ZKML haqqında: ZKML (Zero Knowledge Machine Learning) sıfır bilik sübutları (Zero-Knowledge Proofs) və maşın öyrənmə alqoritmlərini birləşdirən bir maşın öyrənmə texnologiyasıdır, məqsədi maşın öyrənməsində gizlilik məsələlərini həll etməkdir.

Paylanmış hesablamalar haqqında: paylanmış hesablama, bir hesablama vəzifəsinin bir neçə kiçik vəzifəyə bölünməsi və bu kiçik vəzifələrin bir neçə kompüter və ya prosessor arasında bölüşdürülməsi deməkdir ki, bu da effektiv hesablamaya nail olmağı təmin edir.

AI və Web3-ün mövcud vəziyyəti: nəzarətsiz arı koloniyaları və entropiya artımı

Kevin Kelly, (Nəzarətsiz: maşınlar, cəmiyyət və iqtisadiyyatın yeni biologiyası) kitabında bir fenomeni irəli sürdü: arı koloniyaları paylanmış idarəetmə prinsipləri ilə seçki qərarları verir, bütün arı koloniyası bu qruplaşmada ən böyük arı koloniyasını izlədi və bu bir hadisənin hökmranı olur. Bu, Moris Metlinck-in dediyi “arı koloniyasının ruhu”dır - hər bir arı öz qərarını verə bilir, digər arıları təsdiqləməyə yönləndirir, nəticədə formalaşan qərar əslində kollektivin seçiminin nəticəsidir.

Entropiyanın artması və nizamsızlıq qanunu özü də termodinamikanın qanunlarına tabedir. Fizikada nəzəriyyənin konkretləşdirilməsi müəyyən sayda molekulun boş qutuya yerləşdirilməsi və yekunda paylanmanın necə olduğunun ölçülməsi kimidir. İnsana tətbiq etsək: alqoritmlərin yaratdığı kütlə, fərdi düşüncə fərqləri olsa belə, qrup qanunauyğunluqlarını göstərə bilər; adətən bu fərqlər zaman kimi faktorlar nəticəsində “boş bir qutu”ya məhkum olur və sonda konsensus tipli qərar verir.

Əlbəttə, qrup qanunauyğunluqları həmişə doğru olmaya bilər, amma konsensusu təmsil edə bilər. Bir nəfərin gücü ilə konsensusu ayağa qaldıran rəy lideri mütləq super-individualdır. Amma əksər hallarda konsensus bütün insanların tam şərtsiz razılığını tələb etmir; sadəcə qrupun ümumi qəbul edilən bir uyğunluğu (identikliyi) kifayətdir.

Burada AI-nin insanlığı azğınlığa sürükləyib-sürükləməyəcəyi barədə müzakirə etmirik. Əslində belə söhbətlər artıq çoxdur. Bir tərəfdən, süni intellektin tətbiqlər vasitəsilə yaratdığı saysız-hesabsız zibil mətnlər şəbəkə məlumatlarının həqiqiliyini çirkləndirib. Digər tərəfdən isə, qrup qərarlarının səhvi bəzi hadisələri daha təhlükəli istiqamətə apara bilər.

Hazırkı AI vəziyyəti təbii olaraq inhisar xüsusiyyəti daşıyır: böyük modellərin təlimi və yerləşdirilməsi üçün çoxlu hesablama resursu və məlumat tələb olunur, halbuki bu şərtlərə yalnız azsaylı şirkətlər və qurumlar malikdir. On milyardlarla məlumat hər bir inhisar sahibi üçün qiymətli xəzinə kimidir. Açıq mənbə paylaşımını bir yana qoyaq, hətta bir-biri ilə inteqrasiya (qoşulma) belə mümkün deyil.

Bu isə həddindən artıq böyük məlumat israfına gətirir: hər bir böyük həcmli AI layihəsi istifadəçi məlumatlarını təkrar-təkrar toplamalıdır və sonda “qalib hər şeyi götürür” — istər birləşmə və satınalma (M&A) yolu ilə, istər satışla; iri, ayrı bir “nəhəng” layihəni böyüdən, yaxud ənənəvi internetdə torpaq sahiblənmə kimi yarışan məntiq.

Çoxları deyir ki, AI və Web3 iki ayrı şeydir, aralarında heç bir əlaqə yoxdur — cümlənin birinci hissəsi doğrudur: bu iki fərqli sahədir. Amma ikinci hissə yanlışdır. Paylanmış texnologiyadan istifadə etməklə süni intellektin inhisarının sonunu məhdudlaşdırmaq, eyni zamanda süni intellekt texnologiyasından istifadə etməklə mərkəzləşdirilməmiş konsensus mexanizminin formalaşmasını təşviq etmək — sadəcə təbii uyğunluqdur.

Səviyyəaltı məntiqi nəticə çıxarma: AI-nin həqiqi paylanmış qrup konsensus mexanizmini formalaşdırması

Süni intellektin nüvəsi yenə də insandır: maşınlar və modellər sadəcə insan düşüncəsinin təxmin edilməsi və imitasiya olunmasıdır. “Qrup” anlayışını isə praktiki olaraq abstrakt şəkildə çıxarmaq çətindir, çünki hər gün gördüyümüz həqiqətdə fərdi şəxslərdir. Amma model kütləvi məlumatdan öyrənir və sonda simulyasiya etdiyi qrup formasını ortaya çıxarır. Bu modelin hansı nəticələr doğura biləcəyini dəyərləndirmirik, çünki qrupun zərər vermə halları da bir dəfə və ya iki dəfə baş vermir. Bununla belə, model dəqiq şəkildə bu konsensus mexanizminin yaranmasını təmsil edir.

Məsələn, müəyyən bir DAO üçün əgər idarəetməni mexanizm formasında etsək, mütləq səmərəliliyə təsir edəcək. Çünki qrup konsensusunun formalaşması özü də çətin bir işdir; üstəlik səsvermə, statistika və s. kimi bir sıra əməliyyatlar da lazımdır. Əgər DAO-nun idarəetməsini AI model forması kimi ifadə etsək, bütün məlumat toplama DAO daxilindəki hər kəsin çıxış məlumatlarından gəlir; onda çıxan qərar əslində qrup konsensusa daha yaxın olacaq.

Tək bir modelin qrup konsensusunu yuxarıdakı plana uyğun şəkildə təlim etmək olar, amma bu fərdi modellər üçün yenə də sonda adalar (izolyasiya olunmuş komponentlər) qalır. Əgər kollektiv intellekt sistemində qrup AI formalaşarsa: bu sistemdə hər bir AI modeli mürəkkəb problemləri həll etmək üçün bir-biri ilə koordinasiyalı işləyir və konsensus səviyyəsində səmərəli “gücləndirmə” üçün böyük təsir yaradır.

Kiçik kollektivlər həm özləri ekosistemi qura bilər, həm də digər kollektivlərlə birlikdə (komplementar) işləyib daha səmərəli və aşağı xərcə məxsus şəkildə çox böyük hesablama gücü və ya məlumat ticarət ehtiyaclarını qarşılaya bilər. Amma yenə problem ortaya çıxır: müxtəlif model bazalarının hazırkı vəziyyəti bir-birinə tam etibar etmir, hər kəs başqasının üstündə ehtiyatla dayanır — bu, blokçeynin təbii xüsusiyyətidir: “etibarsızlaşdırma” (trust minimization) vasitəsilə həqiqi paylanmış şəkildə AI maşınları arasında təhlükəsiz və səmərəli qarşılıqlı əlaqə qurulur.

Qlobal miqyaslı ağıllı bir beyin, əvvəlcə bir-birindən ayrı və funksiyası məhdud olan AI alqoritm modellərinin bir-biri ilə uyğunlaşmasına imkan verə bilər: daxildə mürəkkəb intellektual alqoritm prosesləri icra olunduqca, daim artan şəkildə paylanmış qrup konsensusu şəbəkəsi formalaşa və genişlənə bilər. AI-nin Web3-ə verdiyi ən böyük dəyər məhz buradadır.

Məxfilik və məlumat inhisarı? ZK və maşın öyrənmənin birləşməsi

İnsanlar AI-nin zərər verməsinə, yaxud məxfilik qorunmasına və məlumat inhisarından qorxmağa münasibətdə hədəflənmiş şəkildə tədbir görməlidir. Ən əsas problem isə odur ki, yekun nəticənin necə çıxarıldığını biz bilmirik. Eyni şəkildə, modelin operatorları da bu sualı aydınlaşdırmağa niyyətli görünmür. Yuxarıda qeyd etdiyimiz qlobal miqyaslı ağıllı beyinlə birləşmə isə bu problemi daha çox həll etməlidir; yoxsa heç bir məlumat sahibi öz əsas resursunu başqaları ilə paylaşmaq istəməyəcək.

ZKML (Zero Knowledge Machine Learning) sıfır-bilik sübutunu maşın öyrənməyə tətbiq edən texnologiyadır. Sıfır bilik sübutları (Zero-Knowledge Proofs, ZKP) yəni sübut edən (prover) xüsusi məlumatları açıqlamadan yoxlayanı (verifier) məlumatın həqiqiliyinə inandıra bilər.

Nəzəri nümunə ilə izah edək. 9×9 standart sudoku var: şərt budur ki, doqquz 9-lu kvadratda 1-dən 9-a qədər rəqəmlər doldurulmalıdır və hər rəqəm hər sətirdə, hər sütunda və hər doqquzlu kvadratda yalnız bir dəfə görünməlidir. Bəs bu tapmacanı quran şəxs, həllini sızdırmadan bu sudoku-nun tək həlli olduğunu meydan oxuyan tərəfə necə sübut edə bilər?

Sadəcə doldurulan hissədə cavabları örtün, sonra təsadüfi olaraq çətinləşdirən tərəf bir neçə sətri və ya sütunu seçsin. Bütün rəqəmlərin sırasını qarışdırın və onların 1-dən 9-a qədər olub-olmadığını yoxlayın. Bu, sadə bir sıfır bilik sübutunun nümunəsidir.

Sıfır bilik sübutu texnologiyası üç əsas xüsusiyyətə malikdir: kamillik (completeness), düzgünlük (soundness/correctness) və sıfır-biliklilik (zero-knowledge). Yəni həm nəticəni sübut edir, həm də heç bir detalı açıqlamağı tələb etmir. Texnologiyanın mənbəyi də sadəliyi nümayiş etdirə bilər: homomorfik şifrələmə kontekstində sübutun yaradılma çətinliyi ilə müqayisədə doğrulamanın çətinliyi xeyli aşağıdır.

Maşın öyrənmə (Machine Learning) isə alqoritmlər və modellərdən istifadə edərək kompüter sisteminin məlumatlardan öyrənməsini və təkmilləşməsini təmin edir. Təcrübədən avtomatlaşdırılmış şəkildə öyrənmə sistemə verilən məlumat və model əsasında proqnoz, təsnifat, klasterləşdirmə və optimallaşdırma kimi tapşırıqları avtomatik yerinə yetirməyə imkan verir.

Maşın öyrənməsinin əsası modeli qurmaqdır. Bu modellər məlumatdan öyrənə və avtomatik olaraq proqnoz verməklə qərar qəbul edə bilir. Adətən bu modellərin qurulması üçün üç əsas element lazımdır: data set (məlumat toplusu), alqoritm və modelin qiymətləndirilməsi. Məlumat toplusu maşın öyrənmənin əsasını təşkil edir və təlim və test üçün istifadə olunan məlumat nümunələrini ehtiva edir. Alqoritm maşın öyrənmə modelinin əsas nüvəsidir: modelin məlumatdan necə öyrənəcəyini və necə proqnoz verəcəyini müəyyən edir. Model qiymətləndirmə maşın öyrənmədə mühüm mərhələdir: modelin performansını və dəqiqliyini ölçür və optimallaşdırma və təkmilləşdirmə tələb olunub-olunmayacağını müəyyən edir.

Ənənəvi maşın öyrənmədə data set-lərin çox vaxt təlim üçün mərkəzləşdirilmiş bir yerə toplanması lazımdır. Bu o deməkdir ki, məlumat sahibi məlumatı üçüncü tərəfə paylaşmalıdır; bu isə məlumat sızması və ya məxfilik sızması risklərinə səbəb ola bilər. ZKML-dən istifadə etməklə isə məlumat sahibi məlumatı açıqlamadan data set-i başqaları ilə paylaşa bilər — bunu sıfır bilik sübutlarından istifadə etməklə əldə etmək olur.

Sıfır bilik sübutu (zero-knowledge proof) maşın öyrənməyə tətbiq olunarsa, təsiri qabaqcadan gözlənilə bilən olmalıdır. Bu, çoxdan bəri bizi narahat edən məxfilik “qara qutusu” və məlumat inhisarı problemini həll edir: layihə tərəfi istifadəçi məlumatlarının girişini və ya modelin konkret detallarını açıqlamadan sübutu və doğrulamanı başa çatdıra bilərmi? Hər bir kollektiv öz məlumatını və ya modelini paylaşaraq ondan istifadə edə bilərmi, məxfilik məlumatlarını isə sızdırmadan? Əlbəttə, hazırda texnologiya hələ yenidir, praktika zamanı çoxlu problemlər olacaq. Amma bu, bizim xəyal etməyimizə mane olmur; üstəlik artıq bir çox komanda bunu inkişaf etdirir.

Bu vəziyyət kiçik database-lərin böyük database-lər tərəfindən “pulsuz oğurlanması” (bəyənmədən faydalanma) ilə nəticələnə bilərmi? İdarəetmə problemi barədə düşünəndə yenə Web3 düşüncəsinə qayıdırıq: Crypto-nun mahiyyəti idarəetmədir. İstər geniş istifadədən, istər paylaşmadan, hər bir halda düzgün səviyyədə təşviq (motivasiya) təmin edilməlidir. İstər əvvəlki Pow, PoS mexanizmləri ilə, istərsə də yeni yaranan müxtəlif PoR-lər (reputasiya sübutu mexanizmi) ilə — hamısı təşviq effektinə zəmanət vermək üçündür.

Paylanmış hesablama gücü: yalanlar və gerçəklik arasında toxunan innovativ rəvayət

Mərkəzləşdirilməmiş hesablama gücü şəbəkəsi kripto dairələrində daim tez-tez gündəmə gətirilən məşhur bir ssenaridir. Axı AI böyük modelləri üçün tələb olunan hesablama gücü inanılmaz dərəcədə yüksəkdir və mərkəzləşdirilmiş hesablama gücü şəbəkələri təkcə resurs israfına yox, həm də real inhisara gətirib çıxara bilər — əgər sonda yarış GPU-ların sayı ilə ölçüləcəksə, bu, heç də maraqlı olmaz.

Mərkəzləşdirilməmiş hesablama gücü şəbəkəsinin mahiyyəti — müxtəlif məkanlarda, müxtəlif cihazlarda dağılmış hesablama resurslarını birləşdirməkdir. Hamının tez-tez vurğuladığı əsas üstünlüklər bunlardır: paylanmış hesablama gücü təqdim etmək, məxfilik problemlərini həll etmək, AI modelinin etibarlılığını və dayanıqlığını artırmaq, müxtəlif tətbiq ssenariləri üzrə sürətli yerləşdirmə və icranı dəstəkləmək, eləcə də mərkəzləşdirilməmiş məlumat saxlanması və idarəetmə həlləri təklif etmək. Bəli, mərkəzləşdirilməmiş hesablama gücü sayəsində istənilən kəs AI modelini işlədə və qlobal istifadəçilərin real zəncir məlumat bazasında olan datasetlər üzərində sınaq keçirə bilər; beləliklə daha çevik, daha səmərəli və daha ucuz hesablama xidmətindən faydalanmaq mümkün olur.

Eyni zamanda, mərkəzləşdirilməmiş hesablama gücü güclü bir çərçivə yaratmaqla məxfilik problemlərini həll edə bilər: istifadəçi məlumatlarının təhlükəsizliyini və məxfiliyini qoruyur. Həm də şəffaf və yoxlana bilən hesablama prosesləri təqdim edir, bununla da AI modelinin etibarlılığını və dayanıqlığını artırır; müxtəlif tətbiq ssenariləri üçün isə sürətli yerləşdirmə və işə salma zamanı çevik, genişlənə bilən hesablama resursları təmin edir.

Mərkəzləşdirilmiş hesablama gücünün tam prosesi ilə model təliminə baxsaq, addımlar adətən belə olur: məlumat hazırlığı, məlumatın bölünməsi, cihazlar arasında məlumat ötürülməsi, paralel təlim, qradientlərin (təlim siqnallarının) aqreqasiyası, parametr yenilənməsi, sinxronizasiya və yenidən təlim. Bu prosesdə, hətta yüksək performanslı hesablama cihazları qrupundan ibarət mərkəzləşdirilmiş data mərkəzindən istifadə edib yüksək sürətli şəbəkə ilə hesablama tapşırıqlarını paylaşsa da, yüksək rabitə xərci mərkəzləşdirilməmiş hesablama gücü şəbəkəsinin əsas məhdudiyyətlərindən biri olur.

Ona görə də, mərkəzləşdirilməmiş hesablama gücü şəbəkəsi çoxlu üstünlüklərə və potensiala malik olsa da, hazırkı rabitə xərcləri və real icra çətinliklərinə görə inkişaf yolu hələ də əyridir. Praktikada mərkəzləşdirilməmiş hesablama gücü şəbəkəsi qurmaq üçün çoxlu real texniki problemləri aradan qaldırmaq lazımdır: istər nodların etibarlılığı və təhlükəsizliyini necə təmin etmək, istər dağıdılmış hesablama resurslarını necə səmərəli idarə etmək və planlamaq, istərsə də necə effektiv məlumat ötürülməsi və kommunikasiya həyata keçirmək və s. — yəqin ki, bütün bunlar realda qarşılaşdığımız böyük məsələlərdir.

Quyruq: idealistlərin gözlədiyi ümid

Ticarət reallığına qayıdaq: AI-nin Web3 ilə dərin inteqrasiyası ssenarisi elə gözəl görünür. Amma kapital və istifadəçilər isə daha çox real addımları ilə bizə deyir ki, bu, şübhəsiz ki, qeyri-adi dərəcədə çətin bir innovasiya səyahətidir. Layihə tərəfi OpenAI kimi, güclü özündə gücün yanında, həm də güclü bir maliyyə sponsoru (mütləq bir “cash cow”) qucaqlaya bilməsə, görünməz dərinlikdə olan R&D xərcləri və hələ də aydın olmayan biznes modeli bizi tamamilə əzəcək.

İstər AI, istər Web3 olsun, hazırda bunlar hələ çox erkən inkişaf mərhələsindədir. Axır əsrin sonundakı internet “köpüyü”nə bənzər şəkildə: təxminən son on ilə qədər həqiqi qızıl dövrə girmədi. Makkarti bir tətil müddətində insan zəkanı olan bir süni intellekt dizayn etməyi xəyal edirdi, amma biz süni intellektin əsas addımını əslində təxminən yetmiş ilə yaxın müddət keçəndən sonra atdıq.

Web3+AI də eyni cürdür: biz irəliləmə istiqamətinin düzgünlüyünü artıq müəyyən etmişik, qalanını isə vaxta buraxırıq.

Vaxtın dalğaları tədricən çəkiləndə, sarsılmaz qalan insanları və əşyaları görürük; bunlar da bizi elmi-fantastikadan gerçəyə aparan bünövrədir.