摘要: 零知识机器学习(zkML)将注重隐私的密码学与先进的机器学习相结合,在不暴露敏感数据的情况下实现了人工智能见解的安全应用和验证。zkML是医疗保健和金融等行业的理想选择,它利用零知识证明来保护机密性,同时在可扩展性和隐私性方面取得了重大进步。
尽管zkML还处于发展阶段,但它为去中心化系统和人工智能应用的未来展示了巨大的前景。
什么是零知识机器学习(zkML)?
零知识机器学习(zkML)结合了注重隐私的密码学和先进的机器学习。利用零知识证明,zkML 可确保在不披露任何敏感数据的情况下验证机器学习过程。
从本质上讲,zkML 可以在保护机密信息的同时,实现机器学习见解的安全应用和验证。这在医疗保健和金融等行业尤为重要,因为这些行业对隐私要求极高。它允许在不危及个人隐私的情况下实施人工智能工具。
zkML 如何工作?
零知识机器学习(zkML)将机器学习与加密方法整合在一个分散的网络中。机器学习模型在多个节点上进行训练,每个节点都包含自己的数据段。然后,这些节点生成零知识证明(一种加密证据)。这些证明使节点能够在不泄露数据本身的情况下验证其数据的某些方面。
例如,在医疗保健领域,多家医院可以合作在患者数据上训练机器学习模型。每家医院都会生成一份零知识证明,而不是共享敏感的患者记录。该证明可验证其数据对模型的重要性和完整性,同时不会泄露患者隐私。
zkML 利用网络的集体学习能力,同时确保个人数据隐私。这种方法既能增强机器学习能力,又能满足严格的隐私标准,这在去中心化系统中尤为重要。
zkML 用例
零知识机器学习(zkML)正在迅速发展,在提高各个领域的可扩展性和隐私方面提供了重要的应用。开发人员越来越容易接触到零知识机器学习,这预示着创新应用可能会激增。主要应用包括
- 区块链的可扩展性:zkML 通过 ZK rollups(如Starknet、Scroll 和Polygon Zero 等平台)帮助扩展以太坊。这些解决方案在保持去中心化和安全性的同时,还通过链外计算和链上验证提高了吞吐量。
- 隐私保护:利用 ZK 证明,zkML 可以开发保护用户隐私的应用程序(如Semaphore和Penumbra),以及提供私人交易解决方案的平台(如Aztec Network)。
- 身份验证和数据出处:zkML 支持创建身份验证系统(如WorldID),确保在不泄露个人详细信息的情况下进行独特的身份验证,同时还支持 Sismo 和 Axiom 等平台。
- 私有第 1 层协议: Zcash和Mina利用 zkML 创建私有、高效的第一层协议,卸载计算并维护用户隐私。
- 医疗保健模型评估:zkML 可帮助验证医疗保健中机器学习模型的准确性,而不会暴露敏感数据,确保患者的机密性并符合监管标准。
- 机器学习即服务透明度:它可确保服务提供商提供所声称的机器学习模型,从而增强对 MLaaS 的信任。
随着 zkML 的发展,它将进一步扩展,在去中心化系统和其他领域的隐私和可扩展性方面发挥重要作用。
zkML 的现状
零知识机器学习(zkML)目前正处于发展阶段,重点是将零知识证明纳入模型推理阶段。这对于验证 GPT-4 或 DALL-E 2 等人工智能模型的输出结果尤其有效,而且不会暴露敏感的输入数据。
尽管由于计算能力的限制,管理大型模型面临挑战,但我们还是取得了重大进展。例如,Modulus 实验室已经成功地为拥有 1,800 万个参数的模型创建了证明。这是向 zkML 实际应用迈出的关键一步,强调了人工智能生成内容的隐私性。
底线
零知识机器学习(zkML)正在推进隐私保护密码学与机器学习的整合,有望在不损害敏感数据的情况下实现安全、可验证的人工智能应用。尽管处于发展阶段,zkML 在医疗保健和金融等关键领域显示出巨大潜力。随着技术的不断进步,zkML有望显著提高可扩展性和隐私保护,成为未来去中心化系统及其他领域的重要工具。