零知識機器學習（ZKML）介紹和相關項目_ARK:STARK

在過去的一年中，零知識技術取得了重大發展，到2023年，我們正在經歷其在區塊鏈領域的采用顯著增加。

與此同時，機器學習的部署也變得越來越復雜。許多企業現在選擇機器學習即服務提供商來實施復雜的專有機器學習模型。隨著這些服務的激增，它們變得越來越難以審計和理解，提出了一個至關重要的問題：這些服務的消費者如何相信所提供預測的有效性？

ZKML提供了一種解決方案，可以使用公共模型驗證私有數據或使用公共數據驗證私有模型。

零知識

零知識證明是一種密碼機制，證明者可以在其中向驗證者證明給定陳述是真實的，而無需透露任何補充信息，除了透露該陳述是真實的。ZK證明領域在各個方面都取得了重大進展，從研究到協議實施和實際應用。

ZK證明利用兩個主要的“原語”或構建塊來實現其功能。第一個是為給定的一組計算建立計算完整性證明的能力。驗證證明比執行計算本身要簡單得多，這被稱為“簡潔性”。此外，ZK證明提供了在保持計算準確性的同時隱藏計算的特定部分的選項，稱為“零知識”。

幣安：已與Tether、Circle等聯系，希望在幣安上擴大對穩定幣原生版本的支持:5月26日消息，幣安發推稱，為了提高用戶安全，已與 Tether、Circle 等聯系，希望在幣安上擴大對穩定幣原生版本的支持，很快會有更新。[2023/5/26 9:44:16]

如果您想了解有關ZK的更多信息，我建議您參加此ZKPMOOC.

ZK的趨勢

ZK狀態報告是一份調查零知識生態系統關鍵發展的季刊，重點介紹了最受關注的趨勢ZK社區：

ZK的主要用例是隱私。ZK證明的零知識原語允許隱藏正在驗證的計算的特定部分。此功能對于創建在生成加密證明的同時保護用戶隱私和保護其個人數據的應用程序特別有利。這方面的幾個值得注意的舉措包括：Semaphore、MACI、Penumbra或AztecNetwork.

將ZK用于擴展排名第二。分布式系統，例如公共區塊鏈，具有有限的計算能力，因為每個參與節點必須自己運行每個塊中的計算以驗證它們。然而，通過使用ZK證明，我們可以在鏈下執行這些計算，生成ZK證明，然后在鏈上驗證這個證明，在保持安全性和去中心化的同時實現可擴展性。示例性項目包括：Starknet、Scroll、Polygon、Zero、PolygonMiden、PolygonzkEVM或zkSync.

區塊鏈開發平臺Alchemy啟動對ZK Rollup StarkNet的支持:金色財經報道，區塊鏈開發平臺 Alchemy 啟動對 ZK Rollup StarkNet 的支持，Starknet 現已在 Alchemy 上公開發布，通過向公眾開放，Alchemy 正在為 Starknet 的開發者社區提供基礎設施和工具，構建者可以創建功能豐富、突破性的 dapp，starknet 用戶可以在本地使用智能合約賬戶，而無需將他們的錢包重新編程為智能合約。雖然新產品僅代表 Alchemy 支持的 39 個區塊鏈之一，但該公司表示，StarkNet集成是關鍵，因為它的“快速發展的開發者社區”和該項目的“零知識rollups的開創性方法”。[2023/5/5 14:43:29]

身份也引起了人們的注意，表明人們對在身份管理領域使用ZK技術的興趣越來越大。這包括開發身份證明協議以創建加密證明。該領域的一些著名舉措包括：WorldID、Sismo、Clique或Axiom.

當被問及最令人興奮的新用例時，社區的焦點顯然是ZKML，它被認為是最吸引人的新用例。本文的其余部分將重點關注ZKML，目的是有效驗證所有計算是否已準確執行，這具有超越區塊鏈的深遠影響。

數據：23,758枚ETH從Bitfinex轉移到未知錢包:金色財經報道，Whale Alert監測數據顯示，23,758枚ETH(價值約28,055,188美元)從Bitfinex轉移到未知錢包。[2022/12/19 21:52:54]

為什么ZKML最近受到關注？

創建零知識證明需要大量的計算資源，通常比原始計算要多得多。因此，某些計算由于生成它們所需的時間而無法用零知識證明來證明。然而，密碼學、硬件和分布式系統的最新進展使得為日益密集的計算生成零知識證明成為可能。這些進步使得可以開發可以使用密集計算證明的協議成為可能，從而擴大了可以使用零知識證明的應用范圍。ModulusLabs團隊最近的一項名為“智能的成本”的研究針對各種不同的模型評估了各種現有的ZK證明系統尺寸。

隨著人工智能技術的不斷進步，區分人工智能生成的內容和人類生成的內容變得更具挑戰性。然而，零知識密碼學可能具有解決這個問題的潛力，它使我們能夠確定特定內容片段是否是通過將特定模型應用于給定輸入而生成的，而無需透露有關模型或輸入的任何其他信息。對于GPT-4等大型語言模型，創建零知識電路表示可以提供一種驗證其輸出的方法。

調查：商業銀行對區塊鏈和數字資產的興趣很小:金色財經報道，美聯儲5月進行的一項商業銀行調查顯示，對區塊鏈和數字資產的興趣很小。當被問及未來兩年分布式賬本技術（DLT）和數字資產的相對優先級時，56%的受訪者表示低優先級或沒有優先級，27%的受訪者將其列為中等至高重要性。?

然而，這些數字可能有點誤導。對同一問題的回答顯示，37% 的國內機構認為DLT和數字資產在未來24個月內處于中高優先級，而外資銀行的這一比例僅為15%。在兩到五年的時間范圍內，國內這一數字上升到50%，而海外銀行美國分行的這一比例為29.5%。?此外，美聯儲承認，大多數提供文字評論的受訪者表示，他們正在等待監管指導或目前不確定他們的計劃。[2022/7/18 2:20:45]

這些證明中固有的零知識屬性將使我們能夠在必要時隱藏輸入或模型的任何敏感部分。一個說明性的例子是對個人數據使用機器學習模型，其中用戶可以獲得模型對其數據進行推理的結果，而無需向任何外部實體披露他們的輸入。

用例

世界經濟論壇：數字貨幣將重塑全球貿易格局:5月20日消息，隨著社會進入數字時代，更多形式的數字貨幣為迅速推廣自身而展開激烈的市場爭奪，并可能從三個方面改變國際貿易：一是提高跨境支付效率。數字貨幣依賴去中心化賬本，可以實現全天候幾秒內發送與接收資金。二是為貿易融資提供另一種信用信息，有助于解決1.7萬億美元的全球貿易融資缺口。三是降低風險，數字貨幣可為希望參與全球貿易的一些國家提供替代支付方式。全球正邁入數字貨幣時代，國際貿易界需要做好準備，通過縮小數字鴻溝來抓住這個新時代的機遇。為了充分發揮數字貨幣的潛力，支付技術的進步需要與貿易數字化齊頭并進。貿易政策制定者需要專注于建立合適的數字支付設施和法律基礎，為未來創造貿易機會。各國還需要簽署新型貿易協定，為數字貨幣的私人發行方提供市場準入，允許支付并協同運作，支持數據自由可信流動。（中國稅務報）[2022/5/20 3:30:37]

ZKML仍然是一項新興技術，許多用例還有待探索。然而，以下是一些最明顯的用例，Worldcoin的文章和ElenaBurger的帖子。

計算完整性

有效性證明，例如SNARKs和STARK有能力證明計算已正確執行，這可以通過驗證ML模型推理或模型根據特定輸入生成特定輸出來應用于機器學習。輕松證明和驗證輸出是特定模型和輸入組合的結果的能力允許在鏈下專用硬件上部署機器學習模型，而ZK證明可以在鏈上方便地驗證。

在討論ZKML時，重點通常是生成ML模型推理步驟的零知識證明，而不是驗證用于訓練模型的數據的有效性。后者本身已經是一個高度計算密集型過程。

隱私

除了有效性證明之外，零知識密碼學還可用于保護機器學習應用程序中的隱私。一個例子是在不透露所用權重的情況下證明模型對測試數據具有一定的準確性。另一個用例的例子是隱私保護推理，其中私人患者數據可用于醫療診斷，并且敏感的推理可以發送給患者，而不會向任何第三方透露他們的數據。

ML即服務透明度

如果公司通過他們的API提供對ML模型的訪問，用戶可能很難知道提供商是否真的提供了他們聲稱提供的模型，因為API本質上是一個黑盒子。與ML模型API相關聯的有效性證明在為用戶提供透明度方面很有價值，因為他們可以驗證他們正在使用哪個模型。

去中心化推理或訓練

以去中心化的方式執行機器學習推理或訓練，同時允許人們將數據提交到公共模型需要在鏈上部署現有模型或構建新網絡。零知識證明可用于壓縮模型。

證明

要將來自外部驗證方的證明合并到鏈上運行的智能合約中，可以使用零知識證明驗證簽名并將其用作輸入程序。此方法可應用于任何經過數字認證的信息，提供一種從可信來源驗證真實性和出處的方法。可以通過這種方式驗證和使用生成數字簽名的端點。

探索ZKML的項目

隨著密碼學、硬件和分布式系統的進步繼續使零知識證明適用于日益密集的計算，越來越多的項目正在探索ZKML的使用。下圖提供了當前項目的非詳盡概述，但應注意類別之間可能存在一些重疊，并且為清楚起見簡化了此演示文稿。此外，還有許多開源代碼庫可用于構建ZKML應用程序，這表明社區的興趣和熱情在不斷增長。

不全面；截至2023年5月10日；類別之間不可能有嚴格的劃分。

結束語

隨著ZK技術的不斷進步，在更短的時間內在功能較弱的機器上證明更大的機器學習模型變得越來越可行。這是由于專用硬件、證明系統架構和更高效的ZK協議實現方面的改進。由于這些進步，新的ZKML應用程序和用例有望出現。

雖然ZKML在Web3中的主要用例是使鏈上組織能夠運行機器學習模型，但ZKML的快速發展為多個領域的復雜問題提供了潛在的解決方案。在我看來，在這種情況下可能會出現以下用例：

去中心化金融：使用ZKML來驗證收益最大化策略或為客戶重新平衡資金池。RockyBot就是其中一個例子。游戲：使用ZKML來驗證投注機制或AI增強型玩家。這方面的一個例子是LeelavstheWorld.身份：使用ZKML對用戶生物識別信息進行AI分析，同時確保數據的保管。WorldID就是一個例子。醫療保健：通過在敏感醫療數據上運行機器學習模型同時保護隱私，ZKML可用于醫療領域的疾病預測。盡管ZKML顯示出巨大的潛力，但該領域仍處于早期發展階段。一個挑戰是，在將模型轉換為電路的過程中，準確性和保真度可能會受到影響。另一個限制是許多機器學習模型的參數和激活被編碼為32位精度，當前的零知識證明系統很難在沒有大量開銷的情況下以所需的算術電路格式表示。

目前，隨著零知識證明不斷優化以處理日益復雜的機器學習模型，ZKML領域仍在迎頭趕上。

致謝：ZKML社區的awesome-zkmlGitHub存儲庫，Worldcoin的文章和ElenaBurger的post，也非常感謝DanielShorr和DiogoAlmeida圍繞這個話題進行的對話。

如果您在ZKML中有項目，請聯系我們！

您可以在Twitter和LinkedIn上關注我。

Tags：ARKSTARKSTARNETTotal Crypto Market Cap TokenStarkMetagtstarRelayer Network

MEXC