في هذا العصر المتقدم تقنيًا، فتح ظهور الذكاء الاصطناعي التوليدي مثل ChatGPT وMidjourney إمكانيات جديدة في مجالات مثل التصميم والفن وتطوير البرمجيات والنشر وحتى التمويل. إن الذكاء الاصطناعي التوليدي يشبه المعجزة، فهو يَعِدنا باختراق حدود الإبداع البشري، وتحسين إنتاجيتنا بشكل كبير، ويقودنا على الطريق إلى مستوى أعلى من الابتكار.

من أجل الوصول ببرامج مثل ChatGPT وMidjourney إلى ما هي عليه اليوم، استغرق الأمر سنوات من البحث والتدريب على كميات هائلة من البيانات لتطوير نماذج الذكاء الاصطناعي التي تقف وراءها. بأخذ ChatGPT كمثال، فإنه يتطلب حوالي 570 جيجابايت من مجموعة البيانات من صفحات الويب والكتب والمصادر الأخرى للتدريب. قد تأتي بعض هذه البيانات من مستخدمين قد لا يدركون تمامًا أن بياناتهم الشخصية تُستخدم لتدريب برامج الذكاء الاصطناعي. في حين أن الكثير من البيانات التي تم جمعها واستخدامها قد تكون غير ضارة للمستخدمين أنفسهم، فمن المحتم أن يتم خلط بعض البيانات الحساسة أو الخاصة وتغذيتها في النموذج دون موافقة المستخدم.

نظرًا لأن هذه الأنظمة تثير مشكلات خصوصية، فإن الوعي بمسائل خصوصية البيانات والأمان والاهتمام بها يتزايد باستمرار. يدعو البعض إلى إيجاد نقطة توازن متناغمة بين الاستفادة من مزايا الذكاء الاصطناعي وحماية حقوق الخصوصية الشخصية. لحسن الحظ، توجد تقنية واعدة يمكنها المساعدة في سد هذه الفجوة—وهي الإثباتات عديمة المعرفة (ZKP).

ما هو zkML؟

البروتوكولات عديمة المعرفة هي طريقة يمكن بموجبها لطرفٍ ما (المدّعي) أن يثبت لطرفٍ آخر (المدقق) أن قضيةً ما صحيحة، دون كشف أي معلومات أخرى غير حقيقة كون هذا الادعاء صحيحًا تحديدًا. منذ عام 2022، تطورت تقنيات المعرفة الصفرية (ZK) بشكل مطّرد وحققت نموًا ملحوظًا في مجال البلوك تشين. تعمل المشاريع في مجال ZK باستمرار على إحراز تقدم كبير، لا سيما في مجالات القابلية للتوسع وحماية الخصوصية.

التعلم الآلي هو أحد فروع الذكاء الاصطناعي، ويركّز على تطوير أنظمة يمكنها التعلم من البيانات السابقة واكتشاف الأنماط واتخاذ قرارات منطقية، وتقليل الاعتماد على مشاركة الإنسان المهمة. إنه تقنية لتحليل البيانات، حيث تقوم تلقائيًا بإنشاء نماذج تحليلية من خلال الاستفادة من أنواع مختلفة من المعلومات الرقمية، مثل البيانات العددية ومحتوى النص وتفاعلات المستخدمين والبيانات البصرية.

في التعلم الآلي الخاضع للإشراف، نزوّد نموذجًا مُدرّبًا مسبقًا ومُجهزًا بمعلمات محددة بمدخلات، ثم يقوم النموذج بإنتاج مخرجات يمكن استخدامها بواسطة أنظمة أخرى. ومع ذلك، يجب التأكيد على أهمية الحفاظ على سرية بيانات الإدخال ومعلمات النموذج. قد تتضمن بيانات الإدخال معلومات مالية شخصية حساسة أو معلومات سمات بيولوجية. كما قد تتضمن معلمات النموذج عناصر حساسة مثل معلمات المصادقة البيومترية السرية.

إن الجمع بين تقنيات المعرفة الصفرية والذكاء الاصطناعي أدى إلى ظهور التعلم الآلي عديم المعرفة (zkML)، وهو تقنية جديدة ذات أخلاقيات قوية وقدرة تأثير كبيرة، يُتوقع أن تقلب طريقة عملنا بالكامل.

في الورقة الأخيرة التي نشرها فريق Modulus Labs بعنوان ( The Cost of Intelligence )، قاموا بإجراء اختبار قياسي شامل لأنظمة الإثباتات الصفرية المعروفة القائمة، وذلك عبر استخدام مجموعات من النماذج بأحجام مختلفة. حاليًا، يتمثل التطبيق الرئيسي لـ ZK في مجال التعلم الآلي على السلسلة في التحقق من صحة الحسابات. لكن مع مرور الوقت وتطور التكنولوجيا، وخصوصًا مع النماذج الأقصر غير التفاعلية لإثباتات المعرفة (SNARKs)، يُتوقع أن تتطور ZKP إلى درجة تضمن خصوصية المستخدمين عبر منع كشف المدخلات، بحيث لا يتمكن المدققون المتطفلون بشكل مفرط من انتهاك الخصوصية.

يمثل zkML في جوهره دمج تقنيات ZK داخل برمجيات الذكاء الاصطناعي، بهدف التغلب على قيودها في مجالات مثل حماية الخصوصية والتحقق من صحة البيانات.

حالات استخدام zkML

على الرغم من أن zkML ما يزال تقنية ناشئة، فقد جذب اهتمامًا واسعًا ويمتلك العديد من سيناريوهات الاستخدام اللافتة. ومن بعض تطبيقات zkML البارزة:

• اكتمال الحساب (ML فعّالة/صحيحة)

  يمكن لإثباتات الصلاحية مثل SNARKs وSTARKs أن تتحقق من صحة الحسابات. أي أنها تسمح بتوسيع هذا النوع من القدرة إلى مهام تعلم آلي من خلال التحقق من أن استدلال النموذج أو تأكيد إدخال محدد يؤدي إلى مخرجات نموذج محددة. كما أن سهولة إثبات أن ناتج الإثبات ناتج عن تركيب بين نموذج ومدخلات محددين تساعد على نشر نماذج تعلم آلي على نحو غير متصل (off-chain) على عتاد مخصص، وفي الوقت نفسه تُمكّن من التحقق على السلسلة من ZKPs، على سبيل المثال. وبذلك، تساعد Giza Yearn—وهي عبارة عن مُجمّع عوائد ضمن التمويل اللامركزي (DeFi)—في عرض دقة استخدام التعلم الآلي لتنفيذ استراتيجيات عوائد معقدة على السلسلة.

• اكتشاف الاحتيال

  من خلال الاستفادة من بيانات العقود الذكية، يمكن تدريب نماذج لاكتشاف الشذوذ، ثم يتم اعتمادها من قِبل DAO (منظمة مستقلة لامركزية) كمؤشرات ذات قيمة تُستخدم كإجراء أمني آلي. تتيح هذه الطريقة الاستباقية والوقائية تنفيذ عمليات تلقائية، مثل إيقاف العقد عند رصد نشاطات خبيثة محتملة، ما يعزز فعاليتها.

• الشفافية في خدمات التعلم الآلي كخدمة (MLaaS)

  في ظل قيام عدة شركات بتقديم نماذج تعلم آلي عبر واجهات برمجة التطبيقات (API)، يصبح من الصعب على المستخدمين التأكد مما إذا كان مزوّد الخدمة يقدّم فعلاً النماذج المزعومة، وذلك بسبب عدم شفافية واجهات الـAPI. إن توفير أدلة على الصلاحية بجانب واجهة برمجة التطبيقات الخاصة بنماذج التعلم الآلي سيمنح المستخدمين شفافية، ما يتيح لهم التحقق من النموذج المحدد الذي يستخدمونه بالفعل.

• الترشيح في وسائل التواصل الاجتماعي ضمن Web3

  من المتوقع أن تؤدي خاصية اللامركزية في تطبيقات التواصل الاجتماعي القائمة على Web3 إلى زيادة البريد المزعج والمحتوى الخبيث. تتمثل الطريقة المثالية لمنصات وسائل التواصل الاجتماعي في الاستفادة من نموذج تعلم آلي مفتوح المصدر، متفق عليه بشكل مشترك من قِبل المجتمع. إضافةً إلى ذلك، يمكن للنظام تقديم دليل على استنتاج النموذج عند اختيار المنشورات المراد ترشيحها. يقدّم تحليل Daniel Kang لخوارزمية تويتر باستخدام zkML مزيدًا من التعمق في هذا الموضوع.

• حماية الخصوصية

  يُولي قطاع الرعاية الصحية أولوية لخصوصية البيانات وسريتها الخاصة بالمرضى. من خلال الاستفادة من zkML، يستطيع الباحثون والمؤسسات الطبية تطوير نماذج باستخدام بيانات مرضى مُشفّرة، بما يضمن حماية السجلات الشخصية. وبهذا يمكن إجراء تحليلات تعاونية دون مشاركة معلومات حساسة، ما يدفع إلى الأمام تطورات في تشخيص الأمراض وتحسين نتائج العلاج وأبحاث الصحة العامة.

نظرة عامة على المشاريع لاستكشاف zkML

توجد العديد من تطبيقات zkML في مرحلة التجربة، وغالبًا ما تظهر في هاكاتونات لمشاريع جديدة مبتكرة. يفتح zkML طرقًا جديدة لتصميم العقود الذكية، وهناك عدة مشاريع تقوم حاليًا باستكشاف تطبيقاته بشكل فعّال.

• Modulus Labs: من خلال استخدام zkML للتطبيقات العملية والبحث ذي الصلة. يعرضون تطبيقات zkML عبر مشاريع مثل RockyBot (روبوت صفقات/تداول على السلسلة) و Leela vs. the World (لعبة شطرنج، تتنافس فيها المجموعة البشرية بأكملها ضد محرك شطرنج Leela بنسخة متحقَّق من صحتها وموجودة على السلسلة).

• Giza: بروتوكول تدعمه Starkware يحقق القدرة على نشر نماذج الذكاء الاصطناعي على السلسلة بطريقة كاملة دون ثقة.

• Worldcoin: بروتوكول لإثبات الهوية/الشخصية باستخدام zkML. تستخدم Worldcoin عتادًا مخصصًا لمعالجة فحوصات قزحية دقيقة، ثم تُدرج هذه الفحوصات ضمن تنفيذها لـ Semaphore. تحقق فحوصات القزحية هذه وظائف مهمة مثل إثبات العضوية والتصويت.

الخلاصة

كما احتاج ChatGPT وMidjourney إلى عدد لا يحصى من التكرارات للوصول إلى ما عليه اليوم، ما يزال zkML في حالة تحسين وتحسينات مستمرة، عبر تكرار بعد آخر للتغلب على تحديات مختلفة من الناحية التقنية إلى التطبيق العملي:

• المعالجة الكمّية لتقليل فقدان الدقة

• إدارة حجم الدوائر، خصوصًا في الشبكات متعددة الطبقات

• إثباتات ضرب المصفوفات بكفاءة

• التصدي للهجمات الخصومية (Adversarial)

في مجال zkML، تجري التطورات بسرعة متزايدة، مع توقع الوصول قريبًا إلى مستوى مماثل لمستوى مجالات أوسع في التعلم الآلي، خصوصًا مع استمرار تطور تقنيات تسريع العتاد.

إن إدخال ZKPs في أنظمة الذكاء الاصطناعي يمكن أن يمنح المستخدمين والمؤسسات التي تستخدم هذه الأنظمة مستوىً أعلى من الحماية من حيث الأمان والخصوصية. لذلك، نتطلع بشدة إلى المزيد من الابتكارات في المنتجات داخل مجال zkML، حيث يخلق الجمع بين ZKPs وتقنيات البلوك تشين بيئة آمنة وموثوقة لعمليات الذكاء الاصطناعي/تعلم الآلة في عالم Web3 غير المصرّح.