Dalam beberapa bulan terakhir, baik industri Internet tradisional maupun bidang blockchain telah terkena dampak kecerdasan buatan sampai batas tertentu. Ketika raksasa internet di seluruh dunia mengikuti kompetisi ini satu demi satu, para praktisi blockchain mulai berpikir tentang apa yang akan dihasilkan oleh kompetisi kecerdasan buatan ini bagi kita. Ketika data, model, algoritme, daya komputasi, dan lain-lain yang tidak terkait dengan pembangunan aplikasi dan infrastruktur AI semakin tersedia, apa yang perlu kita pikirkan? Jika semua ini terjadi dalam kotak hitam, apakah kita masih bisa mempercayai mereka? Dalam episode ini, kami mengundang Hill dari SevenX Ventures untuk mendiskusikan cara menggabungkan pembelajaran mesin dan bukti tanpa pengetahuan? Bagaimana blockchain dan ZKP menyeimbangkan masalah kepercayaan dalam kecerdasan buatan.
Hill menjabat sebagai Pemimpin Riset di SevenX Ventures. Sebelum bergabung dengan SevenX, ia memiliki pengalaman awal di banyak posisi di proyek dan blockchain lain, seperti penelitian tentang desain mekanisme dan desain tokennomics, dan juga bekerja di manajer produk dan hubungan investor.
"Bagaimana masalah kepercayaan mempengaruhi bidang AI dan pelengkap ZK dan blockchain"
Masalah kepercayaan di sini terutama disebabkan oleh dua hal: ketidakpastian hasil akhir yang dihasilkan oleh AI, dan cara AI memberikan hasil pada dasarnya adalah sebuah kotak hitam yang buram.
Pertama-tama, jika keluaran Machine Learning tidak dapat direplikasi, maka akan sulit untuk menerapkannya pada proses produksi yang kritis dan bebas kesalahan. Misalnya, model bahasa besar saat ini, meskipun kita memberikan instruksi yang sama, keluarannya akan selalu bias, jadi kita biasanya menggunakannya sebagai alat heuristik dan tidak memberikan pekerjaan yang paling penting. . Selain itu, proses dimana AI memberikan hasil tidak dapat dipercaya oleh pengguna, yang tidak berani mengirimkan informasi dan data sensitif ke AI.
Ini juga merupakan peluang bagi blockchain dan ZK. Jika kita menggunakan teknologi blockchain atau ZK untuk menjadikan AI lebih dapat dipercaya, maka saat ini kita pada dasarnya dapat memperluas batasan AI yang dapat diakses oleh pengguna C-end. Kami tidak hanya dapat mengizinkan pengguna C-end untuk mencoba AI dengan sejumlah kecil uang, namun ketika AI sudah cukup dapat dipercaya, kami juga dapat mengizinkan pengguna C-end untuk menginvestasikan nilai yang lebih tinggi.
"Kontrak cerdas yang lebih cerdas"
Mengenai smart contract, Vitalik sempat menyampaikan hal menarik sebelumnya, katanya sebenarnya namanya salah, smart contract itu tidak smart, lebih tepatnya skripnya sulit. Dengan kata lain, setelah skrip disebarkan, meskipun salah satu node offline, hal ini tidak dapat mencegah skrip untuk terus berjalan. Namun pada dasarnya itu hanyalah sebuah skrip yang berjalan seperti yang ditulis sebelumnya.
Lalu jika kontrak pintar memiliki kemampuan Pembelajaran Mesin, kita dapat mencapai otonomi on-chain yang sesungguhnya. Untuk AI tradisional, mereka tidak pernah memiliki kesempatan untuk mencapai kedaulatan, karena sebagian besar AI atau model berada di tangan perusahaan besar, dan mereka dapat mematikan atau mengubahnya kapan saja jika mereka mau. Blockchain secara alami dapat menyediakan lingkungan untuk mengembangkan otonomi on-chain.
"Kekuatan pendorong ZKML"
Faktanya, bidang ZK dan ML berkembang pesat saat ini, dan hal-hal baru terus bermunculan di pasar setiap harinya. Saya sendiri telah mengamati dua arah, satu adalah bukti dan yang lainnya adalah infrastruktur komputasi dalam rantai. Groth16 dan halo2 sekarang lebih sering digunakan, terutama untuk perhitungan pada EVM atau VM lainnya, yaitu untuk menghasilkan bukti tanpa pengetahuan untuk perhitungan mesin negara. Namun beberapa orang juga mencoba menggunakannya untuk menghasilkan bukti proses penghitungan inferensi pembelajaran mesin.
Arah lainnya adalah lingkungan komputasi. Dari perspektif ini, tidak hanya lingkungan komputasi untuk ML atau AI, apakah itu zkEVM atau zkWASM yang akhir-akhir ini menjadi perhatian semua orang, lingkungan komputasi yang berbeda dengan sistem bukti ZK ini akan memiliki peluang untuk menjalankan Pembelajaran Mesin di masa depan. model AI. Selama Anda memasukkan model Pembelajaran Mesin ke dalam lingkungan komputasinya, mereka akan menghasilkan Bukti ZK berdasarkan penghitungan, dan kami dapat memastikan bahwa proses ini benar.
Temukan aplikasi zkML yang lebih menarik!
Hal yang paling menarik tentang suatu industri adalah ketika terdapat kebutuhan tersembunyi yang sangat besar di pasar, dan kami mampu memanfaatkan kesenjangan ini dan memberikan solusi yang elegan. Namun, adopsi massal adalah tujuan jangka panjang yang masih diperjuangkan oleh blockchain, dan zk juga merupakan teknologi mutakhir yang relatif sedikit dapat diakses oleh pengguna Internet tradisional biasa. Pengguna mungkin tidak terlalu peduli dengan protokol dan infrastruktur dasar yang tidak jelas ini. Mereka lebih mementingkan apakah produk tersebut mudah digunakan dan apa nilai yang dimilikinya. Bagaimana kita mengabstraksi hal-hal ini, mengeksplorasi kebutuhan pengguna, dan membuat aplikasi yang lebih menarik?
Di bagian terakhir percakapan, kita kembali ke topik yang paling menjadi perhatian semua orang, aplikasi seperti apa yang dibutuhkan pengguna? Hill mengatakan bahwa arahannya yang paling menjanjikan adalah keamanan DeFi, dan memberikan contoh yang sangat jelas untuk menunjukkan kepada semua orang produk apa yang dapat dibuat menggunakan zkML. Saya sangat menyarankan semua orang untuk mendengarkan sampai akhir! Mungkin saya bisa segera mengundang teman-teman saya untuk membangunnya bersama~
Tautan yang berhubungan
Tulisan Hill：
Menyeimbangkan Kekuatan AI/ML: Peran ZK dan Blockchain：
zkML: Mengembangkan Kecerdasan Kontrak Cerdas Melalui Kriptografi Tanpa Pengetahuan：
Pembelajaran Mesin Tanpa Pengetahuan (ZKML): Proyek Menjelajahi Luar Angkasa：
Checks and balances: Pembelajaran mesin dan bukti tanpa pengetahuan：
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.
zkML: Menjadikan AI lebih dapat dipercaya dan kemungkinan otonomi on-chain
"Perkenalan"
Dalam beberapa bulan terakhir, baik industri Internet tradisional maupun bidang blockchain telah terkena dampak kecerdasan buatan sampai batas tertentu. Ketika raksasa internet di seluruh dunia mengikuti kompetisi ini satu demi satu, para praktisi blockchain mulai berpikir tentang apa yang akan dihasilkan oleh kompetisi kecerdasan buatan ini bagi kita. Ketika data, model, algoritme, daya komputasi, dan lain-lain yang tidak terkait dengan pembangunan aplikasi dan infrastruktur AI semakin tersedia, apa yang perlu kita pikirkan? Jika semua ini terjadi dalam kotak hitam, apakah kita masih bisa mempercayai mereka? Dalam episode ini, kami mengundang Hill dari SevenX Ventures untuk mendiskusikan cara menggabungkan pembelajaran mesin dan bukti tanpa pengetahuan? Bagaimana blockchain dan ZKP menyeimbangkan masalah kepercayaan dalam kecerdasan buatan.
Hill menjabat sebagai Pemimpin Riset di SevenX Ventures. Sebelum bergabung dengan SevenX, ia memiliki pengalaman awal di banyak posisi di proyek dan blockchain lain, seperti penelitian tentang desain mekanisme dan desain tokennomics, dan juga bekerja di manajer produk dan hubungan investor.
"Bagaimana masalah kepercayaan mempengaruhi bidang AI dan pelengkap ZK dan blockchain"
Masalah kepercayaan di sini terutama disebabkan oleh dua hal: ketidakpastian hasil akhir yang dihasilkan oleh AI, dan cara AI memberikan hasil pada dasarnya adalah sebuah kotak hitam yang buram.
Pertama-tama, jika keluaran Machine Learning tidak dapat direplikasi, maka akan sulit untuk menerapkannya pada proses produksi yang kritis dan bebas kesalahan. Misalnya, model bahasa besar saat ini, meskipun kita memberikan instruksi yang sama, keluarannya akan selalu bias, jadi kita biasanya menggunakannya sebagai alat heuristik dan tidak memberikan pekerjaan yang paling penting. . Selain itu, proses dimana AI memberikan hasil tidak dapat dipercaya oleh pengguna, yang tidak berani mengirimkan informasi dan data sensitif ke AI.
Ini juga merupakan peluang bagi blockchain dan ZK. Jika kita menggunakan teknologi blockchain atau ZK untuk menjadikan AI lebih dapat dipercaya, maka saat ini kita pada dasarnya dapat memperluas batasan AI yang dapat diakses oleh pengguna C-end. Kami tidak hanya dapat mengizinkan pengguna C-end untuk mencoba AI dengan sejumlah kecil uang, namun ketika AI sudah cukup dapat dipercaya, kami juga dapat mengizinkan pengguna C-end untuk menginvestasikan nilai yang lebih tinggi.
"Kontrak cerdas yang lebih cerdas"
Mengenai smart contract, Vitalik sempat menyampaikan hal menarik sebelumnya, katanya sebenarnya namanya salah, smart contract itu tidak smart, lebih tepatnya skripnya sulit. Dengan kata lain, setelah skrip disebarkan, meskipun salah satu node offline, hal ini tidak dapat mencegah skrip untuk terus berjalan. Namun pada dasarnya itu hanyalah sebuah skrip yang berjalan seperti yang ditulis sebelumnya.
Lalu jika kontrak pintar memiliki kemampuan Pembelajaran Mesin, kita dapat mencapai otonomi on-chain yang sesungguhnya. Untuk AI tradisional, mereka tidak pernah memiliki kesempatan untuk mencapai kedaulatan, karena sebagian besar AI atau model berada di tangan perusahaan besar, dan mereka dapat mematikan atau mengubahnya kapan saja jika mereka mau. Blockchain secara alami dapat menyediakan lingkungan untuk mengembangkan otonomi on-chain.
"Kekuatan pendorong ZKML"
Faktanya, bidang ZK dan ML berkembang pesat saat ini, dan hal-hal baru terus bermunculan di pasar setiap harinya. Saya sendiri telah mengamati dua arah, satu adalah bukti dan yang lainnya adalah infrastruktur komputasi dalam rantai. Groth16 dan halo2 sekarang lebih sering digunakan, terutama untuk perhitungan pada EVM atau VM lainnya, yaitu untuk menghasilkan bukti tanpa pengetahuan untuk perhitungan mesin negara. Namun beberapa orang juga mencoba menggunakannya untuk menghasilkan bukti proses penghitungan inferensi pembelajaran mesin.
Arah lainnya adalah lingkungan komputasi. Dari perspektif ini, tidak hanya lingkungan komputasi untuk ML atau AI, apakah itu zkEVM atau zkWASM yang akhir-akhir ini menjadi perhatian semua orang, lingkungan komputasi yang berbeda dengan sistem bukti ZK ini akan memiliki peluang untuk menjalankan Pembelajaran Mesin di masa depan. model AI. Selama Anda memasukkan model Pembelajaran Mesin ke dalam lingkungan komputasinya, mereka akan menghasilkan Bukti ZK berdasarkan penghitungan, dan kami dapat memastikan bahwa proses ini benar.
Temukan aplikasi zkML yang lebih menarik!
Hal yang paling menarik tentang suatu industri adalah ketika terdapat kebutuhan tersembunyi yang sangat besar di pasar, dan kami mampu memanfaatkan kesenjangan ini dan memberikan solusi yang elegan. Namun, adopsi massal adalah tujuan jangka panjang yang masih diperjuangkan oleh blockchain, dan zk juga merupakan teknologi mutakhir yang relatif sedikit dapat diakses oleh pengguna Internet tradisional biasa. Pengguna mungkin tidak terlalu peduli dengan protokol dan infrastruktur dasar yang tidak jelas ini. Mereka lebih mementingkan apakah produk tersebut mudah digunakan dan apa nilai yang dimilikinya. Bagaimana kita mengabstraksi hal-hal ini, mengeksplorasi kebutuhan pengguna, dan membuat aplikasi yang lebih menarik?
Di bagian terakhir percakapan, kita kembali ke topik yang paling menjadi perhatian semua orang, aplikasi seperti apa yang dibutuhkan pengguna? Hill mengatakan bahwa arahannya yang paling menjanjikan adalah keamanan DeFi, dan memberikan contoh yang sangat jelas untuk menunjukkan kepada semua orang produk apa yang dapat dibuat menggunakan zkML. Saya sangat menyarankan semua orang untuk mendengarkan sampai akhir! Mungkin saya bisa segera mengundang teman-teman saya untuk membangunnya bersama~
Tautan yang berhubungan
Tulisan Hill：
Menyeimbangkan Kekuatan AI/ML: Peran ZK dan Blockchain：
zkML: Mengembangkan Kecerdasan Kontrak Cerdas Melalui Kriptografi Tanpa Pengetahuan：
Pembelajaran Mesin Tanpa Pengetahuan (ZKML): Proyek Menjelajahi Luar Angkasa：
Checks and balances: Pembelajaran mesin dan bukti tanpa pengetahuan：