ZKP 与 AI 碰撞，zkML 是隐藏的下一轮炒作叙事？

本文介绍了zkML，即基于零知识证明的AI机器学习模型，简言之为在机器学习模型上使用ZKP技术生成输出内容，同时不泄露训练过程中使用的敏感数据，并保证计算的正确性。文章以ChatGPT为例解释了推理的过程，并探讨了zkML的应用和潜力。
zkML = ZKP + ML，即基于零知识证明的 AI 机器学习模型。

zkML，或许是人工智能之后的下一个宏大叙事。
不过对于很多人来说，zkML 理解起来有点复杂，本文我会以最简单的方式进行解读。
什么是 zkML？
简言之，zkML = ZKP + ML
其中:ZKP = 零知识证明，ML = 机器学习。
所以:zkML = 零知识证明机器学习
一言以蔽之，就是在机器学习模型上使用 ZKP 技术生成输出内容，同时不泄露训练过程中使用的敏感数据，并保证计算的正确性。

那什么是机器学习模型？机器学习模型是一种计算机程序，经过训练可以根据大量数据进行预测。譬如 ChatGPT 等大型语言模型是建立在机器学习模型之上的。

那什么是推理？推理是分析用户提示（Prompt）、尝试理解上下文并使用经过训练的数据模型提供结果的过程。
让我们以 ChatGPT 为例:推理过程的第一步是编写输入，譬如我们输入一个提示「编写一首 Drake 风格的加密说唱歌曲」。

第二步，ChatGPT 将分析上下文，「Drake 风格的加密说唱歌曲」。然后，它将根据用户提示的需求激活训练模型，识别训练数据中的模式，并创建一首 Drake 风格的加密说唱歌曲作为输出。

zkML 能做什么？

在推理的整个过程中，涉及到两种可能泄露敏感数据的隐私问题:

•成员推理攻击（Membership Inference attacks）:攻击者可以分析模型的输出来推断特定数据点是否是训练过程的一部分；

•模型反演攻击（Model Inversion attacks）:通过构造特定提示，攻击者可能尝试从输出中重建训练数据的片段；

zkML 能对此提供怎样的帮助？zkML 允许在不暴露训练数据本身的情况下对敏感数据进行推理。
这是通过使用 Plonky、Halo2 等 ZK 证明系统实现的，目前 Plonky2 是最快的 ZK 证明系统。有了 zkML，攻击者将永远无法直接访问训练数据。

zkML 的发展现状

截至目前，zkML 仍处于早期阶段，有几家初创公司正在致力于构建 zkML 基础设施。其中 Risc Zero 正在与 Spice AI 合作，为开发人员打造一套完整的 zkML 解决方案。

Ingonyama 正在开发专门用于 ZK 技术的硬件，这可能降低了进入 ZK 技术领域的门槛，并且 zkML 也有可能用于模型训练过程。

Modulus 正在使用 zkML 将人工智能应用于链上推理过程，他们目前有六个合作伙伴，这些合作伙伴构建了不同的 zkML 使用案例:例如 Upshot 已经构建了价格预测模型，Worldcoin 正在使用 Modulus 进行私密身份验证，而 AI ARENA 则在游戏的经济模型中使用 zkML。

隐私保护型的区块链项目，如 Oasis Protocol、Secret Network 和 Aleo，也在其生态系统中探索基于 zkML 的用例，此外 NOYA.ai 也正在使用 zkML 构建全链 DeFi 策略。

OraProtocol 正在构建一个基于 ZK 的无信任机器学习推理协议，开发者将能够使用 zkML 推理来构建由机器学习驱动并由以太坊保护的任何去中心化应用程序。

整个关于 zkML 的叙事还处于初级阶段，但我预计在接下来的几个月里，在这个牛市中会出现对这一叙述的炒作周期，因此现在是密切追踪这一领域并相应建立准备的绝佳时机。