Giới thiệu về ZKML: ZKML (Zero Knowledge Machine Learning) là một công nghệ máy học kết hợp Zero-Knowledge Proofs (Bằng chứng Zero-Knowledge Proofs) và các thuật toán máy học để giải quyết vấn đề bảo vệ quyền riêng tư trong máy học.
Giới thiệu về sức mạnh điện toán phân tán: Sức mạnh điện toán phân tán đề cập đến việc phân tách tác vụ điện toán thành nhiều tác vụ nhỏ và gán các tác vụ nhỏ này cho nhiều máy tính hoặc bộ xử lý để xử lý nhằm đạt được hiệu quả điện toán.
Trạng thái của AI và Web3: Bầy đàn chạy trốn và sự tăng trưởng của Entropy
Trong "Out of Control: The New Biology of Machines, Society, and the Economy", Kevin Kelly đã từng đề xuất một hiện tượng: đàn ong sẽ tiến hành các quyết định bầu cử theo nhóm nhảy theo sự quản lý phân tán và toàn bộ đàn ong sẽ tuân theo điều này múa tập thể Bầy ong lớn nhất thế giới trở thành bậc thầy của một sự kiện. Đây cũng chính là cái gọi là "linh hồn của tổ ong" mà Maurice Maeterlinck đề cập - mỗi con ong có thể đưa ra quyết định của riêng mình, hướng dẫn những con ong khác xác nhận, và quyết định cuối cùng thực sự là sự lựa chọn của cả nhóm.
Bản thân quy luật tăng entropy và rối loạn tuân theo quy luật nhiệt động lực học, và hình dung lý thuyết trong vật lý là đặt một số lượng phân tử nhất định vào một hộp trống và đo biên dạng phân bố cuối cùng. Riêng đối với con người, đám đông do thuật toán tạo ra có thể thể hiện quy luật của nhóm mặc dù có những khác biệt trong suy nghĩ của từng cá nhân, họ thường bị giam cầm trong một chiếc hộp trống do các yếu tố như thời thế, và cuối cùng đưa ra quyết định đồng thuận.
Tất nhiên, các quy tắc của nhóm có thể không đúng, nhưng những người lãnh đạo quan điểm có thể đại diện cho sự đồng thuận và tự mình đạt được sự đồng thuận là những cá nhân siêu phàm tuyệt đối. Nhưng trong hầu hết các trường hợp, sự đồng thuận không theo đuổi sự đồng ý hoàn toàn và vô điều kiện của tất cả mọi người, mà chỉ yêu cầu nhóm phải có một bản sắc chung.
Chúng tôi không thảo luận ở đây liệu AI có dẫn con người đi lạc lối hay không, trên thực tế đã có rất nhiều cuộc thảo luận như vậy, liệu đó có phải là lượng rác lớn do các ứng dụng trí tuệ nhân tạo tạo ra đã làm ô nhiễm tính xác thực của dữ liệu mạng hay do việc ra quyết định của nhóm. sai lầm sẽ dẫn đến một số Sự cố đã đi đến một tình huống nguy hiểm hơn.
Thực trạng AI hiện nay có tính độc quyền tự nhiên, chẳng hạn việc đào tạo, triển khai các mô hình lớn cần nhiều tài nguyên máy tính, dữ liệu nhưng chỉ một số ít doanh nghiệp, cơ sở có điều kiện này. Những dữ liệu hàng trăm triệu này được mỗi chủ sở hữu độc quyền coi như báu vật, chưa nói đến việc chia sẻ nguồn, thậm chí truy cập lẫn nhau là không thể.
Điều này đã dẫn đến sự lãng phí dữ liệu rất lớn. Mọi dự án AI quy mô lớn đều phải liên tục thu thập dữ liệu người dùng và cuối cùng kẻ chiến thắng sẽ có tất cả — cho dù đó là sáp nhập và mua lại hay mua bán, mở rộng các dự án khổng lồ riêng lẻ hay Internet truyền thống. cuộc đua.
Nhiều người nói AI và Web3 là 2 thứ khác nhau và không có mối liên hệ nào - nửa câu đầu đúng, đây là 2 khúc khác nhau, nhưng nửa câu sau có vấn đề, sử dụng công nghệ phân tán để hạn chế sự độc quyền của nhân tạo. trí thông minh, Và việc sử dụng công nghệ trí tuệ nhân tạo để thúc đẩy sự hình thành cơ chế đồng thuận phi tập trung đơn giản là một điều tự nhiên.
Khấu trừ dưới cùng: Hãy để AI hình thành Cơ chế đồng thuận nhóm phân tán thực sự
Cốt lõi của trí tuệ nhân tạo nằm ở chính con người, còn máy móc và mô hình chẳng qua là suy đoán và bắt chước suy nghĩ của con người. Cái gọi là nhóm thực ra rất khó để trừu tượng hóa nhóm, bởi cái mà chúng ta nhìn thấy hàng ngày vẫn là một cá nhân thực sự. Nhưng mô hình là dùng dữ liệu đồ sộ để tìm hiểu và điều chỉnh, cuối cùng là mô phỏng dạng nhóm. Đừng đánh giá loại kết quả mà mô hình này sẽ gây ra, bởi vì sự cố của các nhóm làm điều ác không xảy ra một hoặc hai lần. Nhưng mô hình đại diện cho việc tạo ra cơ chế đồng thuận này.
Ví dụ, đối với một DAO cụ thể, nếu cơ chế quản trị được thực hiện chắc chắn sẽ ảnh hưởng đến hiệu quả, lý do là việc hình thành sự đồng thuận của nhóm là một điều rắc rối, chưa kể đến hàng loạt hoạt động biểu quyết, thống kê, v.v. Nếu việc quản trị DAO được thể hiện dưới dạng mô hình AI và tất cả việc thu thập dữ liệu đến từ dữ liệu giọng nói của mọi người trong DAO, thì quyết định đầu ra sẽ thực sự gần với sự đồng thuận của nhóm hơn.
Sự đồng thuận nhóm của một mô hình duy nhất có thể được đào tạo theo sơ đồ trên, nhưng nó vẫn là một hòn đảo đối với những cá nhân này. Nếu có một hệ thống trí tuệ tập thể để hình thành AI nhóm, mỗi mô hình AI trong hệ thống này sẽ phối hợp với nhau để giải quyết các vấn đề phức tạp, thực tế sẽ có tác dụng rất lớn trong việc trao quyền cho cấp độ đồng thuận.
Đối với các bộ sưu tập nhỏ, bạn có thể xây dựng hệ sinh thái một cách độc lập hoặc tạo thành một bộ sưu tập hợp tác với các bộ sưu tập khác để đáp ứng sức mạnh tính toán siêu lớn hoặc giao dịch dữ liệu hiệu quả hơn với chi phí thấp. Nhưng vấn đề lại xuất hiện ở đây: Hiện trạng giữa các cơ sở dữ liệu mô hình khác nhau là hoàn toàn không tin cậy và đề phòng những người khác—đây chính xác là nơi thuộc tính tự nhiên của chuỗi khối: thông qua tính không tin cậy, tính bảo mật của các máy AI phân tán thực sự có thể được thực hiện Tương tác hiệu quả.
Một bộ não thông minh toàn cầu có thể làm cho các mô hình thuật toán AI đơn chức năng và độc lập ban đầu hợp tác với nhau, thực thi các quy trình thuật toán thông minh phức tạp trong nội bộ và tạo thành một mạng lưới đồng thuận nhóm phân tán có thể tiếp tục phát triển. Đây cũng là ý nghĩa lớn nhất của việc AI trao quyền cho Web3.
Quyền riêng tư so với độc quyền dữ liệu? Sự kết hợp giữa ZK và học máy
Con người phải thực hiện các biện pháp phòng ngừa có mục tiêu cho dù đó là chống lại AI để làm điều ác hay dựa trên việc bảo vệ quyền riêng tư và nỗi sợ độc quyền dữ liệu. Vấn đề cốt lõi là chúng ta không biết kết luận được rút ra như thế nào Tương tự như vậy, người điều hành mô hình không có ý định trả lời câu hỏi này. Và đối với sự kết hợp của bộ não thông minh toàn cầu mà chúng tôi đã đề cập ở trên, thì càng cần phải giải quyết vấn đề này, nếu không thì không bên dữ liệu nào sẵn sàng chia sẻ lõi của mình cho bên khác.
ZKML (Zero Knowledge Machine Learning) là một công nghệ sử dụng bằng chứng không kiến thức cho máy học. Zero-Knowledge Proofs (ZKP), tức là người chứng minh (prover) có thể thuyết phục người xác minh (người xác minh) về tính xác thực của dữ liệu mà không tiết lộ dữ liệu cụ thể.
Trích dẫn với một trường hợp lý thuyết. Có một Sudoku tiêu chuẩn 9 × 9. Điều kiện hoàn thành là điền các số từ 1 đến 9 vào chín ô, sao cho mỗi số chỉ có thể xuất hiện một lần trong mỗi hàng, cột và lưới. Vậy làm thế nào người sắp xếp câu đố này có thể chứng minh cho người thách đấu rằng Sudoku có lời giải mà không tiết lộ đáp án?
Bạn chỉ cần che phần điền bằng câu trả lời, sau đó yêu cầu người thử thách chọn ngẫu nhiên một vài hàng hoặc cột, xáo trộn tất cả các số và xác minh rằng tất cả chúng đều từ một đến chín. Đây là một phương án chứng minh không có kiến thức đơn giản.
Công nghệ chứng minh không kiến thức có ba đặc điểm là tính đầy đủ, tính chính xác và kiến thức không, nghĩa là nó chứng minh kết luận mà không tiết lộ bất kỳ chi tiết nào. Nguồn công nghệ của nó có thể phản ánh sự đơn giản.Trong bối cảnh mã hóa đồng hình, độ khó xác minh thấp hơn nhiều so với độ khó tạo bằng chứng.
Học máy là việc sử dụng các thuật toán và mô hình để cho phép các hệ thống máy tính học hỏi và cải thiện từ dữ liệu. Học hỏi kinh nghiệm thông qua tự động hóa cho phép hệ thống tự động thực hiện các tác vụ như dự đoán, phân loại, phân cụm và tối ưu hóa dựa trên dữ liệu và mô hình.
Về cốt lõi, học máy là xây dựng các mô hình học hỏi từ dữ liệu và đưa ra dự đoán cũng như quyết định một cách tự động. Việc xây dựng các mô hình này thường yêu cầu ba yếu tố chính: bộ dữ liệu, thuật toán và đánh giá mô hình. Bộ dữ liệu là nền tảng của học máy và chứa các mẫu dữ liệu để đào tạo và thử nghiệm các mô hình học máy. Các thuật toán là trung tâm của các mô hình máy học, xác định cách mô hình học và dự đoán từ dữ liệu. Đánh giá mô hình là một phần quan trọng của học máy, được sử dụng để đánh giá hiệu suất và độ chính xác của mô hình, đồng thời quyết định xem mô hình có cần được tối ưu hóa và cải thiện hay không.
Trong học máy truyền thống, các bộ dữ liệu thường cần được thu thập ở một nơi tập trung để đào tạo, điều đó có nghĩa là chủ sở hữu dữ liệu phải chia sẻ dữ liệu với bên thứ ba, điều này có thể dẫn đến nguy cơ rò rỉ dữ liệu hoặc rò rỉ quyền riêng tư. Với ZKML, chủ sở hữu dữ liệu có thể chia sẻ tập dữ liệu với người khác mà không tiết lộ dữ liệu, điều này đạt được bằng cách sử dụng bằng chứng không có kiến thức.
Khi bằng chứng không kiến thức được áp dụng cho việc trao quyền cho máy học, hiệu quả sẽ có thể dự đoán được, giúp giải quyết các vấn đề về độc quyền dữ liệu và hộp đen quyền riêng tư đã tồn tại từ lâu: liệu bên dự án có thể sử dụng nó mà không tiết lộ đầu vào dữ liệu người dùng hay thông tin cụ thể hay không chi tiết của mô hình? Tất nhiên, công nghệ hiện tại vẫn còn sớm, và chắc chắn sẽ có nhiều vấn đề trong thực tế, điều này không cản trở trí tưởng tượng của chúng tôi và nhiều đội đã và đang phát triển.
Tình trạng này sẽ mang lại sự mại dâm tự do của cơ sở dữ liệu nhỏ cho cơ sở dữ liệu lớn? Khi bạn xem xét các vấn đề về quản trị, nó sẽ quay trở lại suy nghĩ về Web3 của chúng ta.Bản chất của Crypto nằm ở quản trị. Cho dù đó là thông qua một số lượng lớn các ứng dụng hoặc chia sẻ, bạn sẽ nhận được những ưu đãi xứng đáng. Cho dù đó là thông qua cơ chế Pow, PoS ban đầu hay PoR mới nhất (cơ chế chứng minh danh tiếng), tất cả chúng đều đảm bảo cho hiệu quả khuyến khích.
Sức mạnh tính toán phân tán: một câu chuyện sáng tạo đan xen giữa dối trá và thực tế
Mạng điện toán phi tập trung luôn là một kịch bản được nhắc đến nhiều trong giới mã hóa.Xét cho cùng, các mô hình lớn về AI đòi hỏi sức mạnh tính toán đáng kinh ngạc, và mạng điện toán tập trung sẽ không chỉ gây lãng phí tài nguyên mà còn tạo thành một thế độc quyền đáng kể—nếu so sánh với kết thúc, số lượng GPU là thứ chiến đấu cuối cùng, quá nhàm chán.
Bản chất của mạng điện toán phi tập trung là tích hợp các tài nguyên điện toán nằm rải rác ở các vị trí khác nhau và trên các thiết bị khác nhau. Những ưu điểm chính thường được đề cập là: cung cấp khả năng tính toán phân tán, giải quyết các vấn đề về quyền riêng tư, nâng cao uy tín và độ tin cậy của các mô hình trí tuệ nhân tạo, hỗ trợ triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau và cung cấp các sơ đồ quản lý và lưu trữ dữ liệu phi tập trung. Đúng vậy, thông qua sức mạnh tính toán phi tập trung, bất kỳ ai cũng có thể chạy các mô hình AI và thử nghiệm chúng trên các tập dữ liệu trực tuyến thực từ người dùng trên khắp thế giới để họ có thể tận hưởng các dịch vụ điện toán linh hoạt, hiệu quả và chi phí thấp hơn.
Đồng thời, sức mạnh tính toán phi tập trung có thể giải quyết các vấn đề về quyền riêng tư bằng cách tạo ra một khuôn khổ mạnh mẽ để bảo vệ tính bảo mật và quyền riêng tư của dữ liệu người dùng. Nó cũng cung cấp một quy trình điện toán minh bạch và có thể kiểm chứng, nâng cao uy tín và độ tin cậy của các mô hình trí tuệ nhân tạo, đồng thời cung cấp các tài nguyên điện toán linh hoạt và có thể mở rộng để triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau.
Chúng tôi xem xét đào tạo mô hình từ một quy trình điện toán tập trung hoàn chỉnh. Các bước thường được chia thành: chuẩn bị dữ liệu, phân đoạn dữ liệu, truyền dữ liệu giữa các thiết bị, đào tạo song song, tổng hợp độ dốc, cập nhật tham số, đồng bộ hóa và đào tạo lặp lại. Trong quá trình này, ngay cả khi phòng máy tính tập trung sử dụng cụm thiết bị máy tính hiệu suất cao và chia sẻ các tác vụ điện toán thông qua kết nối mạng tốc độ cao, chi phí liên lạc cao đã trở thành một trong những hạn chế lớn nhất của mạng điện toán phi tập trung.
Do đó, mặc dù mạng điện toán phi tập trung có nhiều lợi thế và tiềm năng, nhưng con đường phát triển vẫn còn quanh co theo chi phí liên lạc hiện tại và độ khó vận hành thực tế. Trên thực tế, việc hiện thực hóa mạng điện toán phi tập trung đòi hỏi phải khắc phục nhiều vấn đề kỹ thuật thực tế, cho dù đó là cách đảm bảo độ tin cậy và bảo mật của các nút, cách quản lý và lên lịch hiệu quả các tài nguyên điện toán phân tán hay cách đạt được truyền và truyền dữ liệu hiệu quả, v.v. ., Tôi sợ rằng chúng thực sự là vấn đề lớn.
Đuôi: Kỳ vọng cho những người duy tâm
Quay trở lại với thực tế thương mại hiện tại, câu chuyện về sự tích hợp sâu rộng giữa AI và Web3 nghe có vẻ đẹp đẽ, nhưng vốn và người dùng bằng những hành động thiết thực cho chúng ta biết nhiều hơn rằng đây được coi là một hành trình đổi mới vô cùng khó khăn, trừ khi dự án có thể được như OpenAI , Trong khi chúng tôi mạnh mẽ, hãy nắm lấy một người ủng hộ tài chính mạnh mẽ, nếu không, chi phí nghiên cứu và phát triển không đáy và mô hình kinh doanh không rõ ràng sẽ hoàn toàn đè bẹp chúng tôi.
Bất kể là AI hay Web3, chúng đều đang ở giai đoạn phát triển rất sớm, giống như bong bóng Internet vào cuối thế kỷ trước, và phải đến gần mười năm sau, thời kỳ hoàng kim thực sự mới chính thức bắt đầu. McCarthy đã tưởng tượng về việc thiết kế một trí tuệ nhân tạo với trí thông minh của con người trong một kỳ nghỉ duy nhất, nhưng phải mất gần bảy mươi năm trước khi chúng ta thực sự thực hiện bước quan trọng đối với trí tuệ nhân tạo.
Điều này cũng đúng với Web3+AI, chúng tôi đã xác định được tính đúng đắn của con đường phía trước và phần còn lại sẽ để thời gian quyết định.
**Khi dòng thời gian trôi đi, những con người và sự vật đang đứng đó là nền tảng cho quá trình chuyển đổi từ khoa học viễn tưởng sang hiện thực của chúng ta. **
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
ZKML và Điện toán phân tán: Tường thuật về quản trị tiềm năng cho AI và Web3
Trạng thái của AI và Web3: Bầy đàn chạy trốn và sự tăng trưởng của Entropy
Trong "Out of Control: The New Biology of Machines, Society, and the Economy", Kevin Kelly đã từng đề xuất một hiện tượng: đàn ong sẽ tiến hành các quyết định bầu cử theo nhóm nhảy theo sự quản lý phân tán và toàn bộ đàn ong sẽ tuân theo điều này múa tập thể Bầy ong lớn nhất thế giới trở thành bậc thầy của một sự kiện. Đây cũng chính là cái gọi là "linh hồn của tổ ong" mà Maurice Maeterlinck đề cập - mỗi con ong có thể đưa ra quyết định của riêng mình, hướng dẫn những con ong khác xác nhận, và quyết định cuối cùng thực sự là sự lựa chọn của cả nhóm.
Bản thân quy luật tăng entropy và rối loạn tuân theo quy luật nhiệt động lực học, và hình dung lý thuyết trong vật lý là đặt một số lượng phân tử nhất định vào một hộp trống và đo biên dạng phân bố cuối cùng. Riêng đối với con người, đám đông do thuật toán tạo ra có thể thể hiện quy luật của nhóm mặc dù có những khác biệt trong suy nghĩ của từng cá nhân, họ thường bị giam cầm trong một chiếc hộp trống do các yếu tố như thời thế, và cuối cùng đưa ra quyết định đồng thuận.
Tất nhiên, các quy tắc của nhóm có thể không đúng, nhưng những người lãnh đạo quan điểm có thể đại diện cho sự đồng thuận và tự mình đạt được sự đồng thuận là những cá nhân siêu phàm tuyệt đối. Nhưng trong hầu hết các trường hợp, sự đồng thuận không theo đuổi sự đồng ý hoàn toàn và vô điều kiện của tất cả mọi người, mà chỉ yêu cầu nhóm phải có một bản sắc chung.
Chúng tôi không thảo luận ở đây liệu AI có dẫn con người đi lạc lối hay không, trên thực tế đã có rất nhiều cuộc thảo luận như vậy, liệu đó có phải là lượng rác lớn do các ứng dụng trí tuệ nhân tạo tạo ra đã làm ô nhiễm tính xác thực của dữ liệu mạng hay do việc ra quyết định của nhóm. sai lầm sẽ dẫn đến một số Sự cố đã đi đến một tình huống nguy hiểm hơn.
Thực trạng AI hiện nay có tính độc quyền tự nhiên, chẳng hạn việc đào tạo, triển khai các mô hình lớn cần nhiều tài nguyên máy tính, dữ liệu nhưng chỉ một số ít doanh nghiệp, cơ sở có điều kiện này. Những dữ liệu hàng trăm triệu này được mỗi chủ sở hữu độc quyền coi như báu vật, chưa nói đến việc chia sẻ nguồn, thậm chí truy cập lẫn nhau là không thể.
Điều này đã dẫn đến sự lãng phí dữ liệu rất lớn. Mọi dự án AI quy mô lớn đều phải liên tục thu thập dữ liệu người dùng và cuối cùng kẻ chiến thắng sẽ có tất cả — cho dù đó là sáp nhập và mua lại hay mua bán, mở rộng các dự án khổng lồ riêng lẻ hay Internet truyền thống. cuộc đua.
Nhiều người nói AI và Web3 là 2 thứ khác nhau và không có mối liên hệ nào - nửa câu đầu đúng, đây là 2 khúc khác nhau, nhưng nửa câu sau có vấn đề, sử dụng công nghệ phân tán để hạn chế sự độc quyền của nhân tạo. trí thông minh, Và việc sử dụng công nghệ trí tuệ nhân tạo để thúc đẩy sự hình thành cơ chế đồng thuận phi tập trung đơn giản là một điều tự nhiên.
Khấu trừ dưới cùng: Hãy để AI hình thành Cơ chế đồng thuận nhóm phân tán thực sự
Cốt lõi của trí tuệ nhân tạo nằm ở chính con người, còn máy móc và mô hình chẳng qua là suy đoán và bắt chước suy nghĩ của con người. Cái gọi là nhóm thực ra rất khó để trừu tượng hóa nhóm, bởi cái mà chúng ta nhìn thấy hàng ngày vẫn là một cá nhân thực sự. Nhưng mô hình là dùng dữ liệu đồ sộ để tìm hiểu và điều chỉnh, cuối cùng là mô phỏng dạng nhóm. Đừng đánh giá loại kết quả mà mô hình này sẽ gây ra, bởi vì sự cố của các nhóm làm điều ác không xảy ra một hoặc hai lần. Nhưng mô hình đại diện cho việc tạo ra cơ chế đồng thuận này.
Ví dụ, đối với một DAO cụ thể, nếu cơ chế quản trị được thực hiện chắc chắn sẽ ảnh hưởng đến hiệu quả, lý do là việc hình thành sự đồng thuận của nhóm là một điều rắc rối, chưa kể đến hàng loạt hoạt động biểu quyết, thống kê, v.v. Nếu việc quản trị DAO được thể hiện dưới dạng mô hình AI và tất cả việc thu thập dữ liệu đến từ dữ liệu giọng nói của mọi người trong DAO, thì quyết định đầu ra sẽ thực sự gần với sự đồng thuận của nhóm hơn.
Sự đồng thuận nhóm của một mô hình duy nhất có thể được đào tạo theo sơ đồ trên, nhưng nó vẫn là một hòn đảo đối với những cá nhân này. Nếu có một hệ thống trí tuệ tập thể để hình thành AI nhóm, mỗi mô hình AI trong hệ thống này sẽ phối hợp với nhau để giải quyết các vấn đề phức tạp, thực tế sẽ có tác dụng rất lớn trong việc trao quyền cho cấp độ đồng thuận.
Đối với các bộ sưu tập nhỏ, bạn có thể xây dựng hệ sinh thái một cách độc lập hoặc tạo thành một bộ sưu tập hợp tác với các bộ sưu tập khác để đáp ứng sức mạnh tính toán siêu lớn hoặc giao dịch dữ liệu hiệu quả hơn với chi phí thấp. Nhưng vấn đề lại xuất hiện ở đây: Hiện trạng giữa các cơ sở dữ liệu mô hình khác nhau là hoàn toàn không tin cậy và đề phòng những người khác—đây chính xác là nơi thuộc tính tự nhiên của chuỗi khối: thông qua tính không tin cậy, tính bảo mật của các máy AI phân tán thực sự có thể được thực hiện Tương tác hiệu quả.
Một bộ não thông minh toàn cầu có thể làm cho các mô hình thuật toán AI đơn chức năng và độc lập ban đầu hợp tác với nhau, thực thi các quy trình thuật toán thông minh phức tạp trong nội bộ và tạo thành một mạng lưới đồng thuận nhóm phân tán có thể tiếp tục phát triển. Đây cũng là ý nghĩa lớn nhất của việc AI trao quyền cho Web3.
Quyền riêng tư so với độc quyền dữ liệu? Sự kết hợp giữa ZK và học máy
Con người phải thực hiện các biện pháp phòng ngừa có mục tiêu cho dù đó là chống lại AI để làm điều ác hay dựa trên việc bảo vệ quyền riêng tư và nỗi sợ độc quyền dữ liệu. Vấn đề cốt lõi là chúng ta không biết kết luận được rút ra như thế nào Tương tự như vậy, người điều hành mô hình không có ý định trả lời câu hỏi này. Và đối với sự kết hợp của bộ não thông minh toàn cầu mà chúng tôi đã đề cập ở trên, thì càng cần phải giải quyết vấn đề này, nếu không thì không bên dữ liệu nào sẵn sàng chia sẻ lõi của mình cho bên khác.
ZKML (Zero Knowledge Machine Learning) là một công nghệ sử dụng bằng chứng không kiến thức cho máy học. Zero-Knowledge Proofs (ZKP), tức là người chứng minh (prover) có thể thuyết phục người xác minh (người xác minh) về tính xác thực của dữ liệu mà không tiết lộ dữ liệu cụ thể.
Trích dẫn với một trường hợp lý thuyết. Có một Sudoku tiêu chuẩn 9 × 9. Điều kiện hoàn thành là điền các số từ 1 đến 9 vào chín ô, sao cho mỗi số chỉ có thể xuất hiện một lần trong mỗi hàng, cột và lưới. Vậy làm thế nào người sắp xếp câu đố này có thể chứng minh cho người thách đấu rằng Sudoku có lời giải mà không tiết lộ đáp án?
Bạn chỉ cần che phần điền bằng câu trả lời, sau đó yêu cầu người thử thách chọn ngẫu nhiên một vài hàng hoặc cột, xáo trộn tất cả các số và xác minh rằng tất cả chúng đều từ một đến chín. Đây là một phương án chứng minh không có kiến thức đơn giản.
Công nghệ chứng minh không kiến thức có ba đặc điểm là tính đầy đủ, tính chính xác và kiến thức không, nghĩa là nó chứng minh kết luận mà không tiết lộ bất kỳ chi tiết nào. Nguồn công nghệ của nó có thể phản ánh sự đơn giản.Trong bối cảnh mã hóa đồng hình, độ khó xác minh thấp hơn nhiều so với độ khó tạo bằng chứng.
Học máy là việc sử dụng các thuật toán và mô hình để cho phép các hệ thống máy tính học hỏi và cải thiện từ dữ liệu. Học hỏi kinh nghiệm thông qua tự động hóa cho phép hệ thống tự động thực hiện các tác vụ như dự đoán, phân loại, phân cụm và tối ưu hóa dựa trên dữ liệu và mô hình.
Về cốt lõi, học máy là xây dựng các mô hình học hỏi từ dữ liệu và đưa ra dự đoán cũng như quyết định một cách tự động. Việc xây dựng các mô hình này thường yêu cầu ba yếu tố chính: bộ dữ liệu, thuật toán và đánh giá mô hình. Bộ dữ liệu là nền tảng của học máy và chứa các mẫu dữ liệu để đào tạo và thử nghiệm các mô hình học máy. Các thuật toán là trung tâm của các mô hình máy học, xác định cách mô hình học và dự đoán từ dữ liệu. Đánh giá mô hình là một phần quan trọng của học máy, được sử dụng để đánh giá hiệu suất và độ chính xác của mô hình, đồng thời quyết định xem mô hình có cần được tối ưu hóa và cải thiện hay không.
Trong học máy truyền thống, các bộ dữ liệu thường cần được thu thập ở một nơi tập trung để đào tạo, điều đó có nghĩa là chủ sở hữu dữ liệu phải chia sẻ dữ liệu với bên thứ ba, điều này có thể dẫn đến nguy cơ rò rỉ dữ liệu hoặc rò rỉ quyền riêng tư. Với ZKML, chủ sở hữu dữ liệu có thể chia sẻ tập dữ liệu với người khác mà không tiết lộ dữ liệu, điều này đạt được bằng cách sử dụng bằng chứng không có kiến thức.
Khi bằng chứng không kiến thức được áp dụng cho việc trao quyền cho máy học, hiệu quả sẽ có thể dự đoán được, giúp giải quyết các vấn đề về độc quyền dữ liệu và hộp đen quyền riêng tư đã tồn tại từ lâu: liệu bên dự án có thể sử dụng nó mà không tiết lộ đầu vào dữ liệu người dùng hay thông tin cụ thể hay không chi tiết của mô hình? Tất nhiên, công nghệ hiện tại vẫn còn sớm, và chắc chắn sẽ có nhiều vấn đề trong thực tế, điều này không cản trở trí tưởng tượng của chúng tôi và nhiều đội đã và đang phát triển.
Tình trạng này sẽ mang lại sự mại dâm tự do của cơ sở dữ liệu nhỏ cho cơ sở dữ liệu lớn? Khi bạn xem xét các vấn đề về quản trị, nó sẽ quay trở lại suy nghĩ về Web3 của chúng ta.Bản chất của Crypto nằm ở quản trị. Cho dù đó là thông qua một số lượng lớn các ứng dụng hoặc chia sẻ, bạn sẽ nhận được những ưu đãi xứng đáng. Cho dù đó là thông qua cơ chế Pow, PoS ban đầu hay PoR mới nhất (cơ chế chứng minh danh tiếng), tất cả chúng đều đảm bảo cho hiệu quả khuyến khích.
Sức mạnh tính toán phân tán: một câu chuyện sáng tạo đan xen giữa dối trá và thực tế
Mạng điện toán phi tập trung luôn là một kịch bản được nhắc đến nhiều trong giới mã hóa.Xét cho cùng, các mô hình lớn về AI đòi hỏi sức mạnh tính toán đáng kinh ngạc, và mạng điện toán tập trung sẽ không chỉ gây lãng phí tài nguyên mà còn tạo thành một thế độc quyền đáng kể—nếu so sánh với kết thúc, số lượng GPU là thứ chiến đấu cuối cùng, quá nhàm chán.
Bản chất của mạng điện toán phi tập trung là tích hợp các tài nguyên điện toán nằm rải rác ở các vị trí khác nhau và trên các thiết bị khác nhau. Những ưu điểm chính thường được đề cập là: cung cấp khả năng tính toán phân tán, giải quyết các vấn đề về quyền riêng tư, nâng cao uy tín và độ tin cậy của các mô hình trí tuệ nhân tạo, hỗ trợ triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau và cung cấp các sơ đồ quản lý và lưu trữ dữ liệu phi tập trung. Đúng vậy, thông qua sức mạnh tính toán phi tập trung, bất kỳ ai cũng có thể chạy các mô hình AI và thử nghiệm chúng trên các tập dữ liệu trực tuyến thực từ người dùng trên khắp thế giới để họ có thể tận hưởng các dịch vụ điện toán linh hoạt, hiệu quả và chi phí thấp hơn.
Đồng thời, sức mạnh tính toán phi tập trung có thể giải quyết các vấn đề về quyền riêng tư bằng cách tạo ra một khuôn khổ mạnh mẽ để bảo vệ tính bảo mật và quyền riêng tư của dữ liệu người dùng. Nó cũng cung cấp một quy trình điện toán minh bạch và có thể kiểm chứng, nâng cao uy tín và độ tin cậy của các mô hình trí tuệ nhân tạo, đồng thời cung cấp các tài nguyên điện toán linh hoạt và có thể mở rộng để triển khai và vận hành nhanh chóng trong các tình huống ứng dụng khác nhau.
Chúng tôi xem xét đào tạo mô hình từ một quy trình điện toán tập trung hoàn chỉnh. Các bước thường được chia thành: chuẩn bị dữ liệu, phân đoạn dữ liệu, truyền dữ liệu giữa các thiết bị, đào tạo song song, tổng hợp độ dốc, cập nhật tham số, đồng bộ hóa và đào tạo lặp lại. Trong quá trình này, ngay cả khi phòng máy tính tập trung sử dụng cụm thiết bị máy tính hiệu suất cao và chia sẻ các tác vụ điện toán thông qua kết nối mạng tốc độ cao, chi phí liên lạc cao đã trở thành một trong những hạn chế lớn nhất của mạng điện toán phi tập trung.
Do đó, mặc dù mạng điện toán phi tập trung có nhiều lợi thế và tiềm năng, nhưng con đường phát triển vẫn còn quanh co theo chi phí liên lạc hiện tại và độ khó vận hành thực tế. Trên thực tế, việc hiện thực hóa mạng điện toán phi tập trung đòi hỏi phải khắc phục nhiều vấn đề kỹ thuật thực tế, cho dù đó là cách đảm bảo độ tin cậy và bảo mật của các nút, cách quản lý và lên lịch hiệu quả các tài nguyên điện toán phân tán hay cách đạt được truyền và truyền dữ liệu hiệu quả, v.v. ., Tôi sợ rằng chúng thực sự là vấn đề lớn.
Đuôi: Kỳ vọng cho những người duy tâm
Quay trở lại với thực tế thương mại hiện tại, câu chuyện về sự tích hợp sâu rộng giữa AI và Web3 nghe có vẻ đẹp đẽ, nhưng vốn và người dùng bằng những hành động thiết thực cho chúng ta biết nhiều hơn rằng đây được coi là một hành trình đổi mới vô cùng khó khăn, trừ khi dự án có thể được như OpenAI , Trong khi chúng tôi mạnh mẽ, hãy nắm lấy một người ủng hộ tài chính mạnh mẽ, nếu không, chi phí nghiên cứu và phát triển không đáy và mô hình kinh doanh không rõ ràng sẽ hoàn toàn đè bẹp chúng tôi.
Bất kể là AI hay Web3, chúng đều đang ở giai đoạn phát triển rất sớm, giống như bong bóng Internet vào cuối thế kỷ trước, và phải đến gần mười năm sau, thời kỳ hoàng kim thực sự mới chính thức bắt đầu. McCarthy đã tưởng tượng về việc thiết kế một trí tuệ nhân tạo với trí thông minh của con người trong một kỳ nghỉ duy nhất, nhưng phải mất gần bảy mươi năm trước khi chúng ta thực sự thực hiện bước quan trọng đối với trí tuệ nhân tạo.
Điều này cũng đúng với Web3+AI, chúng tôi đã xác định được tính đúng đắn của con đường phía trước và phần còn lại sẽ để thời gian quyết định.
**Khi dòng thời gian trôi đi, những con người và sự vật đang đứng đó là nền tảng cho quá trình chuyển đổi từ khoa học viễn tưởng sang hiện thực của chúng ta. **