Modulus labs реализует поддающийся проверке искусственный интеллект, выполняя вычисления машинного обучения вне цепочки и гибко генерируя zkp. В этой статье это решение перераспределяется с точки зрения приложения и анализируется, в каких сценариях оно строго необходимо, а в каких сценариях спрос слаб и в конечном итоге задерживает горизонтальное внедрение. разработка и вертикально унифицированная экологическая модель ИИ на основе публичной цепочки.Основное содержание:
Поддается ли проверке основа искусственного интеллекта: изменяются ли данные в цепочке и учитываются ли честность и конфиденциальность
Когда ИИ не влияет на состояние цепочки, ИИ может выступать в качестве подсказчика, и люди могут судить о качестве услуг ИИ по фактическим эффектам, не проверяя процесс расчета.
При влиянии на статус в цепочке, если услуга ориентирована на отдельных лиц и влияет на определенную конфиденциальность, пользователи все равно могут напрямую судить о процессе извлечения и расчета качества услуги ИИ.
Когда результаты работы ИИ повлияют на справедливость и личную конфиденциальность между несколькими людьми, например, использование ИИ для оценки и распределения вознаграждений членам сообщества, использование ИИ для оптимизации AMM или использование биологических данных, вам следует пересмотреть расчет ИИ. Это Вы можете проверить, где ИИ мог найти PMF.
Вертикальная экосистема приложений ИИ. Поскольку хвост проверяемого ИИ представляет собой смарт-контракт, поскольку между проверяемыми приложениями ИИ могут быть возможны доверительные интерактивные вызовы между ИИ и собственными децентрализованными приложениями, это потенциальная компонуемая экосистема приложений ИИ.
Горизонтальная экосистема приложений ИИ. Система публичной цепочки может решать такие вопросы, как оплата услуг, координация узких мест в платежах, а также соответствие потребностей пользователей и контента услуг поставщикам услуг ИИ, что позволяет пользователям получать децентрализованный опыт обслуживания ИИ с более высокой степенью удобства. свобода.
1. Введение и примеры применения Modulus Labs
1.1 Введение и основные решения
Modulus Labs — это компания, занимающаяся искусственным интеллектом «ончейн», которая считает, что искусственный интеллект может значительно улучшить возможности смарт-контрактов и сделать веб3-приложения более мощными. Однако возникает противоречие, когда ИИ оценивает web3, то есть для работы ИИ требуется большая вычислительная мощность, а ИИ в офчейн-вычислениях представляет собой чёрный ящик, который не отвечает основным требованиям web3 к быть надежным и проверяемым.
Таким образом, план объединения zk Modulus Labs Summit [ремонт вне цепочки + проверка внутри цепочки] предложил проверяемую архитектуру искусственного интеллекта, а именно: модель ML работает вне цепочки, а zkp генерируется вне цепочки для процесса расчета машинного обучения. С помощью этого zkp можно проверить архитектуру, разрешения и входные данные модели оффчейн. Конечно, этот zkp также можно опубликовать в цепочке для проверки с помощью смарт-контрактов. В настоящее время ИИ и контракты в цепочке могут иметь более доверительное взаимодействие, примерно реализуя «ИИ в цепочке».
Основываясь на поддающихся проверке идеях искусственного интеллекта, Modulus Labs в настоящее время запустила три приложения «ончейн искусственного интеллекта», а также предложила множество возможных сценариев применения.
1.2 Случаи применения
Первым запущен бот Rocky, автоматизированный торговый ИИ. Рокки обучается на исторических данных торговой пары wEth/USDC. Он определяет будущую тенденцию доходности на основе исторических данных.После принятия решения о транзакции он генерирует zkp для процесса принятия решения (процесса расчета) и пересылает L1 для отправки сообщения для запуска транзакции.
Второй — шахматная игра по сети «Лила против мира». Две стороны в игре — искусственный интеллект и люди, а ситуация шахматной игры указана в контракте. Игроки работают (взаимодействуют с контрактами) через свои кошельки. ИИ считывает новую ситуацию в шахматной игре, завершает оценку и генерирует zkp для всего процесса расчета. Оба шага выполняются в облаке AWS, а zkp проверяется контрактом в цепочке. После успешной проверки Контракт на шахматную игру призван «играть в шахматы».
Третий - "ончейн" ИИ-художник, запустивший серию NFT zkMon. Суть в том, что ИИ генерирует NFT и публикует его в цепочке, и в то же время генерирует zkp. Пользователи могут использовать zkp для проверки генерирует ли их NFT соответствующую модель искусственного интеллекта.
Кроме того, Modulus Labs приводит еще несколько примеров:
Используйте искусственный интеллект для оценки данных личной цепочки и другой информации, получения вознаграждений в виде личных баллов и публикации zkp для проверки пользователя;
Используйте ИИ для оптимизации производительности AMM и выпуска zkp для проверки пользователей;
Используйте поддающийся проверке искусственный интеллект, чтобы помочь проектам конфиденциальности справиться с давлением со стороны регулирующих органов, не раскрывая конфиденциальность (возможно, используя ОД, чтобы доказать, что эта транзакция не является отмыванием денег, не раскрывая адрес пользователя и другую информацию);
Прогноз погоды AI и zkp выпущены одновременно, чтобы предоставить владельцам возможность проверять надежность оффчейн-данных;
Конкурс моделей искусственного интеллекта, участники представляют свою собственную архитектуру и вес, а затем запускают модель с унифицированными тестовыми входными данными для генерации zkp для брони. Окончательный контракт автоматически распределяет бонус на симулятор;
Worldcoin заявила, что в будущем пользователи смогут загрузить модель, которая генерирует соответствующий код для радужной оболочки глаза, на своем локальном устройстве, запустить модель локально и сгенерировать zkp, чтобы контракт в цепочке мог использовать zkp для убедиться, что код радужной оболочки глаза пользователя сгенерирован на основе правильной модели и приемлемой радужной оболочки глаза, при этом не позволяя биометрической информации покинуть собственное устройство пользователя;
**1.3 Обсудите различные сценарии применения, основанные на потребности в проверяемом ИИ **
1.3.1 Сценарии, в которых может потребоваться проверка ИИ
В сценарии с ботом Rocky пользователям может не потребоваться проверять процесс расчета ML. Во-первых, пользователи не обладают профессиональными знаниями и не имеют возможности проводить реальную проверку. Даже если есть инструмент проверки, пользователю кажется, что [он нажал] кнопку, и всплывающее окно интерфейса сообщает ему, что этот AI-сервис действительно генерируется по определенной модели, и подлинность не может быть определена. Во-вторых, у пользователей нет необходимости в верификации, поскольку их волнует, имеет ли ИИ высокую значимость. Пользователи будут мигрировать, когда она не будет высокой, и всегда будут выбирать модель с лучшей производительностью. Короче говоря, когда пользователи преследуют конечный эффект от ИИ, процесс проверки может иметь небольшое значение, поскольку пользователям нужно только перейти на модельный сервис с лучшим эффектом.
**Одно из возможных решений: ИИ действует только как подсказчик, а пользователи выполняют транзакции самостоятельно. **Когда люди вводят свои торговые цели в ИИ, ИИ рассчитывает и возвращает лучший торговый путь/направление вне сети, а пользователь решает, выполнять ли его. Людям также не нужно проверять модель, которая стоит за ней, просто выберите продукт с наибольшей отдачей.
Другая опасная, но вполне вероятная ситуация заключается в том, что людей вообще не волнует контроль над активами и процесс коррозии ИИ. Когда появляется робот, который автоматически зарабатывает деньги, люди даже готовы доверить свои деньги напрямую ему, просто как прокси. Монеты обычно вносят на CEX или в традиционные банки для финансового управления. Людей не волнует принцип, лежащий в основе этого, их волнует только то, сколько денег они получат в конечном итоге или даже сколько денег сторона проекта показывает, что они зарабатывают, потому что этот вид услуг также может быть в состоянии быстро приобрести большое количество пользователей, что даже лучше, чем использование поддающегося проверке искусственного интеллекта. Скорость итерации продукта на стороне проекта выше.
Сделаем шаг назад: если ИИ вообще не участвует в изменении состояния цепочки, то если данные внутри цепочки извлекаются для потребления пользователями, нет необходимости генерировать ZKP для процесса вычислений. Здесь такие приложения превращаются в [сервисы данных]. Вот несколько случаев:
Окно чата, предоставляемое Mest, представляет собой типичную службу передачи данных. Пользователи могут использовать методы вопросов и ответов, чтобы понять свои собственные данные в сети, например, спрашивать, сколько они потратили на NFT;
*ChainGPT — это многофункциональный помощник на базе искусственного интеллекта, который может интерпретировать смарт-контракты перед торговлей, сообщая вам, торгуете ли вы с правильным пулом, или сообщает вам, может ли транзакция быть удержана или опережать. ChainGPT также готовится предоставлять рекомендации по новостям AI, подсказки по вводу для автоматического создания изображений и публикации их в NFT и других сервисах;
RSS3 предоставляет выбор AIOP, позволяя пользователям выбирать, какие данные он-чейн они хотят, и создавать определенные данные в цепочке, тем самым удобно выбирая конкретные данные в цепочке для обучения ИИ;
DefiLlama и RSS3 также разработали плагины ChatGPT, позволяющие пользователям получать данные в цепочке посредством разговоров;
1.3.2 Сценарии, в которых требуется проверка ИИ
В этой статье предполагается, что многочисленные сценарии, включающие справедливость и конфиденциальность, требуют, чтобы ZKP обеспечил проверку.Здесь мы обсуждаем несколько приложений, упомянутых Modulus Labs:
Когда сообщество выдает вознаграждения на основе индивидуальных вознаграждений, генерируемых ИИ, члены сообщества неизбежно потребуют пересмотра процесса принятия решений, который представляет собой процесс расчета ML;
ИИ-оптимизация АММ предполагает распределение интересов между несколькими сторонами, при этом процесс расчета ИИ также необходимо регулярно проверять;
При балансировании конфиденциальности и контроля ZK в настоящее время является одним из лучших решений. Если поставщик услуг использует ML для обработки личных данных в сервисе, ему необходимо генерировать ZKP для всего процесса вычислений;
Поскольку прогностическая машина имеет широкий диапазон влияния, если она настраивается ИИ, ZKP необходимо регулярно генерировать, чтобы проверить, нормально ли работает ИИ;
В ходе конкурса общественность и другие участники обязаны проверить соответствие ущерба от ОД стандартам конкурса;
В потенциальном случае с WorldCoin защита личных биометрических данных также является сдерживающей необходимостью;
Вообще говоря, когда искусственный интеллект подобен лицу, принимающему решения, а его результаты имеют широкий спектр последствий и требуют справедливости многих сторон, люди будут требовать пересмотра процесса принятия решений или просто гарантировать, что принятие решений Процесс искусственного интеллекта не имеет серьезных последствий, и защита личной жизни является очень прямой необходимостью.
Таким образом, [находится ли вывод ИИ в статусе он-чейн] и [нужны ли изменения повлиять на справедливость/конфиденциальность] являются двумя критериями для оценки того, поддается ли решение ИИ проверке.
Когда вывод ИИ не изменяет состояние в цепочке, служба ИИ может выступать в качестве подсказчика, а о качестве услуги ИИ можно судить по эффекту внушения без необходимости проверки расчета. процесс;
Когда выходные данные ИИ изменяют статус он-чейн, если услуга предназначена только для частных лиц и не влияет на конфиденциальность, пользователь все равно может напрямую судить о процессе расчета проверки качества услуги ИИ;
Когда результаты работы ИИ будут напрямую влиять на справедливость среди нескольких людей, а ИИ автоматически изменяет данные в цепочке, у сообщества и общественности возникает необходимость изучить процесс принятия решений ИИ;
Если данные, обрабатываемые ML, затрагивают конфиденциальность личной информации, zk также обязан защищать конфиденциальность и предлагать нормативные требования.
** 2. Две экологические модели искусственного интеллекта, основанные на публичных цепочках* *
В любом случае, решение Modulus Labs имеет большое значение для объединения искусственного интеллекта с криптовалютой и повышения практической ценности приложений. Однако система публичной цепочки может не только улучшить возможности отдельных сервисов ИИ, но и потенциально создать новую экосистему приложений ИИ. Новая экология привела к появлению привлекательных отношений между службами ИИ в Web2. Способ сотрудничества между службами ИИ и пользователями должен быть способом сотрудничества между восходящими и нисходящими связями. Мы можем обобщить потенциальные экологические модели ИИ на два типа: вертикальный режим и горизонтальный режим.
2.1 Вертикальный режим: Внимание обеспечивает возможность компоновки между искусственными интеллектами
Особенностью примера сетевых шахмат «Лила против всего мира» является то, что люди могут делать ставки для людей или ИИ, а жетоны автоматически распределяются после игры. В настоящее время значение zkp заключается не только в том, чтобы предоставить пользователям процесс проверки вычислений ИИ, но и в качестве доверия, которое запускает переходы состояний в цепочке. Благодаря обеспечению доверия также возможно обеспечить компоновку на уровне децентрализованных приложений между службами ИИ, а также между ИИ и децентрализованными приложениями криптовалюты.
Базовой единицей составного ИИ является [модель автономного машинного обучения-генерация zkp-контракт проверки цепочки-основной контракт].Этот блок обогащен в рамках «Лила против мира», но реальная архитектура единого ИИ dapp может отличаться от приведенного выше. На рисунке показано иначе. Во-первых, ситуация в шахматах требует контракта, но на самом деле ИИ может не нуждаться в ончейн-контракте. Но с точки зрения архитектуры составного ИИ, если основной бизнес фиксируется посредством контрактов, два других заключаются в том, что влияние основного контракта не обязательно требует модели МО самого dapp ИИ, поскольку определенный ИИ dapp может иметь одностороннее влияние, и модель ML обрабатывает его. После завершения просто активируйте контракт, связанный с вашим собственным бизнесом, и контракт будет вызываться другими dapps.
В расширенном представлении вызовы между контрактами — это вызовы между различными приложениями web3, которые представляют собой запросы личной информации, активов, финансовых услуг и социальной информации. Мы можем представить себе конкретную комбинацию приложений AI:
Worldcoin использует ML для генерации кодов радужной оболочки глаза и zkp для личных данных радужной оболочки глаза;
Приложение AI сначала проверяет, является ли DID реальным человеком (с данными радужной оболочки глаза), и выделяет NFT пользователю на основе репутации в цепочке;
Сетевая служба регулирует совместное использование сети на основе NFT, принадлежащего пользователю;
......
Взаимодействие между ИИ в рамках публичной цепочки не является предметом обсуждения. может самооптимизироваться и автоматически. Компания AI Arena разработала автоматическую боевую игру с искусственным интеллектом. Пользователи сначала приобретают NFT. Каждый NFT представляет собой боевого робота, за которым стоит модель искусственного интеллекта. Пользователи сначала сами играют в игру, а затем обмениваются данными с ИИ для моделирования и обучения. Когда пользователь чувствует, что ИИ достаточно силен, его можно разместить на арене, чтобы автоматически сражаться с другими ИИ. AI Arena, упомянутая Modulus Labs, надеется превратить эти ИИ в проверяемый ИИ. В обоих случаях рассматривалась возможность прямого взаимодействия между ИИ для изменения данных в цепочке во время транзакций.
Но как объединить ИИ для решения множества вопросов, которые предстоит обсудить с точки зрения конкретной реализации, например, различные децентрализованные приложения с использованием универсальных zkp или контрактов проверки и т. д. Однако существует также большое количество отличных проектов в области зк.Например, RISC Zero добился большого прогресса в высвобождении сложных ишемических зкп вне цепочки.Может быть, подходящее решение можно собрать в виде день.
2.2 Горизонтальный режим: сервисная платформа искусственного интеллекта для реализации децентрализации парковок
В связи с этим мы в основном представляем децентрализованную платформу искусственного интеллекта под названием SAKSHI, которая была совместно предложена людьми из Принстона, Университета Цинхуа, Университета Иллинойса в Урбана-Шампейн, Гонконгского университета науки и технологий, Witness Chain и Eigen Layer. Его основная цель — предоставить пользователям возможность получать услуги ИИ более децентрализованно, делая весь процесс более надежным и автоматизированным.
Архитектуру SAKSHI можно разделить на шесть уровней: уровень обслуживания, уровень управления, уровень транзакций, уровень доказательства, экономический уровень и рынок) )
Рынок - это уровень, наиболее близкий к пользователю. На рынке существуют агрегаторы для оказания услуг пользователям от имени разных поставщиков ИИ. Через агрегатор пользователей размещаются заказы и с агрегатором достигается договоренность о качестве услуги и цене оплаты ( соглашение называется SLA) — Соглашение об уровне обслуживания).
Следующий уровень сервиса предоставит API для заголовка клиента, а затем заголовок клиента инициирует запрос вывода ML к агрегатору, и запрос будет передан на сервер, соответствующий поставщику услуг AI (маршрут, используемый для передачи запрос является частью уровня управления). Уровень обслуживания и уровень управления аналогичны сервису web2 с несколькими серверами, но разные серверы управляются разными организациями, а один сервер связан с агрегатором посредством SLA (предыдущее соглашение об обслуживании).
SLA развертывается в цепочке в виде смарт-контрактов, и эти контракты относятся к уровню транзакций (Примечание: в этом решении они развертываются в цепочке свидетелей). Уровень транзакций записывает текущий статус заказов на бухгалтерские услуги и используется для координации пользователей, агрегаторов и поставщиков услуг для решения проблем с оплатой.
Чтобы уровень транзакций имел доказательства, на которые можно положиться при решении проблем, уровень подтверждения проверит, соответствует ли услуга согласованной модели использования SLA. Однако SAKSHI не решил создать zkp для процесса расчета ML. Вместо этого он использовал оптимистический аргумент и надеялся создать сеть узлов-претендентов для тестирования службы.Узлы переносятся цепочкой свидетелей.
Хотя SLA и сеть узлов-претендентов находятся в цепочке свидетелей, по плану SAKSHI, цепочка свидетелей не намерена использовать свои собственные токены для достижения независимой безопасности, а заимствует безопасность Ethereum через собственный уровень, поэтому весь экономический уровень фактически полагается на на собственном слое.
Видно, что SAKSHI организует различные ИИ децентрализованно для предоставления услуг пользователям на основе отношений между поставщиками услуг ИИ и пользователями, что образует горизонтальный план. Суть SAKSHI заключается в том, что он позволяет службам искусственного интеллекта больше сосредоточиться на управлении собственными расчетами моделей вне цепочки, выполнении сопоставления потребностей пользователей и услуг модели, оплате услуг и проверке качества услуг с помощью протоколов цепочки, а также попытках автоматически решать проблемы с оплатой. Конечно, в настоящее время САКШИ все еще находится на теоретической стадии, и еще предстоит определить множество деталей реализации.
3.Перспективы на будущее
Будь то составной ИИ или децентрализованная платформа ИИ, экологические модели ИИ публичных цепочек, похоже, имеют что-то общее. Например, поставщики услуг искусственного интеллекта не взаимодействуют напрямую с пользователями. Им нужно только предоставлять модели машинного обучения и выполнять автономные вычисления и платежи, решать проблемы и сопоставлять потребности пользователей и услуг, и все это можно решить с помощью децентрализованных протоколов. Будучи не требующей доверия инфраструктурой, публичная цепочка снижает трудности между поставщиками услуг и пользователями. При этом пользователи также обладают большей автономией.
Хотя преимущества использования публичных цепочек в качестве основы для приложений банальны, они также применимы и к сервисам ИИ. Однако приложения искусственного интеллекта отличаются от существующих приложений dapp.
Благодаря внедрению ряда решений по оптимизации опыта, таких как абстракция учетной записи, пользователи больше не могут воспринимать существование мнемоники, цепочек, газа и т. д. Это делает экосистему публичной цепочки близкой к Web2 с точки зрения опыта, и пользователи могут получить более высокие результаты. сервисов, чем web2. Степень свободы и возможности компоновки делают его более привлекательным для пользователей, а экосистема приложений искусственного интеллекта, основанная на публичной цепочке, заслуживает того, чтобы с нетерпением ждать.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
От проверяемого ИИ к составному ИИ: размышления о сценариях применения ZKML
Автор: Го Турбина, Зеркало
в целом:
Modulus labs реализует поддающийся проверке искусственный интеллект, выполняя вычисления машинного обучения вне цепочки и гибко генерируя zkp. В этой статье это решение перераспределяется с точки зрения приложения и анализируется, в каких сценариях оно строго необходимо, а в каких сценариях спрос слаб и в конечном итоге задерживает горизонтальное внедрение. разработка и вертикально унифицированная экологическая модель ИИ на основе публичной цепочки.Основное содержание:
Поддается ли проверке основа искусственного интеллекта: изменяются ли данные в цепочке и учитываются ли честность и конфиденциальность
Когда ИИ не влияет на состояние цепочки, ИИ может выступать в качестве подсказчика, и люди могут судить о качестве услуг ИИ по фактическим эффектам, не проверяя процесс расчета.
При влиянии на статус в цепочке, если услуга ориентирована на отдельных лиц и влияет на определенную конфиденциальность, пользователи все равно могут напрямую судить о процессе извлечения и расчета качества услуги ИИ.
Когда результаты работы ИИ повлияют на справедливость и личную конфиденциальность между несколькими людьми, например, использование ИИ для оценки и распределения вознаграждений членам сообщества, использование ИИ для оптимизации AMM или использование биологических данных, вам следует пересмотреть расчет ИИ. Это Вы можете проверить, где ИИ мог найти PMF.
Вертикальная экосистема приложений ИИ. Поскольку хвост проверяемого ИИ представляет собой смарт-контракт, поскольку между проверяемыми приложениями ИИ могут быть возможны доверительные интерактивные вызовы между ИИ и собственными децентрализованными приложениями, это потенциальная компонуемая экосистема приложений ИИ.
Горизонтальная экосистема приложений ИИ. Система публичной цепочки может решать такие вопросы, как оплата услуг, координация узких мест в платежах, а также соответствие потребностей пользователей и контента услуг поставщикам услуг ИИ, что позволяет пользователям получать децентрализованный опыт обслуживания ИИ с более высокой степенью удобства. свобода.
1. Введение и примеры применения Modulus Labs
1.1 Введение и основные решения
Modulus Labs — это компания, занимающаяся искусственным интеллектом «ончейн», которая считает, что искусственный интеллект может значительно улучшить возможности смарт-контрактов и сделать веб3-приложения более мощными. Однако возникает противоречие, когда ИИ оценивает web3, то есть для работы ИИ требуется большая вычислительная мощность, а ИИ в офчейн-вычислениях представляет собой чёрный ящик, который не отвечает основным требованиям web3 к быть надежным и проверяемым.
Таким образом, план объединения zk Modulus Labs Summit [ремонт вне цепочки + проверка внутри цепочки] предложил проверяемую архитектуру искусственного интеллекта, а именно: модель ML работает вне цепочки, а zkp генерируется вне цепочки для процесса расчета машинного обучения. С помощью этого zkp можно проверить архитектуру, разрешения и входные данные модели оффчейн. Конечно, этот zkp также можно опубликовать в цепочке для проверки с помощью смарт-контрактов. В настоящее время ИИ и контракты в цепочке могут иметь более доверительное взаимодействие, примерно реализуя «ИИ в цепочке».
Основываясь на поддающихся проверке идеях искусственного интеллекта, Modulus Labs в настоящее время запустила три приложения «ончейн искусственного интеллекта», а также предложила множество возможных сценариев применения.
1.2 Случаи применения
Кроме того, Modulus Labs приводит еще несколько примеров:
1.3.1 Сценарии, в которых может потребоваться проверка ИИ
В сценарии с ботом Rocky пользователям может не потребоваться проверять процесс расчета ML. Во-первых, пользователи не обладают профессиональными знаниями и не имеют возможности проводить реальную проверку. Даже если есть инструмент проверки, пользователю кажется, что [он нажал] кнопку, и всплывающее окно интерфейса сообщает ему, что этот AI-сервис действительно генерируется по определенной модели, и подлинность не может быть определена. Во-вторых, у пользователей нет необходимости в верификации, поскольку их волнует, имеет ли ИИ высокую значимость. Пользователи будут мигрировать, когда она не будет высокой, и всегда будут выбирать модель с лучшей производительностью. Короче говоря, когда пользователи преследуют конечный эффект от ИИ, процесс проверки может иметь небольшое значение, поскольку пользователям нужно только перейти на модельный сервис с лучшим эффектом.
**Одно из возможных решений: ИИ действует только как подсказчик, а пользователи выполняют транзакции самостоятельно. **Когда люди вводят свои торговые цели в ИИ, ИИ рассчитывает и возвращает лучший торговый путь/направление вне сети, а пользователь решает, выполнять ли его. Людям также не нужно проверять модель, которая стоит за ней, просто выберите продукт с наибольшей отдачей.
Другая опасная, но вполне вероятная ситуация заключается в том, что людей вообще не волнует контроль над активами и процесс коррозии ИИ. Когда появляется робот, который автоматически зарабатывает деньги, люди даже готовы доверить свои деньги напрямую ему, просто как прокси. Монеты обычно вносят на CEX или в традиционные банки для финансового управления. Людей не волнует принцип, лежащий в основе этого, их волнует только то, сколько денег они получат в конечном итоге или даже сколько денег сторона проекта показывает, что они зарабатывают, потому что этот вид услуг также может быть в состоянии быстро приобрести большое количество пользователей, что даже лучше, чем использование поддающегося проверке искусственного интеллекта. Скорость итерации продукта на стороне проекта выше.
Сделаем шаг назад: если ИИ вообще не участвует в изменении состояния цепочки, то если данные внутри цепочки извлекаются для потребления пользователями, нет необходимости генерировать ZKP для процесса вычислений. Здесь такие приложения превращаются в [сервисы данных]. Вот несколько случаев:
1.3.2 Сценарии, в которых требуется проверка ИИ
В этой статье предполагается, что многочисленные сценарии, включающие справедливость и конфиденциальность, требуют, чтобы ZKP обеспечил проверку.Здесь мы обсуждаем несколько приложений, упомянутых Modulus Labs:
Вообще говоря, когда искусственный интеллект подобен лицу, принимающему решения, а его результаты имеют широкий спектр последствий и требуют справедливости многих сторон, люди будут требовать пересмотра процесса принятия решений или просто гарантировать, что принятие решений Процесс искусственного интеллекта не имеет серьезных последствий, и защита личной жизни является очень прямой необходимостью.
Таким образом, [находится ли вывод ИИ в статусе он-чейн] и [нужны ли изменения повлиять на справедливость/конфиденциальность] являются двумя критериями для оценки того, поддается ли решение ИИ проверке.
В любом случае, решение Modulus Labs имеет большое значение для объединения искусственного интеллекта с криптовалютой и повышения практической ценности приложений. Однако система публичной цепочки может не только улучшить возможности отдельных сервисов ИИ, но и потенциально создать новую экосистему приложений ИИ. Новая экология привела к появлению привлекательных отношений между службами ИИ в Web2. Способ сотрудничества между службами ИИ и пользователями должен быть способом сотрудничества между восходящими и нисходящими связями. Мы можем обобщить потенциальные экологические модели ИИ на два типа: вертикальный режим и горизонтальный режим.
2.1 Вертикальный режим: Внимание обеспечивает возможность компоновки между искусственными интеллектами
Особенностью примера сетевых шахмат «Лила против всего мира» является то, что люди могут делать ставки для людей или ИИ, а жетоны автоматически распределяются после игры. В настоящее время значение zkp заключается не только в том, чтобы предоставить пользователям процесс проверки вычислений ИИ, но и в качестве доверия, которое запускает переходы состояний в цепочке. Благодаря обеспечению доверия также возможно обеспечить компоновку на уровне децентрализованных приложений между службами ИИ, а также между ИИ и децентрализованными приложениями криптовалюты.
Базовой единицей составного ИИ является [модель автономного машинного обучения-генерация zkp-контракт проверки цепочки-основной контракт].Этот блок обогащен в рамках «Лила против мира», но реальная архитектура единого ИИ dapp может отличаться от приведенного выше. На рисунке показано иначе. Во-первых, ситуация в шахматах требует контракта, но на самом деле ИИ может не нуждаться в ончейн-контракте. Но с точки зрения архитектуры составного ИИ, если основной бизнес фиксируется посредством контрактов, два других заключаются в том, что влияние основного контракта не обязательно требует модели МО самого dapp ИИ, поскольку определенный ИИ dapp может иметь одностороннее влияние, и модель ML обрабатывает его. После завершения просто активируйте контракт, связанный с вашим собственным бизнесом, и контракт будет вызываться другими dapps.
В расширенном представлении вызовы между контрактами — это вызовы между различными приложениями web3, которые представляют собой запросы личной информации, активов, финансовых услуг и социальной информации. Мы можем представить себе конкретную комбинацию приложений AI:
Взаимодействие между ИИ в рамках публичной цепочки не является предметом обсуждения. может самооптимизироваться и автоматически. Компания AI Arena разработала автоматическую боевую игру с искусственным интеллектом. Пользователи сначала приобретают NFT. Каждый NFT представляет собой боевого робота, за которым стоит модель искусственного интеллекта. Пользователи сначала сами играют в игру, а затем обмениваются данными с ИИ для моделирования и обучения. Когда пользователь чувствует, что ИИ достаточно силен, его можно разместить на арене, чтобы автоматически сражаться с другими ИИ. AI Arena, упомянутая Modulus Labs, надеется превратить эти ИИ в проверяемый ИИ. В обоих случаях рассматривалась возможность прямого взаимодействия между ИИ для изменения данных в цепочке во время транзакций.
Но как объединить ИИ для решения множества вопросов, которые предстоит обсудить с точки зрения конкретной реализации, например, различные децентрализованные приложения с использованием универсальных zkp или контрактов проверки и т. д. Однако существует также большое количество отличных проектов в области зк.Например, RISC Zero добился большого прогресса в высвобождении сложных ишемических зкп вне цепочки.Может быть, подходящее решение можно собрать в виде день.
2.2 Горизонтальный режим: сервисная платформа искусственного интеллекта для реализации децентрализации парковок
В связи с этим мы в основном представляем децентрализованную платформу искусственного интеллекта под названием SAKSHI, которая была совместно предложена людьми из Принстона, Университета Цинхуа, Университета Иллинойса в Урбана-Шампейн, Гонконгского университета науки и технологий, Witness Chain и Eigen Layer. Его основная цель — предоставить пользователям возможность получать услуги ИИ более децентрализованно, делая весь процесс более надежным и автоматизированным.
Архитектуру SAKSHI можно разделить на шесть уровней: уровень обслуживания, уровень управления, уровень транзакций, уровень доказательства, экономический уровень и рынок) )
Рынок - это уровень, наиболее близкий к пользователю. На рынке существуют агрегаторы для оказания услуг пользователям от имени разных поставщиков ИИ. Через агрегатор пользователей размещаются заказы и с агрегатором достигается договоренность о качестве услуги и цене оплаты ( соглашение называется SLA) — Соглашение об уровне обслуживания).
Следующий уровень сервиса предоставит API для заголовка клиента, а затем заголовок клиента инициирует запрос вывода ML к агрегатору, и запрос будет передан на сервер, соответствующий поставщику услуг AI (маршрут, используемый для передачи запрос является частью уровня управления). Уровень обслуживания и уровень управления аналогичны сервису web2 с несколькими серверами, но разные серверы управляются разными организациями, а один сервер связан с агрегатором посредством SLA (предыдущее соглашение об обслуживании).
SLA развертывается в цепочке в виде смарт-контрактов, и эти контракты относятся к уровню транзакций (Примечание: в этом решении они развертываются в цепочке свидетелей). Уровень транзакций записывает текущий статус заказов на бухгалтерские услуги и используется для координации пользователей, агрегаторов и поставщиков услуг для решения проблем с оплатой.
Чтобы уровень транзакций имел доказательства, на которые можно положиться при решении проблем, уровень подтверждения проверит, соответствует ли услуга согласованной модели использования SLA. Однако SAKSHI не решил создать zkp для процесса расчета ML. Вместо этого он использовал оптимистический аргумент и надеялся создать сеть узлов-претендентов для тестирования службы.Узлы переносятся цепочкой свидетелей.
Хотя SLA и сеть узлов-претендентов находятся в цепочке свидетелей, по плану SAKSHI, цепочка свидетелей не намерена использовать свои собственные токены для достижения независимой безопасности, а заимствует безопасность Ethereum через собственный уровень, поэтому весь экономический уровень фактически полагается на на собственном слое.
Видно, что SAKSHI организует различные ИИ децентрализованно для предоставления услуг пользователям на основе отношений между поставщиками услуг ИИ и пользователями, что образует горизонтальный план. Суть SAKSHI заключается в том, что он позволяет службам искусственного интеллекта больше сосредоточиться на управлении собственными расчетами моделей вне цепочки, выполнении сопоставления потребностей пользователей и услуг модели, оплате услуг и проверке качества услуг с помощью протоколов цепочки, а также попытках автоматически решать проблемы с оплатой. Конечно, в настоящее время САКШИ все еще находится на теоретической стадии, и еще предстоит определить множество деталей реализации.
3.Перспективы на будущее
Будь то составной ИИ или децентрализованная платформа ИИ, экологические модели ИИ публичных цепочек, похоже, имеют что-то общее. Например, поставщики услуг искусственного интеллекта не взаимодействуют напрямую с пользователями. Им нужно только предоставлять модели машинного обучения и выполнять автономные вычисления и платежи, решать проблемы и сопоставлять потребности пользователей и услуг, и все это можно решить с помощью децентрализованных протоколов. Будучи не требующей доверия инфраструктурой, публичная цепочка снижает трудности между поставщиками услуг и пользователями. При этом пользователи также обладают большей автономией.
Хотя преимущества использования публичных цепочек в качестве основы для приложений банальны, они также применимы и к сервисам ИИ. Однако приложения искусственного интеллекта отличаются от существующих приложений dapp.
Благодаря внедрению ряда решений по оптимизации опыта, таких как абстракция учетной записи, пользователи больше не могут воспринимать существование мнемоники, цепочек, газа и т. д. Это делает экосистему публичной цепочки близкой к Web2 с точки зрения опыта, и пользователи могут получить более высокие результаты. сервисов, чем web2. Степень свободы и возможности компоновки делают его более привлекательным для пользователей, а экосистема приложений искусственного интеллекта, основанная на публичной цепочке, заслуживает того, чтобы с нетерпением ждать.