Es gibt zwei Gründe, warum ZK und ML auf der Blockchain kombiniert werden können:
Auf der einen Seite, Ziel der ZK-Technologie ist es nicht nur, eine effiziente Verifizierung von On-Chain-Transaktionen zu erreichen sondern kann auch in breiteren ökologischen Bereichen angewendet werden. Mit der leistungsstarken KI-Unterstützung von ML wird es zu einem hervorragenden Wegbereiter für die Erweiterung des Ökosystems von ZK-Anwendungen.
Andererseits, ML-Modelle stehen während ihres gesamten Entwicklungs- und Nutzungsprozesses vor Vertrauens- und Validierungsherausforderungen. ZK kann dazu beitragen, das Vertrauensdilemma bei ML zu lösen, indem es einen effektiven Gültigkeitsnachweis ermöglicht, ohne die Vertraulichkeit von Daten und Informationen zu gefährden. Die Kombination von ZK und ML, bekannt als ZKML, kommt beiden Bereichen zugute und verleiht dem Blockchain-Ökosystem Dynamik.
Die Entwicklungsanforderungen und -fähigkeiten von ZK und ML ergänzen sich
ML steht vor zahlreichen vertrauensbezogenen Problemen, die angegangen werden müssen, darunter die Genauigkeit, Integrität und der Datenschutz verschiedener Arbeitsabläufe. ZK ermöglicht die effektive Überprüfung der Richtigkeit jeder Berechnung und gewährleistet gleichzeitig den Datenschutz. wirksame Lösung des seit langem bestehenden Vertrauensproblems beim maschinellen Lernen. Die Integrität von Modellen ist ein entscheidender Vertrauensfaktor im Trainingsprozess von ML. Der Schutz der Privatsphäre der Daten und Informationen, die beim Coaching und bei der Nutzung von ML-Modellen verwendet werden, ist jedoch ebenso wichtig. Dies macht es für ML-Schulungen schwierig, sich einer Vertrauensüberprüfung durch externe Prüf- und Regulierungsbehörden zu unterziehen. ZK bietet mit seinen dezentralen Zero-Data-Eigenschaften einen hochkompatiblen Vertrauensüberprüfungspfad für ML.
„KI steigert die Produktivität, während Blockchain Produktionsbeziehungen optimiert.“ ML verleiht dem ZK-Monitor eine höhere Innovationsdynamik und Servicequalität, während ZK für ML Überprüfbarkeit und Datenschutz bietet. ZKML ermöglicht den komplementären Betrieb beider Domänen innerhalb der Blockchain-Umgebung.
Die technischen Vorteile von ZKML
Die wichtigsten technischen Vorteile von ZKML kombinieren Rechenintegrität, Datenschutz und heuristische Optimierung. Aus datenschutzrechtlicher Sicht sind die Vorteile von ZKML wie folgt:
- Transparente Verifizierung:
ZK ermöglicht die Bewertung der Modellleistung, ohne die internen Particulars des Modells preiszugeben. Ermöglicht einen transparenten und vertrauenswürdigen Bewertungsprozess.
ZK kann verwendet werden, um öffentliche Daten mithilfe eines öffentlichen Modells oder non-public Daten mithilfe eines privaten Modells zu überprüfen und so den Datenschutz und die Sensibilität der Daten sicherzustellen.
Durch kryptografische Protokolle stellt ZK die Richtigkeit einer Aussage unter Wahrung der Privatsphäre sicher. Dadurch werden die Einschränkungen des Datenschutzes bei Beweisen der Rechenkorrektheit beim maschinellen Lernen und der homomorphen Verschlüsselung beim Schutz der Privatsphäre effektiv angegangen. Durch die Integration von ZK in den ML-Prozess entsteht eine sichere und datenschutzfreundliche Plattform, die die Mängel des traditionellen maschinellen Lernens behebt. Dies ermutigt nicht nur datenschutzorientierte Unternehmen, die Technologie des maschinellen Lernens einzuführen, sondern motiviert auch Web2-Entwickler, das technische Potenzial von Web3 zu erkunden.
ZK stärkt ML durch die Bereitstellung einer On-Chain-Infrastruktur
- Die rechnerischen Einschränkungen von ML für die Blockchain und ZK-SNARKs
Die größte Herausforderung für ML beim Eintritt in den Blockchain-Bereich sind die hohen Rechenkosten. Viele maschinelle Lernprojekte können aufgrund der begrenzten Rechenressourcen nicht direkt in Blockchain-Umgebungen wie EVM ausgeführt werden. Während die Effizienz von ZK bei der Validierung die der Neuberechnung übertrifft, ist dieser Vorteil auf die native Verarbeitung von Transaktionsdaten in der Blockchain beschränkt. Wenn komplexe kryptografische Operationen und Interaktionen von ZK mit den umfangreichen Berechnungen von ML kombiniert werden, Es wird deutlich, dass die niedrige TPS der Blockchain das Haupthindernis für die Einführung von ML in der Kette darstellt.
Die Entstehung von ZK-SNARKs berücksichtigt die hohen Rechenanforderungen von ML. ZK-SNARKs, was für „Zero-Data Succinct Non-Interactive Argument of Data“ steht, ist eine kryptografische Konstruktion von Zero-Data-Beweisen. Es nutzt Elliptische-Kurven-Kryptographie und homomorphe Verschlüsselung, um effiziente Zero-Data-Beweise zu erzielen. ZK-SNARKs sind sehr kompakt und ermöglichen es dem Prüfer, einen kurzen und prägnanten Beweis zu generieren, während der Verifizierer nur eine kleine Anzahl von Berechnungen durchführen muss, um seine Richtigkeit zu validieren, ohne dass mehrere Interaktionen mit dem Prüfer erforderlich sind. Diese Einzelrunden-Interaktionseigenschaft von ZK-SNARKs macht sie effizient und praktisch für reale Anwendungen. Dadurch sind sie für die On-Chain-Rechenanforderungen von ML geeignet. Derzeit sind ZK-SNARKs die primäre Kind von ZK, die in ZKML verwendet wird.
- Die Infrastrukturanforderungen für On-Chain-ML und entsprechende Projekte
Die Stärkung von ML durch ZK manifestiert sich hauptsächlich im ZKP während des gesamten ML-Prozesses und ermöglicht die Interaktion zwischen ML und On-Chain-Funktionalität. Diese Interaktion beinhaltet die Bewältigung zweier großer Herausforderungen: die Angleichung der Datenformate zwischen den beiden und die Bereitstellung von Rechenressourcen für den ZKP-Prozess.
- ZK-Hardwarebeschleunigung: Die Komplexität von ZK-Beweisen in ML erfordert eine hardwaregestützte On-Chain-Berechnung, um die Beweisberechnungen zu beschleunigen. Zu den Projekten in dieser Kategorie gehören Cysic, Ulvetanna, Ingonyama, Supranational und Accseal.
- ML-On-Chain-Datenverarbeitung: Umwandlung von On-Chain-Daten in ein für ML-Coaching geeignetes Format und Erleichterung des Zugriffs auf ML-Ausgabeergebnisse aus der Blockchain. Zu den Projekten in dieser Kategorie gehören Axiom, Herodotus, LAGRANGE und Hyper Oracle.
- ML-Schaltung: Anpassung des ML-Berechnungsmodus an eine Schaltungsform, die von ZK auf der Blockchain verarbeitet werden kann. ML-Berechnungen müssen in Schaltkreise umgewandelt werden, die mit der Blockchain-ZK-Verarbeitung für On-Chain-ML kompatibel sind. Zu den Projekten in dieser Kategorie gehören Modulus Labs, Jason Morton und Giza.
- ZKP der ML-Ergebnisse: Lösung des Vertrauensüberprüfungsproblems von ML mithilfe von On-Chain-ZK-Beweisen. Auf ZK-SNARKs basierende Anwendungen wie RISC Zero oder Nil Basis können einen Nachweis der Modellauthentizität erbringen. Zu den Projekten in dieser Kategorie gehören RISC Zero, Axiom, Herodotus, Delphinus Lab, Hyper Oracle, Poseidon ZKP und IronMill.
ML Empowering ZK: Bereicherung von Web3-Anwendungsszenarien
ZK löst das Drawback der Vertrauensüberprüfung in ML und bietet ML die Möglichkeit, in der Kette zu sein. Im Web3-Bereich besteht eine starke Nachfrage nach der Produktivität und Entscheidungsunterstützung von KI und ML. ZKML ermöglicht es On-Chain-Anwendungen, die Leistungsfähigkeit der KI zu nutzen und gleichzeitig Dezentralisierung und Effektivität sicherzustellen.
DeFi
ZKML kann auf zwei Arten zur Automatisierung von DeFi-Prozessen beitragen. Erstens ermöglicht es die Automatisierung von On-Chain-Protokollparameteraktualisierungen. Zweitens erleichtert es die Automatisierung von Handelsstrategien.
- Modulus Labs hat RockyBot vorgestellt, den ersten vollständig in die Kette integrierten Handelsbot mit künstlicher Intelligenz.
TAT
ZKML kann zur Entwicklung von DID in Web3 beitragen. Bisher führten Identitätsverwaltungsmethoden mit privaten Schlüsseln und mnemonischen Phrasen zu einer suboptimalen Benutzererfahrung. Mit Hilfe von ZKML kann die Ermittlung echter DIDs durch die Erkennung der biometrischen Informationen von Web3-Entitäten erreicht werden. Darüber hinaus gewährleistet ZKML den Datenschutz und die Sicherheit der biometrischen Daten der Benutzer.
- Worldcoin nutzt derzeit ZKML, um eine wissensfreie DID-Verifizierung basierend auf Iris-Scannen zu implementieren.
Spielen
ZKML kann dabei helfen, die volle Funktionalität von Web3-Spielen in der Kette zu ermöglichen. ML kann eine differenzierte Automatisierung einführen, um die Interaktivität von Spielen zu verbessern und ihren Unterhaltungswert zu erhöhen. ZK hingegen ermöglicht die On-Chain-Interaktion und Entscheidungsfindung von ML.
- Modulus Labs hat das Schachspiel @VsLeela vorgestellt, das von ZKML gesteuert wird.
- AI ARENA hat ZKML genutzt, um eine hohe Interaktivität bei On-Chain-NFT-Spielen zu erreichen.
Gesundheits- und Rechtsberatung
Gesundheitswesen und Rechtsberatung sind Bereiche mit hohen Datenschutzanforderungen und einem Bedarf an umfangreicher Fallsammlung. ZKML kann Benutzer bei der Entscheidungsfindung unterstützen und gleichzeitig sicherstellen, dass der Datenschutz ihrer Informationen nicht gefährdet wird.
