Autor: Turbo Guo Čtenář: Mandy, Joshua

Kernel Ventures je výzkumný a vývojářský komunitou řízený krypto VC fond s více než 70 investicemi v rané fázi se zaměřením na infrastrukturu, middleware, dApps, zejména ZK, Rollup, DEX, modulární blockchain a vertikály, které začlení další miliardu uživatelů do kryptoměn. jako je abstrakce účtů, dostupnost dat, škálovatelnost atd. Za posledních sedm let jsme se zavázali podporovat růst klíčových vývojářských komunit a univerzitních blockchainových asociací po celém světě.

Shrnutí:

Společnost Modulus Labs implementuje ověřitelnou umělou inteligenci prováděním výpočtů strojového učení mimo řetězec a generováním ZKP pro volání inference umělé inteligence. Tento článek znovu zkoumá jejich přístup z aplikačního hlediska a analyzuje, ve kterých scénářích je naléhavá potřeba a ve kterých je poptávka slabší. Nakonec jsou zkoumány dva typy architektury aplikací umělé inteligence postavených na veřejných blockchainech – horizontální a vertikální. Hlavní probíraná témata jsou následující:

  1. Potřeba ověřitelné umělé inteligence závisí na tom, zda umělá inteligence spouští změny stavu v řetězci a zda zahrnuje férovost a soukromí.

    1. Pokud umělá inteligence neovlivňuje stav sítě v řetězci, může sloužit jako poradce. Lidé mohou posoudit kvalitu služeb umělé inteligence na základě jejich skutečných účinků, aniž by museli ověřovat výpočetní proces.

    2. Pokud umělá inteligence ovlivní stav sítě v řetězci a nabízená služba je personalizovaná a nemá problémy s ochranou soukromí, mohou uživatelé stále přímo posoudit kvalitu služeb umělé inteligence, aniž by museli zkoumat výpočetní proces.

    3. Pokud výstupy umělé inteligence přímo ovlivňují spravedlnost mezi více stranami a soukromí osob, jako je hodnocení členů komunity a přidělování odměn nebo zahrnutí biologických dat, je nutné ověřit výpočet strojového učení.

  2. Vertikální architektura aplikací umělé inteligence: Vzhledem k tomu, že jedním koncem ověřitelné umělé inteligence jsou chytré smlouvy, ověřitelné aplikace umělé inteligence a dokonce i umělá inteligence a nativní dAppy mohou být schopny vzájemně interagovat bez důvěryhodnosti. Jedná se o potenciálně interoperabilní ekosystém aplikací umělé inteligence.

  3. Horizontální architektura aplikací umělé inteligence: Systém veřejného řetězce dokáže zpracovávat platby, koordinaci sporů, porovnávání potřeb uživatelů a obsah služeb pro poskytovatele služeb umělé inteligence, což uživatelům umožňuje decentralizované služby umělé inteligence s větší svobodou.

Část 1: Úvod do Modulus Labs a příklady aplikací

1.1 Úvod a základní řešení

Modulus Labs je společnost zabývající se umělou inteligencí „v řetězci“, která věří, že umělá inteligence může výrazně vylepšit možnosti chytrých smluv a zefektivnit aplikace Web3. Při aplikaci umělé inteligence na Web3 však existuje konflikt: umělá inteligence vyžaduje velký výpočetní výkon, zatímco umělá inteligence mimo řetězec je černá skříňka, což neodpovídá ideologii decentralizace a ověřitelnosti Web3.

Společnost Modulus Labs proto zaujímá přístup ZK-rollupů a navrhuje architekturu pro ověřitelnou umělou inteligenci: modely strojového učení běžící mimo řetězec, kde jsou ZKP generovány mimo řetězec pro výpočet strojového učení. Tyto ZKP lze použít k ověření architektury modelu, vah a vstupů mimo řetězec; stejně jako je lze publikovat v řetězci pro ověření pomocí chytrých smluv. Dosažením ověřitelnosti může nyní umělá inteligence interagovat s on-chain smlouvami nedůvěryhodnějším způsobem.

Na základě myšlenky ověřitelné umělé inteligence spustila společnost Modulus Labs dosud tři aplikace „on-chain umělé inteligence“ a navrhla mnoho potenciálních scénářů použití.

1.2 Příklady použití

Prvním z nich je automatizovaná obchodní umělá inteligence „Rocky bot“. Rocky je trénován na historických datech z obchodního páru WETH/USDC. Na základě historických dat předpovídá budoucí trendy WETH a činí obchodní rozhodnutí. Poté generuje ZKP pro rozhodovací proces (výpočetní proces) a odesílá informace do L1 kontraktů pro spuštění transakce.

Druhým je šachová hra „Leela vs. the World“ v řetězci. Hráči jsou umělá inteligence a lidé a stav šachové hry je uložen ve smlouvě. Hráči provádějí tahy interakcí s kontraktem prostřednictvím své peněženky. Umělá inteligence přečte nový stav hry, vyhodnotí situaci a vygeneruje ZKP pro celý výpočetní proces. Tyto kroky se dokončují v cloudu AWS, zatímco ZKP je ověřen kontraktem v řetězci. Pokud je ověření úspěšné, je volána smlouva šachové hry, aby „provedla tah“.

Třetím je on-chainový umělec s umělou inteligencí, který „spustil“ sérii NFT zkMon. Klíčové je, že umělá inteligence generuje NFT a publikuje je on-chain, a zároveň generuje ZKP. Uživatelé mohou pomocí ZKP ověřit, zda jejich NFT byl vygenerován z odpovídajícího modelu umělé inteligence.

Kromě toho společnost Modulus Labs zmínila i některé další případy použití:

  • Používejte umělou inteligenci k vyhodnocení osobních dat v řetězci a dalších informací za účelem generování osobních hodnocení reputace a publikování ZKP, které si uživatelé mohou ověřit.

  • Používejte umělou inteligenci k optimalizaci výkonu AMM a publikování ZKP pro ověření uživateli.

  • Využívejte ověřitelnou umělou inteligenci, která pomůže projektům na ochranu soukromí reagovat na regulační tlaky, aniž by byla vystavena rizikům soukromí (možná pomocí strojového učení k prokázání, že transakce nesouvisí s praním špinavých peněz, aniž by byla odhalena adresa uživatele a další informace).

  • Věštec umělé inteligence a zároveň zveřejňuje ZKP pro všechny, aby si ověřil spolehlivost dat mimo řetězec.

  • Soutěž v modelování umělé inteligence: soutěžící předkládají vlastní architektury a váhy, spouštějí modely s jednotnými testovacími vstupy, generují ZKP pro výpočet a nakonec smlouva automaticky odešle odměny vítězi.

  • Worldcoin tvrdil, že v budoucnu si uživatelé možná budou moci stáhnout model na svá lokální zařízení, který generuje odpovídající kód duhovky z lidské duhovky. Model běží lokálně a generuje ZKP. On-chain kontrakt tak může použít ZKP k ověření, zda byl kód duhovky uživatele vygenerován ze správného modelu s rozumnými údaji o duhovce, a zároveň zachovat biometrické informace na vlastním zařízení uživatele.

Zdroj：Modulus Labs

1.3 Diskuse o různých případech použití na základě potřeby ověřitelné umělé inteligence

1.3.1 Případy užití, které nemusí vyžadovat ověřitelnou umělou inteligenci

V scénáři Rockyho Bota uživatelé nemusí ověřovat proces výpočtu strojového učení.

Zaprvé, uživatelům chybí odborné znalosti a jsou naprosto neschopní provést skutečné ověření. I s ověřovacími nástroji uživatelé uvidí pouze to, že stiskli tlačítko, a vyskakovací okno jim sdělí, že služba umělé inteligence byla skutečně vygenerována určitým modelem. Nevědí, zda je to v zákulisí pravda.

Za druhé, uživatelé nemají potřebu ověřovat, protože si cení návratnosti investic do umělé inteligence (ROI). Pokud je návratnost investic nízká, uživatelé migrují, protože si vždy vyberou model s nejlepšími výsledky. Stručně řečeno, pokud uživatelům záleží na konečném výsledku umělé inteligence, ověřování procesu může být bezvýznamné, protože uživatelům stačí migrovat pouze na službu s nejlepšími výsledky.

Jedním z možných řešení je, aby umělá inteligence fungovala pouze jako poradce, zatímco uživatelé prováděli obchody samostatně. Poté, co uživatelé zadají své obchodní cíle do umělé inteligence, ta je vypočítá mimo řetězec a vrátí nejlepší obchodní cestu/směr uživatelům, kteří nemusí ověřovat podkladový model, protože si stačí vybrat produkt s nejvyššími výnosy.

Potenciálně nebezpečná, ale velmi pravděpodobná situace nastává, když jednotlivci projevují naprostou lhostejnost ke správě vlastního majetku a necení si výpočetního procesu umělé inteligence. Když se objeví automatizovaný robot pro vydělávání peněz, lidé mohou být ochotni do něj vkládat peníze, stejně jako vkládají tokeny na burzu CEX nebo do tradiční banky pro správu majetku. Protože lidi nezajímá mechanismus, který za tím stojí, zajímá je pouze to, kolik zisku nakonec získají, nebo dokonce jen to, kolik zisku projekt tvrdí, že vydělal. Tento druh služby může také rychle získat velký počet uživatelů a dokonce iterovat rychleji než projekty využívající ověřitelnou umělou inteligenci.

Pokud se umělá inteligence vůbec nepodílí na spouštění změn stavu v řetězci a pouze načítá data v řetězci a předzpracovává je pro uživatele, pak také není nutné generovat ZKP pro výpočet. Tento typ aplikace můžeme nazvat „datovou službou“, zde je několik příkladů:

  • Chatbox poskytovaný společností Mest je typická datová služba. Uživatelé se mohou prostřednictvím QA dotazovat na svá data v řetězci, například se zeptat, kolik utratili za NFT.

  • ChainGPT je multifunkční asistent s umělou inteligencí. Dokáže pro vás interpretovat chytré smlouvy před obchodováním a odhalit, zda obchodujete ve správném poolu a zda je transakce náchylná k front-runningu. ChainGPT také plánuje nabízet služby, jako jsou doporučování zpráv o umělé inteligenci a publikování AIGC NFT.

  • RSS3 poskytuje AIOP, což uživatelům umožňuje vybrat si, jaká data v řetězci potřebují, a provést určité předzpracování, což usnadňuje trénování umělé inteligence na základě specifických dat v řetězci.

  • DefiLlama i RSS3 mají pluginy ChatGPT, takže uživatelé mohou získávat data v řetězci prostřednictvím konverzace.

1.3.2 Případy užití vyžadující ověřitelnou umělou inteligenci

Tento článek tvrdí, že scénáře zahrnující férovost a soukromí více stran vyžadují pro ověření ZKP. Probereme některé z aplikací zmíněných společností Modulus Labs:

  • Když komunita rozděluje odměny na základě reputace jednotlivců generované umělou inteligencí, členové komunity budou jistě vyžadovat audit procesu hodnocení, kterým je v tomto případě výpočet strojového učení.

  • V scénáři optimalizace AMM pomocí umělé inteligence, který zahrnuje rozdělení výhod mezi více stran, je třeba proces výpočtu prováděný umělou inteligencí pravidelně ověřovat.

  • Při vyvažování soukromí a regulace je ZK jedním z lepších řešení. Pokud aplikace používá ML ke zpracování soukromých dat ve službě, je potřeba ZKP pro výpočet ML.

  • Vzhledem k širokému dopadu Oracle, pokud je poháněn umělou inteligencí, je nutné pravidelně generovat ZKP, aby se ověřilo, zda umělá inteligence funguje správně.

  • V soutěžích musí veřejnost a ostatní účastníci ověřit, zda algoritmy strojového učení splňují specifikace soutěže.

  • V potenciálním případě použití Worldcoinu je silně nutné zajistit, aby model strojového učení byl používán způsobem, který chrání soukromí jednotlivců.

Celkově vzato, to, zda umělá inteligence spouští změny stavu v řetězci a zda ovlivňuje férovost/soukromí, jsou dvě kritéria pro určení, zda je potřeba ověřitelná umělá inteligence.

Pokud umělá inteligence nespouští změny stavu v řetězci, může služba umělé inteligence fungovat jako sugestivní nástroj a lidé mohou posoudit kvalitu služby umělé inteligence na základě účinku sugestivní funkce, aniž by bylo nutné ověřovat výpočetní proces.

Pokud umělá inteligence spouští změny stavu v řetězci a pokud je služba určena pouze pro jednotlivce a nezahrnuje osobní soukromí, pak mohou uživatelé stále posoudit kvalitu služby umělé inteligence, aniž by ověřovali proces výpočtu;

Pokud výstup umělé inteligence přímo ovlivňuje spravedlnost mezi různými paritami a umělá inteligence spouští změny stavu v řetězci, pak by komunita a veřejnost měly mít potřebu kontrolovat rozhodovací proces umělé inteligence;

Pokud se data zpracovávaná společností ML týkají osobního soukromí, pak je pro ZK jednoznačně nutné chránit soukromí a reagovat na regulační požadavky.

Zdroj：Kernel Ventures

Část 2: Dva typy architektur aplikací umělé inteligence založené na veřejných blockchainech

Řešení navržené společností Modulus Labs je v každém případě skvělou inspirací pro to, jak lze umělou inteligenci kombinovat s blockchainem a generovat praktickou aplikační hodnotu. Veřejný blockchain však nejenže zvyšuje schopnosti jednotlivých služeb umělé inteligence, ale má také potenciál vybudovat nový ekosystém aplikací umělé inteligence. Tento nově vznikající ekosystém zavádí odlišné paradigma pro interakce mezi službami umělé inteligence, vztahy mezi službami umělé inteligence a uživateli a také podporuje dynamiku spolupráce mezi subjekty v předcházejícím a následném vývoji. Tento ekosystém aplikací umělé inteligence můžeme rozdělit do dvou hlavních typů: vertikální a horizontální architektury.

2.1 Vertikální architektura: Zaměření na kompozibilní umělou inteligenci

Online šachová hra „Leela vs. the World“ má unikátní aspekt, v němž si lidé mohou sázet na lidského hráče nebo na umělou inteligenci, přičemž tokeny jsou po hře automaticky rozdělovány na základě výsledků. Účelem ZKP zde není jen ověřování výpočtů umělé inteligence uživateli, ale také slouží jako záruka důvěryhodnosti pro spouštění změn stavu v řetězci. Díky této záruce důvěryhodnosti je na úrovni dApp možná kompatibilita mezi službami umělé inteligence a mezi umělou inteligencí a nativními kryptoměnovými dApp.

Zdroj：Kernel Ventures (na základě modelu od Modulus Labs)

Základní jednotkou kompozibilní umělé inteligence je [model ML mimo řetězec - generování ZKP - ověřovací smlouva na řetězci - hlavní smlouva], která pochází z frameworku „Leela vs. the World“, ačkoli skutečná architektura jednotlivých dAppů umělé inteligence se může od diagramu lišit.

Zaprvé, šachové hry vyžadují smlouvu pro sledování stavu hry, ale ve skutečnosti umělá inteligence nemusí smlouvu v řetězci potřebovat. Pro architekturu kompozibilní umělé inteligence však může být pro ostatní dAppy pohodlnější se s ní integrovat, pokud se hlavní aktivita odehrává v rámci smlouvy.

Za druhé, hlavní smlouva nemusí nutně ovlivňovat její model strojového učení. Model strojového učení AI dApp stačí spustit smlouvu související s její vlastní akcí a tato smlouva je poté volána ostatními dApp.

Volání smluv mezi dApps umožňuje kompatibilitu mezi různými Web3 aplikacemi, včetně identity, správy aktiv, finančních služeb a dokonce i sociálních informací. Můžeme si představit specifickou kombinaci aplikací umělé inteligence:

  • Worldcoin používá strojové učení (ML) k generování kódu duhovky pro jednotlivá data duhovky a k vygenerování ZKP.

  • Aplikace s umělou inteligencí pro hodnocení reputace nejprve ověří, zda je uživatel skutečná osoba (na základě dat oční duhovky), a poté přiřadí NFT na základě reputace v řetězci.

  • Půjčovací služba upravuje výši půjčky na základě NFT držených uživatelem.

  • ...

I když interakce umělé inteligence na veřejném blockchainu nejsou žádnou novinkou, přispěvatel ekosystému Realms, Loaf, navrhl, aby NPC postavy umělé inteligence mohly obchodovat s hráči a mezi sebou navzájem, což by umožnilo celému ekonomickému systému samooptimalizovat se a automaticky fungovat. AI Arena vyvinula hru, kde umělé inteligence automaticky bojují mezi sebou. Uživatelé si nejprve zakoupí NFT představující bojového robota, podpořeného modelem umělé inteligence. Uživatelé hrají hru sami, poskytují data, ze kterých se umělá inteligence může učit, a když jsou připravena, nasadí je do boje s jinými umělými inteligencemi. Modulus Labs uvedl, že AI Arena chce tyto umělé inteligence učinit ověřitelnými. V obou případech vidíme potenciál pro umělé inteligence k interakci a přímé změně stavu na blockchainu.

Mnoho detailů týkajících se implementace komponovatelné umělé inteligence v praxi je však stále třeba doladit, například jak mohou různé dApps vzájemně využívat ZKP a ověřovací smlouvy ostatních. Vzhledem k množství inovací v oblasti nulových znalostí, například k práci RISC Zero na komplexních off-chain výpočtech a generování ZKP pro on-chain ověřování, by se však brzy mohla objevit vhodná řešení.

2.2 Horizontální architektura: Zaměření na decentralizované platformy umělé inteligence

Zde představujeme decentralizovanou platformu umělé inteligence s názvem SAKSHI, kterou navrhli výzkumníci z Princetonu, Tsinghua University, University of Illinois Urbana-Champaign, HKUST, Witness Chain a Eigen Layer. Jejím hlavním cílem je umožnit uživatelům získávat služby umělé inteligence decentralizovanějším způsobem, čímž se celý proces stane méně důvěryhodným a automatizovaným.

Zdroj：SAKSHI

SAKSHI se skládá ze šesti vrstev: vrstvy služeb, řídicí vrstvy, transakční vrstvy, důkazní vrstvy, ekonomické vrstvy a tržiště.

Tržiště je vrstva nejblíže uživatelům. Uživatelé zadávají objednávky prostřednictvím agregátorů a podepisují dohody o kvalitě služeb a cenách (SLA - service level agreement).

Servisní vrstva poté poskytne klientovi API, které odešle agregátoru požadavek na inferenci ML. Tento požadavek je předán odpovídajícímu serveru dodavatele pomocí routeru nasazeného jako součást řídicí vrstvy. Servisní a řídicí vrstva se tedy podobají službě Web2 s více servery, ale každý server je provozován jinou entitou, která je s agregátorem spojena prostřednictvím dříve podepsaných SLA.

SLA jsou nasazovány v řetězci jako chytré smlouvy a patří do transakční vrstvy (v SAKSHI se označuje jako Witness Chain). Transakční vrstva také zaznamenává aktuální stav každé objednávky služby a používá se ke koordinaci uživatelů, agregátorů a poskytovatelů služeb a k řešení platebních sporů.

Aby poskytla základ pro řešení sporů, vrstva důkazů (Proof Layer) ověřuje, zda poskytovatelé služeb dodržují SLA, a to zkoumáním použitých modelů. Namísto generování ZKP pro výpočty ML však SAKSHI navrhuje optimistický přístup – vytvoření uzlů challenger pro audit služeb, k čemuž motivuje systém Witness Chain.

Přestože SLA a síť Challenger jsou součástí sítě Witness Chain, návrh SAKSHI neplánuje využít nativní token Witness Chain jako pobídku k dosažení nezávislého zabezpečení. Místo toho využívá zabezpečení Etherea prostřednictvím vlastní vrstvy (Eigen Layer). Celá ekonomická vrstva se tedy v podstatě spoléhá na vlastní vrstvu (Eigen Layer).

Můžeme si představit, že SAKSHI funguje jako prostředník mezi poskytovateli a uživateli umělé inteligence a decentralizovaným způsobem sdružuje různé umělé inteligence, aby sloužily svým uživatelům. Jedná se spíše o horizontální přístup. SAKSHI se zaměřuje na to, aby poskytovatelé umělé inteligence mohli spravovat pouze výpočty svých modelů mimo řetězec, zatímco potřeby uživatelů se přizpůsobují modelovým službám, zpracovávají platby a ověřují kvalitu služeb prostřednictvím protokolů v řetězci automatizovanějším způsobem. Vzhledem k tomu, že SAKSHI je stále v teoretické rovině, je třeba doladit řadu implementačních detailů.

Část 3: Výhled do budoucna

Ať už se jedná o kompozibilní umělou inteligenci nebo decentralizované platformy umělé inteligence, zdá se, že vzorce ekosystémů umělé inteligence založené na blockchainu mají společné rysy – poskytovatelé umělé inteligence mohou komunikovat přímo s uživateli a pouze poskytovat modely strojového učení pro výpočty mimo řetězec. Platby, řešení sporů a propojování potřeb uživatelů se službami lze zpracovávat pomocí protokolů bez důvěry. Jako základní vrstva bez důvěry blockchain snižuje tření mezi poskytovateli a uživateli a dává uživatelům větší autonomii.

I když jsou výhody použití blockchainu jako základní vrstvy dobře známy, je skutečně vhodný pro služby umělé inteligence. Na rozdíl od decentralizovaných aplikací (dApps) nemohou být výpočty aplikací umělé inteligence prováděny pouze v rámci řetězce, takže pro integraci služeb umělé inteligence bez důvěryhodnosti je zapotřebí ZK nebo optimistický přístup.

Díky vylepšením, jako je abstrakce účtů pro lepší uživatelský zážitek, si prvky jako správa soukromých klíčů, řetězce a plyn nemusí být všimnuty. Díky plynulému zážitku připomínajícímu Web2 UX, mnohem větší míře volnosti a kompozovatelnosti, které poskytují silné pobídky pro masové přijetí, mají ekosystémy aplikací umělé inteligence založené na blockchainu před sebou vzrušující budoucnost.

ODKAZ

  • Kapitola 1: Jak umístit svou AI na řetězec：https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b

  • Kapitola 4: Blockchainy, které se samy zlepšují：https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36

  • Kapitola 6: První hra s umělou inteligencí na světě založená na řetězci：https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6

  • ÚVOD DO STROJOVÉHO UČENÍ S NULOVÝMI ZNALOSTMI (ZKML)：https://worldcoin.org/blog/engineering/intro-to-zkml#zkml-use-cases

  • Důkaz s nulovými znalostmi: Aplikace a případy užití：https://blog.chain.link/zero-knowledge-proof-use-cases/

  • SAKSHI: Decentralizované platformy umělé inteligence：https://arxiv.org/pdf/2307.16562.pdf

  • Zlatíčko, zmenšil jsem důkaz: Povolení ověřování na řetězci pro RISC Zero a Bonsai：https://www.risczero.com/news/on-chain-verification

  • Dialog se zakladatelem nadace Nil: Technologie ZK může být zneužita a veřejná sledovatelnost není původním záměrem šifrování: https://www.techflowpost.com/article/detail_12647.html

  • Týdenní přehled IOSG | Zažehnutí jiskry blockchainu: LLM otevírá nové možnosti interakce s blockchainem#187https://mp.weixin.qq.com/s/sVIBF6iPXwhamlKEvjH19Q