原文：sevenxventures 乐鱼真人百家乐
编译：GWEI Research
然而，导航系统的技术门槛极高，因此一开始，我们希望通过国际合作来共同开发这一系统，即使需要投入更多的资源。当时，欧洲主动邀请我国加入他们的“伽利略”项目，我国慷慨地承诺投资2.7亿美元。然而，这也变成了一段令人不愉快的经历。尽管我们投入了大量资金，却被排除在所有重要决策之外，而理由仅仅是一些可笑的安全顾虑。后来，我们才了解到，欧洲邀请我国加入该项目只是为了利用我们来向美国施加压力。这次挫折坚定了我国自主开发全球卫星导航系统的决心，并将项目命名为“北斗”，这是一个具有浓厚民族情感的名称。
近年来出于战略和竞争考虑，特别是对中国的态度发生了明显的变化。美国对中国半导体工业采取了多种限制措施，其中最直接的就是卡控维修部件。意味着，即便中国购买了高价的半导体设备，也将因得不到关键的服务部件而大幅缩短其使用寿命。这个策略虽然隐蔽，但可能具有更大的杀伤力。
由 Hill Tan 和 Grace Deng 所著，SevenX Ventures Research
咱们要非常感谢 Brian Retford, Sun Yi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin, 和 Brent 他们对这篇著作提供的珍藏视力，反映和审阅。
www.bettingcrownzonezone.com对于咱们这些糊口在加密货币之下的东说念主来说，东说念主工智能也曾火了一段时刻。真谛的是，没东说念主念念看到一个AI失控。区块链被发明出来等于为了退避好意思元失控，是以咱们可能会尝试一下。此外，咱们当今有了一个新的叫作念ZK的本领，它被用来确保事情不会出错。我只是假定泛泛东说念主对区块链和ZK有一丝了解。关联词，为了驯顺AI这个野兽，咱们必须领路AI是若何职责的。
第一部分：易懂的机器学习简介 AI也曾有了几个称呼，从“大家系统”到“神经集聚”，然后是“图形模子”，终末是“机器学习”。所有这个词这些王人是“AI”的子集，东说念主们给它们不同的名字，咱们对AI的了解也更深了。让咱们深切了解机器学习，揭开机器学习的深邃面纱。
矜重：现今大多数的机器学习模子王人是神经集聚，因为它们在好多任务上的施展优秀。咱们主要将机器学习称为神经集聚机器学习。
那么，机器学习是若何职责的呢？当先，让咱们快速了解一下机器学习的里面职责旨趣：
1 .输入数据预处理：
输入数据需要被处理成可以行为模子输入的格式。这频繁触及到预处理和特征工程，以索要有用的信息，并将数据蜕变成符合的格式，举例输入矩阵或张量（高维矩阵）。这是大家系统的方法。跟着深度学习的出现，层的成见出手自动处理预处理的职责。
2.设立启动模子参数：
启动模子参数包括多个层，激活函数，启动权重，偏置，学习率等。有些可以在西席中调养，以使用优化算法提高模子的精度。
3.西席数据：
1）输入被送入神经集聚，频繁从一层或多层特征索要和关系建模出手，举例卷积层（CNN）、轮回层（RNN）或自矜重力层。这些层学习从输入数据中索要相干特征，并对这些特征之间的关系建模。2）这些层的输出然后通过一个或多个附加层传递，这些附加层对输入数据实践不同的缠绵和蜕变。这些层频繁主要触及与可学习权重矩阵的矩阵乘法和非线性激活函数的应用，但它们也可能包括其他操作，举例卷积神经汇聚会的卷积和池化或递归神经汇聚会的迭代。这些层的输出行为模子中下一层的输入或行为预测的最终输出。4.获取模子的输出：
神经集聚缠绵的输出频繁是一个向量或矩阵，示意图像分类的概率、形势分析分数或其他收尾，具体取决于集聚的应用。频繁还有另一个无理评估和参数更新模块，它允许根据模子的办法自动更新参数。
要是上头的解释看起来太晦涩，你可以望望底下使用CNN模子识别苹果图像的例子。
图像行为像素值矩阵载入模子，这个矩阵可以被示意为一个三维张量，其维度为（高度、宽度、通说念）。卷积神经集聚（CNN）模子的启动参数已设定。输入图像通过CNN的多个瞒哄层，每一层王人应用卷积滤波器从图像中索要日益复杂的特征。每一层的输出通过一个非线性激活函数，然后进行池化以减少特征映射的维度。终末一层频繁是一个全勾通层，根据索要的特征产生输出预测。CNN的最终输出是概率最高的类别。这等于输入图像的预测标签。机器学习信任框架咱们可以将上述内容总结为一个机器学习信任框架，它包括四个必须可靠的机器学习档次，以使整个机器学习流程可靠：
输入：原始数据需要被预处理，未必还需要遁藏。无缺性：输入数据未被删改，未被厌烦输入稠浊，并被正确预处理。隐痛：如有需要，输入数据不会被败露。输出：需要准确生成和传输。无缺性：正确生成输出。隐痛：如有需要，输出不会被败露。模子类型/算法：模子应该被正确缠绵。无缺性：模子被正确乎践。隐痛：如有需要，模子自己或缠绵流程不会被败露。不同的神经集聚模子有不同的算法和档次，以骄气不同的用例和输入。CNN常用于处理栅格数据，如图像，通过在小输入区域应用卷积运算可以拿获土产货模式和特征。另一方面，递归神经集聚（RNN）恰当处理规章数据，如时刻序列或天然语言，其中瞒哄景色可以拿获来自先前时刻法子的信息并建模时刻依赖性。自矜重力层对捕捉输入序列中元素之间的关系很有用，使其在需要长距离依赖的任务（如机器翻译或总结）中至极有用。还存在其他类型的模子，包括多层感知器（MLP）等。模子参数：参数在某些情况下应透明或民主生成，但在所有这个词情况下王人不易被删改。无缺性：参数以正确的方式生成、爱戴和治理。隐痛：模子所有这个词者频繁遁藏机器学习模子参数，以保护开发模子的组织的常识产权和竞争上风。这只在Transformer模子西席成本极高之前才渊博存在，但非论若何，这对行业来说王人是一个主要问题。第二部分：机器学习的信任问题跟着机器学习（ML）应用的爆炸式增长（复合年增长率进步20%）以及它们在日常糊口中的交融进度的加多，如ChatGPT的最近流行，对ML的信任问题变得日益伏击，不成被忽视。因此，发现并治理这些信任问题对于确保AI的负包袱使用和退避其潜在虚耗至关伏击。关联词，这些问题到底是什么呢？让咱们深切了解。
枯竭透明度或可评释性信任问题始终以来一直困扰着机器学习，主要原因有两个：
隐痛性：如前所述，模子参数频繁是独有的，在某些情况下，模子输入也需要遁藏，这天然会在模子领有者和模子使用者之间带来一些信任问题。
算法的黑匣子：机器学习模子未必被称为“黑匣子”，因为它们在缠绵流程中触及许多难以领路或解释的自动化法子。这些法子触及复杂的算法和多数数据，这些数据会带来不笃定的、未必是立时的输出，使算法成为偏见以至歧视的罪魁罪魁。
在更深切之前，本文中更大的假定是模子也曾“准备好使用”，这意味着它鸿章钜字何况恰当办法。该模子可能不恰当所有这个词情况，何况模子以惊东说念主的速率修订，ML 模子的平时保质期为 2 到 18 个月不等，具体取决于应用场景。
机器学习信任问题的刺目分类模子西席流程存在信任问题，Gensyn 现时正在辛勤生成有用凭据以促进这一流程。可是，本文将主要柔软模子推理流程。当今让咱们使用 ML 的四个构建块来发现潜在的信任问题：
Input:数据源不可删改私东说念主输入数据不会被模子运营商窃取（隐痛问题）Model:该模子自己如所宣传的那样准确。缠绵流程正确完成。Parameters:模子的参数未改造或与宣传的相似。模子参数对模子所有这个词者来说是珍藏的财富，在此流程中不会败露（隐痛问题）Output:输出可评释是正确的（可以通过上述所有这个词元素进行修订）ZK若何应用于ML信任框架上头的一些信任问题可以通过简单地上链来治理；将输入和ML参数上传到链上，模子缠绵上链，可以保证输入、参数和模子缠绵的正确性。可是这种方法可能会殉难可彭胀性和隐痛性。 Giza 在 Starknet 上是这么作念的，可是由于成本问题，它只撑执追溯这么简单的机器学习模子，不撑执神经集聚。 ZK 本领可以更高效地治理上述信任问题。现时ZKML的ZK频繁指的是zkSNARK。当先，让咱们快速追溯一下 zkSNARKs 的一些基础常识：
一个 zkSNARK 评释评释我知说念一些玄妙输入 w 使得这个缠绵的收尾 f 是 OUT 是真的而不告诉你 w 是什么。评释生成流程可以玄虚为几个法子：
1.制定一个需要评释的述说：f(x,w)=true
“我也曾使用带有独有参数 w 的 ML 模子 f 对这张图像 x 进行了正确分类。”
2.将语句蜕变为电路（Arithmetization）：不同的电路构造方法包括R1CS、QAP、Plonkish等。
与其他用例比拟，ZKML 需要一个称为量化的极度法子。神经集聚推理频繁在浮点运算中完成，这在运算电路的主要范围中进行仿确切极其时髦的。不同的量化方法是精度和开垦条目之间的量度。一些电路构造方法如 R1CS 对神经集聚后果不高。可以调养这部分以提高性能。
3.生成评释密钥和考证密钥
4.创建见证东说念主：当 w=w*乐鱼真人百家乐,f(x,w)=true
5.创建哈希答应：见证东说念主 w* 答应使用加密哈希函数生成哈希值。然后可以公开此散列值。
它有助于确保独有输入或模子参数在缠绵流程中未被删改或修改。此法子至关伏击，因为即使是轻微的修改也会对模子的行动和输分娩生紧要影响。
6.生成评释：不同的评释系统使用不同的评释生成算法。
需要为机器学习操作想象特殊的零常识规定，举例矩阵乘法和卷积层，从而为这些缠绵提供具有亚线性时刻的高效合同。
由于缠绵职责量太大，像 groth16 这么的通用 zkSNARK 系统可能无法有用地处理神经集聚。
自 2020 年以来，出现了许多新的 ZK 评释系统来优化模子推理流程的 ZK 评释，包括 vCNN、ZEN、ZKCNN 和 pvCNN。关联词，它们中的大多数王人针对 CNN 模子进行了优化。它们只可应用于某些原始数据集，举例 MNIST 或 CIFAR-10。
2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 首创东说念主）淡薄了一种基于 Halo2 的新评释决策，初次已毕了 ImageNet 数据集的 ZK 评释生成。他们的优化主要落在算术部分，具有新颖的非线性查找参数和跨层子电路的重用。
正在对链上推理的不同评释系统进行基准测试，发当今评释时刻方面，ZKCNN 和 plonky2 施展最好；在峰值评释者内存使用方面，ZKCNN 和 halo2 施展细致；而 plonky，天然施展可以，但殉难了内存消耗，ZKCNN 仅适用于 CNN 模子。它还正在开发一个新的 zkSNARK 系统，非常是针对带有新捏造机的 ZKML。
7.考证评释：考证者使用考证密钥进行考证，无需见证东说念主融会。
因此，咱们可以评释，将零常识本领应用于机器学习模子可以治理好多信任问题。使用交互式考证的雷同本领可以已毕雷同的收尾，但将需要考证方更多的资源，并可能濒临更多的隐痛问题。值得矜重的是，根据确切的模子，为它们生成评释可能会破钞时刻和资源，因此当该本领最终在施行用例中实施时，会在各个方面作念出调和。
治理决策的近况接下来，桌子上有什么？请记着，模子提供者可能不念念生成 ZKML 评释的原因有好多。对于那些有糜费勇气尝试 ZKML 何况当治理决策对实施故趣味趣味趣味趣味时，他们可以根据他们的模子和输入所在的位置从几个不同的治理决策中进行弃取：
要是输入数据在链上，Axiom 可以被视为一种治理决策：
足球盘口基础知识Axiom 正在为以太坊构建一个 ZK 协处理器，以改善用户对区块链数据的造访并提供更复杂的链上数据视图。对链上数据进行可靠的机器学习缠绵是可行的：
当先，Axiom 通过将以太坊区块哈希的 Merkle 根存储在其智能合约 AxiomV0 中来导入链上数据，这些数据通过 ZK-SNARK 考证流程进行无信任考证。然后，AxiomV0StoragePf 合约允许根据缓存在 AxiomV0 中的块哈希给出的信任根，批量考证纵情历史以太坊存储评释。接下来，可以从导入的历史数据中索要 ML 输入数据。然后 Axiom 可以在上头应用经过考证的机器学习操作；使用优化的 halo2 行为后端来考证每个缠绵的有用性。终末，Axiom 为每个查询的收尾附上 zk 评释，Axiom 智能合约将考证 zk 评释。任何念念要评释的相干方王人可以从智能合约中造访它。要是模子上链，可以沟通 RISC Zero 行为治理决策：
皇冠客服飞机：@seo3687
RISC 零 ZKVM 是一个 RISC-V 捏造机，它产生它实践的代码的零常识评释。使用 ZKVM，生成加密收条，任何东说念主王人可以考证它是由 ZKVM 的访客代码生成的。发布收条不会披露关联代码实践的其他信息（举例，提供的输入）。
通过在 RISC Zero 的 ZKVM 中运行机器学习模子，可以评释实践了模子中触及的精准缠绵。缠绵和考证流程可以在用户首选环境中的链下完成，也可以在通用汇总的盆景汇聚会完成。
当先，模子的源代码需要编译成 RISC-V 二进制文献。当这个二进制文献在 ZKVM 中实践时，输出与包含加密钤记的缠绵收条配对。该钤记用作缠绵无缺性的零常识论证，并将加密 imageID（符号已实践的 RISC-V 二进制文献）连系到断言的代码输出，第三方可以快速考证。当模子在 ZKVM 中实践时，对于景色变化的缠绵完全在 VM 中完成。它不会向外部各方败露关联模子里面景色的任何信息。一朝模子完成实践，生成的钤记将行为缠绵无缺性的零常识评释。生成 ZK 评释的确切流程触及一个以立时预言机行为考证者的交互合同。 RISC 零收条上的钤记施行上是此交互合同的手本。
要是您念念径直从 Tensorflow 或 Pytorch 等常用的 ML 软件导入模子，可以沟通使用 ezkl 行为治理决策：
Ezkl 是一个库和大叫行用具，用于对 zkSNARK 中的深度学习模子和其他缠绵图进行推理。
当先，将最终模子导出为 .onnx 文献，并将一些样本输入导出为 .json 文献。然后，将 ezkl 指向 .onnx 和 .json 文献以生成 ZK-SNARK 电路，您可以使用它来评释 ZKML 语句。看起来很简单，对吧？ ezkl 的场所是提供一个抽象层，允许在 Halo 2 电路中调用和移交更高档别的操作。 Ezkl 抽象化了好多复杂性，同期保执了难以置信的天真性。他们的量化模子有一个用于自动量化的比例因子。跟着新治理决策的出现，它们撑执对其他评释系统进行天真改造。它们还撑执多种类型的捏造机，包括 EVM 和 WASM。
在评释系统方面，ezkl customs halo2 circuits通过团聚评释（通过中介将难以考证的变成容易考证的）和递归（可以治理内存问题，但很难顺应halo2）。 Ezkl 还使用交融和抽象优化了整个流程（可以通过高档评释减少支出）
另外值得矜重的是，相对于其他通用的zkml面目，Accessor Labs专注于提供专为全链上游戏想象的zkml用具，可能触及AI NPC、游戏玩法自动更新、触及天然语言的游戏界面等。
第三部分：用例在何处？开云炸金花使用 ZK 本领治理 ML 的信任问题意味着它当今可以应用于更多“高风险”和“高度笃定性”的用例，而不单是是跟上东说念主们的言语或诀别猫的图片和狗的图片。 Web3 也曾在探索好多这么的用例。这并非适值，因为大多数 Web3 应用规范在区块链上运行或筹商在区块链上运行，因为区块链的特定性质可以安全运行、难以删改并具有笃定性缠绵。一个可考证的行动细致的东说念主工智能应该是一个能够在去信任和去中心化的环境中进行行动的东说念主工智能，对吧？
ZK+ML 有用的 Web3 用例许多 Web3 应用规范为了安全和去中心化而殉难用户体验，因为这显著是他们的首要任务，何况基础设施的截至也存在。 AI/ML 有可能丰富用户体验，这信服会有所匡助，但以前似乎不可能不当协。当今，感谢 ZK，咱们可以放纵地看到 AI/ML 与 Web3 应用规范的结合，而不会在安全性和去中心化方面作念出太多殉难。
施行上，它将是一个以无信任方式已毕 ML/AI 的 Web3 应用规范（在撰写本文时可能存在也可能不存在）。通以前信任的方式，咱们的趣味趣味是它是否在去信任的环境/平台中运行，或者它的操作是可评释可考证的。请矜重，并非所有这个词 ML/AI 用例（即使在 Web3 中）王人需要或首选以去信任的方式运行。咱们将分析在万般 Web3 范围中使用的 ML 功能的每个部分。然后，咱们会识别出需要ZKML的部分，频繁是东说念主们昂然花极度的钱来评释的高价值部分。
底下提到的大多数用例/应用规范仍处于实验研究阶段。因此，它们离施行聘用还很远。咱们稍后会研究原因。
皇冠官网DefiDefi 是为数未几的恰当区块链合同和 Web3 应用规范的居品市集之一。能够以无需许可的方式创造、存储和管答理富和成本在东说念主类历史上是前所未有的。咱们也曾笃定了许多 AI/ML 模子需要在未经许可的情况下运行以确保安全性和去中心化的用例。
风险评估：当代金融需要 AI/ML 模子进行万般风险评估，从退避讹诈和洗钱到披发无典质贷款。确保这个 AI/ML 模子以可考证的方式运行意味着咱们可以退避它们被主管干与审查轨制，这险阻了使用 Defi 居品的无许可性质。
财富治理：自动交易战略对于 Tradfi 和 Defi 来说并不清新。也曾尝试应用 AI/ML 生成的交易战略，但唯独少数去中心化战略获到手利。现时 defi 范围的典型应用包括 Modulus Labs 磨练的 rocky bot。
The Rocky Bot ：Modulus Labs 在 StarkNet 上创建了一个交易机器东说念主，使用东说念主工智能进行决策。
在 Uniswap 上执有资金并交换 WEth / USDC 的 L1 合约。这恰当 ML 信任框架的“输出”部分。输出在 L2 上生成，传输到 L1 并用于实践。在此流程中，它不成被删改。L2 合约已毕了一个简单（但天真）的 3 层神经集聚来预测改日的 WEth 价钱。该合约使用历史 WETH 价钱信息行为输入。这恰当“输入”和“模子”部分。历史价钱信息输入来自区块链。模子的实践是在 CairoVM 上钩算的，CairoVM 是一个 ZKVM，其实践轨迹将生成 ZK 评释以供考证。用于西席追溯器和分类器的可视化和 PyTorch 代码的简单前端。自动化 MM 和流动性供应：这施行上是在风险评估和财富治理方面进行的雷同辛勤的组合，只是在触及数目、时刻表和财富类型时以不同的方式进行。对于机器学习若何用于股票市集作念市的论文好多。其中一些适用于 Defi 居品可能只是时刻问题。
举例，Lyra Finance 正在与 Modulus Labs 协作，通过智能功能增强他们的 AMM，以提高成本后果。
荣誉奖: Warp.cc 团队开发了一个教程面目，先容若何部署运行鸿章钜字的神经集聚以预测比特币价钱的智能合约。这属于咱们框架的“输入”和“模子”部分，因为输入由 RedStone Oracles 纲要提供，何况模子行为 Arweave 上的 Warp 智能合约实践。这是第一次迭代何况触及到 ZK，是以它属于咱们的荣誉奖，但在改日 Warp 团队沟通已毕 ZK 部分
据记者了解，正面临疫情考验哈尔滨市发生大面积居民停电。部分市民已经接到通知，倡导合理用电、节约用电、错时错峰用电，比如，关闭夜间景观灯，停用打印机，下班关闭办公电脑、照明灯，停用饮水机用设备。Gaming游戏与机器学习有好多交加：
图中的灰色区域代表咱们对游戏部分的 ML 功能是否需要与相应的 ZKML 评释配对的初步评估。 Leela Chess Zero 是将 ZKML 应用于游戏的一个至极真谛的示例：
AI Agents
Leela Chess Zero (LC0)：由 Modulus Labs 打造的完全链上东说念主工智能国外象棋棋手，与来自社区的一群东说念主类棋手对弈。
LC0 和东说念主类集体轮替棋战（象棋应该如斯）。
LC0 的出动是使用简化的、电路友好的 LC0 模子缠绵的。
兑换皇冠信用网址LC0 的举动生成了 Halo2 snark 评释，以确保莫得东说念主为谋划烦躁。唯独简化的 LC0 模子可以作念出决定。
这恰当“模子”部分。该模子的实践具有 ZK 评释，以考证缠绵未被删改。
数据分析和预测：这是 AI/ML 在 Web2 游戏寰宇中的常见用途。关联词，咱们发现很少有事理将 ZK 实施到这个 ML 流程中。为了不径直参与该流程的太多价值，可能不值得付出辛勤。可是，要是使用某些分析和预测来笃定用户的奖励，则可能会实施 ZK 以确保收尾正确。
荣誉奖:
AI Arena 是一款以太坊原生游戏，全寰宇的玩家王人可以在其中想象、西席和交易由东说念主工神经集聚驱动的 NFT 变装。来自寰宇各地的才华横溢的研究东说念主员竞相创建最好的机器学习 (ML) 模子以在游戏中进行交易。 AI Arena 专注于前馈神经集聚。频繁，它们的缠绵支出低于卷积神经集聚 (CNN) 或递归神经集聚 (RNN)。不外，就现时而言，模子唯独在经过西席后才会上传到平台，因此值得一提。
GiroGiro.AI 正在构建一个 AI 用具包，使环球能够创建用于个东说念主或贸易用途的东说念主工智能。用户可以基于直不雅和自动化的 AI 职责流平台创建万般 AI 系统。只需输入极少数据并弃取算法（或用于修订的模子），用户就会在脑海中生成和应用 AI 模子。尽管该面目处于至极早期的阶段，但由于 GiroGiro 专注于 gamefi 和以捏造寰宇为要点的居品，因此咱们至极期待看到它能带来什么，因此它取得了荣誉奖。
DID 和外交在DID&social范围，web3和ml的交加现时主要在proof of humanity和proof of credentials范围；其他部分可能会发展，但需要更长的时刻。
东说念主性的评释
Worldcoin 使用一种称为 Orb 的开垦来笃定某东说念主是否是一个莫得试图骗取考证的信得过存在的东说念主。它通过万般相机传感器和分析面部和虹膜特征的机器学习模子来已毕这一丝。一朝作念出决定，Orb 就会拍摄一组东说念主的虹膜像片，并使用多种机器学习模子和其他缠绵机视觉本领来创建虹膜代码，这是个东说念主虹膜图案最伏击特征的数字示意。具体报名法子如下：
用户在她的手机上生成一个信号量密钥对，并将散列的公钥（通过二维码）提供给 Orb。Orb 扫描用户的虹膜并在土产货缠绵用户的 IrisHash。然后，它将包含散列公钥和 IrisHash 的签名音书发送到注册定序器节点。定序器节点考证 Orb 的签名，然后查验 IrisHash 是否与数据库中已有的不匹配。要是唯独性查验通过，则保存 IrisHash 和公钥。Worldcoin 使用开源的 Semaphore 零常识评释系统将 IrisHashes 的唯独性转化到用户帐户的唯独性，而无需将它们连系起来。这确保了新注册的用户可以到手领取他/她的 WorldCoins。法子如下：
用户的应用规范在土产货生成一个钱包地址。该应用规范使用信号量来评释它领有先前注册的一个公钥的独有副本。因为它是零常识评释，是以它不会披露哪个公钥。评释再次发送到排序器，排序器对其进行考证并启动将代币存入提供的钱包地址。一个所谓的无效符与评释通盘发送，并确保用户不成两次条目奖励。WorldCoin 使用 ZK 本领确保其 ML 模子的输出不会败露用户的个东说念主数据，因为它们不会相互关联。在这种情况下，它属于咱们信任框架的“输出”部分，因为它确保输出以所需方式传输和使用，在这种情况下是巧妙的。
行动评释
Astraly 是一个建立在 StarkNet 上的基于声誉的代币分发平台，用于寻找和撑执最新最好的 StarkNet 面目。斟酌声誉是一项具有挑战性的任务，因为它是一个抽象成见，无法用简单的方针放纵量化。在处理复杂的方针时，频繁情况下，更全面和万般化的输入会产生更好的收尾。这等于为什么 Astraly 正在寻求 modulus labs 的匡助，以使用 ML 模子来提供更准确的声誉评级。
个性化推选和内容过滤
Twitter 最近为“为你”时刻线开源了他们的算法，但用户无法考证该算法是否正确运行，因为用于对推文进行排行的 ML 模子的权重是遁藏的。这导致了对偏见和审查轨制的担忧。
关联词，Daniel Kang、Edward Gan、Ion Stoica 和 Yi Sun 提供了一种治理决策，使用 ezkl 提供凭据评释 Twitter 算法在不败露模子权重的情况下老诚运行，从而匡助均衡隐痛和透明度。通过使用 ZKML 框架，Twitter 可以提交其排行模子的特定版块，并发布凭据评释它为给定用户和推文生成了特定的最终输出排行。该治理决策使用户能够考证缠绵是否正确乎践，而无需信任系统。天然要使 ZKML 愈加实用还有好多职责要作念，但这是提高外交媒体透明度的积极法子。因此，这属于咱们的 ML 信任框架的“模子”部分。
从用例角度再行凝视 ML 信任框架可以看出，ZKML 在 web3 中的潜在用例仍处于起步阶段，但龙套忽视；改日跟着ZKML的使用范围不断扩大，可能会出现对ZKML提供者的需求，酿成下图的闭环：
ZKML 工作提供商主要柔软 ML 信任框架的“模子”和“参数”部分。尽管咱们当今看到的大多数与“模子”相干而不是“参数”。请矜重，“输入”和“输出”部分更多地由基于区块链的治理决策治理，用作数据源或数据办法地。单独的 ZK 或区块链可能无法已毕完全着实，但它们集聚起来可能会作念到。
离大限度聘用还有多远？Modulus Labs 的论文通过测试 Worldcoin（具有严格的精度和内存条目）和 AI Arena（具有成本效益和时刻条目），为咱们提供了一些对于 ZKML 应用可行性的数据和视力：
要是 Worldcon 使用 ZKML，评释者的内存消耗将进步任何商用出动硬件。要是 AI Arena 的锦标赛使用 ZKML，则使用 ZKCNN 会将时刻和成本加多到 100 倍（0.6 秒对本来的 0.008 秒）。是以缺憾的是，径直应用 ZKML 本领来评释时刻和评释内存使用王人是不可行的。
评释大小和考证时刻若何？咱们可以参考 Daniel Kang 、 Tatsunori Hashimoto 、 Ion Stoica 和 Yi Sun 的论文。如下图所示，他们的 DNN 推领路决决策可以在 ImageNet（模子类型：DCNN，16 层，340 万个参数）上已毕高达 79% 的准确率，同期只需 10 秒和 5952 字节的考证时刻。此外，zkSNARKs 可以收缩到只需 0.7 秒即可以 59% 的准确率进行考证。这些收尾标明 zkSNARKing ImageNet 限度模子在评释大小和考证时刻方面的可行性。
当今主要的本领瓶颈在于时刻和内存消耗的评释。在 web3 案例中应用 ZKML 在本领上仍然不可行。 ZKML 能否收拢 AI 的发展后劲？咱们可以对比几个劝诫数据：
ML模子的发展速率：2019年发布的GPT-1模子有1.5亿个参数，而2020年最新发布的GPT-3模子有1750亿个参数，参数数目在短短两年内增长了1166倍.
ZK系统的优化速率：ZK系统的性能增长基本解任“摩尔定律”式的依次。简直每年王人会推出新的 ZK 系统，咱们瞻望评释者性能的火箭式增长将执续一段时刻。
比较前沿的ML对ZK的普及幅度，远景不是很乐不雅。关联词，跟着rollup性能、ZK硬件以及基于高度结构化神经集聚操作的量身定制的ZK评释系统的不断修订，但愿ZKML的开发能够骄气web3的需求，并从提供一些旧式的机器学习功能出手第一的。
尽管咱们可能很难使用区块链 + ZK 来考证 ChatGPT 提供给我的信息是否值得相信，但咱们大约能够将一些更小和更旧的 ML 模子放入 ZK 电路中。
第四部分：论断金博体育app官网入口“权益导致蜕化，统统的权益导致统统的蜕化”。凭借 AI 和 ML 令东说念主难以置信的力量，现时还莫得万无一失的方法将其置于治理之下。政府一再评释可认为后果提供后期烦躁或早期澈底龙套。区块链 + ZK 提供了能够以可评释和可考证的方式驯顺野兽的少数治理决策之一。
咱们期待在 ZKML 范围看到更多的居品革命，ZK 和区块链为 AI/ML 的运行提供安全着实的环境。咱们还欲望全新的贸易模式会从这些居品革命中产生，因为在无需许可的加密寰宇中，咱们不受这里首选的 SaaS 贸易化模式的截至。咱们期待撑执更多的建筑者前来，在这个“狂野西部无政府景色”和“象牙塔精英”的迷东说念主叠加中构建他们粗野东说念主心的念念法。
咱们还早，但咱们可能会在路上扶持寰宇。
参考府上：乐鱼真人百家乐
https://a16zcrypto.com/content/article/checks-and-balances-machine-learning-and-zero-knowledge-proofs/https://arxiv.org/abs/2210.08674https://axiom.xyz/blog/introhttps://cloud.google.com/learn/artificial-intelligence-vs-machine-learning#:\~:text=Differences between AI and ML,-Now that you&text=While artificial intelligence encompasses the,accurate results by identifying patterns.https://docs.aiarena.io/research-competition/neural-networkshttps://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383https://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383 https://docs.warp.cc/tutorials/ml/prologuehttps://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/viewhttps://eprint.iacr.org/2021/673https://girogiro-ai.gitbook.io/litepaper/technology/gamma-engine-introhttps://github.com/Modulus-Labs/RockyBothttps://github.com/zkonduit/ezklhttps://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88