在過去的一年中，zk-SNARK的進展超出了預期。儘管普遍共識認為這些創新還需要數年時間，但應用程序，如ZK-EVM，正在出現。 zk-SNARK的增強功能已使得探索區塊鏈的新用例成為可能，尤其是，我們正在密切關注使用zk-SNARK解決由機器學習和人工智能增加使用帶來的許多緊迫問題的研究。
隨著機器學習的普及，它正在廣泛應用於各種應用程序中。然而，其預測的可信度以及對不透明數據源的依賴性成為了一個主要問題。複製聲稱具有高準確度的模型的能力很難，而在實際產品中預測的一致性和正確性也沒有保證。
本文旨在簡要介紹為什麼對基於zk-SNARK的機器學習（ZK-ML）系統產生了濃厚的興趣，並討論了該技術的一些潛在應用。
為什麼需要ZK-ML？
使用監督式機器學習時，輸入被提供給已經用特定參數訓練過的模型。然後該模型產生可被其他系統使用的輸出。由於輕量級的機器學習框架和ONNX等格式，現在可以在邊緣設備上運行這些推理，例如手機或物聯網設備，而不是將輸入數據發送到集中式服務器。這提高了用戶的可擴展性和隱私性。
然而，需要注意的是，通常會將機器學習模型的輸入和參數都保持私密並隱藏在公眾視野之外。這是因為輸入數據可能包含敏感信息，例如個人金融或生物識別數據，而模型參數也可能包含敏感信息，例如生物識別驗證參數。
另一方面，使用ML模型的輸出的下游系統，例如鍊上智能合約，需要能夠驗證輸入是否正確處理以產生聲稱的輸出。
機器學習和zkSNARK協議的結合提供了一種新的解決方案，解決了這些看似矛盾的要求。
ZK-ML用例
有許多論文討論了我們可以如何使用zk-SNARKs來改善我們未來的機器學習。 ZK-ML社區提供了一個非常有用的決策樹，讓我們考慮這種技術的各種用例。
這個決策樹基於兩個標準的交集：需要隱私和計算完整性，以及使用機器學習解決的啟發式優化問題。換句話說，決策樹用於確定是否適合使用涉及ZKML的用例，在這些用例中，隱私和計算完整性很重要，並且使用機器學習技術解決啟發式優化問題，
以下是zk 如何用於ML 模型創新的一些方式：
隱私保護機器學習
zk-SNARK 可用於在不向模型的創建者或用戶公開私有數據的情況下對機器學習模型進行訓練。這允許開發可以在敏感或受監管的行業（如醫療保健或金融）中使用的模型，而不會損害使用個人數據的個人隱私。
可驗證機器學習
zk-SNARK 可用於證明機器學習模型是在特定數據集上進行訓練的，或者特定模型用於進行預測，而不會透露訓練數據或模型的詳細信息。這可以增加對機器學習模型結果的信任，這在信用評分或醫學診斷等應用中非常重要。
安全機器學習
zk-SNARK 可用於通過確保模型未被篡改或替換為不同的模型來保護機器學習模型的完整性。這在模型部署在不受信任的環境（如邊緣設備或公共雲）中的應用中非常有用。
ZKonduit（EZKL）可能的應用
像ZKonduit 這樣的項目正在將ZK-ML 視為賦予區塊鏈眼睛、讓智能合約行使判斷力、單人預言機以及通常以可擴展的方式在鏈上獲取數據的關鍵。使用ZK-ML預言者提供了一種更簡單、更快速、更高效的方式，將鏈下數據傳輸到區塊鏈上，大大增加了將數據帶到鏈上的潛力。 ZK-ML可以使“智能法官”解釋模糊事件。這可能為Web3帶來不可想像的新用例，但以下僅是最近討論過的一些用例：
ZK KYC
能夠證明一個人的身份與相應的身份證匹配，並且該身份證號碼不在製裁名單上。雖然這項技術是可用的，但監管機構可能不會接受它，因為它們目前要求銀行“了解”其客戶，而不僅僅是驗證他們不在製裁名單上。這是監管機構的一個新領域，必須採取措施防止不受歡迎的參與者使用去中心化項目。
防欺詐檢查
智能合約或抽象賬戶添加了一個ZK-ML欺詐垃圾郵件檢查，用於檢測異常行為。這意味著可以通過分析活動模式並將其與已知的欺詐或垃圾郵件活動模式進行比較，使用零知識機器學習技術來檢測和防止欺詐或垃圾郵件行為。這可以通過檢測和防止惡意活動來幫助確保系統的安全性和完整性。
使DAO自治
Zk-SNARKs技術允許以保護輸入數據隱私的方式執行複雜計算，適用於需要保護敏感信息的情況。可以將機器學習算法集成到該技術中，以實現更先進的決策制定、評估和更高效、準確的通信系統。這些能力對未來的DAO內部動態可能至關重要。
結論
將零知識證明集成到人工智能係統中，可以為用戶和使用這些系統的公司提供新的安全和隱私保護級別。通過使人工智能能夠證明其決策的有效性，而不揭示底層數據或算法，零知識證明可以幫助緩解數據洩露和惡意攻擊的風險。此外，它們還可以通過提供透明和可驗證的方式來證明其公平性和準確性，從而有助於建立人工智能係統的信任。
隨著人工智能領域的不斷發展和擴大，零知識證明的應用將越來越重要，以確保這些強大技術的安全和負責任的部署。