在過去的一年中，zk-SNARKs 的進展超出了預期。儘管人們普遍認為這些創新還需要數年時間才能出現，但應用程序，如 ZK-EVMs 正在出現

原文：Why AI Needs Zero-Knowledge Proofs

作者：Dylan Amadán

編譯： zklog

封面： Photo by  Batyrkhan Shalgimbekov  on  Unsplash

2023 年零知識

零知識證明（ZKP）允許在不透露底層數據本身的情況下，對特定數據或信息的擁有進行加密證明。如果您對 ZKP 還不熟悉，我最近發表了一篇關於什麼是零知識證明及其重要性的文章。此外，如果您正在尋找一個關於 zk-SNARKs 的指南，您可以在這裡找到我的另一篇文章。

在過去的一年中，zk-SNARKs 的進展超出了預期。儘管人們普遍認為這些創新還需要數年時間才能出現，但應用程序，如 ZK-EVMs 正在出現。zk-SNARKs 的增強功能已經使得探索區塊鏈的新用例成為可能，特別是我們正在密切關注使用 zk-SNARKs 解決由機器學習和人工智能的增加使用帶來的許多緊迫問題的研究。

隨著機器學習變得越來越普遍，它被用於各種應用。然而，其預測的可信度和對不透明數據源的依賴正在成為一個重大問題。重現那些聲稱具有高準確性的模型的能力很難，而在現實世界的產品中，預測的一致性和正確性也沒有保證。

本文旨在簡要介紹為什麼對 zk-SNARK 啟用的機器學習（ZK-ML）系統產生了濃厚的興趣，並討論了這種技術的一些潛在應用。

為什麼需要 ZK-ML

在使用監督式機器學習時，輸入被提供給已經使用特定參數進行訓練的模型。然後，該模型生成一個輸出，可以被其他系統使用。由於輕量級的機器學習框架和格式（如 ONNX），現在可以在邊緣設備（如手機或物聯網設備）上運行這些推理，而不是將輸入數據發送到集中式服務器。這提高了用戶的可擴展性和隱私。

然而，需要注意的是，通常希望將機器學習模型的輸入和參數保持私密，並隱藏不對公眾可見。這是因為輸入數據可能包含敏感信息，例如個人財務或生物識別數據，而模型參數也可能包含敏感信息，例如生物識別認證參數。

另一方面，使用 ML 模型輸出的下游系統（例如鍊上智能合約）需要能夠驗證輸入是否正確處理以生成所聲稱的輸出。

機器學習和 zkSNARK 協議的結合提供了一個新的解決方案，解決了這些看似相互衝突的要求。

ZK-ML 用例

有許多論文討論了我們可以使用 zk-SNARKs 通過機器學習改善我們未來的各種方式。ZK-ML 社區為我們提供了一個非常有用的決策樹來思考該技術的各種用例。

決策樹基於兩個標準的交叉點：隱私和計算完整性的需要，以及使用機器學習解決的啟發式優化問題。換句話說，該決策樹用於確定涉及 ZKML 的用例是否適用於隱私和計算完整性很重要的情況，以及使用機器學習技術解決啟發式優化問題的情況，您可以在此處找到。

以下是 zk 可用於在 ML 模型上進行創新的幾種方式：

  • 隱私保護的機器學習： zk-SNARKs 可用於在私有數據上訓練機器學習模型，而無需將該數據透露給模型的創建者或用戶。這允許開發可用於敏感或受監管行業（如醫療保健或金融）的模型，而不會損害其數據被使用的個人的隱私。
  • 可驗證的機器學習： zk-SNARKs 可用於證明機器學習模型是在特定數據集上訓練的，或者是使用特定模型進行預測的，而無需透露訓練數據或模型的細節。這可以增加對機器學習模型結果的信任，這在信用評分或醫學診斷等應用中可能很重要。
  • 安全機的器學習： zk-SNARKs 可用於通過確保模型未被篡改或替換為不同模型來保護機器學習模型的完整性。這對於將模型部署在不受信任的環境（例如邊緣設備或公共雲）中的應用程序非常有用。

ZKonduit(EZKL) 和可能的應用

像 ZKonduit 這樣的項目正在將目光投向 ZK-ML，將其視為給區塊鏈賦予眼睛的關鍵，讓智能合約行使判斷，單人預言機，並以可擴展的方式將數據上鍊。使用 ZK-ML 預言機提供了一種更簡單、更快速、更高效的方式，將鏈下數據傳輸到區塊鏈，極大地增加了將數據帶到鏈上的潛力。ZK-ML 可以使 “智能法官” 解釋模糊事件。這可能為 Web3 開啟無法想像的大量新用例，但以下僅是最近討論過的一些用例：

  • ZK KYC：能夠證明一個人的身份與其對應的 ID 相匹配，並且該 ID 號不在製裁名單上。雖然這項技術可用，但目前要求銀行 “了解” 他們的客戶的監管機構可能不會接受它，而不僅僅是驗證他們不在製裁名單上。這是監管機構的一個新領域，必須採取措施防止去中心化項目被不受歡迎的參與者使用。
  • 欺詐檢查：智能合約或抽象賬戶為異常行為添加了 ZK-ML 欺詐垃圾郵件檢查。這意味著可以實施一個系統，通過分析活動模式並將它們與使用零知識機器學習技術的已知欺詐或垃圾行為模式進行比較，來檢測和防止欺詐或垃圾行為。這有助於通過檢測和防止惡意活動來確保系統的安全性和完整性。
  • 使 DAO 自主化： Zk-SNARKs 技術允許以保護輸入數據隱私的方式執行複雜的計算，使其適用於需要保護敏感信息的情況。機器學習算法可以集成到這項技術中，以實現更高效、更準確的更高級決策、評估和通信系統。這些功能對於未來的內部 DAO 動態可能至關重要。

結論

在 AI 系統中集成零知識證明可以為用戶和使用這些系統的公司提供更高級別的安全和隱私。通過使人工智能能夠在不洩露底層數據或算法的情況下證明其決策的有效性，零知識證明可以幫助降低數據洩露和惡意攻擊的風險。此外，它們還可以通過提供一種透明且可驗證的方式來證明其公平性和準確性，從而幫助建立對人工智能係統的信任。

隨著 AI 領域的不斷發展和擴展，零知識證明的整合對於確保這些強大技術的安全和負責任的部署將變得越來越重要。

免責聲明：作為區塊鏈信息平台，本站所發布文章僅代表作者及嘉賓個人觀點，與 Web3Caff 立場無關。本文內容僅用於信息分享，均不構成任何投資建議及要約，並請您遵守所在國家或地區的相關法律法規。