零知識機器學習（zkML）是鏈上AI的未來嗎？ （附優質項目介紹

原文作者| @DistilledCrypto

編譯| Golem

自從 ChatGPT 等大語言模型火爆後，在去中心化網路上運行類似的機器學習模型也成為了區塊鏈+AI 的主要敘事之一。但我們無法像信任OpenAI 這樣有信譽支撐的公司一樣信任去中心化網路會使用特定的 ML 模型進行推理，因此我們需要進行驗證。考慮到資料的隱私性，零知識機器學習（zkML）普遍被看好，那麼它會是鏈上AI 的未來嗎？

關於 zkML 的基礎知識

零知識機器學習(zkML) 類似於一種計算中的保密方法。它主要涉及兩個部分：

• 使用機器學習（ML）執行任務；
• 證明任務正確完成，但不透露所有細節。

簡單來說，它的工作原理如下：

a. 運行任務

有人使用ML 模型來處理一些數據並得到結果，就像廚師按照食譜烤蛋糕但卻不告訴任何人原料一樣。

b. 證明任務

任務完成後，他們可以展示一個證明。例如，「我在這個特定的模型中使用了特定的輸入，並得到了這個結果。」他們實際上在證明他們正確遵循了食譜上的步驟。

c. 保守秘密

zkML 的妙處在於，當他們證明任務正確完成時，他們可以保留一些細節，例如將輸入的資料、模型的運作方式或結果保密。簡而言之，zkML 可以讓證明者說“相信我，我做對了”，同時仍然保持他們的方法和數據的隱私。

值得關注的 zkML 專案介紹

zkML 概念自提出到現在已有將近一年時間，目前已經有許多相關項目正在建設，其中少部分還在市場上發行了代幣。 Messari列出了一些知名 VC 投資的 zkML 項目，以下將對它們進行介紹。

來源：Messari

Spectral

Spectral正在為Web3 建立鏈上代理經濟。他們的旗艦產品 SYNTAX 是一種專有的 LLM（Large Language Model），可以產生 Solidity 代碼。 Spectral 能夠使用者使創建鏈上自主代理，同時利用去中心化的 ML 推斷來改進智能合約。此外，利用zkML，Spectral 能夠提供證據表明特定的預測是由特定的 ML 模型產生的，確保了流程中的信任和真實性。

Spectral 已發幣，代幣為 SPEC，市值 1.19 億美元。

Worldcoin

Worldcoin正在開發一個開源系統，旨在讓每個人都能參與全球經濟。在Worldcoin 中，zkML 的一個潛在用途是提高虹膜辨識技術的安全性和隱私性。代幣 WLD 市值目前為 10.7 億美元。

它的工作原理如下：

a. 生物辨識自託管

World ID 的使用者可以將自己的生物特徵資料（如虹膜掃描）安全加密地儲存在他們的行動裝置上。

b. 本地處理

然後，使用者可以將ML 模型下載到他們的裝置中，以從虹膜掃描中產生唯一的程式碼。

c. 隱私保護證明

使用zkML，他們可以直接在自己的設備上建立證明。這一證明證實了他們的虹膜代碼是使用正確的模型透過掃描準確產生的。所有這些操作都是在不暴露使用者實際資料的情況下進行的。

Risc Zero

RISC Zero旨在增強互聯網的信任和效率，這將透過提供無需各方互相信任的運算服務來實現。

以下是RISC Zero 的重點：

a. 擴展區塊鏈

它使用Bonsai 證明服務來執行複雜操作，從而增強區塊鏈的安全性。 Bonsai 在鏈下管理複雜的計算和隱私數據，從而提高效率。

b. 與Spice AI 的合作

Spice AI提供可組合、即用型資料和AI 基礎設施，包括託管的雲端級Spice.ai OSS。此次合作旨在為開發人員提供全面的zkML 工具包。

c. 機器學習服務

開發人員可以使用RISC Zero 來安全地存取和查詢資料、私密訓練 ML 模型及提供資料被正確處理的證明。

本質上，RISC Zero 為開發人員提供 MLaaS（ML as a service）服務，同時確保資料和執行過程保持私密和安全。

Giza

Giza是一個在 Starknet 網路上運作的機器學習平台。

a. 主要目標

Giza 旨在直接在區塊鏈上擴展ML 操作。

b. 技術基礎

其使用支援零知識（ZK）證明的Starknet 來驗證 ML 操作，確保計算的準確性和安全性，並且不會洩露基礎資料。

c. 應用

在Starknet 上，Giza 啟用「Giza Agents」來自動執行各種財務策略，包括跨協議收益聚合、資產配置、無風險做市。本質上，利用zkML 的優勢，Giza 允許在區塊鏈上安全、自動地執行金融策略。

Vanna

Vanna是模組化 AI 推理網絡，不僅與EVM 鏈相容，而且提供靈活的安全性，用戶可選擇zkML、optimistic ZK、opML,、teeML 等多種驗證方式。結合 Vanna 未來的使用場景為使用LLM 生成鏈上GameFi 遊戲對話；鏈上智能合約漏洞檢測；針對DeFi 協議的風險預警引擎；用於標記空投中的女巫帳戶信譽系統。

除了以上介紹的幾個項目外，zkML 生態中還有如下圖的項目，因為篇幅原因就不再介紹了，供讀者自行參考。

資料來源：SevenX Ventures

zkML 的限制及代替方案

儘管在理論上能夠吸引人，但 zkML 目前並不太實用。 AI 運算本身就屬於資源密集型，增加類似zkML 中使用的加密方法會使它們變得更慢，Modulus Labs 報告指出zkML 可能比常規計算慢 1000 倍。實際上對大多數用戶來說，多等待幾分鐘在日常體驗上都難以接受。

因此，由於這些限制，zkML 現在可能僅適用於非常小的ML 模型。在這種情況下許多 AI 專案不得不考慮其他的驗證方法。目前主要有兩種替代方案：

• opML（Optimistic ML）
• teeML（Trusted Execution Environment ML）

下圖簡單說明了三者之間的差異：

來源: Marlin Protocol