ZKML と分散コンピューティング: AI と Web3 の潜在的なガバナンスの物語

ZKML について: ZKML (Zero Knowledge Machine Learning) は、機械学習におけるプライバシー保護の問題を解決するために、ゼロ知識証明 (Zero-Knowledge Proofs) と機械学習アルゴリズムを組み合わせた機械学習テクノロジーです。

分散コンピューティング能力について: 分散コンピューティング能力とは、効率的なコンピューティングを実現するために、コンピューティング タスクを複数の小さなタスクに分解し、これらの小さなタスクを複数のコンピューターまたはプロセッサに処理用に割り当てることを指します。

AI と Web3 の現状: 暴走する群れとエントロピーの増大

ケビン・ケリーは、『アウト・オブ・コントロール: 機械、社会、経済の新しい生物学』の中で、かつてミツバチのコロニーが分散管理に従って群舞で選挙決定を行い、ミツバチのコロニー全体がこれに従うという現象を提案しました。グループダンス 世界最大のミツバチの群れがイベントの主役になります。これは、モーリス・メーテルリンクが言及した、いわゆる「巣の魂」でもあります。各ミツバチは独自の決定を下し、他のミツバチに確認を促すことができ、最終的な決定はまさにグループの選択です。

エントロピー増大と無秩序の法則自体は熱力学の法則に従い、物理学における理論的な視覚化は、空の箱に一定数の分子を入れて最終的な分布プロファイルを計算することです。人間特有のアルゴリズムによって生成されるモブは、個人の考え方の違いはあっても集団の法則性を示すことができ、時代などの要因で空箱に制限されることも多く、最終的には総意で決定します。

もちろん、集団のルールが正しくない可能性もありますが、自らコンセンサスを代表し、コンセンサスを引き出すことができるオピニオンリーダーは、絶対的な超個人です。しかし、ほとんどの場合、コンセンサスは全員の完全かつ無条件の同意を追求するものではなく、グループが一般的なアイデンティティを持つことだけを要求します。

ここでは、AI が人間を誤らせるかどうかについては議論していません。実際、人工知能アプリケーションによって生成される大量のゴミがネットワーク データの信頼性を汚染しているためなのか、あるいはグループの意思決定が原因であるのか、そのような議論はすでにたくさんあります。間違いは何らかの問題を引き起こすだろう 事件はさらに危険な状況に陥った。

AI の現状は自然独占となっており、たとえば、大規模モデルのトレーニングと展開には大量のコンピューティング リソースとデータが必要ですが、このような条件を備えている企業や機関は少数です。これらの数億のデータは、各独占所有者によって宝物とみなされ、ソース共有は言うまでもなく、相互アクセスさえ不可能です。

これにより、膨大なデータの無駄が発生しました。大規模な AI プロジェクトはすべてユーザー データを繰り返し収集する必要があり、合併や買収、売却、個々の巨大プロジェクトの拡大、従来のインターネットなど、最終的に勝者がすべてを手に入れることになります。ロデオの論理レース。

多くの人は、AI と Web3 は 2 つの別物であり、何の関係もないと言います。文の前半は正しく、これらは 2 つの異なるトラックですが、文の後半には問題があり、分散テクノロジーを使用して人工知能の独占を制限しています。そして、分散型の合意メカニズムの形成を促進するために人工知能テクノロジーを使用することは、まったく自然なことです。

下の演繹: AI に実際の分散型グループの合意メカニズムを形成させよう

人工知能の核心は人間そのものにあり、機械やモデルは人間の思考の推測や模倣にすぎません。私たちが毎日見ているものは依然として現実の個人であるため、いわゆるグループを抽象化することは実際には困難です。しかし、このモデルは、膨大なデータを使用して学習および調整し、最終的にグループの形態をシミュレートすることです。このモデルがどのような結果を引き起こすかを評価しないでください。グループが悪を犯す事件は一度や二度ではないからです。しかし、モデルはこの合意メカニズムの生成を表しています。

例えば、特定のDAOに対してガバナンス機構を導入すると、投票や統計などの一連の業務はもちろんのこと、グループの合意形成が煩雑であるため、効率性への影響は避けられません。 DAO のガバナンスが AI モデルの形で具体化され、すべてのデータ収集が DAO 内の全員の音声データから得られる場合、出力の決定は実際にはグループのコンセンサスに近くなります。

単一モデルのグループ コンセンサスは上記のスキームに従ってトレーニングできますが、それでもこれらの個人にとっては孤島です。グループ AI を形成するための集合知システムがあれば、そのシステム内の各 AI モデルが相互に連携して複雑な問題を解決し、コンセンサスレベルの強化に大きな効果をもたらします。

小規模なコレクションの場合、エコロジーを独立して構築することも、他のコレクションと協力してコレクションを形成して、超大規模なコンピューティング能力やデータ トランザクションに効率的かつ低コストで対応することもできます。しかし、ここで再び問題が発生します。さまざまなモデル データベース間の現状は、完全に不信感を抱き、他を警戒しています。これがまさにブロックチェーンの自然な特性です。トラストレス性を通じて、真に分散された AI マシンのセキュリティが実現されます。効率的な相互作用。

グローバルインテリジェントブレインは、本来独立した単機能のAIアルゴリズムモデルを相互に連携させ、複雑なインテリジェントアルゴリズムプロセスを内部で実行し、継続的に成長できる分散型グループコンセンサスネットワークを形成することができます。これがWeb3におけるAIのエンパワーメントの最大の意義でもある。

プライバシー vs. データ独占? ZK と機械学習の組み合わせ

AIが悪事を行うためであっても、プライバシーの保護やデータ独占の恐れに基づくものであっても、人間は的を絞った予防策を講じる必要があります。核心的な問題は、結論がどのように導き出されたのかが分からないことであり、同様に、モデルの操作者もこの質問に答えるつもりはありません。そして、上で述べたグローバルなインテリジェントな頭脳を組み合わせるためには、この問題を解決することがさらに必要です。そうしないと、そのコアを他のデータと共有しようとするデータ当事者は存在しません。

ZKML (Zero Knowledge Machine Learning) は、機械学習にゼロ知識証明を使用するテクノロジーです。ゼロ知識証明（ZKP）、つまり証明者（証明者）は、特定のデータを明らかにすることなく検証者（検証者）にデータの信頼性を納得させることができます。

理論的な事例とともに引用します。 9×9の標準的な数独があり、9つのマス目に1から9までの数字が各行、各列、各マス目に1回しか出現しないように埋めることが完成条件となります。では、このパズルを作成した人は、答えを明らかにせずに、数独に解決策があることを挑戦者にどのように証明できるでしょうか?

塗りつぶしを答えで覆い、次に挑戦者にいくつかの行または列をランダムに選択してもらい、すべての数字をシャッフルして、それらがすべて 1 から 9 であることを確認するだけです。これは単純なゼロ知識証明の実施形態である。

ゼロ知識証明技術は、完全性、正確性、ゼロ知識の3つの特徴を持ち、詳細を明かさずに結論を証明する技術です。その技術の源はその単純さを反映しており、準同型暗号の文脈では、検証の難易度は証明の生成の難易度よりもはるかに低いです。

機械学習とは、アルゴリズムとモデルを使用して、コンピューター システムがデータから学習し、改善できるようにすることです。自動化を通じて経験から学習することで、システムはデータとモデルに基づいて予測、分類、クラスタリング、最適化などのタスクを自動的に実行できます。

機械学習の核心は、データから学習し、自動的に予測と意思決定を行うモデルを構築することです。これらのモデルの構築には通常、データセット、アルゴリズム、モデル評価という 3 つの重要な要素が必要です。データセットは機械学習の基礎であり、機械学習モデルのトレーニングとテストのためのデータ サンプルが含まれています。アルゴリズムは機械学習モデルの中心であり、モデルがデータからどのように学習して予測するかを定義します。モデル評価は機械学習の重要な部分であり、モデルのパフォーマンスと精度を評価し、モデルを最適化および改善する必要があるかどうかを決定するために使用されます。

従来の機械学習では、通常、トレーニングのためにデータセットを一元的な場所に収集する必要があります。これは、データ所有者がデータを第三者と共有する必要があることを意味し、データ漏洩やプライバシー漏洩のリスクにつながる可能性があります。 ZKML を使用すると、データ所有者はデータを公開することなく他のユーザーとデータセットを共有できます。これはゼロ知識証明を使用することで実現されます。

ゼロ知識証明を機械学習の強化に適用すると、その効果は予測可能になるはずであり、長年悩まされてきたプライバシー ブラック ボックスとデータ独占の問題、つまりプロジェクト当事者がユーザー データ入力の具体的な詳細を明らかにせずにデータを使用できるかどうかが解決されます。証明と検証が完了した後、各コレクションが独自のデータやモデルを共有して、プライベート データを明らかにすることなく機能することは可能ですか?もちろん、現在の技術はまだ初期段階にあり、実際には多くの問題があるでしょうが、それは私たちの想像力を妨げるものではなく、すでに多くのチームが開発を始めています。

この状況は、小規模データベースから大規模データベースへの自由売春をもたらすでしょうか?ガバナンスの問題を考えると、Web3 の考え方に戻りますが、Crypto の本質はガバナンスにあります。多数の応募や共有を通じて、それにふさわしいインセンティブを得る必要があります。オリジナルの Pow、PoS メカニズム、または最新の PoR (評判証明メカニズム) を通じて、それらはすべてインセンティブ効果を保証します。

分散型コンピューティング能力: 嘘と現実が絡み合った革新的な物語

分散型コンピューティング パワー ネットワークは、暗号化界で常に話題になるシナリオです。結局のところ、AI の大規模モデルには驚くべきコンピューティング パワーが必要であり、集中型コンピューティング パワー ネットワークはリソースの無駄を引き起こすだけでなく、実質的な独占を形成することになります。結局のところ、GPU の数が最後に争われるのですが、これはあまりにも退屈です。

分散型コンピューティング パワー ネットワークの本質は、さまざまな場所やさまざまなデバイスに散在するコンピューティング リソースを統合することです。よく言及される主な利点は、分散コンピューティング機能の提供、プライバシー問題の解決、人工知能モデルの信頼性と信頼性の強化、さまざまなアプリケーション シナリオでの迅速な展開と運用のサポート、分散型データ ストレージと管理スキームの提供です。そうです。分散型コンピューティング能力により、誰でも AI モデルを実行し、世界中のユーザーからの実際のオンチェーン データセットでテストできるため、より柔軟で効率的で低コストのコンピューティング サービスを享受できるようになります。

同時に、分散型コンピューティング能力は、ユーザー データのセキュリティとプライバシーを保護するための強力なフレームワークを作成することで、プライバシーの問題を解決できます。また、透過的で検証可能なコンピューティング プロセスを提供し、人工知能モデルの信頼性と信頼性を強化し、さまざまなアプリケーション シナリオでの迅速な展開と運用のための柔軟でスケーラブルなコンピューティング リソースを提供します。

完全な集中型コンピューティング プロセスからモデル トレーニングを検討します。通常、各ステップはデータ準備、データ セグメンテーション、デバイス間のデータ送信、並列トレーニング、勾配集約、パラメーター更新、同期、反復トレーニングに分かれています。このプロセスでは、たとえ集中型コンピュータ室が高性能計算機クラスタを使用し、高速ネットワーク接続を通じて計算タスクを共有したとしても、高額な通信コストが分散型計算機パワーネットワークの最大の制限の 1 つとなっています。

したがって、分散型コンピューティングパワーネットワークには多くの利点と可能性がありますが、現在の通信コストと実際の運用の難易度を考慮すると、開発の道は依然として曲がりくねっています。実際には、分散型コンピューティング パワー ネットワークを実現するには、ノードの信頼性とセキュリティを確保する方法、分散コンピューティング リソースを効果的に管理およびスケジュールする方法、効率的なデータ送信と通信を実現する方法など、多くの実際的な技術的問題を克服する必要があります。 、実は大きな問題ではないかと心配しています。

テール: 理想主義者への期待

現在の商業的現実に戻ると、AI と Web3 の深い統合の物語は非常に美しく見えますが、資本とユーザーは、プロジェクトが OpenAI のようなものにならない限り、これは非常に困難なイノベーションの旅になる運命にあることを実際の行動で詳しく教えてくれます。 、我々が強い間は強力な財務的後ろ盾を持ち続けますが、そうでなければ底なしの研究開発費と不透明なビジネスモデルによって完全に潰されてしまいます。

AI にしろ Web3 にしろ、現在は前世紀末のインターネット バブルと同様に開発の非常に初期段階にあり、本当の黄金時代が正式に到来したのは 10 年近く経ってからです。マッカーシーは、一度の休暇で人間の知能を備えた人工知能を設計することを夢見ていましたが、人工知能への重要な一歩を踏み出したのは、それから 70 年近く経ってからでした。

Web3+AIも同様で、今後の進め方の正しさは決まっており、あとは時間に任せる。

**時の流れが消え去るとき、それらの立っている人や物は、SF から現実への移行の基礎となります。 **