Skip to main content

zkML چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

zkML چیست

zkML (یادگیری ماشین دانش صفر) تکنیکی است که از اثبات‌های دانش صفر استفاده می‌کند تا تأیید کند مدل یادگیری ماشین استنتاج خود را درست اجرا کرده — بدون افشای وزن‌های مدل، دادهٔ ورودی یا هر دو. تضمینی رمزنگارانه فراهم می‌کند: «این خروجی توسط این مدل روی این ورودی تولید شده»، و هر کسی می‌تواند اثبات را بدون دیدن اطلاعات خصوصی تأیید کند.

خلاصه: zkML اجازه می‌دهد اثبات کنید یک مدل AI درست اجرا شده بدون آنکه مدل یا داده را افشا کنید. یکی از رویکردهای AI قابل‌تأیید است که تضمینی ریاضی (بدون نیاز به اعتماد) از استنتاج درست فراهم می‌کند، و یکی از چالش‌برانگیزترین‌ها از نظر فنی.

تشبیه برای تازه‌کارها

یک امتحان مهروموم‌شده را تصور کنید. دانش‌آموزی وارد اتاق می‌شود، آزمونی می‌دهد و برگهٔ پاسخ مهروموم‌شده را به مراقب تحویل می‌دهد. مراقب می‌تواند از طریق یک مُهر ضددست‌کاری تأیید کند که دانش‌آموز به همهٔ سؤال‌ها با کتاب درسی مجاز پاسخ داده و همهٔ قواعد امتحان را رعایت کرده — بدون آنکه هرگز یادداشت‌ها، منابع مطالعه یا روند فکری دانش‌آموز را ببیند. مراقب می‌داند نتیجه معتبر است، اما هیچ‌چیز دربارهٔ نحوهٔ آماده شدن دانش‌آموز نمی‌آموزد. zkML همین‌طور کار می‌کند: اثبات می‌کند AI «آزمون را درست داده» بدون افشای مدل (منابع مطالعه) یا دادهٔ ورودی (یادداشت‌های دانش‌آموز).

چه مسئله‌ای را حل می‌کند

در AI غیرمتمرکز، اعتماد مسئله‌ای بنیادین است. وقتی استنتاج روی یک نود راه دور اجرا می‌شود، درخواست‌دهنده از کجا بداند مدل درست واقعاً استفاده شده است؟ ارائه‌دهنده می‌تواند مدلی ارزان‌تر اجرا کند، نتیجه‌ای کش‌شده برگرداند یا اصلاً گام‌های محاسبه را رد کند. در AI متمرکز، کاربران با اتکا به اعتبار به ارائه‌دهنده اعتماد می‌کنند. در سیستم‌های غیرمتمرکز، اعتبار به‌تنهایی کافی نیست — تأیید رمزنگارانه این شکاف را پر می‌کند.

این مسئله وقتی اهمیت ویژه می‌یابد که خروجی‌های AI تصمیم‌های پرمخاطره را هدایت کنند. اگر یک پروتکل on-chain به خروجی مدل برای راه‌اندازی یک اقدام قرارداد هوشمند متکی باشد — مثلاً تنظیم یک پارامتر ریسک یا تأیید یک تراکنش — باید راهی برای تضمین اصالت خروجی وجود داشته باشد. بدون تأیید، سیستم فقط به‌اندازهٔ کم‌صادق‌ترین نودش قابل اعتماد است.

چگونه کار می‌کند (ساده‌شده)

خط لولهٔ zkML این گام‌های کلی را طی می‌کند:

  1. تبدیل مدل. مدل ML (معمولاً یک شبکهٔ عصبی) به یک مدار حسابی تبدیل می‌شود — بازنمایی ریاضی‌ای که سیستم‌های اثبات ZK می‌توانند با آن کار کنند. این گام عملیاتی مانند ضرب‌های ماتریسی، توابع فعال‌سازی و لایه‌های نرمال‌سازی را به قیدهای مدار ترجمه می‌کند.
  2. اجرای مدل. ارائه‌دهنده مدل ML را روی دادهٔ ورودی اجرا می‌کند و خروجی تولید می‌کند (مثلاً یک طبقه‌بندی، متن تولیدشده، یک پیش‌بینی).
  3. تولید اثبات. ارائه‌دهنده همراه با خروجی یک اثبات دانش صفر تولید می‌کند — شیء ریاضی فشرده‌ای که این ادعا را رمزگذاری می‌کند: «این خروجی با اجرای این مدل مشخص روی این ورودی مشخص تولید شد». این گام گران محاسباتی است: اثبات‌گر باید نشان دهد هر عملیات در مدار درست اجرا شده است.
  4. تأیید اثبات. هر کسی (درخواست‌دهنده، یک قرارداد هوشمند، شخص ثالث) می‌تواند اثبات را تأیید کند. تأیید در مقایسه با اجرای مجدد مدل سریع و ارزان است. اگر اثبات معتبر باشد، خروجی تضمین‌شده درست است.

ویژگی کلیدی: تأییدکننده جز آنچه اثبات آشکار می‌کند، هیچ‌چیز دربارهٔ وزن‌های مدل یا دادهٔ ورودی نمی‌آموزد. حریم خصوصی و تأییدپذیری هم‌زیستی دارند.

چه چیزی تولید اثبات را گران می‌کند

هزینه از ترجمهٔ عملیات ML به مدارهای ZK می‌آید. هر ضرب یا جمع در شبکهٔ عصبی به یک قید تبدیل می‌شود و اثبات‌گر باید شاهدی رمزنگارانه تولید کند که همهٔ قیدها را هم‌زمان برآورده کند. برای مدلی با میلیون‌ها پارامتر، این یعنی میلیون‌ها قید. چارچوب‌های فعلی از سیستم‌های اثبات متفاوت (SNARKها، STARKها و رویکردهای ترکیبی) با بده‌بستان‌های متغیر میان اندازهٔ اثبات، زمان تأیید و هزینهٔ اثبات‌گر استفاده می‌کنند.

چرا برای DecAIHub اهمیت دارد

DecAIHub ارزیابی می‌کند که آیا پروژه‌های کریپتو AI هوش مصنوعی واقعی و قابل‌تأیید دارند. zkML یکی از رویکردهای اثبات‌پذیر کردن رمزنگارانهٔ ادعاهای AI است — پروژه‌ای که از zkML استفاده می‌کند می‌تواند اثبات کند مدلش واقعاً اجرا شده، نه اینکه فقط ادعا کند. در چارچوب DecAI Fit، تأیید مبتنی بر zkML به بُعد Onchain necessity کمک می‌کند و پیوندی معنادار میان خط لولهٔ AI و بلاکچین را نشان می‌دهد. پروژه‌هایی که zkML پیاده‌سازی می‌کنند در دسته‌بندی‌هایی مانند AI/Inference و AI/Compute دیده می‌شوند.

از دیدگاه تأیید DecAIHub، پروژه‌های zkML پروفایل شواهد متمایزی دارند. وقتی پروژه‌ای واقعاً zkML را پیاده‌سازی می‌کند، آرتیفکت‌های Tier-1 قوی‌ای برای ارزیابی وجود دارد: مدارهای اثبات، قراردادهای تأیید روی زنجیره، دادهٔ بنچمارک زمان‌های اثبات و خطوط لولهٔ مستند تبدیل مدل به مدار. این باعث می‌شود ادعاهای zkML در مقایسه با ادعاهای مبهم «AI» نسبتاً راحت تأیید شوند — یا اثبات ZK کار می‌کند یا نه.

پیوند با AI قابل‌تأیید

zkML یکی از چند رویکرد به استنتاج قابل‌تأیید است. گزینه‌های اصلی دیگر:

رویکرد چگونه کار می‌کند مدل اعتماد بده‌بستان
zkML اثبات رمزنگارانه که استنتاج درست اجرا شده تضمین ریاضی (بدون نیاز به اعتماد) بالاترین هزینهٔ محاسباتی؛ تضمین ریاضی (بدون نیاز به اعتماد)
TEE (محیط اجرای امن) استنتاج در enclaveهای ایزولهٔ سخت‌افزاری اجرا می‌شود که درستی را گواهی می‌کنند اعتماد به سازندهٔ سخت‌افزار هزینهٔ پایین‌تر؛ وابسته به فرض‌های امنیتی سخت‌افزار
اجماع / چند ارائه‌دهنده چند ارائه‌دهندهٔ مستقل همان استنتاج را اجرا می‌کنند؛ نتایج مقایسه می‌شوند اعتماد به اکثریت صادق محاسبهٔ افزونه؛ تضمین ضعیف‌تر در برابر تبانی
تأیید خوش‌بینانه نتایج درست فرض می‌شوند مگر آنکه در دورهٔ اعتراض به چالش کشیده شوند اعتماد به انگیزه‌های اقتصادی هزینهٔ پایین؛ متکی به نظارت فعال و بازیگران عقلانی

zkML یک تضمین ریاضی (بدون نیاز به اعتماد) ارائه می‌دهد — درستی به‌صورت رمزنگارانه تأیید می‌شود، بدون اعتماد به سخت‌افزار، اکثریت صادق یا انگیزه‌های اقتصادی. اما بالاترین هزینهٔ محاسباتی را دارد. در عمل، بسیاری از پروژه‌ها رویکردها را ترکیب می‌کنند: استفاده از تأیید خوش‌بینانه برای عملیات روزمره و بازگشت به اثبات‌های zkML تنها وقتی نتایج به چالش کشیده می‌شوند.

محدودیت‌های فعلی

zkML فناوری نوپایی است با محدودیت‌های عملی چشمگیر:

  • هزینهٔ محاسباتی. تولید اثبات ZK برای استنتاج مدل چند مرتبهٔ بزرگی گران‌تر از خود استنتاج است. برای مدل‌های بزرگ، تولید اثبات می‌تواند دقیقه‌ها تا ساعت‌ها طول بکشد. این باعث می‌شود کاربردهای بلادرنگ برای چیزی فراتر از مدل‌های کوچک غیرعملی باشد.
  • محدودیت اندازهٔ مدل. چارچوب‌های فعلی zkML با مدل‌های نسبتاً کوچک کار می‌کنند (هزاران تا چند میلیون پارامتر). اجرای zkML روی یک LLM کامل با میلیاردها پارامتر هنوز عملی نیست. پژوهش در تکنیک‌هایی مانند کوانتیزه‌سازی مدل، تجمیع اثبات‌ها و اثبات‌های بازگشتی برای بالا بردن این حد فعال است.
  • بلوغ چارچوب‌ها. ابزارهای zkML (مانند EZKL، Modulus، Giza، Risc Zero برای ML) در حال توسعهٔ فعال‌اند. APIها، مستندات و تجربهٔ توسعه‌دهنده به‌سرعت تغییر می‌کنند و تغییرات ناسازگار رایج است.
  • استقرارهای تولیدی محدود. پروژه‌های اندکی zkML را در مقیاس تولید اجرا می‌کنند. بیشتر پیاده‌سازی‌ها نمونه‌های پژوهشی یا نمایش روی مدل‌های کوچک‌اند.
  • بده‌بستان دقت. تبدیل عملیات ممیز شناور ML به حساب نقطهٔ ثابت (که برای مدارهای ZK لازم است) می‌تواند تفاوت‌های عددی کوچکی ایجاد کند. این تفاوت‌ها برای وظایف طبقه‌بندی معمولاً ناچیزند اما ممکن است برای کاربردهای حساس به دقت مهم باشند.

این محدودیت‌ها مرز فعلی را تعریف می‌کنند. فناوری به‌سرعت پیش می‌رود و قیدهای امروز ممکن است ظرف چند سال به‌طور چشمگیری کم شوند.

وضعیت عملی zkML امروز

با وجود محدودیت‌ها، zkML از نظریهٔ محض فراتر رفته است. وضعیت فعلی شامل موارد زیر است:

  • اثبات مدل‌های کوچک کار می‌کند. مدل‌هایی تا چند میلیون پارامتر (طبقه‌بندهای تصویر، مدل‌های زبانی کوچک) قابل اثبات‌اند. تولید اثبات بسته به اندازهٔ مدل ثانیه‌ها تا دقیقه‌ها طول می‌کشد.
  • تأیید on-chain کار می‌کند. قراردادهای تأییدکنندهٔ ZK که اثبات‌های استنتاج ML را بررسی می‌کنند روی Ethereum و زنجیره‌های دیگر مستقر شده‌اند.
  • ابزارها در حال بهبودند. چارچوب‌هایی مانند EZKL به توسعه‌دهندگان اجازه می‌دهند مدل‌های ONNX را با چند خط کد نسبتاً کم به مدارهای ZK تبدیل کنند.
  • رویکردهای ترکیبی در حال ظهورند. برخی پروژه‌ها فقط حیاتی‌ترین گام‌های استنتاج را اثبات می‌کنند یا اثبات‌ها را به‌صورت ناهمگام برای تأیید بعدی تولید می‌کنند.

zkML چه چیزی را اثبات نمی‌کند

  • حتی با اثبات ZK معتبر، مدل زیرین می‌تواند بد، سوگیرانه یا نامربوط باشد. zkML اثبات می‌کند مدل درست اجرا شده — اثبات نمی‌کند مدل خوب است.
  • zkML یکپارچگی محاسبات را اثبات می‌کند، نه کیفیت داده را. اگر دادهٔ ورودی زباله باشد، خروجی زبالهٔ تأییدشده است.
  • zkML اثبات نمی‌کند توکن ضروری است. پروژه می‌تواند zkML را بدون نیاز به بلاکچین یا توکن برای کارکرد تأیید پیاده‌سازی کند.
  • zkML اثبات نمی‌کند غیرمتمرکز بودن را. یک ارائه‌دهندهٔ متمرکز واحد می‌تواند برای استنتاج خودش اثبات ZK تولید کند. غیرمتمرکز بودن از معماری سیستم می‌آید، نه از خود zkML.
  • zkML اثبات نمی‌کند مدل همان مدل ادعاشده است، مگر آنکه تعهد مدل (هش وزن‌ها) به یک مرجع مورد اعتماد لنگر شده باشد. بدون این پیوند، اثبات‌گر می‌تواند از هر مدلی استفاده کند.

اشتباه نگیرید با

  • استنتاج — فرایند اجرای مدل. zkML لایهٔ تأییدی روی استنتاج اضافه می‌کند؛ جایگزین آن نمی‌شود.
  • ZK (اثبات‌های دانش صفر) به‌طور کلی — ZK در سراسر کریپتو برای حریم خصوصی، مقیاس‌پذیری و هویت استفاده می‌شود. zkML کاربرد مشخص ZK در استنتاج ML است.
  • استنتاج به‌عنوان جزء AI — توصیف می‌کند استنتاج چگونه در کارت‌های پروژهٔ DecAIHub ظاهر می‌شود. zkML یکی از سازوکارهایی است که استنتاج را قابل‌تأیید می‌کند.
  • رمزنگاری مدل — رمزنگاری مدل آن را از خوانده شدن حفظ می‌کند، اما اثبات نمی‌کند درست اجرا شده است. zkML اثبات اجرای درست فراهم می‌کند که تضمینی بنیاداً متفاوت است.
  • یادگیری فدرال (federated learning) — تکنیکی برای آموزش مدل‌ها روی منابع دادهٔ توزیع‌شده بدون اشتراک دادهٔ خام. مسئلهٔ متفاوتی را حل می‌کند (حریم خصوصی در آموزش، نه تأیید در استنتاج).

پرسش‌های متداول

zkML چگونه کار می‌کند؟

zkML یک مدل یادگیری ماشین را به مداری ریاضی تبدیل می‌کند، مدل را برای تولید خروجی اجرا می‌کند و اثباتی رمزنگارانه تولید می‌کند که مدار درست اجرا شده است. اثبات فشرده است و هر کسی — از جمله یک قرارداد هوشمند — می‌تواند آن را سریع تأیید کند، بدون اجرای مجدد مدل یا دیدن وزن‌های مدل و دادهٔ ورودی. چالش فنی این است که هر عملیات ML باید به‌صورت قید مدار بازنمایی شود، که تولید اثبات را برای مدل‌های بزرگ‌تر گران محاسباتی می‌کند.

آیا zkML امروز عملی است؟

برای مدل‌های کوچک تا متوسط (تا چند میلیون پارامتر)، بله — تولید اثبات کار می‌کند و تأیید on-chain عملیاتی است. برای مدل‌های بزرگ مانند LLMهای مدرن با میلیاردها پارامتر، zkML به‌دلیل هزینهٔ عظیم محاسباتی تولید اثبات هنوز عملی نیست. فناوری به‌سرعت پیش می‌رود: چارچوب‌ها بهتر می‌شوند، سیستم‌های اثبات کارآمدتر می‌شوند و رویکردهای ترکیبی (اثبات فقط گام‌های حیاتی) دامنهٔ عملی را گسترش می‌دهند. برای اهداف ارزیابی DecAIHub، پروژه‌ای که zkML را روی مدلی کوچک پیاده‌سازی می‌کند یک جزء AI قابل‌تأیید دارد، حتی اگر همین رویکرد هنوز به بزرگ‌ترین مدل‌ها مقیاس‌پذیر نباشد.

چرا یک پروژهٔ کریپتو از zkML استفاده کند؟

انگیزهٔ اصلی، تأیید بدون نیاز به اعتماد است. در یک سیستم غیرمتمرکز، به هیچ طرف واحدی نباید کورکورانه اعتماد شود. اگر خروجی یک مدل AI اقدامات on-chain را راه‌اندازی کند (امتیازدهی ریسک، تأیید تراکنش، توزیع پاداش)، کاربران و پروتکل به تضمینی نیاز دارند که مدل واقعاً همان‌طور که ادعا شده اجرا شده است. zkML این تضمین را بدون نیاز به اعتماد به ارائه‌دهندهٔ محاسبات فراهم می‌کند. انگیزه‌های ثانویه شامل حریم خصوصی (اثبات اجرای مدل بدون افشای وزن‌های اختصاصی) و ترکیب‌پذیری (قراردادهای هوشمند دیگر می‌توانند خروجی‌های AI را روی زنجیره تأیید کنند و بر آن‌ها بسازند) است. در چارچوب DecAI Fit، تأیید مبتنی بر zkML هر دو بُعد AI reality و Onchain necessity را تقویت می‌کند.

آیا zkML تنها راه تأیید AI در کریپتو است؟

خیر. گزینه‌های دیگر شامل TEEها (اعتماد به سخت‌افزار)، تأیید مبتنی بر اجماع (اعتماد به اکثریت صادق) و تأیید خوش‌بینانه (اعتماد به انگیزه‌های اقتصادی) است. هر کدام فرض‌های اعتماد، هزینه‌ها و محدودیت‌های متفاوتی دارند. بسیاری از پروژه‌ها رویکردها را ترکیب می‌کنند. DecAIHub سازوکار تأیید را در کارت پروژه ثبت می‌کند تا خوانندگان خودشان مدل اعتماد را ارزیابی کنند.

منابع خارجی

همچنین ببینید

No comments to display

Back to top