摘要:「CryptoAI应用前景和挑战」在Vitalik的最新文章中,他讨论了人工智能与密码学的交叉,并提出了两个主要的挑战:密码学开销和黑盒对抗性机器学习攻击。虽然Vitalik认为AIxCrypto大有可为,但他指出,主要的反对意见之一是密码学开销。...
前期摘要
Vitalik Buterin 最新文章讨论了区块链和人工智能 (AI) 交接点主要集中在如何将交接点上。 AI 应用于加密世界,并讨论了四个交接点: AI 作为参与者,AI 作为界面、AI 作为规则,以及 AI 作为目标。
本文探讨了这些交接点的前景和挑战,强调了对抗机器学习攻击和密码学的成本。 文章提到了使用零知识证明和其他密码学来隐藏模型内部操作的概率,并指出了密码学成本和黑匣子对抗机器学习攻击的测试。
最后,文章讨论了建立可扩展的分散隐私 AI 技术,并考虑了在 AI 安全与 AI 作为游戏目标的应用。 文章总结强调在这些领域需要谨慎实践,但对于区块链和区块链, AI 对交叉领域的前景表示期待。
0. 「Crypto AI 应用价值与挑战」
在 Vitalik 在最新文章中,他讨论了人工智能与密码学的交叉点,并提出了两个主要考验: 密码学费用和黑盒对抗机器学习攻击。
![区块链和人工智能 (AI) 交接点的前景和挑战](/images/20240203/7330460679013122570-1.jpg)
Vitalik 我觉得人工智能和数字货币的方向有很大的作用。 在帮助数字货币变得更好的过程中,人工智能可以发挥关键作用,比如「游戏界面」或「游戏规则」。
1. 挑战: 密码学花销
a) 密码学支出问题已经解决
尽管 Vitalik 觉得 AI x Crypto 他取得了巨大的成就,但他指出,主要的反对之一是密码学的成本。 目前最主流的链条 AI/ML 方法是 zkML,这将 ML 模型编译成 zk 电路,这样密码学就可以在链上验证。
「人工智能计算非常昂贵」,加上密码学,速度更慢。
Vitalik 我觉得密码学成本的问题已经部分解决了:
- 人工智能计算及其密码学成本适合高度加快,不像 zkEVM 那样存在「非结构化」计算类型。
- 随着时间的推移,更有效 zk 密码学方案将被发明,成本将大大降低。
b) 目前,额外的费用是 1000 倍。
但是,这种方法远不够实用,尤其是对于这种方法来说, Vitalik 所描述的使用案例。 以下是一些相关的例子:
- zkML 框架 EZKL 生成一个 1M-nanoGPT 一般需要确认模型 80 分钟。
- 根据 Modulus Labs 的说法,zkML 比纯计算的费用 >>1000 双倍,最新报告的数字是最新报告的数字 1000 倍。
- 根据 EZKL 的检测,RISC Zero 随机森林分类均值验证时间为 173 秒。
在实践中,要等几分钟才能得到 AI 交易的易读解释是不可接受的。
![区块链和人工智能 (AI) 交接点的前景和挑战](/images/20240203/7330460679013122570-2.jpg)
2. 通过 opML 处理
a) opML: Optimistic 机器学习
在文章的最后,Vitalik 提及:「我期待着在这些领域看到更多的人工智能建设用例,这样我们就可以看到哪些是真正可行的大规模应用。」我们认为,zkML 现阶段并非如此「可行」,上述应用程序难以实现。
作为 opML 的发明者和 opML 开源实现的第一个创始人,我们相信,opML 可以通过博弈论处理密码学成本问题,让人工智能 x Crypto 现在可以实现了。
![区块链和人工智能 (AI) 交接点的前景和挑战](/images/20240203/7330460679013122570-3.jpg)
b) 通过激励机制实现安全
opML 在保证安全的同时,解决了链上的问题 ML 密码学费用问题。 为了简单考虑,我们可以使用它 Arbitrum 的 AnyTrust 假设来评价 opML 系统的安全性。
AnyTrust 假设每个主张至少有一个诚实的节点,以确保提交人或至少有一个验证人是诚实的。 在 AnyTrust 保持安全性和有效性:
- 安全性: 诚实的验证人可以通过质疑恶意节点的错误结果来强制执行正确的行为,从而通过仲裁程序进行处罚。
- 实效性: 建议的结果要么在最长时间内被接受,要么被拒绝。
比较「AnyTrust」和「Majority Trust」,opML 的「AnyTrust」 模型更安全。「AnyTrust」 保持很高的安全性,在各种环境下都优于「Majority Trust」。
c) 用户隐私 > 模型隐私
Vitalik 本文还谈到了模型隐私问题。 事实上,对于大多数模型来说, ( 特别是 zkML 目前支持实践中的小型模型 ),模型可以通过足够的推理进行重建。
对于一般隐私,尤其是用户隐私,由于需要保持挑战的开放性,opML 似乎缺乏固有的隐私功能。 通过结合 zkML 和 opML,我们可以得到合适的隐私等级,以确保安全和不可逆转的混淆。
d) 实现 AI x Crypto 用例
opML 已经可以直接在以太坊上运行了 Stable Diffusion 和 LLaMA 2。 Vitalik 提到的四类 ( 作为玩家使用人工智能 / 界面 / 规则 / 目标 ) 已经可以通过了 opML 实现了,而且没有任何额外的费用。
![区块链和人工智能 (AI) 交接点的前景和挑战](/images/20240203/7330460679013122570-4.jpg)
我们正在积极探索以下用例和目标:
- AIGC NFT (ERC-7007),7007 Studio 在 Story Protocol Hackathon 中获胜
- 链上的人工智能游戏 ( 如龙与地下城游戏 )
- 使用 ML 的预测市场
- 内容真实性 (Deepfake 验证器 )
- 合规的可编程隐私
- Prompt 市场
- 信誉 / 信用评分
3. 总结
有了 opML,我们可以消除密码学成本带来的挑战,保持分散化和可验证性,这样我们就可以消除密码学成本的挑战 AI x Crypto 现在变得可行了。