Trong kỷ nguyên công nghệ tiên tiến này, sự ra đời của trí tuệ nhân tạo tổng hợp như ChatGPT và Midjourney đã mở ra những khả năng mới trong các lĩnh vực như thiết kế và nghệ thuật, phát triển phần mềm, xuất bản và thậm chí cả tài chính. Trí tuệ nhân tạo sáng tạo giống như một phép màu. Nó hứa hẹn sẽ vượt qua ranh giới sáng tạo của con người, cải thiện đáng kể năng suất và đưa chúng ta đến con đường đổi mới ở cấp độ cao hơn.
Để có được những phần mềm như ChatGPT và Midjourney có được vị trí như ngày nay, phải mất nhiều năm nghiên cứu và đào tạo về lượng dữ liệu khổng lồ để phát triển các mô hình AI đằng sau chúng. Lấy ChatGPT làm ví dụ, nó cần khoảng 570GB bộ dữ liệu từ các trang web, sách và các nguồn khác để đào tạo. Một số dữ liệu này có thể đến từ những người dùng hoàn toàn không biết rằng dữ liệu cá nhân của họ đang được sử dụng để đào tạo phần mềm AI. Mặc dù phần lớn dữ liệu được thu thập và sử dụng có thể vô hại đối với bản thân người dùng nhưng chắc chắn một số dữ liệu nhạy cảm hoặc riêng tư có thể được trộn lẫn và đưa vào mô hình mà không có sự đồng ý của người dùng.
Do những lo ngại về quyền riêng tư do các hệ thống như vậy nêu lên, nhận thức và sự chú trọng ngày càng tăng về các vấn đề bảo mật và quyền riêng tư dữ liệu. Một số người đang kêu gọi tìm kiếm sự cân bằng hài hòa giữa việc tận dụng lợi thế của trí tuệ nhân tạo và bảo vệ quyền riêng tư cá nhân. May mắn thay, có một công nghệ đầy hứa hẹn có thể giúp thu hẹp khoảng cách này – bằng chứng không có kiến thức (ZKP).
zkML là gì?
Giao thức không có kiến thức là phương pháp mà một bên (người chứng minh) có thể chứng minh cho bên khác (người xác minh) rằng một mệnh đề nhất định là đúng mà không tiết lộ bất kỳ thông tin nào khác ngoài thực tế rằng mệnh đề cụ thể này là đúng. Kể từ năm 2022, công nghệ Zero Knowledge (ZK) đã phát triển ổn định và đạt được mức tăng trưởng đáng kể trong lĩnh vực blockchain. Các dự án trong không gian ZK đã hoạt động chăm chỉ và đạt được tiến bộ đáng kể trong lĩnh vực khả năng mở rộng và bảo vệ quyền riêng tư.
Học máy là một nhánh của trí tuệ nhân tạo tập trung vào phát triển các hệ thống có thể học từ dữ liệu trong quá khứ, nhận dạng các mẫu và đưa ra quyết định hợp lý, với sự tham gia giảm đáng kể của con người. Đây là công nghệ phân tích dữ liệu tự động tạo ra các mô hình phân tích bằng cách tận dụng nhiều loại thông tin kỹ thuật số khác nhau, chẳng hạn như dữ liệu số, nội dung văn bản, tương tác của người dùng và dữ liệu trực quan.
Trong học máy có giám sát, chúng tôi cung cấp đầu vào cho một mô hình được đào tạo trước với các tham số đặt trước và mô hình tạo ra đầu ra mà các hệ thống khác có thể sử dụng. Tuy nhiên, chúng ta phải nhấn mạnh tầm quan trọng của việc duy trì tính bảo mật và riêng tư của dữ liệu đầu vào và các tham số mô hình. Dữ liệu đầu vào có thể chứa thông tin sinh trắc học hoặc tài chính cá nhân nhạy cảm, trong khi các tham số mô hình có thể liên quan đến các yếu tố nhạy cảm như tham số xác thực sinh trắc học bí mật.
Sự kết hợp giữa công nghệ không có kiến thức và trí tuệ nhân tạo đã tạo ra máy học không có kiến thức (zkML), một công nghệ mới mạnh mẽ và có đạo đức hứa hẹn sẽ cách mạng hóa hoàn toàn cách chúng ta làm việc.
Trong một bài báo gần đây có tiêu đề "Cái giá của trí thông minh", nhóm Modulus Labs đã tiến hành đánh giá toàn diện các hệ thống chứng minh không có kiến thức hiện có khác nhau bằng cách sử dụng nhiều tổ hợp mô hình có quy mô khác nhau. Hiện tại, trong lĩnh vực học máy trên chuỗi, ứng dụng chính của ZK là xác minh các phép tính chính xác. Tuy nhiên, theo thời gian và sự phát triển hơn nữa, đặc biệt là Đối số kiến thức không tương tác ngắn gọn (SNARK), ZKP dự kiến sẽ phát triển đến mức có thể đảm bảo quyền riêng tư của người dùng khỏi những người xác nhận quá tò mò bằng cách ngăn chặn việc tiết lộ thông tin đầu vào.
zkML về cơ bản tích hợp công nghệ ZK vào phần mềm AI để khắc phục những hạn chế của nó trong việc bảo vệ quyền riêng tư và xác minh tính xác thực dữ liệu.
Các trường hợp sử dụng cho zkML
Mặc dù zkML vẫn là một công nghệ mới nổi nhưng nó đã thu hút được sự chú ý rộng rãi và có nhiều kịch bản ứng dụng hấp dẫn. Một số ứng dụng zkML đáng chú ý bao gồm:
Tính toàn vẹn tính toán (ML hợp lệ)
Bằng chứng hợp lệ như SNARK và STARK có khả năng xác minh tính chính xác của các phép tính, có thể mở rộng sang các tác vụ học máy bằng cách xác thực các suy luận mô hình hoặc xác nhận rằng đầu vào cụ thể dẫn đến đầu ra mô hình cụ thể. Việc dễ dàng chứng minh rằng đầu ra là kết quả của sự kết hợp cụ thể giữa mô hình và đầu vào sẽ tạo điều kiện thuận lợi cho việc triển khai các mô hình học máy ngoài chuỗi trên phần cứng chuyên dụng, đồng thời tạo điều kiện thuận lợi cho việc xác minh ZKP trên chuỗi. Ví dụ: Giza đang hỗ trợ Yearn, một giao thức tổng hợp lợi nhuận tài chính phi tập trung (DeFi), để chứng minh tính chính xác của việc thực hiện các chiến lược lợi nhuận phức tạp bằng cách sử dụng máy học trên chuỗi.
Phát hiện gian lận
Bằng cách tận dụng dữ liệu hợp đồng thông minh, các mô hình phát hiện bất thường có thể được đào tạo và sau đó được DAO (Tổ chức tự trị phi tập trung) công nhận là chỉ báo có giá trị cho các quy trình bảo mật tự động. Cách tiếp cận chủ động và phòng ngừa này giúp có thể tự động hóa các hành động, chẳng hạn như tạm dừng hợp đồng khi xác định được hoạt động độc hại tiềm ẩn, từ đó nâng cao hiệu quả của chúng.
Tính minh bạch trong ML dưới dạng dịch vụ (MLaaS)
Trong trường hợp nhiều công ty cung cấp mô hình học máy thông qua API của họ, người dùng khó xác định liệu nhà cung cấp dịch vụ có thực sự cung cấp các mô hình được xác nhận hay không do tính chất không rõ ràng của API. Việc cung cấp bằng chứng về tính hợp lệ cùng với API mô hình học máy sẽ mang lại sự minh bạch cho người dùng, cho phép họ xác minh mô hình cụ thể mà họ đang sử dụng.
Lọc trong phương tiện truyền thông xã hội Web3
Bản chất phi tập trung của các ứng dụng xã hội Web3 được cho là sẽ dẫn đến sự gia tăng nội dung spam và độc hại. Cách tiếp cận lý tưởng cho các nền tảng truyền thông xã hội sẽ là tận dụng mô hình học máy nguồn mở được cộng đồng đồng ý. Ngoài ra, nền tảng có thể cung cấp bằng chứng về suy luận mô hình khi chọn lọc bài đăng. Phân tích của Daniel Kang về thuật toán Twitter bằng zkML đi sâu hơn vào chủ đề này.
bảo vệ quyền riêng tư
Ngành chăm sóc sức khỏe ưu tiên sự riêng tư và bảo mật dữ liệu của bệnh nhân. Bằng cách tận dụng zkML, các nhà nghiên cứu và tổ chức y tế có thể phát triển các mô hình sử dụng dữ liệu bệnh nhân được mã hóa, đảm bảo bảo vệ hồ sơ cá nhân. Điều này cho phép phân tích hợp tác mà không cần chia sẻ thông tin nhạy cảm, tạo điều kiện thuận lợi cho những tiến bộ trong chẩn đoán bệnh, hiệu quả điều trị và nghiên cứu sức khỏe cộng đồng.
Khám phá tổng quan dự án của zkML
Nhiều ứng dụng của zkML đang trong giai đoạn thử nghiệm, thường xuất hiện từ các cuộc thi hackathons trong các dự án mới mang tính đổi mới. zkML mở ra những cách mới để thiết kế hợp đồng thông minh và hiện có một số dự án đang tích cực khám phá các ứng dụng của nó.
Phòng thí nghiệm Modulus: Các ứng dụng trong thế giới thực và nghiên cứu liên quan bằng cách sử dụng zkML. Họ đã chứng minh ứng dụng của zkML thông qua các cuộc trình diễn trên các dự án như RockyBot (bot giao dịch trên chuỗi) và Leela vs. the World (một trò chơi cờ vua trong đó toàn bộ loài người cạnh tranh với một phiên bản cờ vua Leela trên chuỗi đã được chứng minh. động cơ).
Giza: Một giao thức được cung cấp bởi Starkware cho phép khả năng triển khai các mô hình trí tuệ nhân tạo trên chuỗi theo cách hoàn toàn không cần tin cậy.
Worldcoin: Giao thức chứng minh cá nhân tận dụng zkML. Worldcoin tận dụng phần cứng tùy chỉnh để xử lý việc quét mống mắt chi tiết và kết hợp nó vào triển khai Semaphore. Những lần quét mống mắt này kích hoạt các chức năng quan trọng như chứng nhận thành viên và bỏ phiếu.
Tóm lại là
Giống như ChatGPT và Midjourney đã trải qua vô số lần lặp lại để có được vị trí như ngày hôm nay, zkML vẫn liên tục được cải tiến và tối ưu hóa, trải qua nhiều lần lặp lại để vượt qua các thách thức khác nhau từ khía cạnh kỹ thuật đến thực tế:
Quá trình lượng tử hóa giúp giảm thiểu mất độ chính xác
Quản lý kích thước mạch, đặc biệt là trong mạng nhiều lớp
Bằng chứng nhân ma trận hiệu quả
Đối phó với các cuộc tấn công của đối phương
Trong lĩnh vực zkML, tiến trình đang diễn ra với tốc độ nhanh chóng và dự kiến sẽ đạt đến mức tương đương với mức độ trong lĩnh vực học máy rộng hơn trong tương lai gần, đặc biệt là khi công nghệ tăng tốc phần cứng tiếp tục phát triển.
Việc kết hợp ZKP vào hệ thống AI có thể mang lại mức độ bảo mật và bảo vệ quyền riêng tư cao hơn cho người dùng và tổ chức tận dụng các hệ thống này. Do đó, chúng tôi háo hức chờ đợi sự đổi mới sản phẩm hơn nữa trong không gian zkML, nơi sự kết hợp giữa ZKP và công nghệ chuỗi khối tạo ra một môi trường an toàn và bảo mật cho các hoạt động AI/ML trong thế giới không cần cấp phép của Web3.