¿Es el aprendizaje automático de conocimiento cero (zkML) el futuro de la IA en cadena? (con una introducción a los proyectos de calidad)

Autor original | @DistilledCrypto

Compilación | gólem

Desde la popularidad de los modelos de lenguaje grandes como ChatGPT, se han ejecutado modelos de aprendizaje automático similares en redes descentralizadas. se ha convertido en una de las principales narrativas de blockchain + IA. Sin embargo, no podemos confiar en que las redes descentralizadas utilicen modelos de ML específicos para razonar como confiamos en empresas de buena reputación como OpenAI, por lo que debemos verificarlo. Teniendo en cuenta la privacidad de los datos, el aprendizaje automático de conocimiento cero (zkML) es generalmente optimista, así que ¿será el futuro de la IA en cadena?

En este artículo, Odaily Planet Daily presentará brevemente los conocimientos básicos sobre zkML, los proyectos zkML dignos de atención y finalmente explicar brevemente las limitaciones de zkML y soluciones alternativas.

Conocimientos básicos sobre zkML

El aprendizaje automático de conocimiento cero (zkML) es similar a un enfoque de confidencialidad en informática. Consta principalmente de dos partes:

• Utilice el aprendizaje automático (ML) para realizar tareas;

• Demuestre que la tarea se completó correctamente sin revelar todos los detalles.

En términos simples, así es como funciona:

a. Ejecutar la tarea

Alguien usa un modelo ML para procesar algunos datos y obtener un resultado, lo que es como un chef que sigue una receta para hornear un pastel pero no le dice a nadie los ingredientes.

b. Tarea de prueba

Cuando la tarea esté completa, podrán mostrar una prueba. Por ejemplo, usé esta entrada específica en este modelo específico y obtuve este resultado. En realidad, están demostrando que siguieron los pasos de la receta correctamente.

c. Mantener la confidencialidad

La belleza de zkML es que cuando se demuestra que una tarea se realizó correctamente, se pueden mantener privados algunos detalles, como los datos de entrada, cómo funcionó el modelo o los resultados. En resumen, zkML permite al probador decir "créanme, lo hice bien" y, al mismo tiempo, mantener privados sus métodos y datos.

Introducción a proyectos zkML destacados

Ha pasado casi un año desde que se propuso el concepto de zkML. Actualmente, hay muchos proyectos relacionados en desarrollo y algunos de ellos han emitido tokens en el mercado. messari enumera algunos proyectos zkML en los que han invertido VC conocidos, que se presentarán a continuación.

Fuente: Messari

Espectral

Espectral está construyendo una economía de agentes en cadena para Web3. Su producto estrella, SYNTAX, es un LLM (Large Language Model) propietario que genera código Solidity. Spectral permite a los usuarios crear agentes autónomos en cadena mientras aprovechan la inferencia de ML descentralizada para mejorar los contratos inteligentes. Además, al usar zkML, Spectral puede proporcionar evidencia de que una predicción específica fue generada por un modelo de ML específico, lo que garantiza la confianza y la autenticidad en el proceso.

Spectral ha emitido un token llamado SPEC con un valor de mercado de $119 millones.

Moneda mundial

Moneda mundial está desarrollando un sistema de código abierto que tiene como objetivo permitir que todos participen en la economía global. En Worldcoin, un uso potencial de zkML es mejorar la seguridad y privacidad de la tecnología de reconocimiento de iris. El valor de mercado del token WLD es actualmente de 1000 millones de T/T.

Así es como funciona:

a. Hospedaje propio biométrico

Los usuarios de World ID pueden almacenar sus datos biométricos, como escaneos de iris, de forma segura y encriptada en sus dispositivos móviles.

b. Procesamiento local

Luego, los usuarios pueden descargar el modelo ML a su dispositivo para generar un código único a partir de un escaneo de iris.

c. Prueba de protección de la privacidad

Con zkML, pueden crear una prueba directamente en su dispositivo. Esta prueba confirma que su código de iris se generó correctamente a partir del escaneo utilizando el modelo correcto. Todo esto se hace sin exponer los datos reales del usuario.

Riesgo cero

RISC Cero Tiene como objetivo mejorar la confianza y la eficiencia en Internet proporcionando servicios informáticos que no requieren que las partes confíen entre sí.

Estos son los puntos clave de RISC Zero:

a. Escalar la cadena de bloques

Utiliza Bonsai Proof Service para realizar operaciones complejas, mejorando así la seguridad de la cadena de bloques. Bonsai gestiona cálculos complejos y datos privados fuera de la cadena, mejorando así la eficiencia.

b. Colaboración con Spice AI

Inteligencia artificial de Spice Proporciona infraestructura de inteligencia artificial y datos componibles y listos para usar, incluido el OSS Spice.ai administrado a escala de nube. La colaboración tiene como objetivo proporcionar a los desarrolladores un conjunto de herramientas zkML completo.

c. Servicios de aprendizaje automático

Los desarrolladores pueden usar RISC Zero para acceder y consultar datos de forma segura, entrenar modelos ML de forma privada y proporcionar pruebas de que los datos se procesaron correctamente.

Básicamente, RISC Zero proporciona servicios MLaaS (ML como servicio) a los desarrolladores al tiempo que garantiza que los datos y los procesos de ejecución permanezcan privados y seguros.

Giza

Giza es una plataforma de aprendizaje automático que se ejecuta en la red Starknet.

a. Objetivos principales

Giza tiene como objetivo escalar las operaciones de ML directamente en la cadena de bloques.

b. Base técnica

Utiliza Starknet, que admite pruebas de conocimiento cero (ZK), para verificar las operaciones de ML, lo que garantiza la precisión y seguridad de los cálculos sin filtrar los datos subyacentes.

c. Solicitud

En Starknet, Giza permite a los “agentes de Giza” ejecutar automáticamente varias estrategias financieras, incluidas la agregación de rendimiento entre protocolos, la asignación de activos y la creación de mercados sin riesgo. Básicamente, aprovechando las ventajas de zkML, Giza permite la ejecución segura y automatizada de estrategias financieras en la cadena de bloques.

Vanna

Vanna es una red de razonamiento de IA modular que no solo es compatible con la cadena EVM, sino que también proporciona seguridad flexible. Los usuarios pueden elegir entre una variedad de métodos de verificación como zkML, Optimist ZK, opML, teeML, etc. Combinando los escenarios de uso futuros de Vanna, utiliza LLM para generar diálogos de juegos de GameFi en cadena; detección de vulnerabilidades de contratos inteligentes en cadena; motor de advertencia de riesgos para protocolos DeFi; y un sistema de reputación para marcar cuentas de brujas en airdrops.

Además de los proyectos presentados anteriormente, también hay proyectos en el ecosistema zkML, como se muestra en la siguiente figura. Debido a limitaciones de espacio, no se presentarán aquí para referencia de los lectores.

Fuente: SevenX Ventures

Limitaciones de zkML y alternativas

Aunque la teoría es atractiva, zkML no es muy práctica en este momento. Los cálculos de IA consumen muchos recursos por naturaleza, y agregar métodos de cifrado como los que se usan en zkML los hace aún más lentos. Según Modulus Labs, zkML puede ser 1000 veces más lento que los cálculos normales. En realidad, para la mayoría de los usuarios, esperar unos minutos más es inaceptable en la vida cotidiana.

Por lo tanto, debido a estas limitaciones, zkML puede ser adecuado actualmente solo para modelos de ML muy pequeños. En este caso, muchos proyectos de IA deben considerar otros métodos de verificación. Actualmente, existen dos alternativas principales:

• opML (ML optimista)

• teeML (Entorno de ejecución confiable ML)

La siguiente figura ilustra simplemente la diferencia entre los tres:

Fuente: Protocolo Marlin

Este artículo proviene de Internet: ¿Es el aprendizaje automático de conocimiento cero (zkML) el futuro de la IA en cadena? (con una introducción a los proyectos de calidad)

Relacionado: Alerta de halving de Bitcoin: ¿Cómo reaccionan las ballenas ante el próximo evento?

En breve Las ballenas de Bitcoin se analizan intensamente antes del evento de reducción a la mitad. A pesar del sentimiento bajista, las ballenas están acumulando Bitcoin. El comportamiento de las ballenas sugiere una perspectiva alcista en medio de la anticipación de una reducción de la oferta después de la reducción a la mitad. A medida que la comunidad de Bitcoin (BTC) anticipa el próximo evento de reducción a la mitad, el comportamiento de las ballenas de criptomonedas (inversores que poseen grandes cantidades de Bitcoin) ha sido intensamente analizado. Los analistas y observadores del mercado están ansiosos por comprender cómo se están posicionando estos principales actores antes de un hito que históricamente impacta el precio de Bitcoin y la dinámica del mercado. A pesar de las condiciones bajistas, las ballenas están comprando Los datos recientes de las plataformas de análisis de blockchain como CryptoQuant y Santiment revelan un cambio notable en la actividad de las ballenas. Según un tweet de CryptoQuant, ha habido un aumento en la acumulación de Bitcoin por parte de las ballenas, lo que sugiere una perspectiva alcista de aquellos que anticipan la reducción de la oferta después de la reducción a la mitad.