前以太坊基金會 zkML 研究員簡評 Vitalik 新作 Crypto+AI

Vitalik Buterin 的最新文章探討了區塊鏈和人工智慧 (AI) 之間的交叉點，主要關注於如何將 AI 應用於加密世界，並探討了四個交叉點: AI 作為參與者、AI 作為介面、AI 作為規則、以及 AI 作為目標。

文章討論了在這些交叉點上的前景和挑戰，強調了對抗性機器學習攻擊和密碼學開銷的問題。文章提到了使用零知識證明等密碼學形式隱藏模型內部運作的可能性，同時指出了密碼學開銷和黑匣子對抗性機器學習攻擊的挑戰。

最後，文章討論了創建可擴展的去中心化隱私 AI 的技術，並考慮了在 AI 安全和 AI 作為遊戲目標方面的應用。文章總結時強調了在這些領域中需要謹慎實踐，但對於區塊鏈和 AI 的交叉領域的前景表示期待。

在 Vitalik 的最新文章中，他討論了人工智慧與密碼學的交叉，並提出了兩個主要的挑戰: 密碼學開銷和黑盒對抗性機器學習攻擊。

Vitalik 認為人工智慧與加密貨幣方向大有可為。在幫助加密貨幣變得更好的過程中，人工智慧可以發揮關鍵作用，如作為「遊戲介面」或「遊戲規則」。

a) 密碼學開銷問題已經被解決?

雖然 Vitalik 認為 AI x Crypto 大有可為，但他指出，主要的反對意見之一是密碼學開銷。目前最主流的鏈上 AI/ML 方法是 zkML，它將 ML 模型編譯成 zk 電路，這樣就可以在鏈上驗證密碼學證明。

「人工智慧計算本來就很昂貴」，再加上密碼學，速度就更慢了。

Vitalik 認為，密碼學開銷的問題已經得到了部分解決:

b) 目前，額外開銷是 1000 倍。

然而，這種方法遠遠不夠實用，尤其是對於 Vitalik 所描述的使用案例。下面是一些相關的例子:

在實踐中，要等待幾分鐘才能得到 AI 所生成的交易的易讀解釋是不可接受的。

a) opML: Optimistic 機器學習

在文章的最後，Vitalik 提到：「我期待在所有這些領域看到更多人工智慧建設性用例的嘗試，這樣我們就能看到其中哪些是真正可行的規模化應用。」我們認為，zkML 在現階段並不「可行」，無法實現上述應用。

作為 opML 的發明者和 opML 的首個開源實現的創建者，我們相信，opML 可以透過博弈論解決密碼學開銷問題，讓人工智慧 x Crypto 現在就能實現。

b) 透過激勵措施實現安全性

opML 在保證安全性的同時，解決了鏈上 ML 的密碼學開銷問題。為了簡單起見，我們可以使用 Arbitrum 的 AnyTrust 假設來評估 opML 系統的安全性。

AnyTrust 假設每個主張至少有一個誠實節點，確保提交者或至少一個驗證者是誠實的。在 AnyTrust 下，安全性和有效性得以保持:

比較「AnyTrust」和「Majority Trust」，opML 的「AnyTrust」模型更安全。「AnyTrust」保持了很高的安全性，在各種條件下都優於「Majority Trust」。

c) 用戶隱私 > 模型隱私

Vitalik 在文章中還談到了模型隱私問題。事實上，對於大多數模型 ( 尤其是 zkML 目前在實踐中支持的小型模型 )，都可以透過足夠的推理來重建模型。

對於一般隱私，尤其是用戶隱私，由於需要保持挑戰的公開性，opML 似乎缺乏固有的隱私功能。透過結合 zkML 和 opML，我們可以獲得恰到好處的隱私級別，確保安全和不可逆轉的混淆。

d) 實現 AI x Crypto 用例

opML 已經可以直接在以太坊上運行 Stable Diffusion 和 LLaMA 2。 Vitalik 提到的四個類別 ( 人工智慧作為玩家 / 介面 / 規則 / 目標 ) 已經可以透過 opML 實現，而且沒有任何額外開銷。

我們正在積極探索以下用例和方向:

有了 opML，我們就能消除密碼學開銷帶來的挑戰，保留去中心化和可驗證性，讓 AI x Crypto 現在就變得可行。

關聯標籤

鏈捕手ChainCatcher提醒，請廣大讀者理性看待區塊鏈，切實提高風險意識，警惕各類虛擬代幣發行與炒作，站內所有內容僅係市場信息或相關方觀點，不構成任何形式投資建議。如發現站內內容含敏感信息，可點擊“舉報”，我們會及時處理。