О ZKML: ZKML (машинное обучение с нулевым разглашением) — это технология машинного обучения, которая сочетает в себе доказательства с нулевым разглашением (доказательства с нулевым разглашением) и алгоритмы машинного обучения для решения проблем защиты конфиденциальности в машинном обучении.
О распределенной вычислительной мощности: Распределенная вычислительная мощность означает разложение вычислительной задачи на несколько небольших задач и назначение этих небольших задач нескольким компьютерам или процессорам для обработки для достижения эффективных вычислений.
Текущая ситуация с AI и Web3: вышедший из-под контроля пчелиный рой и рост энтропии
В книге «Вне контроля: новая биология машин, общества и экономики» Кевин Келли однажды предложил феномен: пчелы будут принимать решения на выборах в групповом танце в соответствии с распределенным управлением, и вся пчелиная группа будет следовать этому групповому танцу. Самый большой рой в мире доминирует на мероприятии. Это также так называемая «душа пчелиной семьи», упомянутая Морисом Метерлинком: каждая пчела может принимать собственное решение и направлять других пчел для его подтверждения, и окончательное решение действительно остается за группой.
Сам закон возрастания энтропии и беспорядка следует закону термодинамики. Теоретическое воплощение в физике заключается в том, чтобы поместить определенное количество молекул в пустой ящик и измерить окончательный профиль распределения. Толпы, создаваемые алгоритмами, характерны для людей и могут демонстрировать групповые правила, несмотря на индивидуальные различия в мышлении. Они часто ограничены пустым полем из-за таких факторов, как время, и в конечном итоге принимают консенсусные решения.
Конечно, групповые правила могут быть неверными, но лидеры общественного мнения, которые могут представлять консенсус и в одиночку добиваться консенсуса, являются абсолютными супериндивидуальностями. Но в большинстве случаев консенсус не преследует полного и безоговорочного согласия всех, а требует лишь общего признания группы.
Мы здесь не для того, чтобы обсуждать, сбьет ли ИИ людей с пути. На самом деле, таких дискуссий уже много, будь то большое количество мусора, генерируемого приложениями искусственного интеллекта, который испортил подлинность сетевых данных, или групповые ошибки. принятие решения, которое приведет к некоторым событиям. Инцидент принял более опасный оборот.
В нынешней ситуации ИИ имеет естественную монополию. Например, обучение и развертывание крупных моделей требуют большого количества вычислительных ресурсов и данных, и лишь небольшое количество компаний и учреждений имеют такие условия. Эти миллиарды данных рассматриваются как сокровища для каждого владельца монополии. Не говоря уже о совместном использовании открытого исходного кода, даже взаимный доступ невозможен.
Это приводит к огромной трате данных. Каждый масштабный проект ИИ требует неоднократного сбора пользовательских данных. В конечном итоге победитель получает все — будь то слияния и поглощения, продажи, расширение отдельных гигантских проектов или традиционный Интернет. . Логика родео-гонок.
Многие говорят, что AI и Web3 — это две разные вещи и не имеют никакой связи. Первая половина предложения верна, но вторая половина предложения проблематична. Монополия искусственного интеллекта закончится. И использование технологий искусственного интеллекта для содействия формированию децентрализованного механизма консенсуса — это просто естественная вещь.
Вывод нижнего уровня: пусть ИИ сформирует действительно распределенный групповой механизм консенсуса.
Ядро искусственного интеллекта по-прежнему лежит в самих людях. Машины и модели — всего лишь предположения и имитации человеческого мышления. Так называемую группу на самом деле трудно абстрагировать от группы, поскольку то, что мы видим каждый день, — это реальные личности. Но модель использует огромные объемы данных для обучения и корректировки и, наконец, моделирует форму группы. Нет необходимости оценивать результаты этой модели, поскольку случаи группового зла не случаются один или два раза. Но эта модель действительно отражает возникновение механизма консенсуса.
Например, для конкретной ДАО, если управление будет реализовано как механизм, это неизбежно скажется на эффективности. Причина в том, что формирование группового консенсуса — дело хлопотное, не говоря уже о голосовании, статистике и т. д. Серия. операции. Если управление DAO воплощено в форме модели искусственного интеллекта, а весь сбор данных происходит на основе речевых данных всех участников DAO, то выходные решения фактически будут ближе к групповому консенсусу.
Групповой консенсус одной модели можно использовать для обучения модели по приведенной выше схеме, но для этих людей они все-таки остаются изолированными островами. Если существует система коллективного разума для формирования группового ИИ, каждая модель ИИ в этой системе будет работать совместно друг с другом для решения сложных проблем, что на самом деле сыграет большую роль в расширении возможностей уровня консенсуса.
Для небольших коллекций вы можете построить экосистему самостоятельно или сформировать совместный набор с другими коллекциями, чтобы более эффективно и с низкими затратами обеспечить сверхбольшие вычислительные мощности или транзакции данных. Но проблема возникает снова. Текущая ситуация между различными моделями баз данных — полное недоверие и защита от других. Это естественный атрибут блокчейна: посредством недоверия можно достичь действительно распределенной безопасности между машинами ИИ.
Глобальный интеллектуальный мозг может создавать модели алгоритмов ИИ, которые изначально независимы друг от друга и имеют отдельные функции, взаимодействующие друг с другом, а также выполнять сложные интеллектуальные алгоритмические процессы внутри себя, чтобы постоянно формировать распределенную групповую консенсусную сеть. Это также величайшее значение расширения возможностей Web3 с помощью ИИ.
Конфиденциальность и монополия на данные? Сочетание ЗК и машинного обучения
Люди должны принимать целенаправленные меры предосторожности против злых действий ИИ или страха перед монополией на данные из-за защиты конфиденциальности. Основная проблема заключается в том, что мы не знаем, как делается вывод. Точно так же операторы модели не намерены отвечать на вопросы по этой проблеме. Для интеграции глобального интеллектуального мозга, о котором мы упоминали выше, эту проблему необходимо решить еще больше, иначе ни одна сторона данных не захочет делиться своим ядром с другими.
ZKML (машинное обучение с нулевым разглашением) — это технология, которая использует доказательство с нулевым разглашением для машинного обучения. Доказательства с нулевым разглашением (ZKP) означают, что доказывающий может заставить проверяющего поверить в подлинность данных, не раскрывая конкретных данных.
Возьмите в качестве руководства теоретические случаи. Существует стандартное судоку размером 9×9. Условием завершения является заполнение девяти сеток числами от 1 до 9 так, чтобы каждое число могло появляться только один раз в каждой строке, столбце и сетке. Так как же человек, создавший эту головоломку, докажет претендентам, что у судоку есть решение, не раскрывая ответа?
Просто закройте поле ответом, а затем позвольте претенденту случайным образом выбрать несколько строк или столбцов, перетасовать все числа и проверить, все ли они от одного до девяти. Это простая реализация доказательства с нулевым разглашением.
Технология доказательства с нулевым разглашением имеет три характеристики: полноту, корректность и нулевое разглашение, что означает, что она доказывает вывод, не раскрывая никаких подробностей. Его технический источник может отражать простоту. В контексте гомоморфного шифрования сложность проверки намного ниже, чем сложность генерации доказательств.
Машинное обучение использует алгоритмы и модели, позволяющие компьютерным системам учиться и совершенствоваться на основе данных. Обучаясь на основе опыта в автоматическом режиме, система может автоматически выполнять такие задачи, как прогнозирование, классификация, кластеризация и оптимизация на основе данных и моделей.
По своей сути машинное обучение заключается в построении моделей, которые обучаются на основе данных и автоматически делают прогнозы и решения. Для построения этих моделей обычно требуется три ключевых элемента: наборы данных, алгоритмы и оценка модели. Наборы данных являются основой машинного обучения и содержат образцы данных, используемые для обучения и тестирования моделей машинного обучения. Алгоритмы являются основой моделей машинного обучения и определяют, как модель обучается и делает прогнозы на основе данных. Оценка модели — важная часть машинного обучения, используемая для оценки производительности и точности модели и принятия решения о необходимости ее оптимизации и улучшения.
В традиционном машинном обучении наборы данных обычно необходимо собирать в централизованном месте для обучения, а это означает, что владелец данных должен передавать данные третьей стороне, что может привести к риску утечки данных или утечки конфиденциальности. С помощью ZKML владельцы данных могут делиться наборами данных с другими без утечки данных. Это достигается за счет использования доказательств с нулевым разглашением.
Когда доказательство с нулевым разглашением используется для расширения возможностей машинного обучения, эффект должен быть предсказуемым. Это решает давнюю проблему «черного ящика» конфиденциальности и монополии на данные: может ли участник проекта сделать это, не раскрывая вводимые пользователем данные или конкретные детали. model. После завершения доказательства и проверки, сможет ли каждая коллекция поделиться своими собственными данными или моделью для работы без утечки личных данных? Конечно, текущая технология еще находится на ранней стадии развития, и на практике определенно возникнет много проблем. Это не мешает нашему воображению, и многие команды уже разрабатывают ее.
Приведет ли эта ситуация к свободной торговле небольшими базами данных большими базами данных? Когда вы думаете о вопросах управления, вы возвращаетесь к нашему мышлению Web3. Суть Crypto — это управление. Независимо от того, идет ли речь о широком использовании или совместном использовании, оно должно получать надлежащие стимулы. Будь то оригинальные механизмы Pow, PoS или новейшие различные механизмы PoR (механизмы подтверждения репутации), эффект стимулирования гарантирован.
Распределенная вычислительная мощность: инновационная история, переплетенная с ложью и реальностью
Децентрализованные вычислительные сети всегда были популярным сценарием в сфере шифрования. В конце концов, крупные модели ИИ требуют огромной вычислительной мощности, а централизованные вычислительные сети не только приведут к пустой трате ресурсов, но и образуют виртуальную монополию — по сравнению с In. В конце концов, все, что имеет значение, — это количество графических процессоров, а это слишком скучно.
Суть децентрализованной вычислительной сети заключается в интеграции вычислительных ресурсов, разбросанных по разным местам и устройствам. Основными преимуществами, о которых все часто упоминают, являются: предоставление возможностей распределенных вычислений, решение проблем конфиденциальности, повышение достоверности и надежности моделей искусственного интеллекта, поддержка быстрого развертывания и работы в различных сценариях применения, а также предоставление децентрализованных решений для хранения и управления данными. Это верно, благодаря децентрализованным вычислительным мощностям каждый может запускать модели ИИ и тестировать их на реальных наборах данных в сети от пользователей со всего мира, чтобы они могли пользоваться более гибкими, эффективными и недорогими вычислительными услугами.
В то же время децентрализованные вычислительные мощности могут решить проблемы конфиденциальности, создавая мощную основу для защиты безопасности и конфиденциальности пользовательских данных. Он также обеспечивает прозрачный и проверяемый вычислительный процесс, повышает достоверность и надежность моделей искусственного интеллекта и предоставляет гибкие и масштабируемые вычислительные ресурсы для быстрого развертывания и работы в различных сценариях применения.
Мы рассматриваем обучение модели из полного набора централизованных вычислительных процессов. Шаги обычно делятся на: подготовку данных, сегментацию данных, передачу данных между устройствами, параллельное обучение, агрегирование градиентов, обновление параметров, синхронизацию и повторное обучение. В этом процессе, даже если в централизованном компьютерном зале используется кластер высокопроизводительного вычислительного оборудования для разделения вычислительных задач через высокоскоростные сетевые соединения, высокие затраты на связь становятся одним из самых больших ограничений децентрализованных вычислительных сетей.
Таким образом, хотя децентрализованная вычислительная сеть имеет много преимуществ и потенциала, путь развития по-прежнему извилист в зависимости от текущих затрат на связь и реальных трудностей эксплуатации. На практике реализация децентрализованной вычислительной сети требует преодоления множества практических технических проблем, будь то обеспечение надежности и безопасности узлов, эффективное управление и планирование распределенных вычислительных ресурсов или способы достижения эффективной передачи данных и связи и т. д. , вероятно, это все большие проблемы, с которыми мы сталкиваемся на практике.
Хвост: ожидания остались в пользу идеалистов
Возвращаясь к бизнес-реальности, повествование о глубокой интеграции искусственного интеллекта и Web3 выглядит очень хорошо, но капитал и пользователи с помощью более практических действий говорят нам, что это будет чрезвычайно трудный путь к инновациям, если только проект не станет похож на OpenAI. пока мы сильны, мы должны иметь сильного спонсора, иначе бездонные расходы на НИОКР и неясная бизнес-модель нас полностью раздавят.
И AI, и Web3 сейчас находятся на чрезвычайно ранней стадии развития, как и интернет-пузырь в конце прошлого века. Лишь почти десять лет спустя официально наступил настоящий золотой век. Маккарти когда-то мечтал о создании искусственного интеллекта с использованием человеческого интеллекта за один отпуск, но только почти семьдесят лет спустя мы действительно сделали решающий шаг на пути к искусственному интеллекту.
То же самое и с Web3+AI. Мы определили правильность направления вперед, а остальное будет зависеть от времени.
Когда течение времени постепенно отступает, те люди и вещи, которые остаются стоять, становятся краеугольными камнями нашего пути от научной фантастики к реальности.