Lab Modulus mengimplementasikan AI yang dapat diverifikasi dengan menjalankan penghitungan ML secara off-chain dan menghasilkan zkp secara fleksibel. Artikel ini menerapkan ulang solusi ini dari perspektif aplikasi dan menganalisis skenario mana yang sangat diperlukan, dan dalam skenario mana permintaannya lemah, dan pada akhirnya menunda skenario horizontal. pengembangan, dan model ekologi AI yang terpadu secara vertikal berdasarkan rantai publik, yang isi utamanya adalah:
Apakah basis AI dapat diverifikasi: apakah data on-chain diubah, dan apakah keadilan dan privasi dilibatkan
Ketika AI tidak mempengaruhi status rantai, AI dapat bertindak sebagai pemberi saran, dan masyarakat dapat menilai kualitas layanan AI melalui efek sebenarnya tanpa memverifikasi proses penghitungan.
Ketika memengaruhi status dalam rantai, jika layanan ditargetkan pada individu dan memengaruhi privasi tertentu, pengguna masih dapat menilai secara langsung proses perhitungan ekstraksi dan inspeksi kualitas layanan AI.
Ketika keluaran AI akan memengaruhi keadilan dan privasi pribadi di antara banyak orang, seperti menggunakan AI untuk mengevaluasi dan mendistribusikan hadiah kepada anggota komunitas, menggunakan AI untuk mengoptimalkan AMM, atau melibatkan data biologis, Anda sebaiknya meninjau kembali perhitungannya. AI Ini adalah Anda dapat memverifikasi di mana AI mungkin menemukan PMF.
Ekosistem aplikasi AI vertikal: Karena ujung dari AI yang dapat diverifikasi adalah kontrak cerdas, karena panggilan interaktif yang memakan banyak kepercayaan antara AI dan dapps asli dapat dimungkinkan antara aplikasi AI yang dapat diverifikasi, maka ini merupakan ekosistem aplikasi AI yang berpotensi dapat disusun.
Ekosistem penerapan AI horizontal: Sistem rantai publik dapat menangani masalah seperti pembayaran layanan, koordinasi hambatan pembayaran, dan pencocokan kebutuhan pengguna dan konten layanan untuk penyedia layanan AI, sehingga pengguna dapat memperoleh pengalaman layanan AI terdesentralisasi dengan tingkat yang lebih tinggi. kebebasan.
1. Kasus pengenalan dan penerapan Modulus Labs
1.1 Pengenalan dan solusi inti
Modulus Labs adalah perusahaan AI "on-chain" yang percaya bahwa AI dapat secara signifikan meningkatkan kemampuan kontrak pintar dan membuat aplikasi web3 lebih bertenaga. Namun terdapat kontradiksi ketika AI mengevaluasi web3, yaitu pengoperasian AI memerlukan banyak daya komputasi, dan AI dalam komputasi off-chain adalah kotak hitam, yang tidak memenuhi persyaratan dasar web3 untuk dapat dipercaya dan dapat diverifikasi.
Oleh karena itu, rencana rollup zk Modulus Labs Summit [perbaikan off-chain + verifikasi on-chain] mengusulkan arsitektur AI yang dapat diverifikasi, khususnya: model ML dijalankan secara off-chain, dan zkp dihasilkan secara off-chain untuk proses perhitungan ML. Melalui zkp ini, arsitektur, izin, dan masukan model off-chain dapat diverifikasi. Tentu saja, zkp ini juga dapat dipublikasikan ke rantai untuk diverifikasi melalui kontrak pintar. Saat ini, AI dan kontrak on-chain dapat memiliki interaksi yang lebih tidak dapat dipercaya, yang secara kasar mewujudkan "AI on-chain".
Berdasarkan ide AI yang dapat diverifikasi, Modulus Labs saat ini telah meluncurkan tiga aplikasi "AI on-chain" dan juga mengusulkan banyak kemungkinan skenario penerapan.
1.2 Kasus Aplikasi
Yang pertama diluncurkan adalah Rocky bot, AI perdagangan otomatis. Rocky dilatih dari data historis pasangan perdagangan wEth/USDC. Ini menentukan tren cuaca masa depan berdasarkan data historis.Setelah mengambil keputusan transaksi, maka akan menghasilkan zkp untuk proses pengambilan keputusan (proses perhitungan), dan meneruskan L1 untuk mengirim pesan untuk memicu transaksi.
Yang kedua adalah permainan catur on-chain "Leela vs the World". Kedua pihak dalam permainan tersebut adalah AI dan manusia, dan situasi permainan catur ditempatkan dalam kontrak. Pemain beroperasi (berinteraksi dengan kontrak) melalui dompet mereka. AI membaca situasi permainan catur baru, menyelesaikan penilaian, dan menghasilkan zkp untuk seluruh proses penghitungan. Kedua langkah tersebut ada di cloud AWS, dan zkp diverifikasi oleh kontrak di rantai. Setelah verifikasi berhasil, kontrak permainan catur disebut "bermain catur".
Yang ketiga adalah artis AI "on-chain", dan meluncurkan seri NFT zkMon. Intinya adalah AI menghasilkan NFT dan menerbitkannya di rantai, dan pada saat yang sama menghasilkan zkp. Pengguna dapat menggunakan zkp untuk memeriksa apakah NFT mereka menghasilkan model AI yang sesuai.
Selain itu, Modulus Labs menyebutkan beberapa contoh lainnya:
Gunakan AI untuk mengevaluasi data rantai pribadi dan informasi lainnya, menghasilkan hadiah poin pribadi, dan mempublikasikan zkp untuk verifikasi pengguna;
Gunakan AI untuk mengoptimalkan kinerja AMM dan melepaskan zkp untuk verifikasi pengguna;
Gunakan AI yang dapat diverifikasi untuk membantu proyek privasi mengatasi tekanan peraturan tanpa mengungkap privasi (mungkin menggunakan ML untuk membuktikan bahwa transaksi ini bukan pencucian uang tanpa mengungkap alamat pengguna dan informasi lainnya);
Prakiraan cuaca AI, dan zkp dirilis pada saat yang sama untuk memberikan pemilik kemampuan untuk memeriksa keandalan data off-chain;
Kompetisi model AI, kontestan mengirimkan arsitektur dan bobot mereka sendiri, lalu menjalankan model dengan input pengujian terpadu untuk menghasilkan zkp untuk armor.Kontrak akhir akan secara otomatis mendistribusikan bonus ke simulator;
Worldcoin mengatakan bahwa di masa depan, pengguna dapat mengunduh model yang menghasilkan kode yang sesuai untuk iris di perangkat lokal mereka, menjalankan model secara lokal dan menghasilkan zkp, sehingga kontrak pada rantai dapat menggunakan zkp untuk memverifikasi bahwa kode iris mata pengguna dihasilkan dari model yang benar dan Iris yang masuk akal, sekaligus menjaga agar informasi biometrik tidak keluar dari perangkat milik pengguna;
**1.3 Diskusikan berbagai skenario aplikasi berdasarkan permintaan AI yang dapat diverifikasi **
1.3.1 Skenario dimana AI mungkin perlu diverifikasi
Dalam skenario Rocky bot, pengguna mungkin tidak perlu memverifikasi proses penghitungan ML. Pertama, pengguna tidak memiliki pengetahuan profesional dan tidak memiliki kemampuan untuk melakukan verifikasi nyata. Sekalipun ada alat verifikasi, tampaknya pengguna [dia menekan] tombol, dan jendela pop-up antarmuka memberi tahu dia bahwa layanan AI ini memang dihasilkan oleh model tertentu, dan keasliannya tidak dapat ditentukan. Kedua, pengguna tidak memerlukan verifikasi, karena pengguna peduli apakah AI tersebut memiliki signifikansi yang tinggi. Pengguna akan bermigrasi ketika tidak tinggi, dan akan selalu memilih model dengan performa terbaik. Singkatnya, ketika pengguna ingin mencapai efek akhir AI, proses verifikasi mungkin tidak terlalu penting, karena pengguna hanya perlu bermigrasi ke layanan model dengan efek terbaik.
**Salah satu solusi yang mungkin adalah: AI hanya bertindak sebagai pemberi saran, dan pengguna melakukan transaksi secara mandiri. **Saat orang memasukkan tujuan perdagangan mereka ke dalam AI, AI menghitung dan mengembalikan jalur/arah perdagangan off-chain yang lebih baik, dan pengguna memilih apakah akan mengeksekusinya. Masyarakat juga tidak perlu memverifikasi model di baliknya, cukup pilih produk dengan return tertinggi.
Situasi berbahaya lainnya namun sangat mungkin terjadi adalah masyarakat sama sekali tidak peduli dengan penguasaannya terhadap aset dan proses korosi AI.Ketika muncul robot yang otomatis menghasilkan uang, masyarakat bahkan rela menitipkan uangnya langsung padanya, sekedar seperti proxy. Biasanya menyetor koin ke CEX atau bank tradisional untuk pengelolaan keuangan. Orang-orang tidak peduli dengan prinsip di baliknya, mereka hanya peduli pada berapa banyak uang yang mereka peroleh pada akhirnya, atau bahkan berapa banyak uang yang ditunjukkan pihak proyek kepada mereka sebagai penghasilan, karena layanan semacam ini mungkin juga dapat dengan cepat memperoleh a sejumlah besar pengguna, bahkan lebih baik daripada menggunakan AI yang dapat diverifikasi. Kecepatan iterasi produk di sisi proyek lebih cepat.
Mengambil langkah mundur, jika AI sama sekali tidak berpartisipasi dalam modifikasi status on-chain, maka jika data on-chain ditarik ke bawah untuk dikonsumsi oleh pengguna, ZKP tidak perlu dibuat untuk proses penghitungan. Di sini, aplikasi tersebut diubah menjadi [layanan data], berikut beberapa kasusnya:
Kotak obrolan yang disediakan oleh Mest adalah layanan data biasa. Pengguna dapat menggunakan metode tanya jawab untuk memahami data on-chain mereka sendiri, seperti menanyakan berapa banyak yang mereka habiskan untuk NFT;
*ChainGPT adalah asisten AI multifungsi yang dapat menafsirkan kontrak cerdas untuk Anda sebelum berdagang, memberi tahu Anda apakah Anda berdagang dengan kumpulan yang benar, atau memberi tahu Anda apakah transaksi tersebut kemungkinan besar akan terjepit atau dijalankan di depan. ChainGPT juga bersiap untuk memberikan rekomendasi berita AI, perintah masukan untuk menghasilkan gambar secara otomatis dan mempublikasikannya ke NFT dan layanan lainnya;
RSS3 menyediakan pilihan AIOP, memungkinkan pengguna memilih data on-chain yang mereka inginkan dan membuat data on-chain tertentu, sehingga dengan mudah memilih data on-chain tertentu untuk melatih AI;
DefiLlama dan RSS3 juga telah mengembangkan plug-in ChatGPT, yang memungkinkan pengguna memperoleh data on-chain melalui percakapan;
1.3.2 Skenario dimana AI perlu diverifikasi
Artikel ini percaya bahwa beberapa skenario yang melibatkan keadilan dan privasi memerlukan ZKP untuk memberikan verifikasi. Di sini kami membahas beberapa aplikasi yang disebutkan oleh Modulus Labs:
Ketika komunitas mengeluarkan imbalan berdasarkan imbalan individu yang dihasilkan oleh AI, anggota komunitas pasti akan meminta peninjauan terhadap proses pengambilan keputusan, yang merupakan proses penghitungan ML;
Optimalisasi AI pada AMM melibatkan distribusi kepentingan di antara banyak pihak, dan proses perhitungan AI juga perlu diperiksa secara berkala;
Saat menyeimbangkan privasi dan pengawasan, ZK saat ini merupakan salah satu solusi yang lebih baik. Jika penyedia layanan menggunakan ML untuk memproses data pribadi dalam layanan, maka ZKP perlu dibuat untuk seluruh proses penghitungan;
Karena mesin prediksi memiliki pengaruh yang luas, jika disesuaikan dengan AI, ZKP perlu dibuat secara berkala untuk memeriksa apakah AI berjalan normal;
Selama kompetisi berlangsung, masyarakat dan peserta lainnya wajib memeriksa apakah kerusakan ML sesuai dengan standar kompetisi;
Dalam kasus WorldCoin yang potensial, melindungi data biometrik pribadi juga merupakan kebutuhan yang menghambat;
Secara umum, ketika kecerdasan buatan diibaratkan sebagai pengambil keputusan, dan keluarannya memiliki dampak yang luas serta melibatkan keadilan banyak pihak, masyarakat akan menuntut peninjauan terhadap proses pengambilan keputusan, atau sekadar memastikan bahwa proses pengambilan keputusan tersebut benar. proses kecerdasan buatan tidak menimbulkan masalah besar, dan melindungi privasi pribadi merupakan kebutuhan yang sangat langsung.
Oleh karena itu, [apakah keluaran AI dalam status on-chain] dan [apakah modifikasi perlu memengaruhi keadilan/privasi] adalah dua kriteria untuk menilai apakah solusi AI dapat diverifikasi.
Ketika keluaran AI tidak mengubah keadaan pada rantai, layanan AI dapat bertindak sebagai pemberi saran, dan kualitas layanan AI dapat dinilai berdasarkan efek saran tanpa perlu memverifikasi perhitungan proses;
Ketika keluaran AI mengubah status on-chain, jika layanan hanya untuk individu dan tidak berdampak pada privasi, pengguna masih dapat menilai langsung proses penghitungan pemeriksaan kualitas layanan AI;
Ketika keluaran AI akan secara langsung mempengaruhi keadilan di antara banyak orang, dan AI secara otomatis mengubah data dalam rantai, komunitas dan publik perlu memeriksa proses pengambilan keputusan AI;
Ketika data yang diproses oleh ML melibatkan privasi pribadi, zk juga diperlukan untuk melindungi privasi dan mengusulkan persyaratan peraturan.
*2. Dua model ekologi AI berdasarkan rantai publik *
Bagaimanapun, solusi Modulus Labs memiliki implikasi besar dalam menggabungkan AI dengan mata uang kripto dan memberikan nilai aplikasi praktis. Namun, sistem rantai publik tidak hanya dapat meningkatkan kemampuan layanan AI individual, namun juga berpotensi membangun ekosistem aplikasi AI baru. Ekologi baru telah menghasilkan hubungan yang menarik antara layanan AI di Web2. Cara kolaborasi antara layanan AI dan pengguna harus menjadi cara kolaborasi antara tautan hulu dan hilir. Kita dapat merangkum potensi model ekologi AI menjadi dua jenis: mode vertikal dan mode horizontal.
2.1 Mode Vertikal: Perhatian memungkinkan komposisi antar AI
Fitur khusus dari contoh catur on-chain “Leela vs the World” adalah orang dapat memasang taruhan untuk manusia atau AI, dan token didistribusikan secara otomatis setelah pertandingan. Saat ini, pentingnya zkp tidak hanya untuk menyediakan proses verifikasi perhitungan AI kepada pengguna, tetapi juga sebagai kepercayaan yang memicu transisi keadaan dalam rantai. Dengan jaminan kepercayaan, dimungkinkan juga untuk memiliki komposisi tingkat dapp antara layanan AI dan antara AI dan dapp mata uang kripto.
Unit dasar AI yang dapat disusun adalah [kontrak utama kontrak verifikasi generasi-on-chain model ML off-chain-zkp]. Unit ini diperkaya dalam kerangka "Leela vs Dunia", tetapi arsitektur sebenarnya dari AI tunggal dapp mungkin berbeda dari yang di atas, gambar menunjukkannya secara berbeda. Pertama, situasi dalam catur memerlukan kontrak, namun kenyataannya, AI mungkin tidak memerlukan kontrak on-chain. Namun dari sudut pandang arsitektur AI yang dapat dikomposisi, jika bisnis utama dicatat melalui kontrak, dua lainnya adalah dampak kontrak utama tidak serta merta memerlukan model ML dari dapp AI itu sendiri, karena AI tertentu dapp mungkin memiliki pengaruh satu arah, dan model ML menangani Setelah selesai, cukup picu kontrak yang terkait dengan bisnis Anda sendiri, dan kontrak tersebut akan dipanggil oleh dapps lain.
Dalam pandangan yang lebih luas, panggilan antar kontrak adalah panggilan antara aplikasi web3 yang berbeda, yang merupakan panggilan untuk identitas pribadi, aset, layanan keuangan, dan informasi sosial. Kita dapat membayangkan kombinasi spesifik dari aplikasi AI:
Worldcoin menggunakan ML untuk menghasilkan kode iris mata dan zkp untuk data iris mata pribadi;
Aplikasi AI pertama-tama memeriksa apakah DID adalah orang sungguhan (dengan data iris di belakangnya), dan mengalokasikan NFT kepada pengguna berdasarkan reputasi rantai;
Layanan jaringan menyesuaikan pembagian jaringan berdasarkan NFT yang dimiliki pengguna;
4.......
Interaksi antar AI dalam kerangka rantai publik bukanlah hal yang perlu diperdebatkan.Loaf, kontributor ekologi di bidang permainan rantai penuh, pernah mengusulkan agar AI NPC dapat berinteraksi dan berdagang satu sama lain seperti pemain, sehingga seluruh sistem ekonomi dapat mengoptimalkan diri sendiri dan secara otomatis AI Arena telah mengembangkan game pertarungan otomatis AI. Pengguna pertama-tama membeli NFT. Setiap NFT mewakili robot tempur, dengan model AI di belakangnya. Pengguna pertama-tama memainkan gamenya sendiri, lalu bertukar data dengan AI untuk melakukan simulasi dan pembelajaran.Ketika pengguna merasa AI tersebut cukup kuat, ia dapat ditempatkan di arena untuk otomatis bertarung melawan AI lainnya. AI Arena yang disebutkan oleh Modulus Labs berharap dapat mengubah AI tersebut menjadi AI yang dapat diverifikasi. Kedua kasus tersebut melihat kemungkinan interaksi langsung antara AI untuk mengubah data on-chain selama transaksi.
Namun bagaimana menggabungkan AI untuk menyelesaikan banyak masalah yang akan dibahas dalam hal implementasi spesifik, seperti dapps berbeda menggunakan zkp universal atau kontrak verifikasi, dll. Namun, ada juga sejumlah besar proyek bagus di bidang zk. Misalnya, RISC Zero telah membuat banyak kemajuan dalam melepaskan zkp iskemik yang kompleks ke dalam rantai. Mungkin solusi yang sesuai dapat disatukan dalam a hari.
2.2 Mode horizontal: platform layanan AI untuk mewujudkan desentralisasi tempat parkir
Dalam hal ini, kami terutama memperkenalkan platform AI terdesentralisasi yang disebut SAKSHI, yang diusulkan bersama oleh orang-orang dari Princeton, Universitas Tsinghua, Universitas Illinois di Urbana-Champaign, Universitas Sains dan Teknologi Hong Kong, Witness Chain, dan Eigen Layer. Tujuan utamanya adalah memungkinkan pengguna memperoleh layanan AI dengan cara yang lebih terdesentralisasi, menjadikan seluruh proses lebih tidak dapat dipercaya dan terotomatisasi.
Arsitektur SAKSHI dapat dibagi menjadi enam lapisan: Lapisan Layanan, Lapisan Kontrol, Lapisan Transasi, Lapisan Bukti, Lapisan Ekonomi, dan Pasar) )
Pasar adalah tingkat yang paling dekat dengan pengguna. Ada agregator di pasar yang menyediakan layanan kepada pengguna atas nama pemasok AI yang berbeda. Pesanan dilakukan melalui agregator pengguna dan kesepakatan dicapai dengan agregator mengenai kualitas layanan dan harga pembayaran ( perjanjian itu disebut SLA) -Perjanjian Tingkat Layanan).
Lapisan layanan berikutnya akan menyediakan API untuk header klien, dan kemudian header klien akan memulai permintaan inferensi ML ke agregator, dan permintaan tersebut akan dikirim ke server yang cocok dengan penyedia layanan AI (rute yang digunakan untuk mengirimkan permintaan adalah bagian dari lapisan kontrol). Lapisan layanan dan lapisan kontrol mirip dengan layanan web2 dengan beberapa server, tetapi server yang berbeda dioperasikan oleh entitas yang berbeda, dan satu server dikaitkan dengan agregator melalui SLA (perjanjian layanan sebelumnya).
SLA diterapkan pada rantai dalam bentuk kontrak pintar, dan kontrak ini termasuk dalam lapisan transaksi (Catatan: Dalam solusi ini, kontrak tersebut diterapkan pada rantai saksi). Lapisan transaksi mencatat status pesanan layanan akuntansi saat ini dan digunakan untuk mengoordinasikan pengguna, agregator, dan penyedia layanan untuk menyelesaikan tantangan pembayaran.
Agar lapisan transaksi memiliki bukti yang dapat diandalkan ketika menangani masalah, Lapisan Bukti akan memverifikasi apakah layanan mematuhi model penggunaan SLA yang disepakati. Namun SAKSHI tidak memilih untuk menghasilkan zkp untuk proses penghitungan ML, melainkan menggunakan argumen optimis dan berharap dapat membangun jaringan node penantang untuk menguji layanan tersebut. Node tersebut ditanggung oleh rantai saksi.
Meskipun SLA dan jaringan node penantang sama-sama berada di Witness Chain, dalam rencana SAKSHI, Witness Chain tidak bermaksud menggunakan tokennya sendiri untuk mencapai keamanan independen, tetapi meminjam keamanan Ethereum melalui Eigen Layer, sehingga seluruh lapisan ekonomi benar-benar bergantung. pada Lapisan Eigen.
Terlihat bahwa SAKSHI mengatur AI yang berbeda secara terdesentralisasi untuk memberikan layanan kepada pengguna seputar hubungan antara penyedia layanan AI dan pengguna, yang membentuk rencana horizontal. Inti dari SAKSHI adalah memungkinkan layanan AI untuk lebih fokus pada pengelolaan perhitungan model off-chain mereka sendiri, menyelesaikan pencocokan kebutuhan pengguna dan layanan model, pembayaran layanan dan verifikasi kualitas layanan melalui protokol on-chain, dan upaya untuk secara otomatis menyelesaikan masalah pembayaran. Tentu saja SAKSHI saat ini masih dalam tahap teoritis, dan banyak juga detail implementasi yang perlu ditentukan.
3.Pandangan Masa Depan
Baik itu AI yang dapat disusun atau platform AI yang terdesentralisasi, model ekologi AI dari rantai publik tampaknya memiliki kesamaan. Misalnya, penyedia layanan AI tidak berinteraksi langsung dengan pengguna, mereka hanya perlu menyediakan model ML dan melakukan penghitungan dan pembayaran off-chain, penyelesaian masalah, dan pencocokan antara kebutuhan dan layanan pengguna, yang semuanya dapat diselesaikan melalui protokol terdesentralisasi. Sebagai infrastruktur yang tidak dapat dipercaya, rantai publik mengurangi kesulitan antara penyedia layanan dan pengguna, sehingga pengguna juga memiliki otonomi yang lebih tinggi.
Meskipun keuntungan menggunakan rantai publik sebagai dasar penerapannya agak klise, hal ini juga berlaku pada layanan AI. Namun aplikasi AI berbeda dengan aplikasi dapp yang sudah ada, aplikasi AI tidak bisa memasukkan semua perhitungan ke dalam rantai, sehingga penggunaan zk masih optimis untuk membuktikan bahwa layanan AI dapat dihubungkan ke sistem rantai publik dengan cara yang lebih tidak dapat dipercaya.
Dengan penerapan serangkaian solusi pengoptimalan pengalaman seperti abstraksi akun, pengguna tidak dapat lagi merasakan keberadaan mnemonik, rantai, gas, dll. Hal ini membuat ekosistem rantai publik dekat dengan Web2 dalam hal pengalaman, dan pengguna dapat memperoleh pengalaman yang lebih tinggi. layanan dibandingkan web2. Tingkat kebebasan dan komposisi membuatnya lebih menarik bagi pengguna, dan ekosistem aplikasi AI berdasarkan rantai publik layak untuk dinantikan.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Dari AI yang Dapat Diverifikasi hingga AI yang Dapat Dikomposisi—Refleksi pada skenario aplikasi ZKML
Penulis: Turbin Guo, Cermin
semua seutuhnya:
Lab Modulus mengimplementasikan AI yang dapat diverifikasi dengan menjalankan penghitungan ML secara off-chain dan menghasilkan zkp secara fleksibel. Artikel ini menerapkan ulang solusi ini dari perspektif aplikasi dan menganalisis skenario mana yang sangat diperlukan, dan dalam skenario mana permintaannya lemah, dan pada akhirnya menunda skenario horizontal. pengembangan, dan model ekologi AI yang terpadu secara vertikal berdasarkan rantai publik, yang isi utamanya adalah:
Apakah basis AI dapat diverifikasi: apakah data on-chain diubah, dan apakah keadilan dan privasi dilibatkan
Ketika AI tidak mempengaruhi status rantai, AI dapat bertindak sebagai pemberi saran, dan masyarakat dapat menilai kualitas layanan AI melalui efek sebenarnya tanpa memverifikasi proses penghitungan.
Ketika memengaruhi status dalam rantai, jika layanan ditargetkan pada individu dan memengaruhi privasi tertentu, pengguna masih dapat menilai secara langsung proses perhitungan ekstraksi dan inspeksi kualitas layanan AI.
Ketika keluaran AI akan memengaruhi keadilan dan privasi pribadi di antara banyak orang, seperti menggunakan AI untuk mengevaluasi dan mendistribusikan hadiah kepada anggota komunitas, menggunakan AI untuk mengoptimalkan AMM, atau melibatkan data biologis, Anda sebaiknya meninjau kembali perhitungannya. AI Ini adalah Anda dapat memverifikasi di mana AI mungkin menemukan PMF.
Ekosistem aplikasi AI vertikal: Karena ujung dari AI yang dapat diverifikasi adalah kontrak cerdas, karena panggilan interaktif yang memakan banyak kepercayaan antara AI dan dapps asli dapat dimungkinkan antara aplikasi AI yang dapat diverifikasi, maka ini merupakan ekosistem aplikasi AI yang berpotensi dapat disusun.
Ekosistem penerapan AI horizontal: Sistem rantai publik dapat menangani masalah seperti pembayaran layanan, koordinasi hambatan pembayaran, dan pencocokan kebutuhan pengguna dan konten layanan untuk penyedia layanan AI, sehingga pengguna dapat memperoleh pengalaman layanan AI terdesentralisasi dengan tingkat yang lebih tinggi. kebebasan.
1. Kasus pengenalan dan penerapan Modulus Labs
1.1 Pengenalan dan solusi inti
Modulus Labs adalah perusahaan AI "on-chain" yang percaya bahwa AI dapat secara signifikan meningkatkan kemampuan kontrak pintar dan membuat aplikasi web3 lebih bertenaga. Namun terdapat kontradiksi ketika AI mengevaluasi web3, yaitu pengoperasian AI memerlukan banyak daya komputasi, dan AI dalam komputasi off-chain adalah kotak hitam, yang tidak memenuhi persyaratan dasar web3 untuk dapat dipercaya dan dapat diverifikasi.
Oleh karena itu, rencana rollup zk Modulus Labs Summit [perbaikan off-chain + verifikasi on-chain] mengusulkan arsitektur AI yang dapat diverifikasi, khususnya: model ML dijalankan secara off-chain, dan zkp dihasilkan secara off-chain untuk proses perhitungan ML. Melalui zkp ini, arsitektur, izin, dan masukan model off-chain dapat diverifikasi. Tentu saja, zkp ini juga dapat dipublikasikan ke rantai untuk diverifikasi melalui kontrak pintar. Saat ini, AI dan kontrak on-chain dapat memiliki interaksi yang lebih tidak dapat dipercaya, yang secara kasar mewujudkan "AI on-chain".
Berdasarkan ide AI yang dapat diverifikasi, Modulus Labs saat ini telah meluncurkan tiga aplikasi "AI on-chain" dan juga mengusulkan banyak kemungkinan skenario penerapan.
1.2 Kasus Aplikasi
Selain itu, Modulus Labs menyebutkan beberapa contoh lainnya:
1.3.1 Skenario dimana AI mungkin perlu diverifikasi
Dalam skenario Rocky bot, pengguna mungkin tidak perlu memverifikasi proses penghitungan ML. Pertama, pengguna tidak memiliki pengetahuan profesional dan tidak memiliki kemampuan untuk melakukan verifikasi nyata. Sekalipun ada alat verifikasi, tampaknya pengguna [dia menekan] tombol, dan jendela pop-up antarmuka memberi tahu dia bahwa layanan AI ini memang dihasilkan oleh model tertentu, dan keasliannya tidak dapat ditentukan. Kedua, pengguna tidak memerlukan verifikasi, karena pengguna peduli apakah AI tersebut memiliki signifikansi yang tinggi. Pengguna akan bermigrasi ketika tidak tinggi, dan akan selalu memilih model dengan performa terbaik. Singkatnya, ketika pengguna ingin mencapai efek akhir AI, proses verifikasi mungkin tidak terlalu penting, karena pengguna hanya perlu bermigrasi ke layanan model dengan efek terbaik.
**Salah satu solusi yang mungkin adalah: AI hanya bertindak sebagai pemberi saran, dan pengguna melakukan transaksi secara mandiri. **Saat orang memasukkan tujuan perdagangan mereka ke dalam AI, AI menghitung dan mengembalikan jalur/arah perdagangan off-chain yang lebih baik, dan pengguna memilih apakah akan mengeksekusinya. Masyarakat juga tidak perlu memverifikasi model di baliknya, cukup pilih produk dengan return tertinggi.
Situasi berbahaya lainnya namun sangat mungkin terjadi adalah masyarakat sama sekali tidak peduli dengan penguasaannya terhadap aset dan proses korosi AI.Ketika muncul robot yang otomatis menghasilkan uang, masyarakat bahkan rela menitipkan uangnya langsung padanya, sekedar seperti proxy. Biasanya menyetor koin ke CEX atau bank tradisional untuk pengelolaan keuangan. Orang-orang tidak peduli dengan prinsip di baliknya, mereka hanya peduli pada berapa banyak uang yang mereka peroleh pada akhirnya, atau bahkan berapa banyak uang yang ditunjukkan pihak proyek kepada mereka sebagai penghasilan, karena layanan semacam ini mungkin juga dapat dengan cepat memperoleh a sejumlah besar pengguna, bahkan lebih baik daripada menggunakan AI yang dapat diverifikasi. Kecepatan iterasi produk di sisi proyek lebih cepat.
Mengambil langkah mundur, jika AI sama sekali tidak berpartisipasi dalam modifikasi status on-chain, maka jika data on-chain ditarik ke bawah untuk dikonsumsi oleh pengguna, ZKP tidak perlu dibuat untuk proses penghitungan. Di sini, aplikasi tersebut diubah menjadi [layanan data], berikut beberapa kasusnya:
1.3.2 Skenario dimana AI perlu diverifikasi
Artikel ini percaya bahwa beberapa skenario yang melibatkan keadilan dan privasi memerlukan ZKP untuk memberikan verifikasi. Di sini kami membahas beberapa aplikasi yang disebutkan oleh Modulus Labs:
Secara umum, ketika kecerdasan buatan diibaratkan sebagai pengambil keputusan, dan keluarannya memiliki dampak yang luas serta melibatkan keadilan banyak pihak, masyarakat akan menuntut peninjauan terhadap proses pengambilan keputusan, atau sekadar memastikan bahwa proses pengambilan keputusan tersebut benar. proses kecerdasan buatan tidak menimbulkan masalah besar, dan melindungi privasi pribadi merupakan kebutuhan yang sangat langsung.
Oleh karena itu, [apakah keluaran AI dalam status on-chain] dan [apakah modifikasi perlu memengaruhi keadilan/privasi] adalah dua kriteria untuk menilai apakah solusi AI dapat diverifikasi.
Bagaimanapun, solusi Modulus Labs memiliki implikasi besar dalam menggabungkan AI dengan mata uang kripto dan memberikan nilai aplikasi praktis. Namun, sistem rantai publik tidak hanya dapat meningkatkan kemampuan layanan AI individual, namun juga berpotensi membangun ekosistem aplikasi AI baru. Ekologi baru telah menghasilkan hubungan yang menarik antara layanan AI di Web2. Cara kolaborasi antara layanan AI dan pengguna harus menjadi cara kolaborasi antara tautan hulu dan hilir. Kita dapat merangkum potensi model ekologi AI menjadi dua jenis: mode vertikal dan mode horizontal.
2.1 Mode Vertikal: Perhatian memungkinkan komposisi antar AI
Fitur khusus dari contoh catur on-chain “Leela vs the World” adalah orang dapat memasang taruhan untuk manusia atau AI, dan token didistribusikan secara otomatis setelah pertandingan. Saat ini, pentingnya zkp tidak hanya untuk menyediakan proses verifikasi perhitungan AI kepada pengguna, tetapi juga sebagai kepercayaan yang memicu transisi keadaan dalam rantai. Dengan jaminan kepercayaan, dimungkinkan juga untuk memiliki komposisi tingkat dapp antara layanan AI dan antara AI dan dapp mata uang kripto.
Unit dasar AI yang dapat disusun adalah [kontrak utama kontrak verifikasi generasi-on-chain model ML off-chain-zkp]. Unit ini diperkaya dalam kerangka "Leela vs Dunia", tetapi arsitektur sebenarnya dari AI tunggal dapp mungkin berbeda dari yang di atas, gambar menunjukkannya secara berbeda. Pertama, situasi dalam catur memerlukan kontrak, namun kenyataannya, AI mungkin tidak memerlukan kontrak on-chain. Namun dari sudut pandang arsitektur AI yang dapat dikomposisi, jika bisnis utama dicatat melalui kontrak, dua lainnya adalah dampak kontrak utama tidak serta merta memerlukan model ML dari dapp AI itu sendiri, karena AI tertentu dapp mungkin memiliki pengaruh satu arah, dan model ML menangani Setelah selesai, cukup picu kontrak yang terkait dengan bisnis Anda sendiri, dan kontrak tersebut akan dipanggil oleh dapps lain.
Dalam pandangan yang lebih luas, panggilan antar kontrak adalah panggilan antara aplikasi web3 yang berbeda, yang merupakan panggilan untuk identitas pribadi, aset, layanan keuangan, dan informasi sosial. Kita dapat membayangkan kombinasi spesifik dari aplikasi AI:
Interaksi antar AI dalam kerangka rantai publik bukanlah hal yang perlu diperdebatkan.Loaf, kontributor ekologi di bidang permainan rantai penuh, pernah mengusulkan agar AI NPC dapat berinteraksi dan berdagang satu sama lain seperti pemain, sehingga seluruh sistem ekonomi dapat mengoptimalkan diri sendiri dan secara otomatis AI Arena telah mengembangkan game pertarungan otomatis AI. Pengguna pertama-tama membeli NFT. Setiap NFT mewakili robot tempur, dengan model AI di belakangnya. Pengguna pertama-tama memainkan gamenya sendiri, lalu bertukar data dengan AI untuk melakukan simulasi dan pembelajaran.Ketika pengguna merasa AI tersebut cukup kuat, ia dapat ditempatkan di arena untuk otomatis bertarung melawan AI lainnya. AI Arena yang disebutkan oleh Modulus Labs berharap dapat mengubah AI tersebut menjadi AI yang dapat diverifikasi. Kedua kasus tersebut melihat kemungkinan interaksi langsung antara AI untuk mengubah data on-chain selama transaksi.
Namun bagaimana menggabungkan AI untuk menyelesaikan banyak masalah yang akan dibahas dalam hal implementasi spesifik, seperti dapps berbeda menggunakan zkp universal atau kontrak verifikasi, dll. Namun, ada juga sejumlah besar proyek bagus di bidang zk. Misalnya, RISC Zero telah membuat banyak kemajuan dalam melepaskan zkp iskemik yang kompleks ke dalam rantai. Mungkin solusi yang sesuai dapat disatukan dalam a hari.
2.2 Mode horizontal: platform layanan AI untuk mewujudkan desentralisasi tempat parkir
Dalam hal ini, kami terutama memperkenalkan platform AI terdesentralisasi yang disebut SAKSHI, yang diusulkan bersama oleh orang-orang dari Princeton, Universitas Tsinghua, Universitas Illinois di Urbana-Champaign, Universitas Sains dan Teknologi Hong Kong, Witness Chain, dan Eigen Layer. Tujuan utamanya adalah memungkinkan pengguna memperoleh layanan AI dengan cara yang lebih terdesentralisasi, menjadikan seluruh proses lebih tidak dapat dipercaya dan terotomatisasi.
Arsitektur SAKSHI dapat dibagi menjadi enam lapisan: Lapisan Layanan, Lapisan Kontrol, Lapisan Transasi, Lapisan Bukti, Lapisan Ekonomi, dan Pasar) )
Pasar adalah tingkat yang paling dekat dengan pengguna. Ada agregator di pasar yang menyediakan layanan kepada pengguna atas nama pemasok AI yang berbeda. Pesanan dilakukan melalui agregator pengguna dan kesepakatan dicapai dengan agregator mengenai kualitas layanan dan harga pembayaran ( perjanjian itu disebut SLA) -Perjanjian Tingkat Layanan).
Lapisan layanan berikutnya akan menyediakan API untuk header klien, dan kemudian header klien akan memulai permintaan inferensi ML ke agregator, dan permintaan tersebut akan dikirim ke server yang cocok dengan penyedia layanan AI (rute yang digunakan untuk mengirimkan permintaan adalah bagian dari lapisan kontrol). Lapisan layanan dan lapisan kontrol mirip dengan layanan web2 dengan beberapa server, tetapi server yang berbeda dioperasikan oleh entitas yang berbeda, dan satu server dikaitkan dengan agregator melalui SLA (perjanjian layanan sebelumnya).
SLA diterapkan pada rantai dalam bentuk kontrak pintar, dan kontrak ini termasuk dalam lapisan transaksi (Catatan: Dalam solusi ini, kontrak tersebut diterapkan pada rantai saksi). Lapisan transaksi mencatat status pesanan layanan akuntansi saat ini dan digunakan untuk mengoordinasikan pengguna, agregator, dan penyedia layanan untuk menyelesaikan tantangan pembayaran.
Agar lapisan transaksi memiliki bukti yang dapat diandalkan ketika menangani masalah, Lapisan Bukti akan memverifikasi apakah layanan mematuhi model penggunaan SLA yang disepakati. Namun SAKSHI tidak memilih untuk menghasilkan zkp untuk proses penghitungan ML, melainkan menggunakan argumen optimis dan berharap dapat membangun jaringan node penantang untuk menguji layanan tersebut. Node tersebut ditanggung oleh rantai saksi.
Meskipun SLA dan jaringan node penantang sama-sama berada di Witness Chain, dalam rencana SAKSHI, Witness Chain tidak bermaksud menggunakan tokennya sendiri untuk mencapai keamanan independen, tetapi meminjam keamanan Ethereum melalui Eigen Layer, sehingga seluruh lapisan ekonomi benar-benar bergantung. pada Lapisan Eigen.
Terlihat bahwa SAKSHI mengatur AI yang berbeda secara terdesentralisasi untuk memberikan layanan kepada pengguna seputar hubungan antara penyedia layanan AI dan pengguna, yang membentuk rencana horizontal. Inti dari SAKSHI adalah memungkinkan layanan AI untuk lebih fokus pada pengelolaan perhitungan model off-chain mereka sendiri, menyelesaikan pencocokan kebutuhan pengguna dan layanan model, pembayaran layanan dan verifikasi kualitas layanan melalui protokol on-chain, dan upaya untuk secara otomatis menyelesaikan masalah pembayaran. Tentu saja SAKSHI saat ini masih dalam tahap teoritis, dan banyak juga detail implementasi yang perlu ditentukan.
3.Pandangan Masa Depan
Baik itu AI yang dapat disusun atau platform AI yang terdesentralisasi, model ekologi AI dari rantai publik tampaknya memiliki kesamaan. Misalnya, penyedia layanan AI tidak berinteraksi langsung dengan pengguna, mereka hanya perlu menyediakan model ML dan melakukan penghitungan dan pembayaran off-chain, penyelesaian masalah, dan pencocokan antara kebutuhan dan layanan pengguna, yang semuanya dapat diselesaikan melalui protokol terdesentralisasi. Sebagai infrastruktur yang tidak dapat dipercaya, rantai publik mengurangi kesulitan antara penyedia layanan dan pengguna, sehingga pengguna juga memiliki otonomi yang lebih tinggi.
Meskipun keuntungan menggunakan rantai publik sebagai dasar penerapannya agak klise, hal ini juga berlaku pada layanan AI. Namun aplikasi AI berbeda dengan aplikasi dapp yang sudah ada, aplikasi AI tidak bisa memasukkan semua perhitungan ke dalam rantai, sehingga penggunaan zk masih optimis untuk membuktikan bahwa layanan AI dapat dihubungkan ke sistem rantai publik dengan cara yang lebih tidak dapat dipercaya.
Dengan penerapan serangkaian solusi pengoptimalan pengalaman seperti abstraksi akun, pengguna tidak dapat lagi merasakan keberadaan mnemonik, rantai, gas, dll. Hal ini membuat ekosistem rantai publik dekat dengan Web2 dalam hal pengalaman, dan pengguna dapat memperoleh pengalaman yang lebih tinggi. layanan dibandingkan web2. Tingkat kebebasan dan komposisi membuatnya lebih menarik bagi pengguna, dan ekosistem aplikasi AI berdasarkan rantai publik layak untuk dinantikan.