Autor: Ian Xu@Foresight Ventures
TL;DR
W tym artykule omówiono skrzyżowanie sztucznej inteligencji i Web3, badając, w jaki sposób sztuczna inteligencja w łańcuchu może wnieść znaczącą wartość do zdecentralizowanego Internetu. Przedstawia kilka projektów, w tym Worldcoin, Pragma, Lyra Finance, Giza, Zama.ai i potencjalne aplikacje ML-as-a-service.
W artykule podkreślono, że sztuczna inteligencja w kontekście Web3 jest w początkowej fazie, ale kryje w sobie ogromny potencjał. Sztuczna inteligencja on-chain, będąc przejrzysta i możliwa do sprawdzenia, może znacznie zwiększyć wydajność i bezpieczeństwo, umożliwiając tworzenie nowych form produktów. Szczególnie obiecujący jest ZKML, którego pakiet zbiorczy ZK może potencjalnie służyć jako punkt wejścia dla sztucznej inteligencji do świata Web3.
Chociaż obecna infrastruktura może obsługiwać modele o określonej skali, nadal istnieje wiele niepewności, szczególnie w zakresie weryfikacji modeli za pomocą dowodów zerowej wiedzy. Jest to postrzegane jako nieunikniona ścieżka dla AI on-chain, ale wymaga wykładniczych ulepszeń w systemach dowodowych, aby obsługiwać coraz większe modele.
Jeśli chodzi o zastosowania, on-chain AI może potencjalnie uczestniczyć w dowolnym aspekcie Web3, w tym w grach, DeFi, DID i narzędziach. Pomimo niedoboru istniejących projektów, artykuł pozostaje optymistyczny co do potencjału on-chain AI i jego transformacyjnego wpływu na przestrzeń Web3.
1. AI + Web3 = ?
Obsesyjne poświęcenie deweloperów na rzecz budowy infrastruktury i ciągłe aktualizacje różnych rozwiązań typu rollup rzeczywiście dokonały przełomu w pierwotnie opóźnionej mocy obliczeniowej web3. Umożliwiło to również umieszczenie AI w blockchain. Ale możesz chcieć powiedzieć, że zamiast podejmować wielkie wysiłki, aby wdrożyć AI w łańcuchu, uruchamianie modeli poza łańcuchem wydaje się być w stanie zaspokoić większość potrzeb. W rzeczywistości prawie wszystkie modele AI działają obecnie w trybie czarnej skrzynki, scentralizowanym i tworzą niezastąpioną wartość w różnych dziedzinach.
1.1 Wróćmy do najbardziej podstawowego pytania: czym jest sztuczna inteligencja w blockchainie?
Powszechnie przyjmuje się, że modele sztucznej inteligencji powinny być przejrzyste i weryfikowalne za pośrednictwem Web3.
Mówiąc dokładniej, AI w blockchainie oznacza całkowitą weryfikację modeli sztucznej inteligencji. Oznacza to, że model musi ujawnić następujące trzy punkty całej sieci (użytkownikom lub weryfikatorom):
Architektura modelu;
Parametry i wagi modelu: Ujawnienie parametrów i wag może czasami mieć negatywny wpływ na bezpieczeństwo produktu. Dlatego w przypadku konkretnych scenariuszy, takich jak modele kontroli ryzyka, wagi mogą być ukryte w celu zapewnienia bezpieczeństwa;
Dane wejściowe modelu: W kontekście web3 są to na ogół publiczne dane w łańcuchu.
Gdy spełnione są powyższe warunki, cały proces wykonywania modelu jest deterministyczny i nie jest już operacją typu black-box. Każdy może zweryfikować dane wejściowe i wyniki modelu na blockchainie, uniemożliwiając w ten sposób właścicielowi modelu lub powiązanej upoważnionej osobie manipulowanie modelem.
1.2 Co jest siłą napędową sztucznej inteligencji w łańcuchu?
Znaczenie sztucznej inteligencji on-chain nie polega na zastąpieniu scentralizowanego trybu działania sztucznej inteligencji Web2, ale na tym, że:
Bez poświęcania decentralizacji i braku zaufania tworzy kolejny etap wartości dla świata web3. Obecny Web3 jest jak wczesny etap web2 i nie ma jeszcze możliwości podejmowania szerszych aplikacji ani tworzenia większej wartości. Dopiero po włączeniu AI wyobraźnia Dapp może naprawdę przeskoczyć do następnego etapu, a te aplikacje on-chain mogą stać się bliższe poziomowi aplikacji web2. Ta bliskość nie polega na uczynieniu funkcji bardziej podobnymi, ale na ulepszeniu doświadczenia użytkownika i możliwości poprzez wykorzystanie wartości Web3.
Zapewnia przejrzyste i niezawodne rozwiązanie dla trybu działania czarnej skrzynki sztucznej inteligencji web2.
Wyobraź sobie scenariusze zastosowań web3:
Dodanie algorytmu rekomendacji do platformy handlu NFT, rekomendującego odpowiednie NFT na podstawie preferencji użytkownika i poprawiającego konwersję;
Dodawanie przeciwników AI do gier w celu zapewnienia bardziej przejrzystej i uczciwej rozgrywki;
……
Jednakże aplikacje te stanowią dalsze udoskonalenia w zakresie wydajności i doświadczenia użytkownika poprzez wykorzystanie sztucznej inteligencji w istniejących funkcjach.
Czy jest wartościowy? Tak.
Czy wartość jest duża? To zależy od produktu i scenariusza.
Wartość, jaką może stworzyć AI, nie ogranicza się do optymalizacji od 99 do 100. To, co naprawdę mnie ekscytuje, to nowe aplikacje od 0 do 1, niektóre przypadki użycia, które można osiągnąć tylko za pomocą przejrzystych + weryfikowalnych modeli on-chain. Jednak te „ekscytujące” przypadki użycia obecnie opierają się głównie na wyobraźni, bez dojrzałych aplikacji. Oto kilka pomysłów na burzę mózgów:
Handel kryptowalutami oparty na modelach decyzyjnych sieci neuronowych: Jedna forma produktu może być bardziej jak ulepszona wersja handlu kopiami, a nawet zupełnie nowy sposób handlu. Użytkownicy nie muszą już ufać ani badać innych doświadczonych traderów, ale obstawiać całkowicie otwarte i przejrzyste modele i ich wyniki. Zasadniczo, AI handluje szybciej i bardziej zdecydowanie w oparciu o przewidywania przyszłych cen kryptowalut. Jednak bez „autonomii bez zaufania” inherentnej w AI on-chain, takie obiekty lub standardy zakładów po prostu nie istnieją. Użytkownicy/inwestorzy mogą przejrzyście widzieć powody, procesy, a nawet dokładne prawdopodobieństwo przyszłych wzrostów/spadków w procesie decyzyjnym modelu.
Modele AI działające jako sędziowie: Produkt może być nową formą wyroczni, przewidującej dokładność źródeł danych za pomocą modeli AI. Użytkownicy nie muszą już ufać walidatorom i nie muszą się martwić o niewłaściwe zachowanie węzłów. Dostawcy Oracle nie muszą nawet projektować złożonych sieci węzłów i mechanizmów nagradzania i karania, aby osiągnąć decentralizację. Odpowiednio, transparentna + weryfikowalna sztuczna inteligencja w łańcuchu jest już wystarczająca, aby zweryfikować poziom zaufania źródeł danych poza łańcuchem. Ta nowa forma produktu ma potencjał, aby zdominować pod względem bezpieczeństwa, wydajności i kosztów, a cel decentralizacji przechodzi od ludzi do narzędzi AI o „bezzaufanej autonomii”, które są niewątpliwie bezpieczniejsze.
Zarządzanie organizacją/systemy operacyjne oparte na dużych modelach: Zarządzanie DAO powinno być z natury wydajne, zdecentralizowane i uczciwe, ale obecna sytuacja jest wręcz odwrotna, luźna i rozdęta, pozbawiona przejrzystości i uczciwości. Wprowadzenie AI on-chain może zapewnić bardzo odpowiednie rozwiązanie, maksymalizując tryb zarządzania i wydajność oraz minimalizując systemowe i ludzkie ryzyko w zarządzaniu. Możemy nawet wyobrazić sobie nowy tryb rozwoju i działania dla projektów web3, w którym całe ramy i przyszły kierunek rozwoju oraz propozycje prawie nie zależą od podejmowania decyzji przez zespół programistów lub głosowania DAO. Zamiast tego decyzje są podejmowane na podstawie większego gromadzenia danych i zdolności obliczeniowych dużych modeli. Ale wszystko to opiera się na założeniu, że model jest on-chain. Bez „bezzaufanej autonomii” AI nie ma przejścia od ludzi do narzędzi w zdecentralizowanym świecie.
……
Podsumowując,
Nowe formy produktów oparte na AI on-chain można podsumować jako przeniesienie tematu decentralizacji i braku zaufania z ludzi na narzędzia AI. Jest to zgodne z ewolucją produktywności w tradycyjnym świecie, gdzie początkowo podejmowano wysiłki w celu ulepszenia i zwiększenia wydajności człowieka, a później ludzi zastąpiono inteligentnymi narzędziami, rewolucjonizując oryginalny projekt produktu pod względem bezpieczeństwa i wydajności.
Najważniejszym punktem i założeniem wszystkich powyższych rozważań jest uczynienie sztucznej inteligencji przejrzystą i weryfikowalną za pomocą Web3.
1.3 Następny etap Web3
Web3, jako fenomenalna innowacja technologiczna, nie może pozostać w początkowej fazie. Modele ruchu i ekonomii są ważne, ale użytkownicy nie zawsze będą kontynuować pogoń za ruchem lub wydawać dużo zasobów, aby robić X, aby zarabiać, a Web3 nie wciągnie kolejnej fali nowych użytkowników z tego powodu. Ale jedno jest pewne: rewolucja produktywności i wartości w świecie kryptowalut musi pochodzić z dodania AI.
Myślę, że można podzielić go na trzy następujące etapy:
Początek: Aktualizacja i iteracja algorytmów dowodu zerowej wiedzy i sprzętu zapewniają pierwszą możliwość powstania sztucznej inteligencji w łańcuchu bloków; (jesteśmy tutaj)
Rozwój: Niezależnie od tego, czy chodzi o ulepszanie istniejących aplikacji za pomocą sztucznej inteligencji, czy o nowe produkty oparte na sztucznej inteligencji w łańcuchu, oba te czynniki napędzają rozwój całej branży;
Koniec gry: jaki jest ostateczny kierunek rozwoju sztucznej inteligencji w łańcuchu?
Powyższe dyskusje dotyczą eksploracji scenariuszy aplikacji od dołu do góry poprzez połączenie AI i Web3. Jeśli przejdziemy do podejścia od góry do dołu, aby zobaczyć AI on-chain, czy AI może prześledzić z powrotem do samego Web3? AI + blockchain = adaptacyjny blockchain
Niektóre publiczne łańcuchy przejmą inicjatywę w integrowaniu AI on-chain, przekształcając się z poziomu łańcuchów publicznych w rodzaj adaptacyjnego. Kierunek rozwoju nie zależy już od decyzji dotyczących fundamentów projektu, ale opiera się na podejmowaniu decyzji na podstawie ogromnych danych, a poziom automatyzacji znacznie przekracza tradycyjny Web3, wyróżniając się tym samym na tle obecnej prosperity multi-chain.
Dzięki błogosławieństwu weryfikowalnej i przejrzystej sztucznej inteligencji, w której przejawia się samoregulacja web3, można odwołać się do kilku przykładów podanych przez Modulus Lab:
Rynki transakcji łańcuchowych mogą automatycznie dostosowywać się w sposób zdecentralizowany, np. zmieniając w czasie rzeczywistym stopę procentową stablecoinów na podstawie publicznie dostępnych danych łańcuchowych, bez konieczności przyjmowania założeń dotyczących zaufania;
Uczenie multimodalne może umożliwić interakcje protokołów w łańcuchu blokowym za pośrednictwem rozpoznawania biometrycznego, zapewniając bezpieczne KYC i osiągając kompletne zarządzanie tożsamością bez zaufania;
Umożliwia aplikacjom on-chain maksymalne wykorzystanie wartości uzyskanej dzięki danym on-chain, wspierając takie usługi, jak rekomendacje dostosowanych treści.
Z innej perspektywy zkrollup ciągle iteruje i optymalizuje, ale zawsze brakuje mu prawdziwej aplikacji, która może działać tylko w ekosystemie zk, ZKML dokładnie spełnia ten punkt, a jego przestrzeń wyobraźni jest również wystarczająco duża. ZK-rollup prawdopodobnie będzie w przyszłości punktem wejścia dla AI do web3, tworząc większą wartość, a oba te elementy wzajemnie się uzupełniają.
2. Wdrożenie i wykonalność
2.1 Co Web3 może zapewnić sztucznej inteligencji?
Infrastruktura i ZK to niewątpliwie najbardziej zaciekle konkurencyjne ścieżki w web3. Różne projekty ZK poczyniły duże wysiłki w zakresie optymalizacji obwodów i ulepszania algorytmów, czy to eksploracja sieci wielowarstwowych, rozwój warstw modularizacji i dostępności danych, dalsze dostosowywanie rollupu jako usługi, czy nawet akceleracja sprzętowa… Te próby przesuwają skalowalność, koszt i moc obliczeniową infrastruktury Web3 na wyższy poziom.
Wprowadzenie sztucznej inteligencji do tego łańcucha brzmi obiecująco, ale jak dokładnie to zrobić?
Jedno podejście polega na zastosowaniu systemu dowodu ZK. Na przykład, utworzenie dostosowanego obwodu do uczenia maszynowego, proces generowania świadka poza łańcuchem jest procesem wykonywania modelu, a wygenerowanie dowodu dla procesu przewidywania modelu (w tym parametrów i danych wejściowych modelu), każdy może zweryfikować dowód w łańcuchu.
Model sztucznej inteligencji nadal działa w wydajnym klastrze, nawet z pewnym przyspieszeniem sprzętowym w celu dalszego zwiększenia szybkości obliczeniowej, maksymalizując wykorzystanie mocy obliczeniowej, a jednocześnie zapewniając, że żadna scentralizowana osoba ani instytucja nie będzie mogła manipulować modelem ani zakłócać jego działania, tj. aby zapewnić:
Pewność wyniku przewidywania modelu = weryfikowalność (dane wejściowe + architektura modelu + parametry)
Opierając się na powyższym podejściu, możemy dalej wnioskować, które infrastruktury są kluczowe dla łańcucha sztucznej inteligencji:
System ZKP, rollup: Rollupy rozszerzają naszą wyobraźnię na temat możliwości obliczeniowych on-chain, pakowania wielu transakcji, a nawet rekurencyjnego generowania dowodu dowodu w celu dalszego obniżenia kosztów. W przypadku obecnych dużych modeli pierwszym krokiem do zapewnienia możliwości jest system dowodu i rollup;
Przyspieszenie sprzętowe: ZK rollup zapewnia weryfikowalną podstawę, ale szybkość generowania dowodu bezpośrednio wiąże się z użytecznością i doświadczeniem użytkownika modelu. Czekanie przez kilka godzin na wygenerowanie dowodu modelu oczywiście nie zadziała, więc przyspieszenie sprzętowe za pomocą FPGA jest dużym wzmocnieniem.
Kryptografia: Kryptografia jest podstawą świata kryptowalut, a modele łańcuchowe i poufne dane również muszą gwarantować prywatność.
Uzupełnienie:
Podstawą dużych modeli jest GPU. Bez wysokiego wsparcia równoległego wydajność dużych modeli będzie bardzo niska i nie będą mogły działać. Dlatego dla ekosystemu zk on-chain:
Przyjazny dla GPU = przyjazny dla AI
Weźmy na przykład Starknet — Cario może działać tylko na procesorze, więc możliwe jest wdrożenie tylko niektórych małych modeli drzew decyzyjnych, co nie sprzyja wdrażaniu dużych modeli w dłuższej perspektywie.
2.2 Wyzwanie: Mocniejszy system dowodowy
Prędkość generowania i wykorzystanie pamięci w ZK Proof mają kluczowe znaczenie. Pierwsze są związane z doświadczeniem użytkownika i wykonalnością, drugie zaś z kosztami i skalowalnością.
Czy obecny system zkp jest wystarczający?
Wystarczające, ale nie dość dobre…
Modulus Lab szczegółowo opisał konkretną sytuację modeli i mocy obliczeniowej w artykule „The Cost of Intelligence: Proving Machine Learning Inference with Zero-Knowledge”. Kiedy masz czas, możesz przeczytać ten „Paper0” w polu ZKML: https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view
Poniżej znajdują się różne systemy dowodowe wspomniane w artykule 0.
Na podstawie powyższych algorytmów zk, Modulus Lab przeprowadza testy w dwóch wymiarach: zużycia czasu i zajętości pamięci oraz kontroluje dwie podstawowe zmienne: parametry i warstwy w tych dwóch wymiarach. Poniżej przedstawiono zestawy testów porównawczych. Taki projekt może w przybliżeniu obejmować wolumen parametrów LeNet5 wynoszący 60 tys., 0,5 MFLOP, do wolumenu parametrów ResNet-34 wynoszącego 22 mln, 3,77 GFLOP.
Test zużycia czasu:
Test zużycia pamięci:
Na podstawie powyższych danych, ogólnie rzecz biorąc, obecny algorytm zk i potencjał do obsługi generowania dużych dowodów modelu są dostępne, ale odpowiadające im koszty są nadal wysokie, wymagając nawet ponad 10-krotnej optymalizacji. Biorąc Gloth16 za przykład, chociaż korzysta z optymalizacji czasu obliczeń, jaką zapewnia wysoka współbieżność, jako kompromis, użycie pamięci znacznie wzrasta. Wydajność Plonky2 i zkCNN w czasie i przestrzeni również potwierdza ten punkt.
Więc teraz pytanie faktycznie zmieniło się z tego, czy system zkp może obsługiwać AI on-chain na to, czy koszt jest wart obsługi AI on-chain. A wraz z wykładniczym wzrostem parametrów modelu, presja na system dowodowy również szybko wzrośnie. Czy rzeczywiście istnieje teraz sieć neuronowa bez zaufania? Nie! To dlatego, że koszt jest zbyt wysoki.
Dlatego stworzenie systemu dowodowego dostosowanego do AI ma kluczowe znaczenie. Jednocześnie, aby wdrożyć logikę AI, która jest bardzo złożona w jednym wywołaniu, model zużycia gazu również musi zostać przeprojektowany. Niezbędny jest wysokowydajny zkvm. Ale teraz możemy zobaczyć wiele prób wysokiej wydajności, takich jak OlaVM, polygon Miden itp. Ciągła optymalizacja tych infrastruktur znacznie poprawia wykonalność on-chain AI.
3. Czy warto czekać na tę aplikację?
Chociaż on-chain AI jest wciąż na wczesnym etapie, może znajdować się pomiędzy etapem początkowym a etapem rozwoju, patrząc z powyższych warstw. Jednak kierunek AI nigdy nie jest pozbawiony doskonałych zespołów i innowacyjnych pomysłów.
Jak wspomniano powyżej, patrząc na etap rozwoju AI w świecie web3, obecny rynek znajduje się w połowie drogi od rozpoczęcia do rozwoju, a kierunek próby produktu nadal opiera się głównie na optymalizacji doświadczenia użytkownika w oparciu o istniejące funkcje. Ale najcenniejszą rzeczą jest przekształcenie nieufnych podmiotów z ludzi w narzędzia za pośrednictwem AI w łańcuchu, podważając oryginalną formę produktu pod względem bezpieczeństwa i wydajności.
Następnie, zaczynając od kilku istniejących prób aplikacji, przeanalizuj długoterminowy kierunek rozwoju produktu w ramach sztucznej inteligencji w łańcuchu
3.1 Rockefeller Bot: Pierwsza na świecie sztuczna inteligencja oparta na łańcuchu
Rockefeller to pierwszy produkt AI on-chain wprowadzony na rynek przez zespół Modulus Lab, o silnej „wartości pamiątkowej”. Ten model jest zasadniczo botem handlowym. Dokładniej rzecz biorąc, dane szkoleniowe Rockefellera to duża ilość publicznie dostępnych cen/kursów wymiany WEth-USDC w łańcuchu. Jest to trójwarstwowy model sieci neuronowej feed-forward, a celem prognozy jest przyszły wzrost i spadek cen WEth.
Oto proces, w którym bot handlowy decyduje się na handel:
Rockefeller generuje ZKP dla wyników predykcji w ramach ZK-rollup;
ZKP jest weryfikowany na poziomie L1 (środki są przechowywane na podstawie kontraktu L1), a operacje są wykonywane;
Można zauważyć, że przewidywanie i operacje funduszy bota handlowego są całkowicie zdecentralizowane i pozbawione zaufania. Jak wspomniano powyżej, z wyższego wymiaru Rockefeller jest bardziej jak nowy typ rozgrywki Defi. W porównaniu do zaufania innym traderom, w tym trybie użytkownicy faktycznie obstawiają przejrzysty + weryfikowalny + autonomiczny model. Użytkownicy nie muszą ufać scentralizowanym instytucjom, aby zapewnić legalność procesu decyzyjnego modelu. Jednocześnie AI może również w największym stopniu wyeliminować wpływ natury ludzkiej i podejmować decyzje bardziej zdecydowanie.
Być może chciałbyś zainwestować trochę pieniędzy w Rockefeller i spróbować, ale czy to naprawdę może przynieść zyski?
Nie, nie może, według zespołu Modulus. Zamiast być aplikacją, Rockefeller jest bardziej jak Proof of Concept (POC) dla on-chain AI. Ze względu na ograniczenia kosztów, wydajności i systemów dowodowych, głównym celem Rockefellera jest służenie jako demo, aby pokazać wykonalność on-chain AI w świecie web3. (Rockefeller ukończył swoją misję i jest teraz offline T T)
3.2 Leela: Pierwsza na świecie gra oparta na sztucznej inteligencji w łańcuchu
Leela kontra świat, niedawno wydana, również pochodzi z Modulus Lab. Mechanizm gry jest prosty, gracze ludzcy tworzą drużyny, aby walczyć z SI. W grze gracze mogą obstawiać zakłady, a na koniec każdego meczu pula przegranych zostanie rozdzielona między zwycięzców zgodnie z liczbą obstawionych tokenów.
Mówiąc o on-chain AI, tym razem Modulus Lab wdrożył większą głęboką sieć neuronową (z liczbą parametrów > 3 700 000). Chociaż Leela przewyższa Rockefeller pod względem skali modelu i zawartości produktu, to w zasadzie nadal jest eksperymentem on-chain AI na dużą skalę. Mechanizm i tryb działania Leeli wymagają uwagi, co może pomóc nam lepiej zrozumieć tryb działania i przestrzeń ulepszeń on-chain AI. Oto diagram logiczny podany przez urzędnika:
Każdy ruch Leeli lub każda prognoza wygeneruje ZKP i dopiero po zweryfikowaniu przez kontrakt zaczną obowiązywać w grze. Oznacza to, że dzięki autonomicznej sztucznej inteligencji, która nie wymaga zaufania, środki obstawiane przez użytkowników i uczciwość gry są w pełni chronione przez kryptografię, a nie ma potrzeby ufać twórcy gry.
Leela używa algorytmu Halo2, głównie dlatego, że jego narzędzia i elastyczny projekt mogą pomóc zaprojektować bardziej wydajny system dowodzenia. Konkretna sytuacja wydajnościowa może odnosić się do powyższych danych testowych. Jednak w tym samym czasie, podczas działania Leela, zespół Modulus odkrył również wady Halo2, takie jak powolne generowanie dowodów i nieprzyjazność dla dowodzenia jednokrotnego itp. Dlatego też potwierdza to wniosek wyciągnięty z poprzednich danych testowych: jeśli musimy wprowadzić większe modele do web3, musimy opracować bardziej wydajny system dowodzenia.
Jednak wartość Leela polega na tym, że daje nam większą przestrzeń wyobraźni dla gry AI + Web3, w tej chwili gracze King of Glory powinni mieć ogromną nadzieję, że algorytm matchmakingu będzie w pełni łańcuchowy:) Gamefi potrzebuje więcej wysokiej jakości obsługi treści i bardziej sprawiedliwego systemu gry, a łańcuchowa sztuczna inteligencja po prostu to zapewnia. Na przykład wprowadzenie do gry scen gry lub postaci niezależnych opartych na sztucznej inteligencji zapewnia ogromną przestrzeń wyobraźni zarówno dla doświadczenia gracza, jak i rozgrywki w systemie ekonomicznym.
3.3 Worldcoin: AI + KYC
Worldcoin to system tożsamości on-chain (Privacy-Preserving Proof-of-Personhood Protocol), który wykorzystuje dane biometryczne do ustanowienia systemu tożsamości i osiągnięcia funkcji pochodnych, takich jak płatności. Celem jest zwalczanie ataków Sybil, a obecnie ma ponad 1,4 miliona zarejestrowanych użytkowników.
Użytkownicy skanują swoją tęczówkę za pomocą urządzenia sprzętowego o nazwie Orb, a dane osobowe są dodawane do bazy danych. Worldcoin uruchamia model CNN w środowisku obliczeniowym sprzętu Orb, aby skompresować i zweryfikować skuteczność danych tęczówki użytkownika. Brzmi to potężnie, ale w celu prawdziwej zdecentralizowanej weryfikacji tożsamości zespół Worldcoin bada weryfikację wyników modelu za pomocą ZKP.
Wyzwania
Warto wspomnieć, że model CNN używany przez Worldcoin ma rozmiar: parametry = 1,8 miliona, warstwy = 50. Na podstawie danych testowych pokazanych powyżej można stwierdzić, że obecny system dowodowy jest w stanie obsłużyć to zadanie pod względem czasu, ale zużycie pamięci jest niemożliwe do zrealizowania w przypadku sprzętu konsumenckiego.
3.4 Inne projekty
Pragma: Pragma to wyrocznia ZK opracowana na podstawie ekosystemu Starkware. Zespół bada również, jak rozwiązać problem zdecentralizowanej weryfikacji danych poza łańcuchem za pomocą sztucznej inteligencji w łańcuchu. Użytkownicy nie muszą już ufać walidatorom, ale mogą weryfikować źródła danych poza łańcuchem za pomocą wystarczająco dokładnej i weryfikowalnej sztucznej inteligencji w łańcuchu, takiej jak odczytywanie odpowiednich informacji fizycznych jako danych wejściowych i podejmowanie decyzji dotyczących faktycznej weryfikacji aktywów lub tożsamości.
Lyra finance: Lyra finance to opcja AMM, która zapewnia rynek obrotu instrumentami pochodnymi. Aby poprawić wykorzystanie kapitału, zespół Lyra i Modulus Lab współpracują w celu opracowania AMM opartego na weryfikowalnym modelu AI. Dzięki weryfikowalnemu, uczciwemu modelowi AI, Lyra finance ma szansę stać się eksperymentem wdrożeniowym na dużą skalę dla on-chain AI, wprowadzając po raz pierwszy uczciwe matchmaking dla użytkowników web3, optymalizując rynek on-chain za pomocą AI i zapewniając wyższe zwroty.
Giza: Platforma ZKML, która wdraża modele bezpośrednio w łańcuchu, a nie poza nim. Miła próba, ale… Ze względu na moc obliczeniową i brak wsparcia Cairo dla generowania dowodów opartych na CUDA, Giza może obsługiwać wdrażanie tylko małych modeli. To jest najbardziej fatalny problem. W dłuższej perspektywie duże modele, które mogą mieć destrukcyjny wpływ na web3, będą wymagały wydajnego wsparcia sprzętowego, takiego jak GPU.
Zama-ai: Homomorficzne szyfrowanie modeli. Szyfrowanie homomorficzne to forma szyfrowania, w której: f[E(x)] = E[f(x)], gdzie f jest operacją, E jest homomorficznym algorytmem szyfrowania, a x jest zmienną, na przykład E(a) + E(b) = E(a + b). Umożliwia ono określonym formom operacji algebraicznych na szyfrogramie uzyskanie zaszyfrowanego wyniku, a odszyfrowanie tego wyniku da taki sam wynik, jak wykonanie tej samej operacji na tekście jawnym. Prywatność modelu zawsze była punktem zapalnym i wąskim gardłem AI. Chociaż zk jest przyjazne dla prywatności, zk nie jest równoznaczne z prywatnością. Zama zobowiązuje się do zapewnienia zachowania prywatności podczas wykonywania modeli.
ML-as-a-service: Obecnie jest to tylko kierunek myślowy, bez konkretnych zastosowań, ale celem jest rozwiązanie problemów złośliwego zachowania scentralizowanych dostawców usług ML i zaufania użytkowników za pośrednictwem ZKP. Daniel Kang ma szczegółowy opis w artykule „Trustless Verification of Machine Learning” (patrz diagram w artykule).
4. Wnioski
Ogólnie rzecz biorąc, AI w świecie web3 jest na bardzo wczesnym etapie, ale nie ma wątpliwości, że dojrzewanie i popularyzacja on-chain AI przeniesie wartość web3 na inny poziom. Technicznie rzecz biorąc, web3 może zapewnić unikalną infrastrukturę dla AI, a AI jest niezbędnym narzędziem do zmiany relacji produkcyjnych web3. Połączenie tych dwóch może wywołać wiele możliwości, co jest ekscytującym i pomysłowym miejscem.
Z perspektywy motywacji AI do przejścia na łańcuch, z jednej strony transparentna + weryfikowalna AI on-chain przekształca zdecentralizowane i pozbawione zaufania podmioty z ludzi w narzędzia AI, znacznie zwiększając wydajność i bezpieczeństwo oraz zapewniając możliwości tworzenia zupełnie nowych form produktów. Z drugiej strony, w miarę jak infrastruktura web3 nadal się rozwija, web3 naprawdę potrzebuje zabójczej aplikacji, która może zmaksymalizować wartość tej infrastruktury. ZKML pasuje do tego punktu, na przykład ZK-rollup prawdopodobnie będzie punktem wejścia AI do web3 w przyszłości.
Z perspektywy wykonalności obecna infrastruktura może obsługiwać modele o określonej skali do pewnego stopnia, ale nadal istnieje wiele niepewności. Wykorzystanie ZKP do tworzenia weryfikowalnych modeli wydaje się obecnie jedyną ścieżką dla AI, aby przejść do łańcucha i może być również najbardziej deterministyczną ścieżką techniczną dla wprowadzenia AI do aplikacji web3. Jednak w dłuższej perspektywie obecny system dowodowy musi zostać wykładniczo ulepszony, aby wystarczająco obsługiwać coraz większe modele.
Z perspektywy scenariuszy aplikacji, AI może niemal idealnie uczestniczyć w każdym kierunku web3, czy to w grach, DeFi, DID czy narzędziach… Chociaż istniejące projekty są bardzo rzadkie i nie mają długoterminowej wartości, nie przeszły jeszcze z narzędzia do poprawy wydajności do aplikacji, która zmienia relacje produkcyjne. Ale ekscytujące jest to, że ktoś wykonał pierwszy krok i możemy zobaczyć najwcześniejsze spojrzenie na on-chain AI i jego przyszłe możliwości.
Odniesienie
https://worldcoin.org/blog/engineering/intro-to-zkml
https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b
https://medium.com/@ModulusLabs/chapter-2-why-put-your-ai-on-chain-33b7625147b7
https://medium.com/@ModulusLabs/chapter-3-the-worlds-first-on-chain-ai-trading-bot-c387afe8316c
https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36
https://medium.com/@ModulusLabs/chapter-4-5-trustless-ai-for-living-breathing-games-cc9f24080e30
https://medium.com/@ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307
https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6
https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view
https://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88
O firmie Foresight Ventures
Foresight Ventures jest oddany wspieraniu przełomowej innowacji blockchain przez następne kilka dekad. Zarządzamy wieloma funduszami: funduszem VC, aktywnie zarządzanym funduszem wtórnym, wielostrategicznym funduszem FOF i funduszem wtórnym rynku prywatnego, z AUM przekraczającym 400 milionów dolarów. Foresight Ventures wyznaje przekonanie o „unikalnym, niezależnym, agresywnym, długoterminowym nastawieniu” i zapewnia szerokie wsparcie dla spółek portfelowych w rozwijającym się ekosystemie. Nasz zespół składa się z weteranów z czołowych firm finansowych i technologicznych, takich jak Sequoia Capital, CICC, Google, Bitmain i wiele innych.
Strona internetowa: https://www.foresightventures.com/
Zastrzeżenie: Wszystkie artykuły Foresight Ventures nie mają na celu udzielania porad inwestycyjnych. Osoby powinny ocenić własną tolerancję ryzyka i podejmować decyzje inwestycyjne rozważnie.