Skip to main content

Apakah itu zkML

Nota: Dokumen ini adalah terjemahan automatik daripada versi asal bahasa Inggeris.

Apakah itu zkML

zkML (Zero-Knowledge Machine Learning) ialah teknik yang menggunakan bukti pengetahuan sifar untuk mengesahkan bahawa model pembelajaran mesin menjalankan inferens dengan betul — tanpa mendedahkan pemberat model, data input, atau kedua-duanya. Ia memberikan jaminan kriptografi: "output ini dihasilkan oleh model ini pada input ini," dan sesiapa sahaja boleh mengesahkan bukti itu tanpa melihat maklumat peribadi.

Ringkasnya: zkML membolehkan anda membuktikan model AI berjalan dengan betul tanpa mendedahkan model atau data. Ia salah satu pendekatan kepada AI boleh disahkan yang memberikan jaminan matematik (tanpa amanah) tentang inferens yang betul, dan salah satu yang paling mencabar dari segi teknikal.

Analogi untuk pemula

Bayangkan peperiksaan bermeterai. Seorang pelajar masuk ke bilik, menduduki ujian, dan menyerahkan helaian jawapan bermeterai kepada pengawas. Pengawas boleh mengesahkan, melalui meterai kalis usikan, bahawa pelajar menjawab setiap soalan menggunakan buku teks yang diluluskan dan mematuhi semua peraturan peperiksaan — tanpa pernah melihat nota pelajar, bahan kajiannya, atau proses pemikirannya. Pengawas tahu keputusan itu sah, tetapi tidak mengetahui apa-apa tentang cara pelajar itu membuat persediaan. zkML berfungsi dengan cara yang sama: ia membuktikan AI "menduduki ujian dengan betul" tanpa mendedahkan model (bahan kajian) atau data input (nota pelajar).

Masalah yang diselesaikannya

Dalam AI ternyahpusat, kepercayaan ialah isu teras. Apabila inferens berjalan pada nod jauh, bagaimana peminta tahu model yang betul benar-benar digunakan? Penyedia boleh menjalankan model yang lebih murah, memulangkan hasil cache, atau melangkau langkah pengiraan sepenuhnya. Dalam AI terpusat, pengguna mempercayai penyedia berdasarkan reputasi. Dalam sistem ternyahpusat, reputasi sahaja tidak mencukupi — verifikasi kriptografi mengisi jurang ini.

Masalah ini menjadi lebih penting apabila output AI mendorong keputusan berisiko tinggi. Jika protokol di atas rantaian bergantung pada output model untuk mencetuskan tindakan kontrak pintar — katakan, melaraskan parameter risiko atau meluluskan transaksi — mesti ada cara untuk menjamin output itu tulen. Tanpa verifikasi, sistem itu hanya sebaik nodnya yang paling tidak jujur.

Cara ia berfungsi (dipermudah)

Saluran paip zkML mengikut langkah-langkah umum ini:

  1. Penukaran model. Model ML (biasanya rangkaian neural) ditukar kepada litar aritmetik — perwakilan matematik yang boleh diproses oleh sistem bukti ZK. Langkah ini menterjemahkan operasi seperti pendaraban matriks, fungsi pengaktifan, dan lapisan penormalan kepada kekangan litar.
  2. Pelaksanaan model. Penyedia menjalankan model ML pada data input dan menghasilkan output (cth., klasifikasi, teks terjana, ramalan).
  3. Penjanaan bukti. Bersama output, penyedia menjana bukti pengetahuan sifar — objek matematik padat yang mengekodkan dakwaan "output ini dihasilkan dengan menjalankan model khusus ini pada input khusus ini." Inilah langkah yang mahal dari segi pengkomputeran: pembukti mesti menunjukkan bahawa setiap operasi dalam litar dilaksanakan dengan betul.
  4. Verifikasi bukti. Sesiapa sahaja (peminta, kontrak pintar, pihak ketiga) boleh mengesahkan bukti itu. Verifikasi adalah pantas dan murah berbanding menjalankan semula model. Jika bukti itu sah, output dijamin betul.

Sifat utamanya: pengesah tidak mengetahui apa-apa tentang pemberat model atau data input melangkaui apa yang didedahkan oleh bukti itu. Privasi dan kebolehsahihan wujud bersama.

Apa yang menjadikan penjanaan bukti mahal

Kosnya datang daripada menterjemahkan operasi ML kepada litar ZK. Setiap pendaraban atau penambahan dalam rangkaian neural menjadi satu kekangan, dan pembukti mesti menjana saksi kriptografi yang memenuhi semua kekangan serentak. Bagi model dengan berjuta-juta parameter, ini bermakna berjuta-juta kekangan. Kerangka semasa menggunakan sistem bukti yang berbeza (SNARK, STARK, dan pendekatan hibrid) dengan pertukaran yang berbeza-beza antara saiz bukti, masa verifikasi, dan kos pembukti.

Mengapa ia penting bagi DecAIHub

DecAIHub menilai sama ada projek AI kripto mempunyai AI yang nyata dan boleh disahkan. zkML mewakili satu pendekatan untuk menjadikan dakwaan AI boleh dibuktikan secara kriptografi — projek yang menggunakan zkML boleh membuktikan modelnya benar-benar berjalan, bukan sekadar mendakwanya. Dalam kerangka DecAI Fit, verifikasi berasaskan zkML menyumbang kepada dimensi Onchain necessity, menunjukkan hubungan bermakna antara saluran paip AI dan blockchain. Projek yang melaksanakan zkML muncul merentas kategori seperti AI/Inference dan AI/Compute.

Dari perspektif verifikasi DecAIHub, projek zkML mempersembahkan profil bukti yang tersendiri. Apabila sesebuah projek benar-benar melaksanakan zkML, terdapat artifak Tier-1 yang kukuh untuk dinilai: litar bukti, kontrak verifikasi di atas rantaian, data penanda aras untuk masa pembuktian, dan saluran paip penukaran model-kepada-litar yang terdokumen. Ini menjadikan dakwaan zkML relatif mudah disahkan berbanding dakwaan "AI" yang kabur — sama ada bukti ZK itu berfungsi atau tidak.

Kaitan dengan AI boleh disahkan

zkML ialah salah satu daripada beberapa pendekatan kepada inferens boleh disahkan. Alternatif utamanya ialah:

Pendekatan Cara ia berfungsi Model kepercayaan Pertukaran
zkML Bukti kriptografi bahawa inferens berjalan dengan betul Jaminan matematik (tanpa amanah) Kos pengkomputeran tertinggi; jaminan matematik (tanpa amanah)
TEE (Trusted Execution Environment) Inferens berjalan dalam enklaf terpencil perkakasan yang mengatestasi kebetulan Kepercayaan kepada pengeluar perkakasan Kos lebih rendah; bergantung pada andaian keselamatan perkakasan
Konsensus / berbilang penyedia Berbilang penyedia bebas menjalankan inferens yang sama; hasil dibandingkan Kepercayaan kepada majoriti jujur Pengiraan berlebihan; jaminan lebih lemah terhadap pakatan sulit
Verifikasi optimistik Hasil dianggap betul melainkan dicabar dalam tempoh pertikaian Kepercayaan kepada insentif ekonomi Kos rendah; bergantung pada pemantauan aktif dan pelaku rasional

zkML menawarkan jaminan matematik (tanpa amanah) — kebetulan disahkan secara kriptografi, tanpa kepercayaan kepada perkakasan, majoriti jujur, atau insentif ekonomi. Walau bagaimanapun, ia datang dengan kos pengkomputeran tertinggi. Dalam praktiknya, banyak projek menggabungkan pendekatan: menggunakan verifikasi optimistik untuk operasi rutin dan berundur kepada bukti zkML hanya apabila hasil dicabar.

Batasan semasa

zkML ialah teknologi peringkat awal dengan kekangan praktikal yang ketara:

  • Kos pengkomputeran. Menjana bukti ZK untuk inferens model adalah berkali ganda lebih mahal daripada inferens itu sendiri. Bagi model besar, penjanaan bukti boleh mengambil masa beberapa minit hingga berjam-jam. Ini menjadikan aplikasi masa nyata tidak praktikal untuk apa-apa selain model kecil.
  • Had saiz model. Kerangka zkML semasa berfungsi dengan model yang relatif kecil (ribuan hingga jutaan rendah parameter). Menjalankan zkML pada LLM penuh dengan berbilion parameter belum praktikal. Penyelidikan aktif dalam teknik seperti pengkuantuman model, pengagregatan bukti, dan bukti rekursif untuk menolak had ini lebih tinggi.
  • Kematangan kerangka. Perkakasan zkML (cth., EZKL, Modulus, Giza, Risc Zero untuk ML) sedang dibangunkan secara aktif. API, dokumentasi, dan pengalaman pembangun berkembang pesat, dan perubahan yang memecahkan keserasian adalah biasa.
  • Penggunaan produksi terhad. Sedikit sahaja projek yang mempunyai zkML berjalan dalam produksi pada skala. Kebanyakan pelaksanaan ialah prototaip penyelidikan atau demonstrasi pada model kecil.
  • Pertukaran ketepatan. Menukar operasi ML titik terapung kepada aritmetik titik tetap (diperlukan untuk litar ZK) boleh memperkenalkan perbezaan berangka yang kecil. Perbezaan ini biasanya boleh diabaikan untuk tugas klasifikasi tetapi mungkin penting untuk aplikasi sensitif kepersisan.

Batasan-batasan ini mentakrifkan sempadan semasa. Teknologi ini berkembang pesat, dan kekangan yang wujud hari ini mungkin berkurang dengan ketara dalam beberapa tahun.

Keadaan praktikal zkML hari ini

Walaupun terdapat batasan, zkML telah melangkaui teori tulen. Keadaan semasa termasuk:

  • Bukti model kecil berfungsi. Model dengan sehingga jutaan rendah parameter (pengklasifikasi imej, model bahasa kecil) boleh dibuktikan. Penjanaan bukti mengambil masa beberapa saat hingga minit bergantung pada saiz model.
  • Verifikasi di atas rantaian berfungsi. Kontrak pengesah ZK yang menyemak bukti inferens ML telah digunakan di Ethereum dan rantaian lain.
  • Perkakasan semakin baik. Kerangka seperti EZKL membolehkan pembangun menukar model ONNX kepada litar ZK dengan relatif sedikit baris kod.
  • Pendekatan hibrid sedang muncul. Sesetengah projek membuktikan hanya langkah inferens yang paling kritikal, atau menjana bukti secara tak segerak untuk verifikasi kemudian.

Apa yang tidak dibuktikan oleh zkML

  • Walaupun dengan bukti ZK yang sah, model tersendiri itu boleh jadi buruk, berat sebelah, atau tidak relevan. zkML membuktikan model berjalan dengan betul — ia tidak membuktikan model itu bagus.
  • zkML membuktikan integriti pengiraan, bukan kualiti data. Jika data input adalah sampah, outputnya ialah sampah yang disahkan.
  • zkML tidak membuktikan token diperlukan. Sesebuah projek boleh melaksanakan zkML tanpa memerlukan blockchain atau token untuk verifikasi itu berfungsi.
  • zkML tidak membuktikan penyahpusatan. Satu penyedia terpusat boleh menjana bukti ZK untuk inferensnya sendiri. Penyahpusatan datang daripada seni bina sistem, bukan daripada zkML itu sendiri.
  • zkML tidak membuktikan bahawa model itu ialah yang didakwa melainkan komitmen model (hash pemberat) ditambat kepada rujukan yang dipercayai. Tanpa ikatan ini, pembukti boleh menggunakan mana-mana model.

Jangan kelirukan dengan

  • Inferens — proses menjalankan model. zkML menambah lapisan verifikasi di atas inferens; ia tidak menggantikannya.
  • ZK (bukti pengetahuan sifar) secara umum — ZK digunakan merentas kripto untuk privasi, penskalaan, dan identiti. zkML ialah aplikasi khusus ZK kepada inferens ML.
  • Inferens sebagai AI component — menerangkan bagaimana inferens muncul dalam kad projek DecAIHub. zkML ialah satu mekanisme yang menjadikan inferens boleh disahkan.
  • Penyulitan model — menyulitkan model melindunginya daripada dibaca, tetapi tidak membuktikan ia berjalan dengan betul. zkML memberikan bukti pelaksanaan yang betul, iaitu jaminan yang berbeza secara asasnya.
  • Pembelajaran bersekutu — teknik untuk melatih model merentas sumber data teragih tanpa berkongsi data mentah. Ia menyelesaikan masalah yang berbeza (privasi semasa latihan, bukan verifikasi semasa inferens).

Soalan lazim

Bagaimana zkML berfungsi?

zkML menukar model pembelajaran mesin kepada litar matematik, menjalankan model untuk menghasilkan output, dan menjana bukti kriptografi bahawa litar itu dilaksanakan dengan betul. Bukti itu padat dan boleh disahkan dengan cepat oleh sesiapa sahaja — termasuk kontrak pintar — tanpa menjalankan semula model atau melihat pemberat model atau data input. Cabaran teknikalnya ialah setiap operasi ML mesti diwakili sebagai kekangan litar, menjadikan penjanaan bukti mahal dari segi pengkomputeran untuk model yang lebih besar.

Adakah zkML praktikal hari ini?

Bagi model kecil hingga sederhana (sehingga jutaan rendah parameter), ya — penjanaan bukti berfungsi dan verifikasi di atas rantaian berfungsi. Bagi model besar seperti LLM moden dengan berbilion parameter, zkML belum praktikal disebabkan kos pengkomputeran yang sangat besar untuk penjanaan bukti. Teknologi ini berkembang pesat: kerangka semakin baik, sistem bukti menjadi lebih cekap, dan pendekatan hibrid (membuktikan hanya langkah kritikal) memanjangkan julat praktikal. Bagi tujuan penilaian DecAIHub, projek yang melaksanakan zkML pada model kecil mempunyai AI component yang boleh disahkan, walaupun pendekatan yang sama belum boleh berskala kepada model terbesar.

Mengapa projek kripto akan menggunakan zkML?

Motivasi utamanya ialah verifikasi tanpa amanah. Dalam sistem ternyahpusat, tiada satu pihak pun patut dipercayai secara membuta tuli. Jika output model AI mencetuskan tindakan di atas rantaian (penskoran risiko, kelulusan transaksi, pengagihan ganjaran), pengguna dan protokol memerlukan jaminan bahawa model itu benar-benar berjalan seperti yang didakwa. zkML memberikan jaminan ini tanpa memerlukan kepercayaan kepada penyedia pengkomputeran. Motivasi sekunder termasuk privasi (membuktikan model berjalan tanpa mendedahkan pemberat proprietari) dan kebolehgubahan (kontrak pintar lain boleh mengesahkan output AI di atas rantaian dan membina di atasnya). Dalam kerangka DecAI Fit, verifikasi berasaskan zkML mengukuhkan kedua-dua dimensi AI reality dan Onchain necessity.

Adakah zkML satu-satunya cara untuk mengesahkan AI dalam kripto?

Tidak. Alternatif termasuk TEE (kepercayaan kepada perkakasan), verifikasi berasaskan konsensus (kepercayaan kepada majoriti jujur), dan verifikasi optimistik (kepercayaan kepada insentif ekonomi). Setiap satu mempunyai andaian kepercayaan, kos, dan had yang berbeza. Banyak projek menggabungkan pendekatan. DecAIHub merekodkan mekanisme verifikasi dalam kad projek supaya pembaca boleh menilai model kepercayaan itu sendiri.

Rujukan luaran

Lihat juga

No comments to display

Back to top