ZKML і розподілені обчислення: потенційний наратив управління для ШІ та Web3

Про ZKML: ZKML (машинне навчання з нульовим знанням) — це технологія машинного навчання, яка поєднує докази з нульовим знанням (докази з нульовим знанням) і алгоритми машинного навчання для вирішення проблеми захисту конфіденційності в машинному навчанні.

Про розподілену обчислювальну потужність: Розподілена обчислювальна потужність означає розкладання обчислювального завдання на кілька невеликих завдань і призначення цих невеликих завдань кільком комп’ютерам або процесорам для обробки для досягнення ефективного обчислення.

Стан штучного інтелекту та Web3: зграї втікачів і зростання ентропії

У книзі «Поза контролем: Нова біологія машин, суспільства та економіки» Кевін Келлі одного разу запропонував феномен: бджолина колонія прийматиме рішення у груповому танці відповідно до розподіленого управління, і вся бджолина колонія слідуватиме цьому Груповий танець Найбільші бджолині рої у світі стають господарями подій. Це також так звана «душа вулика», згадана Морісом Метерлінком: кожна бджола може прийняти власне рішення, керувати іншими бджолами, щоб підтвердити, і остаточне рішення справді приймає груповий вибір.

Сам закон зростання ентропії та безладу слідує закону термодинаміки, а теоретична візуалізація у фізиці полягає в тому, щоб помістити певну кількість молекул у порожню коробку та обчислити кінцевий профіль розподілу. Специфічно для людей, натовп, створений алгоритмом, може показувати закон групи, навіть якщо існують індивідуальні відмінності в мисленні. Часто він обмежений у порожньому полі через такі фактори, як час, і врешті приймає консенсусне рішення.

Звичайно, правила групи можуть бути неправильними, але лідери думок, які можуть представляти консенсус і досягати консенсусу самостійно, є абсолютними суперіндивідами. Але в більшості випадків консенсус не передбачає повної та беззастережної згоди всіх, а лише вимагає, щоб група мала загальну ідентичність.

Ми не обговорюємо тут, чи штучний інтелект зведе людей зі шляху. Насправді, таких дискусій уже багато, чи то через велику кількість сміття, яке створюють програми штучного інтелекту, яке забруднило автентичність мережевих даних, чи через групове прийняття рішень помилки призведуть до деяких Інцидент пішов у більш небезпечну ситуацію.

Поточна ситуація штучного інтелекту є природною монополією.Наприклад, навчання та розгортання великих моделей вимагає багато обчислювальних ресурсів і даних, але лише невелика кількість підприємств та установ мають ці умови. Кожен власник монополії вважає ці сотні мільйонів даних скарбами, не кажучи вже про спільне використання джерел, навіть взаємний доступ неможливий.

Це призвело до величезної трати даних.Кожен великомасштабний проект штучного інтелекту повинен неодноразово збирати дані користувачів, і врешті-решт переможець отримує все—чи то злиття та поглинання чи продажі, розширення окремих гігантських проектів чи традиційний Інтернет Логіка родео перегони.

Багато людей кажуть, що штучний інтелект і Web3 — це дві різні речі, які не мають жодного зв’язку — перша половина речення правильна, це дві різні доріжки, але друга половина речення є проблематичною, використання розподілених технологій для обмеження монополії штучний інтелект. Використання технології штучного інтелекту для сприяння формуванню децентралізованого механізму консенсусу є просто природним явищем.

Нижня дедукція: нехай штучний інтелект сформує реальний розподілений груповий механізм консенсусу

Ядро штучного інтелекту лежить у самих людях, а машини та моделі є нічим іншим, як спекуляцією та імітацією людського мислення. Так звану групу насправді важко абстрагувати від групи, тому що те, що ми бачимо щодня, все ще є реальною особистістю. Але модель передбачає використання масивних даних для вивчення та коригування, і, нарешті, моделювання форми групи. Не оцінюйте, до яких результатів призведе ця модель, тому що випадки злочинних угруповань бувають не раз і не два. Але модель дійсно представляє створення цього механізму консенсусу.

Наприклад, для конкретного DAO, якщо буде реалізований механізм управління, це неминуче вплине на ефективність.Причина в тому, що формування групового консенсусу - справа клопітка, не кажучи вже про голосування, статистику і т.д. Якщо управління DAO втілено у формі моделі штучного інтелекту, а всі дані збираються з мовних даних кожного в DAO, тоді вихідне рішення насправді буде ближче до групового консенсусу.

Груповий консенсус однієї моделі можна тренувати за наведеною вище схемою, але для цих індивідів він все ще залишається острівцем. Якщо існує система колективного інтелекту для формування групового ШІ, кожна модель ШІ в цій системі працюватиме одна з одною, щоб вирішувати складні проблеми.Насправді, це матиме великий вплив на розширення можливостей рівня консенсусу.

Для невеликих колекцій ви можете самостійно створювати екологію або сформувати спільну колекцію з іншими колекціями, щоб більш ефективно та з низькою ціною відповідати надвеликій обчислювальній потужності або передавати дані. Але тут знову виникає проблема. Статус-кво між різними моделями баз даних є абсолютно недовірливим і захищеним від інших — саме в цьому криються природні атрибути блокчейну: через недовіру може бути реалізована безпека справді розподілених машин ШІ. Ефективна взаємодія.

Глобальний інтелектуальний мозок може змусити спочатку незалежні та однофункціональні моделі алгоритмів штучного інтелекту співпрацювати одна з одною, виконувати складні процеси інтелектуального алгоритму всередині та формувати розподілену групову мережу консенсусу, яка може продовжувати рости. Це також найбільше значення розширення можливостей ШІ для Web3.

Конфіденційність чи монополія даних? Поєднання ЗК і машинного навчання

Люди повинні вживати цілеспрямованих запобіжних заходів, незалежно від того, чи вони спрямовані проти ШІ, щоб чинити зло, чи засновані на захисті конфіденційності та страху перед монополією на дані. Основна проблема полягає в тому, що ми не знаємо, як був зроблений висновок, так само оператор моделі не має наміру відповідати на це питання. А для поєднання глобального інтелектуального мозку, про який ми згадували вище, ще більше необхідно вирішити цю проблему, інакше жодна сторона даних не захоче ділитися своїм ядром з іншими.

ZKML (Zero Knowledge Machine Learning) — це технологія, яка використовує докази з нульовим знанням для машинного навчання. Zero-Knowledge Proofs (ZKP), тобто доказувач (доказник) може переконати верифікатора (верифікатора) в достовірності даних, не розкриваючи конкретних даних.

Цитується з теоретичним випадком. Існує стандартне судоку 9 × 9. Умова завершення полягає в тому, щоб заповнити числа від 1 до 9 у дев’яти сітках, щоб кожне число з’являлося лише один раз у кожному рядку, стовпці та сітці. Отже, як може людина, яка влаштовує цю головоломку, довести претенденту, що судоку має розв’язок, не відкриваючи відповіді?

Вам потрібно лише накрити заповнення відповіддю, а потім попросити претендента навмання вибрати кілька рядків або стовпців, перемішати всі числа та переконатися, що всі вони від одного до дев’яти. Це простий втілення з нульовим знанням.

Технологія підтвердження нульового знання має три характеристики повноти, правильності та нульового знання, тобто вона доводить висновок, не розкриваючи жодних деталей. Джерело його технології може відображати простоту.У контексті гомоморфного шифрування складність перевірки набагато нижча, ніж складність створення доказів.

Машинне навчання — це використання алгоритмів і моделей, які дозволяють комп’ютерним системам навчатися та вдосконалювати дані. Навчання на основі досвіду за допомогою автоматизації дозволяє системі автоматично виконувати такі завдання, як прогнозування, класифікація, кластеризація та оптимізація на основі даних і моделей.

За своєю суттю, машинне навчання полягає в створенні моделей, які навчаються на основі даних і автоматично роблять прогнози та приймають рішення. Для побудови цих моделей зазвичай потрібні три ключові елементи: набори даних, алгоритми та оцінка моделі. Набори даних є основою машинного навчання та містять зразки даних для навчання та тестування моделей машинного навчання. Алгоритми є основою моделей машинного навчання, вони визначають, як модель навчається та прогнозує на основі даних. Оцінка моделі є важливою частиною машинного навчання, яка використовується для оцінки продуктивності та точності моделі, а також для вирішення питання про те, чи потрібно оптимізувати та вдосконалити модель.

У традиційному машинному навчанні набори даних зазвичай потрібно збирати в централізованому місці для навчання, а це означає, що власники даних повинні ділитися даними з третіми сторонами, що може призвести до ризику витоку даних або порушення конфіденційності. За допомогою ZKML власники даних можуть ділитися наборами даних з іншими, не розкриваючи дані, що досягається за допомогою доказів нульового знання.

Коли для розширення можливостей машинного навчання застосовується підтвердження нульових знань, ефект має бути передбачуваним, що вирішує давню проблему чорної скриньки конфіденційності та монополії даних: чи може сторона проекту використовувати його, не розкриваючи введені користувачем дані чи конкретні деталі моделі? Після завершення перевірки та перевірки, чи можливо, щоб кожна колекція надала спільний доступ до власних даних або моделі для функціонування без розкриття особистих даних? Звичайно, нинішня технологія ще рання, і на практиці точно буде багато проблем, це не заважає нашій уяві, і багато команд вже розвиваються.

Чи призведе ця ситуація до вільної проституції малих баз даних великими? Коли ви розглядаєте питання управління, це повертається до нашого мислення Web3.Суть Crypto полягає в управлінні. Незалежно від того, чи то велика кількість додатків, чи спільний доступ, ви повинні отримати заохочення, на які заслуговуєте. Будь то через оригінальний Pow, механізм PoS чи останній PoR (механізм підтвердження репутації), усі вони забезпечують гарантії стимулюючого ефекту.

Розподілена обчислювальна потужність: інноваційний наратив, переплетений з брехнею та реальністю

Децентралізована мережа обчислювальної потужності завжди була гаряче згадуваним сценарієм у колі шифрування. Зрештою, великі моделі штучного інтелекту вимагають неймовірної обчислювальної потужності, а централізована обчислювальна мережа не тільки призведе до марнування ресурсів, але й сформує значну монополію — якщо порівнювати з Зрештою, кількість графічних процесорів - це остання річ, з якою потрібно боротися, це надто нудно.

Суть децентралізованої обчислювальної мережі полягає в інтеграції обчислювальних ресурсів, розкиданих у різних місцях і на різних пристроях. Основні переваги, які часто згадуються: забезпечення розподілених обчислювальних можливостей, вирішення проблем конфіденційності, підвищення довіри та надійності моделей штучного інтелекту, підтримка швидкого розгортання та роботи в різних сценаріях додатків, а також забезпечення децентралізованих схем зберігання та управління даними. Саме так, за допомогою децентралізованої обчислювальної потужності будь-хто може запускати моделі штучного інтелекту та тестувати їх на реальних мережевих наборах даних від користувачів з усього світу, щоб вони могли користуватися більш гнучкими, ефективними та недорогими обчислювальними послугами.

У той же час децентралізована обчислювальна потужність може вирішити проблеми конфіденційності, створивши надійну структуру для захисту безпеки та конфіденційності даних користувачів. Він також забезпечує прозорий обчислювальний процес, який можна перевірити, підвищує довіру та надійність моделей штучного інтелекту, а також надає гнучкі та масштабовані обчислювальні ресурси для швидкого розгортання та роботи в різних прикладних сценаріях.

Ми розглядаємо навчання моделі з повного централізованого обчислювального процесу. Етапи зазвичай поділяються на: підготовку даних, сегментацію даних, передачу даних між пристроями, паралельне навчання, агрегацію градієнта, оновлення параметрів, синхронізацію та повторне навчання. У цьому процесі, навіть якщо централізований комп’ютерний зал використовує кластери високопродуктивного обчислювального обладнання та розподіляє обчислювальні завдання через високошвидкісні мережеві з’єднання, висока вартість зв’язку стала одним із найбільших обмежень децентралізованої обчислювальної мережі.

Таким чином, хоча децентралізована обчислювальна потужна мережа має багато переваг і потенціалу, шлях розвитку все ще є звивистим відповідно до поточної вартості зв’язку та фактичних труднощів експлуатації. На практиці реалізація децентралізованої обчислювальної потужної мережі вимагає подолання багатьох практичних технічних проблем, незалежно від того, як забезпечити надійність і безпеку вузлів, як ефективно керувати та планувати розподілені обчислювальні ресурси, або як досягти ефективної передачі даних і зв’язку тощо. ., я боюся, що це насправді великі проблеми.

Хвіст: Очікування для ідеалістів

Повертаючись до поточної комерційної реальності, розповідь про глибоку інтеграцію штучного інтелекту та Web3 виглядає такою гарною, але капітал і користувачі за допомогою практичних дій говорять нам більше про те, що це буде надзвичайно важка інноваційна подорож, якщо тільки проект не буде схожим на OpenAI , тримаючись за міцного фінансового спонсора, поки ми сильні, інакше безмежні витрати на дослідження та розробки та незрозуміла бізнес-модель повністю розчавлять нас.

Незалежно від того, чи це штучний інтелект чи Web3, вони зараз знаходяться на дуже ранній стадії розвитку, так само, як інтернет-бульбашка наприкінці минулого століття, і лише через майже десять років офіційно настав справжній золотий вік. Маккарті фантазував про створення штучного інтелекту з людським інтелектом за одну відпустку, але лише через майже сімдесят років ми зробили критичний крок до штучного інтелекту.

Те ж саме стосується Web3+AI, ми визначили правильність подальшого шляху, а все інше залишимо на час.

**Коли хвиля часу зникає, ці стоячі люди та речі стають наріжним каменем нашого переходу від наукової фантастики до реальності. **