Нещодавно Nvidia опублікувала звіт про результати діяльності за перший квартал, у якому дохід склав 7,19 мільярда доларів США, що перевищило ринкові очікування у 6,52 мільярда доларів США, валовий прибуток склав 64,6%, а скоригований прибуток на акцію склав 1,09 долара США порівняно з ринковими очікуваннями у 0,92 долара США. Оскільки фінансовий звіт Nvidia перевершив очікування, це призвело до загального зростання запасів чіпів у США після ринку. Одного разу Nvidia піднялася на 29,35% після ринку. Ціна акцій досягла рекордного максимуму в 395 доларів США. За один торговий день вона різко зросла на 184 мільярди доларів США, а загальна ринкова вартість зросла на 3 біткоіни.
Генеральний директор Nvidia Хуан Реньсюнь зазначив у своєму фінансовому звіті широкі перспективи застосування штучного інтелекту, зазначивши, що комп’ютерна індустрія переживає дві трансформації одночасно — прискорене обчислення та генеративний штучний інтелект. Підприємства конкурують у застосуванні генеративного штучного інтелекту до різних продуктів, послуг і бізнесу. процесів. , встановлені у світі центри обробки даних вартістю трильйони доларів перетворяться з обчислень загального призначення на прискорені обчислення.
В даний час майже всі провідні фонди та установи в доларах США уважно стежать за ходом AIGC і швидко створюють систему перевірки, активно встановлюючи координати голосування, щоб не пропустити поїзд, що веде до часу. Відповідні дані показують, що в першому кварталі 2023 року загальне фінансування глобальної галузі AIGC досягло 3,811 мільярда юанів із загалом 17 фінансувань. Зростання однієї торгової точки часто означає занепад іншої. Люди поступово викликали різні сумніви щодо WEB3: «Увесь капітал дивиться на ШІ, регулювання Web3 посилюється, і наратив більше не є добрим», «ШІ виглядає надійнішим, ніж Web3, і легше створювати єдинорогів».
З самого початку людської історії колективні історії визначали нашу культуру та збагачували наше розуміння світу, і важливість оповіді неможливо переоцінити. Сьогодні наратив про штучний інтелект поступово набирає популярності і навіть проник у сферу Web3. Деякі люди в індустрії почали припускати, що «Web3 без ШІ бездушний», і більше половини компаній Web3 почали звертатися до ШІ. Отже, як буде інтегровано AI+Web3? Останнім часом наратив ZKML, нової комбінації доказів нульового знання та машинного навчання, став популярним. Як він співпрацюватиме зі штучним інтелектом і Web3 для побудови надійного та децентралізованого майбутнього?
1. ШІ потрібен Web3 і навпаки
«Помилково вважати криптовалюти та штучний інтелект непов’язаними технологіями, — сказав Майкл Кейсі, директор із контенту CoinDesk. — Вони взаємодоповнюють один одного, покращуючи одне одного».
Web3, криптовалюти та блокчейн вирішують суспільну проблему, яка існує з самого початку Інтернету: як зберегти цінну інформацію в безпеці в децентралізованому середовищі. Вони вирішують проблему людської довіри до інформації за допомогою нових систем, що використовують розподілені записи та стимули. Ці системи допомагають групам недовірливих незнайомців колективно підтримувати відкриті записи даних, дозволяючи їм поширювати та ділитися цінною або конфіденційною інформацією без посередників.
Зараз ми стрімко рухаємось до епохи комплексного штучного інтелекту, і виклики, які приносить ця епоха, лякають. Ці виклики охоплюють широкий діапазон: від захисту авторських прав на вхідні дані великих мовних моделей (LLM) до уникнення помилкової упередженості в їхньому виході та до нашої нинішньої нездатності точно відрізнити реальний вміст від дезінформації, створеної штучним інтелектом.«Дівіденд брехуна». Немає простих рішень для того, щоб уникнути негативного впливу штучного інтелекту на людей. Жодне рішення не може спиратися на застарілі нормативно-правові та технологічні рамки 20-го століття для вирішення цих проблем. Нам терміново потрібна децентралізована система управління, щоб вирішити проблеми, пов’язані зі створенням, перевіркою та обміном інформацією в цю нову еру.
Незалежно від того, чи може поточний Web3 надати необхідні рішення, технологія блокчейн відіграє певну роль у вирішенні цих проблем. Незмінні облікові книги дозволяють нам відстежувати походження зображень та іншого вмісту, запобігаючи глибоким фейкам. Цей метод також можна використовувати для перевірки цілісності наборів даних для продуктів штучного інтелекту машинного навчання. Криптовалюти забезпечують безмежний цифровий платіжний метод, який можна використовувати для винагороди людей у всьому світі, які роблять внесок у навчання штучного інтелекту, і такі проекти, як Bittensor, працюють над створенням токенізованих блокчейн-урядових спільнот, щоб стимулювати штучний інтелект. Розумні розробники створюють моделі, зручні для людини. . Навпаки, системи ШІ, що належать приватним компаніям, часто ставлять інтереси акціонерів вище інтересів користувачів.
Нам ще попереду довгий шлях, перш ніж ці ідеї можна буде реалізувати та масштабувати. Нам потрібно буде інтегрувати низку інших технологій, таких як підтвердження нульових знань (ZK), гомоморфне шифрування, безпечне обчислення, цифрова ідентифікація та децентралізовані облікові дані (DID), IoT тощо. Крім того, нам потрібно вирішити багато проблем, таких як захист конфіденційності, покарання за погану поведінку, заохочення інноваційного інтелекту, орієнтованого на людину, і багатопартійне законодавче регулювання.
2. Як ZKML будує міст між ШІ та блокчейном
Нещодавно ZKML, нова комбінація доказів із нульовим знанням і машинного навчання, широко обговорювалася. В даний час розгортання машинного навчання (ML) стає все більш складним. Багато підприємств в основному покладаються на таких постачальників послуг, як Amazon, Google і Microsoft, щоб розгортати складні моделі машинного навчання. Однак ці послуги стає все важче перевірити та зрозуміти. Як споживачі послуг штучного інтелекту, як ми можемо довіряти достовірності прогнозів, наданих цими моделями?
Будучи мостом між штучним інтелектом і блокчейном, ZKML вирішує проблему захисту конфіденційності моделей ШІ та вхідних даних, забезпечуючи при цьому можливість перевірки процесу міркування. Він надає рішення, яке дає змогу використовувати загальнодоступні моделі під час перевірки приватних даних або використовувати загальнодоступні дані під час перевірки приватних моделей. Додавши можливості машинного навчання, смарт-контракти можуть стати більш автономними та динамічними, дозволяючи їм оброблятися на основі даних у ланцюжку в реальному часі, а не на статичних правилах. Таким чином смарт-контракти будуть більш гнучкими та здатними адаптуватися до більшої кількості сценаріїв, навіть тих, які, можливо, не передбачалися під час початкового створення контракту.
В даний час однією з труднощів повсюдного впровадження алгоритмів машинного навчання на блокчейні є їх висока обчислювальна вартість. Запуск цих моделей у ланцюжку стає проблемою, оскільки операції з плаваючою комою на мільйонах рівнів неможливо виконати безпосередньо на віртуальній машині Ethereum (EVM). Крім того, проблема довіри до моделей машинного навчання також є перешкодою, оскільки параметри та набори вхідних даних моделей зазвичай є приватними, а алгоритм і процес роботи моделі схожі на непрозорий «чорний ящик», який може змусити власника моделі та модель використовувати проблеми довіри між учасниками. Однак за допомогою технології ZKML ми можемо подолати ці проблеми. ZKML дозволяє будь-кому запускати модель поза ланцюгом і генерувати стислі та перевірені докази того, що модель справді дала певний результат. Цей доказ можна опублікувати в ланцюжку та перевірити смарт-контрактами. Це означає, що користувачі моделі можуть перевіряти результати моделі, не знаючи конкретних параметрів і операційних деталей моделі, таким чином вирішуючи проблему довіри.
Завдяки наведеній вище діаграмі ми бачимо, що технологія ZKML має характеристики обчислювальної цілісності, евристичної оптимізації та захисту конфіденційності. Ця технологія має широкі перспективи застосування в області Web3 і стрімко розвивається. Все більше й більше команд та окремих людей приєднуються до цієї сфери, сприяючи розвитку різних проектів ZKML із великим потенціалом.
3. Аналіз проекту ZKML
Нижче наведено деякі потенційні проекти ZKML.
1、Worldcoin
Worldcoin застосовує ZKML, намагаючись створити протокол підтвердження особистості, який зберігає конфіденційність. Користувачі World ID зможуть самостійно зберігати свої біометричні дані (наприклад, райдужну оболонку очей) у зашифрованому сховищі на своїх мобільних пристроях, завантажувати модель ML, яка використовується для генерації IrisCode, і створювати локально доказ нульового знання того, що смарт-контракт-одержувач може підтвердити їх IrisCode успішно створено.
Потім його можна використовувати для виконання корисних операцій, таких як автентифікація членства та голосування. Наразі вони використовують надійне середовище виконання із захищеним анклавом для перевірки сканування райдужної оболонки ока, підписаного камерою, але їхня кінцева мета полягає в тому, щоб використовувати ZKP, щоб підтвердити правильність міркувань нейронних мереж для гарантій безпеки на рівні шифрування та гарантувати, що вихід ML модель не буде витікати персональні дані користувача.
2、Modulus Labs
Modulus Labs є одним із найрізноманітніших проектів у галузі ZKML. Попри те, що він займається пов’язаними дослідженнями, він також активно розбудовує парадигми додатків штучного інтелекту в ланцюжку. Modulus Labs використовує RockyBot (торговий робот у мережі) та Leela vs. the World ( міжнародна шахова гра, кожен грає проти перевіреного екземпляра Leela Chess Engine) демонструє варіант використання zkML. Команда також взяла участь у дослідженні, написавши The Cost of Intelligence, у якому порівнює швидкість і ефективність різних систем перевірки для моделей різного розміру.
3、Людина
Giza — це протокол, який може розгортати моделі штучного інтелекту в мережі абсолютно ненадійним способом. Технологічний стек, який він використовує, включає формат ONNX для моделей машинного навчання, Giza Transpiler для перетворення цих моделей у формат програми Cairo, ONNX Cairo Runtime для виконання моделей у верифікований та детермінований спосіб, а також розгортання та розумну модель Giza. контракт, який виконує модель у ланцюжку. Giza зазвичай належить до онлайн-компілятора моделей машинного навчання для доказів, забезпечуючи альтернативний шлях для розробки онлайн-ланцюжкового ШІ.
4、Zkaptcha
Zkaptcha фокусується на проблемі роботів у Web3, надає службу captcha (код перевірки) для смарт-контрактів, захищає смарт-контракти від атак роботів і використовує докази з нульовим знанням для створення смарт-контрактів, стійких до атак Sybil. Наразі проект дає змогу кінцевим користувачам генерувати докази роботи людини, заповнюючи капчу, яка перевіряється валідаторами в ланцюзі та доступна за допомогою смарт-контрактів із кількома рядками коду. У майбутньому Zkaptcha успадкує zkML, запустить службу коду підтвердження, подібну до існуючої Web 2, і навіть аналізуватиме поведінку, наприклад рухи миші, щоб визначити, чи є користувач реальною людиною.
Наразі шлях zkML все ще перебуває в зародковому стані, але у нас є підстави вважати, що потужність zkML може принести кращі перспективи та розвиток криптографії, і ми також очікуємо більше продуктів у цій галузі. Робота ML забезпечує безпечне та надійне середовище, і в майбутньому, окрім інноваційних продуктів, це також може призвести до інновацій у криптобізнес-моделях, тому що в цьому дикому й анархічному світі Web 3 децентралізація, криптотехнології та довіра є основними засобами.
Висновок
Побудова довіри у все більш складному та невизначеному цифровому світі завжди була центральною проблемою для ШІ та Web3. Однак поєднання штучного інтелекту з Web3 має великі перспективи для побудови надійного, безпечного децентралізованого майбутнього. Розробникам, технологам, політикам і суспільству вкрай важливо спільно формувати майбутнє штучного інтелекту та Web3, і ми зможемо створити еру інтелектуального Інтернету, яку неможливо уявити.
Довідка
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
ZKML: найкраще поєднання ШІ та Web3?
Нещодавно Nvidia опублікувала звіт про результати діяльності за перший квартал, у якому дохід склав 7,19 мільярда доларів США, що перевищило ринкові очікування у 6,52 мільярда доларів США, валовий прибуток склав 64,6%, а скоригований прибуток на акцію склав 1,09 долара США порівняно з ринковими очікуваннями у 0,92 долара США. Оскільки фінансовий звіт Nvidia перевершив очікування, це призвело до загального зростання запасів чіпів у США після ринку. Одного разу Nvidia піднялася на 29,35% після ринку. Ціна акцій досягла рекордного максимуму в 395 доларів США. За один торговий день вона різко зросла на 184 мільярди доларів США, а загальна ринкова вартість зросла на 3 біткоіни.
Генеральний директор Nvidia Хуан Реньсюнь зазначив у своєму фінансовому звіті широкі перспективи застосування штучного інтелекту, зазначивши, що комп’ютерна індустрія переживає дві трансформації одночасно — прискорене обчислення та генеративний штучний інтелект. Підприємства конкурують у застосуванні генеративного штучного інтелекту до різних продуктів, послуг і бізнесу. процесів. , встановлені у світі центри обробки даних вартістю трильйони доларів перетворяться з обчислень загального призначення на прискорені обчислення.
В даний час майже всі провідні фонди та установи в доларах США уважно стежать за ходом AIGC і швидко створюють систему перевірки, активно встановлюючи координати голосування, щоб не пропустити поїзд, що веде до часу. Відповідні дані показують, що в першому кварталі 2023 року загальне фінансування глобальної галузі AIGC досягло 3,811 мільярда юанів із загалом 17 фінансувань. Зростання однієї торгової точки часто означає занепад іншої. Люди поступово викликали різні сумніви щодо WEB3: «Увесь капітал дивиться на ШІ, регулювання Web3 посилюється, і наратив більше не є добрим», «ШІ виглядає надійнішим, ніж Web3, і легше створювати єдинорогів».
З самого початку людської історії колективні історії визначали нашу культуру та збагачували наше розуміння світу, і важливість оповіді неможливо переоцінити. Сьогодні наратив про штучний інтелект поступово набирає популярності і навіть проник у сферу Web3. Деякі люди в індустрії почали припускати, що «Web3 без ШІ бездушний», і більше половини компаній Web3 почали звертатися до ШІ. Отже, як буде інтегровано AI+Web3? Останнім часом наратив ZKML, нової комбінації доказів нульового знання та машинного навчання, став популярним. Як він співпрацюватиме зі штучним інтелектом і Web3 для побудови надійного та децентралізованого майбутнього?
1. ШІ потрібен Web3 і навпаки
«Помилково вважати криптовалюти та штучний інтелект непов’язаними технологіями, — сказав Майкл Кейсі, директор із контенту CoinDesk. — Вони взаємодоповнюють один одного, покращуючи одне одного».
Web3, криптовалюти та блокчейн вирішують суспільну проблему, яка існує з самого початку Інтернету: як зберегти цінну інформацію в безпеці в децентралізованому середовищі. Вони вирішують проблему людської довіри до інформації за допомогою нових систем, що використовують розподілені записи та стимули. Ці системи допомагають групам недовірливих незнайомців колективно підтримувати відкриті записи даних, дозволяючи їм поширювати та ділитися цінною або конфіденційною інформацією без посередників.
Зараз ми стрімко рухаємось до епохи комплексного штучного інтелекту, і виклики, які приносить ця епоха, лякають. Ці виклики охоплюють широкий діапазон: від захисту авторських прав на вхідні дані великих мовних моделей (LLM) до уникнення помилкової упередженості в їхньому виході та до нашої нинішньої нездатності точно відрізнити реальний вміст від дезінформації, створеної штучним інтелектом.«Дівіденд брехуна». Немає простих рішень для того, щоб уникнути негативного впливу штучного інтелекту на людей. Жодне рішення не може спиратися на застарілі нормативно-правові та технологічні рамки 20-го століття для вирішення цих проблем. Нам терміново потрібна децентралізована система управління, щоб вирішити проблеми, пов’язані зі створенням, перевіркою та обміном інформацією в цю нову еру.
Незалежно від того, чи може поточний Web3 надати необхідні рішення, технологія блокчейн відіграє певну роль у вирішенні цих проблем. Незмінні облікові книги дозволяють нам відстежувати походження зображень та іншого вмісту, запобігаючи глибоким фейкам. Цей метод також можна використовувати для перевірки цілісності наборів даних для продуктів штучного інтелекту машинного навчання. Криптовалюти забезпечують безмежний цифровий платіжний метод, який можна використовувати для винагороди людей у всьому світі, які роблять внесок у навчання штучного інтелекту, і такі проекти, як Bittensor, працюють над створенням токенізованих блокчейн-урядових спільнот, щоб стимулювати штучний інтелект. Розумні розробники створюють моделі, зручні для людини. . Навпаки, системи ШІ, що належать приватним компаніям, часто ставлять інтереси акціонерів вище інтересів користувачів.
Нам ще попереду довгий шлях, перш ніж ці ідеї можна буде реалізувати та масштабувати. Нам потрібно буде інтегрувати низку інших технологій, таких як підтвердження нульових знань (ZK), гомоморфне шифрування, безпечне обчислення, цифрова ідентифікація та децентралізовані облікові дані (DID), IoT тощо. Крім того, нам потрібно вирішити багато проблем, таких як захист конфіденційності, покарання за погану поведінку, заохочення інноваційного інтелекту, орієнтованого на людину, і багатопартійне законодавче регулювання.
2. Як ZKML будує міст між ШІ та блокчейном
Нещодавно ZKML, нова комбінація доказів із нульовим знанням і машинного навчання, широко обговорювалася. В даний час розгортання машинного навчання (ML) стає все більш складним. Багато підприємств в основному покладаються на таких постачальників послуг, як Amazon, Google і Microsoft, щоб розгортати складні моделі машинного навчання. Однак ці послуги стає все важче перевірити та зрозуміти. Як споживачі послуг штучного інтелекту, як ми можемо довіряти достовірності прогнозів, наданих цими моделями?
Будучи мостом між штучним інтелектом і блокчейном, ZKML вирішує проблему захисту конфіденційності моделей ШІ та вхідних даних, забезпечуючи при цьому можливість перевірки процесу міркування. Він надає рішення, яке дає змогу використовувати загальнодоступні моделі під час перевірки приватних даних або використовувати загальнодоступні дані під час перевірки приватних моделей. Додавши можливості машинного навчання, смарт-контракти можуть стати більш автономними та динамічними, дозволяючи їм оброблятися на основі даних у ланцюжку в реальному часі, а не на статичних правилах. Таким чином смарт-контракти будуть більш гнучкими та здатними адаптуватися до більшої кількості сценаріїв, навіть тих, які, можливо, не передбачалися під час початкового створення контракту.
В даний час однією з труднощів повсюдного впровадження алгоритмів машинного навчання на блокчейні є їх висока обчислювальна вартість. Запуск цих моделей у ланцюжку стає проблемою, оскільки операції з плаваючою комою на мільйонах рівнів неможливо виконати безпосередньо на віртуальній машині Ethereum (EVM). Крім того, проблема довіри до моделей машинного навчання також є перешкодою, оскільки параметри та набори вхідних даних моделей зазвичай є приватними, а алгоритм і процес роботи моделі схожі на непрозорий «чорний ящик», який може змусити власника моделі та модель використовувати проблеми довіри між учасниками. Однак за допомогою технології ZKML ми можемо подолати ці проблеми. ZKML дозволяє будь-кому запускати модель поза ланцюгом і генерувати стислі та перевірені докази того, що модель справді дала певний результат. Цей доказ можна опублікувати в ланцюжку та перевірити смарт-контрактами. Це означає, що користувачі моделі можуть перевіряти результати моделі, не знаючи конкретних параметрів і операційних деталей моделі, таким чином вирішуючи проблему довіри.
Завдяки наведеній вище діаграмі ми бачимо, що технологія ZKML має характеристики обчислювальної цілісності, евристичної оптимізації та захисту конфіденційності. Ця технологія має широкі перспективи застосування в області Web3 і стрімко розвивається. Все більше й більше команд та окремих людей приєднуються до цієї сфери, сприяючи розвитку різних проектів ZKML із великим потенціалом.
3. Аналіз проекту ZKML
Нижче наведено деякі потенційні проекти ZKML.
1、Worldcoin
Worldcoin застосовує ZKML, намагаючись створити протокол підтвердження особистості, який зберігає конфіденційність. Користувачі World ID зможуть самостійно зберігати свої біометричні дані (наприклад, райдужну оболонку очей) у зашифрованому сховищі на своїх мобільних пристроях, завантажувати модель ML, яка використовується для генерації IrisCode, і створювати локально доказ нульового знання того, що смарт-контракт-одержувач може підтвердити їх IrisCode успішно створено.
Потім його можна використовувати для виконання корисних операцій, таких як автентифікація членства та голосування. Наразі вони використовують надійне середовище виконання із захищеним анклавом для перевірки сканування райдужної оболонки ока, підписаного камерою, але їхня кінцева мета полягає в тому, щоб використовувати ZKP, щоб підтвердити правильність міркувань нейронних мереж для гарантій безпеки на рівні шифрування та гарантувати, що вихід ML модель не буде витікати персональні дані користувача.
2、Modulus Labs
Modulus Labs є одним із найрізноманітніших проектів у галузі ZKML. Попри те, що він займається пов’язаними дослідженнями, він також активно розбудовує парадигми додатків штучного інтелекту в ланцюжку. Modulus Labs використовує RockyBot (торговий робот у мережі) та Leela vs. the World ( міжнародна шахова гра, кожен грає проти перевіреного екземпляра Leela Chess Engine) демонструє варіант використання zkML. Команда також взяла участь у дослідженні, написавши The Cost of Intelligence, у якому порівнює швидкість і ефективність різних систем перевірки для моделей різного розміру.
3、Людина
Giza — це протокол, який може розгортати моделі штучного інтелекту в мережі абсолютно ненадійним способом. Технологічний стек, який він використовує, включає формат ONNX для моделей машинного навчання, Giza Transpiler для перетворення цих моделей у формат програми Cairo, ONNX Cairo Runtime для виконання моделей у верифікований та детермінований спосіб, а також розгортання та розумну модель Giza. контракт, який виконує модель у ланцюжку. Giza зазвичай належить до онлайн-компілятора моделей машинного навчання для доказів, забезпечуючи альтернативний шлях для розробки онлайн-ланцюжкового ШІ.
4、Zkaptcha
Zkaptcha фокусується на проблемі роботів у Web3, надає службу captcha (код перевірки) для смарт-контрактів, захищає смарт-контракти від атак роботів і використовує докази з нульовим знанням для створення смарт-контрактів, стійких до атак Sybil. Наразі проект дає змогу кінцевим користувачам генерувати докази роботи людини, заповнюючи капчу, яка перевіряється валідаторами в ланцюзі та доступна за допомогою смарт-контрактів із кількома рядками коду. У майбутньому Zkaptcha успадкує zkML, запустить службу коду підтвердження, подібну до існуючої Web 2, і навіть аналізуватиме поведінку, наприклад рухи миші, щоб визначити, чи є користувач реальною людиною.
Наразі шлях zkML все ще перебуває в зародковому стані, але у нас є підстави вважати, що потужність zkML може принести кращі перспективи та розвиток криптографії, і ми також очікуємо більше продуктів у цій галузі. Робота ML забезпечує безпечне та надійне середовище, і в майбутньому, окрім інноваційних продуктів, це також може призвести до інновацій у криптобізнес-моделях, тому що в цьому дикому й анархічному світі Web 3 децентралізація, криптотехнології та довіра є основними засобами.
Висновок
Побудова довіри у все більш складному та невизначеному цифровому світі завжди була центральною проблемою для ШІ та Web3. Однак поєднання штучного інтелекту з Web3 має великі перспективи для побудови надійного, безпечного децентралізованого майбутнього. Розробникам, технологам, політикам і суспільству вкрай важливо спільно формувати майбутнє штучного інтелекту та Web3, і ми зможемо створити еру інтелектуального Інтернету, яку неможливо уявити.
Довідка