원문 제목：《 ZKML --- 검증 가능한 AI의 미래를 향하여》

저자：Avant Blockchain Capital

편집：첸원， ChainCatcher

배경 소개

지난 몇 달 동안 인공지능 산업에서 많은 획기적인 발전이 있었습니다. GPT4와 안정적인 확산과 같은 모델은 사람들이 소프트웨어를 생산하고 인터넷과 상호작용하는 방식을 변화시키고 있습니다.

이러한 새로운 인공지능 모델이 뛰어난 성능을 보이지만, 일부 사람들은 인공지능의 예측 불가능성과 정렬 문제에 대해 우려하고 있습니다. 예를 들어, 온라인 서비스 세계에서 투명성이 부족하며, 대부분의 백엔드 작업이 인공지능 모델에 의해 운영됩니다. 이러한 모델의 행동이 예상대로 이루어지는지를 검증하는 것은 큰 도전이 될 것입니다. 또한 사용자 개인 정보도 우려할 만한 사항으로, 모델 API에 제공된 모든 데이터는 인공지능을 개선하거나 해커에 의해 악용될 수 있습니다.

ZKML은 이러한 문제에 대한 새로운 해결책이 될 수 있습니다. 블록체인과 ZK 기술을 통해 검증 가능하고 신뢰할 수 없는 속성을 머신러닝 모델에 입력함으로써 인공지능 정렬을 실현할 수 있는 프레임워크를 형성할 수 있습니다.

ZKML이란 무엇인가?

이 문서에서의 제로 지식 머신러닝(ZKML)은 zkSNARK(제로 지식 증명)를 사용하여 머신러닝 추론의 정확성을 증명하되, 모델의 입력이나 모델 매개변수를 공개하지 않는 것을 의미합니다. 정보가 개인적인지 여부에 따라 ZKML의 사용 사례는 다음과 같이 분류할 수 있습니다:

공공 모델 + 개인 데이터:

• 개인 정보가 포함된 머신러닝: ZKML은 민감한 데이터에서 머신러닝 모델을 훈련하고 평가하는 데 사용될 수 있으며, 다른 사람에게 데이터를 공개하지 않습니다. 이는 의료 진단 및 금융 사기 탐지와 같은 응용 프로그램에서 매우 중요합니다. 우리는 또한 일부 회사가 비생체 인증에 ZKML을 사용하여 비로봇 증명(proof of humanity) 서비스를 구축하는 것을 보았습니다.
• 증명: 대부분의 온라인 콘텐츠가 인공지능에 의해 생성되는 세계에서 암호학은 콘텐츠의 진위를 보장하는 출처로 작용할 수 있습니다. 사람들은 ZKML을 사용하여 딥페이크 문제에 맞서기 위해 노력하고 있습니다.

개인 모델 + 공공 데이터

• 모델의 진위: ZKML은 머신러닝 모델의 일관성을 보장하는 데 사용될 수 있습니다. 이는 사용자에게 중요하며, 모델 제공자가 비용이 적게 드는 모델을 사용하거나 해킹당하지 않았음을 보장할 수 있습니다.
• 탈중앙화된 Kaggle: ZKML은 데이터 과학 경연 참가자가 공공 테스트 데이터에서 모델의 정확성을 증명할 수 있게 하여 훈련 시 모델 가중치를 공개하지 않도록 합니다.

공공 모델 + 공공 데이터

• 탈중앙화 추론: 이 방법은 주로 ZKML의 간결성을 활용하여 복잡한 인공지능 계산을 ZK 롤업과 유사한 체인 상 증명으로 압축하는 것입니다. 이 방법은 모델 서비스의 비용을 여러 노드에 분배할 수 있습니다.

zkSNARK는 암호화폐 세계에서 매우 중요한 기술이 될 것이며, ZKML은 암호화폐 세계의 판도를 바꿀 가능성이 있습니다. 스마트 계약에 인공지능 기능을 추가함으로써 ZKML은 더 복잡한 체인 상 응용 프로그램을 잠금 해제할 수 있습니다. 이러한 통합은 ZKML 커뮤니티 내에서 "블록체인에 눈을 달다"라고 설명됩니다.

기술적 병목 현상

하지만 ZK-ML은 몇 가지 기술적 도전에 직면해 있으며, 현재 해결이 시급합니다.

• 양자화: ZKP는 현장에서 작동하지만, 신경망은 부동 소수점으로 훈련됩니다. 이는 신경망 모델이 zk/블록체인 친화적이 되도록 하려면 완전한 계산 궤적을 가진 고정 소수점 산술 표현으로 변환해야 함을 의미합니다. 이는 매개변수의 정밀도가 낮아져 모델 성능을 희생할 수 있습니다.
• 언어 간 번역: 신경망 인공지능 모델은 파이썬과 C++로 작성되며, ZKP 회로는 러스트 언어를 사용합니다. 따라서 우리는 모델을 ZKP 기반 런타임으로 변환하기 위한 번역 계층이 필요합니다. 일반적으로 이러한 유형의 번역 계층은 특정 모델에 기반해야 하므로 범용 번역 계층을 설계하기가 어렵습니다.
• ZKP의 계산 비용: 기본적으로 ZKP의 비용은 원래 ML 계산보다 훨씬 높습니다. ++Modulus Labs의 실험++에 따르면, 2000만 개의 매개변수를 가진 모델의 경우 증명을 생성하는 데 1-5분 이상이 소요되며, 메모리 소비는 약 20-60GB로 ZK 증명 시스템의 상황에 따라 다릅니다.

발전 현황

위의 도전 과제에도 불구하고, 우리는 ZKML이 암호화폐 커뮤니티에서 주목받고 있으며, 몇몇 훌륭한 팀이 이 분야를 탐색하고 있음을 보았습니다.

인프라

모델 컴파일러

ZKML의 주요 병목 현상이 인공지능 모델을 ZK 회로로 변환하는 것이기 때문에, 일부 팀은 ZK 모델 컴파일러와 같은 인프라 계층을 연구하고 있습니다. 1년 전의 로지스틱 회귀 모델이나 간단한 CNN 모델에서 시작하여, 이 분야는 더 복잡한 모델로 빠르게 발전하고 있습니다.

• ++EZKL++ 프로젝트는 현재 최대 100mm 매개변수를 지원합니다. ONNX 형식과 halo2 ZKP 시스템을 사용합니다. 이 라이브러리는 모델의 일부만 제출하는 것도 지원합니다.
• ++ZKML++ 라이브러리는 이미 GPT2, Bert 및 확산 모델의 ZKP를 지원합니다.

ZKVM

ZKML 컴파일러는 제로 지식 가상 머신의 일반적인 범주에 속합니다.

• Risc Zero는 오픈 소스 RiscV 명령어 집합을 사용하는 zkVM으로, C++ 및 러스트의 ZKP를 지원할 수 있습니다. 해당 ++zkDTP++ 프로젝트는 결정 트리 ML 모델을 러스트로 변환하고 Risc Zero에서 실행하는 방법을 보여줍니다.
• 우리는 또한 일부 팀이 Startnet(++Giza++) 및 Aleo(++zero gravity++)와 함께 AI 모델을 체인 상으로 도입하려고 시도하고 있음을 보았습니다.

응용

인프라 측면의 노력 외에도 다른 팀들도 ZKML의 응용을 탐색하기 시작했습니다.

DeFi ：

• DeFi의 한 사용 사례는 인공지능 기반의 금고로, 그 메커니즘은 고정된 전략이 아닌 인공지능 모델에 의해 결정됩니다. 이러한 전략은 체인 상 및 체인 외 데이터를 흡수하여 시장 동향을 예측하고 거래를 실행할 수 있습니다. ZKML은 체인 상 모델의 일관성을 보장합니다. Mondulus Labs는 ++RockyBot++를 구축하고 있습니다. 해당 팀은 ETH 가격을 예측하기 위해 체인 상 인공지능 모델을 훈련시키고, 해당 모델과 자동으로 거래하는 스마트 계약을 구축했습니다.
• 다른 잠재적인 DeFi 사용 사례로는 AI 기반 DEX 및 대출 프로토콜이 있습니다. 오라클은 ZKML을 활용하여 체인 외 데이터에서 생성된 새로운 유형의 데이터 소스를 제공할 수 있습니다.

게임：

• Modulus Labs는 ZKML 기반의 체스 게임 LeeLa를 출시했습니다. 이 게임에서 모든 사용자는 ZK로 검증된 인공지능 모델이 구동하는 로봇과 함께 대결합니다. 인공지능은 기존의 완전한 체인 상 게임에 더 많은 상호작용 기능을 가져올 수 있습니다.

NFT/ 창작자 경제：

• ++EIP-7007++：이 EIP는 ZKML을 사용하여 인공지능이 NFT를 생성한 콘텐츠가 실제로 특정 입력(프롬프트)을 사용하는 모델에서 생성되었는지를 검증하는 인터페이스를 제공합니다. 이 표준은 인공지능 생성 NFT 컬렉션에 힘을 실어주고, 심지어 새로운 유형의 창작자 경제에 동력을 제공할 수 있습니다.

신원：

• ++Wordcoin++ 프로젝트는 사용자 생체 정보에 기반한 비로봇 증명 솔루션을 제공하고 있습니다. 해당 팀은 ZKML을 사용하여 사용자가 권한 없이 IRIS(국제 복구 정보 시스템) 코드를 생성할 수 있도록 탐색하고 있습니다. IRIS 코드를 생성하는 알고리즘이 업그레이드되면, 사용자는 모델을 다운로드하고 스스로 증명을 생성할 수 있으며, 객체 요청 대리점에 가지 않아도 됩니다.

채택의 핵심

인공지능 모델의 제로 지식 증명의 높은 비용을 고려할 때, 우리는 ZKML의 채택이 신뢰 비용이 높은 암호화폐 원주율 사용 사례에서 시작될 수 있다고 생각합니다.

또한 데이터 개인 정보가 매우 중요한 산업인 의료 분야도 고려할 만한 시장입니다. 연합 학습 및 안전한 MPC와 같은 다른 솔루션이 존재하지만, ZKML은 블록체인 확장 가능성의 장점을 가지고 있습니다.

ZKML의 더 광범위한 대규모 채택은 사람들이 기존 대형 인공지능 공급자에 대한 신뢰를 잃게 될 경우 발생할 수 있습니다. 업계 전체의 인식을 높이고 사용자가 검증 가능한 인공지능 기술을 고려하도록 촉구하는 사건이 발생할까요?

요약

ZKML은 여전히 초기 단계에 있으며, 극복해야 할 많은 도전 과제가 남아 있습니다. 그러나 ZK 기술의 개선과 함께, 우리는 사람들이 곧 강력한 제품 시장 적합성을 가진 여러 ZKML 사용 사례를 발견할 것이라고 생각합니다. 이러한 사용 사례는 처음에는 매우 틈새 시장처럼 보일 수 있습니다. 그러나 중앙 집중식 인공지능이 점점 더 발전하고 모든 산업과 인간 생활에 침투함에 따라, 사람들은 ZKML의 더 큰 가치를 발견할 수 있을 것입니다.

ZKML 응용 프로그램이나 인프라를 구축하고 있다면, 트위터에서 ++@alanwwu++에게 연락해 주세요. 우리는 기꺼이 대화하겠습니다.

웹사이트： ++https://avant.fund++

트위터： ++https://twitter.com/avantfund++