Par ZKML: ZKML (Zero Knowledge Machine Learning) ir mašīnmācīšanās tehnoloģija, kas apvieno nulles zināšanu pierādījumus (Zero-Knowledge Proofs) un mašīnmācīšanās algoritmus, lai risinātu privātuma aizsardzības problēmas mašīnmācīšanā.

Par sadalītu aprēķinu jaudu: sadalīta aprēķinu jauda nozīmē, ka viena aprēķinu uzdevuma sadalīšana vairākos mazākos uzdevumos un šo mazo uzdevumu piešķiršana vairākiem datoriem vai procesoriem apstrādei, lai panāktu efektīvu aprēķinu.

AI un Web3 stāvoklis: nekontrolējamās bišu kolonijas un entropijas pieaugums

Grāmatā (Nekontrolējami: mašīnas, sabiedrība un ekonomikas jaunā bioloģija) Kevins Kellijs ir izvirzījis fenomenu: bišu kolonijas pieņem lēmumus, balstoties uz sadalītu pārvaldību, veicot grupu dejas, un visa bišu kolonija seko lielākajai grupai šajā dejā, kļūstot par notikuma varoni. Tas ir arī minēts Morisa Metelinka tā sauktajā "bišu dvēselē" — katra bišu var pieņemt savu lēmumu, vadot citas bites apstiprinājumam, un beigu beigās pieņemtais lēmums patiesi ir grupas izvēle.

Entropijas pieauguma neorganizētība pati par sevi ievēro termodinamikas likumus, fizikas teorija tiek vizualizēta, ievietojot noteiktu skaitu molekulu tukšā kastē un aprēķinot galīgo sadalījumu. Attiecībā uz cilvēkiem algoritmiem radītais pūlis, lai arī ar individuālām domāšanas atšķirībām, var izrādīt grupas likumus, bieži vien ir ierobežots laikmeta un citu faktoru dēļ tukšā kastē un galu galā pieņem grupas lēmumus.

Protams, grupas likumi ne vienmēr ir pareizi, bet tie var pārstāvēt konsensu, un spēja vienai personai pacelt konsensa viedokli ir absolūti super individuāla. Bet lielākajā daļā gadījumu konsenss arī neizvirza mērķi, ka visiem cilvēkiem ir pilnīga beznosacījuma piekrišana, ir pietiekami, ka grupai ir vispārēja atpazīstamība.

Mēs šeit nespriedīsim, vai AI novedīs cilvēci nepareizā virzienā, faktiski šādas diskusijas jau ir daudz, neatkarīgi no tā, vai mākslīgā intelekta piemērošana rada lielu atkritumu, kas ir piesārņojis tīkla datu patiesumu, vai arī grupas lēmumu kļūdas var novest pie bīstamākām situācijām.

AI pašreizējā stāvoklī ir dabiska monopola iezīmes, piemēram, liela modeļa apmācība un izvietošana prasa daudz aprēķinu resursu un datu, un tikai neliela daļa uzņēmumu un iestāžu atbilst šiem nosacījumiem. Šie miljardiem datu katram monopolista īpašniekam ir kā dārgakmeņi, nerunājot par atvērtā koda koplietošanu, pat savstarpējā piekļuve ir neiespējama.

Tas rada milzīgu datu izšķiešanu, katram lielajam AI projektam ir jāveic lietotāju datu atkārtota vākšana, beigu beigās uzvarētājs saņem visu — neatkarīgi no tā, vai runa ir par apvienošanu vai pārdošanu, veidojot lielus projektus, vai tradicionālā interneta apgūšana.

Daudzi saka, ka AI un Web3 ir divas dažādas lietas, nav nekādas saistības — pirmajā daļā ir taisnība, tās ir divas atšķirīgas sacensību trases, bet otrajā daļā ir problēma, jo izmantot izplatītas tehnoloģijas, lai ierobežotu mākslīgā intelekta monopolu, un izmantot AI tehnoloģijas, lai veicinātu decentralizētā konsensa mehānisma izveidi, ir dabiska lieta.

Pamatu izpēte: ļaut AI veidot patiesu izplatītu grupu konsensa mehānismu

Mākslīgā intelekta kodols joprojām ir cilvēkā, mašīnas un modeļi ir tikai cilvēku domāšanas atspoguļojums un imitācija. Sauktā grupa ir grūti abstrahējama, jo ikdienā redzam ir reālas personas. Bet modelis izmanto milzīgu datu apjomu, lai mācītos un pielāgotos, beigu beigās simulējot grupas formu. Nevēloties vērtēt, kādi rezultāti varētu izrietēt no šāda modeļa, jo grupu ļaunprātīgas rīcības gadījumi nav notikuši tikai vienu vai divas reizes. Bet modelis noteikti atspoguļo šī konsensa mehānisma rašanos.

Piemēram, konkrēta DAO gadījumā, ja pārvaldība tiek padarīta par mehānismu, tas noteikti ietekmēs efektivitāti, jo grupas konsensa veidošana ir sarežģīts process, nemaz nerunājot par balsošanu, statistiku un citu darbību veikšanu. Ja DAO pārvaldība tiek attēlota kā AI modeļa forma, visi datu vākšanas dati jau nāk no visiem DAO dalībnieku teiktā, tādējādi iznākums patiesībā būs tuvāk grupas konsensam.

Individuālā modeļa grupas konsensu var apmācīt saskaņā ar iepriekš minēto plānu, bet šiem indivīdiem galu galā joprojām ir jābūt izolētiem. Ja kolektīvā inteliģences sistēma veido grupas AI, tajā katrs AI modelis sadarbojas, lai risinātu sarežģītas problēmas, tas patiesībā ir ievērojami uzlabojis konsensa slāņa iespējas.

Mazām grupām var būt gan autonomas ekosistēmas izveide, gan sadarbība ar citām grupām, lai efektīvāk un lētāk apmierinātu ļoti lielas aprēķina vai datu tirdzniecības prasības. Bet jautājums ir, ka dažādu modeļu datu bāzes stāvoklis ir pilnīgi neuzticams un aizsargājošs pret citiem — tas ir tieši tas, ko nosaka blokķēde: caur dezinficēšanu sasniegt patiesu izplatītu AI mašīnu drošu un efektīvu mijiedarbību.

Globāls inteliģents prāts var nodrošināt, ka sākotnēji neatkarīgie un vienkāršie AI algoritmu modeļi sadarbojas, veicot sarežģītu inteliģentu algoritmu plūsmu iekšienē, tādējādi veidojot izplatītu grupu konsensusa tīklu. Tas ir arī lielākais AI spēks Web3.

Privātums un datu monolpols? ZK un mašīnmācīšanās apvienojums

Cilvēki, neatkarīgi no tā, vai runā par AI ļaunprātīgu izmantošanu vai par privātuma aizsardzību un datu monopola bailēm, ir jāveic mērķtiecīgi pasākumi. Bet vissvarīgākais jautājums ir, ka mēs nezinām, kā secinājums tika iegūts, un modelēšanas operatori arī neplāno sniegt atbildes uz šo jautājumu. Un attiecībā uz globālo inteliģento prātu, par kuru runājām iepriekš, šo jautājumu ir vēl svarīgāk risināt, citādi neviena datu puse nevēlēsies dalīties ar savu kodolu ar citiem.

ZKML (Zero Knowledge Machine Learning) ir tehnoloģija, kas izmanto nulles zināšanu pierādījumus māšīnmācīšanā. Nulles zināšanu pierādījumi (Zero-Knowledge Proofs, ZKP) nozīmē, ka pierādītājs (prover) var pārliecināt pārbaudītāju (verifier) par datu patiesumu, nesniedzot konkrētus datus.

Kā teorētiskais gadījums. Ir 9×9 standarta sudoku, un pabeigšanas nosacījums ir numuru no 1 līdz 9 ievietošana deviņos kvadrātos, lai katrs numurs katrā rindā, kolonnā un kvadrātā parādītos tikai vienu reizi. Kā cilvēkam, kurš izveidoja šo mīklu, pierādīt izaicinātājam, ka šim sudoku ir risinājums, nesniedzot atbildi?

Vienkārši jāaizpilda atbildes vietā un nejauši jāļauj izaicinātājam izvilkt dažas rindas vai dažas kolonnas, sajaucot visus skaitļus secībā un jāpārbauda, vai tie visi ir no viena līdz deviņiem. Tas ir vienkāršs nulles zināšanu pierādījuma piemērs.

Nulles zināšanu pierādījumu tehnoloģijai ir trīs raksturojošas iezīmes: pilnīgums, precizitāte un nulles zināšanas, proti, tā pierāda secinājumu, nesniedzot nekādas detaļas. Tās tehnoloģiskais avots var arī atspoguļot vienkāršību, homomorfiskās šifrēšanas fonā, pārbaudes grūtības ir daudz zemākas nekā pierādījumu ražošanas grūtības.

Mašīnmācīšanās (Machine Learning) ir algoritmu un modeļu izmantošana, lai ļautu datoru sistēmām mācīties un uzlaboties no datiem. Automātiski mācoties no pieredzes, sistēma var automātiski veikt prognozes, klasifikāciju, klasterizāciju un optimizāciju no datiem un modeļiem.

Mašīnmācīšanās kodols ir modeļu izveide, šie modeļi var mācīties no datiem un automātiski prognozēt un pieņemt lēmumus. Šo modeļu izveide parasti prasa trīs galvenos elementus: datu kopu, algoritmu un modeļu novērtējumu. Datu kopa ir mašīnmācīšanās pamats, kas satur datus, kas izmantoti mašīnmācīšanās modeļu apmācībai un testēšanai. Algoritms ir mašīnmācīšanās modeļa kodols, kas nosaka, kā modelis mācās un prognozē no datiem. Modeļu novērtējums ir svarīgs posms mašīnmācīšanās procesā, lai novērtētu modeļa sniegumu un precizitāti un noteiktu, vai nepieciešams optimizēt un uzlabot modeli.

Tradicionālajā mašīnmācīšanās procesā datu kopas parasti ir jāsavāc centrālā vietā apmācībai, kas nozīmē, ka datu īpašniekiem ir jādalās ar datiem ar trešām pusēm, kas var radīt datu vai privātuma noplūdes risku. Izmantojot ZKML, datu īpašnieki var dalīties ar datu kopām citiem, nesniedzot datus, ko nodrošina nulles zināšanu pierādījumi.

Nulles zināšanu pierādījums tiek izmantots māšīnmācīšanās apgādē, un rezultāts noteikti ir paredzams, tas atrisina ilgi pastāvošo privātuma melno kasti un datu monopola problēmu: vai projekta puse var pabeigt pierādīšanu un validāciju, neatklājot lietotāja datu ievadi vai modeļa konkrētās detaļas, vai var ļaut katrai grupai dalīties ar saviem datiem vai modeli, lai veiktu darbības, nesniedzot privātos datus? Protams, pašreizējā tehnoloģija joprojām ir agrīnā stadijā, praksē noteikti būs daudz problēmu, bet tas nenovērš mūsu sapņus, un jau ir daudz komandu, kas strādā pie attīstības.

Vai šāda situācija varētu radīt mazo datu bāzu izmantošanu lielajām datu bāzēm bez maksas? Kad jūs domājat par pārvaldības jautājumiem, jūs atkal nonākat pie mūsu Web3 domāšanas, Crypto būtība ir pārvaldība. Neatkarīgi no tā, vai caur plašu lietošanu vai koplietošanu, tas ir jādara, lai iegūtu pienācīgu atlīdzību. Neatkarīgi no tā, vai caur esošajām Pow, PoS mehānismiem vai jaunākajām PoR (reputācijas pierādījumu mehānismiem), tie visi nodrošina atlīdzības efektu.

Izplatīta aprēķina jauda: meli un realitāte saplūst inovācijas naratīvā

Decentralizēta aprēķina jauda tīkli ir bijusi populāra tēma kriptovalūtu aplī, jo AI lielajiem modeļiem nepieciešamā aprēķina jauda ir milzīga, un centralizēta aprēķina jauda ne tikai radīs resursu izšķiešanu, bet arī radīs patiesu monopolu — ja beigu beigās viss ir par GPU skaitu, tad tas ir pārāk garlaicīgi.

Decentralizēta aprēķina jauda būtībā ir resursu apvienošana, kas izkliedēta dažādās vietās un ierīcēs. Galvenās priekšrocības, par kurām visi runā: nodrošina izplatītu aprēķināšanas jaudu, risina privātuma problēmas, palielina mākslīgā intelekta modeļu uzticamību un drošību, atbalsta ātru izvietošanu un darbību dažādās lietojumprogrammu jomās, kā arī nodrošina decentralizētus datu glabāšanas un pārvaldības risinājumus. Jā, izmantojot decentralizētu aprēķina jaudu, ikviens var palaist AI modeļus un testēt tos uz reāliem datu kopumiem no globāliem lietotājiem, tādējādi gūstot labumu no elastīgākas, efektīvākas un lētākas aprēķina pakalpojumu sniegšanas.

Tajā pašā laikā decentralizēta aprēķina jauda var atrisināt privātuma problēmas, izveidojot spēcīgu ietvaru, kas aizsargā lietotāju datu drošību un privātumu. Un tas nodrošina caurredzamu, pārbaudāmu aprēķina procesu, palielinot mākslīgā intelekta modeļu uzticamību un drošību, nodrošinot elastīgus un paplašināmus aprēķina resursus ātrai izvietošanai un darbībai dažādās lietojumprogrammu jomās.

Ja mēs aplūkojam pilnīgu centralizētas aprēķina plūsmas modeli apmācībā, soļi parasti ir: datu sagatavošana, datu sadalīšana, datu pārsūtīšana starp ierīcēm, paralēlā apmācība, gradientu apvienošana, parametru atjaunināšana, sinhronizācija un atkārtota apmācība. Šajā procesā, pat ja centralizēta datu centrs izmanto augstas veiktspējas aprēķinu iekārtu grupas, savienojot augstas ātruma tīklu, lai koplietotu aprēķina uzdevumus, dārgās komunikācijas izmaksas ir viens no lielākajiem ierobežojumiem decentralizētām aprēķina jaudas tīkliem.

Tādējādi, lai gan decentralizēta aprēķina jauda tīkliem ir daudz priekšrocību un potenciāla, attiecībā uz pašreizējiem komunikācijas izmaksām un praktiskajām darbības grūtībām attīstības ceļš joprojām ir grūts. Praksē decentralizētas aprēķina jaudas tīklu izveidei ir jārisina daudzas praktiskas tehniskās problēmas, neatkarīgi no tā, kā nodrošināt mezglu uzticamību un drošību, kā efektīvi pārvaldīt un organizēt izkliedētos aprēķina resursus, vai kā īstenot efektīvu datu pārsūtīšanu un komunikāciju utt., droši vien ir lielas problēmas, ar kurām saskaras.

Astes: gaidīšana ideālistiem

Atgriežoties pie komerciālās realitātes, AI un Web3 dziļā apvienošanās naratīvs izskatās tik skaists, taču kapitāls un lietotāji vairāk nekā jebkad ar faktiskiem darbiem mums saka, ka tā ir grūta inovāciju ceļojums, ja vien projekta dalībnieki nespēj, tāpat kā OpenAI, apvienot spēku ar spēcīgu atbalstītāju, citādi nebeidzamās izstrādes izmaksas un neskaidrie komerciālie modeļi mūs pilnībā iznīcinās.

Neatkarīgi no tā, vai runa ir par AI vai Web3, šobrīd tie atrodas ļoti agrīnā attīstības stadijā, kā tas bija ar interneta burbuli pagājušā gadsimta beigās, līdz pat tuvākajām desmit gadiem tas oficiāli sasniedza patiesi zelta laikmetu. Makartijs sapņoja izveidot mākslīgu intelektu ar cilvēka inteliģenci vienā brīvdienā, bet tikai pēc gandrīz septiņdesmit gadiem mēs patiešām speram svarīgu soli mākslīgā intelekta virzienā.

Web3+AI ir tāds pats, mēs jau esam noteikuši pareizā virziena virzienu, atlikusi tikai laika jautājums.

Kad laika paisums pakāpeniski atkāpjas, tie, kas stāv stabili, ir mūsu tilti no zinātniskās fantastikas uz realitāti.