ZKML и распределенные вычисления: потенциальное руководство для AI и Web3

О ZKML: ZKML (Машинное обучение с нулевым разглашением) — это технология машинного обучения, которая сочетает доказательства с нулевым разглашением (доказательства с нулевым разглашением) и алгоритмы машинного обучения для решения проблемы защиты конфиденциальности при машинном обучении.

О распределенной вычислительной мощности: Под распределенной вычислительной мощностью понимается разбиение вычислительной задачи на несколько небольших задач и назначение этих небольших задач нескольким компьютерам или процессорам для обработки для достижения эффективных вычислений.

Состояние ИИ и Web3: неконтролируемые рои и рост энтропии

В «Вне контроля: новая биология машин, общества и экономики» Кевин Келли однажды предложил феномен: пчелиная колония будет проводить выборные решения в групповом танце в соответствии с распределенным управлением, и вся пчелиная колония будет следовать этому групповой танец Самые большие пчелиные рои в мире становятся хозяевами праздника. Это также так называемая «душа улья», упомянутая Морисом Метерлинком — каждая пчела может принять собственное решение, направлять других пчел, чтобы подтвердить его, и окончательное решение действительно принимается группой.

Сам закон возрастания энтропии и беспорядка следует закону термодинамики, а теоретическая визуализация в физике состоит в том, чтобы поместить определенное количество молекул в пустой ящик и рассчитать окончательный профиль распределения. Конкретно для людей толпа, созданная алгоритмом, может показать закон группы, даже если существуют индивидуальные различия в мышлении.Она часто ограничена пустой коробкой из-за таких факторов, как время, и, наконец, принимает консенсусное решение.

Конечно, групповые правила могут быть неправильными, но лидеры общественного мнения, которые могут представлять консенсус и добиваться консенсуса самостоятельно, являются абсолютными сверхличностями. Но в большинстве случаев консенсус не преследует полного и безусловного согласия всех, а лишь требует от группы наличия общей идентичности.

Мы не обсуждаем здесь, будет ли ИИ вводить людей в заблуждение, на самом деле таких дискуссий уже много, будь то большое количество мусора, генерируемого приложениями искусственного интеллекта, запятнавшего подлинность сетевых данных, или групповое принятие решений. ошибки приведут к тому, что инцидент перешел в более опасную ситуацию.

Нынешнее положение ИИ имеет естественную монополию, например, для обучения и развертывания больших моделей требуется много вычислительных ресурсов и данных, но только небольшое количество предприятий и учреждений имеют эти условия. Эти сотни миллионов данных считаются сокровищами каждого владельца монополии, не говоря уже об обмене источниками, даже взаимный доступ невозможен.

Это привело к огромной трате данных.Каждый крупномасштабный проект искусственного интеллекта должен многократно собирать пользовательские данные, и, в конце концов, победитель получает все — будь то слияния и поглощения или продажи, расширение отдельных гигантских проектов или традиционный Интернет. гонки.

Многие говорят, что AI и Web3 — это две разные вещи и не имеют между собой никакой связи — первая половина предложения верна, это два разных трека, а вот вторая половина предложения проблематична, использование распределенной технологии для ограничения монополии искусственного интеллект, И использование технологии искусственного интеллекта для содействия формированию децентрализованного механизма консенсуса — это просто естественная вещь.

Нижний вывод: пусть ИИ сформирует реальный механизм консенсуса в распределенной группе

Ядро искусственного интеллекта кроется в самих людях, а машины и модели — не что иное, как домыслы и подражание человеческому мышлению. Так называемую группу на самом деле трудно абстрагировать от группы, потому что то, что мы видим каждый день, все же является реальным индивидуумом. Но модель заключается в использовании массивных данных для изучения и корректировки, и, наконец, для имитации групповой формы. Не оценивайте, к каким результатам приведет эта модель, потому что инциденты, когда группы совершают зло, не случаются раз и не два. Но модель представляет собой создание этого механизма консенсуса.

Например, для конкретного DAO, если механизм управления будет реализован, это неизбежно скажется на эффективности, потому что формирование группового консенсуса — дело хлопотное, не говоря уже о голосовании, статистике и т.п. череде операций. Если управление ДАО воплощено в виде модели ИИ, а весь сбор данных происходит из речевых данных каждого в ДАО, то выходное решение будет фактически ближе к групповому консенсусу.

Групповой консенсус одной модели можно тренировать по приведенной выше схеме, но для этих индивидуумов это все же остров. Если есть система коллективного разума для формирования группового ИИ, каждая модель ИИ в этой системе будет работать друг с другом для решения сложных проблем, что, по сути, окажет большое влияние на расширение возможностей уровня консенсуса.

Для небольших коллекций вы можете построить экологию самостоятельно или сформировать совместную коллекцию с другими коллекциями, чтобы более эффективно и с меньшими затратами справиться со сверхбольшими вычислительными мощностями или транзакциями данных. Но здесь снова возникает проблема: статус-кво между различными базами данных моделей полностью недоверчив и ограждает от других — именно в этом заключаются естественные атрибуты блокчейна: через недоверие может быть реализована безопасность действительно распределенных машин ИИ Эффективное взаимодействие.

Глобальный интеллектуальный мозг может заставить изначально независимые и однофункциональные модели алгоритмов ИИ взаимодействовать друг с другом, выполнять сложные процессы интеллектуальных алгоритмов внутри и формировать распределенную сеть группового консенсуса, которая может непрерывно расти. Это также является величайшим значением расширения возможностей ИИ в Web3.

Конфиденциальность или монополия на данные? Сочетание ZK и машинного обучения

Люди должны принимать целенаправленные меры предосторожности независимо от того, направлено ли это против ИИ, чтобы творить зло, или на основе защиты конфиденциальности и страха перед монополией данных. Основная проблема в том, что мы не знаем, как был сделан вывод, так же и оператор модели не собирается отвечать на этот вопрос. А для упомянутой выше комбинации глобального разумного мозга решать эту задачу тем более необходимо, иначе ни одна сторона данных не захочет делиться своим ядром с другими.

ZKML (Машинное обучение с нулевым разглашением) — это технология, использующая доказательства с нулевым разглашением для машинного обучения. Доказательства с нулевым разглашением (ЗКП), то есть доказывающий (доказывающий) может убедить верификатора (верификатора) в подлинности данных, не раскрывая конкретных данных.

Процитировано с теоретическим случаем. Существует стандартная судоку 9 × 9. Условие завершения состоит в том, чтобы заполнить числа от 1 до 9 в девяти сетках, чтобы каждое число могло появляться только один раз в каждой строке, столбце и сетке. Так как же человек, составляющий эту головоломку, может доказать претенденту, что у судоку есть решение, не раскрывая ответ?

Вам нужно только закрыть заполнение ответом, а затем попросить претендента случайным образом выбрать несколько строк или столбцов, перемешать все числа и убедиться, что все они от одного до девяти. Это простой вариант доказательства с нулевым разглашением.

Технология доказательства с нулевым разглашением имеет три характеристики полноты, правильности и нулевого разглашения, то есть доказывает вывод, не раскрывая никаких подробностей. Источник его технологии может отражать простоту.В контексте гомоморфного шифрования сложность проверки намного ниже, чем сложность создания доказательств.

Машинное обучение — это использование алгоритмов и моделей, позволяющих компьютерным системам учиться и совершенствоваться на основе данных. Обучение на основе опыта с помощью автоматизации позволяет системе автоматически выполнять такие задачи, как прогнозирование, классификация, кластеризация и оптимизация на основе данных и моделей.

По своей сути машинное обучение заключается в создании моделей, которые изучают данные и автоматически делают прогнозы и решения. Для построения этих моделей обычно требуются три ключевых элемента: наборы данных, алгоритмы и оценка модели. Наборы данных являются основой машинного обучения и содержат образцы данных для обучения и тестирования моделей машинного обучения. Алгоритмы лежат в основе моделей машинного обучения, определяя, как модель учится и делает прогнозы на основе данных. Оценка модели — важная часть машинного обучения, которая используется для оценки производительности и точности модели и принятия решения о необходимости оптимизации и улучшения модели.

В традиционном машинном обучении наборы данных обычно необходимо собирать в централизованном месте для обучения, а это означает, что владельцы данных должны делиться данными с третьими лицами, что может привести к риску утечки данных или утечки конфиденциальной информации. С ZKML владельцы данных могут делиться наборами данных с другими, не раскрывая данные, что достигается за счет использования доказательств с нулевым разглашением.

Когда доказательство с нулевым разглашением применяется для расширения возможностей машинного обучения, эффект должен быть предсказуемым, что решает давно мучающие проблемы черного ящика конфиденциальности и монополии данных: может ли сторона проекта использовать его, не раскрывая ввод пользовательских данных или конкретную информацию. детали модели? После завершения доказательства и проверки, возможно ли, чтобы каждая коллекция делилась своими собственными данными или моделью, чтобы функционировать без раскрытия личных данных? Конечно, текущая технология еще ранняя, и проблем на практике точно будет много, это не мешает нашей фантазии, и многие команды уже развиваются.

Приведет ли эта ситуация к бесплатной проституции небольших баз данных крупным базам данных? Когда вы рассматриваете вопросы управления, это возвращается к нашему мышлению Web3 Суть Crypto заключается в управлении. Будь то за счет большого количества приложений или совместного использования, вы должны получить стимулы, которых вы заслуживаете. Будь то оригинальный механизм Pow, PoS или новейший PoR (механизм проверки репутации), все они обеспечивают гарантии стимулирующего эффекта.

Распределенная вычислительная мощность: инновационный рассказ, переплетающийся с ложью и реальностью

Децентрализованная сеть вычислительных мощностей всегда была горячо упоминаемым сценарием в кругах шифрования.В конце концов, большие модели ИИ требуют невероятной вычислительной мощности, а централизованная сеть вычислительных мощностей не только приведет к растрате ресурсов, но и сформирует существенную монополию — если сравнивать. В конце концов, количество графических процессоров — это последнее, с чем нужно бороться, это слишком скучно.

Суть децентрализованной сети вычислительной мощности заключается в интеграции вычислительных ресурсов, разбросанных по разным местам и на разных устройствах. Основные преимущества, которые часто упоминаются: предоставление возможностей распределенных вычислений, решение вопросов конфиденциальности, повышение достоверности и надежности моделей искусственного интеллекта, поддержка быстрого развертывания и работы в различных сценариях приложений, а также предоставление децентрализованных схем хранения данных и управления ими. Правильно, благодаря децентрализованной вычислительной мощности любой может запускать модели ИИ и тестировать их на реальных сетевых наборах данных от пользователей со всего мира, чтобы они могли пользоваться более гибкими, эффективными и недорогими вычислительными услугами.

В то же время децентрализованные вычислительные мощности могут решить проблемы конфиденциальности, создав прочную основу для защиты безопасности и конфиденциальности пользовательских данных. Он также обеспечивает прозрачный и проверяемый вычислительный процесс, повышает достоверность и надежность моделей искусственного интеллекта и предоставляет гибкие и масштабируемые вычислительные ресурсы для быстрого развертывания и работы в различных сценариях приложений.

Мы смотрим на обучение модели из полного централизованного вычислительного процесса.Этапы обычно делятся на: подготовка данных, сегментация данных, передача данных между устройствами, параллельное обучение, агрегация градиентов, обновление параметров, синхронизация и повторное обучение. В этом процессе, даже если централизованная компьютерная комната использует кластеры высокопроизводительного вычислительного оборудования и распределяет вычислительные задачи через высокоскоростные сетевые соединения, высокая стоимость связи стала одним из самых больших ограничений децентрализованной сети вычислительной мощности.

Таким образом, несмотря на то, что децентрализованная сеть вычислительных мощностей имеет много преимуществ и потенциалов, путь развития по-прежнему тернист в зависимости от текущей стоимости связи и фактической сложности работы. На практике реализация децентрализованной сети вычислительной мощности требует решения многих практических технических проблем, будь то обеспечение надежности и безопасности узлов, эффективное управление и планирование распределенных вычислительных ресурсов, эффективная передача данных и связь и т. д. ., я боюсь, что они на самом деле большие проблемы.

Хвост: ожидания идеалистов

Возвращаясь к текущей коммерческой реальности, повествование о глубокой интеграции ИИ и Web3 выглядит так красиво, но капитал и пользователи говорят нам больше практическими действиями о том, что этому суждено быть чрезвычайно трудным инновационным путем, если только проект не сможет быть таким, как OpenAI. , держась за сильного финансового покровителя, пока мы сильны, иначе бездонные затраты на исследования и разработки и неясная бизнес-модель нас полностью раздавят.

Будь то ИИ или Web3, сейчас они находятся на очень ранней стадии развития, точно так же, как интернет-пузырь в конце прошлого века, и только почти десять лет спустя настоящий золотой век был официально открыт. Маккарти фантазировал о создании искусственного интеллекта с человеческим интеллектом за один отпуск, но только почти семьдесят лет спустя мы сделали решающий шаг к искусственному интеллекту.

То же самое и с Web3+AI, мы определили правильность дальнейшего пути, а остальное останется на время.

** Когда течение времени исчезает, эти стоящие люди и вещи становятся краеугольным камнем нашего перехода от научной фантастики к реальности. **