Các phòng thí nghiệm của Modulus triển khai AI có thể kiểm chứng bằng cách thực hiện các phép tính ML ngoài chuỗi và tạo zkp một cách linh hoạt. Bài viết này triển khai lại giải pháp này từ góc độ ứng dụng và phân tích những trường hợp nào thực sự cần giải pháp này và trong những trường hợp nào nhu cầu yếu và cuối cùng làm trì hoãn chiều ngang phát triển và mô hình sinh thái AI thống nhất theo chiều dọc dựa trên chuỗi công khai. Nội dung chính là:
Liệu cơ sở AI có thể được kiểm chứng hay không: liệu dữ liệu trên chuỗi có bị sửa đổi hay không và liệu có liên quan đến sự công bằng và quyền riêng tư hay không
Khi AI không ảnh hưởng đến trạng thái của chuỗi, AI có thể đóng vai trò là người gợi ý và con người có thể đánh giá chất lượng dịch vụ AI thông qua các hiệu ứng thực tế mà không cần xác minh quá trình tính toán.
Khi ảnh hưởng đến trạng thái trên chuỗi, nếu dịch vụ nhắm đến cá nhân và ảnh hưởng đến quyền riêng tư nhất định, người dùng vẫn có thể trực tiếp đánh giá quá trình tính toán kiểm tra và trích xuất chất lượng dịch vụ AI.
Khi kết quả đầu ra của AI sẽ ảnh hưởng đến sự công bằng và quyền riêng tư cá nhân giữa nhiều người, chẳng hạn như sử dụng AI để đánh giá và phân phối phần thưởng cho các thành viên trong cộng đồng, sử dụng AI để tối ưu hóa AMM hoặc liên quan đến dữ liệu sinh học, bạn sẽ muốn xem lại cách tính AI. Đây là Bạn có thể xác minh AI có thể đã tìm thấy PMF ở đâu.
Hệ sinh thái ứng dụng AI theo chiều dọc: Vì phần đuôi của AI có thể xác minh là một hợp đồng thông minh, do các cuộc gọi tương tác tiêu tốn sự tin cậy giữa AI và dapp gốc có thể thực hiện được giữa các ứng dụng AI có thể xác minh, nên đây là một hệ sinh thái ứng dụng AI có thể tổng hợp tiềm năng.
Hệ sinh thái ứng dụng AI theo chiều ngang: Hệ thống chuỗi công cộng có thể xử lý các vấn đề như thanh toán dịch vụ, điều phối tắc nghẽn thanh toán và phù hợp với nhu cầu của người dùng cũng như nội dung dịch vụ cho các nhà cung cấp dịch vụ AI, cho phép người dùng có được trải nghiệm dịch vụ AI phi tập trung với mức độ cao hơn tự do.
1. Giới thiệu và các trường hợp ứng dụng của Modulus Labs
1.1 Giới thiệu và giải pháp cốt lõi
Modulus Labs là một công ty AI "on-chain" tin rằng AI có thể cải thiện đáng kể khả năng của hợp đồng thông minh và làm cho các ứng dụng web3 trở nên mạnh mẽ hơn. Tuy nhiên, có một mâu thuẫn khi AI đánh giá web3, đó là hoạt động của AI đòi hỏi nhiều sức mạnh tính toán, còn AI trong điện toán off-chain là một hộp đen, không đáp ứng được yêu cầu cơ bản của web3 để đáng tin cậy và có thể kiểm chứng được.
Do đó, kế hoạch tổng hợp zk của Modulus Labs Summit [sửa chữa ngoài chuỗi + xác minh trên chuỗi] đã đề xuất một kiến trúc AI có thể kiểm chứng, cụ thể: mô hình ML chạy ngoài chuỗi và zkp được tạo ngoài chuỗi cho quá trình tính toán ML. Thông qua zkp này, kiến trúc, quyền và đầu vào của mô hình ngoài chuỗi có thể được xác minh. Tất nhiên, zkp này cũng có thể được xuất bản lên chuỗi để xác minh bằng hợp đồng thông minh. Tại thời điểm này, AI và các hợp đồng trên chuỗi có thể có nhiều tương tác không đáng tin cậy hơn, gần như hiện thực hóa "AI trên chuỗi".
Dựa trên những ý tưởng AI có thể kiểm chứng, Modulus Labs hiện đã tung ra ba ứng dụng “AI trên chuỗi” và cũng đề xuất nhiều kịch bản ứng dụng khả thi.
1.2 Trường hợp ứng dụng
Sản phẩm đầu tiên được ra mắt là Rocky bot, một AI giao dịch tự động. Rocky được đào tạo từ dữ liệu lịch sử của cặp giao dịch wEth/USDC. Nó xác định xu hướng weth trong tương lai dựa trên dữ liệu lịch sử, sau khi đưa ra quyết định giao dịch, nó sẽ tạo ra zkp cho quá trình ra quyết định (quy trình tính toán) và chuyển tiếp L1 để gửi tin nhắn kích hoạt giao dịch.
Thứ hai là trò chơi cờ vua trực tuyến "Leela vs the World", hai bên trong trò chơi là AI và con người, tình huống ván cờ được đặt trong hợp đồng. Người chơi vận hành (tương tác với hợp đồng) thông qua ví của họ. AI đọc tình huống ván cờ mới, hoàn thành phán đoán và tạo zkp cho toàn bộ quá trình tính toán. Cả hai bước đều nằm trên đám mây AWS và zkp được xác minh theo hợp đồng trên chuỗi. Sau khi xác minh thành công, hợp đồng chơi cờ được gọi là "chơi cờ".
Người thứ ba là nghệ sĩ AI "on-chain" và đã ra mắt dòng NFT zkMon. Cốt lõi là AI tạo ra NFT và xuất bản nó trên chuỗi, đồng thời tạo ra zkp. Người dùng có thể sử dụng zkp để kiểm tra liệu NFT của họ có tạo ra mô hình AI tương ứng hay không.
Ngoài ra, Modulus Labs còn đề cập đến một số ví dụ khác:
Sử dụng AI để đánh giá dữ liệu chuỗi cá nhân và thông tin khác, tạo phần thưởng điểm cá nhân và xuất bản zkp để xác minh người dùng;
Sử dụng AI để tối ưu hóa hiệu suất của AMM và phát hành zkp để xác minh người dùng;
Sử dụng AI có thể xác minh để giúp các dự án về quyền riêng tư đối phó với áp lực pháp lý mà không làm lộ quyền riêng tư (có thể sử dụng ML để chứng minh rằng giao dịch này không phải là rửa tiền mà không làm lộ địa chỉ người dùng và thông tin khác);
Dự báo thời tiết AI và zkp được phát hành cùng lúc để cung cấp cho chủ sở hữu khả năng kiểm tra độ tin cậy của dữ liệu ngoài chuỗi;
Cuộc thi mô hình AI, các thí sinh gửi kiến trúc và trọng lượng của riêng mình, sau đó chạy mô hình với đầu vào thử nghiệm thống nhất để tạo zkp cho áo giáp. Hợp đồng cuối cùng sẽ tự động phân phối tiền thưởng cho trình mô phỏng;
Worldcoin cho biết trong tương lai, người dùng có thể tải xuống mô hình tạo mã tương ứng cho mống mắt trên thiết bị cục bộ của họ, chạy mô hình cục bộ và tạo zkp, để hợp đồng trên chuỗi có thể sử dụng zkp để xác minh rằng mã mống mắt của người dùng được tạo từ đúng mẫu và Iris hợp lý, đồng thời giữ thông tin sinh trắc học không rời khỏi thiết bị của chính người dùng;
**1.3 Thảo luận về các kịch bản ứng dụng khác nhau dựa trên nhu cầu về AI có thể xác minh **
1.3.1 Các tình huống có thể cần xác minh AI
Trong kịch bản Rocky bot, người dùng có thể không cần xác minh quy trình tính toán ML. Đầu tiên, người dùng không có kiến thức chuyên môn và không có khả năng xác minh thực tế. Ngay cả khi có một công cụ xác minh, người dùng có vẻ như đã nhấn nút và cửa sổ bật lên giao diện cho anh ta biết rằng dịch vụ AI này thực sự được tạo bởi một mô hình nhất định và không thể xác định được tính xác thực. Thứ hai, người dùng không cần xác minh, vì người dùng quan tâm đến việc AI có ý nghĩa quan trọng hay không. Người dùng sẽ di chuyển khi nó không cao và sẽ luôn chọn mô hình có hiệu suất tốt nhất. Tóm lại, khi người dùng đang theo đuổi hiệu quả cuối cùng của AI, quá trình xác minh có thể ít có ý nghĩa, vì người dùng chỉ cần chuyển sang dịch vụ mô hình có hiệu quả tốt nhất.
**Một giải pháp khả thi là: AI chỉ đóng vai trò gợi ý và người dùng thực hiện giao dịch một cách độc lập. **Khi mọi người nhập mục tiêu giao dịch của họ vào AI, AI sẽ tính toán và trả về đường dẫn/hướng giao dịch tốt hơn ngoài chuỗi và người dùng chọn có thực hiện mục tiêu đó hay không. Mọi người cũng không cần xác minh mô hình đằng sau nó mà chỉ cần chọn sản phẩm có lợi nhuận cao nhất.
Một tình huống nguy hiểm nhưng rất dễ xảy ra nữa là con người hoàn toàn không quan tâm đến việc kiểm soát tài sản cũng như quá trình ăn mòn AI, khi một robot tự động kiếm tiền xuất hiện, con người thậm chí còn sẵn sàng giao phó tiền trực tiếp cho nó, chỉ cần giống như proxy Việc gửi tiền vào CEX hoặc các ngân hàng truyền thống để quản lý tài chính là điều phổ biến. Mọi người không quan tâm đến nguyên tắc đằng sau nó, họ chỉ quan tâm đến việc cuối cùng họ nhận được bao nhiêu tiền, hoặc thậm chí phía dự án cho thấy họ kiếm được bao nhiêu tiền, bởi vì loại dịch vụ này cũng có thể nhanh chóng có được số lượng lớn người dùng, thậm chí còn tốt hơn so với việc sử dụng AI có thể kiểm chứng. Tốc độ lặp lại sản phẩm của dự án nhanh hơn.
Lùi lại một bước, nếu AI hoàn toàn không tham gia vào việc sửa đổi trạng thái trên chuỗi, thì nếu dữ liệu trên chuỗi được người dùng kéo xuống để sử dụng thì không cần phải tạo ZKP cho quá trình tính toán. Tại đây, các ứng dụng như vậy được chuyển thành [dịch vụ dữ liệu]. Dưới đây là một số trường hợp:
Hộp trò chuyện do Mest cung cấp là một dịch vụ dữ liệu điển hình. Người dùng có thể sử dụng các phương thức hỏi đáp để hiểu dữ liệu trên chuỗi của chính họ, chẳng hạn như hỏi họ đã chi bao nhiêu cho NFT;
*ChainGPT là trợ lý AI đa chức năng có thể diễn giải các hợp đồng thông minh cho bạn trước khi giao dịch, cho bạn biết liệu bạn có đang giao dịch với đúng nhóm hay không hoặc cho bạn biết liệu giao dịch có khả năng bị chèn ép hay chạy trước hay không. ChainGPT cũng đang chuẩn bị cung cấp các đề xuất tin tức AI, lời nhắc nhập liệu để tự động tạo hình ảnh và xuất bản chúng lên NFT cũng như các dịch vụ khác;
RSS3 cung cấp lựa chọn AIOP, cho phép người dùng chọn dữ liệu trên chuỗi nào họ muốn và tạo dữ liệu trên chuỗi nhất định, từ đó chọn dữ liệu trên chuỗi cụ thể một cách thuận tiện để đào tạo AI;
DefiLlama và RSS3 cũng đã phát triển các plug-in ChatGPT, cho phép người dùng lấy dữ liệu trực tuyến thông qua các cuộc hội thoại;
1.3.2 Các tình huống cần xác minh AI
Bài viết này tin rằng nhiều tình huống liên quan đến sự công bằng và quyền riêng tư sẽ yêu cầu ZKP cung cấp xác minh. Ở đây chúng tôi thảo luận về một số ứng dụng được Modulus Labs đề cập:
Khi cộng đồng phát hành phần thưởng dựa trên phần thưởng cá nhân do AI tạo ra, các thành viên cộng đồng chắc chắn sẽ yêu cầu xem xét lại quá trình ra quyết định, đó là quá trình tính toán ML;
Tối ưu hóa AI của AMM liên quan đến việc phân bổ lợi ích giữa nhiều bên và quá trình tính toán AI cũng cần được kiểm tra thường xuyên;
Khi cân bằng quyền riêng tư và giám sát, ZK hiện là một trong những giải pháp tốt hơn, nếu nhà cung cấp dịch vụ sử dụng ML để xử lý dữ liệu riêng tư trong dịch vụ thì cần tạo ZKP cho toàn bộ quá trình tính toán;
Vì máy dự đoán có tầm ảnh hưởng rộng nên nếu được AI điều chỉnh thì cần phải tạo ZKP thường xuyên để kiểm tra xem AI có chạy bình thường hay không;
Trong quá trình diễn ra cuộc thi, công chúng và những người tham gia khác phải kiểm tra xem thiệt hại của ML có tuân thủ các tiêu chuẩn cạnh tranh hay không;
Trong trường hợp tiềm năng của WorldCoin, việc bảo vệ dữ liệu sinh trắc học cá nhân cũng là một nhu cầu hạn chế;
Nói chung, khi trí tuệ nhân tạo giống như người ra quyết định và đầu ra của nó có phạm vi tác động rộng và liên quan đến sự công bằng của nhiều bên, mọi người sẽ yêu cầu xem xét lại quá trình ra quyết định, hoặc đơn giản là đảm bảo rằng việc ra quyết định sẽ được thực hiện. Quá trình sử dụng trí tuệ nhân tạo không gây ra hậu quả lớn và việc bảo vệ quyền riêng tư cá nhân là một nhu cầu rất trực tiếp.
Do đó, [liệu đầu ra AI có ở trạng thái trên chuỗi hay không] và [liệu các sửa đổi có cần ảnh hưởng đến tính công bằng/quyền riêng tư hay không] là hai tiêu chí để đánh giá liệu giải pháp AI có thể kiểm chứng được hay không.
Khi đầu ra AI không sửa đổi trạng thái trên chuỗi, dịch vụ AI có thể đóng vai trò là người gợi ý và chất lượng của dịch vụ AI có thể được đánh giá bằng hiệu ứng gợi ý mà không cần xác minh tính toán quá trình;
Khi đầu ra AI sửa đổi trạng thái trên chuỗi, nếu dịch vụ chỉ dành cho cá nhân và không ảnh hưởng đến quyền riêng tư, người dùng vẫn có thể trực tiếp đánh giá quy trình tính toán kiểm tra chất lượng dịch vụ AI;
Khi đầu ra của AI sẽ ảnh hưởng trực tiếp đến sự công bằng giữa nhiều người và AI tự động sửa đổi dữ liệu trên chuỗi, cộng đồng và công chúng có nhu cầu kiểm tra quá trình ra quyết định của AI;
Khi dữ liệu được ML xử lý liên quan đến quyền riêng tư cá nhân, zk cũng được yêu cầu bảo vệ quyền riêng tư và đề xuất các yêu cầu quy định.
*2. Hai mô hình sinh thái AI dựa trên chuỗi công khai *
Trong mọi trường hợp, giải pháp của Modulus Labs có ý nghĩa rất lớn trong việc kết hợp AI với tiền điện tử và mang lại giá trị ứng dụng thực tế. Tuy nhiên, hệ thống chuỗi công cộng không chỉ có thể cải thiện khả năng của các dịch vụ AI riêng lẻ mà còn có tiềm năng xây dựng một hệ sinh thái ứng dụng AI mới. Hệ sinh thái mới đã mang lại mối quan hệ bắt mắt giữa các dịch vụ AI của Web2. Cách thức cộng tác giữa các dịch vụ AI và người dùng phải là cách thức cộng tác giữa các liên kết ngược dòng và xuôi dòng. Chúng ta có thể tóm tắt các mô hình sinh thái AI tiềm năng thành hai loại: chế độ dọc và chế độ ngang.
Chế độ dọc 2.1: Sự chú ý cho phép khả năng kết hợp giữa các AI
Điểm đặc biệt của ví dụ về cờ vua trên chuỗi “Leela vs the World” là mọi người có thể đặt cược cho con người hoặc AI và mã thông báo sẽ được phân phối tự động sau trận đấu. Tại thời điểm này, tầm quan trọng của zkp không chỉ là cung cấp cho người dùng quy trình xác minh các tính toán AI mà còn là niềm tin kích hoạt các chuyển đổi trạng thái trên chuỗi. Với sự đảm bảo về độ tin cậy, cũng có thể có khả năng kết hợp ở cấp độ dapp giữa các dịch vụ AI và giữa AI và dapp tiền điện tử.
Đơn vị cơ bản của AI có thể kết hợp là [hợp đồng chính-hợp đồng xác minh trên chuỗi-mô hình ML ngoài chuỗi-zkp]. Đơn vị này được bổ sung thêm trong khuôn khổ "Leela vs the World", nhưng kiến trúc thực tế của một AI duy nhất dapp có thể khác với ở trên. Hình ảnh hiển thị nó khác. Đầu tiên, tình huống trong cờ vua cần có hợp đồng, nhưng trên thực tế, AI có thể không cần hợp đồng trực tuyến. Nhưng từ góc độ kiến trúc của AI có thể kết hợp, nếu hoạt động kinh doanh chính được ghi lại thông qua hợp đồng, thì hai điều còn lại là tác động của hợp đồng chính không nhất thiết yêu cầu mô hình ML của chính AI dapp, bởi vì một AI nhất định dapp có thể có ảnh hưởng một chiều và mô hình ML sẽ xử lý. Sau khi hoàn thành, chỉ cần kích hoạt hợp đồng liên quan đến hoạt động kinh doanh của chính bạn và hợp đồng sẽ được gọi bởi các dapp khác.
Ở góc nhìn mở rộng, các cuộc gọi giữa các hợp đồng là các cuộc gọi giữa các ứng dụng web3 khác nhau, là các cuộc gọi về danh tính cá nhân, tài sản, dịch vụ tài chính và thông tin xã hội. Chúng ta có thể hình dung một sự kết hợp cụ thể của các ứng dụng AI:
Worldcoin sử dụng ML để tạo mã mống mắt và zkp cho dữ liệu mống mắt cá nhân;
Trước tiên, ứng dụng AI sẽ kiểm tra xem DID có phải là người thật hay không (có dữ liệu mống mắt đằng sau) và phân bổ NFT cho người dùng dựa trên danh tiếng trên chuỗi;
Dịch vụ mạng điều chỉnh việc chia sẻ mạng dựa trên NFT do người dùng sở hữu;
......
Sự tương tác giữa các AI trong khuôn khổ chuỗi công cộng không phải là vấn đề phải bàn cãi. Loaf, một người đóng góp sinh thái trong lĩnh vực trò chơi toàn chuỗi, từng đề xuất rằng các NPC AI có thể tương tác và giao dịch với nhau giống như những người chơi, để toàn bộ hệ thống kinh tế có thể tự động tối ưu hóa và tự động AI Arena đã phát triển một trò chơi chiến đấu tự động AI. Trước tiên, người dùng phải mua một NFT. Mỗi NFT đại diện cho một robot chiến đấu, với một mô hình AI đằng sau nó. Đầu tiên người dùng tự mình chơi trò chơi, sau đó trao đổi dữ liệu với AI để mô phỏng và học hỏi, khi người dùng cảm thấy AI đủ mạnh thì có thể đưa nó vào đấu trường để tự động chiến đấu với các AI khác. . Đấu trường AI được Modulus Labs đề cập hy vọng sẽ biến những AI này thành AI có thể kiểm chứng được. Cả hai trường hợp đều cho thấy khả năng tương tác trực tiếp giữa các AI để sửa đổi dữ liệu trên chuỗi trong quá trình giao dịch.
Nhưng làm thế nào để kết hợp AI để giải quyết rất nhiều vấn đề cần thảo luận về mặt triển khai cụ thể, chẳng hạn như các dapp khác nhau sử dụng zkp phổ quát hoặc hợp đồng xác minh, v.v. Tuy nhiên, cũng có một số lượng lớn các dự án xuất sắc trong lĩnh vực zk. Ví dụ: RISC Zero đã đạt được nhiều tiến bộ trong việc phát hành zkp ngoài chuỗi phức tạp do thiếu máu cục bộ vào chuỗi. Có lẽ một giải pháp phù hợp có thể được đưa vào một chuỗi ngày.
2.2 Chế độ ngang: Nền tảng dịch vụ AI để thực hiện phân cấp bãi đỗ xe
Về vấn đề này, chúng tôi chủ yếu giới thiệu một nền tảng AI phi tập trung có tên SAKSHI, được đề xuất bởi những người từ Princeton, Đại học Thanh Hoa, Đại học Illinois tại Urbana-Champaign, Đại học Khoa học và Công nghệ Hồng Kông, Witness Chain và Eigen Layer. Mục tiêu cốt lõi của nó là cho phép người dùng nhận được các dịch vụ AI theo cách phi tập trung hơn, làm cho toàn bộ quá trình trở nên đáng tin cậy và tự động hơn.
Kiến trúc của SAKSHI có thể được chia thành sáu lớp: Lớp dịch vụ, Lớp điều khiển, Lớp chuyển đổi, Lớp chứng minh, Lớp kinh tế và Thị trường) )
Thị trường là cấp độ gần gũi nhất với người dùng. Trên thị trường có các đơn vị tổng hợp cung cấp dịch vụ cho người dùng thay mặt cho các nhà cung cấp AI khác nhau. Đơn đặt hàng được đặt thông qua đơn vị tổng hợp người dùng và đạt được thỏa thuận với đơn vị tổng hợp về chất lượng dịch vụ và giá thanh toán ( thỏa thuận được gọi là SLA) -Thỏa thuận cấp độ dịch vụ).
Lớp dịch vụ tiếp theo sẽ cung cấp API cho tiêu đề máy khách, sau đó tiêu đề máy khách sẽ khởi tạo yêu cầu suy luận ML đến trình tổng hợp và yêu cầu sẽ được truyền đến máy chủ khớp với nhà cung cấp dịch vụ AI (tuyến đường được sử dụng để truyền yêu cầu là một phần của lớp điều khiển). Lớp dịch vụ và lớp điều khiển tương tự như dịch vụ web2 có nhiều máy chủ, nhưng các máy chủ khác nhau được vận hành bởi các thực thể khác nhau và một máy chủ duy nhất được liên kết với trình tổng hợp thông qua SLA (thỏa thuận dịch vụ trước đó).
SLA được triển khai trên chuỗi dưới dạng hợp đồng thông minh và các hợp đồng này thuộc lớp giao dịch (Lưu ý: Trong giải pháp này, chúng được triển khai trên chuỗi chứng kiến). Lớp giao dịch ghi lại trạng thái hiện tại của các đơn đặt hàng dịch vụ kế toán và được sử dụng để điều phối người dùng, người tổng hợp và nhà cung cấp dịch vụ nhằm giải quyết các thách thức thanh toán.
Để lớp giao dịch có bằng chứng dựa vào khi xử lý sự cố, Lớp chứng minh sẽ xác minh xem dịch vụ có tuân thủ mô hình sử dụng đã thống nhất của SLA hay không. Tuy nhiên, SAKSHI đã không chọn tạo zkp cho quá trình tính toán ML mà thay vào đó họ sử dụng một lập luận lạc quan và hy vọng thiết lập một mạng lưới các nút thách thức để kiểm tra dịch vụ.
Mặc dù mạng nút SLA và thách thức đều nằm trên Chuỗi nhân chứng, nhưng trong kế hoạch của SAKSHI, Chuỗi nhân chứng không có ý định sử dụng mã thông báo của riêng mình để đạt được bảo mật độc lập mà mượn tính bảo mật của Ethereum thông qua Lớp Eigen, vì vậy toàn bộ lớp kinh tế thực sự dựa vào trên lớp Eigen.
Có thể thấy, SAKSHI tổ chức các AI khác nhau theo cách phi tập trung để cung cấp dịch vụ cho người dùng xoay quanh mối quan hệ giữa nhà cung cấp dịch vụ AI và người dùng, tạo thành một kế hoạch theo chiều ngang. Cốt lõi của SAKSHI là nó cho phép các dịch vụ AI tập trung hơn vào việc quản lý các tính toán mô hình ngoài chuỗi của riêng chúng, hoàn thành việc kết hợp nhu cầu của người dùng và dịch vụ mô hình, thanh toán dịch vụ và xác minh chất lượng dịch vụ thông qua các giao thức trên chuỗi và cố gắng tự động giải quyết vấn đề thanh toán. Tất nhiên, SAKSHI hiện tại vẫn đang trong giai đoạn lý thuyết và cũng có rất nhiều chi tiết triển khai cần được xác định.
3.Tầm nhìn tương lai
Cho dù đó là AI có thể kết hợp hay nền tảng AI phi tập trung, các mô hình sinh thái AI của chuỗi công cộng dường như đều có điểm chung. Ví dụ: các nhà cung cấp dịch vụ AI không giao tiếp trực tiếp với người dùng, họ chỉ cần cung cấp các mô hình ML và thực hiện các tính toán và thanh toán ngoài chuỗi, giải quyết vấn đề và khớp giữa nhu cầu và dịch vụ của người dùng, tất cả đều có thể được giải quyết thông qua các giao thức phi tập trung. Là cơ sở hạ tầng không cần sự tin cậy, chuỗi công khai giúp giảm bớt khó khăn giữa nhà cung cấp dịch vụ và người dùng, lúc này người dùng cũng có quyền tự chủ cao hơn.
Mặc dù những lợi thế của việc sử dụng chuỗi công khai làm cơ sở cho các ứng dụng là sáo rỗng nhưng chúng cũng áp dụng được cho các dịch vụ AI. Tuy nhiên, ứng dụng AI khác với các ứng dụng dapp hiện có, ứng dụng AI không thể đưa tất cả các tính toán lên chuỗi, vì vậy việc sử dụng zk vẫn lạc quan để chứng minh rằng các dịch vụ AI có thể được kết nối với hệ thống chuỗi công cộng theo cách đáng tin cậy hơn.
Với việc triển khai một loạt giải pháp tối ưu hóa trải nghiệm như trừu tượng hóa tài khoản, người dùng không còn có thể nhận thức được sự tồn tại của khả năng ghi nhớ, chuỗi, gas, v.v. Điều này làm cho hệ sinh thái chuỗi công cộng gần giống với web2 về mặt trải nghiệm và người dùng có thể đạt được trải nghiệm cao hơn dịch vụ hơn web2 Mức độ tự do và khả năng kết hợp làm cho nó trở nên hấp dẫn hơn đối với người dùng và hệ sinh thái ứng dụng AI dựa trên chuỗi công khai rất đáng mong đợi.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Từ AI có thể xác minh đến AI có thể tổng hợp—Những phản ánh về các kịch bản ứng dụng ZKML
Tác giả: Guo Turbine, Mirror
tất cả trong tất cả:
Các phòng thí nghiệm của Modulus triển khai AI có thể kiểm chứng bằng cách thực hiện các phép tính ML ngoài chuỗi và tạo zkp một cách linh hoạt. Bài viết này triển khai lại giải pháp này từ góc độ ứng dụng và phân tích những trường hợp nào thực sự cần giải pháp này và trong những trường hợp nào nhu cầu yếu và cuối cùng làm trì hoãn chiều ngang phát triển và mô hình sinh thái AI thống nhất theo chiều dọc dựa trên chuỗi công khai. Nội dung chính là:
Liệu cơ sở AI có thể được kiểm chứng hay không: liệu dữ liệu trên chuỗi có bị sửa đổi hay không và liệu có liên quan đến sự công bằng và quyền riêng tư hay không
Khi AI không ảnh hưởng đến trạng thái của chuỗi, AI có thể đóng vai trò là người gợi ý và con người có thể đánh giá chất lượng dịch vụ AI thông qua các hiệu ứng thực tế mà không cần xác minh quá trình tính toán.
Khi ảnh hưởng đến trạng thái trên chuỗi, nếu dịch vụ nhắm đến cá nhân và ảnh hưởng đến quyền riêng tư nhất định, người dùng vẫn có thể trực tiếp đánh giá quá trình tính toán kiểm tra và trích xuất chất lượng dịch vụ AI.
Khi kết quả đầu ra của AI sẽ ảnh hưởng đến sự công bằng và quyền riêng tư cá nhân giữa nhiều người, chẳng hạn như sử dụng AI để đánh giá và phân phối phần thưởng cho các thành viên trong cộng đồng, sử dụng AI để tối ưu hóa AMM hoặc liên quan đến dữ liệu sinh học, bạn sẽ muốn xem lại cách tính AI. Đây là Bạn có thể xác minh AI có thể đã tìm thấy PMF ở đâu.
Hệ sinh thái ứng dụng AI theo chiều dọc: Vì phần đuôi của AI có thể xác minh là một hợp đồng thông minh, do các cuộc gọi tương tác tiêu tốn sự tin cậy giữa AI và dapp gốc có thể thực hiện được giữa các ứng dụng AI có thể xác minh, nên đây là một hệ sinh thái ứng dụng AI có thể tổng hợp tiềm năng.
Hệ sinh thái ứng dụng AI theo chiều ngang: Hệ thống chuỗi công cộng có thể xử lý các vấn đề như thanh toán dịch vụ, điều phối tắc nghẽn thanh toán và phù hợp với nhu cầu của người dùng cũng như nội dung dịch vụ cho các nhà cung cấp dịch vụ AI, cho phép người dùng có được trải nghiệm dịch vụ AI phi tập trung với mức độ cao hơn tự do.
1. Giới thiệu và các trường hợp ứng dụng của Modulus Labs
1.1 Giới thiệu và giải pháp cốt lõi
Modulus Labs là một công ty AI "on-chain" tin rằng AI có thể cải thiện đáng kể khả năng của hợp đồng thông minh và làm cho các ứng dụng web3 trở nên mạnh mẽ hơn. Tuy nhiên, có một mâu thuẫn khi AI đánh giá web3, đó là hoạt động của AI đòi hỏi nhiều sức mạnh tính toán, còn AI trong điện toán off-chain là một hộp đen, không đáp ứng được yêu cầu cơ bản của web3 để đáng tin cậy và có thể kiểm chứng được.
Do đó, kế hoạch tổng hợp zk của Modulus Labs Summit [sửa chữa ngoài chuỗi + xác minh trên chuỗi] đã đề xuất một kiến trúc AI có thể kiểm chứng, cụ thể: mô hình ML chạy ngoài chuỗi và zkp được tạo ngoài chuỗi cho quá trình tính toán ML. Thông qua zkp này, kiến trúc, quyền và đầu vào của mô hình ngoài chuỗi có thể được xác minh. Tất nhiên, zkp này cũng có thể được xuất bản lên chuỗi để xác minh bằng hợp đồng thông minh. Tại thời điểm này, AI và các hợp đồng trên chuỗi có thể có nhiều tương tác không đáng tin cậy hơn, gần như hiện thực hóa "AI trên chuỗi".
Dựa trên những ý tưởng AI có thể kiểm chứng, Modulus Labs hiện đã tung ra ba ứng dụng “AI trên chuỗi” và cũng đề xuất nhiều kịch bản ứng dụng khả thi.
1.2 Trường hợp ứng dụng
Ngoài ra, Modulus Labs còn đề cập đến một số ví dụ khác:
1.3.1 Các tình huống có thể cần xác minh AI
Trong kịch bản Rocky bot, người dùng có thể không cần xác minh quy trình tính toán ML. Đầu tiên, người dùng không có kiến thức chuyên môn và không có khả năng xác minh thực tế. Ngay cả khi có một công cụ xác minh, người dùng có vẻ như đã nhấn nút và cửa sổ bật lên giao diện cho anh ta biết rằng dịch vụ AI này thực sự được tạo bởi một mô hình nhất định và không thể xác định được tính xác thực. Thứ hai, người dùng không cần xác minh, vì người dùng quan tâm đến việc AI có ý nghĩa quan trọng hay không. Người dùng sẽ di chuyển khi nó không cao và sẽ luôn chọn mô hình có hiệu suất tốt nhất. Tóm lại, khi người dùng đang theo đuổi hiệu quả cuối cùng của AI, quá trình xác minh có thể ít có ý nghĩa, vì người dùng chỉ cần chuyển sang dịch vụ mô hình có hiệu quả tốt nhất.
**Một giải pháp khả thi là: AI chỉ đóng vai trò gợi ý và người dùng thực hiện giao dịch một cách độc lập. **Khi mọi người nhập mục tiêu giao dịch của họ vào AI, AI sẽ tính toán và trả về đường dẫn/hướng giao dịch tốt hơn ngoài chuỗi và người dùng chọn có thực hiện mục tiêu đó hay không. Mọi người cũng không cần xác minh mô hình đằng sau nó mà chỉ cần chọn sản phẩm có lợi nhuận cao nhất.
Một tình huống nguy hiểm nhưng rất dễ xảy ra nữa là con người hoàn toàn không quan tâm đến việc kiểm soát tài sản cũng như quá trình ăn mòn AI, khi một robot tự động kiếm tiền xuất hiện, con người thậm chí còn sẵn sàng giao phó tiền trực tiếp cho nó, chỉ cần giống như proxy Việc gửi tiền vào CEX hoặc các ngân hàng truyền thống để quản lý tài chính là điều phổ biến. Mọi người không quan tâm đến nguyên tắc đằng sau nó, họ chỉ quan tâm đến việc cuối cùng họ nhận được bao nhiêu tiền, hoặc thậm chí phía dự án cho thấy họ kiếm được bao nhiêu tiền, bởi vì loại dịch vụ này cũng có thể nhanh chóng có được số lượng lớn người dùng, thậm chí còn tốt hơn so với việc sử dụng AI có thể kiểm chứng. Tốc độ lặp lại sản phẩm của dự án nhanh hơn.
Lùi lại một bước, nếu AI hoàn toàn không tham gia vào việc sửa đổi trạng thái trên chuỗi, thì nếu dữ liệu trên chuỗi được người dùng kéo xuống để sử dụng thì không cần phải tạo ZKP cho quá trình tính toán. Tại đây, các ứng dụng như vậy được chuyển thành [dịch vụ dữ liệu]. Dưới đây là một số trường hợp:
1.3.2 Các tình huống cần xác minh AI
Bài viết này tin rằng nhiều tình huống liên quan đến sự công bằng và quyền riêng tư sẽ yêu cầu ZKP cung cấp xác minh. Ở đây chúng tôi thảo luận về một số ứng dụng được Modulus Labs đề cập:
Nói chung, khi trí tuệ nhân tạo giống như người ra quyết định và đầu ra của nó có phạm vi tác động rộng và liên quan đến sự công bằng của nhiều bên, mọi người sẽ yêu cầu xem xét lại quá trình ra quyết định, hoặc đơn giản là đảm bảo rằng việc ra quyết định sẽ được thực hiện. Quá trình sử dụng trí tuệ nhân tạo không gây ra hậu quả lớn và việc bảo vệ quyền riêng tư cá nhân là một nhu cầu rất trực tiếp.
Do đó, [liệu đầu ra AI có ở trạng thái trên chuỗi hay không] và [liệu các sửa đổi có cần ảnh hưởng đến tính công bằng/quyền riêng tư hay không] là hai tiêu chí để đánh giá liệu giải pháp AI có thể kiểm chứng được hay không.
Trong mọi trường hợp, giải pháp của Modulus Labs có ý nghĩa rất lớn trong việc kết hợp AI với tiền điện tử và mang lại giá trị ứng dụng thực tế. Tuy nhiên, hệ thống chuỗi công cộng không chỉ có thể cải thiện khả năng của các dịch vụ AI riêng lẻ mà còn có tiềm năng xây dựng một hệ sinh thái ứng dụng AI mới. Hệ sinh thái mới đã mang lại mối quan hệ bắt mắt giữa các dịch vụ AI của Web2. Cách thức cộng tác giữa các dịch vụ AI và người dùng phải là cách thức cộng tác giữa các liên kết ngược dòng và xuôi dòng. Chúng ta có thể tóm tắt các mô hình sinh thái AI tiềm năng thành hai loại: chế độ dọc và chế độ ngang.
Chế độ dọc 2.1: Sự chú ý cho phép khả năng kết hợp giữa các AI
Điểm đặc biệt của ví dụ về cờ vua trên chuỗi “Leela vs the World” là mọi người có thể đặt cược cho con người hoặc AI và mã thông báo sẽ được phân phối tự động sau trận đấu. Tại thời điểm này, tầm quan trọng của zkp không chỉ là cung cấp cho người dùng quy trình xác minh các tính toán AI mà còn là niềm tin kích hoạt các chuyển đổi trạng thái trên chuỗi. Với sự đảm bảo về độ tin cậy, cũng có thể có khả năng kết hợp ở cấp độ dapp giữa các dịch vụ AI và giữa AI và dapp tiền điện tử.
Đơn vị cơ bản của AI có thể kết hợp là [hợp đồng chính-hợp đồng xác minh trên chuỗi-mô hình ML ngoài chuỗi-zkp]. Đơn vị này được bổ sung thêm trong khuôn khổ "Leela vs the World", nhưng kiến trúc thực tế của một AI duy nhất dapp có thể khác với ở trên. Hình ảnh hiển thị nó khác. Đầu tiên, tình huống trong cờ vua cần có hợp đồng, nhưng trên thực tế, AI có thể không cần hợp đồng trực tuyến. Nhưng từ góc độ kiến trúc của AI có thể kết hợp, nếu hoạt động kinh doanh chính được ghi lại thông qua hợp đồng, thì hai điều còn lại là tác động của hợp đồng chính không nhất thiết yêu cầu mô hình ML của chính AI dapp, bởi vì một AI nhất định dapp có thể có ảnh hưởng một chiều và mô hình ML sẽ xử lý. Sau khi hoàn thành, chỉ cần kích hoạt hợp đồng liên quan đến hoạt động kinh doanh của chính bạn và hợp đồng sẽ được gọi bởi các dapp khác.
Ở góc nhìn mở rộng, các cuộc gọi giữa các hợp đồng là các cuộc gọi giữa các ứng dụng web3 khác nhau, là các cuộc gọi về danh tính cá nhân, tài sản, dịch vụ tài chính và thông tin xã hội. Chúng ta có thể hình dung một sự kết hợp cụ thể của các ứng dụng AI:
Sự tương tác giữa các AI trong khuôn khổ chuỗi công cộng không phải là vấn đề phải bàn cãi. Loaf, một người đóng góp sinh thái trong lĩnh vực trò chơi toàn chuỗi, từng đề xuất rằng các NPC AI có thể tương tác và giao dịch với nhau giống như những người chơi, để toàn bộ hệ thống kinh tế có thể tự động tối ưu hóa và tự động AI Arena đã phát triển một trò chơi chiến đấu tự động AI. Trước tiên, người dùng phải mua một NFT. Mỗi NFT đại diện cho một robot chiến đấu, với một mô hình AI đằng sau nó. Đầu tiên người dùng tự mình chơi trò chơi, sau đó trao đổi dữ liệu với AI để mô phỏng và học hỏi, khi người dùng cảm thấy AI đủ mạnh thì có thể đưa nó vào đấu trường để tự động chiến đấu với các AI khác. . Đấu trường AI được Modulus Labs đề cập hy vọng sẽ biến những AI này thành AI có thể kiểm chứng được. Cả hai trường hợp đều cho thấy khả năng tương tác trực tiếp giữa các AI để sửa đổi dữ liệu trên chuỗi trong quá trình giao dịch.
Nhưng làm thế nào để kết hợp AI để giải quyết rất nhiều vấn đề cần thảo luận về mặt triển khai cụ thể, chẳng hạn như các dapp khác nhau sử dụng zkp phổ quát hoặc hợp đồng xác minh, v.v. Tuy nhiên, cũng có một số lượng lớn các dự án xuất sắc trong lĩnh vực zk. Ví dụ: RISC Zero đã đạt được nhiều tiến bộ trong việc phát hành zkp ngoài chuỗi phức tạp do thiếu máu cục bộ vào chuỗi. Có lẽ một giải pháp phù hợp có thể được đưa vào một chuỗi ngày.
2.2 Chế độ ngang: Nền tảng dịch vụ AI để thực hiện phân cấp bãi đỗ xe
Về vấn đề này, chúng tôi chủ yếu giới thiệu một nền tảng AI phi tập trung có tên SAKSHI, được đề xuất bởi những người từ Princeton, Đại học Thanh Hoa, Đại học Illinois tại Urbana-Champaign, Đại học Khoa học và Công nghệ Hồng Kông, Witness Chain và Eigen Layer. Mục tiêu cốt lõi của nó là cho phép người dùng nhận được các dịch vụ AI theo cách phi tập trung hơn, làm cho toàn bộ quá trình trở nên đáng tin cậy và tự động hơn.
Kiến trúc của SAKSHI có thể được chia thành sáu lớp: Lớp dịch vụ, Lớp điều khiển, Lớp chuyển đổi, Lớp chứng minh, Lớp kinh tế và Thị trường) )
Thị trường là cấp độ gần gũi nhất với người dùng. Trên thị trường có các đơn vị tổng hợp cung cấp dịch vụ cho người dùng thay mặt cho các nhà cung cấp AI khác nhau. Đơn đặt hàng được đặt thông qua đơn vị tổng hợp người dùng và đạt được thỏa thuận với đơn vị tổng hợp về chất lượng dịch vụ và giá thanh toán ( thỏa thuận được gọi là SLA) -Thỏa thuận cấp độ dịch vụ).
Lớp dịch vụ tiếp theo sẽ cung cấp API cho tiêu đề máy khách, sau đó tiêu đề máy khách sẽ khởi tạo yêu cầu suy luận ML đến trình tổng hợp và yêu cầu sẽ được truyền đến máy chủ khớp với nhà cung cấp dịch vụ AI (tuyến đường được sử dụng để truyền yêu cầu là một phần của lớp điều khiển). Lớp dịch vụ và lớp điều khiển tương tự như dịch vụ web2 có nhiều máy chủ, nhưng các máy chủ khác nhau được vận hành bởi các thực thể khác nhau và một máy chủ duy nhất được liên kết với trình tổng hợp thông qua SLA (thỏa thuận dịch vụ trước đó).
SLA được triển khai trên chuỗi dưới dạng hợp đồng thông minh và các hợp đồng này thuộc lớp giao dịch (Lưu ý: Trong giải pháp này, chúng được triển khai trên chuỗi chứng kiến). Lớp giao dịch ghi lại trạng thái hiện tại của các đơn đặt hàng dịch vụ kế toán và được sử dụng để điều phối người dùng, người tổng hợp và nhà cung cấp dịch vụ nhằm giải quyết các thách thức thanh toán.
Để lớp giao dịch có bằng chứng dựa vào khi xử lý sự cố, Lớp chứng minh sẽ xác minh xem dịch vụ có tuân thủ mô hình sử dụng đã thống nhất của SLA hay không. Tuy nhiên, SAKSHI đã không chọn tạo zkp cho quá trình tính toán ML mà thay vào đó họ sử dụng một lập luận lạc quan và hy vọng thiết lập một mạng lưới các nút thách thức để kiểm tra dịch vụ.
Mặc dù mạng nút SLA và thách thức đều nằm trên Chuỗi nhân chứng, nhưng trong kế hoạch của SAKSHI, Chuỗi nhân chứng không có ý định sử dụng mã thông báo của riêng mình để đạt được bảo mật độc lập mà mượn tính bảo mật của Ethereum thông qua Lớp Eigen, vì vậy toàn bộ lớp kinh tế thực sự dựa vào trên lớp Eigen.
Có thể thấy, SAKSHI tổ chức các AI khác nhau theo cách phi tập trung để cung cấp dịch vụ cho người dùng xoay quanh mối quan hệ giữa nhà cung cấp dịch vụ AI và người dùng, tạo thành một kế hoạch theo chiều ngang. Cốt lõi của SAKSHI là nó cho phép các dịch vụ AI tập trung hơn vào việc quản lý các tính toán mô hình ngoài chuỗi của riêng chúng, hoàn thành việc kết hợp nhu cầu của người dùng và dịch vụ mô hình, thanh toán dịch vụ và xác minh chất lượng dịch vụ thông qua các giao thức trên chuỗi và cố gắng tự động giải quyết vấn đề thanh toán. Tất nhiên, SAKSHI hiện tại vẫn đang trong giai đoạn lý thuyết và cũng có rất nhiều chi tiết triển khai cần được xác định.
3.Tầm nhìn tương lai
Cho dù đó là AI có thể kết hợp hay nền tảng AI phi tập trung, các mô hình sinh thái AI của chuỗi công cộng dường như đều có điểm chung. Ví dụ: các nhà cung cấp dịch vụ AI không giao tiếp trực tiếp với người dùng, họ chỉ cần cung cấp các mô hình ML và thực hiện các tính toán và thanh toán ngoài chuỗi, giải quyết vấn đề và khớp giữa nhu cầu và dịch vụ của người dùng, tất cả đều có thể được giải quyết thông qua các giao thức phi tập trung. Là cơ sở hạ tầng không cần sự tin cậy, chuỗi công khai giúp giảm bớt khó khăn giữa nhà cung cấp dịch vụ và người dùng, lúc này người dùng cũng có quyền tự chủ cao hơn.
Mặc dù những lợi thế của việc sử dụng chuỗi công khai làm cơ sở cho các ứng dụng là sáo rỗng nhưng chúng cũng áp dụng được cho các dịch vụ AI. Tuy nhiên, ứng dụng AI khác với các ứng dụng dapp hiện có, ứng dụng AI không thể đưa tất cả các tính toán lên chuỗi, vì vậy việc sử dụng zk vẫn lạc quan để chứng minh rằng các dịch vụ AI có thể được kết nối với hệ thống chuỗi công cộng theo cách đáng tin cậy hơn.
Với việc triển khai một loạt giải pháp tối ưu hóa trải nghiệm như trừu tượng hóa tài khoản, người dùng không còn có thể nhận thức được sự tồn tại của khả năng ghi nhớ, chuỗi, gas, v.v. Điều này làm cho hệ sinh thái chuỗi công cộng gần giống với web2 về mặt trải nghiệm và người dùng có thể đạt được trải nghiệm cao hơn dịch vụ hơn web2 Mức độ tự do và khả năng kết hợp làm cho nó trở nên hấp dẫn hơn đối với người dùng và hệ sinh thái ứng dụng AI dựa trên chuỗi công khai rất đáng mong đợi.