Auteur : Turbo Guo Lecteurs : Mandy, Joshua

Kernel Ventures est une communauté de recherche et de développement axée sur un fonds de capital-risque crypto avec plus de 70 investissements en phase de démarrage, se concentrant sur l'infrastructure, le middleware, les dApps, en particulier ZK, Rollup, DEX, Blockchain Modulaire, et des verticales qui accueilleront le prochain milliard d'utilisateurs dans la crypto comme l'abstraction de compte, la disponibilité des données, la scalabilité, etc. Au cours des sept dernières années, nous nous sommes engagés à soutenir la croissance des communautés de développement de base et des associations universitaires de blockchain à travers le monde.

TLDR :

Modulus Labs met en œuvre une IA vérifiable en exécutant des calculs ML hors chaîne et en générant des ZKPs pour l'appel d'inférence IA. Cet article réexamine leur approche d'un point de vue application, analysant dans quels scénarios il y a un besoin urgent et dans quels scénarios la demande est plus faible. Enfin, deux types d'architecture d'application IA construites sur des blockchains publiques sont explorés - horizontale et verticale. Les principaux sujets abordés sont les suivants :

  1. Le besoin d'une IA vérifiable dépend de si l'IA déclenche des changements d'état sur chaîne et si elle implique l'équité et la vie privée.

    1. Lorsque l'IA n'affecte pas l'état sur chaîne, elle peut servir de conseiller. Les gens peuvent juger la qualité des services IA par leurs effets réels sans avoir besoin de vérifier le processus de calcul.

    2. Lorsque l'IA affecte l'état sur chaîne, si le service offert est personnalisé et n'a pas de problèmes de vie privée, les utilisateurs peuvent toujours juger directement de la qualité des services IA sans examiner le processus de calcul.

    3. Lorsque les sorties de l'IA affectent directement l'équité entre plusieurs parties et la vie privée personnelle, comme évaluer les membres de la communauté et allouer des récompenses, ou impliquer des données biologiques, il est nécessaire de vérifier le calcul ML.

  2. Architecture d'Application IA Verticale : Étant donné qu'un bout de l'IA vérifiable est constitué de contrats intelligents, les applications IA vérifiables et même l'IA et les dApps natives peuvent être en mesure d'interagir les unes avec les autres de manière décentralisée. Cela constitue un écosystème d'applications IA potentiellement interopérable.

  3. Architecture d'Application IA Horizontale : Le système de chaîne publique peut gérer le paiement, la coordination des litiges, la correspondance des besoins des utilisateurs et le contenu des services pour les fournisseurs de services IA, permettant aux utilisateurs d'avoir des services IA décentralisés avec plus de liberté.

Partie 1 : Introduction à Modulus Labs et Exemples d'Application

1.1 Introduction et Solutions Principales

Modulus Labs est une entreprise d'IA "sur chaîne" qui croit que l'IA peut considérablement améliorer les capacités des contrats intelligents et rendre les applications Web3 plus puissantes. Cependant, il y a un conflit lors de l'application de l'IA à Web3 : l'IA nécessite beaucoup de puissance de calcul, tandis que l'IA hors chaîne est une boîte noire, ce qui ne concorde pas avec l'idéologie de décentralisation et de vérifiabilité de Web3.

Par conséquent, Modulus Labs adopte l'approche des ZK-rollups et propose une architecture pour une IA vérifiable : des modèles de ML exécutés hors chaîne où des ZKPs sont générés hors chaîne pour le calcul ML. Ces ZKPs peuvent être utilisés pour vérifier l'architecture du modèle, les poids et les entrées hors chaîne ; ainsi que publiés sur chaîne pour vérification par des contrats intelligents. En atteignant la vérifiabilité, l'IA peut désormais interagir avec des contrats sur chaîne de manière plus décentralisée.

Basé sur l'idée de l'IA vérifiable, Modulus Labs a lancé trois applications "IA sur chaîne" jusqu'à présent et a proposé de nombreux scénarios d'application potentiels.

1.2 Exemples d'application

Le premier est un AI de trading automatisé "Rocky bot". Rocky est formé sur des données historiques de la paire de trading WETH/USDC. Il prédit les tendances futures de WETH basées sur des données historiques et prend des décisions de trading. Il génère ensuite un ZKP pour le processus de décision (processus de calcul) et envoie les informations aux contrats L1 pour déclencher la transaction.

Le second est un jeu d'échecs sur chaîne "Leela contre le Monde". Les joueurs du jeu sont des IA et des humains, et l'état du jeu d'échecs est stocké dans un contrat. Les joueurs effectuent des mouvements en interagissant avec le contrat via leur portefeuille. L'IA lit le nouvel état du jeu, fait des jugements et génère un ZKP pour l'ensemble du processus de calcul. Ces étapes sont complétées dans le cloud AWS, tandis que le ZKP est vérifié par un contrat sur chaîne. Si la vérification réussit, le contrat du jeu d'échecs est appelé pour "faire un mouvement".

Le troisième est un artiste IA sur chaîne qui a "lancé" la série de NFT zkMon. L'essentiel est que l'IA génère des NFTs et les publie sur chaîne, tout en générant également un ZKP. Les utilisateurs peuvent utiliser le ZKP pour vérifier que leur NFT a été généré à partir du modèle IA correspondant.

De plus, Modulus Labs a mentionné quelques autres cas d'utilisation :

  • Utilisez l'IA pour évaluer les données personnelles sur chaîne et d'autres informations pour générer des évaluations de réputation personnelle et publier des ZKPs pour vérification par les utilisateurs.

  • Utilisez l'IA pour optimiser la performance AMM et publier des ZKPs pour que les utilisateurs vérifient.

  • Utilisez l'IA vérifiable pour aider les projets de confidentialité à répondre aux pressions réglementaires tout en ne révélant pas de vie privée (peut-être en utilisant le ML pour prouver que la transaction n'est pas associée au blanchiment d'argent tout en ne révélant pas l'adresse de l'utilisateur et d'autres informations).

  • Oracle IA, tout en publiant des ZKPs pour que tout le monde vérifie la fiabilité des données hors chaîne.

  • Compétition de modèles IA, les concurrents soumettent leurs propres architectures et poids, exécutent des modèles avec des entrées de test uniformes, génèrent des ZKPs pour le calcul, et enfin le contrat enverra automatiquement des récompenses au gagnant.

  • Worldcoin a affirmé qu'à l'avenir, peut-être que les utilisateurs pourront télécharger un modèle sur leur appareil local qui génère un code iris correspondant à partir de l'iris humain. Le modèle fonctionne localement et génère un ZKP. Ainsi, le contrat sur chaîne peut utiliser le ZKP pour vérifier que le code iris de l'utilisateur a été généré à partir du bon modèle avec des données iris raisonnables, tout en gardant les informations biométriques sur l'appareil de l'utilisateur.

Source : Modulus Labs

1.3 Discussion des Différents Cas d'Utilisation Basés sur le Besoin d'IA Vérifiable

1.3.1 Cas d'utilisation qui pourraient ne pas nécessiter une IA vérifiable

Dans le scénario de Rocky Bot, les utilisateurs peuvent ne pas avoir besoin de vérifier le processus de calcul ML.

Tout d'abord, les utilisateurs manquent de connaissances professionnelles et sont complètement incapables d'effectuer une véritable vérification. Même avec des outils de vérification, les utilisateurs ne verront que qu'ils ont appuyé sur un bouton et qu'une fenêtre contextuelle leur a dit que le service IA avait effectivement été généré par un certain modèle. Ils ne savent pas si c'est vrai en coulisses.

Deuxièmement, les utilisateurs n'ont pas besoin de vérifier car ils valorisent le ROI de l'IA. Lorsque le ROI est faible, les utilisateurs migreront, car ils choisiront toujours le modèle avec les meilleurs résultats. En bref, lorsque les utilisateurs se soucient du résultat final de l'IA, vérifier le processus peut être sans signification car les utilisateurs n'ont qu'à migrer vers le service avec les meilleurs résultats.

Une solution possible est que l'IA n'agisse que comme un conseiller, tandis que les utilisateurs exécutent des transactions de manière indépendante. Après que les utilisateurs aient saisi leurs objectifs de trading à l'IA, elle calcule hors chaîne et renvoie le meilleur chemin/direction de trading aux utilisateurs qui n'ont pas besoin de vérifier le modèle sous-jacent puisqu'ils doivent juste choisir le produit avec les meilleurs rendements.

Une situation potentiellement dangereuse mais hautement probable survient lorsque les individus montrent un mépris total pour la garde de leurs propres actifs et ne valorisent pas le processus de calcul IA. Lorsqu'un robot de génération d'argent automatisé apparaît, les gens peuvent être prêts à y investir de l'argent, tout comme déposer des tokens dans un CEX ou une banque traditionnelle pour la gestion de patrimoine. Parce que les gens ne se soucient pas du mécanisme sous-jacent, ils ne se soucient que de combien de profit ils reçoivent à la fin, ou même simplement de combien de profit le projet prétend avoir gagné. Ce type de service pourrait également rapidement gagner un grand nombre d'utilisateurs, et même itérer plus rapidement que les projets utilisant une IA vérifiable.

Si l'IA n'est pas impliquée dans le déclenchement de changements d'état sur chaîne, et ne fait que récupérer des données sur chaîne et les prétraiter pour les utilisateurs, alors il n'est pas non plus nécessaire de générer des ZKPs pour le calcul. Nous pouvons appeler ce type d'application un "service de données", voici quelques exemples :

  • La boîte de discussion fournie par Mest est un service de données typique. Les utilisateurs peuvent s'informer sur leurs données sur chaîne via QA, comme demander combien ils ont dépensé en NFTs.

  • ChainGPT est un assistant IA multifonctionnel. Il peut interpréter des contrats intelligents pour vous avant le trading, révélant si vous tradez dans le bon pool, et si la transaction est sujette à un front running. ChainGPT prévoit également d'offrir des services tels que des recommandations de nouvelles IA et la publication de NFTs AIGC.

  • RSS3 fournit AIOP, permettant aux utilisateurs de choisir quelles données sur chaîne ils nécessitent et d'effectuer un certain prétraitement, facilitant ainsi la prise de données spécifiques sur chaîne pour entraîner l'IA.

  • DefiLlama et RSS3 ont tous deux des plugins ChatGPT permettant aux utilisateurs d'obtenir des données sur chaîne via une conversation.

1.3.2 Cas d'Utilisation Nécessitant une IA Vérifiable

Cet article soutient que les scénarios impliquant l'équité et la vie privée de plusieurs parties nécessitent des ZKPs pour vérification. Nous allons discuter de certaines des applications mentionnées par Modulus Labs :

  • Lorsque une communauté distribue des récompenses basées sur des réputations individuelles générées par l'IA, les membres de la communauté exigeront certainement un audit du processus d'évaluation, qui dans ce cas est le calcul ML.

  • Dans le scénario de l'IA optimisant AMM, qui implique la distribution des bénéfices entre plusieurs parties, le processus de calcul de l'IA doit également être vérifié périodiquement.

  • Lorsqu'il s'agit de trouver un équilibre entre la vie privée et la réglementation, le ZK est l'une des meilleures solutions. Si l'application utilise le ML pour traiter des données privées dans le service, un ZKP du calcul ML est nécessaire.

  • En raison de l'impact vaste de l'oracle, s'il est alimenté par l'IA, il est nécessaire de générer des ZKP périodiquement pour vérifier si l'IA fonctionne correctement.

  • Lors des compétitions, le public et les autres participants doivent vérifier si les algorithmes ML respectent les spécifications de la compétition.

  • Dans le cas d'utilisation potentiel de Worldcoin, il y a un fort besoin de garantir que le modèle ML est utilisé d'une manière qui protège la vie privée des individus.

Dans l'ensemble, que l'IA déclenche des changements d'état sur chaîne et si elle affecte l'équité/la vie privée sont les deux critères pour déterminer si une IA vérifiable est nécessaire.

Lorsque l'IA ne déclenche pas de changements d'état sur chaîne, le service IA peut agir comme un suggesteur, et les gens peuvent juger la qualité du service IA par l'effet de la suggestion sans avoir besoin de vérifier le processus de calcul ;

Lorsque l'IA déclenche des changements d'état sur chaîne, et si le service est uniquement pour des individus et n'implique pas de vie privée personnelle, alors les utilisateurs peuvent toujours juger la qualité du service IA sans vérifier le processus de calcul ;

Lorsque la sortie de l'IA affecte directement l'équité entre différentes parties, et que l'IA déclenche des changements d'état sur chaîne, alors la communauté et le public devraient avoir besoin de vérifier le processus de prise de décision de l'IA ;

Lorsque les données traitées par le ML impliquent la vie privée personnelle, il y a alors un besoin certain de ZK pour protéger la vie privée et répondre aux exigences réglementaires.

Source : Kernel Ventures

Partie 2 : Deux Types d'Architecture d'Application IA Basée sur des Blockchains Publiques

Dans tous les cas, la solution proposée par Modulus Labs est une grande inspiration pour la façon dont l'IA peut être combinée avec la blockchain et générer une valeur d'application pratique. Cependant, la blockchain publique non seulement améliore la capacité d'un seul service IA, mais a également le potentiel de construire un nouvel écosystème d'applications IA. Cet écosystème émergent introduit un paradigme distinct pour les interactions entre les services IA, les relations entre les services IA et les utilisateurs, ainsi que favorise les dynamiques collaboratives entre les entités en amont et en aval. Nous pouvons catégoriser cet écosystème d'application IA en deux types principaux : architectures verticales et horizontales.

2.1 Architecture Verticale : Focalisation sur l'IA Composable

Le jeu d'échecs en ligne "Leela contre le Monde" a un aspect unique où les gens peuvent parier sur le joueur humain ou l'IA, les tokens étant automatiquement distribués après le jeu en fonction des résultats. Ici, le but du ZKP n'est pas seulement de permettre aux utilisateurs de vérifier les calculs de l'IA, mais sert également de garantie de confiance pour déclencher des changements d'état sur chaîne. Avec cette garantie de confiance, la composabilité entre les services IA, et entre l'IA et les dApps crypto natives devient possible au niveau des dApps.

Source : Kernel Ventures (basé sur le modèle de Modulus Labs)

L'unité de base de l'IA composable est [modèle ML hors chaîne - génération de ZKP - contrat de vérification sur chaîne - contrat principal], tirée du cadre de "Leela contre le Monde", bien que l'architecture réelle des dApps IA individuelles puisse différer du diagramme.

Tout d'abord, les jeux d'échecs nécessitent un contrat pour suivre l'état du jeu, mais en réalité, l'IA peut ne pas avoir besoin d'un contrat sur chaîne. Cependant, pour l'architecture de l'IA composable, si l'activité principale se déroule dans un contrat, il peut être plus pratique pour d'autres dApps de s'intégrer à celui-ci.

Deuxièmement, le contrat principal n'a pas nécessairement besoin d'affecter son modèle ML. Le modèle ML d'une dApp IA doit seulement déclencher un contrat lié à sa propre action, et ce contrat est ensuite appelé par d'autres dApps.

Les appels de contrats entre dApps permettent la composabilité entre différentes applications Web3, y compris l'identité, la gestion d'actifs, les services financiers, et même les informations sociales. Nous pouvons envisager une combinaison spécifique d'applications IA :

  • Worldcoin utilise ML pour générer un code iris pour des données iris individuelles et générer un ZKP.

  • Une application IA de notation de réputation vérifie d'abord que l'utilisateur est une vraie personne (soutenu par les données iris), puis attribue un NFT basé sur la réputation sur chaîne.

  • Un service de prêt ajuste le montant du prêt en fonction des NFTs détenus par l'utilisateur.

  • ...

Bien que les interactions IA sur blockchain publique ne soient pas quelque chose de nouveau, le contributeur de l'écosystème Realms, Loaf, a proposé que des NPC IA pourraient échanger avec des joueurs et entre eux, permettant à l'ensemble du système économique de s'auto-optimiser et d'opérer automatiquement. AI Arena a développé un jeu où les IA s'affrontent automatiquement. Les utilisateurs achètent d'abord un NFT représentant un robot de combat, soutenu par un modèle IA. Les utilisateurs jouent eux-mêmes au jeu, fournissent des données pour que l'IA apprenne, et lorsque prête, la déploient pour combattre d'autres IA. Modulus Labs a mentionné qu'AI Arena souhaite rendre ces IA vérifiables. Dans les deux cas, nous voyons le potentiel pour les IA d'interagir et de changer directement l'état sur chaîne.

Cependant, de nombreux détails concernant la mise en œuvre de l'IA composable dans la pratique restent à élaborer, tels que comment différentes dApps peuvent tirer parti des ZKPs et des contrats vérificateurs des autres. Mais avec l'innovation qui se produit dans l'espace de la connaissance zéro, par exemple le travail de RISC Zero sur les calculs complexes hors chaîne et la génération de ZKPs pour la vérification sur chaîne, des solutions appropriées pourraient bientôt émerger.

2.2 Architecture Horizontale : Focalisation sur les plateformes IA Décentralisées

Ici, nous introduisons une plateforme IA décentralisée appelée SAKSHI, proposée par des chercheurs de Princeton, de l'Université Tsinghua, de l'Université de l'Illinois Urbana-Champaign, de HKUST, de la Chaîne des Témoins et d'Eigen Layer. Son objectif principal est de permettre aux utilisateurs d'obtenir des services IA de manière plus décentralisée, rendant l'ensemble du processus plus décentralisé et automatisé.

Source : SAKSHI

SAKSHI se compose de six couches : Couche de Service, Couche de Contrôle, Couche de Transaction, Couche de Preuve, Couche Économique et Marché.

Le Marché est la couche la plus proche des utilisateurs. Les utilisateurs passent des commandes via des agrégateurs et signent un accord sur la qualité du service et les prix (SLA - accord de niveau de service).

La Couche de Service fournit ensuite une API au client, qui envoie une demande d'inférence ML à l'agrégateur. Cette demande est transmise à un serveur fournisseur correspondant à l'aide d'un routeur déployé dans le cadre de la couche de contrôle. Ainsi, les Couche de Service et de Contrôle ressemblent à un service Web2 avec plusieurs serveurs, mais chaque serveur est géré par une entité différente, associée à l'agrégateur par le biais de SLA signés précédemment.

Les SLA sont déployés sur chaîne sous forme de contrats intelligents, appartenant à la Couche de Transaction (dans SAKSHI, elle est appelée la Chaîne des Témoins). La Couche de Transaction enregistre également l'état actuel de chaque commande de service et est utilisée pour coordonner les utilisateurs, les agrégateurs et les fournisseurs de services, en gérant les litiges de paiement.

Pour fournir une base de résolution des litiges, la Couche de Preuve vérifie si les fournisseurs de services respectent le SLA en examinant les modèles utilisés. Cependant, au lieu de générer des ZKPs pour les calculs ML, SAKSHI propose une approche optimiste - établir des nœuds challengers pour auditer les services, incités par la Chaîne des Témoins.

Bien que les SLA et le réseau des challengers soient sur la Chaîne des Témoins, la proposition de SAKSHI ne prévoit pas d'utiliser le token natif de la Chaîne des Témoins pour des incitations afin d'atteindre une sécurité indépendante. Au lieu de cela, elle tire parti de la sécurité d'Ethereum via Eigen Layer. Ainsi, l'ensemble de la Couche Économique repose essentiellement sur Eigen Layer.

Nous pouvons voir SAKSHI agissant comme un intermédiaire entre les fournisseurs d'IA et les utilisateurs, réunissant différentes IA de manière décentralisée pour servir ses utilisateurs. C'est plus une approche horizontale. L'objectif de SAKSHI est de libérer les fournisseurs d'IA pour gérer simplement leurs calculs de modèles hors chaîne, tout en adaptant les besoins des utilisateurs aux services de modèles, en gérant les paiements et en vérifiant la qualité du service via des protocoles sur chaîne de manière plus automatisée. Bien sûr, étant donné que SAKSHI est encore théorique, de nombreux détails de mise en œuvre restent à élaborer.

Partie 3 : Perspectives Futures

Que ce soit l'IA composable ou les plateformes IA décentralisées, les modèles d'écosystème IA basés sur la blockchain semblent avoir des points communs - les fournisseurs d'IA peuvent interagir directement avec les utilisateurs et ne fournir que des modèles ML pour le calcul hors chaîne. Les paiements, la résolution des litiges, l'adéquation des besoins des utilisateurs avec les services, peuvent être gérés par des protocoles de confiance. Comme base de confiance, les blockchains réduisent les frictions entre fournisseurs et utilisateurs, offrant aux utilisateurs une plus grande autonomie.

Bien que les avantages d'utiliser des blockchains comme couche de base soient bien compris, elles sont en effet adaptées aux services IA. Cependant, contrairement aux dApps, les calculs des applications IA ne peuvent pas tous être sur chaîne, donc une approche ZK ou optimiste est nécessaire pour intégrer les services IA de manière plus décentralisée.

Avec des améliorations telles que l'abstraction de compte pour permettre une meilleure expérience utilisateur, des éléments tels que la gestion des clés privées, les chaînes et le gaz peuvent ne pas être remarqués. Avec une expérience fluide ressemblant à l'UX Web2, un degré de liberté beaucoup plus grand et une composabilité, offrant de fortes incitations à l'adoption massive, les écosystèmes d'applications IA basés sur la blockchain ont un avenir prometteur.

RÉFÉRENCE

  • Chapitre 1 : Comment Mettre Votre IA Sur Chaîne : https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b

  • Chapitre 4 : Blockchains qui s'Améliorent Elles-Mêmes : https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36

  • Chapitre 6 : Le 1er Jeu IA Sur Chaîne au Monde : https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6

  • UNE INTRODUCTION À L'APPRENTISSAGE AUTOMATIQUE À CONNAISSANCE ZÉRO (ZKML) : https://worldcoin.org/blog/engineering/intro-to-zkml#zkml-use-cases

  • Preuve à Connaissance Zéro : Applications et Cas d'Utilisation : https://blog.chain.link/zero-knowledge-proof-use-cases/

  • SAKSHI : Plateformes IA Décentralisées : https://arxiv.org/pdf/2307.16562.pdf

  • Chérie, j'ai rétréci la Preuve : Permettre la vérification sur chaîne pour RISC Zero & Bonsai : https://www.risczero.com/news/on-chain-verification

  • Entretien avec le fondateur de Nil Foundation : La technologie ZK pourrait être mal utilisée, la traçabilité publique n'est pas l'intention d'origine de la cryptographie : https://www.techflowpost.com/article/detail_12647.html

  • Résumé Hebdomadaire IOSG | Allumer l'étincelle de la blockchain : LLM ouvre de nouvelles possibilités d'interaction de la blockchain #187 https://mp.weixin.qq.com/s/sVIBF6iPXwhamlKEvjH19Q