Modulus Labs implémente une IA vérifiable en exécutant des calculs ML hors chaîne et en générant de manière flexible zkp. Cet article redéploye cette solution du point de vue de l'application et analyse dans quels scénarios elle est strictement nécessaire et dans quels scénarios la demande est faible, et retarde finalement l'horizontale. développement et un modèle écologique d’IA verticalement unifié basé sur la chaîne publique. Les principaux contenus sont :
Si la base de l'IA est vérifiable : si les données en chaîne sont modifiées et si l'équité et la confidentialité sont impliquées
Lorsque l'IA n'affecte pas l'état de la chaîne, l'IA peut agir comme un suggérateur et les gens peuvent juger de la qualité des services d'IA à travers les effets réels sans vérifier le processus de calcul.
Lorsqu'il affecte le statut de la chaîne, si le service est destiné aux individus et affecte une certaine confidentialité, les utilisateurs peuvent toujours juger directement le processus de calcul d'extraction et de calcul de la qualité du service IA.
Lorsque les résultats de l'IA affecteront l'équité et la vie privée de plusieurs personnes, par exemple en utilisant l'IA pour évaluer et distribuer des récompenses aux membres de la communauté, en utilisant l'IA pour optimiser l'AMM ou en impliquant des données biologiques, vous souhaiterez revoir le calcul de AI : Vous pouvez vérifier où l'IA a pu trouver le PMF.
Écosystème d'applications d'IA vertical : étant donné que la queue de l'IA vérifiable est un contrat intelligent, puisque les appels interactifs consommateurs de confiance entre l'IA et les dapps natifs peuvent être possibles entre des applications d'IA vérifiables, il s'agit d'un écosystème d'applications d'IA composable potentiel.
Écosystème horizontal d'applications d'IA : le système de chaîne publique peut gérer des problèmes tels que le paiement des services, la coordination des goulots d'étranglement des paiements et la mise en correspondance des besoins des utilisateurs et du contenu des services pour les fournisseurs de services d'IA, permettant aux utilisateurs d'obtenir une expérience de service d'IA décentralisée avec un degré plus élevé de liberté.
1. Introduction et cas d'application de Modulus Labs
1.1 Introduction et solutions de base
Modulus Labs est une société d'IA « en chaîne » qui estime que l'IA peut améliorer considérablement les capacités des contrats intelligents et rendre les applications Web3 plus puissantes. Cependant, il existe une contradiction lorsque l'IA évalue web3, c'est-à-dire que le fonctionnement de l'IA nécessite beaucoup de puissance de calcul, et l'IA dans l'informatique hors chaîne est une boîte noire, qui ne répond pas aux exigences de base du web3 pour être digne de confiance et vérifiable.
Par conséquent, le plan Modulus Labs Summit zk rollup [réparation hors chaîne + vérification en chaîne] a proposé une architecture d'IA vérifiable, en particulier : le modèle ML s'exécute hors chaîne et un zkp est généré hors chaîne pour le processus de calcul ML. Grâce à ce zkp, l'architecture, les autorisations et les entrées du modèle hors chaîne peuvent être vérifiées. Bien entendu, ce zkp peut également être publié sur la chaîne pour vérification par des contrats intelligents. À l'heure actuelle, l'IA et les contrats en chaîne peuvent avoir des interactions plus sans confiance, réalisant à peu près « l'IA en chaîne ».
Sur la base d'idées d'IA vérifiables, Modulus Labs a actuellement lancé trois applications « d'IA en chaîne » et a également proposé de nombreux scénarios d'application possibles.
1.2 Cas de candidature
Le premier lancé est Rocky bot, une IA de trading automatisée. Rocky est formé à partir des données historiques de la paire de trading wEth/USDC. Il détermine la tendance future du weth sur la base des données historiques.Après avoir pris une décision de transaction, il générera un zkp pour le processus de prise de décision (processus de calcul) et transmettra L1 pour envoyer un message pour déclencher la transaction.
Le deuxième est le jeu d'échecs en chaîne "Leela vs the World". Les deux parties au jeu sont l'IA et les humains, et la situation du jeu d'échecs est placée dans le contrat. Les joueurs opèrent (interagissent avec les contrats) via leur portefeuille. L'IA lit la nouvelle situation du jeu d'échecs, complète le jugement et génère zkp pour l'ensemble du processus de calcul. Les deux étapes se déroulent sur le cloud AWS et le zkp est vérifié par le contrat sur la chaîne. Une fois la vérification réussie, le contrat de jeu d'échecs est appelé "jouer aux échecs" .
Le troisième est l'artiste IA "en chaîne" et a lancé la série NFT zkMon. L'essentiel est que l'IA génère NFT et le publie sur la chaîne, tout en générant un zkp. Les utilisateurs peuvent utiliser zkp pour vérifier si leur NFT génère le modèle d'IA correspondant.
De plus, Modulus Labs mentionne quelques autres exemples :
Utilisez l'IA pour évaluer les données de la chaîne personnelle et d'autres informations, générer des récompenses de points personnels et publier zkp pour la vérification de l'utilisateur ;
Utilisez l'IA pour optimiser les performances d'AMM et publiez zkp pour la vérification des utilisateurs ;
Utiliser l'IA vérifiable pour aider les projets de confidentialité à faire face à la pression réglementaire sans exposer la vie privée (peut-être en utilisant le ML pour prouver que cette transaction ne constitue pas du blanchiment d'argent sans exposer l'adresse de l'utilisateur et d'autres informations) ;
Les prévisions météorologiques de l'IA et zkp sont publiées en même temps pour offrir aux propriétaires la possibilité de vérifier la fiabilité des données hors chaîne ;
Concours de modèles d'IA, les candidats soumettent leur propre architecture et leurs propres poids, puis exécutent le modèle avec une entrée de test unifiée pour générer du zkp pour l'armure. Le contrat final distribuera automatiquement le bonus au simulateur ;
Worldcoin a déclaré qu'à l'avenir, il serait peut-être possible pour les utilisateurs de télécharger le modèle qui génère le code correspondant pour l'iris sur leur appareil local, d'exécuter le modèle localement et de générer zkp, afin que le contrat sur la chaîne puisse utiliser zkp pour vérifier que le code d'iris de l'utilisateur est généré à partir du modèle correct et d'un Iris raisonnable, tout en empêchant les informations biométriques de quitter le propre appareil de l'utilisateur ;
**1.3 Discuter de différents scénarios d'application en fonction de la demande d'IA vérifiable **
1.3.1 Scénarios dans lesquels l'IA peut devoir être vérifiée
Dans le scénario du robot Rocky, les utilisateurs n'auront peut-être pas besoin de vérifier le processus de calcul du ML. Premièrement, les utilisateurs n’ont pas de connaissances professionnelles et n’ont pas la capacité de procéder à une véritable vérification. Même s'il existe un outil de vérification, il semble à l'utilisateur qu'il a appuyé sur un bouton, et la fenêtre contextuelle de l'interface lui indique que ce service d'IA est bien généré par un certain modèle et que l'authenticité ne peut pas être déterminée. Deuxièmement, les utilisateurs n'ont pas besoin de vérification, car ils se soucient de savoir si l'IA est d'une grande importance. Les utilisateurs migreront lorsqu'il ne sera pas élevé et choisiront toujours le modèle offrant les meilleures performances. En bref, lorsque les utilisateurs recherchent l'effet final de l'IA, le processus de vérification peut avoir peu d'importance, car les utilisateurs n'ont qu'à migrer vers le service modèle offrant le meilleur effet.
**Une solution possible est la suivante : l'IA n'agit que comme un suggérateur et les utilisateurs exécutent les transactions de manière indépendante. **Lorsque les gens saisissent leurs objectifs de trading dans l'IA, l'IA calcule et renvoie un meilleur chemin/direction de trading hors chaîne, et l'utilisateur choisit de l'exécuter. Les gens n’ont pas non plus besoin de vérifier le modèle qui se cache derrière, il suffit de choisir le produit offrant le rendement le plus élevé.
Une autre situation dangereuse mais très probable est que les gens ne se soucient pas du tout de leur contrôle sur les actifs et du processus de corrosion de l'IA. Lorsqu'un robot qui gagne automatiquement de l'argent apparaît, les gens sont même prêts à lui confier leur argent directement, juste comme le proxy, il est courant de déposer des pièces dans des CEX ou des banques traditionnelles à des fins de gestion financière. Les gens ne se soucient pas du principe qui les sous-tend, ils ne se soucient que du montant d'argent qu'ils obtiennent au final, ou même du montant que le projet leur montre comme gagnant, car ce type de service peut également permettre d'acquérir rapidement un un grand nombre d'utilisateurs, c'est encore mieux que d'utiliser une IA vérifiable. La vitesse d'itération du produit côté projet est plus rapide.
En prenant du recul, si l'IA ne participe pas du tout à la modification de l'état de la chaîne, alors si les données en chaîne sont extraites pour être consommées par les utilisateurs, il n'est pas nécessaire de générer du ZKP pour le processus de calcul. Ici, ces applications sont transformées en [services de données]. Voici quelques cas :
La boîte de discussion fournie par Mest est un service de données typique.Les utilisateurs peuvent utiliser des méthodes de questions et réponses pour comprendre leurs propres données en chaîne, par exemple en demandant combien ils ont dépensé en NFT ;
*ChainGPT est un assistant IA multifonctionnel qui peut interpréter les contrats intelligents pour vous avant de négocier, vous indiquant si vous négociez avec le bon pool ou si la transaction est susceptible d'être pincée ou anticipée. ChainGPT se prépare également à fournir des recommandations d'actualités sur l'IA, des invites de saisie pour générer automatiquement des images et les publier dans NFT et d'autres services ;
RSS3 offre un choix d'AIOP, permettant aux utilisateurs de sélectionner les données en chaîne qu'ils souhaitent et de créer certaines données en chaîne, sélectionnant ainsi facilement des données en chaîne spécifiques pour entraîner l'IA ;
DefiLlama et RSS3 ont également développé des plug-ins ChatGPT, permettant aux utilisateurs d'obtenir des données en chaîne via des conversations ;
1.3.2 Scénarios dans lesquels l'IA doit être vérifiée
Cet article estime que plusieurs scénarios impliquant l'équité et la confidentialité nécessitent que ZKP fournisse une vérification. Nous discutons ici de plusieurs applications mentionnées par Modulus Labs :
Lorsque la communauté émet des récompenses basées sur les récompenses individuelles générées par l'IA, les membres de la communauté exigeront inévitablement une révision du processus de prise de décision, qui est le processus de calcul du ML ;
L'optimisation de l'IA de l'AMM implique la répartition des intérêts entre plusieurs parties, et le processus de calcul de l'IA doit également être vérifié régulièrement ;
Lorsqu'il s'agit d'équilibrer confidentialité et supervision, ZK est actuellement l'une des meilleures solutions. Si le fournisseur de services utilise ML pour traiter les données privées dans le service, il doit générer ZKP pour l'ensemble du processus de calcul ;
Étant donné que la machine de prédiction a un large éventail d'influence, si elle est ajustée par l'IA, ZKP doit être généré régulièrement pour vérifier si l'IA fonctionne normalement ;
Pendant le concours, le public et les autres participants sont tenus de vérifier si les dégâts de ML sont conformes aux normes du concours ;
Dans le cas potentiel de WorldCoin, la protection des données biométriques personnelles constitue également un besoin inhibiteur ;
D'une manière générale, lorsque l'intelligence artificielle est comme un décideur et que ses résultats ont un large éventail d'impacts et impliquent l'équité de nombreuses parties, les gens exigeront une révision du processus décisionnel, ou simplement veilleront à ce que le processus décisionnel soit révisé. Le processus d’intelligence artificielle n’a pas de problème majeur, et la protection de la vie privée est une nécessité très directe.
Par conséquent, [si la sortie de l'IA est dans le statut en chaîne] et [si les modifications doivent affecter l'équité/la confidentialité] sont les deux critères pour juger si la solution d'IA est vérifiable.
Lorsque la sortie de l'IA ne modifie pas l'état de la chaîne, le service IA peut agir comme un suggéreur, et la qualité du service IA peut être jugée par l'effet de suggestion sans qu'il soit nécessaire de vérifier le calcul. processus;
Lorsque la sortie de l'IA modifie l'état en chaîne, si le service est réservé aux particuliers et n'a aucun impact sur la vie privée, l'utilisateur peut toujours juger directement le processus de calcul de l'inspection de la qualité du service IA ;
Lorsque les résultats de l'IA affecteront directement l'équité entre plusieurs personnes et que l'IA modifiera automatiquement les données de la chaîne, la communauté et le public auront besoin d'examiner le processus décisionnel de l'IA ;
Lorsque les données traitées par ML impliquent la vie privée, zk est également tenu de protéger la vie privée et de proposer des exigences réglementaires.
*2. Deux modèles écologiques d'IA basés sur des chaînes publiques *
Dans tous les cas, la solution de Modulus Labs a de grandes implications pour combiner l’IA avec la crypto-monnaie et apporter une valeur applicative pratique. Cependant, le système de chaîne publique peut non seulement améliorer les capacités des services d’IA individuels, mais a également le potentiel de créer un nouvel écosystème d’applications d’IA. La nouvelle écologie a donné naissance à une relation attrayante entre les services d'IA du Web2. Le mode de collaboration entre les services d'IA et les utilisateurs doit être le mode de collaboration entre les liens en amont et en aval. Nous pouvons résumer les modèles écologiques potentiels d'IA en deux types : mode vertical et mode horizontal.
2.1 Mode vertical : l'attention permet la composabilité entre les IA
Une particularité de l'exemple d'échecs en chaîne « Leela vs the World » est que les gens peuvent placer des paris sur des humains ou sur l'IA, et les jetons sont automatiquement distribués après la partie. À l'heure actuelle, l'importance de zkp n'est pas seulement de fournir aux utilisateurs le processus de vérification des calculs de l'IA, mais également en tant que confiance qui déclenche des transitions d'état sur la chaîne. Avec l’assurance de la confiance, il est également possible d’avoir une composabilité au niveau des dapps entre les services d’IA et entre les dapps d’IA et de crypto-monnaie.
L'unité de base de l'IA composable est [modèle ML hors chaîne-génération zkp-contrat de vérification en chaîne-contrat principal]. Cette unité est enrichie dans le cadre de "Leela vs the World", mais l'architecture réelle d'une seule IA dapp peut être différent de ce qui précède. L'image le montre différemment. Premièrement, la situation des échecs nécessite un contrat, mais en réalité, l’IA n’a peut-être pas besoin d’un contrat en chaîne. Mais du point de vue de l'architecture de l'IA composable, si l'activité principale est enregistrée via des contrats, les deux autres sont que l'impact du contrat principal ne nécessite pas nécessairement le modèle ML de l'IA dapp lui-même, car une certaine IA dapp peut avoir une influence à sens unique, et le modèle ML gère une fois terminé, déclenchez simplement le contrat lié à votre propre entreprise, et le contrat sera appelé par d'autres dapps.
Vue étendue, les appels entre contrats sont des appels entre différentes applications web3, qui sont des appels d'identité personnelle, d'actifs, de services financiers et d'informations sociales. On peut imaginer une combinaison spécifique d'applications d'IA :
Worldcoin utilise ML pour générer des codes d'iris et zkp pour les données personnelles d'iris ;
L'application d'IA vérifie d'abord si le DID est une personne réelle (avec des données d'iris derrière) et attribue NFT à l'utilisateur en fonction de la réputation sur la chaîne ;
Le service réseau ajuste le partage de réseau en fonction du NFT détenu par l'utilisateur ;
......
L'interaction entre les IA dans le cadre de la chaîne publique n'est pas un sujet de discussion. Loaf, un contributeur écologique dans le domaine des jeux en chaîne complète, a un jour proposé que les PNJ IA puissent interagir et échanger entre eux comme des joueurs, de sorte que l'ensemble du système économique peut s'auto-optimiser et automatiquement AI Arena a développé un jeu de combat automatique IA. Les utilisateurs achètent d'abord un NFT. Chaque NFT représente un robot de combat, avec un modèle d'IA derrière lui. Les utilisateurs jouent d'abord eux-mêmes au jeu, puis échangent les données avec l'IA pour simuler et apprendre. Lorsque l'utilisateur estime que l'IA est suffisamment puissante, elle peut être placée dans l'arène pour lutter automatiquement contre d'autres IA. L’AI Arena évoquée par Modulus Labs espère transformer ces IA en IA vérifiables. Les deux cas ont vu la possibilité d'une interaction directe entre les IA pour modifier les données en chaîne pendant les transactions.
Mais comment combiner l'IA pour résoudre de nombreux problèmes qui doivent être discutés en termes de mise en œuvre spécifique, comme différents dapps utilisant des contrats zkp universels ou de vérification, etc. Cependant, il existe également un grand nombre d'excellents projets dans le domaine du zk. Par exemple, RISC Zero a fait de nombreux progrès dans la libération du zkp ischémique complexe hors chaîne. Peut-être qu'une solution appropriée pourrait être élaborée dans un jour.
2.2 Mode horizontal : plateforme de services d'IA pour réaliser la décentralisation des parkings
À cet égard, nous présentons principalement une plate-forme d'IA décentralisée appelée SAKSHI, qui a été proposée conjointement par des personnes de Princeton, de l'Université Tsinghua, de l'Université de l'Illinois à Urbana-Champaign, de l'Université des sciences et technologies de Hong Kong, Witness Chain et Eigen Layer. Son objectif principal est de permettre aux utilisateurs d'obtenir des services d'IA de manière plus décentralisée, rendant l'ensemble du processus plus automatisé et sans confiance.
L'architecture de SAKSHI peut être divisée en six couches : couche de service, couche de contrôle, couche de transaction, couche de preuve, couche économique et marché ) )
Le marché est le niveau le plus proche de l'utilisateur. Il existe des agrégateurs sur le marché pour fournir des services aux utilisateurs pour le compte de différents fournisseurs d'IA. Les commandes sont passées via l'agrégateur d'utilisateurs et un accord est conclu avec l'agrégateur sur la qualité du service et le prix de paiement ( l'accord est appelé SLA) -Service Level Agreement).
La couche de service suivante fournira une API pour l'en-tête client, puis l'en-tête client lancera une demande d'inférence ML à l'agrégateur, et la demande sera transmise au serveur correspondant au fournisseur de services IA (la route utilisée pour transmettre la requête fait partie de la couche de contrôle). La couche de service et la couche de contrôle sont similaires à un service Web2 avec plusieurs serveurs, mais différents serveurs sont exploités par différentes entités et un seul serveur est associé à l'agrégateur via SLA (accord de service précédent).
Le SLA est déployé sur la chaîne sous forme de contrats intelligents, et ces contrats appartiennent à la couche transaction (Remarque : Dans cette solution, ils sont déployés sur la chaîne témoin). La couche de transaction enregistre l'état actuel des commandes de services comptables et est utilisée pour coordonner les utilisateurs, les agrégateurs et les fournisseurs de services afin de résoudre les problèmes de paiement.
Afin que la couche transactionnelle puisse s'appuyer sur des preuves lorsqu'elle traite des problèmes, la couche preuve vérifiera si le service est conforme au modèle d'utilisation convenu du SLA. Cependant, SAKSHI n'a pas choisi de générer zkp pour le processus de calcul ML. Au lieu de cela, il a utilisé un argument optimiste et espérait établir un réseau de nœuds challenger pour tester le service. Les nœuds sont portés par la chaîne témoin.
Bien que le SLA et le réseau de nœuds challenger soient tous deux sur Witness Chain, dans le plan de SAKSHI, Witness Chain n'a pas l'intention d'utiliser ses propres jetons pour obtenir une sécurité indépendante, mais d'emprunter la sécurité d'Ethereum via Eigen Layer, de sorte que toute la couche économique repose en fait sur sur la couche propre.
On constate que SAKSHI organise différentes IA de manière décentralisée pour fournir des services aux utilisateurs autour de la relation entre les prestataires de services d'IA et les utilisateurs, qui forme un plan horizontal. Le cœur de SAKSHI est qu'il permet aux services d'IA de se concentrer davantage sur la gestion de leurs propres calculs de modèles hors chaîne, sur la mise en correspondance des besoins des utilisateurs et des services modèles, sur le paiement des services et la vérification de la qualité du service via des protocoles en chaîne, et sur les tentatives de résoudre automatiquement les problèmes de paiement. Bien entendu, SAKSHI en est encore au stade théorique à l’heure actuelle, et de nombreux détails de mise en œuvre doivent également être déterminés.
3.Perspectives futures
Qu’il s’agisse d’IA composable ou d’une plateforme d’IA décentralisée, les modèles écologiques d’IA des chaînes publiques semblent avoir quelque chose en commun. Par exemple, les fournisseurs de services d'IA n'interagissent pas directement avec les utilisateurs. Ils doivent simplement fournir des modèles de ML et effectuer des calculs et des paiements hors chaîne, résoudre des problèmes et faire correspondre les besoins des utilisateurs et les services, qui peuvent tous être résolus via des protocoles décentralisés. En tant qu'infrastructure sans confiance, la chaîne publique réduit les difficultés entre les fournisseurs de services et les utilisateurs, et les utilisateurs disposent également d'une plus grande autonomie.
Bien que les avantages de l’utilisation de chaînes publiques comme base d’applications soient clichés, ils s’appliquent également aux services d’IA. Cependant, les applications d'IA sont différentes des applications dapp existantes.Les applications d'IA ne peuvent pas mettre tous les calculs sur la chaîne, donc l'utilisation de zk est toujours optimiste pour prouver que les services d'IA peuvent être connectés au système de chaîne publique de manière moins fiable.
Avec la mise en œuvre d'une série de solutions d'optimisation de l'expérience telles que l'abstraction de compte, les utilisateurs ne peuvent plus percevoir l'existence de mnémoniques, de chaînes, de gaz, etc. Cela rend l'écosystème de la chaîne publique proche du web2 en termes d'expérience, et les utilisateurs peuvent obtenir des résultats plus élevés. services que le Web 2. Le degré de liberté et la composabilité le rendent plus attrayant pour les utilisateurs, et l'écosystème d'applications d'IA basé sur la chaîne publique mérite d'être attendu.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
De l'IA vérifiable à l'IA composable – Réflexions sur les scénarios d'application ZKML
Auteur : Guo Turbine, Miroir
en tout:
Modulus Labs implémente une IA vérifiable en exécutant des calculs ML hors chaîne et en générant de manière flexible zkp. Cet article redéploye cette solution du point de vue de l'application et analyse dans quels scénarios elle est strictement nécessaire et dans quels scénarios la demande est faible, et retarde finalement l'horizontale. développement et un modèle écologique d’IA verticalement unifié basé sur la chaîne publique. Les principaux contenus sont :
Si la base de l'IA est vérifiable : si les données en chaîne sont modifiées et si l'équité et la confidentialité sont impliquées
Lorsque l'IA n'affecte pas l'état de la chaîne, l'IA peut agir comme un suggérateur et les gens peuvent juger de la qualité des services d'IA à travers les effets réels sans vérifier le processus de calcul.
Lorsqu'il affecte le statut de la chaîne, si le service est destiné aux individus et affecte une certaine confidentialité, les utilisateurs peuvent toujours juger directement le processus de calcul d'extraction et de calcul de la qualité du service IA.
Lorsque les résultats de l'IA affecteront l'équité et la vie privée de plusieurs personnes, par exemple en utilisant l'IA pour évaluer et distribuer des récompenses aux membres de la communauté, en utilisant l'IA pour optimiser l'AMM ou en impliquant des données biologiques, vous souhaiterez revoir le calcul de AI : Vous pouvez vérifier où l'IA a pu trouver le PMF.
Écosystème d'applications d'IA vertical : étant donné que la queue de l'IA vérifiable est un contrat intelligent, puisque les appels interactifs consommateurs de confiance entre l'IA et les dapps natifs peuvent être possibles entre des applications d'IA vérifiables, il s'agit d'un écosystème d'applications d'IA composable potentiel.
Écosystème horizontal d'applications d'IA : le système de chaîne publique peut gérer des problèmes tels que le paiement des services, la coordination des goulots d'étranglement des paiements et la mise en correspondance des besoins des utilisateurs et du contenu des services pour les fournisseurs de services d'IA, permettant aux utilisateurs d'obtenir une expérience de service d'IA décentralisée avec un degré plus élevé de liberté.
1. Introduction et cas d'application de Modulus Labs
1.1 Introduction et solutions de base
Modulus Labs est une société d'IA « en chaîne » qui estime que l'IA peut améliorer considérablement les capacités des contrats intelligents et rendre les applications Web3 plus puissantes. Cependant, il existe une contradiction lorsque l'IA évalue web3, c'est-à-dire que le fonctionnement de l'IA nécessite beaucoup de puissance de calcul, et l'IA dans l'informatique hors chaîne est une boîte noire, qui ne répond pas aux exigences de base du web3 pour être digne de confiance et vérifiable.
Par conséquent, le plan Modulus Labs Summit zk rollup [réparation hors chaîne + vérification en chaîne] a proposé une architecture d'IA vérifiable, en particulier : le modèle ML s'exécute hors chaîne et un zkp est généré hors chaîne pour le processus de calcul ML. Grâce à ce zkp, l'architecture, les autorisations et les entrées du modèle hors chaîne peuvent être vérifiées. Bien entendu, ce zkp peut également être publié sur la chaîne pour vérification par des contrats intelligents. À l'heure actuelle, l'IA et les contrats en chaîne peuvent avoir des interactions plus sans confiance, réalisant à peu près « l'IA en chaîne ».
Sur la base d'idées d'IA vérifiables, Modulus Labs a actuellement lancé trois applications « d'IA en chaîne » et a également proposé de nombreux scénarios d'application possibles.
1.2 Cas de candidature
De plus, Modulus Labs mentionne quelques autres exemples :
1.3.1 Scénarios dans lesquels l'IA peut devoir être vérifiée
Dans le scénario du robot Rocky, les utilisateurs n'auront peut-être pas besoin de vérifier le processus de calcul du ML. Premièrement, les utilisateurs n’ont pas de connaissances professionnelles et n’ont pas la capacité de procéder à une véritable vérification. Même s'il existe un outil de vérification, il semble à l'utilisateur qu'il a appuyé sur un bouton, et la fenêtre contextuelle de l'interface lui indique que ce service d'IA est bien généré par un certain modèle et que l'authenticité ne peut pas être déterminée. Deuxièmement, les utilisateurs n'ont pas besoin de vérification, car ils se soucient de savoir si l'IA est d'une grande importance. Les utilisateurs migreront lorsqu'il ne sera pas élevé et choisiront toujours le modèle offrant les meilleures performances. En bref, lorsque les utilisateurs recherchent l'effet final de l'IA, le processus de vérification peut avoir peu d'importance, car les utilisateurs n'ont qu'à migrer vers le service modèle offrant le meilleur effet.
**Une solution possible est la suivante : l'IA n'agit que comme un suggérateur et les utilisateurs exécutent les transactions de manière indépendante. **Lorsque les gens saisissent leurs objectifs de trading dans l'IA, l'IA calcule et renvoie un meilleur chemin/direction de trading hors chaîne, et l'utilisateur choisit de l'exécuter. Les gens n’ont pas non plus besoin de vérifier le modèle qui se cache derrière, il suffit de choisir le produit offrant le rendement le plus élevé.
Une autre situation dangereuse mais très probable est que les gens ne se soucient pas du tout de leur contrôle sur les actifs et du processus de corrosion de l'IA. Lorsqu'un robot qui gagne automatiquement de l'argent apparaît, les gens sont même prêts à lui confier leur argent directement, juste comme le proxy, il est courant de déposer des pièces dans des CEX ou des banques traditionnelles à des fins de gestion financière. Les gens ne se soucient pas du principe qui les sous-tend, ils ne se soucient que du montant d'argent qu'ils obtiennent au final, ou même du montant que le projet leur montre comme gagnant, car ce type de service peut également permettre d'acquérir rapidement un un grand nombre d'utilisateurs, c'est encore mieux que d'utiliser une IA vérifiable. La vitesse d'itération du produit côté projet est plus rapide.
En prenant du recul, si l'IA ne participe pas du tout à la modification de l'état de la chaîne, alors si les données en chaîne sont extraites pour être consommées par les utilisateurs, il n'est pas nécessaire de générer du ZKP pour le processus de calcul. Ici, ces applications sont transformées en [services de données]. Voici quelques cas :
1.3.2 Scénarios dans lesquels l'IA doit être vérifiée
Cet article estime que plusieurs scénarios impliquant l'équité et la confidentialité nécessitent que ZKP fournisse une vérification. Nous discutons ici de plusieurs applications mentionnées par Modulus Labs :
D'une manière générale, lorsque l'intelligence artificielle est comme un décideur et que ses résultats ont un large éventail d'impacts et impliquent l'équité de nombreuses parties, les gens exigeront une révision du processus décisionnel, ou simplement veilleront à ce que le processus décisionnel soit révisé. Le processus d’intelligence artificielle n’a pas de problème majeur, et la protection de la vie privée est une nécessité très directe.
Par conséquent, [si la sortie de l'IA est dans le statut en chaîne] et [si les modifications doivent affecter l'équité/la confidentialité] sont les deux critères pour juger si la solution d'IA est vérifiable.
Dans tous les cas, la solution de Modulus Labs a de grandes implications pour combiner l’IA avec la crypto-monnaie et apporter une valeur applicative pratique. Cependant, le système de chaîne publique peut non seulement améliorer les capacités des services d’IA individuels, mais a également le potentiel de créer un nouvel écosystème d’applications d’IA. La nouvelle écologie a donné naissance à une relation attrayante entre les services d'IA du Web2. Le mode de collaboration entre les services d'IA et les utilisateurs doit être le mode de collaboration entre les liens en amont et en aval. Nous pouvons résumer les modèles écologiques potentiels d'IA en deux types : mode vertical et mode horizontal.
2.1 Mode vertical : l'attention permet la composabilité entre les IA
Une particularité de l'exemple d'échecs en chaîne « Leela vs the World » est que les gens peuvent placer des paris sur des humains ou sur l'IA, et les jetons sont automatiquement distribués après la partie. À l'heure actuelle, l'importance de zkp n'est pas seulement de fournir aux utilisateurs le processus de vérification des calculs de l'IA, mais également en tant que confiance qui déclenche des transitions d'état sur la chaîne. Avec l’assurance de la confiance, il est également possible d’avoir une composabilité au niveau des dapps entre les services d’IA et entre les dapps d’IA et de crypto-monnaie.
L'unité de base de l'IA composable est [modèle ML hors chaîne-génération zkp-contrat de vérification en chaîne-contrat principal]. Cette unité est enrichie dans le cadre de "Leela vs the World", mais l'architecture réelle d'une seule IA dapp peut être différent de ce qui précède. L'image le montre différemment. Premièrement, la situation des échecs nécessite un contrat, mais en réalité, l’IA n’a peut-être pas besoin d’un contrat en chaîne. Mais du point de vue de l'architecture de l'IA composable, si l'activité principale est enregistrée via des contrats, les deux autres sont que l'impact du contrat principal ne nécessite pas nécessairement le modèle ML de l'IA dapp lui-même, car une certaine IA dapp peut avoir une influence à sens unique, et le modèle ML gère une fois terminé, déclenchez simplement le contrat lié à votre propre entreprise, et le contrat sera appelé par d'autres dapps.
Vue étendue, les appels entre contrats sont des appels entre différentes applications web3, qui sont des appels d'identité personnelle, d'actifs, de services financiers et d'informations sociales. On peut imaginer une combinaison spécifique d'applications d'IA :
L'interaction entre les IA dans le cadre de la chaîne publique n'est pas un sujet de discussion. Loaf, un contributeur écologique dans le domaine des jeux en chaîne complète, a un jour proposé que les PNJ IA puissent interagir et échanger entre eux comme des joueurs, de sorte que l'ensemble du système économique peut s'auto-optimiser et automatiquement AI Arena a développé un jeu de combat automatique IA. Les utilisateurs achètent d'abord un NFT. Chaque NFT représente un robot de combat, avec un modèle d'IA derrière lui. Les utilisateurs jouent d'abord eux-mêmes au jeu, puis échangent les données avec l'IA pour simuler et apprendre. Lorsque l'utilisateur estime que l'IA est suffisamment puissante, elle peut être placée dans l'arène pour lutter automatiquement contre d'autres IA. L’AI Arena évoquée par Modulus Labs espère transformer ces IA en IA vérifiables. Les deux cas ont vu la possibilité d'une interaction directe entre les IA pour modifier les données en chaîne pendant les transactions.
Mais comment combiner l'IA pour résoudre de nombreux problèmes qui doivent être discutés en termes de mise en œuvre spécifique, comme différents dapps utilisant des contrats zkp universels ou de vérification, etc. Cependant, il existe également un grand nombre d'excellents projets dans le domaine du zk. Par exemple, RISC Zero a fait de nombreux progrès dans la libération du zkp ischémique complexe hors chaîne. Peut-être qu'une solution appropriée pourrait être élaborée dans un jour.
2.2 Mode horizontal : plateforme de services d'IA pour réaliser la décentralisation des parkings
À cet égard, nous présentons principalement une plate-forme d'IA décentralisée appelée SAKSHI, qui a été proposée conjointement par des personnes de Princeton, de l'Université Tsinghua, de l'Université de l'Illinois à Urbana-Champaign, de l'Université des sciences et technologies de Hong Kong, Witness Chain et Eigen Layer. Son objectif principal est de permettre aux utilisateurs d'obtenir des services d'IA de manière plus décentralisée, rendant l'ensemble du processus plus automatisé et sans confiance.
L'architecture de SAKSHI peut être divisée en six couches : couche de service, couche de contrôle, couche de transaction, couche de preuve, couche économique et marché ) )
Le marché est le niveau le plus proche de l'utilisateur. Il existe des agrégateurs sur le marché pour fournir des services aux utilisateurs pour le compte de différents fournisseurs d'IA. Les commandes sont passées via l'agrégateur d'utilisateurs et un accord est conclu avec l'agrégateur sur la qualité du service et le prix de paiement ( l'accord est appelé SLA) -Service Level Agreement).
La couche de service suivante fournira une API pour l'en-tête client, puis l'en-tête client lancera une demande d'inférence ML à l'agrégateur, et la demande sera transmise au serveur correspondant au fournisseur de services IA (la route utilisée pour transmettre la requête fait partie de la couche de contrôle). La couche de service et la couche de contrôle sont similaires à un service Web2 avec plusieurs serveurs, mais différents serveurs sont exploités par différentes entités et un seul serveur est associé à l'agrégateur via SLA (accord de service précédent).
Le SLA est déployé sur la chaîne sous forme de contrats intelligents, et ces contrats appartiennent à la couche transaction (Remarque : Dans cette solution, ils sont déployés sur la chaîne témoin). La couche de transaction enregistre l'état actuel des commandes de services comptables et est utilisée pour coordonner les utilisateurs, les agrégateurs et les fournisseurs de services afin de résoudre les problèmes de paiement.
Afin que la couche transactionnelle puisse s'appuyer sur des preuves lorsqu'elle traite des problèmes, la couche preuve vérifiera si le service est conforme au modèle d'utilisation convenu du SLA. Cependant, SAKSHI n'a pas choisi de générer zkp pour le processus de calcul ML. Au lieu de cela, il a utilisé un argument optimiste et espérait établir un réseau de nœuds challenger pour tester le service. Les nœuds sont portés par la chaîne témoin.
Bien que le SLA et le réseau de nœuds challenger soient tous deux sur Witness Chain, dans le plan de SAKSHI, Witness Chain n'a pas l'intention d'utiliser ses propres jetons pour obtenir une sécurité indépendante, mais d'emprunter la sécurité d'Ethereum via Eigen Layer, de sorte que toute la couche économique repose en fait sur sur la couche propre.
On constate que SAKSHI organise différentes IA de manière décentralisée pour fournir des services aux utilisateurs autour de la relation entre les prestataires de services d'IA et les utilisateurs, qui forme un plan horizontal. Le cœur de SAKSHI est qu'il permet aux services d'IA de se concentrer davantage sur la gestion de leurs propres calculs de modèles hors chaîne, sur la mise en correspondance des besoins des utilisateurs et des services modèles, sur le paiement des services et la vérification de la qualité du service via des protocoles en chaîne, et sur les tentatives de résoudre automatiquement les problèmes de paiement. Bien entendu, SAKSHI en est encore au stade théorique à l’heure actuelle, et de nombreux détails de mise en œuvre doivent également être déterminés.
3.Perspectives futures
Qu’il s’agisse d’IA composable ou d’une plateforme d’IA décentralisée, les modèles écologiques d’IA des chaînes publiques semblent avoir quelque chose en commun. Par exemple, les fournisseurs de services d'IA n'interagissent pas directement avec les utilisateurs. Ils doivent simplement fournir des modèles de ML et effectuer des calculs et des paiements hors chaîne, résoudre des problèmes et faire correspondre les besoins des utilisateurs et les services, qui peuvent tous être résolus via des protocoles décentralisés. En tant qu'infrastructure sans confiance, la chaîne publique réduit les difficultés entre les fournisseurs de services et les utilisateurs, et les utilisateurs disposent également d'une plus grande autonomie.
Bien que les avantages de l’utilisation de chaînes publiques comme base d’applications soient clichés, ils s’appliquent également aux services d’IA. Cependant, les applications d'IA sont différentes des applications dapp existantes.Les applications d'IA ne peuvent pas mettre tous les calculs sur la chaîne, donc l'utilisation de zk est toujours optimiste pour prouver que les services d'IA peuvent être connectés au système de chaîne publique de manière moins fiable.
Avec la mise en œuvre d'une série de solutions d'optimisation de l'expérience telles que l'abstraction de compte, les utilisateurs ne peuvent plus percevoir l'existence de mnémoniques, de chaînes, de gaz, etc. Cela rend l'écosystème de la chaîne publique proche du web2 en termes d'expérience, et les utilisateurs peuvent obtenir des résultats plus élevés. services que le Web 2. Le degré de liberté et la composabilité le rendent plus attrayant pour les utilisateurs, et l'écosystème d'applications d'IA basé sur la chaîne publique mérite d'être attendu.