để nó khả thi về mặt tính toán (và rẻ). Sự bất đối xứng này có một lợi ích to lớn: nó tạo ra một môi trường chứng minh nhu cầu của hệ thống để trở nên hiệu quả hơn. Chúng ta nên thúc đẩy để yêu cầu những lợi ích tương tự mà chuỗi khối mang lại trong machine learning— tức là quyền sở hữu có thể kiểm chứng và khái niệm chung về sự thật.
Trong khi các chuỗi khối khuyến khích tối ưu hóa zk-SNARK, mọi lĩnh vực điện toán sẽ được hưởng lợi.
Lời cảm ơn: Justin Thaler, Dan Boneh, Guy Wuollet, Sam Ragsdale, Ali Yahya, Chris Dixon, Eddy Lazzarin, Tim Roughgarden, Robert Hackett, Tim Sullivan, Jason Morton, Peiyuan Liao, Tarun Chitra, Brian Retford, Daniel Kang, Sun Yi, Anna Rose, Modulus Labs, Nhà xây dựng DC.
