ما هو zkML؟ الشرح وحالات الاستخدام

ما هو التعلم الآلي صفر المعرفة (zkML)؟

يدمج التعلّم الآلي من عدم المعرفة (zkML) بين براهين انعدام المعرفة (ZKPs)، وهي طريقة تشفير لإثبات البيانات دون الكشف عن البيانات الأساسية، مع التعلّم الآلي (ML) لتمكين عمليات حسابية تحافظ على الخصوصية ويمكن التحقق منها.

يقوم zkML حاليًا بالتحقق من مشاريع الذكاء الاصطناعي الأصغر حجمًا، مثل روبوتات التداول أو مولدات الصور، باستخدام براهين تشفير تؤكد الامتثال للقواعد. يظل التوسع في النماذج الكبيرة (على سبيل المثال، GPT-4o، o1، DALL-E 2، Claude 3.5، Grok-1) محدودًا بسبب التكاليف الحسابية الباهظة.

قد تتراوح التطبيقات الإضافية من الكشف عن الاحتيال إلى المصادقة البيومترية الخاصة. من خلال استخدام براهين المعرفة الصفرية، يضمن zkML الخصوصية والسلامة الحسابية، مما يجعله تقدمًا مطلوبًا في المجالات الحساسة مثل التمويل (التقليدي/غير المركزي) والرعاية الصحية.

‍

كيف يعمل zkML؟

يُمكّن zkML المُثبت من تأكيد صحة عملية الاستدلال أو التدريب الخاصة بنموذج الذكاء الاصطناعي دون الكشف عن تفاصيل حساسة مثل بيانات الإدخال أو أوزان النموذج أو غيرها من المعلومات الخاصة.

تتضمن عملية التحقق من zkML هذه الخطوات الرئيسية:

• تحويل التشفير: تُترجم عمليات تعلّم الآلة (الاستدلال والتدريب) إلى دوائر حسابية أو أنظمة قيد، وتحويل طبقات الشبكة العصبية إلى علاقات رياضية.
• توليد البراهين: تُنشئ أنظمة إثبات ZK(zk-SNARKs، zk-STARKs) براهين تشفير موجزة تثبت صحة عمليات حسابية لعمليات ML، وتجزئة التفعيلات غير الخطية، وعمليات ضرب المصفوفات، وتدفق البيانات إلى بيانات جبرية.
• التحقق: تقوم الأطراف الثالثة بالتحقق من صحة البراهين في مقابل المعلمات العامة (مثل تجزئة النموذج والتزامات المدخلات) دون الوصول إلى البيانات الأولية، مما يضمن أن المخرجات مستمدة من المنطق المتفق عليه.
• الخصوصية: تظل المدخلات والأوزان والتدرجات مشفرة أو مقنعة، مع الاعتماد على أساسيات التشفير مثل التشفير المتماثل الشكل أو الحساب الآمن متعدد الأطراف لعزل البيانات الحساسة.
• المقايضات: تزيد الشبكات الأكبر أو الطبقات الأعمق من النفقات الحسابية، بينما يعتمد حجم الإثبات وسرعة التحقق على كفاءة نظام الإثبات الأساسي.

وببساطة، يتيح zkML لشخص ما إثبات صحة تنبؤات نموذج الذكاء الاصطناعي أو نتائج التدريب دون الكشف عن البيانات الأساسية أو تفاصيل النموذج. يتم تحقيق ذلك من خلال براهين التشفير التي تضمن الخصوصية والدقة، مما يجعل العملية آمنة وقابلة للتحقق منها.

‍

حالات استخدام zkML

لقد أثبتت zkML بالفعل فائدتها في التشفير، حيث نجحت العديد من المشاريع في تطبيقها أو تقدمت في مراحل الاختبار النهائية قبل نشر الشبكة الرئيسية.

• نزاهة الذكاء الاصطناعي على السلسلة: إثبات تنفيذ روبوتات التداول أو استراتيجيات العوائد(RockyBot من Modulus Labs، وGiza x Yearn) كما هو مزعوم، مما يمنع التلاعب الخفي بأسواق DeFi.
• مساءلة واجهة برمجة التطبيقات: فضح خدمات "الصندوق الأسود" لتعلّم الآلة من خلال إجبار مقدمي الخدمات على إرفاق براهين توضح النماذج التي تشغل مخرجاتها.
• منع الاستغلال: السماح لل DAOs بتجميد العقود المخترقة برمجيًا باستخدام براهين ZK-anomaly(بحث بروتوكول أزتيك)، المدرب على أنماط الاستغلال التاريخية.
• التحديثات البيومترية: يقوم المستخدمون بالتحديث الذاتي لبيانات الاعتماد(رموز قزحية العين في العالم) من خلال إثبات أن القوالب البيومترية الجديدة مستمدة من عمليات مسح صالحة، مما يلغي إعادة التسجيل المركزي.
• السرية الطبية: تشخيص أشعة الرنين المغناطيسي المشفرة(vCNN) مع الحفاظ على سرية الفحوصات، واستبدال أوراق الامتثال بالتدقيق المشفر.

‍

تداعيات DeFi المحتملة

عندما تنضج تقنية zkML، من الممكن أن يتم دمجها في حالات استخدام أوسع نطاقًا في جميع مجالات التمويل اللامركزي:

• نماذج مخاطر DeFi: إثبات صحة ضمانات القروض المحسّنة بالذكاء الاصطناعي أو تسعير المشتقات (Aave وSynhetix وHyperliquid، إلخ) دون الكشف عن خوارزميات الملكية أو مراكز المستخدمين.
• حوكمة DAO: التحقق من صحة حسابات أوزان التصويت المستندة إلى التعلم الآلي أو توقعات تأثير المقترحات مع الحفاظ على خصوصية بيانات المشاركين (على سبيل المثال، الحيازات الرمزية).
• عملات الخصوصية: تدقّق في مجموعات إخفاء هوية المعاملات (Zcash وMonero) باستخدام التعلّم الآلي للكشف عن هجمات سيبيل دون المساس بهويات المستخدمين أو البيانات الوصفية للشبكة.
• تقييم NFT: يتحقق بشكل مشفّر من درجات الندرة أو خوارزميات التسعير الديناميكية(Pudgy Penguins، Azuki NFT) دون تسريب منطق التقييم الخاص.
• أوراكل عبر السلاسل: يؤمن تغذية البيانات التي تعمل بتقنية تعلّم الآلة (Chainlink، بروتوكول النطاق) من خلال إثبات سلامة تجميع البيانات عبر السلاسل دون الكشف عن مدخلات العقدة.
• ZK-Rollups: تمكين تجميع المعاملات المحسّن للتعلم الآلي(ZKsync، StarkNet) مع براهين تضمن عدالة الطلبات/حسابات الرسوم دون الكشف عن أنماط نشاط المستخدم.

‍

الوضع الحالي ل zkML

zkML هي إجابة عام 2024 على نقص الثقة في وادي السيليكون، مدفوعةً بقيام عمالقة العملات الرقمية مثل Polychain و a16z بتحويل الملايين إلى شركات ناشئة مثل Modulus Labs وWorld (World (Worldcoin سابقاً) وIngonyama لتعزيز الخصوصية وإمكانية التحقق من الذكاء الاصطناعي على السلسلة.

في حين أن تقنية zkML لا تزال تكافح من أجل نماذج مقياس ChatGPT، إلا أن عام 2025 قد يمثل نقطة تحول. من المقرر أن تدفع مبادرة مركز بيانات Stargate التي أطلقتها الحكومة الأمريكية بقيمة 500 مليار دولار، والتي يقودها الرئيس ترامب، والوافدين الجدد مثل نماذج الذكاء الاصطناعي مفتوحة المصدر من DeepSeek في الصين إلى دفع الابتكارات بشكل أسرع.

‍

المخاطر والمخاوف

تأتي ضمانات تشفير zkML مصحوبة بمخاطر غير تافهة يمكن أن تعيق اعتماد المؤسسات لها أو تكشف عن نقاط ضعف نظامية.

• التكاليف الأسية: لا يزال إثبات النماذج المعقدة (GPT-4o، إلخ) باهظ التكلفة، مع وجود قيود على الأجهزة (انظر ZKPU لإنجونياما) مما يحد من حالات الاستخدام المتخصصة ذات العائد على الاستثمار.
• مخاطر المركزية: قد يؤدي الاعتماد على وحدة معالجة الرسومات/مركز البيانات المتطورة إلى توحيد القوة بين عدد قليل من صانعي الرقاقات (على سبيل المثال، Nvidia)، مما يتعارض مع مُثُل اللامركزية.
• المسرح الأمني: الدوائر المنفذة بشكل سيئ، مثل تجميعات EZKL غير المختبرة، تخاطر بمخرجات "محققة" تخفي تسريبات البيانات أو عيوب النموذج.
• الغموض التنظيمي: يمكن أن تفرض التفويضات المبكرة ( قانون الاتحاد الأوروبي للذكاء الاصطناعي في الوقت الحالي) عمليات تكامل zkML دون المستوى، مما يخلق أعباء امتثال دون فوائد أمنية حقيقية.
• احتكاك التبني: تواجه شركات مثل Walmart نقصاً في المواهب لتفعيل zkML، على الرغم من إثبات مختبرات Modulus Labs قيمة سلسلة التوريد الخاصة بها.

‍

افكار اخيرة

تعد zkML خطوة أساسية في مساءلة الذكاء الاصطناعي ولكنها تظل مقيدة بقابلية التوسع، حيث تكافح البراهين الحالية التي تعمل بوحدة معالجة الرسومات (GPU) للتعامل مع نماذج ذات تريليون معيار.

يرى المستثمرون الذين يستهدفون خيارات البنية التحتية، أن zkML هو طبقة التدقيق الحاسمة لقطاعات مثل DeFi واكتشاف الأدوية، حيث تحمي شفافية الذكاء الاصطناعي المليارات.

تواجه الجهات التنظيمية عملية توازن دقيقة: فالرقابة المفرطة تخاطر بخنق الابتكار، في حين أن التقاعس عن العمل قد يسمح للذكاء الاصطناعي غير المتحقق منه بتقويض الثقة في الأنظمة الحيوية.