（博森科技）零知识机器学习（ZKML）介绍和相关项目
在过去的一年中，零知识技术性获得了重要发展趋势，到 2023 年，大家正面临着它在区块链领域的选用明显提升。 此外，机器学习算法（ML）部署也是越来越繁杂。很多企业如今挑选机器学习算法即服务供应商（亚马逊平台、谷歌搜索、微软公司等）来实施繁杂的特有机器学习算法模型。伴随着这项服务的猛增，他们变得更加无法财务审计与理解，提出了一个非常重要的难题：这项服务的消费者怎样坚信提供的预测分析实效性？ ZKML 提供了一种解决方法，可以用公共性模型验证私数据信息或使用云计算平台验证私模型。 零知识零知识（ZK）证明是一种登陆密码体制，证明的人可以在这其中向验证者证明给出阐述真实存在，而不需要表露一切补充信息，除开表露该阐述真实存在。ZK 证明行业在各方面都获得了重大突破，从科研到协议书执行和实践应用。 ZK 证明运用2个最主要的“原语”或搭建块来达到它的功能。第一个是为了特定的一组测算创建测算完好性证明能力。验证证明比实行测算自身相对简单的多，这被称作“简约”。除此之外，ZK 证明带来了在保证测算精确性的前提下掩藏计算出来的特殊一部分这个选项，称之为“零知识”。 如果你想掌握相关 ZK 的其他信息，我建议参与此 ZKP MOOC. ZK 的态势ZK 情况汇报是一份调研零知识生态体系重要持续发展的季刊，详细介绍了最受欢迎的发展趋势 ZK 小区： ZK 的重要用例是个人隐私。ZK 证明的零知识原语容许掩藏已经验证计算的特殊一部分。该功能针对建立在形成数据加密证明的前提下维护个人信息安全保护其个人信息应用程序尤其有益。这一块的好多个特别注意的措施包含：Semaphore、MACI、Penumbra 或 Aztec Network. 将 ZK 用以拓展排名第二。分布式架构，比如公共性区块链技术，具备有限的资源计算水平，而且每个参加连接点（电子计算机）务必自身运作每一个块里的测算以验证他们。但是，根据使用 ZK 证明，大家可以在链下实行这种测算，形成 ZK 证明，之后在链上验证这一证明，在保证可靠性和去中心化的从而实现扩展性。实例性项目有：Starknet、Scroll、Polygon、Zero、Polygon Miden、Polygon zkEVM 或 zkSync. 真实身份也引发了大家的关注，说明人们对于在身份管理行业应用 ZK 技术性的热情也越来越大。主要包括开发设计真实身份证明协议书以建设数据加密证明。这一领域的一些知名措施包含：WorldID、Sismo、Clique 或 Axiom. 谈到最令人激动的新用例时，小区关注的焦点明显是 ZKML，它被称之为最大的亮点新用例（除开互用或 zkBridges）。文中的其他部分将密切关注 ZKML，目的是为了合理验证全部测算是否已经精确实行，这具备超过区块链技术的深刻影响。 为何 ZKML 近期受到重视？建立零知识证明需要大量云计算服务器，一般比初始测算要多一些。因而，一些测算因为形成他们所需要的时间而不能用零知识证明来证明。但是，密码算法、硬件配置和分布式架构的最新消息促使为日益集中的测算形成零知识证明得以实现。这种发展促使能够开发设计可以用聚集测算证明协议内容得以实现，进而增加了可以用零知识证明的使用范围。Modulus Labs 精英团队近期的一项名叫“智能化的成本费”的探索对于多种不同的模型评估了各种各样已有的 ZK 证明系统软件规格。 伴随着人工智能技术技术的不断发展，区别人工智能技术形成的具体内容人们产生的具体内容越来越更具有趣味性。但是，零知识密码算法很有可能具备解决这些问题的发展潜力，它让我们可以明确特殊具体内容精彩片段是不是可以将特殊模型用于给出键入而产生的，而不需要表露相关模型或输入一切更多信息。针对 GPT-4 等大型语言表达模型，建立零知识电源电路表明能够提供一种验证其输出方式。 这种证明中固有零知识特性将让我们可以在如果需要掩藏键入或模型的所有比较敏感一部分。一个描述性的事例应该是个人信息应用机器学习算法模型，在其中用户可得到模型并对信息进行逻辑推理得到的结果，而不需要向一切外部实体（比如医疗健康单位）公布他的键入。 用例ZKML 依旧是一项前沿技术，很多用例仍需要探寻。但是，以下属于一些最突出的用例，Worldcoin 的帖子和 Elena Burger 的文章。 测算完好性（实效性）实效性证明，比如 SNARKs 和 STARK 有实力证明测算已恰当实行，这能通过验证 ML 模型逻辑推理或模型依据特殊键入形成特殊导出来用于机器学习算法。轻轻松松证明和验证导出是特殊模型和键入组合结论能力可在链下专用型硬件配置上布署机器学习算法模型，而 ZK 证明还可以在链上容易地验证。 在探讨 ZKML 时，关键一般是形成 ML 模型逻辑推理流程的零知识证明，而非验证用以练习模型的数据的完整性。后面一种自身已经是一个相对高度计算密集型全过程。 个人隐私除开实效性证明以外，零知识密码算法还可以用于维护机器学习应用程序流程里的个人隐私。一个例子是在没有表露常用权重值的情形下证明模型对测试报告具有一定的精确性。另一个用例的事例是个人隐私保护逻辑推理，在其中个人病人数据信息适合于医疗诊断，而且敏感逻辑推理（比如癌病检测结果）能够发给病人，不会向所有第三方表露他的数据信息。 ML 即服务清晰度（真实有效）假如企业通过他的 API 给予对 ML 模型的浏览，客户往往很难了解服务提供商是不是真的带来了她们宣称所提供的模型，由于 API 本质上是一个黑盒。与 ML 模型 API 相关的实效性证明在为消费者提供清晰度层面颇有价值，因为她们能够验证她们在使用哪一个模型。 区块链技术逻辑推理或练习以去中心化的方法实行机器学习算法逻辑推理或练习，与此同时容许大家将它们提交至公共性模型必须在链上布署目前模型或搭建新网络。零知识证明适合于缩小模型。 证明要把来源于外界验证方（比如能够形成电子签名的数字化平台或硬件）的证明合拼到链上运转的区块链智能合约中，可以用零知识证明验证签字并把它作为键入程序流程。这种方法可适用于一切通过数字证书的信息，提供一种从可靠由来验证完整性和来源的办法。能够用这种方式验证与使用形成电子签名的节点。 探寻 ZKML 项目伴随着密码算法、硬件配置和分布式架构的发展再次使零知识证明适用日益集中的测算，越来越多新项目已经探寻 ZKML 的应用。下面的图带来了现阶段新项目非详细简述，但需要注意类型中间很有可能存在一些重合，同时也为清晰考虑优化了此幻灯片。除此之外，还有很多开放源码库适合于搭建 ZKML 应用软件，这说明小区的热情与热情在不断增加。
不完善；截止到 2023 年 5 月 10 日；类型中间不太可能有明确的区划。 结语伴随着 ZK 技术的不断发展，在更短时间内在功能较差的设备上证明更多的机器学习算法模型变得更加行得通。这是因为专用型硬件配置、证明系统架构图和更有效的 ZK 协议书完成等方面的改善。由于这类发展，一个新的 ZKML 应用软件和用例有希望发生。 尽管 ZKML 在 Web3 中的重要用例是让链上机构可以运作机器学习算法模型，但 ZKML 的高速发展为各种领域的难点问题带来了潜在性解决方案。我认为，在这样的情况下有可能出现下列用例： 去中心化金融（DeFi）：应用 ZKML 来验证利益最大化对策或者是为顾客再次均衡保证金账户。RockyBot 就是其中一个事例。 手机游戏：应用 ZKML 来验证下注体制或 AI 加强型游戏玩家。这一块的一个例子是 Leela vs the World. 真实身份：应用ZKML对消费者生物识别技术数据进行AI剖析，与此同时保证数据库的存放。WorldID 就是一个事例。 医疗健康：以在比较敏感医疗数据上运作机器学习算法模型与此同时保护个人隐私，ZKML 适合于医学领域的疾病预测。 虽然 ZKML 显现出极大的发展潜力，但这一领域还是处于初期发展过程。一个挑战是，在把模型转换成电源电路的过程当中，准确性高保真很有可能受到影响。另一个限定是很多机器学习算法模型参数值和激话被编号为 32 位精密度，现阶段的零知识证明系统软件无法在并没有很多花销的情形下以所需要的算数电源电路文件格式表明。 现阶段，伴随着零知识证明逐步完善以解决日益繁杂的机器学习算法模型，ZKML 行业依然在奋起直追。 感谢：ZKML 街道的 awesome-zkml GitHub 存储库，Worldcoin 的帖子和 Elena Burger 的 post，也特别感谢 Daniel Shorr 和 Diogo Almeida 紧紧围绕这一话题开展的对谈。 全文文章标题：Zero-Knowledge Machine Learning(ZKML):Projects Exploring the Space 全文创作者：Bastian Wetzel 全文由来：Medium 编译程序：Lynn，MarsBit |
