في الآونة الأخيرة ، أصدرت Nvidia تقرير أدائها للربع الأول ، بإيرادات بلغت 7.19 مليار دولار ، متجاوزة توقعات السوق البالغة 6.52 مليار دولار ، وهامش الربح الإجمالي 64.6٪ ، والأرباح المعدلة للسهم الواحد 1.09 دولار ، مقارنة بتوقعات السوق البالغة 0.92 دولار. نظرًا لأن التقرير المالي لشركة Nvidia فاق التوقعات ، فقد أدى ذلك إلى ارتفاع جماعي في أسهم الرقائق الأمريكية بعد السوق. ارتفعت Nvidia مرة واحدة بنسبة 29.35٪ بعد السوق. وصل سعر السهم إلى مستوى قياسي بلغ 395 دولارًا أمريكيًا. وفي يوم تداول واحد ، ارتفع سعر السهم بمقدار 184 مليار دولار أمريكي ، وارتفعت القيمة السوقية الإجمالية لـ 3 عملات بيتكوين.
ذكر الرئيس التنفيذي لشركة Nvidia Huang Renxun في تقريره المالي الآفاق الواسعة لتطبيقات الذكاء الاصطناعي ، قائلاً إن صناعة الكمبيوتر تشهد تحولين في نفس الوقت - الحوسبة المتسارعة والذكاء الاصطناعي التوليدي. وتتنافس الشركات على تطبيق الذكاء الاصطناعي التوليدي على مختلف المنتجات والخدمات والأعمال العمليات. ، ستتحول مراكز البيانات المثبتة على مستوى العالم والتي تبلغ قيمتها تريليون دولار من الحوسبة ذات الأغراض العامة إلى الحوسبة المتسارعة.
في الوقت الحالي ، تراقب جميع الصناديق والمؤسسات الرائدة بالدولار الأمريكي عن كثب مسار AIGC ، وتقوم ببناء نظام فحص سريعًا من خلال إنشاء إحداثيات التصويت بنشاط ، خشية أن يفوتهم القطار المؤدي إلى العصر. تشير البيانات ذات الصلة إلى أنه في الربع الأول من عام 2023 ، بلغ إجمالي تمويل صناعة AIGC العالمية 3.811 مليار يوان ، بإجمالي 17 تمويلًا. غالبًا ما يمثل ظهور منفذ واحد تراجع منفذ آخر. أثار الناس شكوكًا مختلفة حول WEB3 تدريجيًا: "كل رأس المال ينظر إلى الذكاء الاصطناعي ، يتم تشديد تنظيم Web3 ، ولم يعد السرد جيدًا" ، "يبدو الذكاء الاصطناعي أكثر موثوقية من Web3 ، ومن الأسهل إنتاج أحادي القرن."
منذ فجر التاريخ البشري ، حددت القصص الجماعية ثقافتنا وأثرت فهمنا للعالم ، ولا يمكن المبالغة في أهمية السرد. اليوم ، تكتسب رواية الذكاء الاصطناعي شعبية تدريجية ، بل إنها توغلت في مجال Web3. بدأ بعض الأشخاص في الصناعة يقترحون أن "Web3 بدون الذكاء الاصطناعي هي بلا روح" ، وبدأت أكثر من نصف شركات Web3 في التحول إلى الذكاء الاصطناعي. إذن ، كيف سيتم دمج AI + Web3؟ في الآونة الأخيرة ، أصبح سرد ZKML ، وهو مزيج ناشئ من إثبات المعرفة الصفرية والتعلم الآلي ، شائعًا. كيف سيتعاون مع الذكاء الاصطناعي و Web3 لبناء مستقبل موثوق به ولا مركزي؟
** 1. يحتاج الذكاء الاصطناعي إلى Web3 والعكس صحيح **
قال مايكل كيسي ، كبير مسؤولي المحتوى في CoinDesk: "من الخطأ التفكير في العملات المشفرة والذكاء الاصطناعي كتقنيات غير مرتبطة. إنهما متكاملان ، كل منهما يحسن الآخر".
تحل Web3 والعملات المشفرة و blockchain تحديًا مجتمعيًا كان موجودًا منذ بداية الإنترنت: كيفية الحفاظ على المعلومات القيمة بأمان في بيئة لامركزية. إنها تتناول مسألة الثقة البشرية في المعلومات من خلال أنظمة جديدة تستخدم السجلات والحوافز الموزعة. تساعد هذه الأنظمة مجتمعات الغرباء الذين لا يثقون بهم في الحفاظ بشكل جماعي على سجلات البيانات المفتوحة ، مما يمكنهم من توزيع وتبادل المعلومات القيمة أو الحساسة دون وسطاء.
في الوقت الحالي ، نتحرك بسرعة نحو عصر الذكاء الاصطناعي الشامل ، والتحديات التي جلبها هذا العصر مروعة. تعمل هذه التحديات في سلسلة كاملة من حماية حقوق الطبع والنشر على مدخلات نماذج اللغة الكبيرة (LLMs) ، إلى تجنب التحيز الخاطئ في مخرجاتها ، إلى عدم قدرتنا الحالية على التمييز بدقة بين المحتوى الحقيقي والمعلومات المضللة الناتجة عن الذكاء الاصطناعي. لا توجد حلول سهلة لضمان عدم تأثر البشر سلبًا بالذكاء الاصطناعي. لا يوجد حل يمكن أن يعتمد على الأطر التنظيمية والتكنولوجية القديمة للقرن العشرين لمعالجة هذه المشاكل. نحن بحاجة ماسة إلى نظام حكم لامركزي لمواجهة تحديات كيفية إنتاج المعلومات والتحقق منها ومشاركتها في هذا العصر الجديد.
بغض النظر عما إذا كان Web3 الحالي يمكنه توفير الحلول المطلوبة ، تلعب تقنية blockchain دورًا في حل هذه المشكلات. تسمح لنا دفاتر الأستاذ غير القابلة للتغيير بتتبع مصدر الصور والمحتويات الأخرى ، مما يمنع التزييف العميق. يمكن أيضًا استخدام هذه التقنية للتحقق من سلامة مجموعات البيانات لمنتجات الذكاء الاصطناعي للتعلم الآلي. توفر العملات المشفرة طريقة دفع رقمية بلا حدود يمكن استخدامها لمكافأة الأشخاص في جميع أنحاء العالم الذين يساهمون في تدريب الذكاء الاصطناعي ، وتعمل مشاريع مثل Bittensor على بناء مجتمعات حكومية blockchain رمزية لتحفيز الذكاء الاصطناعي. يقوم المطورون الأذكياء ببناء نماذج صديقة للإنسان . في المقابل ، غالبًا ما تضع أنظمة الذكاء الاصطناعي المملوكة لشركات خاصة مصالح المساهمين فوق مصالح المستخدمين.
لا يزال أمامنا طريق طويل لنقطعه قبل أن يتم تحقيق هذه الأفكار وتوسيع نطاقها. سنحتاج إلى دمج مجموعة من التقنيات الأخرى مثل Zero Knowledge Proofs (ZK) والتشفير المتماثل والحوسبة الآمنة والهوية الرقمية وبيانات الاعتماد اللامركزية (DID) وإنترنت الأشياء وما إلى ذلك. بالإضافة إلى ذلك ، نحتاج إلى معالجة العديد من التحديات مثل حماية الخصوصية ، ومعاقبة السلوك السيئ ، وتشجيع الذكاء المبتكر الذي يركز على الإنسان ، والتنظيم التشريعي متعدد الأحزاب.
** 2. كيف تبني ZKML جسرًا بين الذكاء الاصطناعي وسلسلة الكتل **
في الآونة الأخيرة ، تمت مناقشة ZKML ، وهو مزيج ناشئ من براهين المعرفة الصفرية والتعلم الآلي ، على نطاق واسع. في الوقت الحالي ، أصبح نشر التعلم الآلي (ML) معقدًا بشكل متزايد. تعتمد العديد من الشركات بشكل أساسي على مزودي الخدمات مثل Amazon و Google و Microsoft لنشر نماذج التعلم الآلي المعقدة. ومع ذلك ، تزداد صعوبة تدقيق هذه الخدمات وفهمها. كمستهلكين لخدمات الذكاء الاصطناعي ، كيف يمكننا الوثوق في صحة التنبؤات التي توفرها هذه النماذج؟
كجسر بين الذكاء الاصطناعي و blockchain ، يحل ZKML مشكلة حماية الخصوصية لنماذج ومدخلات الذكاء الاصطناعي ، مع ضمان إمكانية التحقق من عملية التفكير. يوفر حلاً يجعل من الممكن استخدام النماذج العامة عند التحقق من صحة البيانات الخاصة ، أو استخدام البيانات العامة عند التحقق من صحة النماذج الخاصة. من خلال إضافة قدرات التعلم الآلي ، يمكن أن تصبح العقود الذكية أكثر استقلالية وديناميكية ، مما يمكنها من المعالجة بناءً على بيانات في الوقت الفعلي على السلسلة بدلاً من القواعد الثابتة. بهذه الطريقة ، ستكون العقود الذكية أكثر مرونة وقدرة على التكيف مع المزيد من السيناريوهات ، حتى تلك التي ربما لم تكن متوقعة عند إنشاء العقد في الأصل.
حاليًا ، تتمثل إحدى الصعوبات في الانتشار الواسع لخوارزميات التعلم الآلي على blockchain في تكلفتها الحسابية العالية. يصبح تشغيل هذه النماذج على السلسلة تحديًا نظرًا لأنه لا يمكن إجراء عمليات الفاصلة العائمة على مستوى مليون مستوى مباشرة على جهاز Ethereum Virtual Machine (EVM). بالإضافة إلى ذلك ، فإن مسألة الثقة في نماذج التعلم الآلي هي أيضًا عقبة ، لأن المعلمات ومجموعات بيانات الإدخال للنماذج تكون عادةً خاصة ، والخوارزمية وعملية تشغيل النموذج تشبه "الصندوق الأسود" المبهم ، والذي قد جعل مالك النموذج والنموذج يستخدمان قضايا الثقة بين المشاركين.
ومع ذلك ، باستخدام تقنية ZKML ، يمكننا التغلب على هذه المشكلات. يسمح ZKML لأي شخص بتشغيل نموذج خارج السلسلة وإنشاء دليل موجز وقابل للتحقق من أن النموذج قد أدى إلى نتيجة محددة. يمكن نشر هذا الدليل على السلسلة والتحقق منه من خلال العقود الذكية. هذا يعني أنه يمكن لمستخدمي النموذج التحقق من نتائج النموذج دون معرفة المعلمات المحددة وتفاصيل التشغيل الخاصة بالنموذج ، وبالتالي حل مشكلة الثقة.
من خلال الرسم البياني أعلاه ، يمكننا أن نرى أن تقنية ZKML تتميز بخصائص التكامل الحسابي والتحسين التجريبي وحماية الخصوصية. هذه التكنولوجيا لها آفاق تطبيق واسعة في مجال Web3 وتتطور بسرعة. انضم المزيد والمزيد من الفرق والأفراد إلى هذا المجال ، مما يعزز تطوير مشاريع ZKML المختلفة ذات الإمكانات الكبيرة.
** 3. تحليل مشروع ZKML **
فيما يلي بعض مشاريع ZKML المحتملة.
1 、 Worldcoin
تقوم Worldcoin بتطبيق ZKML في محاولة لبناء بروتوكول يحافظ على الخصوصية لإثبات الشخصية. سيتمكن مستخدمو World ID من الاحتفاظ بمقاييسهم الحيوية (مثل قزحية العين) في التخزين المشفر على أجهزتهم المحمولة ، وتنزيل نموذج ML المستخدم لإنشاء IrisCode وإنشاء دليل محلي على عدم المعرفة بأن العقد الذكي المستلم يمكن أن يثبت تم إنشاء IrisCode بنجاح.
يمكن بعد ذلك استخدامها لأداء عمليات مفيدة مثل مصادقة العضوية والتصويت. يستخدمون حاليًا بيئة تشغيل موثوقة مع جيب آمن للتحقق من عمليات مسح قزحية العين الموقعة بالكاميرا ، لكن هدفهم النهائي هو استخدام ZKPs لإثبات المنطق الصحيح للشبكات العصبية لضمانات الأمان على مستوى التشفير ، ولضمان إخراج ML لن يتسرب النموذج إلى بيانات المستخدم الشخصية.
2 ، معامل معامل
تعد Modulus Labs واحدة من أكثر المشاريع تنوعًا في مجال ZKML. وبينما تلتزم بالبحوث ذات الصلة ، فإنها تعمل أيضًا بنشاط على بناء نماذج تطبيقات AI على السلسلة. تستخدم Modulus Labs RockyBot (روبوت تداول على السلسلة) و Leela مقابل يوضح العالم (لعبة شطرنج دولية ، الجميع يلعب ضد مثيل محرك Leela Chess Engine) حالة استخدام لـ zkML. غامر الفريق أيضًا بالبحث ، وكتابة The Cost of Intelligence ، الذي يقيس سرعة وكفاءة أنظمة التحقق المختلفة لنماذج ذات أحجام مختلفة.
3 、 الإنسان
الجيزة عبارة عن بروتوكول يمكنه نشر نماذج الذكاء الاصطناعي على السلسلة بطريقة غير موثوقة تمامًا. تشتمل مجموعة التكنولوجيا التي تستخدمها على تنسيق ONNX لنماذج التعلم الآلي ، و Giza Transpiler لتحويل هذه النماذج إلى تنسيق برنامج القاهرة ، و ONNX Cairo Runtime لتنفيذ النماذج بطريقة يمكن التحقق منها وحتمية ، والنشر ونموذج الجيزة الذكي. العقد الذي ينفذ النموذج على السلسلة. تنتمي الجيزة عمومًا إلى المترجم المتسلسل لنماذج التعلم الآلي إلى البراهين ، مما يوفر مسارًا بديلاً لتطوير الذكاء الاصطناعي على السلسلة.
4、Zkaptcha
يركز Zkaptcha على مشكلة الروبوت في Web3 ، ويوفر خدمة captcha (رمز التحقق) للعقود الذكية ، ويحمي العقود الذكية من هجمات الروبوت ، ويستخدم أدلة عدم المعرفة لإنشاء عقود ذكية مقاومة لهجمات Sybil. في الوقت الحالي ، يمكّن المشروع المستخدمين النهائيين من إنشاء دليل على العمل البشري من خلال إكمال اختبار captcha ، والذي يتم التحقق منه بواسطة المدققين على السلسلة ويتم الوصول إليه عن طريق العقود الذكية ببضعة سطور من التعليمات البرمجية. في المستقبل ، سيرث Zkaptcha zkML ، ويطلق خدمة رمز تحقق مماثلة للويب 2 الحالي ، وحتى يحلل السلوكيات مثل حركات الماوس لتحديد ما إذا كان المستخدم شخصًا حقيقيًا.
في الوقت الحالي ، لا يزال مسار zkML في مهده ، ولكن لدينا أسباب للاعتقاد بأن قوة zkML يمكن أن تجلب آفاقًا أفضل وتطويرًا للعملات المشفرة ، ونتوقع أيضًا المزيد من المنتجات في هذا المجال. يوفر تشغيل ML أمانًا و بيئة موثوقة ، وفي المستقبل ، بالإضافة إلى ابتكار المنتجات ، قد يؤدي ذلك أيضًا إلى ابتكار نماذج الأعمال المشفرة ، لأنه في عالم الويب 3 الجامح والفوضوي ، تعد اللامركزية وتكنولوجيا التشفير والثقة هي الأداة الأساسية.
الخاتمة
لطالما كان بناء الثقة في عالم رقمي معقد وغير مؤكد تحديًا رئيسيًا للذكاء الاصطناعي والويب 3. ومع ذلك ، فإن دمج الذكاء الاصطناعي مع Web3 يحمل وعدًا كبيرًا لبناء مستقبل لامركزي موثوق وآمن. من الأهمية بمكان للمطورين والتقنيين وصانعي السياسات والمجتمع ككل أن يقوموا بشكل مشترك بتشكيل مستقبل الذكاء الاصطناعي و Web3 ، وقد نتمكن من خلق عصر إنترنت ذكي يفوق الخيال.
مرجع
شاهد النسخة الأصلية
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
كيف يقوم Web3 ZKML الذي لا روح له بدون الذكاء الاصطناعي بإعادة تشكيل العلاقة بين الذكاء الاصطناعي و blockchain
في الآونة الأخيرة ، أصدرت Nvidia تقرير أدائها للربع الأول ، بإيرادات بلغت 7.19 مليار دولار ، متجاوزة توقعات السوق البالغة 6.52 مليار دولار ، وهامش الربح الإجمالي 64.6٪ ، والأرباح المعدلة للسهم الواحد 1.09 دولار ، مقارنة بتوقعات السوق البالغة 0.92 دولار. نظرًا لأن التقرير المالي لشركة Nvidia فاق التوقعات ، فقد أدى ذلك إلى ارتفاع جماعي في أسهم الرقائق الأمريكية بعد السوق. ارتفعت Nvidia مرة واحدة بنسبة 29.35٪ بعد السوق. وصل سعر السهم إلى مستوى قياسي بلغ 395 دولارًا أمريكيًا. وفي يوم تداول واحد ، ارتفع سعر السهم بمقدار 184 مليار دولار أمريكي ، وارتفعت القيمة السوقية الإجمالية لـ 3 عملات بيتكوين. ذكر الرئيس التنفيذي لشركة Nvidia Huang Renxun في تقريره المالي الآفاق الواسعة لتطبيقات الذكاء الاصطناعي ، قائلاً إن صناعة الكمبيوتر تشهد تحولين في نفس الوقت - الحوسبة المتسارعة والذكاء الاصطناعي التوليدي. وتتنافس الشركات على تطبيق الذكاء الاصطناعي التوليدي على مختلف المنتجات والخدمات والأعمال العمليات. ، ستتحول مراكز البيانات المثبتة على مستوى العالم والتي تبلغ قيمتها تريليون دولار من الحوسبة ذات الأغراض العامة إلى الحوسبة المتسارعة. في الوقت الحالي ، تراقب جميع الصناديق والمؤسسات الرائدة بالدولار الأمريكي عن كثب مسار AIGC ، وتقوم ببناء نظام فحص سريعًا من خلال إنشاء إحداثيات التصويت بنشاط ، خشية أن يفوتهم القطار المؤدي إلى العصر. تشير البيانات ذات الصلة إلى أنه في الربع الأول من عام 2023 ، بلغ إجمالي تمويل صناعة AIGC العالمية 3.811 مليار يوان ، بإجمالي 17 تمويلًا. غالبًا ما يمثل ظهور منفذ واحد تراجع منفذ آخر. أثار الناس شكوكًا مختلفة حول WEB3 تدريجيًا: "كل رأس المال ينظر إلى الذكاء الاصطناعي ، يتم تشديد تنظيم Web3 ، ولم يعد السرد جيدًا" ، "يبدو الذكاء الاصطناعي أكثر موثوقية من Web3 ، ومن الأسهل إنتاج أحادي القرن." منذ فجر التاريخ البشري ، حددت القصص الجماعية ثقافتنا وأثرت فهمنا للعالم ، ولا يمكن المبالغة في أهمية السرد. اليوم ، تكتسب رواية الذكاء الاصطناعي شعبية تدريجية ، بل إنها توغلت في مجال Web3. بدأ بعض الأشخاص في الصناعة يقترحون أن "Web3 بدون الذكاء الاصطناعي هي بلا روح" ، وبدأت أكثر من نصف شركات Web3 في التحول إلى الذكاء الاصطناعي. إذن ، كيف سيتم دمج AI + Web3؟ في الآونة الأخيرة ، أصبح سرد ZKML ، وهو مزيج ناشئ من إثبات المعرفة الصفرية والتعلم الآلي ، شائعًا. كيف سيتعاون مع الذكاء الاصطناعي و Web3 لبناء مستقبل موثوق به ولا مركزي؟ ** 1. يحتاج الذكاء الاصطناعي إلى Web3 والعكس صحيح ** قال مايكل كيسي ، كبير مسؤولي المحتوى في CoinDesk: "من الخطأ التفكير في العملات المشفرة والذكاء الاصطناعي كتقنيات غير مرتبطة. إنهما متكاملان ، كل منهما يحسن الآخر". تحل Web3 والعملات المشفرة و blockchain تحديًا مجتمعيًا كان موجودًا منذ بداية الإنترنت: كيفية الحفاظ على المعلومات القيمة بأمان في بيئة لامركزية. إنها تتناول مسألة الثقة البشرية في المعلومات من خلال أنظمة جديدة تستخدم السجلات والحوافز الموزعة. تساعد هذه الأنظمة مجتمعات الغرباء الذين لا يثقون بهم في الحفاظ بشكل جماعي على سجلات البيانات المفتوحة ، مما يمكنهم من توزيع وتبادل المعلومات القيمة أو الحساسة دون وسطاء. في الوقت الحالي ، نتحرك بسرعة نحو عصر الذكاء الاصطناعي الشامل ، والتحديات التي جلبها هذا العصر مروعة. تعمل هذه التحديات في سلسلة كاملة من حماية حقوق الطبع والنشر على مدخلات نماذج اللغة الكبيرة (LLMs) ، إلى تجنب التحيز الخاطئ في مخرجاتها ، إلى عدم قدرتنا الحالية على التمييز بدقة بين المحتوى الحقيقي والمعلومات المضللة الناتجة عن الذكاء الاصطناعي. لا توجد حلول سهلة لضمان عدم تأثر البشر سلبًا بالذكاء الاصطناعي. لا يوجد حل يمكن أن يعتمد على الأطر التنظيمية والتكنولوجية القديمة للقرن العشرين لمعالجة هذه المشاكل. نحن بحاجة ماسة إلى نظام حكم لامركزي لمواجهة تحديات كيفية إنتاج المعلومات والتحقق منها ومشاركتها في هذا العصر الجديد. بغض النظر عما إذا كان Web3 الحالي يمكنه توفير الحلول المطلوبة ، تلعب تقنية blockchain دورًا في حل هذه المشكلات. تسمح لنا دفاتر الأستاذ غير القابلة للتغيير بتتبع مصدر الصور والمحتويات الأخرى ، مما يمنع التزييف العميق. يمكن أيضًا استخدام هذه التقنية للتحقق من سلامة مجموعات البيانات لمنتجات الذكاء الاصطناعي للتعلم الآلي. توفر العملات المشفرة طريقة دفع رقمية بلا حدود يمكن استخدامها لمكافأة الأشخاص في جميع أنحاء العالم الذين يساهمون في تدريب الذكاء الاصطناعي ، وتعمل مشاريع مثل Bittensor على بناء مجتمعات حكومية blockchain رمزية لتحفيز الذكاء الاصطناعي. يقوم المطورون الأذكياء ببناء نماذج صديقة للإنسان . في المقابل ، غالبًا ما تضع أنظمة الذكاء الاصطناعي المملوكة لشركات خاصة مصالح المساهمين فوق مصالح المستخدمين. لا يزال أمامنا طريق طويل لنقطعه قبل أن يتم تحقيق هذه الأفكار وتوسيع نطاقها. سنحتاج إلى دمج مجموعة من التقنيات الأخرى مثل Zero Knowledge Proofs (ZK) والتشفير المتماثل والحوسبة الآمنة والهوية الرقمية وبيانات الاعتماد اللامركزية (DID) وإنترنت الأشياء وما إلى ذلك. بالإضافة إلى ذلك ، نحتاج إلى معالجة العديد من التحديات مثل حماية الخصوصية ، ومعاقبة السلوك السيئ ، وتشجيع الذكاء المبتكر الذي يركز على الإنسان ، والتنظيم التشريعي متعدد الأحزاب. ** 2. كيف تبني ZKML جسرًا بين الذكاء الاصطناعي وسلسلة الكتل ** في الآونة الأخيرة ، تمت مناقشة ZKML ، وهو مزيج ناشئ من براهين المعرفة الصفرية والتعلم الآلي ، على نطاق واسع. في الوقت الحالي ، أصبح نشر التعلم الآلي (ML) معقدًا بشكل متزايد. تعتمد العديد من الشركات بشكل أساسي على مزودي الخدمات مثل Amazon و Google و Microsoft لنشر نماذج التعلم الآلي المعقدة. ومع ذلك ، تزداد صعوبة تدقيق هذه الخدمات وفهمها. كمستهلكين لخدمات الذكاء الاصطناعي ، كيف يمكننا الوثوق في صحة التنبؤات التي توفرها هذه النماذج؟ كجسر بين الذكاء الاصطناعي و blockchain ، يحل ZKML مشكلة حماية الخصوصية لنماذج ومدخلات الذكاء الاصطناعي ، مع ضمان إمكانية التحقق من عملية التفكير. يوفر حلاً يجعل من الممكن استخدام النماذج العامة عند التحقق من صحة البيانات الخاصة ، أو استخدام البيانات العامة عند التحقق من صحة النماذج الخاصة. من خلال إضافة قدرات التعلم الآلي ، يمكن أن تصبح العقود الذكية أكثر استقلالية وديناميكية ، مما يمكنها من المعالجة بناءً على بيانات في الوقت الفعلي على السلسلة بدلاً من القواعد الثابتة. بهذه الطريقة ، ستكون العقود الذكية أكثر مرونة وقدرة على التكيف مع المزيد من السيناريوهات ، حتى تلك التي ربما لم تكن متوقعة عند إنشاء العقد في الأصل. حاليًا ، تتمثل إحدى الصعوبات في الانتشار الواسع لخوارزميات التعلم الآلي على blockchain في تكلفتها الحسابية العالية. يصبح تشغيل هذه النماذج على السلسلة تحديًا نظرًا لأنه لا يمكن إجراء عمليات الفاصلة العائمة على مستوى مليون مستوى مباشرة على جهاز Ethereum Virtual Machine (EVM). بالإضافة إلى ذلك ، فإن مسألة الثقة في نماذج التعلم الآلي هي أيضًا عقبة ، لأن المعلمات ومجموعات بيانات الإدخال للنماذج تكون عادةً خاصة ، والخوارزمية وعملية تشغيل النموذج تشبه "الصندوق الأسود" المبهم ، والذي قد جعل مالك النموذج والنموذج يستخدمان قضايا الثقة بين المشاركين. ومع ذلك ، باستخدام تقنية ZKML ، يمكننا التغلب على هذه المشكلات. يسمح ZKML لأي شخص بتشغيل نموذج خارج السلسلة وإنشاء دليل موجز وقابل للتحقق من أن النموذج قد أدى إلى نتيجة محددة. يمكن نشر هذا الدليل على السلسلة والتحقق منه من خلال العقود الذكية. هذا يعني أنه يمكن لمستخدمي النموذج التحقق من نتائج النموذج دون معرفة المعلمات المحددة وتفاصيل التشغيل الخاصة بالنموذج ، وبالتالي حل مشكلة الثقة.
من خلال الرسم البياني أعلاه ، يمكننا أن نرى أن تقنية ZKML تتميز بخصائص التكامل الحسابي والتحسين التجريبي وحماية الخصوصية. هذه التكنولوجيا لها آفاق تطبيق واسعة في مجال Web3 وتتطور بسرعة. انضم المزيد والمزيد من الفرق والأفراد إلى هذا المجال ، مما يعزز تطوير مشاريع ZKML المختلفة ذات الإمكانات الكبيرة. ** 3. تحليل مشروع ZKML ** فيما يلي بعض مشاريع ZKML المحتملة. 1 、 Worldcoin تقوم Worldcoin بتطبيق ZKML في محاولة لبناء بروتوكول يحافظ على الخصوصية لإثبات الشخصية. سيتمكن مستخدمو World ID من الاحتفاظ بمقاييسهم الحيوية (مثل قزحية العين) في التخزين المشفر على أجهزتهم المحمولة ، وتنزيل نموذج ML المستخدم لإنشاء IrisCode وإنشاء دليل محلي على عدم المعرفة بأن العقد الذكي المستلم يمكن أن يثبت تم إنشاء IrisCode بنجاح. يمكن بعد ذلك استخدامها لأداء عمليات مفيدة مثل مصادقة العضوية والتصويت. يستخدمون حاليًا بيئة تشغيل موثوقة مع جيب آمن للتحقق من عمليات مسح قزحية العين الموقعة بالكاميرا ، لكن هدفهم النهائي هو استخدام ZKPs لإثبات المنطق الصحيح للشبكات العصبية لضمانات الأمان على مستوى التشفير ، ولضمان إخراج ML لن يتسرب النموذج إلى بيانات المستخدم الشخصية. 2 ، معامل معامل تعد Modulus Labs واحدة من أكثر المشاريع تنوعًا في مجال ZKML. وبينما تلتزم بالبحوث ذات الصلة ، فإنها تعمل أيضًا بنشاط على بناء نماذج تطبيقات AI على السلسلة. تستخدم Modulus Labs RockyBot (روبوت تداول على السلسلة) و Leela مقابل يوضح العالم (لعبة شطرنج دولية ، الجميع يلعب ضد مثيل محرك Leela Chess Engine) حالة استخدام لـ zkML. غامر الفريق أيضًا بالبحث ، وكتابة The Cost of Intelligence ، الذي يقيس سرعة وكفاءة أنظمة التحقق المختلفة لنماذج ذات أحجام مختلفة. 3 、 الإنسان الجيزة عبارة عن بروتوكول يمكنه نشر نماذج الذكاء الاصطناعي على السلسلة بطريقة غير موثوقة تمامًا. تشتمل مجموعة التكنولوجيا التي تستخدمها على تنسيق ONNX لنماذج التعلم الآلي ، و Giza Transpiler لتحويل هذه النماذج إلى تنسيق برنامج القاهرة ، و ONNX Cairo Runtime لتنفيذ النماذج بطريقة يمكن التحقق منها وحتمية ، والنشر ونموذج الجيزة الذكي. العقد الذي ينفذ النموذج على السلسلة. تنتمي الجيزة عمومًا إلى المترجم المتسلسل لنماذج التعلم الآلي إلى البراهين ، مما يوفر مسارًا بديلاً لتطوير الذكاء الاصطناعي على السلسلة. 4、Zkaptcha يركز Zkaptcha على مشكلة الروبوت في Web3 ، ويوفر خدمة captcha (رمز التحقق) للعقود الذكية ، ويحمي العقود الذكية من هجمات الروبوت ، ويستخدم أدلة عدم المعرفة لإنشاء عقود ذكية مقاومة لهجمات Sybil. في الوقت الحالي ، يمكّن المشروع المستخدمين النهائيين من إنشاء دليل على العمل البشري من خلال إكمال اختبار captcha ، والذي يتم التحقق منه بواسطة المدققين على السلسلة ويتم الوصول إليه عن طريق العقود الذكية ببضعة سطور من التعليمات البرمجية. في المستقبل ، سيرث Zkaptcha zkML ، ويطلق خدمة رمز تحقق مماثلة للويب 2 الحالي ، وحتى يحلل السلوكيات مثل حركات الماوس لتحديد ما إذا كان المستخدم شخصًا حقيقيًا.
في الوقت الحالي ، لا يزال مسار zkML في مهده ، ولكن لدينا أسباب للاعتقاد بأن قوة zkML يمكن أن تجلب آفاقًا أفضل وتطويرًا للعملات المشفرة ، ونتوقع أيضًا المزيد من المنتجات في هذا المجال. يوفر تشغيل ML أمانًا و بيئة موثوقة ، وفي المستقبل ، بالإضافة إلى ابتكار المنتجات ، قد يؤدي ذلك أيضًا إلى ابتكار نماذج الأعمال المشفرة ، لأنه في عالم الويب 3 الجامح والفوضوي ، تعد اللامركزية وتكنولوجيا التشفير والثقة هي الأداة الأساسية. الخاتمة لطالما كان بناء الثقة في عالم رقمي معقد وغير مؤكد تحديًا رئيسيًا للذكاء الاصطناعي والويب 3. ومع ذلك ، فإن دمج الذكاء الاصطناعي مع Web3 يحمل وعدًا كبيرًا لبناء مستقبل لامركزي موثوق وآمن. من الأهمية بمكان للمطورين والتقنيين وصانعي السياسات والمجتمع ككل أن يقوموا بشكل مشترك بتشكيل مستقبل الذكاء الاصطناعي و Web3 ، وقد نتمكن من خلق عصر إنترنت ذكي يفوق الخيال. مرجع