Autor: Turbo Guo Leser: Mandy, Joshua

Kernel Ventures ist ein von der Forschungs- und Entwicklungscommunity betriebener Krypto-VC-Fonds mit über 70 Investitionen in der Frühphase, der sich auf Infrastruktur, Middleware, dApps (insbesondere ZK, Rollup, DEX, Modular Blockchain) und vertikale Bereiche konzentriert, die die nächste Milliarde Benutzer in Krypto einbinden werden, wie z. B. Kontoabstraktion, Datenverfügbarkeit, Skalierbarkeit usw. In den letzten sieben Jahren haben wir uns dazu verpflichtet, das Wachstum von Kernentwicklercommunities und universitären Blockchain-Verbänden auf der ganzen Welt zu unterstützen.

TLDR:

Modulus Labs implementiert verifizierbare KI, indem es ML-Berechnungen außerhalb der Blockchain ausführt und ZKPs für KI-Inferenzaufrufe generiert. Dieser Artikel untersucht ihren Ansatz aus Anwendungsperspektive und analysiert, in welchen Szenarien ein dringender Bedarf besteht und in welchen Szenarien die Nachfrage schwächer ist. Abschließend werden zwei Architekturtypen von KI-Anwendungen untersucht, die auf öffentlichen Blockchains basieren – horizontal und vertikal. Die wichtigsten behandelten Themen sind die folgenden:

1. Die Notwendigkeit einer überprüfbaren KI hängt davon ab, ob KI Zustandsänderungen in der Kette auslöst und ob dabei Fairness und Datenschutz im Vordergrund stehen.

   1. Wenn KI den On-Chain-Zustand nicht beeinflusst, kann sie als Berater dienen. Menschen können die Qualität von KI-Diensten anhand ihrer tatsächlichen Auswirkungen beurteilen, ohne den Berechnungsprozess überprüfen zu müssen.

   2. Wenn KI den On-Chain-Zustand beeinflusst, können Benutzer die Qualität von KI-Diensten immer noch direkt beurteilen, ohne den Berechnungsprozess zu untersuchen, sofern der angebotene Dienst personalisiert ist und keine Datenschutzprobleme aufweist.

   3. Wenn KI-Ergebnisse die Fairness zwischen mehreren Parteien und die Privatsphäre direkt beeinflussen (wie etwa bei der Bewertung von Community-Mitgliedern und der Zuteilung von Belohnungen oder bei der Einbeziehung biologischer Daten), muss die ML-Berechnung überprüft werden.

2. Vertikale KI-Anwendungsarchitektur: Da ein Ende der verifizierbaren KI Smart Contracts sind, können verifizierbare KI-Anwendungen und sogar KI und native dApps möglicherweise auf vertrauenslose Weise miteinander interagieren. Dies ist ein potenziell interoperables KI-Anwendungsökosystem.

3. Horizontale KI-Anwendungsarchitektur: Das öffentliche Kettensystem kann Zahlungen, Streitbeilegung sowie die Abstimmung von Benutzeranforderungen und Serviceinhalten für KI-Dienstanbieter abwickeln, sodass Benutzer dezentrale KI-Dienste mit größerer Freiheit nutzen können.

Teil 1: Einführung in Modulus Labs und Anwendungsbeispiele

1.1 Einführung und Kernlösungen

Modulus Labs ist ein „On-Chain“-KI-Unternehmen, das davon überzeugt ist, dass KI die Fähigkeiten von Smart Contracts erheblich verbessern und Web3-Anwendungen leistungsfähiger machen kann. Bei der Anwendung von KI auf Web3 gibt es jedoch Konflikte: KI erfordert viel Rechenleistung, während Off-Chain-KI eine Blackbox ist, die nicht mit der Ideologie der Dezentralisierung und Überprüfbarkeit von Web3 übereinstimmt.

Daher greift Modulus Labs den Ansatz der ZK-Rollups auf und schlägt eine Architektur für verifizierbare KI vor: ML-Modelle werden außerhalb der Kette ausgeführt, wobei ZKPs außerhalb der Kette für die ML-Berechnung generiert werden. Diese ZKPs können verwendet werden, um die Modellarchitektur, Gewichte und Eingaben außerhalb der Kette zu verifizieren; außerdem können sie zur Verifizierung durch Smart Contracts in der Kette veröffentlicht werden. Durch die Verifizierbarkeit kann KI nun auf eine vertrauenslosere Weise mit Verträgen in der Kette interagieren.

Basierend auf der Idee einer verifizierbaren KI hat Modulus Labs bisher drei „On-Chain-KI“-Anwendungen auf den Markt gebracht und viele potenzielle Anwendungsszenarien vorgeschlagen.

1.2 Anwendungsbeispiele

Das erste ist eine automatisierte Handels-KI „Rocky Bot“. Rocky wird anhand historischer Daten des Handelspaares WETH/USDC trainiert. Er prognostiziert zukünftige Trends von WETH auf der Grundlage historischer Daten und trifft Handelsentscheidungen. Anschließend generiert er einen ZKP für den Entscheidungsprozess (Berechnungsprozess) und sendet die Informationen an L1-Verträge, um Transaktionen auszulösen.

Das zweite ist ein On-Chain-Schachspiel „Leela vs. the World“. Die Spieler sind KI und Menschen, und der Schachspielstatus wird in einem Vertrag gespeichert. Die Spieler machen Züge, indem sie über ihre Brieftasche mit dem Vertrag interagieren. Die KI liest den neuen Spielstatus, fällt Urteile und generiert einen ZKP für den gesamten Berechnungsprozess. Diese Schritte werden in der AWS-Cloud abgeschlossen, während der ZKP durch einen On-Chain-Vertrag verifiziert wird. Wenn die Verifizierung erfolgreich ist, wird der Schachspielvertrag aufgerufen, um „einen Zug zu machen“.

Der dritte ist ein On-Chain-KI-Künstler, der die zkMon-NFT-Serie „gestartet“ hat. Der Schlüssel ist, dass KI NFTs generiert und sie On-Chain veröffentlicht, während gleichzeitig ein ZKP generiert wird. Benutzer können das ZKP verwenden, um zu überprüfen, ob ihr NFT aus dem entsprechenden KI-Modell generiert wurde.

Darüber hinaus erwähnte Modulus Labs einige weitere Anwendungsfälle:

• Nutzen Sie KI, um persönliche On-Chain-Daten und andere Informationen auszuwerten, um persönliche Reputationsbewertungen zu generieren und ZKPs zu veröffentlichen, die von Benutzern überprüft werden können.

• Nutzen Sie KI, um die AMM-Leistung zu optimieren und veröffentlichen Sie ZKPs, damit Benutzer sie überprüfen können

• Verwenden Sie überprüfbare KI, um Datenschutzprojekte dabei zu unterstützen, auf regulatorischen Druck zu reagieren, ohne die Privatsphäre preiszugeben (verwenden Sie beispielsweise ML, um zu beweisen, dass die Transaktion nicht mit Geldwäsche in Verbindung steht, ohne die Adresse und andere Informationen des Benutzers preiszugeben).

• KI-Orakel, während ZKPs für jedermann veröffentlicht werden, um die Zuverlässigkeit von Off-Chain-Daten zu überprüfen.

• KI-Modellwettbewerb: Die Teilnehmer reichen ihre eigenen Architekturen und Gewichte ein, führen Modelle mit einheitlichen Testeingaben aus, generieren ZKPs für die Berechnung und schließlich sendet der Vertrag automatisch Belohnungen an den Gewinner.

• Worldcoin behauptete, dass Benutzer in Zukunft möglicherweise ein Modell auf ihr lokales Gerät herunterladen können, das einen entsprechenden Iriscode aus der menschlichen Iris generiert. Das Modell läuft lokal und generiert einen ZKP. Somit kann der On-Chain-Vertrag den ZKP verwenden, um zu überprüfen, ob der Iriscode des Benutzers aus dem richtigen Modell mit angemessenen Irisdaten generiert wurde, während die biometrischen Informationen auf dem eigenen Gerät des Benutzers verbleiben.

Quelle: Modulus Labs

1.3 Diskussion verschiedener Anwendungsfälle basierend auf dem Bedarf an verifizierbarer KI

1.3.1 Anwendungsfälle, die möglicherweise keine verifizierbare KI erfordern

Im Szenario von Rocky Bot müssen Benutzer den ML-Berechnungsprozess möglicherweise nicht überprüfen.

Erstens fehlt es den Benutzern an Fachwissen und sie sind völlig unfähig, eine echte Überprüfung durchzuführen. Selbst mit Überprüfungstools sehen die Benutzer nur, dass sie eine Taste gedrückt haben und ein Popup ihnen mitteilt, dass der KI-Dienst tatsächlich von einem bestimmten Modell generiert wurde. Sie wissen nicht, ob es hinter den Kulissen wahr ist.

Zweitens müssen Benutzer keine Überprüfung durchführen, da ihnen der ROI der KI wichtig ist. Wenn der ROI niedrig ist, werden Benutzer migrieren, da sie immer das Modell mit den besten Ergebnissen wählen. Kurz gesagt: Wenn den Benutzern das Endergebnis der KI wichtig ist, kann die Überprüfung des Prozesses sinnlos sein, da die Benutzer nur zu dem Dienst mit den besten Ergebnissen migrieren müssen.

Eine mögliche Lösung besteht darin, dass die KI nur als Berater fungiert, während die Benutzer selbstständig handeln. Nachdem die Benutzer der KI ihre Handelsziele eingegeben haben, berechnet sie diese außerhalb der Kette und gibt den Benutzern den besten Handelspfad/die beste Handelsrichtung zurück. Diese müssen das zugrunde liegende Modell nicht überprüfen, da sie nur das Produkt mit der höchsten Rendite auswählen müssen.

Eine potenziell gefährliche, aber durchaus mögliche Situation entsteht, wenn Einzelpersonen die Verwahrung ihrer eigenen Vermögenswerte völlig missachten und den KI-Berechnungsprozess nicht wertschätzen. Wenn ein automatisierter Geldverdienroboter auftaucht, sind die Leute möglicherweise bereit, Geld in ihn zu stecken, genau wie sie Token zur Vermögensverwaltung in eine CEX oder eine traditionelle Bank einzahlen. Denn die Leute interessieren sich nicht für den Mechanismus dahinter, sondern nur dafür, wie viel Gewinn sie am Ende erzielen oder sogar nur, wie viel Gewinn das Projekt angeblich erzielt hat. Diese Art von Service kann auch schnell eine große Anzahl von Benutzern gewinnen und sogar schneller iterieren als Projekte, die nachweisbare KI verwenden.

Wenn KI überhaupt nicht an der Auslösung von On-Chain-Statusänderungen beteiligt ist und nur On-Chain-Daten abruft und für Benutzer vorverarbeitet, müssen auch keine ZKPs für die Berechnung generiert werden. Wir können diese Art von Anwendung als „Datendienst“ bezeichnen. Hier sind einige Beispiele:

• Die von Mest bereitgestellte Chatbox ist ein typischer Datendienst. Benutzer können über die Qualitätssicherung ihre On-Chain-Daten abfragen, beispielsweise wie viel sie für NFTs ausgegeben haben.

• ChainGPT ist ein multifunktionaler KI-Assistent. Er kann Smart Contracts vor dem Handel für Sie interpretieren und so feststellen, ob Sie im richtigen Pool handeln und ob die Transaktion anfällig für Frontrunning ist. ChainGPT plant außerdem, Dienste wie KI-Nachrichtenempfehlungen und die Veröffentlichung von AIGC NFTs anzubieten.

• RSS3 bietet AIOP, sodass Benutzer auswählen können, welche On-Chain-Daten sie benötigen, und bestimmte Vorverarbeitungsvorgänge durchführen können. Dadurch wird es einfacher, bestimmte On-Chain-Daten zum Trainieren von KI zu verwenden.

• DefiLlama und RSS3 verfügen beide über ChatGPT-Plugins, sodass Benutzer durch Konversation On-Chain-Daten abrufen können.

1.3.2 Anwendungsfälle, die verifizierbare KI erfordern

In diesem Artikel wird argumentiert, dass Szenarien, in denen es um Fairness und Privatsphäre mehrerer Parteien geht, ZKPs zur Verifizierung erfordern. Wir werden einige der von Modulus Labs erwähnten Anwendungen besprechen:

• Wenn eine Community Belohnungen auf der Grundlage von durch KI generierten individuellen Reputationen verteilt, werden die Community-Mitglieder sicherlich eine Prüfung des Bewertungsprozesses verlangen, in diesem Fall der ML-Berechnung.

• Im Szenario der KI-Optimierung von AMM, bei dem die Vorteile auf mehrere Parteien verteilt werden, muss auch der KI-Berechnungsprozess regelmäßig überprüft werden.

• Wenn es darum geht, Datenschutz und Regulierung in Einklang zu bringen, ist ZK eine der besseren Lösungen. Wenn die Anwendung ML verwendet, um private Daten im Dienst zu verarbeiten, ist ein ZKP der ML-Berechnung erforderlich.

• Aufgrund der weitreichenden Auswirkungen von Oracle muss, wenn es auf KI basiert, regelmäßig ZKP generiert werden, um zu überprüfen, ob die KI ordnungsgemäß funktioniert.

• Bei Wettbewerben müssen die Öffentlichkeit und andere Teilnehmer überprüfen, ob die ML-Algorithmen den Wettbewerbsspezifikationen entsprechen.

• Im potenziellen Anwendungsfall von Worldcoin muss unbedingt sichergestellt werden, dass das ML-Modell auf eine Weise verwendet wird, bei der die Privatsphäre des Einzelnen geschützt wird.

Insgesamt sind die Frage, ob KI Zustandsänderungen in der Chain auslöst und ob sie Auswirkungen auf Fairness/Datenschutz hat, die beiden Kriterien für die Bestimmung, ob eine überprüfbare KI erforderlich ist.

Wenn KI keine Zustandsänderungen in der Kette auslöst, kann der KI-Dienst als Suggestor fungieren und die Menschen können die Qualität des KI-Dienstes anhand der Wirkung des Vorschlags beurteilen, ohne den Berechnungsprozess überprüfen zu müssen.

Wenn KI Zustandsänderungen in der Kette auslöst und der Dienst nur für Einzelpersonen bestimmt ist und die Privatsphäre nicht berührt, können Benutzer die Qualität des KI-Dienstes dennoch beurteilen, ohne den Berechnungsprozess zu überprüfen.

Wenn die Ausgabe der KI die Fairness zwischen verschiedenen Paritäten direkt beeinflusst und die KI Zustandsänderungen in der Kette auslöst, dann sollten die Community und die Öffentlichkeit das Bedürfnis haben, den Entscheidungsprozess der KI zu überprüfen;

Wenn es bei den von ML verarbeiteten Daten um persönliche Privatsphäre geht, besteht für ZK unbedingt die Notwendigkeit, die Privatsphäre zu schützen und den gesetzlichen Anforderungen nachzukommen.

Quelle: Kernel Ventures

Teil 2: Zwei Arten von KI-Anwendungsarchitekturen basierend auf öffentlichen Blockchains

In jedem Fall ist die von Modulus Labs vorgeschlagene Lösung eine großartige Inspiration dafür, wie KI mit Blockchain kombiniert werden kann und praktischer Anwendungswert entsteht. Die öffentliche Blockchain verbessert jedoch nicht nur die Leistungsfähigkeit eines einzelnen KI-Dienstes, sondern hat auch das Potenzial, ein neues Ökosystem von KI-Anwendungen aufzubauen. Dieses entstehende Ökosystem führt ein eindeutiges Paradigma für Interaktionen zwischen KI-Diensten und Beziehungen zwischen KI-Diensten und Benutzern ein und fördert die kollaborative Dynamik zwischen vorgelagerten und nachgelagerten Einheiten. Wir können dieses KI-Anwendungsökosystem in zwei übergreifende Typen einteilen: vertikale und horizontale Architekturen.

2.1 Vertikale Architektur: Fokussierung auf zusammensetzbare KI

Das Online-Schachspiel „Leela vs. the World“ hat einen einzigartigen Aspekt: ​​Man kann auf den menschlichen Spieler oder die KI wetten, wobei die Token nach dem Spiel automatisch auf der Grundlage der Ergebnisse verteilt werden. Der Zweck von ZKP besteht hier nicht nur darin, dass Benutzer die Berechnungen der KI überprüfen, sondern dient auch als Vertrauensgarantie, um Zustandsänderungen in der Kette auszulösen. Mit dieser Vertrauensgarantie wird die Zusammensetzbarkeit zwischen KI-Diensten und zwischen KI und nativen Krypto-dApps auf dApp-Ebene möglich.

Quelle: Kernel Ventures (basierend auf dem Modell von Modulus Labs)

Die Grundeinheit der zusammensetzbaren KI ist [Off-Chain-ML-Modell – ZKP-Generierung – On-Chain-Verifizierungsvertrag – Hauptvertrag], entnommen aus dem Rahmen von „Leela vs. the World“, obwohl die tatsächliche Architektur einzelner KI-dApps vom Diagramm abweichen kann.

Erstens erfordern Schachspiele einen Vertrag, um den Spielstand zu verfolgen, aber in Wirklichkeit benötigt KI möglicherweise keinen On-Chain-Vertrag. Wenn jedoch für die Architektur einer zusammensetzbaren KI die Hauptaktivität in einem Vertrag stattfindet, kann es für andere dApps bequemer sein, sich darin zu integrieren.

Zweitens muss der Hauptvertrag nicht unbedingt sein ML-Modell beeinflussen. Das ML-Modell einer KI-dApp muss nur einen Vertrag auslösen, der mit seiner eigenen Aktion zusammenhängt, und dieser Vertrag wird dann von anderen dApps aufgerufen.

Vertragsaufrufe zwischen dApps ermöglichen die Zusammensetzbarkeit zwischen verschiedenen Web3-Anwendungen, darunter Identität, Vermögensverwaltung, Finanzdienstleistungen und sogar soziale Informationen. Wir können uns eine spezifische Kombination von KI-Anwendungen vorstellen:

• Worldcoin verwendet ML, um Iriscode für individuelle Irisdaten zu generieren und ein ZKP zu erzeugen.

• Eine KI-App zur Reputationsbewertung überprüft zunächst, ob der Benutzer eine echte Person ist (unterstützt durch die Iris-Daten) und weist dann basierend auf der On-Chain-Reputation ein NFT zu

• Ein Kreditdienst passt den Kreditbetrag basierend auf den vom Benutzer gehaltenen NFTs an

• ...

Während KI-Interaktionen auf öffentlichen Blockchains nichts Neues sind, hat Loaf, ein Mitwirkender am Realms-Ökosystem, vorgeschlagen, dass KI-NPCs mit Spielern und untereinander handeln könnten, wodurch das gesamte Wirtschaftssystem sich selbst optimieren und automatisch funktionieren könnte. AI Arena hat ein Spiel entwickelt, bei dem KIs automatisch gegeneinander kämpfen. Benutzer kaufen zunächst ein NFT, das einen Kampfroboter darstellt, der von einem KI-Modell unterstützt wird. Benutzer spielen das Spiel selbst, stellen Daten bereit, aus denen die KI lernen kann, und setzen sie ein, um gegen andere KIs zu kämpfen, wenn sie bereit sind. Modulus Labs erwähnte, dass AI Arena diese KIs überprüfbar machen möchte. In beiden Fällen sehen wir das Potenzial für KIs, zu interagieren und den On-Chain-Zustand direkt zu ändern.

Viele Details zur praktischen Umsetzung von Composable AI müssen jedoch noch ausgearbeitet werden, beispielsweise wie verschiedene dApps die ZKPs und Verifier-Verträge der anderen nutzen können. Angesichts der vielen Innovationen im Zero-Knowledge-Bereich, beispielsweise der Arbeit von RISC Zero an komplexen Off-Chain-Berechnungen und der Generierung von ZKPs für die On-Chain-Verifizierung, könnten jedoch bald geeignete Lösungen entstehen.

2.2 Horizontale Architektur: Fokussierung auf dezentrale KI-Plattformen

Hier stellen wir eine dezentrale KI-Plattform namens SAKSHI vor, die von Forschern aus Princeton, der Tsinghua University, der University of Illinois Urbana-Champaign, HKUST, Witness Chain und Eigen Layer vorgeschlagen wurde. Ihr Hauptziel besteht darin, Benutzern den dezentraleren Bezug von KI-Diensten zu ermöglichen und den gesamten Prozess vertrauensloser und automatisierter zu gestalten.

Quelle: SAKSHI

SAKSHI besteht aus sechs Schichten: Serviceschicht, Kontrollschicht, Transaktionsschicht, Nachweisschicht, Wirtschaftsschicht und Marktplatz.

Der Marktplatz ist die Ebene, die den Benutzern am nächsten ist. Benutzer geben Bestellungen über Aggregatoren auf und unterzeichnen Vereinbarungen über Servicequalität und Preise (SLA – Service Level Agreement).

Die Serviceschicht stellt dann dem Client eine API zur Verfügung, die eine ML-Inferenzanforderung an den Aggregator sendet. Diese Anforderung wird mithilfe eines als Teil der Kontrollschicht bereitgestellten Routers an einen entsprechenden Lieferantenserver weitergeleitet. Die Service- und Kontrollschichten ähneln also einem Web2-Dienst mit mehreren Servern, aber jeder Server wird von einer anderen Entität betrieben, die durch zuvor unterzeichnete SLAs mit dem Aggregator verbunden ist.

SLAs werden in der Kette als Smart Contracts bereitgestellt und gehören zur Transaktionsschicht (in SAKSHI wird dies als Witness Chain bezeichnet). Die Transaktionsschicht zeichnet auch den aktuellen Status jedes Serviceauftrags auf und wird zur Koordination von Benutzern, Aggregatoren und Dienstanbietern sowie zur Bearbeitung von Zahlungsstreitigkeiten verwendet.

Um eine Grundlage für die Beilegung von Streitigkeiten zu schaffen, überprüft die Proof Layer, ob die Dienstanbieter das SLA einhalten, indem sie die verwendeten Modelle untersucht. Anstatt jedoch ZKPs für ML-Berechnungen zu generieren, schlägt SAKSHI einen optimistischen Ansatz vor: die Einrichtung von Challenger-Knoten zur Prüfung von Diensten, die durch die Witness Chain gefördert werden.

Obwohl sich SLAs und das Challenger-Netzwerk auf der Witness Chain befinden, sieht SAKSHIs Vorschlag nicht vor, den nativen Token der Witness Chain als Anreiz für die Erreichung unabhängiger Sicherheit zu verwenden. Stattdessen nutzt es die Sicherheit von Ethereum über Eigen Layer. Die gesamte Economic Layer basiert also im Wesentlichen auf Eigen Layer.

Wir können uns vorstellen, dass SAKSHI als Vermittler zwischen KI-Anbietern und -Nutzern fungiert und verschiedene KIs dezentral zusammenbringt, um seinen Nutzern zu dienen. Dies ist eher ein horizontaler Ansatz. SAKSHI konzentriert sich darauf, KI-Anbietern die Freiheit zu geben, ihre Off-Chain-Modellberechnungen einfach selbst zu verwalten, während die Benutzeranforderungen mit den Modelldiensten abgeglichen, Zahlungen abgewickelt und die Servicequalität durch On-Chain-Protokolle auf automatisiertere Weise überprüft werden. Da SAKSHI natürlich noch theoretisch ist, müssen noch zahlreiche Implementierungsdetails ausgearbeitet werden.

Teil 3: Zukunftsausblick

Ob zusammensetzbare KI oder dezentrale KI-Plattformen, die Muster blockchainbasierter KI-Ökosysteme scheinen Gemeinsamkeiten zu haben – KI-Anbieter können direkt mit Benutzern interagieren und lediglich ML-Modelle für Off-Chain-Berechnungen bereitstellen. Zahlungen, Streitbeilegung und die Abstimmung von Benutzeranforderungen mit Diensten können über vertrauenslose Protokolle abgewickelt werden. Als vertrauenslose Basisschicht reduzieren Blockchains die Reibung zwischen Anbietern und Benutzern und geben Benutzern mehr Autonomie.

Die Vorteile der Verwendung von Blockchains als Basisschicht sind allgemein bekannt und eignen sich tatsächlich für KI-Dienste. Anders als bei dApps können KI-Anwendungsberechnungen jedoch nicht alle on-chain erfolgen. Daher ist ein ZK- oder optimistischer Ansatz erforderlich, um KI-Dienste auf eine vertrauenslosere Weise zu integrieren.

Mit Verbesserungen wie der Kontoabstraktion, die ein besseres Benutzererlebnis ermöglichen, werden Elemente wie private Schlüsselverwaltung, Ketten und Gas möglicherweise nicht bemerkt. Mit einem reibungslosen Erlebnis, das Web2 UX ähnelt, einem viel höheren Grad an Freiheit und Zusammensetzbarkeit, was starke Anreize für die Masseneinführung bietet, haben Blockchain-basierte KI-Anwendungsökosysteme eine aufregende Zukunft vor sich.

REFERENZ

• Kapitel 1: So bringen Sie Ihre KI in die Kette: https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b

• Kapitel 4: Blockchains, die sich selbst verbessern: https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36

• Kapitel 6: Das weltweit erste On-Chain-KI-Spiel: https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6

• EINE EINFÜHRUNG IN ZERO-KNOWLEDGE MACHINE LEARNING (ZKML): https://worldcoin.org/blog/engineering/intro-to-zkml#zkml-use-cases

• Zero-Knowledge-Beweis: Anwendungen und Anwendungsfälle: https://blog.chain.link/zero-knowledge-proof-use-cases/

• SAKSHI: Dezentrale KI-Plattformen: https://arxiv.org/pdf/2307.16562.pdf

• Liebling, ich habe den Beweis geschrumpft: On-Chain-Verifizierung für RISC Zero & Bonsai aktivieren: https://www.risczero.com/news/on-chain-verification

• Gespräch mit dem Gründer der Nil Foundation: ZK-Technologie kann missbraucht werden und öffentliche Rückverfolgbarkeit ist nicht die ursprüngliche Absicht der Verschlüsselung: https://www.techflowpost.com/article/detail_12647.html

• IOSG Weekly Brief ｜Den Funken der Blockchain entzünden: LLM eröffnet neue Möglichkeiten für die Blockchain-Interaktion#187https://mp.weixin.qq.com/s/sVIBF6iPXwhamlKEvjH19Q