发布日期：2025-06-20 05:46 点击次数：107
原文：sevenxventures
编译：GWEI Research
由 Hill Tan 和 Grace Deng 所著，SevenX Ventures Research
咱们要绝顶感谢 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珍重力，响应和审阅。
对于咱们这些生计在加密货币之下的东说念主来说，东说念主工智能依然火了一段时候。兴致兴致的是，没东说念主念念看到一个AI失控。区块链被发明出来便是为了防御好意思元失控，是以咱们可能会尝试一下。此外，咱们现时有了一个新的叫作念ZK的技能，它被用来确保事情不会出错。我只是假定泛泛东说念主对区块链和ZK有一丝了解。然则，为了恪守AI这个野兽，咱们必须领略AI是奈何使命的。
第一部分：易懂的机器学习简介 AI依然有了几个称号，从“内行系统”到“神经网罗”，然后是“图形模子”，终末是“机器学习”。通盘这些都是“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。让咱们深刻了解机器学习，揭开机器学习的难懂面纱。
太平洋在线直营网体育彩票要怎么买防卫：现今大多数的机器学习模子都是神经网罗，因为它们在许多任务上的阐发优秀。咱们主要将机器学习称为神经网罗机器学习。
那么，机器学习是奈何使命的呢？领先，让咱们快速了解一下机器学习的里面使命旨趣：
1 .输入数据预处理：
输入数据需要被处理成可以看成模子输入的步地。这通常波及到预处理和特征工程，以索求有用的信息，并将数据更动成相宜的方式，举例输入矩阵或张量（高维矩阵）。这是内行系统的方法。跟着深度学习的出现，层的宗旨脱手自动处理预处理的使命。
2.配置运行模子参数：
运行模子参数包括多个层，激活函数，运行权重，偏置，学习率等。有些可以在西宾中调整，以使用优化算法提高模子的精度。
3.西宾数据：
www.jackpotcrownhome.com1）输入被送入神经网罗，通常从一层或多层特征索乞降关系建模脱手，举例卷积层（CNN）、轮回层（RNN）或自防卫力层。这些层学习从输入数据中索求相干特征，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奉行不同的经营和更动。这些层通常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，举例卷积神经网罗中的卷积和池化或递归神经网罗中的迭代。这些层的输出看成模子中下一层的输入或看成预测的最终输出。4.获取模子的输出：
神经网罗经营的输出通常是一个向量或矩阵，暗示图像分类的概率、情谊分析分数或其他末端，具体取决于网罗的应用。通常还有另一个诞妄评估和参数更新模块，它允许根据模子的想法自动更新参数。
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。
图像看成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）。卷积神经网罗（CNN）模子的运行参数已设定。输入图像通过CNN的多个荫藏层，每一层都应用卷积滤波器从图像中索求日益复杂的特征。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。终末一层通常是一个全诱骗层，根据索求的特征产生输出预测。CNN的最终输出是概率最高的类别。这便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线索，以使通盘这个词机器学习流程可靠：
跟着机器学习（ML）应用的爆炸式增长（复合年增长率超越20%）以及它们在日常生计中的和会进度的增多，如ChatGPT的最近流行，对ML的信任问题变得日益遑急，不成被惨酷。因此，发现并科罚这些信任问题对于确保AI的负连累使用和防御其潜在浮滥至关遑急。然则，这些问题到底是什么呢？让咱们深刻了解。
短少透明度或可评释注解性信任问题永恒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，模子参数通常是独到的，在某些情况下，模子输入也需要障翳，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：机器学习模子偶然被称为“黑匣子”，因为它们在经营流程中波及许多难以领略或解释的自动化门径。这些门径波及复杂的算法和大都数据，这些数据会带来不细则的、偶然是赶快的输出，使算法成为偏见致使歧视的罪魁罪魁。
在更深刻之前，本文中更大的假定是模子依然“准备好使用”，这意味着它挥洒自由而且得当想法。该模子可能不得当通盘情况，而且模子以惊东说念主的速率纠正，ML 模子的肤浅保质期为 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西宾流程存在信任问题，Gensyn 现时正在勤劳生成灵考笔据以促进这一流程。但是，本文将主要顾问模子推理流程。现时让咱们使用 ML 的四个构建块来发现潜在的信任问题：
Input:数据源不可改削私东说念主输入数据不会被模子运营商窃取（秘籍问题）Model:该模子自己如所宣传的那样准确。经营流程正确完成。上头的一些信任问题可以通过浅陋地上链来科罚；将输入和ML参数上传到链上，模子经营上链，可以保证输入、参数和模子经营的正确性。但是这种方法可能会纵脱可推广性和秘籍性。 Giza 在 Starknet 上是这么作念的，但是由于成本问题，它只因循回首这么浅陋的机器学习模子，不因循神经网罗。 ZK 技能可以更高效地科罚上述信任问题。现时ZKML的ZK通常指的是zkSNARK。领先，让咱们快速回首一下 zkSNARKs 的一些基础学问：
皇冠客服飞机：@seo3687一个 zkSNARK 评释注解评释注解我知说念一些诡秘输入 w 使得这个经营的末端 f 是 OUT 是真的而不告诉你 w 是什么。评释注解生成流程可以空洞为几个门径：
1.制定一个需要评释注解的论述：f(x,w)=true
“我依然使用带有独到参数 w 的 ML 模子 f 对这张图像 x 进行了正确分类。”
2.将语句更动为电路（Arithmetization）：不同的电路构造方法包括R1CS、QAP、Plonkish等。
与其他用例比拟，ZKML 需要一个称为量化的衰竭门径。神经网罗推理通常在浮点运算中完成，这在运算电路的主要领域中进行仿果然极其腾贵的。不同的量化方法是精度和开拓条件之间的衡量。一些电路构造方法如 R1CS 对神经网罗恶果不高。可以调整这部分以提高性能。
3.生成评释注解密钥和考证密钥
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。
它有助于确保独到输入或模子参数在经营流程中未被改削或修改。此门径至关遑急，因为即使是轻飘的修改也会对模子的行径和输生产生紧要影响。
6.生成评释注解：不同的评释注解系统使用不同的评释注解生成算法。
需要为机器学习操作设想特殊的零学问轨则，举例矩阵乘法和卷积层，从而为这些经营提供具有亚线性时候的高效公约。
由于经营使命量太大，像 groth16 这么的通用 zkSNARK 系统可能无法灵验地处理神经网罗。
自 2020 年以来，出现了许多新的 ZK 评释注解系统来优化模子推理流程的 ZK 评释注解，包括 vCNN、ZEN、ZKCNN 和 pvCNN。然则，它们中的大多数都针对 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 独创东说念主）建议了一种基于 Halo2 的新评释注解决策，初度达成了 ImageNet 数据集的 ZK 评释注解生成。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评释注解系统进行基准测试，发现时评释注解时候方面，ZKCNN 和 plonky2 阐发最好；在峰值评释注解者内存使用方面，ZKCNN 和 halo2 阐发雅致；而 plonky，天然阐发可以，但纵脱了内存消耗，ZKCNN 仅适用于 CNN 模子。它还正在开发一个新的 zkSNARK 系统，绝顶是针对带有新杜撰机的 ZKML。
7.考证评释注解：考证者使用考证密钥进行考证，无需见证东说念主走漏。
因此，咱们可以评释注解，将零学问技能应用于机器学习模子可以科罚许多信任问题。使用交互式考证的近似技能可以达成近似的末端，但将需要考证方更多的资源，并可能濒临更多的秘籍问题。值得防卫的是，根据确切的模子，为它们生成评释注解可能会消费时候和资源，因此当该技能最终在推行用例中实施时，会在各个方面作念出妥洽。
科罚决策的近况接下来，桌子上有什么？请记着，模子提供者可能不念念生成 ZKML 评释注解的原因有许多。对于那些有填塞勇气尝试 ZKML 而且当科罚决策对实施故兴致时，他们可以根据他们的模子和输入场所的位置从几个不同的科罚决策中进行选拔：
如若输入数据在链上，Axiom 可以被视为一种科罚决策：
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探望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经营是可行的：
领先，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 考证流程进行无信任考证。然后，AxiomV0StoragePf 合约允许根据缓存在 AxiomV0 中的块哈希给出的信任根，批量考证苟且历史以太坊存储评释注解。接下来，可以从导入的历史数据中索求 ML 输入数据。然后 Axiom 可以在上头应用经过考证的机器学习操作；使用优化的 halo2 看成后端来考证每个经营的灵验性。终末，Axiom 为每个查询的末端附上 zk 评释注解，Axiom 智能合约将考证 zk 评释注解。任何念念要评释注解的相干方都可以从智能合约中探望它。如若模子上链，可以计划 RISC Zero 看成科罚决策：
RISC 零 ZKVM 是一个 RISC-V 杜撰机，它产生它奉行的代码的零学问评释注解。使用 ZKVM，生成加密收条，任何东说念主都可以考证它是由 ZKVM 的访客代码生成的。发布收条不会披露辩论代码奉行的其他信息（举例，提供的输入）。
通过在 RISC Zero 的 ZKVM 中运行机器学习模子，可以评释注解奉行了模子中波及的精准经营。经营和考证流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网罗中完成。
领先，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 中奉行时，输出与包含加密钤记的经营收条配对。该钤记用作经营竣工性的零学问论证，并将加密 imageID（璀璨已奉行的 RISC-V 二进制文献）连结到断言的代码输出，第三方可以快速考证。当模子在 ZKVM 中奉行时，对于景色变化的经营完全在 VM 中完成。它不会向外部各方透露辩论模子里面景色的任何信息。一朝模子完成奉行，生成的钤记将看成经营竣工性的零学问评释注解。生成 ZK 评释注解的确切流程波及一个以赶快预言机看成考证者的交互公约。 RISC 零收条上的钤记本体上是此交互公约的手本。
如若您念念胜仗从 Tensorflow 或 Pytorch 等常用的 ML 软件导入模子，可以计划使用 ezkl 看成科罚决策：
潮流Ezkl 是一个库和高歌行器具，用于对 zkSNARK 中的深度学习模子和其他经营图进行推理。
领先，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，您可以使用它来评释注解 ZKML 语句。看起来很浅陋，对吧？ ezkl 的标的是提供一个抽象层，允许在 Halo 2 电路中调用和嘱托更高档别的操作。 Ezkl 抽象化了许多复杂性，同期保抓了难以置信的活泼性。他们的量化模子有一个用于自动量化的比例因子。跟着新科罚决策的出现，它们因循对其他评释注解系统进行活泼改换。它们还因循多种类型的杜撰机，包括 EVM 和 WASM。
在评释注解系统方面，ezkl customs halo2 circuits通过团员评释注解（通过中介将难以考证的变成容易考证的）和递归（可以科罚内存问题，但很难得当halo2）。 Ezkl 还使用和会和抽象优化了通盘这个词流程（可以通过高档评释注解减少支拨）
皇冠注册另外值得防卫的是，相对于其他通用的zkml样子，Accessor Labs专注于提供专为全链上游戏设想的zkml器具，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：用例在那里？使用 ZK 技能科罚 ML 的信任问题意味着它现时可以应用于更多“高风险”和“高度细则性”的用例，而不单是是跟上东说念主们的言语或差别猫的图片和狗的图片。 Web3 依然在探索许多这么的用例。这并非恰好，因为大多数 Web3 应用尺度在区块链上运行或盘算推算在区块链上运行，因为区块链的特定性质可以安全运行、难以改削并具有细则性经营。一个可考证的行径雅致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举止的东说念主工智能，对吧？
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纵脱用户体验，因为这显豁是他们的首要任务，而且基础设施的截至也存在。 AI/ML 有可能丰富用户体验，这征服会有所匡助，但以前似乎不可能失当协。现时，感谢 ZK，咱们可以精辟地看到 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纵脱。
本体上，它将是一个以无信任方式达成 ML/AI 的 Web3 应用尺度（在撰写本文时可能存在也可能不存在）。通曩昔信任的方式，咱们的兴致是它是否在去信任的环境/平台中运行，或者它的操作是可评释注解可考证的。请防卫，并非通盘 ML/AI 用例（即使在 Web3 中）都需要或首选以去信任的方式运行。咱们将分析在各式 Web3 领域中使用的 ML 功能的每个部分。然后，咱们会识别出需要ZKML的部分，通常是东说念主们景象花衰竭的钱来评释注解的高价值部分。
底下提到的大多数用例/应用尺度仍处于实验研究阶段。因此，它们离推行采选还很远。咱们稍后会接洽原因。
DefiDefi 是为数未几的得当区块链公约和 Web3 应用尺度的家具市集之一。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。咱们依然细则了许多 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，从防御诈骗和洗钱到披发无典质贷款。确保这个 AI/ML 模子以可考证的方式运行意味着咱们可以防御它们被主管插足审查轨制，这收敛了使用 Defi 家具的无许可性质。
钞票经管：自动走动政策对于 Tradfi 和 Defi 来说并不极新。依然尝试应用 AI/ML 生成的走动政策，但只好少数去中心化政策赢得告捷。现时 defi 领域的典型应用包括 Modulus Labs 磨砺的 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 上抓有资金并交换 WEth / USDC 的 L1 合约。这得当 ML 信任框架的“输出”部分。输出在 L2 上生成，传输到 L1 并用于奉行。在此流程中，它不成被改削。L2 合约达成了一个浅陋（但活泼）的 3 层神经网罗来预测明天的 WEth 价钱。该合约使用历史 WETH 价钱信息看成输入。这得当“输入”和“模子”部分。历史价钱信息输入来自区块链。模子的奉行是在 CairoVM 入网算的，CairoVM 是一个 ZKVM，其奉行轨迹将生成 ZK 评释注解以供考证。用于西宾回首器和分类器的可视化和 PyTorch 代码的浅陋前端。自动化 MM 和流动性供应：这本体上是在风险评估和钞票经管方面进行的近似勤劳的组合，只是在波及数目、时候表和钞票类型时以不同的方式进行。对于机器学习奈何用于股票市集作念市的论文许多。其中一些适用于 Defi 家具可能只是时候问题。
举例，Lyra Finance 正在与 Modulus Labs 合营，通过智能功能增强他们的 AMM，以提高成本恶果。
荣誉奖: Warp.cc 团队开发了一个教程样子，先容奈何部署运行挥洒自由的神经网罗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 撮要提供，而且模子看成 Arweave 上的 Warp 智能合约奉行。这是第一次迭代而且波及到 ZK，是以它属于咱们的荣誉奖，但在明天 Warp 团队计划达成 ZK 部分
Gaming游戏与机器学习有许多杂乱：
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 评释注解配对的初步评估。 Leela Chess Zero 是将 ZKML 应用于游戏的一个荒谬兴致兴致的示例：
AI Agents
在线博彩平台注册送58元彩金Leela Chess Zero (LC0)：由 Modulus Labs 打造的完全链上东说念主工智能外洋象棋棋手，与来自社区的一群东说念主类棋手对弈。
LC0 和东说念主类集体循序棋战（象棋应该如斯）。
LC0 的移动是使用简化的、电路友好的 LC0 模子经营的。
LC0 的举动生成了 Halo2 snark 评释注解，以确保莫得东说念主为经营干扰。只好简化的 LC0 模子可以作念出决定。
这得当“模子”部分。该模子的奉行具有 ZK 评释注解，以考证经营未被改削。
数据分析和预测：这是 AI/ML 在 Web2 游戏天下中的常见用途。然则，咱们发现很少有事理将 ZK 实施到这个 ML 流程中。为了不胜仗参与该流程的太多价值，可能不值得付出勤劳。但是，如若使用某些分析和预测来细则用户的奖励，则可能会实施 ZK 以确保末规定确。
荣誉奖:
AI Arena 是一款以太坊原生游戏，全天下的玩家都可以在其中设想、西宾和搏斗由东说念主工神经网罗驱动的 NFT 变装。来自天下各地的才华横溢的研究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 专注于前馈神经网罗。通常，它们的经营支拨低于卷积神经网罗 (CNN) 或递归神经网罗 (RNN)。不外，就现时而言，模子只好在经过西宾后才会上传到平台，因此值得一提。
GiroGiro.AI 正在构建一个 AI 器具包，使寰球能够创建用于个东说念主或贸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。只需输入小数数据并选拔算法（或用于纠正的模子），用户就会在脑海中生成和期骗 AI 模子。尽管该样子处于荒谬早期的阶段，但由于 GiroGiro 专注于 gamefi 和以杜撰天下为重心的家具，因此咱们荒谬期待看到它能带来什么，因此它赢得了荣誉奖。
DID 和外交在DID&social领域，web3和ml的杂乱现时主要在proof of humanity和proof of credentials领域；其他部分可能会发展，但需要更长的时候。
东说念主性的评释注解
Worldcoin 使用一种称为 Orb 的开拓来细则某东说念主是否是一个莫得试图乱来考证的真确存在的东说念主。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达成这一丝。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经营机视觉技能来创建虹膜代码，这是个东说念主虹膜图案最遑急特征的数字暗示。具体报名门径如下：
知名体育明星XXX最近宣布将加入一家新，这一消息引起广泛关注讨论，人们猜测他会新产生何种影响。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经营用户的 IrisHash。然后，它将包含散列公钥和 IrisHash 的签名音书发送到注册定序器节点。定序器节点考证 Orb 的签名，然后查验 IrisHash 是否与数据库中已有的不匹配。如若独一性查验通过，则保存 IrisHash 和公钥。Worldcoin 使用开源的 Semaphore 零学问评释注解系统将 IrisHashes 的独一性转化到用户帐户的独一性，而无需将它们连结起来。这确保了新注册的用户可以告捷领取他/她的 WorldCoins。门径如下：
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评释注解它领有先前注册的一个公钥的独到副本。因为它是零学问评释注解，是以它不会披露哪个公钥。评释注解再次发送到排序器，排序器对其进行考证并启动将代币存入提供的钱包地址。一个所谓的无效符与评释注解一皆发送，并确保用户不成两次条件奖励。WorldCoin 使用 ZK 技能确保其 ML 模子的输出不会透露用户的个东说念主数据，因为它们不会互相干联。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，在这种情况下是难懂的。
行动评释注解
Astraly 是一个建立在 StarkNet 上的基于声誉的代币分发平台，用于寻找和因循最新最好的 StarkNet 样子。估计声誉是一项具有挑战性的任务，因为它是一个抽象宗旨，无法用浅陋的想法精辟量化。在处理复杂的想法时，通常情况下，更全面和各样化的输入会产生更好的末端。这便是为什么 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。
个性化保举和内容过滤
Twitter 最近为“为你”时候线开源了他们的算法，但用户无法考证该算法是否正确运行，因为用于对推文进行排行的 ML 模子的权重是障翳的。这导致了对偏见和审查轨制的担忧。
然则，Daniel Kang、Edward Gan、Ion Stoica 和 Yi Sun 提供了一种科罚决策，使用 ezkl 提供笔据评释注解 Twitter 算法在不透露模子权重的情况下安分运行，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，并发布笔据评释注解它为给定用户和推文生成了特定的最终输出排行。该科罚决策使用户能够考证经营是否正确奉行，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，但这是提高外交媒体透明度的积极门径。因此，这属于咱们的 ML 信任框架的“模子”部分。
从用例角度再行谛视 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，但辞谢惨酷；明天跟着ZKML的使用范围束缚扩大，可能会出现对ZKML提供者的需求，酿成下图的闭环：
ZKML 劳动提供商主要顾问 ML 信任框架的“模子”和“参数”部分。尽管咱们现时看到的大多数与“模子”相干而不是“参数”。请防卫，“输入”和“输出”部分更多地由基于区块链的科罚决策科罚，用作数据源或数据想法地。单独的 ZK 或区块链可能无法达成完全确实，但它们皆集起来可能会作念到。
离大界限采选还有多远？Modulus Labs 的论文通过测试 Worldcoin（具有严格的精度和内存条件）和 AI Arena（具有成本效益和时候条件），为咱们提供了一些对于 ZKML 应用可行性的数据和视力：
如若 Worldcon 使用 ZKML，评释注解者的内存消耗将超越任何商用移动硬件。如若 AI Arena 的锦标赛使用 ZKML，则使用 ZKCNN 会将时候和成本增多到 100 倍（0.6 秒对原本的 0.008 秒）。是以缺憾的是，胜仗应用 ZKML 技能来评释注解时候和评释注解内存使用都是不可行的。
评释注解大小和考证时候奈何？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 推领略决决策可以在 ImageNet（模子类型：DCNN，16 层，340 万个参数）上达成高达 79% 的准确率，同期只需 10 秒和 5952 字节的考证时候。此外，zkSNARKs 可以收缩到只需 0.7 秒即可以 59% 的准确率进行考证。这些末端标明 zkSNARKing ImageNet 界限模子在评释注解大小和考证时候方面的可行性。
现时主要的技能瓶颈在于时候和内存消耗的评释注解。在 web3 案例中应用 ZKML 在技能上仍然不可行。 ZKML 能否收拢 AI 的发展后劲？咱们可以对比几个造就数据：
iba百家乐网址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衔命“摩尔定律”式的规范。简直每年都会推出新的 ZK 系统，咱们瞻望评释注解者性能的火箭式增长将抓续一段时候。
比较前沿的ML对ZK的提高幅度，出息不是很乐不雅。然则，跟着rollup性能、ZK硬件以及基于高度结构化神经网罗操作的量身定制的ZK评释注解系统的束缚纠正，但愿ZKML的开发能够心仪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 来考证 ChatGPT 提供给我的信息是否值得相信，但咱们概况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“职权导致堕落，实足的职权导致实足的堕落”。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。政府一再评释注解可认为后果提供后期干扰或早期透彻间隔。区块链 + ZK 提供了能够以可评释注解和可考证的方式恪守野兽的少数科罚决策之一。
咱们期待在 ZKML 领域看到更多的家具改进，ZK 和区块链为 AI/ML 的运行提供安全确实的环境。咱们还期许全新的贸易模式会从这些家具改进中产生，因为在无需许可的加密天下中，咱们不受这里首选的 SaaS 贸易化模式的截至。咱们期待因循更多的开发者前来，在这个“狂野西部无政府景色”和“象牙塔精英”的迷东说念主疏浚中构建他们振奋东说念主心的念念法。
咱们还早，但咱们可能会在路上拯救天下。
小猪优版体育入口参考府上：开云龙虎斗
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