将AI嵌入EVM
Axonum 简介：以太坊的“大脑”
Axonum将AI嵌入区块链，构建一个由全球集体智能驱动的去中心化超级计算机。
AI EVM 时代
我们正在构建 Axonum，这是一个人工智能乐观汇总，具有世界上第一个人工智能 EVM。
我们的目标是使人工智能驱动的 DApp 的访问民主化，使人工智能模型推理变得易于访问且用户友好。
Axonum 是一个乐观汇总，包含由 opML 和 AI EVM 提供支持的 AI。它使用户能够在智能合约中无缝地使用本地人工智能模型，而不受复杂的底层技术的阻碍。
概述
AI EVM：嵌入式AI
为了在智能合约中实现本地的机器学习推理，我们需要修改二层链的执行层。具体来说，我们在EVM中添加预编译合约推理来构建AI EVM。
AI EVM将在本地执行中进行机器学习推理，然后返回确定性的执行结果。当用户想使用AI模型处理数据时，所需的操作仅仅是调用具有模型地址和模型输入的预编译合约推理，之后便可以获得模型输出并在智能合约中本地使用。
import "./AILib.sol";
contract AIContract {
...
function inference(bytes32 model_address, bytes memory input_data, uint256 output_size) public {
bytes memory output = AILib.inference(model_address, input_data, output_size);
emit Inference(model_address, input_data, output_size, output);
}
}
模型存储在数据可用性（DA）层中。所有模型都可以通过模型地址从DA中检索。我们假设所有模型的数据可用性。
预编译合约推理的核心设计原则遵循opML的设计原则，即将执行与证明分离。我们提供了两种预编译合约推理的实现方式。一种是为本地执行编译的，优化以实现高速。另一种是为欺诈证明虚拟机编译的，有助于证明opML结果的正确性。
对于执行实现，我们重用opML中的机器学习引擎。我们将首先使用模型地址从模型中心获取模型，然后将模型加载到机器学习引擎中。机器学习引擎将用户在预编译合约中的输入作为模型输入，然后执行机器学习推理任务。机器学习引擎使用量化和软浮点保证机器学习推理结果的一致性和确定性。
除了当前的AI EVM设计，另一种在EVM中实现AI的替代方法是添加更多特定于机器学习的操作码，并相应地更改虚拟机的资源和定价模型以及实现方式。
Optimistic Rollup（乐观 Rollup）
Optimistic Rollup（乐观 Rollup）和乐观机器学习（opML）都基于类似的防欺诈系统，因此可以将opML集成到二层（L2）链中，与opRollup系统一起使用变得可行。这种集成使得在L2链上的智能合约中无缝利用机器学习成为可能。
与现有的 Rollup 系统一样，Axonum 负责将交易“滚动起来”，即在将它们批处理并发布到L1链之前进行打包，通常通过一组序列化程序完成。这种机制可以将成千上万的交易包含在一个滚动升级中，从而提高了整个L1和L2系统的吞吐量。
作为乐观 Rollup 的一种，Axonum 是L1区块链的一种交互式扩展方法。我们乐观地假设每个提议的交易默认为有效。与传统的L2乐观 Rollup 系统不同，在 Axonum 中的交易可以包括 AI 模型推断，这可以使 Axonum 上的智能合约变得“更智能”。
为了应对潜在的无效交易，如乐观 Rollup，Axonum 在挑战期间引入了一个挑战阶段，参与者可以在此期间对可疑的滚动升级提出质疑。一个欺诈证明方案被制定，允许提交多个欺诈证明。这些证明可能会使滚动升级变得有效或无效。在挑战期间，状态变更可能会被争议，解决或包含，如果没有提出挑战（并且需要的证明已经准备就绪）。
工作流程
以下是 Axonum 的基本工作流程，不考虑预确认或强制退出等机制：
- 基本工作流程始于用户向一个批处理节点（通常是序列化程序）发送 L2 交易（我们允许在智能合约中进行本地 AI 推断）。
- 一旦序列化程序接收到一定数量的交易，它会将这些交易作为一个批次发布到 L1 智能合约中。
- 验证节点会从 L1 智能合约中读取这些交易，并在其本地的 L2 状态副本上执行这些交易。对于 AI 推断执行，验证节点需要从模型数据可用性（model DA）下载模型，并在 opML 引擎内进行 AI 推断。
- 交易处理完成后，验证节点会生成新的 L2 状态，并将这个新的状态根发布到 L1 智能合约中。（注意，这个验证节点也可以是序列化程序。）
- 然后，所有其他验证节点将在他们本地的 L2 状态副本上处理相同的交易。
- 他们会将其结果状态根与发布到 L1 智能合约中的原始状态根进行比较。
- 如果有验证节点得到的状态根与发布到 L1 的状态根不同，他们可以在 L1 上发起挑战。
- 挑战将要求挑战者和发布原始状态根的验证节点轮流证明正确的状态根应该是什么。这个挑战过程也称为欺诈证明。Axonum 的欺诈证明包括 L2 状态转换的欺诈证明和 opML 的欺诈证明。
- 无论哪一方在挑战中失败，都会被削减其初始押金（质押）。如果原始发布的 L2 状态根是无效的，它将被未来的验证节点销毁，并且不会包含在 L2 链中。
欺诈证明设计
Axonum 的欺诈证明系统的核心设计原则是将 Geth（在第二层上以 Golang 实现的以太坊客户端）和 opML 的欺诈证明过程分离开来。该设计确保了一个强大且高效的欺诈证明机制。以下是欺诈证明系统及其分离设计的详细说明：
欺诈证明系统概述：
欺诈证明系统是确保 Axonum 乐观 Rollup 第二层上交易安全性和完整性的关键组件。
它涉及对交易和计算的验证，以确保任何恶意行为或不准确之处都能被检测和处理。
欺诈证明过程的分离：
Geth 欺诈证明过程：
Geth 负责第二层上的以太坊客户端，处理与交易验证和基本协议遵守相关的初始欺诈证明阶段。
它验证交易的正确性，并确保它们符合第二层系统的规则和协议。
opML 欺诈证明过程：
opML 是与 Axonum 集成的乐观机器学习系统，负责与机器学习模型执行相关的更复杂的欺诈证明方面。
它验证机器学习计算的正确性，并确保第二层框架内 AI 相关过程的完整性。
分离设计的好处：
增强效率：
通过分配欺诈证明职责，我们优化了整个系统的效率。Geth 专注于交易方面，而 opML 处理与机器学习相关的欺诈证明。
可扩展性：
分离设计允许可扩展性，使每个组件能够根据其特定的处理需求独立扩展。
灵活性：
这种分离提供了灵活性，可以对 Geth 或 opML 组件进行升级和改进，而不会影响整个欺诈证明系统。
Axonum：以太坊的大脑
Axonum 是第一个原生、无需信任且可验证地在以太坊上实现 AI 的乐观 Rollup。Axonum 利用乐观机器学习（optimistic ML）和乐观 Rollup，并引入 AI EVM 的创新，作为 Layer 2 为以太坊添加智能。
我们将 AI 镶嵌到区块链中，构建一个由全球集体智能驱动的去中心化超级计算机。
声明：
- 本文转载自 [ethresear]，所有版权归原作者 [Axonum] 所有。如对此转载有异议，请联系 Gate Learn 团队，他们会及时处理。
- 责任声明：本文所表达的观点仅代表作者个人观点，不构成任何投资建议。
- 本文翻译由 Gate Learn 团队完成。除非另有说明，禁止复制、分发或剽窃翻译文章。
Axonum 简介：以太坊的“大脑”
工作流程
欺诈证明设计
Axonum：以太坊的大脑
相关文章
如何质押 ETH？
什么是Aragon？一文读懂ANT
将AI嵌入EVM
Axonum 简介：以太坊的“大脑”
工作流程
欺诈证明设计
Axonum：以太坊的大脑
Axonum 简介：以太坊的“大脑”
Axonum将AI嵌入区块链，构建一个由全球集体智能驱动的去中心化超级计算机。
AI EVM 时代
我们正在构建 Axonum，这是一个人工智能乐观汇总，具有世界上第一个人工智能 EVM。
我们的目标是使人工智能驱动的 DApp 的访问民主化，使人工智能模型推理变得易于访问且用户友好。
Axonum 是一个乐观汇总，包含由 opML 和 AI EVM 提供支持的 AI。它使用户能够在智能合约中无缝地使用本地人工智能模型，而不受复杂的底层技术的阻碍。
概述
AI EVM：嵌入式AI
为了在智能合约中实现本地的机器学习推理，我们需要修改二层链的执行层。具体来说，我们在EVM中添加预编译合约推理来构建AI EVM。
AI EVM将在本地执行中进行机器学习推理，然后返回确定性的执行结果。当用户想使用AI模型处理数据时，所需的操作仅仅是调用具有模型地址和模型输入的预编译合约推理，之后便可以获得模型输出并在智能合约中本地使用。
import "./AILib.sol";
contract AIContract {
...
function inference(bytes32 model_address, bytes memory input_data, uint256 output_size) public {
bytes memory output = AILib.inference(model_address, input_data, output_size);
emit Inference(model_address, input_data, output_size, output);
}
}
模型存储在数据可用性（DA）层中。所有模型都可以通过模型地址从DA中检索。我们假设所有模型的数据可用性。
预编译合约推理的核心设计原则遵循opML的设计原则，即将执行与证明分离。我们提供了两种预编译合约推理的实现方式。一种是为本地执行编译的，优化以实现高速。另一种是为欺诈证明虚拟机编译的，有助于证明opML结果的正确性。
对于执行实现，我们重用opML中的机器学习引擎。我们将首先使用模型地址从模型中心获取模型，然后将模型加载到机器学习引擎中。机器学习引擎将用户在预编译合约中的输入作为模型输入，然后执行机器学习推理任务。机器学习引擎使用量化和软浮点保证机器学习推理结果的一致性和确定性。
除了当前的AI EVM设计，另一种在EVM中实现AI的替代方法是添加更多特定于机器学习的操作码，并相应地更改虚拟机的资源和定价模型以及实现方式。
Optimistic Rollup（乐观 Rollup）
Optimistic Rollup（乐观 Rollup）和乐观机器学习（opML）都基于类似的防欺诈系统，因此可以将opML集成到二层（L2）链中，与opRollup系统一起使用变得可行。这种集成使得在L2链上的智能合约中无缝利用机器学习成为可能。
与现有的 Rollup 系统一样，Axonum 负责将交易“滚动起来”，即在将它们批处理并发布到L1链之前进行打包，通常通过一组序列化程序完成。这种机制可以将成千上万的交易包含在一个滚动升级中，从而提高了整个L1和L2系统的吞吐量。
作为乐观 Rollup 的一种，Axonum 是L1区块链的一种交互式扩展方法。我们乐观地假设每个提议的交易默认为有效。与传统的L2乐观 Rollup 系统不同，在 Axonum 中的交易可以包括 AI 模型推断，这可以使 Axonum 上的智能合约变得“更智能”。
为了应对潜在的无效交易，如乐观 Rollup，Axonum 在挑战期间引入了一个挑战阶段，参与者可以在此期间对可疑的滚动升级提出质疑。一个欺诈证明方案被制定，允许提交多个欺诈证明。这些证明可能会使滚动升级变得有效或无效。在挑战期间，状态变更可能会被争议，解决或包含，如果没有提出挑战（并且需要的证明已经准备就绪）。
工作流程
以下是 Axonum 的基本工作流程，不考虑预确认或强制退出等机制：
- 基本工作流程始于用户向一个批处理节点（通常是序列化程序）发送 L2 交易（我们允许在智能合约中进行本地 AI 推断）。
- 一旦序列化程序接收到一定数量的交易，它会将这些交易作为一个批次发布到 L1 智能合约中。
- 验证节点会从 L1 智能合约中读取这些交易，并在其本地的 L2 状态副本上执行这些交易。对于 AI 推断执行，验证节点需要从模型数据可用性（model DA）下载模型，并在 opML 引擎内进行 AI 推断。
- 交易处理完成后，验证节点会生成新的 L2 状态，并将这个新的状态根发布到 L1 智能合约中。（注意，这个验证节点也可以是序列化程序。）
- 然后，所有其他验证节点将在他们本地的 L2 状态副本上处理相同的交易。
- 他们会将其结果状态根与发布到 L1 智能合约中的原始状态根进行比较。
- 如果有验证节点得到的状态根与发布到 L1 的状态根不同，他们可以在 L1 上发起挑战。
- 挑战将要求挑战者和发布原始状态根的验证节点轮流证明正确的状态根应该是什么。这个挑战过程也称为欺诈证明。Axonum 的欺诈证明包括 L2 状态转换的欺诈证明和 opML 的欺诈证明。
- 无论哪一方在挑战中失败，都会被削减其初始押金（质押）。如果原始发布的 L2 状态根是无效的，它将被未来的验证节点销毁，并且不会包含在 L2 链中。
欺诈证明设计
Axonum 的欺诈证明系统的核心设计原则是将 Geth（在第二层上以 Golang 实现的以太坊客户端）和 opML 的欺诈证明过程分离开来。该设计确保了一个强大且高效的欺诈证明机制。以下是欺诈证明系统及其分离设计的详细说明：
欺诈证明系统概述：
欺诈证明系统是确保 Axonum 乐观 Rollup 第二层上交易安全性和完整性的关键组件。
它涉及对交易和计算的验证，以确保任何恶意行为或不准确之处都能被检测和处理。
欺诈证明过程的分离：
Geth 欺诈证明过程：
Geth 负责第二层上的以太坊客户端，处理与交易验证和基本协议遵守相关的初始欺诈证明阶段。
它验证交易的正确性，并确保它们符合第二层系统的规则和协议。
opML 欺诈证明过程：
opML 是与 Axonum 集成的乐观机器学习系统，负责与机器学习模型执行相关的更复杂的欺诈证明方面。
它验证机器学习计算的正确性，并确保第二层框架内 AI 相关过程的完整性。
分离设计的好处：
增强效率：
通过分配欺诈证明职责，我们优化了整个系统的效率。Geth 专注于交易方面，而 opML 处理与机器学习相关的欺诈证明。
可扩展性：
分离设计允许可扩展性，使每个组件能够根据其特定的处理需求独立扩展。
灵活性：
这种分离提供了灵活性，可以对 Geth 或 opML 组件进行升级和改进，而不会影响整个欺诈证明系统。
Axonum：以太坊的大脑
Axonum 是第一个原生、无需信任且可验证地在以太坊上实现 AI 的乐观 Rollup。Axonum 利用乐观机器学习（optimistic ML）和乐观 Rollup，并引入 AI EVM 的创新，作为 Layer 2 为以太坊添加智能。
我们将 AI 镶嵌到区块链中，构建一个由全球集体智能驱动的去中心化超级计算机。
声明：
- 本文转载自 [ethresear]，所有版权归原作者 [Axonum] 所有。如对此转载有异议，请联系 Gate Learn 团队，他们会及时处理。
- 责任声明：本文所表达的观点仅代表作者个人观点，不构成任何投资建议。
- 本文翻译由 Gate Learn 团队完成。除非另有说明，禁止复制、分发或剽窃翻译文章。
相关文章
如何质押 ETH？