零知识机器学习(zkML)是链上AI的未来吗？(附优质项目介绍)

原文作者 | @DistilledCrypto

编译 | Golem

自 ChatGPT 等大语言模型火爆后，在去中心化网络上运行类似的机器学习模型也成为了区块链+AI 的主要叙事之一。但我们无法像信任 OpenAI 这样有信誉支撑的公司一样信任去中心化网络会使用特定的 ML 模型进行推理，因此我们需要进行验证。考虑到数据的隐私性，零知识机器学习（zkML）被普遍看好，那么它会是链上 AI 的未来吗？

小编将在本文中简单介绍关于 zkML 的基础知识、值得关注的 zkML 项目，最后在简单说明 zkML 的局限性及代替方案。

关于 zkML 的基础知识

零知识机器学习 (zkML) 类似于一种计算中的保密方法。它主要涉及两个部分：

• 使用机器学习（ML）执行任务；

• 证明任务正确完成，但不透露所有细节。

简单来说，它的工作原理如下：

a. 运行任务

有人使用 ML 模型来处理一些数据并得到结果，这就像厨师按照食谱烤蛋糕但却不告诉任何人原料一样。

b. 证明任务

任务完成后，他们可以展示一个证明。例如，“我在这个特定的模型中使用了特定的输入，并得到了这个结果。”他们实际上在证明他们正确遵循了食谱上的步骤。

c. 保守秘密

zkML 的妙处在于，当他们证明任务正确完成时，他们可以保留一些细节，例如将输入的数据、模型的运作方式或结果保密。简而言之，zkML 可以让证明者说“相信我，我做对了”，同时仍然保持他们的方法和数据的私密性。

值得关注的 zkML 项目介绍

zkML 概念自提出到现在已有将近一年时间，目前已经有许多相关项目正在建设，其中少部分还在市场上发行了代币。Messari 列出了一些知名 VC 投资的 zkML 项目，下面将对它们进行介绍。

来源：Messari

Spectral

Spectral 正在为 Web3 构建链上代理经济。他们的旗舰产品 SYNTAX 是一种专有的 LLM（Large Language Model），可以生成 Solidity 代码。Spectral 能够用户使创建链上自主代理，同时利用去中心化的 ML 推断来改进智能合约。此外，利用 zkML，Spectral 能够提供证据表明特定的预测是由特定的 ML 模型生成的，确保了流程中的信任和真实性。

Spectral 已发币，代币为 SPEC，市值 1.19 亿美元。

Worldcoin

Worldcoin 正在开发一个开源系统，旨在让每个人都能参与全球经济。在 Worldcoin 中，zkML 的一个潜 在 用途是提高虹膜识别技术的安全性和隐私性。代币 WLD 市值目前为 10.7 亿美元。

它的工作原理如下：

a. 生物识别自托管

World ID 的用户可以将自己的生物特征数据（如虹膜扫描）安全加密地存储在他们的移动设备上。

b. 本地处理

然后，用户可以将 ML 模型下载到他们的设备中，以从虹膜扫描中生成唯一的代码。

c. 隐私保护证明

使用 zkML，他们可以直接在自己的设备上创建证明。这一证明证实了他们的虹膜代码是使用正确的模型通过扫描准确生成的。所有这些操作都是在不暴露用户实际数据的情况下进行的。

Risc Zero

RISC Zero 旨在增强互联网的信任和效率，这将通过提供无需各方互相信任的计算服务来实现。

以下是 RISC Zero 关注的重点： 

a. 扩展区块链

它使用 Bonsai 证明服务来执行复杂操作，从而增强区块链的安全性。Bonsai 在链下管理复杂的计算和隐私数据，从而提高效率。

b. 与 Spice AI 的合作

Spice AI提供可组合、即用型数据和 AI 基础设施，包括托管的云级 Spice.ai OSS。此次合作旨在为开发人员提供全面的 zkML 工具包。

c. 机器学习服务

开发人员可以使用 RISC Zero 来安全地访问和查询数据、私密训练 ML 模型及提供数据被正确处理的证明。

本质上，RISC Zero 为开发人员提供 MLaaS（ML as a service）服务，同时确保数据和执行过程保持私密和安全。

Giza

Giza 是一个在 Starknet 网络上运行的机器学习平台。

a. 主要目标

Giza 旨在直接在区块链上扩展 ML 操作。

b. 技术基础

其使用支持零知识（ZK）证明的 Starknet 来验证 ML 操作，确保计算的准确性和安全性，并且不会泄露基础数据。 

c. 应用

在 Starknet 上，Giza 启用“Giza Agents”来自动执行各种财务策略，包括跨协议收益聚合、资产配置、无风险做市。本质上，利用 zkML 的优势，Giza 允许在区块链上安全、自动地执行金融策略。

Vanna

Vanna 是模块化 AI 推理网络，不仅与 EVM 链兼容，而且提供灵活的安全性，用户可选择 zkML、optimistic ZK、opML,、teeML 等多种验证方式。结合 Vanna 未来的使用场景为使用 LLM 生成链上 GameFi 游戏对话；链上智能合约漏洞检测；针对 DeFi 协议的风险预警引擎；用于标记空投中的女巫账户信誉系统。

除了以上介绍的几个项目外，zkML 生态中还有如下图中的项目，因为篇幅原因就不再介绍了，供读者自行参考。

来源：SevenX Ventures

zkML 的局限性及代替方案

尽管在理论上能够吸引人，但 zkML 目前并不太实用。AI 计算本身就属于资源密集型，添加类似 zkML 中使用的加密方法会使它们变得更慢，Modulus Labs 报告称 zkML 可能比常规计算慢 1000 倍。实际上对于大多数用户来说，多等待几分钟在日常体验上都难以接受。

因此，由于这些限制，zkML 现在可能仅适用于非常小的 ML 模型。在这种情况下许多 AI 项目不得不考虑其他的验证方法。目前主要有两种替代方案：

• opML（Optimistic ML）

• teeML（Trusted Execution Environment ML）

下图简单说明了三者之间的区别：

来源: Marlin Protocol