binance:零知識機器學習（ZKML）介紹和相關項目_BANCA

在過去的一年中，零知識技術取得了重大發展，到2023年，我們正在經歷其在區塊鏈領域的采用顯著增加。

與此同時，機器學習的部署也變得越來越復雜。許多企業現在選擇機器學習即服務提供商來實施復雜的專有機器學習模型。隨著這些服務的激增，它們變得越來越難以審計和理解，提出了一個至關重要的問題：這些服務的消費者如何相信所提供預測的有效性？

ZKML提供了一種解決方案，可以使用公共模型驗證私有數據或使用公共數據驗證私有模型。

零知識

零知識證明是一種密碼機制，證明者可以在其中向驗證者證明給定陳述是真實的，而無需透露任何補充信息，除了透露該陳述是真實的。ZK證明領域在各個方面都取得了重大進展，從研究到協議實施和實際應用。

ZK證明利用兩個主要的“原語”或構建塊來實現其功能。第一個是為給定的一組計算建立計算完整性證明的能力。驗證證明比執行計算本身要簡單得多，這被稱為“簡潔性”。此外，ZK證明提供了在保持計算準確性的同時隱藏計算的特定部分的選項，稱為“零知識”。

Binance迪拜子公司Binance FZE已獲得迪拜運營MVP許可證:金色財經報道，Binance在社交媒體上稱，Binance迪拜子公司Binance FZE 已獲得迪拜運營MVP許可證。目前，符合條件的用戶可通過Binance FZE獲得受監管的虛擬資產服務，包括法幣出入金。[2023/7/31 16:08:46]

如果您想了解有關ZK的更多信息，我建議您參加此ZKPMOOC.

ZK的趨勢

ZK狀態報告是一份調查零知識生態系統關鍵發展的季刊，重點介紹了最受關注的趨勢ZK社區：

ZK的主要用例是隱私。ZK證明的零知識原語允許隱藏正在驗證的計算的特定部分。此功能對于創建在生成加密證明的同時保護用戶隱私和保護其個人數據的應用程序特別有利。這方面的幾個值得注意的舉措包括：Semaphore、MACI、Penumbra或AztecNetwork.

將ZK用于擴展排名第二。分布式系統，例如公共區塊鏈，具有有限的計算能力，因為每個參與節點必須自己運行每個塊中的計算以驗證它們。然而，通過使用ZK證明，我們可以在鏈下執行這些計算，生成ZK證明，然后在鏈上驗證這個證明，在保持安全性和去中心化的同時實現可擴展性。示例性項目包括：Starknet、Scroll、Polygon、Zero、PolygonMiden、PolygonzkEVM或zkSync.

CZ：幣安正在研究閃電網絡，可能會先啟用小額閃電網絡交易:6月3日消息，Binance 創始人 CZ 于近期參與 AMA 時表示，閃電網絡無法預先生成地址。要實現它，Binance 必須在安全方面做一些非常不同的事情，但這并不像安裝和使用錢包那么簡單。幕后有許多安全考慮，團隊正在研究各種解決方案。

Binance 可能會先啟用閃電網絡的小額交易，具體的日期暫未確定，但團隊已經對其進行了非常詳細的調查。個人認為最終每個交易平臺都必須支持閃電網絡，Binance 越早做越好。然后用戶可以享受它的好處，比如通過更快的交易節省成本。這將是對未來有益的創新，特別是對于 Binance Pay 和不同的錢包服務。[2023/6/3 11:55:40]

身份也引起了人們的注意，表明人們對在身份管理領域使用ZK技術的興趣越來越大。這包括開發身份證明協議以創建加密證明。該領域的一些著名舉措包括：WorldID、Sismo、Clique或Axiom.

當被問及最令人興奮的新用例時，社區的焦點顯然是ZKML，它被認為是最吸引人的新用例。本文的其余部分將重點關注ZKML，目的是有效驗證所有計算是否已準確執行，這具有超越區塊鏈的深遠影響。

以太坊自合并以來供應量實現通縮超6,408枚ETH，創歷史新高:2月2日消息，據ultrasound.money數據顯示，以太坊自合并以來，流通供應量實現通縮減少6,406.08枚 ETH，通縮數量創歷史新高。[2023/2/2 11:42:30]

為什么ZKML最近受到關注？

創建零知識證明需要大量的計算資源，通常比原始計算要多得多。因此，某些計算由于生成它們所需的時間而無法用零知識證明來證明。然而，密碼學、硬件和分布式系統的最新進展使得為日益密集的計算生成零知識證明成為可能。這些進步使得可以開發可以使用密集計算證明的協議成為可能，從而擴大了可以使用零知識證明的應用范圍。ModulusLabs團隊最近的一項名為“智能的成本”的研究針對各種不同的模型評估了各種現有的ZK證明系統尺寸。

隨著人工智能技術的不斷進步，區分人工智能生成的內容和人類生成的內容變得更具挑戰性。然而，零知識密碼學可能具有解決這個問題的潛力，它使我們能夠確定特定內容片段是否是通過將特定模型應用于給定輸入而生成的，而無需透露有關模型或輸入的任何其他信息。對于GPT-4等大型語言模型，創建零知識電路表示可以提供一種驗證其輸出的方法。

俄羅斯銀行巨頭Sber發行黃金支持的數字金融資產:12月27日消息，俄羅斯最大的銀行Sber首次發行了黃金支持的數字金融資產（digitalfinancialassets，DFA），銀行將向潛在投資者提供15萬份DFA。Sber執行董事會第一副主席AlexanderVedyakhin)稱，我們預計，我們平臺上的企業客戶數量將迅速增長。我們還計劃擴大數字金融資產的產品線。[2022/12/28 22:11:27]

這些證明中固有的零知識屬性將使我們能夠在必要時隱藏輸入或模型的任何敏感部分。一個說明性的例子是對個人數據使用機器學習模型，其中用戶可以獲得模型對其數據進行推理的結果，而無需向任何外部實體披露他們的輸入。

用例

ZKML仍然是一項新興技術，許多用例還有待探索。然而，以下是一些最明顯的用例，Worldcoin的文章和ElenaBurger的帖子。

計算完整性

有效性證明，例如SNARKs和STARK有能力證明計算已正確執行，這可以通過驗證ML模型推理或模型根據特定輸入生成特定輸出來應用于機器學習。輕松證明和驗證輸出是特定模型和輸入組合的結果的能力允許在鏈下專用硬件上部署機器學習模型，而ZK證明可以在鏈上方便地驗證。

加密貨幣交易所Bullish因SPAC交易失敗無法上市:金色財經報道，加密貨幣交易所Bullish已經結束了一項SPAC交易，該交易若達成將使其進入紐約證券交易所。因為其SPAC交易的時間已經用完， Bullish將不會上市。Bullish首席執行官Brendan Blumer在一份聲明中表示，我們尋求成為一家上市公司的時間比預期的要長，但我們尊重美國證券交易委員會正在進行的工作。（the block）[2022/12/23 22:02:19]

在討論ZKML時，重點通常是生成ML模型推理步驟的零知識證明，而不是驗證用于訓練模型的數據的有效性。后者本身已經是一個高度計算密集型過程。

隱私

除了有效性證明之外，零知識密碼學還可用于保護機器學習應用程序中的隱私。一個例子是在不透露所用權重的情況下證明模型對測試數據具有一定的準確性。另一個用例的例子是隱私保護推理，其中私人患者數據可用于醫療診斷，并且敏感的推理可以發送給患者，而不會向任何第三方透露他們的數據。

ML即服務透明度

如果公司通過他們的API提供對ML模型的訪問，用戶可能很難知道提供商是否真的提供了他們聲稱提供的模型，因為API本質上是一個黑盒子。與ML模型API相關聯的有效性證明在為用戶提供透明度方面很有價值，因為他們可以驗證他們正在使用哪個模型。

去中心化推理或訓練

以去中心化的方式執行機器學習推理或訓練，同時允許人們將數據提交到公共模型需要在鏈上部署現有模型或構建新網絡。零知識證明可用于壓縮模型。

證明

要將來自外部驗證方的證明合并到鏈上運行的智能合約中，可以使用零知識證明驗證簽名并將其用作輸入程序。此方法可應用于任何經過數字認證的信息，提供一種從可信來源驗證真實性和出處的方法。可以通過這種方式驗證和使用生成數字簽名的端點。

探索ZKML的項目

隨著密碼學、硬件和分布式系統的進步繼續使零知識證明適用于日益密集的計算，越來越多的項目正在探索ZKML的使用。下圖提供了當前項目的非詳盡概述，但應注意類別之間可能存在一些重疊，并且為清楚起見簡化了此演示文稿。此外，還有許多開源代碼庫可用于構建ZKML應用程序，這表明社區的興趣和熱情在不斷增長。

不全面；截至2023年5月10日；類別之間不可能有嚴格的劃分。

結束語

隨著ZK技術的不斷進步，在更短的時間內在功能較弱的機器上證明更大的機器學習模型變得越來越可行。這是由于專用硬件、證明系統架構和更高效的ZK協議實現方面的改進。由于這些進步，新的ZKML應用程序和用例有望出現。

雖然ZKML在Web3中的主要用例是使鏈上組織能夠運行機器學習模型，但ZKML的快速發展為多個領域的復雜問題提供了潛在的解決方案。在我看來，在這種情況下可能會出現以下用例：

去中心化金融：使用ZKML來驗證收益最大化策略或為客戶重新平衡資金池。RockyBot就是其中一個例子。游戲：使用ZKML來驗證投注機制或AI增強型玩家。這方面的一個例子是LeelavstheWorld.身份：使用ZKML對用戶生物識別信息進行AI分析，同時確保數據的保管。WorldID就是一個例子。醫療保健：通過在敏感醫療數據上運行機器學習模型同時保護隱私，ZKML可用于醫療領域的疾病預測。盡管ZKML顯示出巨大的潛力，但該領域仍處于早期發展階段。一個挑戰是，在將模型轉換為電路的過程中，準確性和保真度可能會受到影響。另一個限制是許多機器學習模型的參數和激活被編碼為32位精度，當前的零知識證明系統很難在沒有大量開銷的情況下以所需的算術電路格式表示。

目前，隨著零知識證明不斷優化以處理日益復雜的機器學習模型，ZKML領域仍在迎頭趕上。

致謝：ZKML社區的awesome-zkmlGitHub存儲庫，Worldcoin的文章和ElenaBurger的post，也非常感謝DanielShorr和DiogoAlmeida圍繞這個話題進行的對話。

如果您在ZKML中有項目，請聯系我們！

您可以在Twitter和LinkedIn上關注我。

Tags：NANANCbinanceBINMofi FinanceBANCABinance CartelBingo Doge

火必APP