Нещодавня популярність Worldcoin також створила достатній імпульс для оповіді Web 3+AI, яка належить до концепції zkML і є похідною від zk+ML (доказ нульового знання та машинне навчання). Останнім часом багато говорили, zk Само собою зрозуміло, що технологію потрібно згадувати, і ML є підгалуззю штучного інтелекту + Web3 раніше був популярним у галузі, але наразі немає хорошої концепції чи варіанту використання. На недавній конференції в Чорногорії Віталік також високо оцінив zkSNARK, можна передбачити, що zkML виділиться.

Можливо, ви не знайомі з zkML. Ця стаття в основному розвіює туман про zkML, зосереджуючись на вступі, варіантах використання та деяких потенційних проектах zkML, тому що наразі існує небагато випадків використання zkML, я сподіваюся, що ви можете скористайтеся можливістю та дізнайтеся про це заздалегідь.

Web 3 + ML

Насправді, за межами Web 3 ця технологія широко використовується в деяких сферах, як-от обробка природної мови (NLP), автономне водіння, електронне керування. комерція тощо. Технологія машинного навчання досягла вищого рівня, і ML навіть зайняла домінуючу позицію в деяких сферах. Таким чином, вбудовування ML у смарт-контракти також стане більш складним і інтелектуальним методи обробки смарт-контрактів.

Додавши можливості ML, смарт-контракти можуть стати більш автономними та динамічними, дозволяючи їм діяти на основі даних у ланцюжку в реальному часі, а не на статичних правилах. Розумні контракти будуть більш гнучкими та адаптованими до більшої кількості сценаріїв, у тому числі тих, які, можливо, не передбачалися під час початкового створення контракту. Простіше кажучи, можливості ML розширять автоматизацію, точність, ефективність і гнучкість будь-якого смарт-контракту, який ми використовуємо в ланцюжку.

В даний час однією з причин, чому ML не є широко прийнятим у криптографії, є те, що обчислювальні витрати на виконання цих моделей у ланцюжку є дуже високими. Наприклад, fastBERP – тип моделі мови NLP, прийняття цієї моделі вимагає використання приблизно 1800 MFLOPS (мільйони арифметичних точок), які неможливо запустити безпосередньо на EVM. У той час як моделі додатків повинні робити прогнози на основі даних реального світу, щоб мати смарт-контракти в масштабі ML, контракт повинен отримати такі прогнози;

Друга причина полягає в тому, що потрібно вирішити проблему конфіденційності моделі ML Це природно. Це спричинить деякі проблеми з довірою між власниками моделей; по-друге, моделі ML іноді називають «чорними скриньками», оскільки вони включають багато автоматизованих кроків у процесі обчислення. зрозуміти або пояснити. Ці кроки включають складні алгоритми та великі обсяги даних, що може призвести до непевних, а іноді й випадкових результатів, що робить алгоритми винуватцями упередженості та навіть дискримінації. І технологія zk може дуже ефективно вирішити цю проблему довіри.

Таким чином, технологія zkSNARK здебільшого відноситься до zkSNARK і надає нам рішення: будь-хто може запустити модель поза ланцюгом і створити стислий доказ, який можна перевірити, що вказує на очікуваний результат. і це підтвердження можна опублікувати в ланцюжку та зафіксувати за допомогою смарт-контракту та покращити його інтелект. Для моделей ML зазвичай потрібні три частини: навчальні дані, архітектура моделі та параметри моделі. Навчена модель може відкрити оновлений простір дизайну для смарт-контрактів, якщо вона проходить міркування та перевірку. (Навчання моделі та висновок докладно не описуватимуться)

Варіанти використання zkML у крипто

Розумний контракт, доданий за допомогою zkSNARK +ML, також матиме багато варіантів використання:

DeFi

Оракули позаланцюгового машинного навчання, які можна перевірити

У поєднанні з zkSNARK у поєднанні з перевіреними логічними висновками моделей машинного навчання ці оракули машинного навчання поза ланцюгом можна використовувати для надійного вирішення ринків прогнозів у реальному світі, захисту протокольних контрактів тощо шляхом перевірки висновків і публікації доказів у мережі.

ML Параметризований DeFi

Багато підрозділів DeFi насправді можна автоматизувати. Наприклад, протоколи кредитування можуть використовувати моделі ML для оновлення параметрів у режимі реального часу. У той час як сучасні протоколи кредитування в першу чергу довіряють моделям поза мережею, які використовують організації для визначення коефіцієнтів застави, LTV, порогів ліквідації тощо, ML може стати кращою альтернативою завдяки навченим спільнотою моделям з відкритим кодом, які кожен може запустити та перевірити.

Автоматичні торгові стратегії

Один із способів перевірити прибутковість торгової стратегії – це надати інвесторам різноманітні тести, що реалізують стратегію. Немає способу перевірити, чи дотримувався стратег під час угод, але zkML може надати рішення при розгортанні в певному місці Надайте підтвердження фінансової моделі.

Поле безпеки

Моніторинг шахрайства з розумними контрактами

Замість того, щоб мати практичне управління чи централізованих учасників, які контролюють можливість призупинення контрактів, моделі ML можна використовувати для виявлення можливої ​​зловмисної поведінки та застосування процедур призупинення.

DID і соц

Замінити приватні ключі біометричною автентифікацією (що зараз робить Worldcoin)

Керування закритими ключами все ще є одним із головних болів для користувачів Web3. Отримання приватних ключів за допомогою розпізнавання обличчя або інших біометричних даних є можливим рішенням для zkML, і Worldcoin застосовує це за допомогою свого пристрою Orb, щоб визначити, чи є хтось реальною людиною, не намагаючись її KYC, і використовує технологію zk, щоб гарантувати, що вихідні дані його моделі ML не розкривають особисті дані користувачів, досягаючи цього за допомогою різних датчиків камери та моделей машинного навчання, які аналізують риси обличчя та райдужної оболонки ока.

Персоналізовані рекомендації та фільтрація контенту для соціальних мереж Web3

Подібним чином деякі соціальні мережі Web 3 можуть легко отримувати налаштування та дані користувачів, показувати нам деякі спамові листи та хибні посилання, багато фальшивих посилань призводять до крадіжки гаманців користувачів тощо, але за допомогою технології zkML ми можемо уникнути великої кількості непотрібного вмісту і посилання електронною поштою.

Creator Economy та ігри

Перебалансування внутрішньої економіки

Моделі ML можна використовувати для динамічного коригування порогів випуску, постачання, знищення токенів, голосування тощо. Однією з можливих моделей є стимулюючий контракт, який може відновити баланс внутрішньоігрової економіки, якщо досягнуто певного порогу відновлення балансу та підтверджено аргументацію.

Нові онлайн-ігри

Можна створювати кооперативні ігри людини та штучного інтелекту та інші інноваційні ігри в мережі, в яких ненадійні моделі штучного інтелекту діють як NPC, а всі дії NPC надсилаються в ланцюжок із супровідними інструкціями, які кожен може перевірити, щоб визначити правильність роботи моделі .

проект екологічного потенціалу zkML

Оскільки zkML все ще знаходиться на ранній стадії розробки, існує не так багато проектів, які можна знайти для всіх.

Worldcoin

Я не буду вдаватися в подробиці про Worldcoin, будь ласка, зверніться до «Якщо Worldcoin досягне успіху, який вплив це матиме на індустрію шифрування».

Modulus Labs

Modulus Labs — це один із найрізноманітніших проектів zkML, який створює технологію, необхідну для штучного інтелекту в мережі. Працюйте як над варіантами використання, так і з пов’язаними дослідженнями. Що стосується додатків, Modulus Labs розробила RockyBot, мережевий торговий бот, і Leela vs. the World, шахову гру, у якій реальні люди грають проти верифікованого мережевого екземпляра шахового механізму Leela.

людини

Giza — це протокол, призначений для розвитку економіки за допомогою штучного інтелекту, що дозволяє розгортати моделі штучного інтелекту в ланцюжку з використанням повністю надійного підходу, який підтримується партнерством StarkWare, що зрештою створює ринок, який пропонує альтернативні шляхи розвитку штучного інтелекту.

Zkaptcha

Zkaptcha зосереджується на проблемі роботів у Web3, захищає смарт-контракти від атак роботів, використовує докази з нульовим знанням для створення смарт-контрактів, стійких до атак Sybil, і надає послуги коду перевірки для смарт-контрактів. Наразі проект дозволяє кінцевим користувачам генерувати доказ роботи людини, заповнюючи код перевірки. У майбутньому Zkaptcha успадкує zkML і запустить службу, подібну до існуючого коду перевірки Web 2, але також зможе аналізувати поведінку, наприклад рух миші. щоб визначити продуктивність користувача.

Висновок

На даний момент здається, що в області поєднання zkML і крипто ще виникнуть деякі проблеми, і в майбутньому, можливо, знадобляться додаткові вдосконалення та оптимізації. Але з поєднанням zkSNARK і ML у нас є підстави вважати, що потужність zkML може принести кращі перспективи та розвиток криптографії. Ми також сподіваємося на більш різноманітні продукти в цій галузі та криптотехнології, що забезпечують безпеку роботи Середовище ML Trusted, і в майбутньому, окрім інноваційних продуктів, воно також може породити інновації в криптобізнес-моделях, оскільки в цьому дикому й анархічному світі Web 3 децентралізація, криптотехнології та довіра є найважливішими елементами Basic.