原文：sevenxventures 太阳城集团网站进入
编译：GWEI Research
由 Hill Tan 和 Grace Deng 所著，SevenX Ventures Research
咱们要终点感谢 Brian Retford, Sun Yi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin, 和 Brent 他们对这篇著作提供的贵重见解，反映和审阅。
对于咱们这些生计在加密货币之下的东说念主来说，东说念主工智能仍是火了一段时刻。真理的是，没东说念主念念看到一个AI失控。区块链被发明出来即是为了防范好意思元失控，是以咱们可能会尝试一下。此外，咱们当今有了一个新的叫作念ZK的时代，它被用来确保事情不会出错。我只是假定平日东说念主对区块链和ZK有一丝了解。关联词，为了死守AI这个野兽，咱们必须贯穿AI是若何使命的。
第一部分：易懂的机器学习简介 AI仍是有了几个称号，从“大众系统”到“神经蚁合”，然后是“图形模子”，临了是“机器学习”。系数这些王人是“AI”的子集，东说念主们给它们不同的名字，咱们对AI的了解也更深了。让咱们潜入了解机器学习，揭开机器学习的艰深面纱。
澳门首家网络博彩公司扎眼：现今大多数的机器学习模子王人是神经蚁合，因为它们在许多任务上的确认优秀。咱们主要将机器学习称为神经蚁合机器学习。
2004欧洲杯捷克对荷兰那么，机器学习是若何使命的呢？当先，让咱们快速了解一下机器学习的里面使命道理：
1 .输入数据预处理：
输入数据需要被处理成可以行动模子输入的形态。这连续波及到预处理和特征工程，以提真金不怕火有用的信息，并将数据退换成符合的式样，举例输入矩阵或张量（高维矩阵）。这是大众系统的方法。跟着深度学习的出现，层的办法脱手自动处理预处理的使命。
2.树立驱动模子参数：
www.zeqxu.com驱动模子参数包括多个层，激活函数，驱动权重，偏置，学习率等。有些可以在锤真金不怕火中疗养，以使用优化算法提高模子的精度。
3.锤真金不怕火数据：
1）输入被送入神经蚁合，连续从一层或多层特征提真金不怕火和关系建模脱手，举例卷积层（CNN）、轮回层（RNN）或自扎见地层。这些层学习从输入数据中提真金不怕火关系特征，并对这些特征之间的关系建模。2）这些层的输出然后通过一个或多个附加层传递，这些附加层对输入数据实施不同的计较和退换。这些层连续主要波及与可学习权重矩阵的矩阵乘法和非线性激活函数的应用，但它们也可能包括其他操作，举例卷积神经采鸠合的卷积和池化或递归神经采鸠合的迭代。这些层的输出行动模子中下一层的输入或行动预测的最终输出。4.获取模子的输出：
神经蚁合计较的输出连续是一个向量或矩阵，暗示图像分类的概率、热枕分析分数或其他收尾，具体取决于蚁合的应用。连续还有另一个诞妄评估和参数更新模块，它允许根据模子的主义自动更新参数。
如若上头的解释看起来太晦涩，你可以望望底下使用CNN模子识别苹果图像的例子。
图像行动像素值矩阵载入模子，这个矩阵可以被暗示为一个三维张量，其维度为（高度、宽度、通说念）。卷积神经蚁合（CNN）模子的驱动参数已设定。输入图像通过CNN的多个避讳层，每一层王人应用卷积滤波器从图像中提真金不怕火日益复杂的特征。每一层的输出通过一个非线性激活函数，然后进行池化以减少特征映射的维度。临了一层连续是一个全勾搭层，根据提真金不怕火的特征产生输出预测。CNN的最终输出是概率最高的类别。这即是输入图像的预测标签。机器学习信任框架咱们可以将上述内容总结为一个机器学习信任框架，它包括四个必须可靠的机器学习档次，以使通盘机器学习历程可靠：
输入：原始数据需要被预处理，无意还需要守密。齐全性：输入数据未被批改，未被敌视输入玷污，并被正确预处理。秘籍：如有需要，输入数据不会被泄露。输出：需要准确生成和传输。齐全性：正确生成输出。秘籍：如有需要，输出不会被泄露。模子类型/算法：模子应该被正确计较。齐全性：模子被正照实施。秘籍：如有需要，模子本人或计较历程不会被泄露。不同的神经蚁合模子有不同的算法和档次，以无礼不同的用例和输入。CNN常用于处理栅格数据，如图像，通过在小输入区域应用卷积运算可以拿获土产货模式和特征。另一方面，递归神经蚁合（RNN）适宜处理规矩数据，如时刻序列或天然语言，其中避讳情景可以拿获来自先前时刻要领的信息并建模时刻依赖性。自扎见地层对捕捉输入序列中元素之间的关系很有用，使其在需要长距离依赖的任务（如机器翻译或总结）中终点灵验。还存在其他类型的模子，包括多层感知器（MLP）等。模子参数：参数在某些情况下应透明或民主生成，但在系数情况下王人不易被批改。齐全性：参数以正确的方式生成、保养和料理。秘籍：模子系数者连续守密机器学习模子参数，以保护开发模子的组织的学问产权和竞争上风。这只在Transformer模子锤真金不怕火成本极高之前才深广存在，但不管若何，这对行业来说王人是一个主要问题。第二部分：机器学习的信任问题跟着机器学习（ML）应用的爆炸式增长（复合年增长率朝上20%）以及它们在日常生计中的会通进程的加多，如ChatGPT的最近流行，对ML的信任问题变得日益蹙迫，不行被无情。因此，发现并料理这些信任问题对于确保AI的负遭殃使用和防范其潜在花费至关蹙迫。关联词，这些问题到底是什么呢？让咱们潜入了解。
阑珊透明度或可讲解性信任问题始终以来一直困扰着机器学习，主要原因有两个：
秘籍性：如前所述，模子参数连续是独有的，在某些情况下，模子输入也需要守密，这天然会在模子领有者和模子使用者之间带来一些信任问题。
算法的黑匣子：机器学习模子无意被称为“黑匣子”，因为它们在计较历程中波及许多难以贯穿或解释的自动化要领。这些要领波及复杂的算法和大批数据，这些数据会带来抗争气的、无意是赶紧的输出，使算法成为偏见以致歧视的罪魁罪魁。
要持续增强南沙养老机构对港澳老年人的吸引力，不仅要实现养老“有得养”，更要“养得好”，要加强基础建设，深化服务水平提升。
现场，来自吉林市的近百家企业设置招聘展台，近距离与年轻求职者互动。薪酬、成长机会、工作环境都是毕业生们关注的重点。
在更潜入之前，本文中更大的假定是模子仍是“准备好使用”，这意味着它洋洋纚纚况且适宜主义。该模子可能不适宜系数情况，况且模子以惊东说念主的速率蜕变，ML 模子的正常保质期为 2 到 18 个月不等，具体取决于应用场景。
机器学习信任问题的详备分类模子锤真金不怕火历程存在信任问题，Gensyn 现时正在致力于生成灵考据据以促进这一历程。然而，本文将主要讲理模子推理历程。当今让咱们使用 ML 的四个构建块来发现潜在的信任问题：
Input:数据源不可批改私东说念主输入数据不会被模子运营商窃取（秘籍问题）Model:该模子本人如所宣传的那样准确。计较历程正确完成。Parameters:模子的参数未革新或与宣传的相似。模子参数对模子系数者来说是贵重的财富，在此历程中不会泄露（秘籍问题）Output:输出可讲解是正确的（可以通过上述系数元素进行蜕变）ZK若何应用于ML信任框架上头的一些信任问题可以通过浮浅地上链来料理；将输入和ML参数上传到链上，模子计较上链，可以保证输入、参数和模子计较的正确性。然而这种方法可能会抛弃可膨胀性和秘籍性。 Giza 在 Starknet 上是这么作念的，然而由于成本问题，它只维持总结这么浮浅的机器学习模子，不维持神经蚁合。 ZK 时代可以更高效地料理上述信任问题。现时ZKML的ZK连续指的是zkSNARK。当先，让咱们快速讲究一下 zkSNARKs 的一些基础学问：
一个 zkSNARK 讲解讲解我知说念一些奥密输入 w 使得这个计较的收尾 f 是 OUT 是真的而不告诉你 w 是什么。讲解生成历程可以概述为几个要领：
1.制定一个需要讲解的论说：f(x,w)=true
2024欧洲杯德国土耳其“我仍是使用带有独有参数 w 的 ML 模子 f 对这张图像 x 进行了正确分类。”
2.将语句退换为电路（Arithmetization）：不同的电路构造方法包括R1CS、QAP、Plonkish等。
与其他用例比较，ZKML 需要一个称为量化的特等要领。神经蚁合推理连续在浮点运算中完成，这在运算电路的主要边界中进行仿确凿极其腾贵的。不同的量化方法是精度和开辟条款之间的量度。一些电路构造方法如 R1CS 对神经蚁合后果不高。可以疗养这部分以提高性能。
3.生成讲解密钥和考据密钥
4.创建见证东说念主：当 w=w*,f(x,w)=true
5.创建哈希承诺：见证东说念主 w* 承诺使用加密哈希函数生成哈希值。然后可以公开此散列值。
它有助于确保独有输入或模子参数在计较历程中未被批改或修改。此要领至关蹙迫，因为即使是微弱的修改也会对模子的行动和输分娩生紧要影响。
6.生成讲解：不同的讲解系统使用不同的讲解生成算法。
需要为机器学习操作遐想格外的零学问轨则，举例矩阵乘法和卷积层，从而为这些计较提供具有亚线性时刻的高效公约。
皇冠客服飞机：@seo3687由于计较使命量太大，像 groth16 这么的通用 zkSNARK 系统可能无法灵验地处理神经蚁合。
自 2020 年以来，出现了许多新的 ZK 讲解系统来优化模子推理历程的 ZK 讲解，包括 vCNN、ZEN、ZKCNN 和 pvCNN。关联词，它们中的大多数王人针对 CNN 模子进行了优化。它们只可应用于某些原始数据集，举例 MNIST 或 CIFAR-10。
2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 创举东说念主）提议了一种基于 Halo2 的新讲解决策，初度罢了了 ImageNet 数据集的 ZK 讲解生成。他们的优化主要落在算术部分，具有新颖的非线性查找参数和跨层子电路的重用。
正在对链上推理的不同讲解系统进行基准测试，发当今讲解时刻方面，ZKCNN 和 plonky2 确认最好；在峰值讲解者内存使用方面，ZKCNN 和 halo2 确认高超；而 plonky，天然确认可以，但抛弃了内存消耗，ZKCNN 仅适用于 CNN 模子。它还正在开发一个新的 zkSNARK 系统，终点是针对带有新假造机的 ZKML。
7.考据讲解：考据者使用考据密钥进行考据，无需见证东说念主线路。
因此，咱们可以讲解，将零学问时代应用于机器学习模子可以料理许多信任问题。使用交互式考据的访佛时代可以罢了访佛的收尾，但将需要考据方更多的资源，并可能面对更多的秘籍问题。值得扎眼的是，根据确切的模子，为它们生成讲解可能会破钞时刻和资源，因此当该时代最终在履行用例中实施时，会在各个方面作念出妥洽。
料理决策的近况接下来，桌子上有什么？请记取，模子提供者可能不念念生成 ZKML 讲解的原因有许多。对于那些有饱和勇气尝试 ZKML 况且当料理决策对实施有道理时，他们可以根据他们的模子和输入地方的位置从几个不同的料理决策中进行选用：
如若输入数据在链上，Axiom 可以被视为一种料理决策：
Axiom 正在为以太坊构建一个 ZK 协处理器，以改善用户对区块链数据的窥察并提供更复杂的链上数据视图。对链上数据进行可靠的机器学习计较是可行的：
当先，Axiom 通过将以太坊区块哈希的 Merkle 根存储在其智能合约 AxiomV0 中来导入链上数据，这些数据通过 ZK-SNARK 考据历程进行无信任考据。然后，AxiomV0StoragePf 合约允许根据缓存在 AxiomV0 中的块哈希给出的信任根，批量考据任性历史以太坊存储讲解。接下来，可以从导入的历史数据中提真金不怕火 ML 输入数据。然后 Axiom 可以在上头应用经过考据的机器学习操作；使用优化的 halo2 行动后端来考据每个计较的灵验性。临了，Axiom 为每个查询的收尾附上 zk 讲解，Axiom 智能合约将考据 zk 讲解。任何念念要讲解的关系方王人可以从智能合约中窥察它。如若模子上链，可以筹商 RISC Zero 行动料理决策：
RISC 零 ZKVM 是一个 RISC-V 假造机，它产生它实施的代码的零学问讲解。使用 ZKVM，生成加密收条，任何东说念主王人可以考据它是由 ZKVM 的访客代码生成的。发布收条不会显现联系代码实施的其他信息（举例，提供的输入）。
通过在 RISC Zero 的 ZKVM 中运行机器学习模子，可以讲解实施了模子中波及的精准计较。计较和考据历程可以在用户首选环境中的链下完成，也可以在通用汇总的盆景采鸠合完成。
当先，模子的源代码需要编译成 RISC-V 二进制文献。当这个二进制文献在 ZKVM 中实施时，输出与包含加密印记的计较收条配对。该印记用作计较齐全性的零学问论证，并将加密 imageID（标志已实施的 RISC-V 二进制文献）连结到断言的代码输出，第三方可以快速考据。当模子在 ZKVM 中实施时，对于情景变化的计较完全在 VM 中完成。它不会向外部各方泄露联系模子里面情景的任何信息。一朝模子完成实施，生成的印记将行动计较齐全性的零学问讲解。生成 ZK 讲解的确切历程波及一个以赶紧预言机行动考据者的交互公约。 RISC 零收条上的印记实质上是此交互公约的手本。
如若您念念径直从 Tensorflow 或 Pytorch 等常用的 ML 软件导入模子，可以筹商使用 ezkl 行动料理决策：
Ezkl 是一个库和敕令行用具，用于对 zkSNARK 中的深度学习模子和其他计较图进行推理。
当先，将最终模子导出为 .onnx 文献，并将一些样本输入导出为 .json 文献。然后，将 ezkl 指向 .onnx 和 .json 文献以生成 ZK-SNARK 电路，您可以使用它来讲解 ZKML 语句。看起来很浮浅，对吧？ ezkl 的标的是提供一个抽象层，允许在 Halo 2 电路中调用和打发更高等别的操作。 Ezkl 抽象化了许多复杂性，同期保捏了难以置信的纯真性。他们的量化模子有一个用于自动量化的比例因子。跟着新料理决策的出现，它们维持对其他讲解系统进行纯真革新。它们还维持多种类型的假造机，包括 EVM 和 WASM。
在讲解系统方面，ezkl customs halo2 circuits通过团聚讲解（通过中介将难以考据的变成容易考据的）和递归（可以料理内存问题，但很难顺应halo2）。 Ezkl 还使用会通和抽象优化了通盘历程（可以通过高等讲解减少支拨）
另外值得扎眼的是，相对于其他通用的zkml形态，Accessor Labs专注于提供专为全链上游戏遐想的zkml用具，可能波及AI NPC、游戏玩法自动更新、波及天然语言的游戏界面等。
第三部分：用例在那儿？使用 ZK 时代料理 ML 的信任问题意味着它当今可以应用于更多“高风险”和“高度服气性”的用例，而不单是是跟上东说念主们的话语或划分猫的图片和狗的图片。 Web3 仍是在探索许多这么的用例。这并非适值，因为大多数 Web3 应用尺度在区块链上运行或策动在区块链上运行，因为区块链的特定性质可以安全运行、难以批改并具有服气性计较。一个可考据的行动高超的东说念主工智能应该是一个能够在去信任和去中心化的环境中进行行径的东说念主工智能，对吧？
皇冠代理联系方式ZK+ML 灵验的 Web3 用例许多 Web3 应用尺度为了安全和去中心化而抛弃用户体验，因为这彰着是他们的首要任务，况且基础设施的甘休也存在。 AI/ML 有可能丰富用户体验，这服气会有所匡助，但以前似乎不可能失当协。当今，感谢 ZK，咱们可以直率地看到 AI/ML 与 Web3 应用尺度的结合，而不会在安全性和去中心化方面作念出太多抛弃。
实质上，它将是一个以无信任方式罢了 ML/AI 的 Web3 应用尺度（在撰写本文时可能存在也可能不存在）。通畴昔信任的方式，咱们的风趣风趣是它是否在去信任的环境/平台中运行，或者它的操作是可讲解可考据的。请扎眼，并非系数 ML/AI 用例（即使在 Web3 中）王人需要或首选以去信任的方式运行。咱们将分析在各式 Web3 边界中使用的 ML 功能的每个部分。然后，咱们会识别出需要ZKML的部分，连续是东说念主们好意思瞻念花特等的钱来讲解的高价值部分。
底下提到的大多数用例/应用尺度仍处于实验筹商阶段。因此，它们离履行领受还很远。咱们稍后会盘考原因。
DefiDefi 是为数未几的适宜区块链公约和 Web3 应用尺度的居品市集之一。能够以无需许可的方式创造、存储和管本心富和成本在东说念主类历史上是前所未有的。咱们仍是服气了许多 AI/ML 模子需要在未经许可的情况下运行以确保安全性和去中心化的用例。
风险评估：当代金融需要 AI/ML 模子进行各式风险评估，从防范诈骗和洗钱到披发无典质贷款。确保这个 AI/ML 模子以可考据的方式运行意味着咱们可以防范它们被把握插足审查轨制，这阻截了使用 Defi 居品的无许可性质。
财富料理：自动走动政策对于 Tradfi 和 Defi 来说并不崭新。仍是尝试应用 AI/ML 生成的走动政策，但唯有少数去中心化政策取得得胜。现时 defi 边界的典型应用包括 Modulus Labs 考试的 rocky bot。
The Rocky Bot ：Modulus Labs 在 StarkNet 上创建了一个走动机器东说念主，使用东说念主工智能进行决策。
在 Uniswap 上捏有资金并交换 WEth / USDC 的 L1 合约。这适宜 ML 信任框架的“输出”部分。输出在 L2 上生成，传输到 L1 并用于实施。在此历程中，它不行被批改。L2 合约罢了了一个浮浅（但纯真）的 3 层神经蚁合来预测改日的 WEth 价钱。该合约使用历史 WETH 价钱信息行动输入。这适宜“输入”和“模子”部分。历史价钱信息输入来自区块链。模子的实施是在 CairoVM 上钩算的，CairoVM 是一个 ZKVM，其实施轨迹将生成 ZK 讲解以供考据。用于锤真金不怕火总结器和分类器的可视化和 PyTorch 代码的浮浅前端。自动化 MM 和流动性供应：这实质上是在风险评估和财富料理方面进行的访佛致力于的组合，只是在波及数目、时刻表和财富类型时以不同的方式进行。对于机器学习若何用于股票市集作念市的论文许多。其中一些适用于 Defi 居品可能只是时刻问题。
举例，Lyra Finance 正在与 Modulus Labs 协作，通过智能功能增强他们的 AMM，以提高成本后果。
荣誉奖: Warp.cc 团队开发了一个教程形态，先容若何部署运行洋洋纚纚的神经蚁合以预测比特币价钱的智能合约。这属于咱们框架的“输入”和“模子”部分，因为输入由 RedStone Oracles 纲目提供，况且模子行动 Arweave 上的 Warp 智能合约实施。这是第一次迭代况且波及到 ZK，是以它属于咱们的荣誉奖，但在改日 Warp 团队筹商罢了 ZK 部分
Gaming游戏与机器学习有许多错杂：
图中的灰色区域代表咱们对游戏部分的 ML 功能是否需要与相应的 ZKML 讲解配对的初步评估。 Leela Chess Zero 是将 ZKML 应用于游戏的一个终点真理的示例：
AI Agents
菠菜稳定平台推荐Leela Chess Zero (LC0)：由 Modulus Labs 打造的完全链上东说念主工智能海外象棋棋手，与来自社区的一群东说念主类棋手对弈。
LC0 和东说念主类集体轮替棋战（象棋应该如斯）。
LC0 的迁徙是使用简化的、电路友好的 LC0 模子计较的。
LC0 的举动生成了 Halo2 snark 讲解，以确保莫得东说念主为策动侵犯。唯有简化的 LC0 模子可以作念出决定。
这适宜“模子”部分。该模子的实施具有 ZK 讲解，以考据计较未被批改。
数据分析和预测：这是 AI/ML 在 Web2 游戏寰宇中的常见用途。关联词，咱们发现很少有道理将 ZK 实施到这个 ML 历程中。为了不径直参与该历程的太多价值，可能不值得付出致力于。然而，如若使用某些分析和预测来服气用户的奖励，则可能会实施 ZK 以确保收尾正确。
荣誉奖:
AI Arena 是一款以太坊原生游戏，全寰宇的玩家王人可以在其中遐想、锤真金不怕火和搏斗由东说念主工神经蚁合驱动的 NFT 变装。来自寰宇各地的才华横溢的筹商东说念主员竞相创建最好的机器学习 (ML) 模子以在游戏中进行搏斗。 AI Arena 专注于前馈神经蚁合。连续，它们的计较支拨低于卷积神经蚁合 (CNN) 或递归神经蚁合 (RNN)。不外，就现时而言，模子唯有在经过锤真金不怕火后才会上传到平台，因此值得一提。
GiroGiro.AI 正在构建一个 AI 用具包，使大众能够创建用于个东说念主或交易用途的东说念主工智能。用户可以基于直不雅和自动化的 AI 使命流平台创建各式 AI 系统。只需输入一丝数据并选用算法（或用于蜕变的模子），用户就会在脑海中生成和期骗 AI 模子。尽管该形态处于终点早期的阶段，但由于 GiroGiro 专注于 gamefi 和以假造寰宇为要点的居品，因此咱们终点期待看到它能带来什么，因此它取得了荣誉奖。
DID 和打发在DID&social边界，web3和ml的错杂现时主要在proof of humanity和proof of credentials边界；其他部分可能会发展，但需要更长的时刻。
东说念主性的讲解
Worldcoin 使用一种称为 Orb 的开辟来服气某东说念主是否是一个莫得试图诈骗考据的确切存在的东说念主。它通过各式相机传感器和分析面部和虹膜特征的机器学习模子来罢了这一丝。一朝作念出决定，Orb 就会拍摄一组东说念主的虹膜像片，并使用多种机器学习模子和其他计较机视觉时代来创建虹膜代码，这是个东说念主虹膜图案最蹙迫特征的数字暗示。具体报名要领如下：
用户在她的手机上生成一个信号量密钥对，并将散列的公钥（通过二维码）提供给 Orb。Orb 扫描用户的虹膜并在土产货计较用户的 IrisHash。然后，它将包含散列公钥和 IrisHash 的签名讯息发送到注册定序器节点。定序器节点考据 Orb 的签名，然后查验 IrisHash 是否与数据库中已有的不匹配。如若惟一性查验通过，则保存 IrisHash 和公钥。Worldcoin 使用开源的 Semaphore 零学问讲解系统将 IrisHashes 的惟一性悠扬到用户帐户的惟一性，而无需将它们连结起来。这确保了新注册的用户可以得胜领取他/她的 WorldCoins。要领如下：
用户的应用尺度在土产货生成一个钱包地址。该应用尺度使用信号量来讲解它领有先前注册的一个公钥的独有副本。因为它是零学问讲解，是以它不会显现哪个公钥。讲解再次发送到排序器，排序器对其进行考据并启动将代币存入提供的钱包地址。一个所谓的无效符与讲解一齐发送，并确保用户不行两次条款奖励。WorldCoin 使用 ZK 时代确保其 ML 模子的输出不会泄露用户的个东说念主数据，因为它们不会互关系联。在这种情况下，它属于咱们信任框架的“输出”部分，因为它确保输出以所需方式传输和使用，在这种情况下是精巧的。
行动讲解
Astraly 是一个建立在 StarkNet 上的基于声誉的代币分发平台，用于寻找和维持最新最好的 StarkNet 形态。估量声誉是一项具有挑战性的任务，因为它是一个抽象办法，无法用浮浅的方针直率量化。在处理复杂的方针时，连续情况下，更全面和种种化的输入会产生更好的收尾。这即是为什么 Astraly 正在寻求 modulus labs 的匡助，以使用 ML 模子来提供更准确的声誉评级。
个性化推选和内容过滤
皇冠hg86a
Twitter 最近为“为你”时刻线开源了他们的算法，但用户无法考据该算法是否正确运行，因为用于对推文进行排行的 ML 模子的权重是守密的。这导致了对偏见和审查轨制的担忧。
关联词，Daniel Kang、Edward Gan、Ion Stoica 和 Yi Sun 提供了一种料理决策，使用 ezkl 提供左证讲解 Twitter 算法在不泄露模子权重的情况下诚实运行，从而匡助均衡秘籍和透明度。通过使用 ZKML 框架，Twitter 可以提交其排行模子的特定版块，并发布左证讲解它为给定用户和推文生成了特定的最终输出排行。该料理决策使用户能够考据计较是否正照实施，而无需信任系统。天然要使 ZKML 愈加实用还有许多使命要作念，但这是提高打发媒体透明度的积极要领。因此，这属于咱们的 ML 信任框架的“模子”部分。
欧博代理从用例角度重新谛视 ML 信任框架可以看出，ZKML 在 web3 中的潜在用例仍处于起步阶段，但收敛无情；改日跟着ZKML的使用范围不休扩大，可能会出现对ZKML提供者的需求，变成下图的闭环：
ZKML 工作提供商主要讲理 ML 信任框架的“模子”和“参数”部分。尽管咱们当今看到的大多数与“模子”关系而不是“参数”。请扎眼，“输入”和“输出”部分更多地由基于区块链的料理决策料理，用作数据源或数据主义地。单独的 ZK 或区块链可能无法罢了完全实在，但它们结合起来可能会作念到。
离大限度领受还有多远？Modulus Labs 的论文通过测试 Worldcoin（具有严格的精度和内存条款）和 AI Arena（具有成本效益和时刻条款），为咱们提供了一些对于 ZKML 应用可行性的数据和见解：
如若 Worldcon 使用 ZKML，讲解者的内存消耗将朝上任何商用迁徙硬件。如若 AI Arena 的锦标赛使用 ZKML，则使用 ZKCNN 会将时刻和成本加多到 100 倍（0.6 秒对蓝本的 0.008 秒）。是以缺憾的是，径直应用 ZKML 时代来讲解时刻和讲解内存使用王人是不可行的。
讲解大小和考据时刻若何？咱们可以参考 Daniel Kang 、 Tatsunori Hashimoto 、 Ion Stoica 和 Yi Sun 的论文。如下图所示，他们的 DNN 推贯穿决决策可以在 ImageNet（模子类型：DCNN，16 层，340 万个参数）上罢了高达 79% 的准确率，同期只需 10 秒和 5952 字节的考据时刻。此外，zkSNARKs 可以松开到只需 0.7 秒即可以 59% 的准确率进行考据。这些收尾标明 zkSNARKing ImageNet 限度模子在讲解大小和考据时刻方面的可行性。
当今主要的时代瓶颈在于时刻和内存消耗的讲解。在 web3 案例中应用 ZKML 在时代上仍然不可行。 ZKML 能否收拢 AI 的发展后劲？咱们可以对比几个栽种数据：
太阳城集团被查ML模子的发展速率：2019年发布的GPT-1模子有1.5亿个参数，而2020年最新发布的GPT-3模子有1750亿个参数，参数数目在短短两年内增长了1166倍.
ZK系统的优化速率：ZK系统的性能增长基本遵命“摩尔定律”式的递次。险些每年王人会推出新的 ZK 系统，咱们瞻望讲解者性能的火箭式增长将捏续一段时刻。
比较前沿的ML对ZK的普及幅度，出路不是很乐不雅。关联词，跟着rollup性能、ZK硬件以及基于高度结构化神经蚁合操作的量身定制的ZK讲解系统的不休蜕变，但愿ZKML的开发能够无礼web3的需求，并从提供一些旧式的机器学习功能脱手第一的。
尽管咱们可能很难使用区块链 + ZK 来考据 ChatGPT 提供给我的信息是否值得信托，但咱们草率能够将一些更小和更旧的 ML 模子放入 ZK 电路中。
第四部分：论断“权益导致老套，实足的权益导致实足的老套”。凭借 AI 和 ML 令东说念主难以置信的力量，现时还莫得万无一失的方法将其置于治理之下。政府一再讲解可认为后果提供后期侵犯或早期绝对收敛。区块链 + ZK 提供了能够以可讲解和可考据的方式死守野兽的少数料理决策之一。
限电！停产！近期，多家上市公司发布公告称：配合地区“能耗双控”要求，将削减水泥、电石、电解铝、螺纹钢工业原材料产能。受供给减少影响，多种工业品价格不同程度上涨，周内涨幅超40%。咱们期待在 ZKML 边界看到更多的居品立异，ZK 和区块链为 AI/ML 的运行提供安全实在的环境。咱们还盼愿全新的交易模式会从这些居品立异中产生，因为在无需许可的加密寰宇中，咱们不受这里首选的 SaaS 交易化模式的甘休。咱们期待维持更多的设立者前来，在这个“狂野西部无政府情景”和“象牙塔精英”的迷东说念主沟通中构建他们抖擞东说念主心的念念法。
咱们还早，但咱们可能会在路上扶植寰宇。
参考长途：太阳城集团网站进入
https://a16zcrypto.com/content/article/checks-and-balances-machine-learning-and-zero-knowledge-proofs/https://arxiv.org/abs/2210.08674https://axiom.xyz/blog/introhttps://cloud.google.com/learn/artificial-intelligence-vs-machine-learning#:\~:text=Differences between AI and ML,-Now that you&text=While artificial intelligence encompasses the,accurate results by identifying patterns.https://docs.aiarena.io/research-competition/neural-networkshttps://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383https://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383 https://docs.warp.cc/tutorials/ml/prologuehttps://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/viewhttps://eprint.iacr.org/2021/673https://girogiro-ai.gitbook.io/litepaper/technology/gamma-engine-introhttps://github.com/Modulus-Labs/RockyBothttps://github.com/zkonduit/ezklhttps://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88