Modulus labs реалізує штучний інтелект, який можна перевірити, виконуючи обчислення ML поза ланцюгом і гнучко генеруючи zkp. У цій статті це рішення повторно розгортається з точки зору додатка та аналізується, у яких сценаріях воно вкрай необхідно, а в яких сценаріях попит слабкий, що зрештою затримує горизонтальну розробка та вертикально уніфікована екологічна модель штучного інтелекту на основі публічного ланцюга Основний зміст:
Чи піддається перевірці основа штучного інтелекту: чи змінено дані в ланцюжку та чи задіяні справедливість і конфіденційність
Коли штучний інтелект не впливає на стан ланцюжка, штучний інтелект може виступати в якості підказки, і люди можуть судити про якість послуг штучного інтелекту через фактичні ефекти, не перевіряючи процес розрахунку.
При впливі на статус у ланцюжку, якщо послуга націлена на окремих осіб і впливає на певну конфіденційність, користувачі все одно можуть безпосередньо судити про процес вилучення якості послуг штучного інтелекту та обчислення перевірки.
Якщо результати штучного інтелекту впливатимуть на справедливість і особисту конфіденційність кількох людей, наприклад використання штучного інтелекту для оцінки та розподілу винагород серед членів спільноти, використання штучного інтелекту для оптимізації AMM або залучення біологічних даних, ви захочете переглянути розрахунок ШІ. Тут ви можете перевірити, де ШІ міг знайти PMF.
Вертикальна екосистема додатків штучного інтелекту: оскільки хвіст верифікованого ШІ — це смарт-контракт, оскільки між ШІ-додатками, які можна перевірити, можуть бути можливі довірчі інтерактивні виклики між верифікованими додатками ШІ, це потенційна екосистема додатків ШІ, що може складатися.
Горизонтальна екосистема додатків штучного інтелекту: система загальнодоступного ланцюга може вирішувати такі проблеми, як оплата послуг, узгодження вузьких місць платежів і узгодження потреб користувачів і вмісту послуг для постачальників послуг штучного інтелекту, що дозволяє користувачам отримувати децентралізовані послуги ШІ з вищим ступенем свобода.
1. Вступ і випадки застосування Modulus Labs
1.1 Вступ і основні рішення
Modulus Labs — це «on-chain» компанія штучного інтелекту, яка вважає, що штучний інтелект може значно покращити можливості смарт-контрактів і зробити програми web3 потужнішими. Однак існує протиріччя, коли штучний інтелект оцінює web3, тобто робота штучного інтелекту вимагає великої обчислювальної потужності, а штучний інтелект в обчисленнях поза ланцюгом є чорним ящиком, який не відповідає основним вимогам web3 до бути надійним і таким, що можна перевірити.
Таким чином, план Modulus Labs Summit zk rollup [off-chain repair + on-chain verification] пропонує архітектуру штучного інтелекту, яку можна перевірити, зокрема: модель ML працює поза ланцюгом, а zkp генерується поза ланцюгом для процесу розрахунку ML. За допомогою цього zkp можна перевірити архітектуру, дозволи та вхідні дані позаланцюжкової моделі. Звичайно, цей zkp також можна опублікувати в ланцюжку для перевірки за допомогою смарт-контрактів. У цей час штучний інтелект і контракти в ланцюжку можуть мати більш ненадійні взаємодії, приблизно реалізуючи «інтелектуальний інтелект в ланцюжку».
Базуючись на ідеях штучного інтелекту, які можна перевірити, Modulus Labs на даний момент запустила три додатки «on-chain AI», а також запропонувала багато можливих сценаріїв застосування.
1.2 Випадки застосування
Перший запущений бот Rocky, автоматичний торговий штучний інтелект. Роккі навчається на основі історичних даних торгової пари wEth/USDC. Він визначає майбутній тренд weth на основі історичних даних.Після прийняття рішення про транзакцію він генерує zkp для процесу прийняття рішень (процес розрахунку) і пересилає L1, щоб надіслати повідомлення для запуску транзакції.
Друга — гра в шахи в ланцюжку «Ліла проти світу». У грі беруть участь дві сторони: штучний інтелект і люди, а ситуація гри в шахи міститься в контракті. Гравці працюють (взаємодіють з контрактами) через свої гаманці. AI зчитує нову ситуацію шахової гри, завершує рішення та генерує zkp для всього процесу розрахунку. Обидва кроки виконуються в хмарі AWS, а zkp перевіряється контрактом у ланцюжку. Після успішної перевірки договір гри в шахи називається «грати в шахи».
Третій — «on-chain» AI artist, який запустив серію NFT zkMon. Суть полягає в тому, що AI генерує NFT і публікує їх у ланцюжку, і в той же час генерує zkp. Користувачі можуть використовувати zkp для перевірки чи генерує їх NFT відповідну модель ШІ.
Крім того, Modulus Labs згадує деякі інші приклади:
Використовуйте штучний інтелект для оцінки даних особистого ланцюга та іншої інформації, створення особистих балів і публікації zkp для перевірки користувача;
Використовуйте AI для оптимізації продуктивності AMM і випустіть zkp для перевірки користувача;
Використовуйте штучний інтелект, який можна перевірити, щоб допомогти проектам конфіденційності впоратися з нормативним тиском, не розкриваючи конфіденційність (можливо, використовуючи ML, щоб довести, що ця транзакція не є відмиванням грошей, не розкриваючи адресу користувача та іншу інформацію);
Прогноз погоди AI, і zkp випущено одночасно, щоб надати власникам можливість перевірити надійність даних поза мережею;
Конкурс моделей AI, учасники надсилають свою власну архітектуру та ваги, а потім запускають модель з уніфікованими тестовими вхідними даними, щоб створити zkp для броні. Остаточний контракт автоматично розподілить бонус для симулятора;
Worldcoin повідомляє, що в майбутньому користувачі зможуть завантажити модель, яка генерує відповідний код для райдужної оболонки ока, на свій локальний пристрій, запустити модель локально та створити zkp, щоб контракт у ланцюжку міг використовувати zkp для переконайтеся, що код райдужної оболонки ока користувача створено на основі правильної моделі та розумної райдужної оболонки ока, при цьому біометрична інформація не залишає власний пристрій користувача;
**1.3 Обговорення різних сценаріїв застосування на основі попиту на верифіковані ШІ **
1.3.1 Сценарії, коли ШІ може знадобитися перевірити
У сценарії бота Rocky користувачам може не знадобитися перевіряти процес обчислення ML. По-перше, користувачі не мають професійних знань і не мають змоги провести реальну перевірку. Навіть якщо є інструмент перевірки, користувачеві здається, що [він натиснув] кнопку, і спливаюче вікно інтерфейсу говорить йому, що цей сервіс AI дійсно створений певною моделлю, і справжність не може бути визначена. По-друге, користувачам не потрібна перевірка, тому що їм важливо, чи важливий ШІ. Користувачі переходитимуть, коли він невисокий, і завжди вибиратимуть модель із найкращою продуктивністю. Коротше кажучи, коли користувачі прагнуть отримати кінцевий ефект від штучного інтелекту, процес перевірки може мати невелике значення, оскільки користувачам потрібно лише перейти на типову послугу з найкращим ефектом.
**Одним із можливих рішень є: штучний інтелект діє лише як підказник, а користувачі виконують транзакції незалежно. **Коли люди вводять свої торгові цілі в AI, AI обчислює та повертає кращий торговий шлях/напрямок поза мережею, а користувач вирішує, чи виконувати його. Людям також не потрібно перевіряти модель, що стоїть за цим, просто виберіть продукт із найвищою прибутковістю.
Інша небезпечна, але дуже вірогідна ситуація полягає в тому, що люди взагалі не піклуються про свій контроль над активами та процесом корозії ШІ.Коли з’являється робот, який автоматично заробляє гроші, люди навіть готові довірити йому свої гроші безпосередньо, просто як проксі. Звичайним є розміщення монет у CEX або традиційних банках для управління фінансами. Людям не важливий принцип, який лежить в основі цього, їм важливе лише те, скільки грошей вони отримають зрештою, або навіть скільки грошей сторона проекту показує їм як зароблені, тому що цей вид послуги також може швидко отримати велика кількість користувачів, навіть краще, ніж використання перевіреного штучного інтелекту. Швидкість ітерації продукту на стороні проекту є вищою.
Роблячи крок назад, якщо штучний інтелект взагалі не бере участь у модифікації стану в ланцюжку, то якщо дані в ланцюзі знімаються для споживання користувачами, немає необхідності генерувати ZKP для процесу обчислення. Ось такі програми перетворюються на [служби передачі даних]. Ось кілька випадків:
Вікно чату, надане Mest, є типовою службою даних. Користувачі можуть використовувати методи запитань і відповідей, щоб зрозуміти власні дані в мережі, наприклад запитувати, скільки вони витратили на NFT;
*ChainGPT — це багатофункціональний помічник зі штучним інтелектом, який може інтерпретувати смарт-контракти перед торгівлею, повідомляючи вам, чи торгуєте ви з правильним пулом, чи повідомляючи вам, чи ймовірно транзакція буде припинена або передовсім. ChainGPT також готується надавати рекомендації щодо новин штучного інтелекту, підказки введення для автоматичного створення зображень і публікації їх у NFT та інших сервісах;
RSS3 надає можливість вибору AIOP, дозволяючи користувачам вибирати, які дані в ланцюжку вони хочуть, і створювати певні дані в ланцюжку, таким чином зручно вибираючи конкретні дані в ланцюжку для навчання ШІ;
DefiLlama та RSS3 також розробили плагіни ChatGPT, що дозволяє користувачам отримувати дані в мережі через розмови;
1.3.2 Сценарії, коли штучний інтелект потрібно перевірити
Ця стаття вважає, що кілька сценаріїв, пов’язаних із справедливістю та конфіденційністю, вимагають перевірки ZKP. Тут ми обговорюємо кілька програм, згаданих Modulus Labs:
Коли спільнота видає винагороди на основі індивідуальних винагород, створених штучним інтелектом, члени спільноти неминуче вимагатимуть перегляду процесу прийняття рішень, який є процесом розрахунку ML;
ШІ-оптимізація AMM передбачає розподіл інтересів між кількома сторонами, і процес розрахунку ШІ також потрібно регулярно перевіряти;
Коли постачальник послуг використовує ML для обробки особистих даних у сервісі, ZK є одним із кращих рішень для балансу між конфіденційністю та контролем, йому потрібно створити ZKP для всього процесу розрахунку;
Оскільки машина прогнозування має широкий діапазон впливу, якщо вона налаштована AI, ZKP потрібно регулярно генерувати, щоб перевірити, чи працює AI нормально;
Під час змагань публіка та інші учасники зобов'язані перевірити, чи відповідає пошкодження ML стандартам змагань;
У потенційному випадку WorldCoin захист персональних біометричних даних також є стримуючою потребою;
Взагалі кажучи, коли штучний інтелект схожий на особу, яка приймає рішення, і його результати мають широкий спектр впливу та включають справедливість багатьох сторін, люди вимагатимуть перегляду процесу прийняття рішень або просто гарантуватимуть, що прийняття рішень процес штучного інтелекту не має значних наслідків.проблема, і захист особистої конфіденційності є дуже прямою потребою.
Таким чином, [чи перебуває вихід ШІ у статусі on-chain] і [чи мають модифікації впливати на справедливість/конфіденційність], є двома критеріями для оцінки того, чи можна перевірити рішення ШІ.
Коли вихідні дані штучного інтелекту не змінюють стан у ланцюжку, служба штучного інтелекту може виступати в якості підказки, і якість служби штучного інтелекту можна оцінити за ефектом пропозиції без необхідності перевіряти обчислення процес;
Коли вихід ШІ змінює статус мережі, якщо послуга призначена лише для окремих осіб і не впливає на конфіденційність, користувач все ще може безпосередньо судити про процес розрахунку перевірки якості служби ШІ;
Коли результати ШІ безпосередньо впливатимуть на справедливість між кількома людьми, а ШІ автоматично змінює дані в ланцюжку, спільнота та громадськість повинні вивчити процес прийняття рішень ШІ;
Якщо дані, які обробляє ML, стосуються особистої конфіденційності, zk також вимагається для захисту конфіденційності та пропонує нормативні вимоги.
**2. Дві екологічні моделі ШІ на основі публічних ланцюжків * *
У будь-якому випадку рішення Modulus Labs має велике значення для поєднання штучного інтелекту з криптовалютою та надання практичної цінності. Однак публічна ланцюгова система може не тільки покращити можливості окремих служб штучного інтелекту, але й має потенціал для створення нової екосистеми додатків ШІ. Нова екологія принесла привабливі відносини між службами ШІ Web2. Спосіб співпраці між службами ШІ та користувачами має бути способом співпраці між вихідними та низхідними зв’язками. Ми можемо узагальнити потенційні екологічні моделі ШІ на два типи: вертикальний режим і горизонтальний режим.вид.
Вертикальний режим 2.1: Attention забезпечує компонування між ШІ
Особливістю прикладу мережевих шахів «Leela vs the World» є те, що люди можуть робити ставки за людей або ШІ, а жетони автоматично розподіляються після гри. У цей час значення zkp полягає не лише в тому, щоб надати користувачам процес перевірки обчислень штучного інтелекту, але також як довіра, яка запускає переходи станів у ланцюжку. За допомогою гарантії довіри також можливо мати компонування на рівні прикладних програм між службами штучного інтелекту, а також між прикладними програмами штучного інтелекту та криптовалюти.
Основною одиницею комбінованого штучного інтелекту є [off-chain ML model-zkp generation-on-chain verification contract-main contract] Ця одиниця збагачена структурою «Leela vs the World», але фактична архітектура єдиного штучного інтелекту dapp може відрізнятися від наведеного вище. На малюнку це показано інакше. По-перше, ситуація в шахах вимагає контракту, але насправді штучному інтелекту може не знадобитися онлайн-контракт. Але з точки зору архітектури компонованого штучного інтелекту, якщо основний бізнес фіксується через контракти, інші два полягають у тому, що вплив основного контракту не обов’язково вимагає моделі ML самого додатка ШІ, оскільки певний ШІ dapp може мати односторонній вплив, і модель ML обробляє. Після завершення просто запустіть контракт, пов’язаний із вашим власним бізнесом, і контракт буде викликаний іншими dapp.
У розширеному вигляді виклики між контрактами — це виклики між різними додатками web3, які викликають особисту ідентичність, активи, фінансові послуги та соціальну інформацію. Ми можемо уявити конкретну комбінацію додатків ШІ:
Worldcoin використовує ML для створення кодів райдужної оболонки ока та zkp для особистих даних райдужної оболонки ока;
Додаток AI спочатку перевіряє, чи є DID реальною людиною (з даними райдужної оболонки ока), і призначає NFT користувачеві на основі репутації в ланцюжку;
Мережевий сервіс налаштовує спільний доступ до мережі на основі NFT, якими володіє користувач;
......
Взаємодія між штучним інтелектом у системі публічного ланцюга не є предметом обговорення. Лоуф, екологічний учасник у сфері повноланцюжкових ігор, одного разу запропонував, щоб NPC ШІ могли взаємодіяти та торгувати один з одним, як гравці, щоб уся економічна система може самооптимізуватись і автоматично AI Arena розробила автоматичну бойову гру зі штучним інтелектом. Користувачі спочатку купують NFT. Кожен NFT представляє бойового робота з моделлю AI за ним. Користувачі спочатку грають у гру самі, а потім обмінюються даними зі штучним інтелектом для симуляції та навчання. Коли користувач відчуває, що штучний інтелект достатньо сильний, його можна розмістити на арені, щоб автоматично битися з іншими ШІ. AI Arena, згадана Modulus Labs, сподівається перетворити ці ШІ на ШІ, який можна перевірити. В обох випадках була бачена можливість прямої взаємодії між ШІ для зміни даних у ланцюжку під час транзакцій.
Але як поєднати штучний інтелект для вирішення багатьох проблем, які потрібно обговорити з точки зору конкретної реалізації, наприклад, різні dapp, що використовують універсальні zkp або контракти перевірки тощо. Однак існує також велика кількість чудових проектів у сфері zk. Наприклад, RISC Zero досяг значного прогресу у випуску складних ішемічних zkp поза ланцюжком. Можливо, відповідне рішення можна об’єднати в день.
2.2 Горизонтальний режим: сервісна платформа штучного інтелекту для реалізації децентралізації автостоянки
У зв’язку з цим ми в основному представляємо децентралізовану платформу штучного інтелекту під назвою SAKSHI, яку спільно запропонували люди з Прінстона, Університету Цінхуа, Університету Іллінойсу в Урбана-Шампейн, Університету науки і технологій Гонконгу, Witness Chain і Eigen Layer. Його основна мета — надати користувачам можливість отримувати послуги штучного інтелекту більш децентралізованим способом, роблячи весь процес більш надійним і автоматизованим.
Архітектуру SAKSHI можна розділити на шість рівнів: рівень обслуговування, рівень керування, рівень трансляції, рівень перевірки, економічний рівень і ринок ) )
Ринок - це рівень, найближчий до користувача. На ринку існують агрегатори, які надають послуги користувачам від імені різних постачальників штучного інтелекту. Замовлення розміщуються через агрегатор користувачів, і з агрегатором досягається угода щодо якості послуг і ціни оплати ( угода називається SLA) -Service Level Agreement).
Наступний рівень служби надасть API для заголовка клієнта, а потім заголовок клієнта ініціює запит на висновок ML до агрегатора, і запит буде передано на сервер, що відповідає постачальнику послуг AI (маршрут, який використовується для передачі запит є частиною рівня керування). Рівень обслуговування та рівень керування подібні до служби web2 із кількома серверами, але різними серверами керують різні організації, а один сервер пов’язаний з агрегатором через SLA (попередня угода про обслуговування).
SLA розгортається в ланцюжку у формі смарт-контрактів, і ці контракти належать до рівня транзакцій (Примітка: у цьому рішенні вони розгортаються в ланцюжку свідків). Рівень транзакцій записує поточний статус замовлень на бухгалтерські послуги та використовується для координації користувачів, агрегаторів і постачальників послуг для вирішення проблем з оплатою.
Щоб рівень транзакцій мав докази, на які можна покладатися при вирішенні проблем, рівень перевірки перевірить, чи відповідає послуга узгодженій моделі використання SLA. Однак SAKSHI не вирішив генерувати zkp для процесу обчислення ML. Натомість він використав оптимістичний аргумент і сподівався створити мережу вузлів-перевірників для тестування служби.
Незважаючи на те, що SLA та мережа вузлів-заперечувачів знаходяться в Witness Chain, у плані SAKSHI Witness Chain не має наміру використовувати власні токени для досягнення незалежної безпеки, а запозичити безпеку Ethereum через Eigen Layer, тому весь економічний рівень фактично покладається на на шарі Ейгена.
Можна побачити, що SAKSHI організовує різні ШІ децентралізовано, щоб надавати послуги користувачам навколо відносин між постачальниками послуг ШІ та користувачами, що формує горизонтальний план. Суть SAKSHI полягає в тому, що він дозволяє службам штучного інтелекту більше зосереджуватися на управлінні власними обчисленнями моделі поза ланцюгом, завершенні зіставлення потреб користувачів і модельних послуг, оплаті послуг і перевірці якості послуг за допомогою протоколів у ланцюзі, а також намагається автоматично вирішувати проблеми з оплатою. Звичайно, зараз SAKSHI все ще знаходиться на теоретичній стадії, і є також багато деталей реалізації, які потрібно визначити.
3. Перспективи на майбутнє
Незалежно від того, чи це комбінований штучний інтелект, чи децентралізована платформа штучного інтелекту, екологічні моделі штучного інтелекту публічних мереж, здається, мають щось спільне. Наприклад, постачальники послуг штучного інтелекту не взаємодіють безпосередньо з користувачами. Їм потрібно лише надавати моделі ML і виконувати розрахунки та платежі поза ланцюгом, вирішувати проблеми та узгоджувати потреби користувачів із послугами, усе це можна вирішити за допомогою децентралізованих протоколів. Будучи надійною інфраструктурою, публічний ланцюг зменшує труднощі між постачальниками послуг і користувачами. У цей час користувачі також мають більшу автономію.
Хоча переваги використання загальнодоступних ланцюжків як основи для додатків є кліше, вони також стосуються послуг ШІ. Проте додатки AI відрізняються від існуючих додатків dapp. Додатки AI не можуть розміщувати всі обчислення в ланцюжку, тому використання zk все ще оптимістично доводить, що служби AI можуть бути підключені до загальнодоступної системи ланцюга більш надійним способом.
Завдяки впровадженню ряду рішень для оптимізації досвіду, таких як абстракція облікового запису, користувачі більше не можуть сприймати існування мнемоніки, ланцюжків, газу тощо. Це робить екосистему загальнодоступного ланцюга близькою до web2 з точки зору досвіду, і користувачі можуть отримати вищі послуги, ніж web 2. Ступінь свободи та можливості компонування роблять його більш привабливим для користувачів, а екосистема додатків штучного інтелекту, заснована на публічному ланцюжку, заслуговує на те, щоб з нетерпінням чекати.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Від штучного інтелекту, який можна перевірити, до штучного інтелекту, який можна компонувати — роздуми про сценарії застосування ZKML
Автор: Турбіна Го, Дзеркало
загалом:
Modulus labs реалізує штучний інтелект, який можна перевірити, виконуючи обчислення ML поза ланцюгом і гнучко генеруючи zkp. У цій статті це рішення повторно розгортається з точки зору додатка та аналізується, у яких сценаріях воно вкрай необхідно, а в яких сценаріях попит слабкий, що зрештою затримує горизонтальну розробка та вертикально уніфікована екологічна модель штучного інтелекту на основі публічного ланцюга Основний зміст:
Чи піддається перевірці основа штучного інтелекту: чи змінено дані в ланцюжку та чи задіяні справедливість і конфіденційність
Коли штучний інтелект не впливає на стан ланцюжка, штучний інтелект може виступати в якості підказки, і люди можуть судити про якість послуг штучного інтелекту через фактичні ефекти, не перевіряючи процес розрахунку.
При впливі на статус у ланцюжку, якщо послуга націлена на окремих осіб і впливає на певну конфіденційність, користувачі все одно можуть безпосередньо судити про процес вилучення якості послуг штучного інтелекту та обчислення перевірки.
Якщо результати штучного інтелекту впливатимуть на справедливість і особисту конфіденційність кількох людей, наприклад використання штучного інтелекту для оцінки та розподілу винагород серед членів спільноти, використання штучного інтелекту для оптимізації AMM або залучення біологічних даних, ви захочете переглянути розрахунок ШІ. Тут ви можете перевірити, де ШІ міг знайти PMF.
Вертикальна екосистема додатків штучного інтелекту: оскільки хвіст верифікованого ШІ — це смарт-контракт, оскільки між ШІ-додатками, які можна перевірити, можуть бути можливі довірчі інтерактивні виклики між верифікованими додатками ШІ, це потенційна екосистема додатків ШІ, що може складатися.
Горизонтальна екосистема додатків штучного інтелекту: система загальнодоступного ланцюга може вирішувати такі проблеми, як оплата послуг, узгодження вузьких місць платежів і узгодження потреб користувачів і вмісту послуг для постачальників послуг штучного інтелекту, що дозволяє користувачам отримувати децентралізовані послуги ШІ з вищим ступенем свобода.
1. Вступ і випадки застосування Modulus Labs
1.1 Вступ і основні рішення
Modulus Labs — це «on-chain» компанія штучного інтелекту, яка вважає, що штучний інтелект може значно покращити можливості смарт-контрактів і зробити програми web3 потужнішими. Однак існує протиріччя, коли штучний інтелект оцінює web3, тобто робота штучного інтелекту вимагає великої обчислювальної потужності, а штучний інтелект в обчисленнях поза ланцюгом є чорним ящиком, який не відповідає основним вимогам web3 до бути надійним і таким, що можна перевірити.
Таким чином, план Modulus Labs Summit zk rollup [off-chain repair + on-chain verification] пропонує архітектуру штучного інтелекту, яку можна перевірити, зокрема: модель ML працює поза ланцюгом, а zkp генерується поза ланцюгом для процесу розрахунку ML. За допомогою цього zkp можна перевірити архітектуру, дозволи та вхідні дані позаланцюжкової моделі. Звичайно, цей zkp також можна опублікувати в ланцюжку для перевірки за допомогою смарт-контрактів. У цей час штучний інтелект і контракти в ланцюжку можуть мати більш ненадійні взаємодії, приблизно реалізуючи «інтелектуальний інтелект в ланцюжку».
Базуючись на ідеях штучного інтелекту, які можна перевірити, Modulus Labs на даний момент запустила три додатки «on-chain AI», а також запропонувала багато можливих сценаріїв застосування.
1.2 Випадки застосування
Крім того, Modulus Labs згадує деякі інші приклади:
1.3.1 Сценарії, коли ШІ може знадобитися перевірити
У сценарії бота Rocky користувачам може не знадобитися перевіряти процес обчислення ML. По-перше, користувачі не мають професійних знань і не мають змоги провести реальну перевірку. Навіть якщо є інструмент перевірки, користувачеві здається, що [він натиснув] кнопку, і спливаюче вікно інтерфейсу говорить йому, що цей сервіс AI дійсно створений певною моделлю, і справжність не може бути визначена. По-друге, користувачам не потрібна перевірка, тому що їм важливо, чи важливий ШІ. Користувачі переходитимуть, коли він невисокий, і завжди вибиратимуть модель із найкращою продуктивністю. Коротше кажучи, коли користувачі прагнуть отримати кінцевий ефект від штучного інтелекту, процес перевірки може мати невелике значення, оскільки користувачам потрібно лише перейти на типову послугу з найкращим ефектом.
**Одним із можливих рішень є: штучний інтелект діє лише як підказник, а користувачі виконують транзакції незалежно. **Коли люди вводять свої торгові цілі в AI, AI обчислює та повертає кращий торговий шлях/напрямок поза мережею, а користувач вирішує, чи виконувати його. Людям також не потрібно перевіряти модель, що стоїть за цим, просто виберіть продукт із найвищою прибутковістю.
Інша небезпечна, але дуже вірогідна ситуація полягає в тому, що люди взагалі не піклуються про свій контроль над активами та процесом корозії ШІ.Коли з’являється робот, який автоматично заробляє гроші, люди навіть готові довірити йому свої гроші безпосередньо, просто як проксі. Звичайним є розміщення монет у CEX або традиційних банках для управління фінансами. Людям не важливий принцип, який лежить в основі цього, їм важливе лише те, скільки грошей вони отримають зрештою, або навіть скільки грошей сторона проекту показує їм як зароблені, тому що цей вид послуги також може швидко отримати велика кількість користувачів, навіть краще, ніж використання перевіреного штучного інтелекту. Швидкість ітерації продукту на стороні проекту є вищою.
Роблячи крок назад, якщо штучний інтелект взагалі не бере участь у модифікації стану в ланцюжку, то якщо дані в ланцюзі знімаються для споживання користувачами, немає необхідності генерувати ZKP для процесу обчислення. Ось такі програми перетворюються на [служби передачі даних]. Ось кілька випадків:
1.3.2 Сценарії, коли штучний інтелект потрібно перевірити
Ця стаття вважає, що кілька сценаріїв, пов’язаних із справедливістю та конфіденційністю, вимагають перевірки ZKP. Тут ми обговорюємо кілька програм, згаданих Modulus Labs:
Взагалі кажучи, коли штучний інтелект схожий на особу, яка приймає рішення, і його результати мають широкий спектр впливу та включають справедливість багатьох сторін, люди вимагатимуть перегляду процесу прийняття рішень або просто гарантуватимуть, що прийняття рішень процес штучного інтелекту не має значних наслідків.проблема, і захист особистої конфіденційності є дуже прямою потребою.
Таким чином, [чи перебуває вихід ШІ у статусі on-chain] і [чи мають модифікації впливати на справедливість/конфіденційність], є двома критеріями для оцінки того, чи можна перевірити рішення ШІ.
У будь-якому випадку рішення Modulus Labs має велике значення для поєднання штучного інтелекту з криптовалютою та надання практичної цінності. Однак публічна ланцюгова система може не тільки покращити можливості окремих служб штучного інтелекту, але й має потенціал для створення нової екосистеми додатків ШІ. Нова екологія принесла привабливі відносини між службами ШІ Web2. Спосіб співпраці між службами ШІ та користувачами має бути способом співпраці між вихідними та низхідними зв’язками. Ми можемо узагальнити потенційні екологічні моделі ШІ на два типи: вертикальний режим і горизонтальний режим.вид.
Вертикальний режим 2.1: Attention забезпечує компонування між ШІ
Особливістю прикладу мережевих шахів «Leela vs the World» є те, що люди можуть робити ставки за людей або ШІ, а жетони автоматично розподіляються після гри. У цей час значення zkp полягає не лише в тому, щоб надати користувачам процес перевірки обчислень штучного інтелекту, але також як довіра, яка запускає переходи станів у ланцюжку. За допомогою гарантії довіри також можливо мати компонування на рівні прикладних програм між службами штучного інтелекту, а також між прикладними програмами штучного інтелекту та криптовалюти.
Основною одиницею комбінованого штучного інтелекту є [off-chain ML model-zkp generation-on-chain verification contract-main contract] Ця одиниця збагачена структурою «Leela vs the World», але фактична архітектура єдиного штучного інтелекту dapp може відрізнятися від наведеного вище. На малюнку це показано інакше. По-перше, ситуація в шахах вимагає контракту, але насправді штучному інтелекту може не знадобитися онлайн-контракт. Але з точки зору архітектури компонованого штучного інтелекту, якщо основний бізнес фіксується через контракти, інші два полягають у тому, що вплив основного контракту не обов’язково вимагає моделі ML самого додатка ШІ, оскільки певний ШІ dapp може мати односторонній вплив, і модель ML обробляє. Після завершення просто запустіть контракт, пов’язаний із вашим власним бізнесом, і контракт буде викликаний іншими dapp.
У розширеному вигляді виклики між контрактами — це виклики між різними додатками web3, які викликають особисту ідентичність, активи, фінансові послуги та соціальну інформацію. Ми можемо уявити конкретну комбінацію додатків ШІ:
Взаємодія між штучним інтелектом у системі публічного ланцюга не є предметом обговорення. Лоуф, екологічний учасник у сфері повноланцюжкових ігор, одного разу запропонував, щоб NPC ШІ могли взаємодіяти та торгувати один з одним, як гравці, щоб уся економічна система може самооптимізуватись і автоматично AI Arena розробила автоматичну бойову гру зі штучним інтелектом. Користувачі спочатку купують NFT. Кожен NFT представляє бойового робота з моделлю AI за ним. Користувачі спочатку грають у гру самі, а потім обмінюються даними зі штучним інтелектом для симуляції та навчання. Коли користувач відчуває, що штучний інтелект достатньо сильний, його можна розмістити на арені, щоб автоматично битися з іншими ШІ. AI Arena, згадана Modulus Labs, сподівається перетворити ці ШІ на ШІ, який можна перевірити. В обох випадках була бачена можливість прямої взаємодії між ШІ для зміни даних у ланцюжку під час транзакцій.
Але як поєднати штучний інтелект для вирішення багатьох проблем, які потрібно обговорити з точки зору конкретної реалізації, наприклад, різні dapp, що використовують універсальні zkp або контракти перевірки тощо. Однак існує також велика кількість чудових проектів у сфері zk. Наприклад, RISC Zero досяг значного прогресу у випуску складних ішемічних zkp поза ланцюжком. Можливо, відповідне рішення можна об’єднати в день.
2.2 Горизонтальний режим: сервісна платформа штучного інтелекту для реалізації децентралізації автостоянки
У зв’язку з цим ми в основному представляємо децентралізовану платформу штучного інтелекту під назвою SAKSHI, яку спільно запропонували люди з Прінстона, Університету Цінхуа, Університету Іллінойсу в Урбана-Шампейн, Університету науки і технологій Гонконгу, Witness Chain і Eigen Layer. Його основна мета — надати користувачам можливість отримувати послуги штучного інтелекту більш децентралізованим способом, роблячи весь процес більш надійним і автоматизованим.
Архітектуру SAKSHI можна розділити на шість рівнів: рівень обслуговування, рівень керування, рівень трансляції, рівень перевірки, економічний рівень і ринок ) )
Ринок - це рівень, найближчий до користувача. На ринку існують агрегатори, які надають послуги користувачам від імені різних постачальників штучного інтелекту. Замовлення розміщуються через агрегатор користувачів, і з агрегатором досягається угода щодо якості послуг і ціни оплати ( угода називається SLA) -Service Level Agreement).
Наступний рівень служби надасть API для заголовка клієнта, а потім заголовок клієнта ініціює запит на висновок ML до агрегатора, і запит буде передано на сервер, що відповідає постачальнику послуг AI (маршрут, який використовується для передачі запит є частиною рівня керування). Рівень обслуговування та рівень керування подібні до служби web2 із кількома серверами, але різними серверами керують різні організації, а один сервер пов’язаний з агрегатором через SLA (попередня угода про обслуговування).
SLA розгортається в ланцюжку у формі смарт-контрактів, і ці контракти належать до рівня транзакцій (Примітка: у цьому рішенні вони розгортаються в ланцюжку свідків). Рівень транзакцій записує поточний статус замовлень на бухгалтерські послуги та використовується для координації користувачів, агрегаторів і постачальників послуг для вирішення проблем з оплатою.
Щоб рівень транзакцій мав докази, на які можна покладатися при вирішенні проблем, рівень перевірки перевірить, чи відповідає послуга узгодженій моделі використання SLA. Однак SAKSHI не вирішив генерувати zkp для процесу обчислення ML. Натомість він використав оптимістичний аргумент і сподівався створити мережу вузлів-перевірників для тестування служби.
Незважаючи на те, що SLA та мережа вузлів-заперечувачів знаходяться в Witness Chain, у плані SAKSHI Witness Chain не має наміру використовувати власні токени для досягнення незалежної безпеки, а запозичити безпеку Ethereum через Eigen Layer, тому весь економічний рівень фактично покладається на на шарі Ейгена.
Можна побачити, що SAKSHI організовує різні ШІ децентралізовано, щоб надавати послуги користувачам навколо відносин між постачальниками послуг ШІ та користувачами, що формує горизонтальний план. Суть SAKSHI полягає в тому, що він дозволяє службам штучного інтелекту більше зосереджуватися на управлінні власними обчисленнями моделі поза ланцюгом, завершенні зіставлення потреб користувачів і модельних послуг, оплаті послуг і перевірці якості послуг за допомогою протоколів у ланцюзі, а також намагається автоматично вирішувати проблеми з оплатою. Звичайно, зараз SAKSHI все ще знаходиться на теоретичній стадії, і є також багато деталей реалізації, які потрібно визначити.
3. Перспективи на майбутнє
Незалежно від того, чи це комбінований штучний інтелект, чи децентралізована платформа штучного інтелекту, екологічні моделі штучного інтелекту публічних мереж, здається, мають щось спільне. Наприклад, постачальники послуг штучного інтелекту не взаємодіють безпосередньо з користувачами. Їм потрібно лише надавати моделі ML і виконувати розрахунки та платежі поза ланцюгом, вирішувати проблеми та узгоджувати потреби користувачів із послугами, усе це можна вирішити за допомогою децентралізованих протоколів. Будучи надійною інфраструктурою, публічний ланцюг зменшує труднощі між постачальниками послуг і користувачами. У цей час користувачі також мають більшу автономію.
Хоча переваги використання загальнодоступних ланцюжків як основи для додатків є кліше, вони також стосуються послуг ШІ. Проте додатки AI відрізняються від існуючих додатків dapp. Додатки AI не можуть розміщувати всі обчислення в ланцюжку, тому використання zk все ще оптимістично доводить, що служби AI можуть бути підключені до загальнодоступної системи ланцюга більш надійним способом.
Завдяки впровадженню ряду рішень для оптимізації досвіду, таких як абстракція облікового запису, користувачі більше не можуть сприймати існування мнемоніки, ланцюжків, газу тощо. Це робить екосистему загальнодоступного ланцюга близькою до web2 з точки зору досвіду, і користувачі можуть отримати вищі послуги, ніж web 2. Ступінь свободи та можливості компонування роблять його більш привабливим для користувачів, а екосистема додатків штучного інтелекту, заснована на публічному ланцюжку, заслуговує на те, щоб з нетерпінням чекати.