作者：Hill Tan ， Grace Deng；SevenX Ventures Research
對於我們這些生活在加密貨幣之下的人來說，人工智能已經火了一段時間。有趣的是，沒人想看到一個AI失控。區塊鏈被發明出來就是為了防止美元失控，所以我們可能會嘗試一下。此外，我們現在有了一個新的叫做ZK的技術，它被用來確保事情不會出錯。我只是假設普通人對區塊鍊和ZK有一點了解。然而，為了馴服AI這個野獸，我們必須理解AI是如何工作的。
第一部分：易懂的機器學習簡介AI已經有了幾個名稱，從“專家系統”到“神經網絡”，然後是“圖形模型”，最後是“機器學習”。所有這些都是“AI”的子集，人們給它們不同的名字，我們對AI的了解也更深了。讓我們深入了解機器學習，揭開機器學習的神秘面紗。
注意：現今大多數的機器學習模型都是神經網絡，因為它們在很多任務上的表現優秀。我們主要將機器學習稱為神經網絡機器學習。
那麼，機器學習是如何工作的呢？
首先，讓我們快速了解一下機器學習的內部工作原理：
1 .輸入數據預處理：
輸入數據需要被處理成可以作為模型輸入的格式。這通常涉及到預處理和特徵工程，以提取有用的信息，並將數據轉換成適當的形式，例如輸入矩陣或張量（高維矩陣）。這是專家系統的方法。隨著深度學習的出現，層的概念開始自動處理預處理的工作。
2.設置初始模型參數：
初始模型參數包括多個層，激活函數，初始權重，偏置，學習率等。有些可以在訓練中調整，以使用優化算法提高模型的精度。
3.訓練數據：
1）輸入被送入神經網絡，通常從一層或多層特徵提取和關係建模開始，例如卷積層（CNN）、循環層（RNN）或自註意力層。這些層學習從輸入數據中提取相關特徵，並對這些特徵之間的關係建模。
2）這些層的輸出然後通過一個或多個附加層傳遞，這些附加層對輸入數據執行不同的計算和轉換。這些層通常主要涉及與可學習權重矩陣的矩陣乘法和非線性激活函數的應用，但它們也可能包括其他操作，例如卷積神經網絡中的捲積和池化或遞歸神經網絡中的迭代。這些層的輸出作為模型中下一層的輸入或作為預測的最終輸出。
4.獲取模型的輸出：
神經網絡計算的輸出通常是一個向量或矩陣，表示圖像分類的概率、情感分析分數或其他結果，具體取決於網絡的應用。通常還有另一個錯誤評估和參數更新模塊，它允許根據模型的目的自動更新參數。
如果上面的解釋看起來太晦澀，你可以看看下面使用CNN模型識別蘋果圖像的例子。
-
圖像作為像素值矩陣載入模型，這個矩陣可以被表示為一個三維張量，其維度為（高度、寬度、通道）。
-
卷積神經網絡（CNN）模型的初始參數已設定。
-
輸入圖像通過CNN的多個隱藏層，每一層都應用卷積濾波器從圖像中提取日益複雜的特徵。每一層的輸出通過一個非線性激活函數，然後進行池化以減少特徵映射的維度。最後一層通常是一個全連接層，根據提取的特徵產生輸出預測。
-
CNN的最終輸出是概率最高的類別。這就是輸入圖像的預測標籤。
機器學習信任框架
我們可以將上述內容總結為一個機器學習信任框架，它包括四個必須可靠的機器學習層次，以使整個機器學習過程可靠：
輸入：原始數據需要被預處理，有時還需要保密。
完整性：輸入數據未被篡改，未被敵對輸入污染，並被正確預處理。
隱私：如有需要，輸入數據不會被洩露。輸出：需要準確生成和傳輸。
完整性：正確生成輸出。
隱私：如有需要，輸出不會被洩露。模型類型/算法：模型應該被正確計算。
完整性：模型被正確執行。
隱私：如有需要，模型本身或計算過程不會被洩露。
不同的神經網絡模型有不同的算法和層次，以滿足不同的用例和輸入。
CNN常用於處理柵格數據，如圖像，通過在小輸入區域應用卷積運算可以捕獲本地模式和特徵。
另一方面，遞歸神經網絡（RNN）適合處理順序數據，如時間序列或自然語言，其中隱藏狀態可以捕獲來自先前時間步驟的信息並建模時間依賴性。
自註意力層對捕捉輸入序列中元素之間的關係很有用，使其在需要長距離依賴的任務（如機器翻譯或總結）中非常有效。
還存在其他類型的模型，包括多層感知器（MLP）等。模型參數：參數在某些情況下應透明或民主生成，但在所有情況下都不易被篡改。
完整性：參數以正確的方式生成、維護和管理。
隱私：模型所有者通常保密機器學習模型參數，以保護開發模型的組織的知識產權和競爭優勢。這只在Transformer模型訓練成本極高之前才普遍存在，但無論如何，這對行業來說都是一個主要問題。
第二部分：機器學習的信任問題
隨著機器學習（ML）應用的爆炸式增長（複合年增長率超過20%）以及它們在日常生活中的融合程度的增加，如ChatGPT的最近流行，對ML的信任問題變得日益重要，不能被忽視。因此，發現並解決這些信任問題對於確保AI的負責任使用和防止其潛在濫用至關重要。然而，這些問題到底是什麼呢？讓我們深入了解。
缺乏透明度或可證明性
信任問題長期以來一直困擾著機器學習，主要原因有兩個：
隱私性：如前所述，模型參數通常是私有的，在某些情況下，模型輸入也需要保密，這自然會在模型擁有者和模型使用者之間帶來一些信任問題。
算法的黑匣子：機器學習模型有時被稱為“黑匣子”，因為它們在計算過程中涉及許多難以理解或解釋的自動化步驟。這些步驟涉及復雜的算法和大量數據，這些數據會帶來不確定的、有時是隨機的輸出，使算法成為偏見甚至歧視的罪魁禍首。
在更深入之前，本文中更大的假設是模型已經“準備好使用”，這意味著它訓練有素並且適合目的。該模型可能不適合所有情況，並且模型以驚人的速度改進，ML 模型的正常保質期為2 到18 個月不等，具體取決於應用場景。
機器學習信任問題的詳細分類
模型訓練過程存在信任問題，Gensyn 目前正在努力生成有效證據以促進這一過程。但是，本文將主要關注模型推理過程。現在讓我們使用ML 的四個構建塊來發現潛在的信任問題：
-
Input:
-
數據源不可篡改
-
私人輸入數據不會被模型運營商竊取（隱私問題）
-
Model:
-
該模型本身如所宣傳的那樣準確。
-
計算過程正確完成。
-
Parameters:
-
模型的參數未更改或與宣傳的一樣。
-
模型參數對模型所有者來說是寶貴的資產，在此過程中不會洩露（隱私問題）
-
Output:
-
輸出可證明是正確的（可以通過上述所有元素進行改進）
ZK如何應用於ML信任框架
上面的一些信任問題可以通過簡單地上鍊來解決；將輸入和ML參數上傳到鏈上，模型計算上鍊，可以保證輸入、參數和模型計算的正確性。但是這種方法可能會犧牲可擴展性和隱私性。 Giza 在Starknet 上是這樣做的，但是由於成本問題，它只支持回歸這樣簡單的機器學習模型，不支持神經網絡。 ZK 技術可以更高效地解決上述信任問題。目前ZKML的ZK通常指的是zkSNARK。首先，讓我們快速回顧一下zkSNARKs 的一些基礎知識：
一個zkSNARK 證明證明我知道一些秘密輸入w 使得這個計算的結果f 是OUT 是真的而不告訴你w 是什麼。證明生成過程可以概括為幾個步驟：
1.制定一個需要證明的陳述：f(x,w)=true
“我已經使用帶有私有參數w 的ML 模型f 對這張圖像x 進行了正確分類。”
2.將語句轉換為電路（Arithmetization）：不同的電路構造方法包括R1CS、QAP、Plonkish等。
與其他用例相比，ZKML 需要一個稱為量化的額外步驟。神經網絡推理通常在浮點運算中完成，這在運算電路的主要領域中進行仿真是極其昂貴的。不同的量化方法是精度和設備要求之間的權衡。一些電路構造方法如R1CS 對神經網絡效率不高。可以調整這部分以提高性能。
3.生成證明密鑰和驗證密鑰
4.創建見證人：當w=w*,f(x,w)=true
5.創建哈希承諾：見證人w* 承諾使用加密哈希函數生成哈希值。然後可以公開此散列值。
它有助於確保私有輸入或模型參數在計算過程中未被篡改或修改。此步驟至關重要，因為即使是微小的修改也會對模型的行為和輸出產生重大影響。
6.生成證明：不同的證明系統使用不同的證明生成算法。
需要為機器學習操作設計特殊的零知識規則，例如矩陣乘法和卷積層，從而為這些計算提供具有亞線性時間的高效協議。
由於計算工作量太大，像groth16 這樣的通用zkSNARK 系統可能無法有效地處理神經網絡。
自2020 年以來，出現了許多新的ZK 證明系統來優化模型推理過程的ZK 證明，包括vCNN、ZEN、ZKCNN 和pvCNN。然而，它們中的大多數都針對CNN 模型進行了優化。它們只能應用於某些原始數據集，例如MNIST 或CIFAR-10。
2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和Yi Sun（Axiom 創始人）提出了一種基於Halo2 的新證明方案，首次實現了ImageNet 數據集的ZK 證明生成。他們的優化主要落在算術部分，具有新穎的非線性查找參數和跨層子電路的重用。
正在對鏈上推理的不同證明系統進行基準測試，發現在證明時間方面，ZKCNN 和plonky2 表現最好；在峰值證明者內存使用方面，ZKCNN 和halo2 表現良好；而plonky，雖然表現不錯，但犧牲了內存消耗，ZKCNN 僅適用於CNN 模型。它還正在開發一個新的zkSNARK 系統，特別是針對帶有新虛擬機的ZKML。
7.驗證證明：驗證者使用驗證密鑰進行驗證，無需見證人知曉。
因此，我們可以證明，將零知識技術應用於機器學習模型可以解決很多信任問題。使用交互式驗證的類似技術可以實現類似的結果，但將需要驗證方更多的資源，並可能面臨更多的隱私問題。值得注意的是，根據確切的模型，為它們生成證明可能會耗費時間和資源，因此當該技術最終在實際用例中實施時，會在各個方面做出妥協。
解決方案的現狀
接下來，桌子上有什麼？請記住，模型提供者可能不想生成ZKML 證明的原因有很多。對於那些有足夠勇氣嘗試ZKML 並且當解決方案對實施有意義時，他們可以根據他們的模型和輸入所在的位置從幾個不同的解決方案中進行選擇：
如果輸入數據在鏈上，Axiom 可以被視為一種解決方案：
Axiom 正在為以太坊構建一個ZK 協處理器，以改善用戶對區塊鏈數據的訪問並提供更複雜的鏈上數據視圖。對鏈上數據進行可靠的機器學習計算是可行的：
首先，Axiom 通過將以太坊區塊哈希的Merkle 根存儲在其智能合約AxiomV0 中來導入鏈上數據，這些數據通過ZK-SNARK 驗證過程進行無信任驗證。然後，AxiomV0StoragePf 合約允許根據緩存在AxiomV0 中的塊哈希給出的信任根，批量驗證任意歷史以太坊存儲證明。
接下來，可以從導入的歷史數據中提取ML 輸入數據。
然後Axiom 可以在上面應用經過驗證的機器學習操作；使用優化的halo2 作為後端來驗證每個計算的有效性。
最後，Axiom 為每個查詢的結果附上zk 證明，Axiom 智能合約將驗證zk 證明。任何想要證明的相關方都可以從智能合約中訪問它。
如果模型上鍊，可以考慮RISC Zero 作為解決方案：
RISC 零ZKVM 是一個RISC-V 虛擬機，它產生它執行的代碼的零知識證明。使用ZKVM，生成加密收據，任何人都可以驗證它是由ZKVM 的訪客代碼生成的。發布收據不會透露有關代碼執行的其他信息（例如，提供的輸入）。
通過在RISC Zero 的ZKVM 中運行機器學習模型，可以證明執行了模型中涉及的精確計算。計算和驗證過程可以在用戶首選環境中的鏈下完成，也可以在通用匯總的盆景網絡中完成。
首先，模型的源代碼需要編譯成RISC-V 二進製文件。當這個二進製文件在ZKVM 中執行時，輸出與包含加密印章的計算收據配對。該印章用作計算完整性的零知識論證，並將加密imageID（標識已執行的RISC-V 二進製文件）鏈接到斷言的代碼輸出，第三方可以快速驗證。
當模型在ZKVM 中執行時，關於狀態變化的計算完全在VM 中完成。它不會向外部各方洩露有關模型內部狀態的任何信息。
一旦模型完成執行，生成的印章將作為計算完整性的零知識證明。
生成ZK 證明的確切過程涉及一個以隨機預言機作為驗證者的交互協議。 RISC 零收據上的印章本質上是此交互協議的抄本。
如果您想直接從Tensorflow 或Pytorch 等常用的ML 軟件導入模型，可以考慮使用ezkl 作為解決方案：
Ezkl 是一個庫和命令行工具，用於對zkSNARK 中的深度學習模型和其他計算圖進行推理。
首先，將最終模型導出為.onnx 文件，並將一些樣本輸入導出為.json 文件。
然後，將ezkl 指向.onnx 和.json 文件以生成ZK-SNARK 電路，您可以使用它來證明ZKML 語句。
看起來很簡單，對吧？ ezkl 的目標是提供一個抽象層，允許在Halo 2 電路中調用和佈置更高級別的操作。 Ezkl 抽象化了很多複雜性，同時保持了難以置信的靈活性。他們的量化模型有一個用於自動量化的比例因子。隨著新解決方案的出現，它們支持對其他證明系統進行靈活更改。它們還支持多種類型的虛擬機，包括EVM 和WASM。
在證明系統方面，ezkl customs halo2 circuits通過聚合證明（通過中介將難以驗證的變成容易驗證的）和遞歸（可以解決內存問題，但很難適應halo2）。 Ezkl 還使用融合和抽象優化了整個過程（可以通過高級證明減少開銷）。
另外值得注意的是，相對於其他通用的zkml項目，Accessor Labs專注於提供專為全鏈上游戲設計的zkml工具，可能涉及AI NPC、遊戲玩法自動更新、涉及自然語言的遊戲界面等。
第三部分：用例在哪裡？
使用ZK 技術解決ML 的信任問題意味著它現在可以應用於更多“高風險”和“高度確定性”的用例，而不僅僅是跟上人們的談話或區分貓的圖片和狗的圖片。 Web3 已經在探索很多這樣的用例。這並非巧合，因為大多數Web3 應用程序在區塊鏈上運行或打算在區塊鏈上運行，因為區塊鏈的特定性質可以安全運行、難以篡改並具有確定性計算。一個可驗證的行為良好的人工智能應該是一個能夠在去信任和去中心化的環境中進行活動的人工智能，對吧？
ZK+ML 有效的Web3 用例
許多Web3 應用程序為了安全和去中心化而犧牲用戶體驗，因為這顯然是他們的首要任務，並且基礎設施的限制也存在。 AI/ML 有可能豐富用戶體驗，這肯定會有所幫助，但以前似乎不可能不妥協。現在，感謝ZK，我們可以輕鬆地看到AI/ML 與Web3 應用程序的結合，而不會在安全性和去中心化方面做出太多犧牲。
本質上，它將是一個以無信任方式實現ML/AI 的Web3 應用程序（在撰寫本文時可能存在也可能不存在）。通過去信任的方式，我們的意思是它是否在去信任的環境/平台中運行，或者它的操作是可證明可驗證的。請注意，並非所有ML/AI 用例（即使在Web3 中）都需要或首選以去信任的方式運行。我們將分析在各種Web3 領域中使用的ML 功能的每個部分。然後，我們會識別出需要ZKML的部分，通常是人們願意花額外的錢來證明的高價值部分。
下面提到的大多數用例/應用程序仍處於實驗研究階段。因此，它們離實際採用還很遠。我們稍後會討論原因。
Defi
Defi 是為數不多的適合區塊鏈協議和Web3 應用程序的產品市場之一。能夠以無需許可的方式創造、存儲和管理財富和資本在人類歷史上是前所未有的。我們已經確定了許多AI/ML 模型需要在未經許可的情況下運行以確保安全性和去中心化的用例。
風險評估：現代金融需要AI/ML 模型進行各種風險評估，從防止欺詐和洗錢到發放無抵押貸款。確保這個AI/ML 模型以可驗證的方式運行意味著我們可以防止它們被操縱進入審查制度，這阻礙了使用Defi 產品的無許可性質。
資產管理：自動交易策略對於Tradfi 和Defi 來說並不新鮮。已經嘗試應用AI/ML 生成的交易策略，但只有少數去中心化策略獲得成功。目前defi 領域的典型應用包括Modulus Labs 試驗的rocky bot。
The Rocky Bot ：Modulus Labs 在StarkNet 上創建了一個交易機器人，使用人工智能進行決策。
在Uniswap 上持有資金並交換WEth / USDC 的L1 合約。
這適合ML 信任框架的“輸出”部分。輸出在L2 上生成，傳輸到L1 並用於執行。在此過程中，它不能被篡改。
L2 合約實現了一個簡單（但靈活）的3 層神經網絡來預測未來的WEth 價格。該合約使用歷史WETH 價格信息作為輸入。
這適合“輸入”和“模型”部分。歷史價格信息輸入來自區塊鏈。模型的執行是在CairoVM 中計算的，CairoVM 是一個ZKVM，其執行軌跡將生成ZK 證明以供驗證。
用於訓練回歸器和分類器的可視化和PyTorch 代碼的簡單前端。
自動化MM 和流動性供應：這本質上是在風險評估和資產管理方面進行的類似努力的組合，只是在涉及數量、時間表和資產類型時以不同的方式進行。關於機器學習如何用於股票市場做市的論文很多。其中一些適用於Defi 產品可能只是時間問題。
例如，Lyra Finance 正在與Modulus Labs 合作，通過智能功能增強他們的AMM，以提高資本效率。
榮譽獎: Warp.cc 團隊開發了一個教程項目，介紹如何部署運行訓練有素的神經網絡以預測比特幣價格的智能合約。這屬於我們框架的“輸入”和“模型”部分，因為輸入由RedStone Oracles 提要提供，並且模型作為Arweave 上的Warp 智能合約執行。這是第一次迭代並且涉及到ZK，所以它屬於我們的榮譽獎，但在未來Warp 團隊考慮實現ZK 部分
Gaming
遊戲與機器學習有很多交集：
圖中的灰色區域代表我們對遊戲部分的ML 功能是否需要與相應的ZKML 證明配對的初步評估。 Leela Chess Zero 是將ZKML 應用於遊戲的一個非常有趣的示例：
AI Agents
Leela Chess Zero (LC0)：由Modulus Labs 打造的完全鏈上人工智能國際象棋棋手，與來自社區的一群人類棋手對弈。
LC0 和人類集體輪流下棋（象棋應該如此）。
LC0 的移動是使用簡化的、電路友好的LC0 模型計算的。
LC0 的舉動生成了Halo2 snark 證明，以確保沒有人為策劃干預。只有簡化的LC0 模型可以做出決定。
這適合“模型”部分。該模型的執行具有ZK 證明，以驗證計算未被篡改。
數據分析和預測：這是AI/ML 在Web2 遊戲世界中的常見用途。然而，我們發現很少有理由將ZK 實施到這個ML 過程中。為了不直接參與該過程的太多價值，可能不值得付出努力。但是，如果使用某些分析和預測來確定用戶的獎勵，則可能會實施ZK 以確保結果正確。
榮譽獎:
AI Arena 是一款以太坊原生遊戲，全世界的玩家都可以在其中設計、訓練和戰鬥由人工神經網絡驅動的NFT 角色。來自世界各地的才華橫溢的研究人員競相創建最佳的機器學習(ML) 模型以在遊戲中進行戰鬥。 AI Arena 專注於前饋神經網絡。通常，它們的計算開銷低於卷積神經網絡(CNN) 或遞歸神經網絡(RNN)。不過，就目前而言，模型只有在經過訓練後才會上傳到平台，因此值得一提。
GiroGiro.AI 正在構建一個AI 工具包，使大眾能夠創建用於個人或商業用途的人工智能。用戶可以基於直觀和自動化的AI 工作流平台創建各種AI 系統。只需輸入少量數據並選擇算法（或用於改進的模型），用戶就會在腦海中生成和利用AI 模型。儘管該項目處於非常早期的階段，但由於GiroGiro 專注於gamefi 和以虛擬世界為重點的產品，因此我們非常期待看到它能帶來什麼，因此它獲得了榮譽獎。
DID 和社交
在DID&social領域，web3和ml的交集目前主要在proof of humanity和proof of credentials領域；其他部分可能會發展，但需要更長的時間。
人性的證明
Worldcoin 使用一種稱為Orb 的設備來確定某人是否是一個沒有試圖欺騙驗證的真實存在的人。它通過各種相機傳感器和分析面部和虹膜特徵的機器學習模型來實現這一點。一旦做出決定，Orb 就會拍攝一組人的虹膜照片，並使用多種機器學習模型和其他計算機視覺技術來創建虹膜代碼，這是個人虹膜圖案最重要特徵的數字表示。具體報名步驟如下：
用戶在她的手機上生成一個信號量密鑰對，並將散列的公鑰（通過二維碼）提供給Orb。
Orb 掃描用戶的虹膜並在本地計算用戶的IrisHash。然後，它將包含散列公鑰和IrisHash 的簽名消息發送到註冊定序器節點。
定序器節點驗證Orb 的簽名，然後檢查IrisHash 是否與數據庫中已有的不匹配。如果唯一性檢查通過，則保存IrisHash 和公鑰。
Worldcoin 使用開源的Semaphore 零知識證明系統將IrisHashes 的唯一性轉移到用戶帳戶的唯一性，而無需將它們鏈接起來。這確保了新註冊的用戶可以成功領取他/她的WorldCoins。步驟如下：
用戶的應用程序在本地生成一個錢包地址。
該應用程序使用信號量來證明它擁有先前註冊的一個公鑰的私有副本。因為它是零知識證明，所以它不會透露哪個公鑰。
證明再次發送到排序器，排序器對其進行驗證並啟動將代幣存入提供的錢包地址。一個所謂的無效符與證明一起發送，並確保用戶不能兩次要求獎勵。
WorldCoin 使用ZK 技術確保其ML 模型的輸出不會洩露用戶的個人數據，因為它們不會相互關聯。在這種情況下，它屬於我們信任框架的“輸出”部分，因為它確保輸出以所需方式傳輸和使用，在這種情況下是私密的。
行動證明
Astraly 是一個建立在StarkNet 上的基於聲譽的代幣分發平台，用於尋找和支持最新最好的StarkNet 項目。衡量聲譽是一項具有挑戰性的任務，因為它是一個抽象概念，無法用簡單的指標輕鬆量化。在處理複雜的指標時，通常情況下，更全面和多樣化的輸入會產生更好的結果。這就是為什麼Astraly 正在尋求modulus labs 的幫助，以使用ML 模型來提供更準確的聲譽評級。
個性化推薦和內容過濾
Twitter 最近為“為你”時間線開源了他們的算法，但用戶無法驗證該算法是否正確運行，因為用於對推文進行排名的ML 模型的權重是保密的。這導致了對偏見和審查制度的擔憂。
然而，Daniel Kang、Edward Gan、Ion Stoica 和Yi Sun 提供了一種解決方案，使用ezkl 提供證據證明Twitter 算法在不洩露模型權重的情況下誠實運行，從而幫助平衡隱私和透明度。通過使用ZKML 框架，Twitter 可以提交其排名模型的特定版本，並發布證據證明它為給定用戶和推文生成了特定的最終輸出排名。該解決方案使用戶能夠驗證計算是否正確執行，而無需信任系統。雖然要使ZKML 更加實用還有很多工作要做，但這是提高社交媒體透明度的積極步驟。因此，這屬於我們的ML 信任框架的“模型”部分。
從用例角度重新審視ML 信任框架
可以看出，ZKML 在web3 中的潛在用例仍處於起步階段，但不容忽視；未來隨著ZKML的使用範圍不斷擴大，可能會出現對ZKML提供者的需求，形成下圖的閉環：
ZKML 服務提供商主要關注ML 信任框架的“模型”和“參數”部分。儘管我們現在看到的大多數與“模型”相關而不是“參數”。請注意，“輸入”和“輸出”部分更多地由基於區塊鏈的解決方案解決，用作數據源或數據目的地。單獨的ZK 或區塊鏈可能無法實現完全可信，但它們聯合起來可能會做到。
離大規模採用還有多遠？
Modulus Labs 的論文通過測試Worldcoin（具有嚴格的精度和內存要求）和AI Arena（具有成本效益和時間要求），為我們提供了一些關於ZKML 應用可行性的數據和見解：
如果Worldcon 使用ZKML，證明者的內存消耗將超過任何商用移動硬件。如果AI Arena 的錦標賽使用ZKML，則使用ZKCNN 會將時間和成本增加到100 倍（0.6 秒對原來的0.008 秒）。所以遺憾的是，直接應用ZKML 技術來證明時間和證明內存使用都是不可行的。
證明大小和驗證時間如何？我們可以參考Daniel Kang 、 Tatsunori Hashimoto 、 Ion Stoica 和Yi Sun 的論文。如下圖所示，他們的DNN 推理解決方案可以在ImageNet（模型類型：DCNN，16 層，340 萬個參數）上實現高達79% 的準確率，同時只需10 秒和5952 字節的驗證時間。此外，zkSNARKs 可以縮小到只需0.7 秒即可以59% 的準確率進行驗證。這些結果表明zkSNARKing ImageNet 規模模型在證明大小和驗證時間方面的可行性。
現在主要的技術瓶頸在於時間和內存消耗的證明。在web3 案例中應用ZKML 在技術上仍然不可行。 ZKML 能否抓住AI 的發展潛力？我們可以對比幾個經驗數據：
ML模型的發展速度：2019年發布的GPT-1模型有1.5億個參數，而2020年最新發布的GPT-3模型有1750億個參數，參數數量在短短兩年內增長了1166倍.
ZK系統的優化速度：ZK系統的性能增長基本遵循“摩爾定律”式的步伐。 幾乎每年都會推出新的ZK 系統，我們預計證明者性能的火箭式增長將持續一段時間。
比較前沿的ML對ZK的提升幅度，前景不是很樂觀。然而，隨著rollup性能、ZK硬件以及基於高度結構化神經網絡操作的量身定制的ZK證明系統的不斷改進，希望ZKML的開發能夠滿足web3的需求，並從提供一些老式的機器學習功能開始第一的。
儘管我們可能很難使用區塊鏈+ ZK 來驗證ChatGPT 提供給我的信息是否值得信賴，但我們或許能夠將一些更小和更舊的ML 模型放入ZK 電路中。
第四部分：結論
“權力導致腐敗，絕對的權力導致絕對的腐敗”。憑藉AI 和ML 令人難以置信的力量，目前還沒有萬無一失的方法將其置於治理之下。政府一再證明可以為後果提供後期干預或早期徹底禁止。區塊鏈+ ZK 提供了能夠以可證明和可驗證的方式馴服野獸的少數解決方案之一。
我們期待在ZKML 領域看到更多的產品創新，ZK 和區塊鍊為AI/ML 的運行提供安全可信的環境。我們還期望全新的商業模式會從這些產品創新中產生，因為在無需許可的加密世界中，我們不受這里首選的SaaS 商業化模式的限制。我們期待支持更多的建設者前來，在這個“狂野西部無政府狀態”和“象牙塔精英”的迷人重疊中構建他們激動人心的想法。
我們還早，但我們可能會在路上拯救世界。
