關於ZKML：ZKML（Zero Knowledge Machine Learning）是一種機器學習技術，它結合了零知識證明（Zero-Knowledge Proofs）和機器學習算法，旨在解決機器學習中的隱私保護問題。
關於分佈式算力：分佈式算力是指將一個計算任務分解成多個小任務，並將這些小任務分配給多個計算機或處理器進行處理，以實現高效的計算。
AI與Web3的現狀：失控的蜂群與熵增
在《失控：機器、社會與經濟的新生物學》裡，凱文·凱利曾提出過一個現象：蜂群會按照分佈式管理，以群舞的方式進行選舉決策，整個蜂群跟隨在本次群舞中最大規模的蜂群成為一次事件的主宰。這也是墨利斯·梅特林克提到的所謂“蜂群的靈魂”——每一隻蜜蜂都可以做出自己決定，引導其他蜜蜂進行證實，最後形成的決定真正意義上都是群體的選擇。
熵增無序的規律本身就遵循熱力學定律，物理學上的理論具象化是把一定數量的分子放入空箱，測算最後的分佈概況。具體到人，由算法生成的群氓雖有個體的思維差異也能展現出群體規律，往往是因時代等因素被限制在一個空箱中，最後會做出共識性的決策。
當然，群體規律未必是正確的，但是可以代表共識，能夠以一己之力拉起共識的意見領袖是絕對的超級個體。但大多數情況下共識也並不追求所有人人完全無條件的同意，只需要群體具有普遍的認同性。
我們在此並不討論AI是否會將人類帶入歧途，實際上這類討論已然很多，不論是人工智能應用生成的大量垃圾已經污染了網絡數據的真實性，還是因為群體決策的失誤會導致一些事件走向更加危險的境地。
AI目前的狀況帶有著天然的壟斷，比如大模型的訓練和部署需要大量的計算資源和數據，而只有一小部分企業和機構具備這些條件。這些數以億萬計的數據被每個壟斷所有者視若珍寶，不要提開源共享，就連互相的接入也是不可能的。
這就帶來了極大的數據浪費，每一個大體量AI項目都要進行用戶數據的重複收集，最後以贏家通吃——不論是併購還是賣出，做大個別巨形項目，還是傳統互聯網圈地跑馬的邏輯。
很多人說，AI和Web3是兩回事，沒有任何联系——前半句是對的，這是兩個不同的賽道，但後半句是有問題的，利用分佈式技術限制人工智能的壟斷終局，以及利用人工智能技術促進去中心化共識機制的形成，簡直是天然的事情。
底層推演：讓AI形成真正的分佈式群體共識機制
人工智能的核心還是在於人本身，機器和模型不過是對人思維的揣測和模仿。所謂群體，實際上很難把群體抽像出來，因為每日所見的還是真實的個體。但模型就是利用海量的數據進行學習和調整，最後模擬出的群體形態。不去評價這種模型會造成什麼樣的結果，因為群體作惡的事件也並非一次兩次發生。但模型確切代表了這種共識機制的產生。
舉個例子，對於一個特定的DAO來說，如若把治理做到機制，必然會對效率產生影響，原因是群體共識的形成本就是一件麻煩的事情，更何況還要投票、統計等進行一系列操作。如果把DAO的治理以AI模型形式體現，所有的數據收集本就來自於DAO內所有人的發言數據，那麼輸出的決策實際上會更接近於群體共識。
單個模型的群體共識可以按照如上的方案進行訓練模型，但對於這些個體來說終究還是孤島。若是有集體智能係統形成群體AI，在這個系統中每個AI模型之間會相互協同工作，用來解決複雜問題，其實就對共識層面的賦能有了極大的作用。
對於小型集合既可以自主的去搭建生態，也可以和其他集合形成配合集，更加高效低成本的滿足超大型的算力或者數據交易。但問題又來了，各個模型數據庫之間的現狀是完全不信任、防備著其他人的——這正是區塊鏈的天然屬性所在：通過去信任化，實現真正分佈式的AI機器間安全高效互動。
一個全球性的智能大腦可以使得原本相互獨立且功能單一的AI算法模型相互配合，在內部執行複雜的智能算法流程，就可以不斷增長的形成分佈式群體共識網絡。這也是AI對Web3賦能的最大意義所在。
隱私與數據壟斷？ ZK與機器學習的結合
人類不論是對於AI作惡還是基於對隱私的保護、對數據壟斷的畏懼，都要針對性的進行防範。而最核心的問題在於我們並不知道結論是如何得出，同樣的，模型的運營者也並不打算對這個問題解惑答疑。而針對於上文中我們提到的全球性智能大腦的結合就更需要解決這個問題，不然沒有數據方願意拿出自己的核心去和別人共享。
ZKML(Zero Knowledge Machine Learning) 是將零知識證明用於機器學習的技術。零知識證明(Zero-Knowledge Proofs，ZKP)，即證明者（prover）有可能在不透露具體數據的情況下讓驗證者（verifier）相信數據的真實性。
以理論案例為引。有一個9×9的標準數獨，完成條件是需要在九個九宮格里，填入1到9的數字，讓每個數字在每個行、列及九宮格里都只能出現一次。那麼佈置這道謎題的人如何在不洩露謎底的情況下向挑戰者證明該數獨有解呢？
只需要在填充處用答案蓋住，然後隨機讓挑戰者抽取幾行或者幾列，把所有的數字打亂順序然後驗證是否都是一到九即可。這就是一個簡單的零知識證明體現。
零知識證明技術具有完備性，正確性和零知識性三個特點，即證明了結論又不需要透露任何細節。其技術來源更是可以體現簡約性，在同態加密的背景下，驗證難度要遠遠低於生成證明難度。
機器學習（Machine Learning）則是使用算法和模型來讓計算機系統從數據中學習和改進。通過自動化的方式從經驗中學習，可以使系統根據數據和模型自動進行預測、分類、聚類和優化等任務。
機器學習的核心在於構建模型，這些模型可以從數據中學習並自動進行預測和決策。而這些模型的搭建構造通常需要三個關鍵要素：數據集、算法和模型評估。數據集是機器學習的基礎，包含了用於訓練和測試機器學習模型的數據樣本。算法是機器學習模型的核心，定義了模型如何從數據中學習和預測。模型評估是機器學習的重要環節，用於評估模型的性能和準確性，並決定是否需要對模型進行優化和改進。
在傳統的機器學習中，數據集通常需要被收集到一個中心化的地方進行訓練，這意味著數據所有者必須將數據共享給第三方，這可能會導致數據洩露或隱私洩露的風險。而使用ZKML，數據所有者可以在不洩露數據的情況下，將數據集共享給其他人，這是通過使用零知識證明來實現的。
零知識證明運用於機器學習的賦能，效果應該是可以預見的，這就解決了困擾已久的隱私黑箱和數據壟斷問題：項目方是否可以在不洩露用戶數據輸入或模型具體細節的情況下完成證明和驗證，是否可以讓每一個集合都能夠共享自己的數據或者模型進行作用而不會洩露隱私數據？當然，目前的技術還早，實踐肯定會有很多的問題存在，這並不妨礙我們暢想，並且已經有許多團隊在進行開發。
這種狀況會不會帶來小型數據庫對大型數據庫的白嫖呢？當你考慮到治理問題的時候，就又回到我們Web3的思維中了，Crypto的精髓在於治理。不論是通過大量的運用或者是共享都應該獲得應有的激勵。不論是通過原有的Pow、PoS機制還是最新出現的各種PoR（聲譽證明機制），都是在為激勵效果提供保證。
分佈式算力：謊言與現實交織的創新敘事
去中心化算力網絡一直是加密圈熱門提到的一個場景，畢竟AI大模型需要的算力驚人，而中心化的算力網絡不單會造成資源浪費還會形成實質上的壟斷——如果比到最後拼的就是GPU的數量，那未免太沒有意思了。
去中心化算力網絡，實質是將分散在不同地點、不同設備上的計算資源整合起來。大家常提的主要優勢都有：提供分佈式計算能力、解決隱私問題、增強人工智能模型的可信度和可靠性、支持各種應用場景下的快速部署和運行，以及提供去中心化的數據存儲和管理方案。沒錯，通過去中心化算力，任何人都可以運行AI模型，並在來自全球用戶的真實鏈上數據集上進行測試，這樣就可以享受到更加靈活、高效、低成本的計算服務。
同時，去中心化算力可以通過創建一個強大的框架來解決隱私問題，保護用戶數據的安全和隱私。並且提供透明、可驗證的計算過程，增強人工智能模型的可信度和可靠性，為各種應用場景下的快速部署和運行提供靈活、可擴展的計算資源。
我們從一套完整的中心化算力流程來看模型訓練，步驟通常會分為：數據準備、數據分割、設備間數據傳輸、並行訓練、梯度聚合、參數更新、同步，再到重複訓練。在這個過程當中，即便是中心化機房使用高性能的計算設備集群，通過高速網絡連接共享計算任務，高昂的通信成本也成為了去中心化算力網絡的最大限制之一。
因此，儘管去中心化算力網絡具有很多優勢和潛力，但依照目前的通信成本和實際運行難度來看發展道路仍然曲折。在實踐中，實現去中心化算力網絡需要克服很多實際的技術問題，不論是如何確保節點的可靠性和安全性、如何有效地管理和調度分散的計算資源，還是如何實現高效的數據傳輸和通信等等，恐怕都是實際面臨的大問題。
尾：留給理想主義者的期待
回歸當商業現實之中，AI與Web3深度結合的敘事看上去如此美好，但資本與用戶卻更多地用實際行動告訴我們這注定是場異常艱難的創新之旅，除非項目方能像OpenAI一樣，在自身強大的同時抱住一個強有力的金主，否則深不見底的研發費用與尚不清晰的商業模式將把我們徹底擊碎。
無論是AI還是Web3，現在都處於極為早期的發展階段，就如同上世紀末的互聯網泡沫，一直到近十年之後才正式迎來真正的黃金時期。麥卡錫曾幻想在一個假期之內設計出具有人類智力的人工智能，但直到近七十年後我們才真正邁開人工智能的關鍵一步。
Web3+AI也同樣如此，我們已經確定了前進方向的正確性，剩下的便交給時間。
當時間的潮水逐漸褪去，那些屹立不倒的人和物，便是我們由科幻通向現實的基石。