Sự trỗi dậy của các mô hình ngôn ngữ lớn như ChatGPT đã thúc đẩy sự quan tâm đến việc chạy các mô hình học máy tương tự trên các mạng phi tập trung. Việc này hứa hẹn nhiều lợi ích, bao gồm khả năng truy cập dữ liệu và mô hình dân chủ hóa, nâng cao minh bạch và khả năng kiểm toán, và giảm thiểu rủi ro thiên vị và thao túng.
Tuy nhiên, việc triển khai AI phi tập trung cũng đi kèm với những thách thức. Một thách thức chính là vấn đề tin tưởng. Làm thế nào để chúng ta có thể tin tưởng rằng một mô hình AI chạy trên mạng phi tập trung sẽ tạo ra kết quả chính xác và không thiên vị?
Xem xét tính riêng tư của dữ liệu, Zero-knowledge machine learning (zkML) nói chung là lạc quan, vậy liệu đây có phải là tương lai của AI trên chuỗi không? Bài viết này sẽ giới thiệu ngắn gọn kiến thức cơ bản về zkML, các dự án zkML đáng chú ý, những hạn chế và các lựa chọn thay thế của zkML.
Kiến thức cơ bản về zkML
Zero-knowledge machine learning (zkML) tương tự như một phương pháp bảo mật trong điện toán. Nó chủ yếu bao gồm hai phần:
- Sử dụng machine learning (ML) để thực hiện các nhiệm vụ;
- Chứng minh rằng nhiệm vụ đã được hoàn thành một cách chính xác mà không tiết lộ tất cả các chi tiết.
Nói một cách đơn giản, nó hoạt động như thế này:
a. Chạy nhiệm vụ
Ai đó sử dụng mô hình ML để xử lý một số dữ liệu và nhận được kết quả, giống như một đầu bếp nướng bánh theo công thức nhưng không cho ai biết nguyên liệu.
b. Nhiệm vụ chứng minh
Sau khi nhiệm vụ hoàn thành, họ có thể đưa ra bằng chứng. Ví dụ: “Tôi đã sử dụng thông tin đầu vào cụ thể trong mô hình cụ thể này và nhận được kết quả này”. Họ thực sự đang chứng minh rằng họ đã thực hiện đúng các bước trong công thức.
c. Giữ bí mật
Điều tuyệt vời về zkML là khi họ chứng minh được một nhiệm vụ đã được thực hiện chính xác, họ có thể giữ bí mật các chi tiết như dữ liệu đầu vào, cách mô hình hoạt động hoặc kết quả. Nói tóm lại, zkML cho phép người chứng minh nói “tin tôi đi, tôi hiểu đúng” trong khi vẫn giữ kín phương pháp và dữ liệu của họ.
Giới thiệu về các dự án zkML đáng được quan tâm
Đã gần một năm kể từ khi khái niệm zkML được đề xuất. Đã có nhiều dự án liên quan đang được xây dựng và một số ít trong số đó cũng đã phát hành mã thông báo trên thị trường. Messari liệt kê một số dự án zkML do các quỹ đầu tư mạo hiểm nổi tiếng đầu tư, sẽ được giới thiệu dưới đây.
Nguồn: Messari
Spectral
Spectral đang xây dựng nền kinh tế proxy trên chuỗi cho Web3. Sản phẩm chủ lực của họ SYNTAX là LLM (Mô hình ngôn ngữ lớn) độc quyền có thể tạo mã Solidity. Spectral cho phép người dùng tạo các tác nhân tự trị trên chuỗi đồng thời tận dụng suy luận ML phi tập trung để cải thiện hợp đồng thông minh. Ngoài ra, bằng cách tận dụng zkML, Spectral có thể cung cấp bằng chứng cho thấy một dự đoán cụ thể được tạo ra bởi một mô hình ML cụ thể, đảm bảo độ tin cậy và tính xác thực trong quy trình.
Spectral đã phát hành token, token là SPEC, với giá trị thị trường là 119 triệu USD.
Worldcoin
Worldcoin đang phát triển một hệ thống nguồn mở được thiết kế để cho phép mọi người tham gia vào nền kinh tế toàn cầu. Trong Worldcoin, một ứng dụng tiềm năng của zkML là cải thiện tính bảo mật và quyền riêng tư của công nghệ nhận dạng mống mắt. Vốn hóa thị trường của token WLD hiện là 1,07 tỷ USD.
Đây là cách nó hoạt động:
a. Tự lưu trữ sinh trắc học
Người dùng World ID có thể lưu trữ dữ liệu sinh trắc học của họ, chẳng hạn như quét mống mắt, một cách an toàn và được mã hóa trên thiết bị di động của họ.
b. Xử lý cục bộ
Sau đó, người dùng có thể tải mô hình ML xuống thiết bị của mình để tạo mã duy nhất từ quá trình quét mống mắt.
c. Giấy chứng nhận bảo vệ quyền riêng tư
Sử dụng zkML, họ có thể tạo bằng chứng trực tiếp trên thiết bị của mình. Chứng nhận này xác nhận rằng mã mống mắt của họ được tạo chính xác từ các lần quét bằng đúng kiểu máy. Tất cả các hoạt động này được thực hiện mà không làm lộ dữ liệu thực tế của người dùng.
Rủi ro bằng không
RISC Zero nhằm mục đích nâng cao độ tin cậy và hiệu quả của Internet, điều này sẽ đạt được bằng cách cung cấp các dịch vụ điện toán không yêu cầu các bên phải tin tưởng lẫn nhau.
Sau đây là những điểm chính của RISC Zero:
a. Mở rộng chuỗi khối
Nó sử dụng dịch vụ chứng minh Bonsai để thực hiện các hoạt động phức tạp, từ đó tăng cường tính bảo mật của blockchain. Bonsai quản lý các tính toán phức tạp và dữ liệu riêng tư ngoài chuỗi, nâng cao hiệu quả.
b. Hợp tác với Spice AI
Spice AI cung cấp cơ sở hạ tầng AI và dữ liệu tổng hợp, sẵn sàng sử dụng, bao gồm cả Spice.ai OSS quy mô đám mây được quản lý. Sự hợp tác này nhằm mục đích cung cấp cho các nhà phát triển bộ công cụ zkML toàn diện.
c. Dịch vụ machine learning
Các nhà phát triển có thể sử dụng RISC Zero để truy cập và truy vấn dữ liệu một cách an toàn, đào tạo riêng các mô hình ML và cung cấp bằng chứng cho thấy dữ liệu đã được xử lý chính xác.
Về cơ bản, RISC Zero cung cấp cho các nhà phát triển MLaaS (ML dưới dạng dịch vụ) trong khi vẫn đảm bảo rằng dữ liệu và quá trình thực thi vẫn ở chế độ riêng tư và an toàn.
Giza
Giza là một nền tảng machine learning chạy trên mạng Starknet.
a. Mục tiêu chính
Giza đặt mục tiêu mở rộng quy mô hoạt động ML trực tiếp trên blockchain.
b. Cơ sở kỹ thuật
Nó sử dụng Starknet hỗ trợ bằng chứng không có kiến thức (ZK) để xác minh hoạt động ML, đảm bảo tính chính xác và bảo mật của các phép tính mà không làm rò rỉ dữ liệu cơ bản.
c.Ứng dụng
Trên Starknet, Giza cho phép “Đại lý Giza” tự động hóa các chiến lược tài chính khác nhau, bao gồm tổng hợp doanh thu đa giao thức, phân bổ tài sản và tạo lập thị trường không rủi ro. Về cơ bản, tận dụng các điểm mạnh của zkML, Giza cho phép thực hiện các chiến lược tài chính một cách an toàn và tự động trên blockchain.
Vanna
Vanna là mạng suy luận AI mô-đun không chỉ tương thích với chuỗi EVM mà còn cung cấp bảo mật linh hoạt. Người dùng có thể chọn từ zkML, ZK lạc quan, opML, teeML và các phương thức xác minh khác. Kết hợp các kịch bản sử dụng trong tương lai của Vanna bao gồm sử dụng LLM để tạo các cuộc trò chuyện trò chơi GameFi trên chuỗi; phát hiện lỗ hổng hợp đồng thông minh trên chuỗi; một công cụ cảnh báo rủi ro cho các giao thức DeFi và hệ thống danh tiếng tài khoản phù thủy được sử dụng để đánh dấu các đợt airdrop;
Ngoài một số dự án được giới thiệu ở trên, còn có các dự án trong hệ sinh thái zkML như trong hình bên dưới. Vì lý do không gian nên sẽ không được giới thiệu để độc giả tham khảo.
Nguồn: SevenX Ventures
Hạn chế của zkML và các lựa chọn thay thế
Mặc dù hấp dẫn về mặt lý thuyết nhưng zkML hiện tại không thực tế lắm. Các phép tính của AI vốn rất tốn tài nguyên và việc thêm các phương thức mã hóa như các phương thức được sử dụng trong zkML khiến chúng thậm chí còn chậm hơn. Modulus Labs báo cáo rằng zkML có thể chậm hơn tới 1.000 lần so với các phép tính thông thường. Trên thực tế, đối với hầu hết người dùng, việc chờ thêm vài phút là điều không thể chấp nhận được trong trải nghiệm hàng ngày.
Do đó, do những hạn chế này, zkML hiện có thể chỉ phù hợp với các mô hình ML rất nhỏ. Trong trường hợp này, nhiều dự án AI phải xem xét các phương pháp xác minh khác. Hiện tại có hai lựa chọn thay thế chính:
- opML (ML lạc quan)
- teeML (Môi trường thực thi đáng tin cậy ML)
Hình dưới đây minh họa ngắn gọn sự khác biệt:
