零知识机器学习（ZKML）的应用和潜力

作者：Callum@Web3CN.Pro

ZK 从 2022 年开始持续火热，其技能现已取得了很大的开展，ZK 系的项目也不断发力。与此同时，跟着机器学习（Machine Learning, ML）的遍及，也广泛运用于生产日子中，许多企业开始构建、练习以及布置机器学习模型。但现在机器学习面临的一个重大问题是怎么保证可信度和对不透明数据的依赖性。这就是 ZKML 的重要意义：让运用机器学习的人完全了解模型而不需要泄漏模型自身的信息。

1. 什么是ZKML

什么是 ZKML，咱们把它分开来看。ZK（零常识证明）是一种暗码协议，证明者能够向验证者证明给定的陈述是真实的而无需泄漏任何其他信息，也就是说不需要进程就能够知道成果。

ZK有两大特点：第一，证明了想证明的东西而无需泄漏给验证者过多的信息；第二，生成证明很难，验证证明很容易。

基于这两个特点，ZK开展出了几大用例：Layer 2 扩容、隐私公链、去中心化存储、身份验证、以及机器学习等。本文的研讨重点将集中在ZKML（零常识机器学习）上面。

什么是ML（机器学习），机器学习是一门人工智能的科学，触及算法的开发和运用，使核算机能够自主学习和习惯数据，经过迭代进程优化其功能，无需编程进程。它运用算法和模型来辨认数据得到模型参数，终究做出猜测/决议计划。

现在，机器学习已成功地运用于各个领域，跟着这些模型的完善，机器学习需要履行的任务越来越多，为了保证高准确度的模型，这就需要用到ZK技能：运用公共模型验证私有数据或运用公共数据验证私有模型。

现在咱们所谈到的ZKML是创立 ML 模型推理步骤的零常识证明，而不是 ML 模型练习。

2. 为什么需要ZKML

跟着人工智能技能的进步，区分人工智能和人类智能和人类生成变得更加困难，零常识证明就有才能处理这个问题，它让咱们能够确认特定内容是否是经过将特定模型运用于给定输入而生成的，而无需泄漏有关模型或输入的任何其他信息。

传统的机器学习渠道，往往需要开发者将自己的模型架构提交给主机进行功能验证。这或许会导致几个问题：

• 常识产权丢失：公开完整的模型架构或许会露出开发人员期望保密的有价值的商业秘密或立异技能。

• 缺少透明度：评价进程或许不透明，参与者或许无法验证他们的模型与其他模型的排名。

• 数据隐私问题：经过敏感数据练习的共享模型或许会无意中走漏有关基础数据的信息，然后违反隐私规范和法规。

这些应战催生了对能够维护机器学习模型及其练习数据隐私的处理方案的需求。

ZK提出了一种有出路的方法来处理传统 ML渠道所面临的应战。经过运用 ZK的力量，ZKML 供给了具有以下优势的隐私维护处理方案：

• 模型隐私：开发者能够在不公开整个模型架构的情况下参与验证，然后维护他们的常识产权。

• 透明验证：ZK能够在不走漏模型内部的情况下验证模型功能，然后促进透明和无需信赖的评价进程。

• 数据隐私：ZK可用于运用公共模型验证私有数据或运用公共数据验证私有模型，保证敏感信息不被走漏。

将 ZK 集成到 ML 进程中供给了一个安全且隐私维护的渠道，处理了传统  ML 的局限性。这不只促进了机器学习在隐私职业的采用，也吸引了经验丰富的 Web2 开发人员探究 Web3 生态体系内的或许性。

3. ZKML运用和时机

跟着暗码学、零常识证明技能和硬件设施的日益完善，越来越多的项目开始探究 ZKML 的运用。ZKML的生态体系能够大致分为以下四个类别：

• 模型验证编译器：将模型从现有格局（例如 Pytorch、ONNX 等）编译成可验证核算电路的基础设施。

• 广义证明体系：为验证恣意核算轨道而构建的证明体系。

• ZKML特定证明体系：专门为验证 ML 模型的核算轨道而构建的证明体系。

• 运用程序：处理ZKML用例的项目。

依据ZKML这些运用的生态类别，咱们能够对当前一些运用ZKML的项目做一个分类：

图片来历：@bastian_wetzel

ZKML 仍然是一项新式技能，它的商场还很早，而且许多运用程序只是在黑客松上进行实验，但ZKML仍为智能合约开辟了一个新的设计空间：

DeFi

运用ML参数化的Defi运用程序能够更加自动化。例如，假贷协议能够运用 ML 模型来实时更新参数。现在，假贷协议首要信赖由组织运转的链下模型来确认抵押品、LTV、清算门槛等，但更好的替代方案或许是社区练习的开源模型，任何人都能够运转和验证。运用可验证的链下ML预言机，ML模型能够对签名数据进行链下处理以进行猜测和分类。这些链下ML预言机能够经过验证推理并在链上发布证明，然后无信赖地处理实际国际的猜测商场、假贷协议等问题。

Web3 交际

挑选Web3交际媒体。Web3 交际运用程序的去中心化特性将导致更多的垃圾邮件和恶意内容。抱负情况下，交际媒体渠道能够运用社区同意的开源 ML 模型，并在挑选过滤帖子时发布模型推理的证明。作为交际媒体用户，或许乐意查看个性化广告，但期望对广告商保密用户的偏好和爱好。因而用户能够挑选依据喜好在本地运转一个模型，该模型能够输入媒体运用程序来为其供给内容。

GameFi

ZKML能够运用于新型链上游戏，能够创立协作的人类与人工智能游戏和其他立异的链上游戏，其中人工智能模型能够充任NPC，NPC 采纳的每项行动都会发布到链上，并附有任何人都能够验证以确认正在运转的正确模型的证明。同时，ML 模型可用于动态调整代币发行、供应、毁掉、投票门槛等，能够设计一款激励合约模型，如果到达某个再平衡阈值并验证推理证明，它会重新平衡游戏内经济。

身份验证

用维护隐私的生物特征认证替代私钥。私钥管理仍然是Web3中最大的困点之一。经过面部辨认或其他共同因素提取私钥也许是 ZKML 的一种或许处理方案。

4. ZKML的应战

虽然ZKML在不断改进和优化，但该领域还处于早期开展阶段，仍存在一些从技能到实践的应战：

• 以最小的精度丢失量化

• 电路的巨细，特别是当一个网络由多层组成时

• 矩阵乘法的有用证明

• 对抗性进犯

这些应战一是会影响到机器学习模型的准确性，二是会影响其成本和证明速度，三是模型窃取进犯的风险。

现在关于这些问题的改进正在进行，@0xPARC 在 2021 年的ZK-MNIST演示展现了怎么在可验证电路中履行小规划MNIST图像分类模型；Daniel Kang 对ImageNet规划模型进行了相同的操作，现在 ImageNet 规划的模型的精度现已提高到 92%，预计将很快到达与更广泛的ML空间的进一步的硬件加速。

ZKML 仍处于早期开发阶段，但它现已开始展现不少成果，能够等待看到更多ZKML的链上立异运用。跟着 ZKML 的不断开展，咱们能够预见未来隐私维护机器学习将成为常态。

此时快讯

【Trezor：在Ledger宣布其恢复服务后，其销售额增长了900%】金色财经报道，加密货币钱包Trezor表示，在竞争对手Ledger宣布其恢复服务后，其销售额增长了900%。