Auteur : Turbo Guo Réviseurs : Mandy, Joshua
Kernel Ventures est un fonds de capital-risque de crypto-monnaie piloté par la communauté de recherche et développement avec plus de 70 investissements de démarrage axés sur l'infrastructure, les middlewares, les dApps, en particulier ZK, Rollup, DEX, les blockchains modulaires et les domaines verticaux pour des milliards d'utilisateurs de crypto-monnaies. l'avenir, comme l'abstraction des comptes, la disponibilité des données, l'évolutivité, etc. Au cours des sept dernières années, nous nous sommes engagés à soutenir la croissance des principales communautés de développement et des associations universitaires blockchain à travers le monde.
TLDR：
Modulus Labs implémente une IA vérifiable en effectuant des calculs ML hors chaîne et en générant zkp. Cet article réexamine cette solution du point de vue de l'application, analyse dans quels scénarios elle est strictement nécessaire et dans quels scénarios la demande est faible, et enfin s'étend horizontalement. Il existe deux modèles écologiques d'IA basés sur la chaîne publique, vertical et vertical. Les contenus principaux sont :
La nécessité d'une IA vérifiable dépend de : si les données en chaîne sont modifiées et si l'équité et la confidentialité sont impliquées
Lorsque l’IA n’affecte pas l’état de la chaîne, l’IA peut agir comme un suggérateur et les gens peuvent juger de la qualité des services d’IA à travers les effets réels sans vérifier le processus de calcul.
Lorsqu'il affecte le statut de la chaîne, si le service est destiné aux particuliers et n'a aucun impact sur la vie privée, les utilisateurs peuvent toujours juger directement de la qualité du service d'IA sans vérifier le processus de calcul.
Lorsque les résultats de l’IA affecteront l’équité et la vie privée de plusieurs personnes, par exemple en utilisant l’IA pour évaluer et distribuer des récompenses aux membres de la communauté, en utilisant l’IA pour optimiser l’AMM ou en impliquant des données biologiques, les gens voudront revoir les calculs de l’IA, qui est possible. Vérifiez où l'IA pourrait trouver PMF.
Écosystème d'applications d'IA vertical : étant donné qu'une extrémité de l'IA vérifiable est un contrat intelligent, il peut être possible de s'appeler sans confiance entre les applications d'IA vérifiables ou même entre l'IA et les dapps natifs. Il s'agit d'un écosystème d'applications d'IA composable potentiel.
Écologie horizontale des applications d'IA : le système de chaîne publique peut gérer le paiement des services pour les fournisseurs de services d'IA, la coordination des litiges de paiement, la mise en correspondance des besoins des utilisateurs et du contenu du service, etc., permettant aux utilisateurs d'obtenir une expérience de service d'IA plus gratuite et décentralisée.
1. Introduction et cas d'application de Modulus Labs
1.1 Introduction et solutions de base
Modulus Labs est une société d'IA « en chaîne » qui estime que l'IA peut améliorer considérablement les capacités des contrats intelligents et rendre les applications Web3 plus puissantes. Cependant, il existe une contradiction lorsque l'IA est appliquée au Web3, c'est-à-dire que le fonctionnement de l'IA nécessite beaucoup de puissance de calcul et que le calcul hors chaîne de l'IA est une boîte noire qui ne répond pas aux exigences de base du Web3 pour être fiable. et vérifiable.
Par conséquent, Modulus Labs s'appuie sur la solution zk rollup [prétraitement hors chaîne + vérification en chaîne] et propose une architecture d'IA vérifiable, notamment : le modèle ML s'exécute hors chaîne, et un zkp est généré hors chaîne pour le calcul ML. processus., grâce à ce zkp, l'architecture, les poids et les entrées du modèle hors chaîne peuvent être vérifiés. Bien entendu, ce zkp peut également être publié dans la chaîne pour vérification par des contrats intelligents. À l'heure actuelle, l'IA et les contrats en chaîne peuvent interagir de manière plus fiable, ce qui consiste à réaliser une « IA en chaîne ».
Sur la base de l'idée d'une IA vérifiable, Modulus Labs a jusqu'à présent lancé trois applications « IA en chaîne » et a également proposé de nombreux scénarios d'application possibles.
1.2 Cas de candidature
Le premier à être lancé est Rocky bot, une IA de trading automatisée. Rocky est formé à partir des données historiques de la paire de trading wEth/USDC. Il détermine la tendance future sur la base des données historiques. Après avoir pris une décision de transaction, il générera un zkp pour le processus de prise de décision (processus de calcul) et enverra un message à L1 pour déclencher la transaction.
Le second est le jeu d'échecs en chaîne "Leela vs the World". Les deux parties au jeu sont l'IA et les humains, et la situation des échecs est placée dans le contrat. Les joueurs opèrent (interagissent avec les contrats) via leur portefeuille. L'IA lit la nouvelle situation du jeu d'échecs, émet un jugement et génère un zkp pour l'ensemble du processus de calcul. Les deux étapes sont terminées sur le cloud AWS et le zkp est vérifié par le contrat sur la chaîne. , le contrat de jeu d'échecs est appelé "télécharger les échecs".
Le troisième est un artiste IA « en chaîne » et a lancé la série NFT zkMon. L'essentiel est que l'IA génère des NFT et les publie sur la chaîne, tout en générant un zkp. leurs NFT sont générés à partir du modèle d'IA correspondant.
De plus, Modulus Labs a mentionné d'autres cas d'utilisation :
Utilisez l'IA pour évaluer les données personnelles en chaîne et d'autres informations, générer des évaluations de réputation personnelle et publier zkp pour vérification par l'utilisateur ;
Utilisez l'IA pour optimiser les performances de l'AMM et publier zkp pour la vérification des utilisateurs ;
Utiliser l’IA vérifiable pour aider les projets de confidentialité à faire face à la pression réglementaire sans exposer la confidentialité (peut-être en utilisant le ML pour prouver que cette transaction ne constitue pas du blanchiment d’argent sans exposer des informations telles que les adresses des utilisateurs) ;
La machine Oracle AI publie également zkp pour que chacun puisse vérifier la fiabilité des données hors chaîne ;
Dans le concours de modèles d'IA, les candidats soumettent leur propre architecture et leurs propres poids, puis exécutent le modèle avec une entrée de test unifiée pour générer du zkp pour l'opération. En fin de compte, le contrat enverra automatiquement le bonus au gagnant ;
Worldcoin a déclaré qu'à l'avenir, les utilisateurs pourront peut-être télécharger un modèle qui génère un code correspondant pour l'iris sur un appareil local, exécuter le modèle localement et générer zkp. De cette manière, le contrat sur la chaîne peut utiliser zkp pour vérifier. que le code de l'iris de l'utilisateur est généré à partir du modèle correct et d'un iris raisonnable, tout en empêchant les informations biométriques de quitter le propre appareil de l'utilisateur ;
Source de l'image : Modulus Labs
1.3 Discuter de différents scénarios d'application en fonction du besoin d'une IA vérifiable
1.3.1 Scénarios dans lesquels une IA vérifiable peut ne pas être nécessaire
Dans le scénario du robot Rocky, les utilisateurs n'auront peut-être pas besoin de vérifier le processus de calcul du ML.
Premièrement, les utilisateurs n’ont aucune connaissance professionnelle et n’ont aucune capacité à effectuer une véritable vérification. Même s'il existe un outil de vérification, il semble à l'utilisateur que [il a appuyé sur un bouton et la fenêtre contextuelle de l'interface lui a dit que ce service d'IA a bien été généré par un certain modèle], et l'authenticité ne peut pas être déterminée.
Deuxièmement, les utilisateurs n’ont pas besoin de vérification, car ils se soucient de savoir si le taux de retour de l’IA est élevé. Les utilisateurs migreront lorsque le rendement n'est pas élevé et choisiront toujours le modèle offrant les meilleures performances. En bref, lorsque les utilisateurs recherchent l'effet ultime de l'IA, le processus de vérification peut ne pas signifier grand-chose, car les utilisateurs n'ont qu'à migrer vers le service offrant le meilleur effet.
Une solution possible est que l’IA agisse uniquement comme un suggérateur et que les utilisateurs exécutent les transactions de manière autonome. Lorsque les gens saisissent leurs objectifs de trading dans l'IA, l'IA calcule et renvoie un meilleur chemin/direction de trading hors chaîne, et l'utilisateur choisit de l'exécuter. Les gens n’ont pas besoin de vérifier le modèle qui se cache derrière, ils doivent simplement choisir le produit offrant le rendement le plus élevé.
Une autre situation dangereuse mais très probable est que les gens ne se soucient pas du tout de leur contrôle sur les actifs et du processus informatique de l'IA. Lorsqu'un robot qui gagne automatiquement de l'argent apparaît, les gens sont même prêts à lui confier leur argent directement. comme l'agent, il est courant de déposer des pièces dans des CEX ou des banques traditionnelles à des fins de gestion financière. Parce que les gens ne se soucient pas des principes qui sous-tendent cela, ils ne se soucient que du montant d'argent qu'ils obtiennent à la fin, et ils se soucient même du montant d'argent que le projet leur montre. Ce type de service peut également être en mesure d'acquérir rapidement. un grand nombre d'utilisateurs, d'autant plus que l'utilisation d'une vitesse d'itération de produit côté projet d'IA vérifiable est plus rapide.
En prenant du recul, si l'IA ne participe pas du tout à la modification du statut en chaîne, mais capture uniquement les données en chaîne pour le prétraitement pour l'utilisateur, il n'est pas nécessaire de générer du ZKP pour le processus de calcul. . Ce type d'application est appelé [service de données]. Voici quelques cas :
La boîte de discussion fournie par Mest est un service de données typique. Les utilisateurs peuvent utiliser des méthodes de questions et réponses pour comprendre leurs propres données en chaîne, par exemple en leur demandant combien ils ont dépensé en NFT ;
ChainGPT est un assistant IA multifonctionnel qui peut interpréter les contrats intelligents pour vous avant de négocier, vous indiquant si vous négociez avec le bon pool ou si la transaction est susceptible d'être pincée ou anticipée. ChainGPT se prépare également à faire des recommandations d'actualités sur l'IA, à saisir des invites pour générer automatiquement des images et à les publier dans NFT et d'autres services ;
RSS3 fournit AIOP, qui permet aux utilisateurs de choisir les données en chaîne qu'ils souhaitent et d'effectuer certains prétraitements pour entraîner facilement l'IA avec des données en chaîne spécifiques ;
DefiLlama et RSS3 ont également développé des plug-ins ChatGPT, permettant aux utilisateurs d'obtenir des données en chaîne via des conversations ;
1.3.2 Scénarios nécessitant une IA vérifiable
Cet article estime que les scénarios impliquant plusieurs personnes, l'équité et la confidentialité nécessitent que ZKP fournisse une vérification. Nous discutons ici de plusieurs applications mentionnées par Modulus Labs :
Lorsqu'une communauté attribue des récompenses basées sur les réputations personnelles générées par l'IA, les membres de la communauté exigeront inévitablement une révision du processus décisionnel d'évaluation, qui dans ce cas est le processus informatique du ML ;
Le scénario d'optimisation de l'IA AMM implique la répartition des intérêts entre plusieurs personnes, et le processus de calcul de l'IA doit également être vérifié régulièrement ;
Lorsqu'il s'agit d'équilibrer confidentialité et supervision, ZK est actuellement l'une des meilleures solutions. Si le fournisseur de services utilise ML pour traiter les données privées dans le service, il doit générer ZKP pour l'ensemble du processus de calcul ;
Étant donné que l'oracle a un large éventail d'influence, s'il est contrôlé par l'IA, ZKP doit être généré régulièrement pour vérifier si l'IA fonctionne normalement ;
Durant le concours, le public et les autres participants doivent vérifier si l'opération ML est conforme au cahier des charges du concours ;
Parmi les cas d’utilisation potentiels de Worldcoin, la protection des données biométriques personnelles est également une exigence importante ;
D’une manière générale, lorsque l’IA est comme un décideur et que ses résultats ont un large éventail d’impacts et impliquent l’équité de nombreuses parties, les gens exigeront une révision du processus de prise de décision, ou s’assureront simplement qu’il n’y a pas de problèmes majeurs dans le processus de prise de décision. le processus décisionnel de l’IA. Et la protection de la vie privée est un besoin très direct.
Par conséquent, [si la sortie de l'IA modifie l'état en chaîne] et [si elle affecte l'équité/la confidentialité] sont les deux critères pour juger si une solution d'IA vérifiable est nécessaire.
Lorsque la sortie de l'IA ne modifie pas l'état de la chaîne, le service IA peut agir comme un suggéreur, et les gens peuvent juger de la qualité du service IA grâce à l'effet de suggestion sans avoir besoin de vérifier le processus de calcul. ;
Lorsque la sortie de l'IA modifie le statut en chaîne, si le service est réservé aux particuliers et n'a aucun impact sur la vie privée, l'utilisateur peut toujours juger directement de la qualité du service d'IA sans vérifier le processus de calcul ;
Lorsque le résultat de l'IA affectera directement l'équité entre plusieurs personnes et que l'IA modifie automatiquement les données en chaîne, la communauté et le public ont besoin d'examiner le processus décisionnel de l'IA ;
Lorsque les données traitées par ML impliquent la confidentialité personnelle, zk est également nécessaire pour protéger la confidentialité et répondre aux exigences réglementaires.
Source de l'image : Kernel Ventures
2. Deux modèles écologiques d’IA basés sur les chaînes publiques
Dans tous les cas, la solution de Modulus Labs a de grandes implications sur la manière dont l’IA peut être combinée avec la cryptographie et apporter une valeur applicative pratique. Cependant, le système de chaîne publique peut non seulement améliorer les capacités des services d’IA individuels, mais a également le potentiel de créer un nouvel écosystème d’applications d’IA. Ce nouvel écosystème apporte des relations différentes entre les services d'IA, la relation entre les services d'IA et les utilisateurs, et même des méthodes de collaboration de liens amont et aval différentes du Web2. Nous pouvons résumer les modèles écologiques potentiels d'application d'IA en deux types : le mode vertical et le mode vertical. mode horizontal.
2.1 Mode vertical : se concentrer sur la composabilité entre les IA
Le cas d'utilisation des échecs en chaîne « Leela vs the World » présente une fonctionnalité spéciale. Les gens peuvent placer des paris pour les humains ou l'IA, et les jetons sont automatiquement distribués après la partie. À l'heure actuelle, l'importance de zkp n'est pas seulement pour les utilisateurs de vérifier le processus de calcul de l'IA, mais également en tant que garantie de confiance pour déclencher des transitions d'état sur la chaîne. Avec des garanties de confiance, il est également possible d’avoir une composabilité au niveau des dapps entre les services d’IA et entre les dapps d’IA et crypto-natives.
Source de l'image : Kernel Ventures, référencé par Modulus Labs
L'unité de base de l'IA composable est [modèle ML hors chaîne - génération zkp - contrat de vérification en chaîne - contrat principal]. Cette unité s'appuie sur le cadre de "Leela vs the World", mais sur l'architecture réelle d'une seule dapp d'IA. peut être le même que l'image ci-dessus. L'affichage est différent.
Premièrement, la situation des échecs nécessite un contrat, mais en réalité, l’IA n’a peut-être pas besoin d’un contrat en chaîne. Mais du point de vue de l'architecture de l'IA composable, si l'activité principale consiste à enregistrer via des contrats, il peut être plus pratique de combiner d'autres dapps avec elle.
Deuxièmement, le contrat principal ne doit pas nécessairement affecter le propre modèle ML de l'AI dapp, car une certaine AI dapp peut avoir une influence à sens unique. Une fois le modèle ML traité, elle peut déclencher son propre contrat lié à l'entreprise. et le contrat sera traité par d'autres transferts dapps.
Vue étendue, les appels entre contrats sont des appels entre différentes applications web3, qui sont des appels d'identité personnelle, d'actifs, de services financiers et même d'informations sociales. Nous pouvons imaginer une combinaison spécifique d'applications d'IA :
Worldcoin utilise ML pour générer le code de l'iris et le zkp pour les données personnelles de l'iris ;
L'application d'IA de notation de réputation vérifie d'abord s'il y a une personne réelle derrière ce DID (avec des données d'iris derrière), puis attribue le NFT à l'utilisateur en fonction de la réputation en chaîne ;
Le service de prêt ajuste la part du prêt en fonction du NFT détenu par l'utilisateur ;
......
L'interaction entre les IA dans le cadre de la chaîne publique n'est pas quelque chose qui n'a pas été discuté, Loaf, un contributeur à l'écosystème Realms du jeu en chaîne complète, a un jour proposé que les PNJ IA puissent échanger entre eux comme des joueurs, de sorte que l'ensemble de l'économie. Le système peut s'auto-optimiser et fonctionner automatiquement. AI Arena a développé un jeu de combat automatique avec IA. Les utilisateurs achètent d'abord un NFT. Un NFT représente un robot de combat, avec un modèle d'IA derrière lui. Les utilisateurs jouent d'abord eux-mêmes au jeu, puis transmettent les données à l'IA pour l'apprentissage par simulation. Lorsque l'utilisateur estime que l'IA est suffisamment puissante, il peut la mettre dans l'arène pour lutter automatiquement contre d'autres IA. Modulus Labs a mentionné qu'AI Arena espère transformer ces IA en IA vérifiables. Les deux cas voient la possibilité pour l’IA d’interagir les unes avec les autres et de modifier directement les données en chaîne pendant l’interaction.
Cependant, il reste encore de nombreuses questions à discuter dans la mise en œuvre spécifique de l'IA composable, comme la manière dont différentes dapps peuvent utiliser le zkp des autres ou vérifier les contrats. Cependant, il existe également un grand nombre d'excellents projets dans le domaine de zk. Par exemple, RISC Zero a fait de nombreux progrès dans la réalisation d'opérations complexes hors chaîne et la publication de zkp sur la chaîne. Peut-être qu'une solution appropriée peut être mise en place. un jour.
2.2 Modèle horizontal : se concentrer sur la réalisation d'une plateforme de services d'IA décentralisée
À cet égard, nous présentons principalement une plate-forme d'IA décentralisée appelée SAKSHI, qui a été proposée conjointement par des personnes de Princeton, de l'Université Tsinghua, de l'Université de l'Illinois à Urbana-Champaign, de l'Université des sciences et technologies de Hong Kong, Witness Chain et Eigen Layer. Son objectif principal est de permettre aux utilisateurs d'obtenir des services d'IA de manière plus décentralisée, rendant l'ensemble du processus plus automatisé et sans confiance.
Source de l'image : SAKSHI
L'architecture de SAKSHI peut être divisée en six couches : couche de service, couche de contrôle, couche de transaction, couche de preuve, couche économique et marché.)
Le marché est la couche la plus proche des utilisateurs. Il existe des agrégateurs sur le marché pour fournir des services aux utilisateurs au nom de différents fournisseurs d'IA. Les utilisateurs passent des commandes via l'agrégateur et parviennent à un accord avec l'agrégateur sur la qualité du service et le prix de paiement (l'accord est). appelé SLA -Service-level Agreement).
Ensuite, la couche de service fournit une API au côté client, puis le côté client initie une demande d'inférence ML à l'agrégateur, et la demande est transmise au serveur utilisé pour correspondre au fournisseur de services d'IA (la route utilisée pour transmettre la requête fait partie de la couche de contrôle). Par conséquent, la couche de service et la couche de contrôle sont similaires à un service avec plusieurs serveurs web2, mais les différents serveurs sont exploités par des entités différentes et les serveurs individuels sont associés à l'agrégateur via SLA (accord de service précédemment signé).
Le SLA est déployé sur la chaîne sous forme de contrats intelligents, et ces contrats appartiennent tous à la couche transaction (note : déployé sur la Witness Chain dans cette solution). La couche de transaction enregistre également l'état actuel d'une commande de service et est utilisée pour coordonner les utilisateurs, les agrégateurs et les prestataires de services afin de gérer les litiges de paiement.
Afin que la couche transactionnelle puisse s'appuyer sur des preuves lors du traitement des litiges, la couche preuve vérifiera si le fournisseur de services utilise le modèle conformément au SLA. Cependant, SAKSHI n'a pas choisi de générer zkp pour le processus de calcul ML. Au lieu de cela, il a utilisé l'idée de preuve optimiste et espérait établir un réseau de nœuds challenger pour tester le service. Les incitations des nœuds sont supportées par la chaîne de témoins. .
Bien que le SLA et le réseau de nœuds challenger soient tous deux sur la Witness Chain, dans le plan de SAKSHI, la Witness Chain n'a pas l'intention d'utiliser ses propres incitations de jetons natifs pour obtenir une sécurité indépendante, mais d'emprunter la sécurité d'Ethereum via Eigen Layer. toute la couche économique repose en fait sur la couche propre.
On peut voir que SAKSHI se situe entre les fournisseurs de services d'IA et les utilisateurs. Il organise différentes IA de manière décentralisée pour fournir des services aux utilisateurs. Il s'agit plutôt d'une solution horizontale. L'essentiel de SAKSHI est qu'il permet aux fournisseurs de services d'IA de se concentrer davantage sur la gestion de leurs propres calculs de modèles hors chaîne, permettant ainsi de faire correspondre les besoins des utilisateurs et les services modèles, le paiement des services et la vérification de la qualité du service via des protocoles en chaîne, et tente de résoudre automatiquement les litiges liés aux problèmes de paiement. Bien entendu, SAKSHI en est encore au stade théorique et de nombreux détails de mise en œuvre doivent également être déterminés.
3. Perspectives d'avenir
Qu’il s’agisse d’IA composable ou de plateforme d’IA décentralisée, le modèle écologique d’IA basé sur la chaîne publique semble avoir quelque chose en commun. Par exemple, les fournisseurs de services d’IA ne s’interfacent pas directement avec les utilisateurs. Ils doivent uniquement fournir des modèles ML et effectuer des calculs hors chaîne. Les paiements, la résolution des litiges et la correspondance entre les besoins des utilisateurs et les services peuvent tous être résolus par des protocoles décentralisés. En tant qu’infrastructure sans confiance, la chaîne publique réduit les frictions entre les fournisseurs de services et les utilisateurs, et les utilisateurs bénéficient également d’une plus grande autonomie.
Bien que les avantages de l’utilisation de chaînes publiques comme base d’application soient clichés, ils s’appliquent également aux services d’IA. La différence entre les applications d'IA et les applications dapp existantes est que les applications d'IA ne peuvent pas placer tous les calculs sur la chaîne, donc des preuves zk ou optimistes doivent être utilisées pour permettre aux services d'IA de se connecter au système de chaîne publique de manière plus fiable.
Avec la mise en œuvre d'une série de solutions d'optimisation de l'expérience telles que l'abstraction de compte, les utilisateurs peuvent ne pas être conscients de l'existence de mnémoniques, de chaînes, de gaz, etc. Cela rend l'écosystème de la chaîne publique proche du web2 en termes d'expérience, et les utilisateurs peuvent obtenir des avantages plus élevés que les services web2. Le degré de liberté et de composabilité aura un plus grand attrait pour les utilisateurs, et l'écosystème d'applications d'IA basé sur la chaîne publique mérite d'être attendu.
Les références
Conversation avec le fondateur de la Nil Foundation : la technologie ZK peut être utilisée à mauvais escient et la traçabilité publique n'est pas l'intention initiale du cryptage : https://www.techflowpost.com/article/detail_12647.html
IOSG Weekly Brief ｜ Allumer l'étincelle de la blockchain : le LLM ouvre de nouvelles possibilités pour l'interaction avec la blockchain #187
https://mp.weixin.qq.com/s/sVIBF6iPXwhamlKEvjH19Q
Chapitre 1 : Comment mettre votre IA en chaîne：https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b
Chapitre 4 : Blockchains qui s'auto-améliorent：https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36
Chapitre 6 : Le premier jeu d'IA en chaîne au monde：https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6
UNE INTRODUCTION À L'APPRENTISSAGE MACHINE À CONNAISSANCE ZÉRO (ZKML)：https://worldcoin.org/blog/engineering/intro-to-zkml#zkml-use-cases
Zero-Knowledge Proof : applications et cas d'utilisation：https://blog.chain.link/zero-knowledge-proof-use-cases/
SAKSHI : Plateformes d'IA décentralisées：https://arxiv.org/pdf/2307.16562.pdf
Chérie, j'ai réduit la preuve : activation de la vérification en chaîne pour RISC Zero et Bonsai：https://www.risczero.com/news/on-chain-verification