零知識機器學習（zkML） : 在人工智能時代，隱私與科技並存

在這個科技發達的時代，ChatGPT 和Midjourney 等生成式人工智能的問世，為設計與藝術、軟件開發、出版甚至金融等領域開啟了全新的可能性。生成式人工智能猶如一場奇蹟，它向我們承諾突破人類創造力的邊界，極大地提升了我們的生產力，引領我們踏上更高層次的創新之路。

為了將ChatGPT 和Midjourney 等軟件發展到今天的水平，需要經過多年的研究和大量數據的訓練，才能培養出這些軟件背後的人工智能模型。以ChatGPT為例，它需要用來自網頁、圖書和其他來源的約570GB數據集進行訓練。其中的一部分數據可能來自於用戶，而這些用戶可能完全不知道他們的個人數據被用於訓練人工智能軟件。儘管大部分收集和使用的數據對用戶本身可能是無害的，但一些敏感或私人數據不可避免地可能混入其中，並被饋送給模型，而用戶並沒有給予同意。

鑑於這樣的系統引發了隱私問題，人們對數據隱私和安全問題的意識和重視不斷增長。有人呼籲在利用人工智能的優勢和保護個人隱私權之間尋找一種和諧的平衡點。幸運的是，有一項有希望的技術可以幫助彌合這一鴻溝——零**知識證明（ZKP）。 **

什麼是 zkML****？ ****

零知识协议是一种方法，通过这种方法，一方（证明者）可以向另一方（验证者）证明某个命题为真，而除了这个特定命题为真的事实外，不会透露任何其他信息。自2022年以来，零知识（ZK）技术稳步发展，并在区块链领域取得了显著增长。ZK 领域内的项目一直在不断努力并在可扩展性和隐私保护领域取得了重大进展。

****機器學習是人工智能的一個分支，專注於開發能夠從過去的數據中學習、識別模式並做出邏輯決策的系統，減少對人類的重要參與。它是一種數據分析技術，通過利用各種類型的數字信息，如數值數據、文本內容、用戶交互和視覺數據，自動創建分析模型。 ****

****在監督式機器學習中，我們向預先訓練並具備預設參數的模型提供輸入，而模型則產生可供其他系統使用的輸出。然而，我們必須強調維護輸入數據和模型參數的機密性和隱私的重要性。輸入數據可能包含著敏感的個人財務或生物特徵信息，而模型參數中可能涉及機密的生物特徵認證參數等敏感元素。 ****

****將零知識技術與人工智能相融合，便催生了零知識機器學習（zkML），一項倫理性強且威力巨大的新技術，有望徹底顛覆我們的工作方式。 ****

Modulus Labs 團隊最近發表的名為《 The Cost of Intelligence 》 的論文中，他們通過使用各種規模不同的模型集合，對各種現有的零知識證明系統進行了全面的基準測試。目前，在鏈上機器學習領域，ZK的主要應用是驗證準確的計算。然而，隨著時間和發展的進一步，尤其是簡潔非交互式知識論證（SNARKs），ZKP ****有望發展到一種程度，能夠通過阻止輸入的披露，確保用戶的隱私免受過於好奇的驗證者的侵犯。 ****

zkML本質上是將ZK技術融入AI軟件中，以克服其在隱私保護、數據真實性驗證等方面的局限性。

zkML 的用例

尽管 zkML 仍然是一项新兴技术，但已经引起了广泛关注，同时也具备许多令人瞩目的应用场景。其中一些显著的 zkML 应用包括：

• 計算完整性（有效性ML） 有效性證明如SNARKs 和 STARKs 具有驗證計算正確性的能力，通過驗證模型推斷或確認特定輸入導致特定模型輸出的能力，可以將這種能力擴展到機器學習任務中。證明輸出是特定模型和輸入組合的結果的便捷性有助於在專用硬件上進行離鏈部署機器學習模型，同時便利地在鏈上驗證ZKPs。例如，Giza正在協助Yearn，這是一個去中心化金融（DeFi）收益聚合器協議，在鏈上展示利用機器學習執行複雜收益策略的準確性。
• 欺詐檢測 通過利用智能合約數據，可以訓練異常檢測模型，並隨後由DAO（去中心化自治組織）認可為自動化安全程序的有價值指標。這種主動和預防性的方法使得可以自動執行操作，例如在識別潛在的惡意活動時暫停合約，從而增強其效果。
• ML 作為服務（MLaaS）中的透明度 在多個公司通過其API提供機器學習模型的情況下，由於API的不透明性，用戶很難確定服務提供商是否確實提供所聲稱的模型。在機器學習模型API旁提供有效性證明將為用戶提供透明度，使他們能夠驗證他們正在使用的具體模型。
• Web3 社交媒體中的過濾 Web3社交應用的去中心化特性預計會導致垃圾郵件和惡意內容的增加。社交媒體平台的理想方法是利用一個開源的機器學習模型，該模型是社區共同商定的。此外，該平台可以在選擇過濾帖子時提供模型推斷的證明。 Daniel Kang 對推特算法使用zkML 進行的分析進一步深入探討了這個話題。
• 保護隱私 醫療行業優先考慮患者數據的隱私和機密性。通過利用zkML，醫學研究人員和機構能夠利用加密的患者數據開發模型，確保個人記錄的保護。這樣可以進行協作分析，無需共享敏感信息，從而促進疾病診斷、治療效果和公共衛生研究的進展。

探索zkML 的項目概覽

zkML 的許多應用正在實驗階段，經常在創新的新項目的黑客松中出現。 zkML 為設計智能合約開闢了新的途徑，目前有幾個正在積極探索其應用的項目。

圖片來源@bastian_wetzel

• Modulus Labs：通過使用zkML 進行實際應用和相關研究。他們通過項目如RockyBot（鏈上交易機器人）和Leela vs. the World（一個國際象棋遊戲，整個人類群體與經過驗證的鏈上版本的Leela 國際象棋引擎競爭）的示範，展示了zkML 的應用。
• Giza：由Starkware 支持的協議，以完全無需信任的方式實現了在鏈上部署人工智能模型的能力。
• Worldcoin：一種利用zkML 的人格證明協議。 Worldcoin 利用定制硬件處理詳細的虹膜掃描，並將其納入其Semaphore 實施中。這些虹膜掃描實現了重要的功能，如會員證明和投票。

結論

就像ChatGPT 和Midjourney 經歷了無數次迭代才達到今天的狀態一樣，zkML 仍在不斷改進和優化中，經歷了一次又一次的迭代來克服從技術到實際方面的各種挑戰：

• 最小化精度損失的量化處理
• 管理電路大小，特別是在多層網絡中
• 高效的矩陣乘法證明
• 應對對抗性攻擊

在zkML 領域，進展正在以加快的速度進行，有望在不久的將來達到與更廣泛的機器學習領域相媲美的水平，特別是隨著硬件加速技術的不斷發展。

將ZKPs 納入人工智能係統可以為用戶和利用這些系統的組織提供更高級別的安全和隱私保護。因此，我們熱切期待在zkML 領域的進一步產品創新，其中ZKPs 和區塊鏈技術的結合為Web3 無權限世界中的人工智能/機器學習操作創造了安全可靠的環境。