皇冠hg86a

2024年菠菜网平台app下载欧洲杯视频直播免费（www.royalsportsbookhome.com）

原文：sevenxventures 2024年澳门银河轮盘

编译：GWEI Research

由 Hill Tan 和 Grace Deng 所著，SevenX Ventures Research

咱们要高出感谢 Brian Retford, Sun Yi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin, 和 Brent 他们对这篇著述提供的难得观点，响应和审阅。

对于咱们这些生计在加密货币之下的东说念主来说，东说念主工智能已经火了一段时刻。道理的是，没东说念主念念看到一个AI失控。区块链被发明出来即是为了属目好意思元失控，是以咱们可能会尝试一下。此外，咱们当今有了一个新的叫作念ZK的时候，它被用来确保事情不会出错。我只是假定平时东说念主对区块链和ZK有一丝了解。然则，为了纳降AI这个野兽，咱们必须意会AI是若何职责的。

第一部分：易懂的机器学习简介 AI已经有了几个称呼，从“大众系统”到“神经麇集”，然后是“图形模子”，终末是“机器学习”。所有这些皆是“AI”的子集，东说念主们给它们不同的名字，咱们对AI的了解也更深了。让咱们深刻了解机器学习，揭开机器学习的深重面纱。

皇冠信用

目前，约8000名消防人员正在该国多省进行灭火工作。贝贾亚省、吉杰勒省和布维拉省受灾最重，约1500人已从这三省紧急撤离。

细心：现今大多数的机器学习模子皆是神经麇集，因为它们在许多任务上的推崇优秀。咱们主要将机器学习称为神经麇集机器学习。

那么，机器学习是若何职责的呢？

领先，让咱们快速了解一下机器学习的里面职责道理：

1 .输入数据预处理：

输入数据需要被处理成可以当作模子输入的阵势。这频繁波及到预处理和特征工程，以索求有用的信息，并将数据退换成合乎的体式，举例输入矩阵或张量（高维矩阵）。这是大众系统的方法。跟着深度学习的出现，层的办法动手自动处理预处理的职责。

2.缔造开动模子参数：

开动模子参数包括多个层，激活函数，开动权重，偏置，学习率等。有些可以在教师中颐养，以使用优化算法提高模子的精度。

3.教师数据：

1）输入被送入神经麇集，频繁从一层或多层特征索乞降关系建模动手，举例卷积层（CNN）、轮回层（RNN）或自细心力层。这些层学习从输入数据中索求关连特征，并对这些特征之间的关系建模。2）这些层的输出然后通过一个或多个附加层传递，这些附加层对输入数据实施不同的缠绵和退换。这些层频繁主要波及与可学习权重矩阵的矩阵乘法和非线性激活函数的应用，但它们也可能包括其他操作，举例卷积神经麇集结的卷积和池化或递归神经麇集结的迭代。这些层的输出当作模子中下一层的输入或当作预测的最终输出。

4.获取模子的输出：

神经麇集缠绵的输出频繁是一个向量或矩阵，暗意图像分类的概率、款式分析分数或其他收场，具体取决于麇集的应用。频繁还有另一个失误评估和参数更新模块，它允许根据模子的办法自动更新参数。

要是上头的解释看起来太晦涩，你可以望望底下使用CNN模子识别苹果图像的例子。

图像当作像素值矩阵载入模子，这个矩阵可以被暗意为一个三维张量，其维度为（高度、宽度、通说念）。卷积神经麇集（CNN）模子的开动参数已设定。输入图像通过CNN的多个粉饰层，每一层皆应用卷积滤波器从图像中索求日益复杂的特征。每一层的输出通过一个非线性激活函数，然后进行池化以减少特征映射的维度。终末一层频繁是一个全联结层，根据索求的特征产生输出预测。CNN的最终输出是概率最高的类别。这即是输入图像的预测标签。

机器学习信任框架

咱们可以将上述内容总结为一个机器学习信任框架，它包括四个必须可靠的机器学习档次，以使通盘机器学习经过可靠：

皇冠客服飞机：@seo3687

菠菜网平台app下载输入：原始数据需要被预处理，就怕还需要守秘。完满性：输入数据未被改动，未被懊恼输入混浊，并被正确预处理。心事：如有需要，输入数据不会被流露。输出：需要准确生成和传输。完满性：正确生成输出。心事：如有需要，输出不会被流露。模子类型/算法：模子应该被正确缠绵。完满性：模子被正如实施。心事：如有需要，模子自己或缠绵经过不会被流露。不同的神经麇集模子有不同的算法和档次，以得志不同的用例和输入。CNN常用于处理栅格数据，如图像，通过在小输入区域应用卷积运算可以拿获腹地模式和特征。另一方面，递归神经麇集（RNN）适宜处理法例数据，如时刻序列或当然语言，其中粉饰状况可以拿获来自先前时刻本领的信息并建模时刻依赖性。自细心力层对捕捉输入序列中元素之间的关系很有用，使其在需要长距离依赖的任务（如机器翻译或总结）中相配灵验。还存在其他类型的模子，包括多层感知器（MLP）等。模子参数：参数在某些情况下应透明或民主生成，但在所有情况下皆不易被改动。完满性：参数以正确的阵势生成、留心和管束。心事：模子所有者频繁守秘机器学习模子参数，以保护开发模子的组织的学问产权和竞争上风。这只在Transformer模子教师成本极高之前才宽绰存在，但非论若何，这对行业来说皆是一个主要问题。第二部分：机器学习的信任问题

跟着机器学习（ML）应用的爆炸式增长（复合年增长率跳跃20%）以及它们在日常生计中的交融进度的增多，如ChatGPT的最近流行，对ML的信任问题变得日益伏击，不可被淡薄。因此，发现并科罚这些信任问题对于确保AI的负职守使用和属目其潜在滥用至关伏击。然则，这些问题到底是什么呢？让咱们深刻了解。

微辞透明度或可解说性

信任问题弥远以来一直困扰着机器学习，主要原因有两个：

新宝博彩

心事性：如前所述，模子参数频繁是独有的，在某些情况下，模子输入也需要守秘，这当然会在模子领有者和模子使用者之间带来一些信任问题。

算法的黑匣子：机器学习模子就怕被称为“黑匣子”，因为它们在缠绵经过中波及许多难以意会或解释的自动化本领。这些本领波及复杂的算法和多半数据，这些数据会带来不笃定的、就怕是飞速的输出，使算法成为偏见甚而歧视的罪魁罪魁。

在更深刻之前，本文中更大的假定是模子已经“准备好使用”，这意味着它行云活水何况适宜办法。该模子可能不适宜所有情况，何况模子以惊东说念主的速率雠校，ML 模子的正常保质期为 2 到 18 个月不等，具体取决于应用场景。

机器学习信任问题的详实分类

模子教师经过存在信任问题，Gensyn 现时正在死力生成灵考据据以促进这还是过。但是2024年澳门银河轮盘，本文将主要热诚模子推理经过。当今让咱们使用 ML 的四个构建块来发现潜在的信任问题：

Input:数据源不可改动私东说念主输入数据不会被模子运营商窃取（心事问题）

Model:该模子自己如所宣传的那样准确。缠绵经过正确完成。

Parameters:模子的参数未变嫌或与宣传的雷同。模子参数对模子所有者来说是难得的钞票，在此经过中不会流露（心事问题）

Output:输出可解说是正确的（可以通过上述所有元素进行雠校）ZK若何应用于ML信任框架

上头的一些信任问题可以通过浅陋地上链来科罚；将输入和ML参数上传到链上，模子缠绵上链，可以保证输入、参数和模子缠绵的正确性。但是这种方法可能会糟跶可扩张性和心事性。 Giza 在 Starknet 上是这么作念的，但是由于成本问题，它只撑抓记忆这么浅陋的机器学习模子，不撑抓神经麇集。 ZK 时候可以更高效地科罚上述信任问题。现时ZKML的ZK频繁指的是zkSNARK。领先，让咱们快速追溯一下 zkSNARKs 的一些基础学问：

一个 zkSNARK 解说解说我知说念一些奥密输入 w 使得这个缠绵的收场 f 是 OUT 是真的而不告诉你 w 是什么。解说生成经过可以空洞为几个本领：

1.制定一个需要解说的述说：f(x,w)=true

“我已经使用带有独有参数 w 的 ML 模子 f 对这张图像 x 进行了正确分类。”

2.将语句退换为电路（Arithmetization）：不同的电路构造方法包括R1CS、QAP、Plonkish等。

与其他用例比较，ZKML 需要一个称为量化的荒芜本领。神经麇集推理频繁在浮点运算中完成，这在运算电路的主要领域中进行仿真的极其不菲的。不同的量化方法是精度和征战条目之间的量度。一些电路构造方法如 R1CS 对神经麇集成果不高。可以颐养这部分以提高性能。

3.生成解说密钥和考据密钥

4.创建见证东说念主：当 w=w*,f(x,w)=true

5.创建哈希应允：见证东说念主 w* 应允使用加密哈希函数生成哈希值。然后可以公开此散列值。

它有助于确保独有输入或模子参数在缠绵经过中未被改动或修改。此本领至关伏击，因为即使是轻捷的修改也会对模子的步履和输坐蓐生要紧影响。

6.生成解说：不同的解说系统使用不同的解说生成算法。

需要为机器学习操作设想很是的零学问规定，举例矩阵乘法和卷积层，从而为这些缠绵提供具有亚线性时刻的高效公约。

由于缠绵职责量太大，像 groth16 这么的通用 zkSNARK 系统可能无法灵验地处理神经麇集。

自 2020 年以来，出现了许多新的 ZK 解说系统来优化模子推理经过的 ZK 解说，包括 vCNN、ZEN、ZKCNN 和 pvCNN。然则，它们中的大多数皆针对 CNN 模子进行了优化。它们只可应用于某些原始数据集，举例 MNIST 或 CIFAR-10。

2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 首创东说念主）提倡了一种基于 Halo2 的新解说决策，初度终澄莹 ImageNet 数据集的 ZK 解说生成。他们的优化主要落在算术部分，具有新颖的非线性查找参数和跨层子电路的重用。

正在对链上推理的不同解说系统进行基准测试，发当今解说时刻方面，ZKCNN 和 plonky2 推崇最好；在峰值解说者内存使用方面，ZKCNN 和 halo2 推崇雅致无比；而 plonky，诚然推崇可以，但糟跶了内存消耗，ZKCNN 仅适用于 CNN 模子。它还正在开发一个新的 zkSNARK 系统，高出是针对带有新杜撰机的 ZKML。

7.考据解说：考据者使用考据密钥进行考据，无需见证东说念主露出。

因此，咱们可以解说，将零学问时候应用于机器学习模子可以科罚许多信任问题。使用交互式考据的访佛时候可以终了访佛的收场，但将需要考据方更多的资源，并可能面对更多的心事问题。值得细心的是，根据确切的模子，为它们生成解说可能会奢侈时刻和资源，因此当该时候最终在实验用例中实施时，会在各个方面作念出和谐。

科罚决策的近况

接下来，桌子上有什么？请记着，模子提供者可能不念念生成 ZKML 解说的原因有许多。对于那些有充足勇气尝试 ZKML 何况当科罚决策对实施特道理时，他们可以根据他们的模子和输入处所的位置从几个不同的科罚决策中进行遴选：

要是输入数据在链上，Axiom 可以被视为一种科罚决策：

Axiom 正在为以太坊构建一个 ZK 协处理器，以改善用户对区块链数据的探员并提供更复杂的链上数据视图。对链上数据进行可靠的机器学习缠绵是可行的：

领先，Axiom 通过将以太坊区块哈希的 Merkle 根存储在其智能合约 AxiomV0 中来导入链上数据，这些数据通过 ZK-SNARK 考据经过进行无信任考据。然后，AxiomV0StoragePf 合约允许根据缓存在 AxiomV0 中的块哈希给出的信任根，批量考据放荡历史以太坊存储解说。接下来，可以从导入的历史数据中索求 ML 输入数据。然后 Axiom 可以在上头应用经过考据的机器学习操作；使用优化的 halo2 当作后端来考据每个缠绵的灵验性。终末，Axiom 为每个查询的收场附上 zk 解说，Axiom 智能合约将考据 zk 解说。任何念念要解说的关连方皆可以从智能合约中探员它。

要是模子上链，可以筹商 RISC Zero 当作科罚决策：

RISC 零 ZKVM 是一个 RISC-V 杜撰机，它产生它实施的代码的零学问解说。使用 ZKVM，生成加密收条，任何东说念主皆可以考据它是由 ZKVM 的访客代码生成的。发布收条不会涌现辩论代码实施的其他信息（举例，提供的输入）。

通过在 RISC Zero 的 ZKVM 中运行机器学习模子，可以解说实施了模子中波及的精准缠绵。缠绵和考据经过可以在用户首选环境中的链下完成，也可以在通用汇总的盆景麇集结完成。

皇冠网址领先，模子的源代码需要编译成 RISC-V 二进制文献。当这个二进制文献在 ZKVM 中实施时，输出与包含加密印记的缠绵收条配对。该印记用作缠绵完满性的零学问论证，并将加密 imageID（秀雅已实施的 RISC-V 二进制文献）贯穿到断言的代码输出，第三方可以快速考据。当模子在 ZKVM 中实施时，对于状况变化的缠绵完全在 VM 中完成。它不会向外部各方流露辩论模子里面状况的任何信息。一朝模子完成实施，生成的印记将当作缠绵完满性的零学问解说。

生成 ZK 解说的确切经过波及一个以飞速预言机当作考据者的交互公约。 RISC 零收条上的印记骨子上是此交互公约的手本。

要是您念念平直从 Tensorflow 或 Pytorch 等常用的 ML 软件导入模子2024年澳门银河轮盘，可以筹商使用 ezkl 当作科罚决策：

Ezkl 是一个库和号召行器用，用于对 zkSNARK 中的深度学习模子和其他缠绵图进行推理。

领先，将最终模子导出为 .onnx 文献，并将一些样本输入导出为 .json 文献。然后，将 ezkl 指向 .onnx 和 .json 文献以生成 ZK-SNARK 电路，您可以使用它来解说 ZKML 语句。

看起来很浅陋，对吧？ ezkl 的标的是提供一个抽象层，允许在 Halo 2 电路中调用和打发更高档别的操作。 Ezkl 抽象化了许多复杂性，同期保抓了难以置信的生动性。他们的量化模子有一个用于自动量化的比例因子。跟着新科罚决策的出现，它们撑抓对其他解说系统进行生动变嫌。它们还撑抓多种类型的杜撰机，包括 EVM 和 WASM。

在解说系统方面，ezkl customs halo2 circuits通过团员解说（通过中介将难以考据的变成容易考据的）和递归（可以科罚内存问题，但很难适合halo2）。 Ezkl 还使用交融和抽象优化了通盘经过（可以通过高档解说减少支出）

另外值得细心的是，相对于其他通用的zkml名目，Accessor Labs专注于提供专为全链上游戏设想的zkml器用，可能波及AI NPC、游戏玩法自动更新、波及当然语言的游戏界面等。

第三部分：用例在那边？

使用 ZK 时候科罚 ML 的信任问题意味着它当今可以应用于更多“高风险”和“高度笃定性”的用例，而不单是是跟上东说念主们的话语或鉴别猫的图片和狗的图片。 Web3 已经在探索许多这么的用例。这并非适值，因为大多数 Web3 应用尺度在区块链上运行或筹商在区块链上运行，因为区块链的特定性质可以安全运行、难以改动并具有笃定性缠绵。一个可考据的步履雅致无比的东说念主工智能应该是一个能够在去信任和去中心化的环境中进行行动的东说念主工智能，对吧？

ZK+ML 灵验的 Web3 用例

许多 Web3 应用尺度为了安全和去中心化而糟跶用户体验，因为这显然是他们的首要任务，何况基础设施的收场也存在。 AI/ML 有可能丰富用户体验，这相信会有所匡助，但以前似乎不可能欠和谐。当今，感谢 ZK，咱们可以玩陡然看到 AI/ML 与 Web3 应用尺度的结合，而不会在安全性和去中心化方面作念出太多糟跶。

骨子上，它将是一个以无信任阵势终了 ML/AI 的 Web3 应用尺度（在撰写本文时可能存在也可能不存在）。通往常信任的阵势，咱们的道理是它是否在去信任的环境/平台中运行，或者它的操作是可解说可考据的。请细心，并非所有 ML/AI 用例（即使在 Web3 中）皆需要或首选以去信任的阵势运行。咱们将分析在种种 Web3 领域中使用的 ML 功能的每个部分。然后，咱们会识别出需要ZKML的部分，频繁是东说念主们豪恣花荒芜的钱来解说的高价值部分。

底下提到的大多数用例/应用尺度仍处于实验研究阶段。因此，它们离实验领受还很远。咱们稍后会照管原因。

Defi

Defi 是为数未几的适宜区块链公约和 Web3 应用尺度的居品市集之一。能够以无需许可的阵势创造、存储和管答理富和成本在东说念主类历史上是前所未有的。咱们已经笃定了许多 AI/ML 模子需要在未经许可的情况下运行以确保安全性和去中心化的用例。

澳门葡京娱乐城

风险评估：当代金融需要 AI/ML 模子进行种种风险评估，从属目诓骗和洗钱到披发无典质贷款。确保这个 AI/ML 模子以可考据的阵势运行意味着咱们可以属目它们被独揽插足审查轨制，这停止了使用 Defi 居品的无许可性质。

钞票管束：自动往还战术对于 Tradfi 和 Defi 来说并不清新。已经尝试应用 AI/ML 生成的往还战术，但唯有少数去中心化战术获胜利利。现时 defi 领域的典型应用包括 Modulus Labs 进修的 rocky bot。

The Rocky Bot ：Modulus Labs 在 StarkNet 上创建了一个往还机器东说念主，使用东说念主工智能进行决策。

在 Uniswap 上抓有资金并交换 WEth / USDC 的 L1 合约。这适宜 ML 信任框架的“输出”部分。输出在 L2 上生成，传输到 L1 并用于实施。在此经过中，它不可被改动。L2 合约终澄莹一个浅陋（但生动）的 3 层神经麇集来预测畴昔的 WEth 价钱。该合约使用历史 WETH 价钱信息当作输入。这适宜“输入”和“模子”部分。历史价钱信息输入来自区块链。模子的实施是在 CairoVM 上钩算的，CairoVM 是一个 ZKVM，其实施轨迹将生成 ZK 解说以供考据。用于教师记忆器和分类器的可视化和 PyTorch 代码的浅陋前端。

自动化 MM 和流动性供应：这骨子上是在风险评估和钞票管束方面进行的访佛死力的组合，只是在波及数目、时刻表和钞票类型时以不同的阵势进行。对于机器学习若何用于股票市集作念市的论文许多。其中一些适用于 Defi 居品可能只是时刻问题。

举例，Lyra Finance 正在与 Modulus Labs 互助，通过智能功能增强他们的 AMM，以提高成本成果。

最近，一家知名博彩公司宣布，将会赞助一场国际足球比赛，这场将会聚集全球顶尖足球明星，数十万。不过，不少担心这种博彩赞助影响足球比赛公正性透明度，引发不少争议。

荣誉奖: Warp.cc 团队开发了一个教程名目，先容若何部署运行行云活水的神经麇集以预测比特币价钱的智能合约。这属于咱们框架的“输入”和“模子”部分，因为输入由 RedStone Oracles 纲目提供，何况模子当作 Arweave 上的 Warp 智能合约实施。这是第一次迭代何况波及到 ZK，是以它属于咱们的荣誉奖，但在畴昔 Warp 团队筹商终了 ZK 部分

Gaming

游戏与机器学习有许多杂乱：

图中的灰色区域代表咱们对游戏部分的 ML 功能是否需要与相应的 ZKML 解说配对的初步评估。 Leela Chess Zero 是将 ZKML 应用于游戏的一个相配道理的示例：

AI Agents

Leela Chess Zero (LC0)：由 Modulus Labs 打造的完全链上东说念主工智能海外象棋棋手，与来自社区的一群东说念主类棋手对弈。

LC0 和东说念主类集体轮替棋战（象棋应该如斯）。

LC0 的迁徙是使用简化的、电路友好的 LC0 模子缠绵的。

LC0 的举动生成了 Halo2 snark 解说，以确保莫得东说念主为策动烦嚣。唯有简化的 LC0 模子可以作念出决定。

这适宜“模子”部分。该模子的实施具有 ZK 解说，以考据缠绵未被改动。

欧洲杯视频直播免费

数据分析和预测：这是 AI/ML 在 Web2 游戏寰球中的常见用途。然则，咱们发现很少有事理将 ZK 实施到这个 ML 经过中。为了抗击直参与该经过的太多价值，可能不值得付出死力。但是，要是使用某些分析和预测来笃定用户的奖励，则可能会实施 ZK 以确保收场正确。

荣誉奖:

AI Arena 是一款以太坊原生游戏，全寰球的玩家皆可以在其中设想、教师和战争由东说念主工神经麇集驱动的 NFT 扮装。来自寰球各地的才华横溢的研究东说念主员竞相创建最好的机器学习 (ML) 模子以在游戏中进行战争。 AI Arena 专注于前馈神经麇集。频繁，它们的缠绵支出低于卷积神经麇集 (CNN) 或递归神经麇集 (RNN)。不外，就现时而言，模子唯有在经过教师后才会上传到平台，因此值得一提。

GiroGiro.AI 正在构建一个 AI 器用包，使民众能够创建用于个东说念主或生意用途的东说念主工智能。用户可以基于直不雅和自动化的 AI 职责流平台创建种种 AI 系统。只需输入极少数据并遴选算法（或用于雠校的模子），用户就会在脑海中生成和期骗 AI 模子。尽管该名目处于相配早期的阶段，但由于 GiroGiro 专注于 gamefi 和以杜撰寰球为重心的居品，因此咱们相配期待看到它能带来什么，因此它得回了荣誉奖。

DID 和应付

在DID&social领域，web3和ml的杂乱现时主要在proof of humanity和proof of credentials领域；其他部分可能会发展，但需要更长的时刻。

东说念主性的解说

Worldcoin 使用一种称为 Orb 的征战来笃定某东说念主是否是一个莫得试图糊弄考据的信得过存在的东说念主。它通过种种相机传感器和分析面部和虹膜特征的机器学习模子来终了这一丝。一朝作念出决定，Orb 就会拍摄一组东说念主的虹膜相片，并使用多种机器学习模子和其他缠绵机视觉时候来创建虹膜代码，这是个东说念主虹膜图案最伏击特征的数字暗意。具体报名本领如下：

用户在她的手机上生成一个信号量密钥对，并将散列的公钥（通过二维码）提供给 Orb。Orb 扫描用户的虹膜并在腹地缠绵用户的 IrisHash。然后，它将包含散列公钥和 IrisHash 的签名音讯发送到注册定序器节点。定序器节点考据 Orb 的签名，然后检查 IrisHash 是否与数据库中已有的不匹配。要是独一性检查通过，则保存 IrisHash 和公钥。

Worldcoin 使用开源的 Semaphore 零学问解说系统将 IrisHashes 的独一性革新到用户帐户的独一性，而无需将它们贯穿起来。这确保了新注册的用户可以胜利领取他/她的 WorldCoins。本领如下：

用户的应用尺度在腹地生成一个钱包地址。该应用尺度使用信号量来解说它领有先前注册的一个公钥的独有副本。因为它是零学问解说，是以它不会涌现哪个公钥。解说再次发送到排序器，排序器对其进行考据并启动将代币存入提供的钱包地址。一个所谓的无效符与解说沿途发送，并确保用户不可两次条目奖励。

WorldCoin 使用 ZK 时候确保其 ML 模子的输出不会流露用户的个东说念主数据，因为它们不会相互关联。在这种情况下，它属于咱们信任框架的“输出”部分，因为它确保输出以所需阵势传输和使用，在这种情况下是玄妙的。

行动解说

Astraly 是一个确立在 StarkNet 上的基于声誉的代币分发平台，用于寻找和撑抓最新最好的 StarkNet 名目。估量声誉是一项具有挑战性的任务，因为它是一个抽象办法，无法用浅陋的方针玩忽量化。在处理复杂的方针时，频繁情况下，更全面和种种化的输入会产生更好的收场。这即是为什么 Astraly 正在寻求 modulus labs 的匡助，以使用 ML 模子来提供更准确的声誉评级。

个性化推选和内容过滤

Twitter 最近为“为你”时刻线开源了他们的算法，但用户无法考据该算法是否正确运行，因为用于对推文进行名次的 ML 模子的权重是守秘的。这导致了对偏见和审查轨制的担忧。

然则，Daniel Kang、Edward Gan、Ion Stoica 和 Yi Sun 提供了一种科罚决策，使用 ezkl 提供笔据解说 Twitter 算法在不流露模子权重的情况下丰足运行，从而匡助均衡心事和透明度。通过使用 ZKML 框架，Twitter 可以提交其名次模子的特定版块，并发布笔据解说它为给定用户和推文生成了特定的最终输出名次。该科罚决策使用户能够考据缠绵是否正如实施，而无需信任系统。诚然要使 ZKML 愈加实用还有许多职责要作念，但这是提高应付媒体透明度的积极本领。因此，这属于咱们的 ML 信任框架的“模子”部分。

从用例角度从头凝视 ML 信任框架

可以看出，ZKML 在 web3 中的潜在用例仍处于起步阶段，但阻挠淡薄；畴昔跟着ZKML的使用范围抑止扩大，可能会出现对ZKML提供者的需求，造成下图的闭环：

ZKML 处事提供商主要热诚 ML 信任框架的“模子”和“参数”部分。尽管咱们当今看到的大多数与“模子”关连而不是“参数”。请细心，“输入”和“输出”部分更多地由基于区块链的科罚决策科罚，用作数据源或数据办法地。单独的 ZK 或区块链可能无法终了完全确实，但它们邻接起来可能会作念到。

离大领域领受还有多远？

Modulus Labs 的论文通过测试 Worldcoin（具有严格的精度和内存条目）和 AI Arena（具有成本效益和时刻条目），为咱们提供了一些对于 ZKML 应用可行性的数据和观点：

要是 Worldcon 使用 ZKML，解说者的内存消耗将跳跃任何商用迁徙硬件。要是 AI Arena 的锦标赛使用 ZKML，则使用 ZKCNN 会将时刻和成本增多到 100 倍（0.6 秒对正本的 0.008 秒）。是以缺憾的是，平直应用 ZKML 时候来解说时刻妥协说内存使用皆是不可行的。

解说大小和考据时刻若何？咱们可以参考 Daniel Kang 、 Tatsunori Hashimoto 、 Ion Stoica 和 Yi Sun 的论文。如下图所示，他们的 DNN 推意会决决策可以在 ImageNet（模子类型：DCNN，16 层，340 万个参数）上终了高达 79% 的准确率，同期只需 10 秒和 5952 字节的考据时刻。此外，zkSNARKs 可以收缩到只需 0.7 秒即可以 59% 的准确率进行考据。这些收场标明 zkSNARKing ImageNet 领域模子在解说大小和考据时刻方面的可行性。

www.royalsportsbookhome.com

当今主要的时候瓶颈在于时刻和内存消耗的解说。在 web3 案例中应用 ZKML 在时候上仍然不可行。 ZKML 能否收拢 AI 的发展后劲？咱们可以对比几个造就数据：

ML模子的发展速率：2019年发布的GPT-1模子有1.5亿个参数，而2020年最新发布的GPT-3模子有1750亿个参数，参数数目在短短两年内增长了1166倍.

ZK系统的优化速率：ZK系统的性能增长基本奉命“摩尔定律”式的步骤。‌简直每年皆会推出新的 ZK 系统，咱们展望解说者性能的火箭式增长将抓续一段时刻。

比较前沿的ML对ZK的进步幅度，出息不是很乐不雅。然则，跟着rollup性能、ZK硬件以及基于高度结构化神经麇集操作的量身定制的ZK解说系统的抑止雠校，但愿ZKML的开发能够得志web3的需求，并从提供一些旧式的机器学习功能动手第一的。

尽管咱们可能很难使用区块链 + ZK 来考据 ChatGPT 提供给我的信息是否值得相信，但咱们或者能够将一些更小和更旧的 ML 模子放入 ZK 电路中。

第四部分：论断

刺激

“权利导致恶臭，统统的权利导致统统的恶臭”。凭借 AI 和 ML 令东说念主难以置信的力量，现时还莫得万无一失的方法将其置于治理之下。政府一再解说可认为后果提供后期烦嚣或早期透澈阻挠。区块链 + ZK 提供了能够以可解说和可考据的阵势纳降野兽的少数科罚决策之一。

咱们期待在 ZKML 领域看到更多的居品翻新，ZK 和区块链为 AI/ML 的运行提供安全确实的环境。咱们还盼愿全新的生意模式会从这些居品翻新中产生，因为在无需许可的加密寰球中，咱们不受这里首选的 SaaS 生意化模式的收场。咱们期待撑抓更多的建筑者前来，在这个“狂野西部无政府状况”和“象牙塔精英”的迷东说念主疏通中构建他们欣喜东说念主心的念念法。

咱们还早，但咱们可能会在路上扶植寰球。

参考贵府：2024年澳门银河轮盘

https://a16zcrypto.com/content/article/checks-and-balances-machine-learning-and-zero-knowledge-proofs/https://arxiv.org/abs/2210.08674https://axiom.xyz/blog/introhttps://cloud.google.com/learn/artificial-intelligence-vs-machine-learning#:\~:text=Differences between AI and ML,-Now that you&text=While artificial intelligence encompasses the,accurate results by identifying patterns.https://docs.aiarena.io/research-competition/neural-networkshttps://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383https://docs.google.com/presentation/d/1LwfJUD5osS2lAtnnZVuKn7OuiRlIxsiTpfsb2rUjyp4/edit#slide=id.g164009b3422_0_383 https://docs.warp.cc/tutorials/ml/prologuehttps://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/viewhttps://eprint.iacr.org/2021/673https://girogiro-ai.gitbook.io/litepaper/technology/gamma-engine-introhttps://github.com/Modulus-Labs/RockyBothttps://github.com/zkonduit/ezklhttps://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88