Foresight Ventures: zkML nedir?

zkML, yapay zeka ile blok zinciri arasında bir köprüdür.Önemi, blok zincirinin fiziksel dünyayı algılamasını, akıllı sözleşmelerin karar vermesini ve yapay zeka modellerini gizlilik korumasıyla çalıştırmasını sağlamaktır.

Özet

• ZKML (Sıfır bilgili makine öğrenimi), makine öğrenimi için sıfır bilgi kanıtlarını kullanan bir teknolojidir, ZKML, yapay zeka ile blockchain arasında bir köprüdür. ZKML, AI modelinin/girdisinin gizlilik koruması ve doğrulanabilir akıl yürütme süreci sorununu çözebilir, böylece küçük model veya akıl yürütmenin ZKP'si zincire yüklenebilir. Model/akıl yürütme kanıt zincirinin önemi şudur:
• Bırakın blockchain fiziksel dünyayı algılasın. Örneğin: blockchain üzerinde çalışan bir yüz tanıma modeli, blockchain için yüzü algılayabilir ve blockchain üzerindeki AI modeli, yüzün bir kadın olabileceğini, kaç yaşında olduğunu vb. anlayabilir.
• Akıllı sözleşmelerin karar vermesini sağlama. Örneğin, zincirdeki WETH fiyat tahmin modeli, akıllı sözleşmelerin işlem kararları vermesine yardımcı olabilir.
• AI modellerini özel olarak çalıştırın. Örneğin, bir kuruluş, gizliliği koruyan bir şekilde çıkarım hizmetleri sağlamayı umarak bir modeli eğitmek için çok fazla bilgi işlem gücü harcar veya kullanıcının girişi gizliliği sağlamak ister. ZKML kullanmak modelin/girdinin gizliliğini garanti etmekle kalmaz, aynı zamanda güvensiz akıl yürütmeyi gerçekleştirerek kullanıcıya akıl yürütmenin doğru yapıldığını kanıtlar.
• ZKML uygulaması
• Zincirdeki yapay zeka: Akıllı sözleşmelerin karar vermek için yapay zekayı kullanabilmesi için AI modelini/AI muhakeme kanıtını zincire koyun. Örneğin, on-chain yatırım kararları için bir on-chain ticaret sistemi kullanılır.
• **Kendini geliştiren blockchain: **Blockchain'in, geçmiş verilere dayalı olarak stratejileri sürekli olarak iyileştirmek ve revize etmek için yapay zekanın yeteneğini kullanmasına izin verin. Örneğin, yapay zeka tabanlı bir zincir içi itibar sistemi.
• AIGC on-chain: AIGC tarafından oluşturulan içerik/sanat eseri, on-chain Mint to NFT, ZK, sürecin doğruluğunu kanıtlayabilir, veri setinde telif hakkıyla korunan hiçbir resim kullanılmaz, vb.
• Müzdanın biyometrik kimlik doğrulaması (KYC): Yüz tanıma kanıtı zincire yüklenir ve cüzdan KYC'yi tamamlar.
• AI Security: Dolandırıcılık tespiti, Sybil saldırısını önleme vb. için AI kullanın.
• Zincirdeki ZKML oyunları: zincirdeki yapay zeka satranç oyuncuları, sinir ağları tarafından yönetilen NFT karakterleri vb.
• Teknik olarak ZKML
• Hedef: Sinir ağını ZK devresine dönüştürün Zorluklar: 1. ZK devresi kayan noktalı sayıları desteklemez, 2. Çok büyük bir sinir ağını dönüştürmek zordur.
• Mevcut İlerleme:
• En eski ZKML kütüphanesi 2 yıl önceydi ve tüm teknolojinin gelişim tarihi çok kısa. Şu anda, en son ZKML kitaplığı bazı basit sinir ağları ZK'yı destekler ve blok zincirine uygulanır. Temel doğrusal regresyon modelinin zincire yüklenebileceği ve diğer daha küçük sinir ağı modellerinin kanıt zincirini destekleyebileceği söyleniyor. Ancak çok az Demo gördüm, yalnızca el yazısıyla yazılmış bir rakam tanıma.
• **Bazı araçlar 100M parametrelerini desteklediğini, bazıları ise bir ZK kanıtı oluşturmak için GPT2'yi bir ZK devresine dönüştürdüğünü iddia eder. **
• Geliştirme yönü:
• Ağ Niceleme (ağ niceleme), sinir ağındaki kayan noktalı sayıları sabit noktalı sayılara dönüştürün ve sinir ağını hafifletin (ZK dostu).
• Sinir ağını büyük ölçekli parametrelerle bir ZK devresine dönüştürmeye çalışın ve ispat verimliliğini artırın (ZK yeteneğini genişletin).
• Özetle:
• ZKML, yapay zeka ile blockchain arasında bir köprüdür, önemi, blockchain'in fiziksel dünyayı algılamasını, akıllı sözleşmelerin karar vermesini ve AI modellerini gizlilik korumalı bir şekilde çalıştırmasını sağlamaktır**, **bir çok umut verici teknoloji.
• Bu teknolojinin tarihi çok kısa ama çok hızlı gelişiyor.Şu anda bazı basit sinir ağı modelleri, model zincirleme veya akıl yürütme ispat zincirleme için kullanılabilen ZK devrelerine dönüştürülebilir. Ancak dil nispeten zordur. Şu anda Ddkang/zkml, GPT2, Bert ve Difüzyon doğal dil işleme modelinin ZK sürümünü oluşturabileceğini iddia ediyor, ancak gerçek etki konusunda net değil. Çalışabilir ancak çalışamayabilir. zincirine yüklenecektir. Ağ hacmi teknolojisi, ZK teknolojisi ve blockchain genişletme teknolojisinin gelişmesiyle birlikte ZKML dil modelinin yakında kullanıma sunulacağına inanıyorum.

1. Arkaplan

(ZK, ML hakkında bir şeyler biliyorsanız bu bölümü atlayabilirsiniz).

• **Sıfır bilgi kanıtı (ZK): **Sıfır bilgi kanıtı, kanıtlayıcının doğrulayıcıya herhangi bir faydalı bilgi sağlamadan belirli bir iddianın doğru olduğuna ikna edebilmesi anlamına gelir. ZK ağırlıklı olarak hesaplama işleminin doğru yapıldığını kanıtlamak ve mahremiyeti korumak için kullanılır.
• Hesaplama sürecinin doğruluğunu kanıtlayın: ZK-toplamayı örnek olarak alın, ZK-toplamasının işleyişi basitçe birden çok işlemi birlikte paketlemek, bunları L1'de yayınlamak ve aynı anda bir kanıt yayınlamaktır (kullanarak Zero-Knowledge Proof Technology ) bu işlemlerin geçerli olduğunu iddia etmek için L1'de geçerli oldukları doğrulandıktan sonra zk-rollup durumu güncellenecektir.
• Gizlilik Koruması: Aztek protokolünü örnek alırsak, Aztec'in zk.money'indeki varlıklar, Bitcoin'in UTXO'suna benzer şekilde faturalar şeklinde bulunur, kullanıcının para aktarması gerektiğinde faturaların miktarı şifrelenir , faturaların imha edilmesi ve hem kendinize hem de alacaklıya yeni notlar oluşturmanız gerekir (değiştirin). Sıfır bilgi kanıtı, yok edilen notun miktarının yeni oluşturulan notla aynı olduğunu ve kullanıcının notu kontrol etme hakkına sahip olduğunu kanıtlamak için gizliliği korumak için kullanılır.
• Makine Öğrenimi: Makine Öğrenimi, Yapay Zekanın bir dalıdır. Makine öğrenimi teorisi, temel olarak bilgisayarların otomatik olarak "öğrenmesine" izin veren bazı algoritmaları tasarlamak ve analiz etmektir. Makine öğrenimi algoritmaları, verileri otomatik olarak analiz edip yasalar elde eder ve bilinmeyen verileri tahmin etmek için yasaları kullanır. Makine öğrenimi, bilgisayar görüşü, doğal dil işleme, biyometrik tanıma, arama motorları, tıbbi teşhis, kredi kartı dolandırıcılığını tespit etme, menkul kıymetler piyasası analizi, DNA dizileme, konuşma ve el yazısı tanıma, oyunlar ve robot biliminde yaygın olarak kullanılmaktadır.

**2. ZKML hangi sorunu çözüyor? **

ZKML, son iki yıldır kriptografi camiasında heyecan uyandıran bir araştırma ve geliştirme alanıdır. Makine öğrenimi** için sıfır bilgi kanıtını kullanan bu teknolojinin temel amacı, sıfır bilgi kanıtını makine öğreniminin gizlilik korumasını ve doğrulanabilir sorunlarını çözmek için kullanmaktır. Bu şekilde, küçük akıl yürütme modeli veya ZKP zincire yüklenebilir ve AI ile blockchain arasında bir köprü haline gelebilir:

• Model zincirleme: Makine öğrenimi modelleri ZK devrelerine dönüştürülebilir ve küçük ZKML modelleri blok zincirinin akıllı sözleşmesinde saklanabilir. Kullanıcılar, akıllı sözleşme yöntemlerini çağırarak modeli kullanabilirler. Örneğin, Modulus Labs'tan RockyBot, ticaret kararları için WETH'nin fiyatını tahmin etmek üzere zincir üzerinde bir yapay zeka modeli oluşturdu.
• Zincir üzerinde model muhakeme ispatı vb.: ML modelini bir ZK devresine dönüştürün, zincirden muhakeme yapın ve bir ZK ispatı oluşturun. ZK ispatları muhakeme işleminin doğru yapıldığını ispatlayabilir. Muhakeme sonuçları ve ZK kanıtı, arayan ve akıllı sözleşme doğrulama kanıtı tarafından referans için zincire sunulur.

** Zincirdeki model/akıl yürütme kanıtının önemi nedir? **

• Bırakın blockchain fiziksel dünyayı algılasın. Örneğin: blockchain üzerinde çalışan bir yüz tanıma modeli, blockchain için yüzü algılayabilir ve blockchain üzerindeki AI modeli, yüzün bir kadın olabileceğini, kaç yaşında olduğunu vb. anlayabilir.
• Akıllı sözleşmelerin karar vermesini sağlama. Örneğin, zincirdeki WETH fiyat tahmin modeli, akıllı sözleşmelerin işlem kararları vermesine yardımcı olabilir.
• AI modellerini özel olarak çalıştırın. Örneğin, bir kuruluş, gizliliği koruyan bir şekilde çıkarım hizmetleri sağlamayı umarak bir modeli eğitmek için çok fazla bilgi işlem gücü harcar veya kullanıcının girişi gizliliği sağlamak ister. ZKML kullanmak modelin/girdinin gizliliğini garanti etmekle kalmaz, aynı zamanda güvensiz akıl yürütmeyi gerçekleştirerek kullanıcıya akıl yürütmenin doğru yapıldığını kanıtlar.

Sıfır bilgi kanıtı, ZKML'deki rolü kanıtlar:

**1. Gizlilik koruması: Makine öğrenimi modelinde veya tahmin sürecinde girdi verilerinin gizliliğini koruyun. **

• **Veri Gizliliği (Genel Model + Özel Veriler): **Tıbbi veriler, yüz görüntüleri vb. gibi bazı hassas verilerim var. Giriş verilerinin gizliliğini korumak için ZKML kullanabilir, bu veriler üzerinde genel sinir ağı modelini çalıştırabilir ve sonucu alabilirim. Örneğin yüz tanıma modelleri,
• Model Gizliliği (Özel Model + Herkese Açık Veri): Örneğin, modeli eğitmek için çok para harcıyorum, modelimi açığa çıkarmak istemiyorum, bu nedenle modelin gizliliğini korumam gerekiyor. Gizliliği koruyan özel bir sinir ağı modeli çalıştırmak için ZKML'yi kullanabilirim ve bu model, çıktı almak için genel girdiyi anlayabilir.

**2. Doğrulanabilirlik: ZKP, makine öğrenimi sürecini doğrulanabilir hale getirerek makine öğrenimi akıl yürütme sürecinin doğru yürütüldüğünü kanıtlamak için kullanılır. **

• Diyelim ki, modelin yürütmesi benim sunucumda değil, ancak spekülasyonun doğru yürütüldüğünden emin olmam gerekiyor. Bir girdi ve bir model üzerinde çıkarım yapmak için ZKML kullanabilirim, bir çıktı üretir, ZKP bu işlemin doğru yürütüldüğünü kanıtlayabilir, çalışan işlem bilgisayarımda olmasa bile çıkarımın doğru olduğunu doğrulayabilirim. uygulanan ZKP'nin doğrulanması ve dolayısıyla sonuca inanılması.

3. ZKML için Kullanım Örnekleri

• ** BİLGİSAYAR TAMLIĞI **
• **On-chain AI (On-chain AI): **Akıllı sözleşmelerin AI modeli aracılığıyla karar verme yeteneklerine sahip olabilmesi için AI modelini blockchain üzerinde dağıtın.
• Modül Laboratuvarları: RockyBot On-chain doğrulanabilir makine öğrenimi ticaret botu (blok zincirinde doğrulanabilir bir makine öğrenimi ticaret robotu)
• Kendi kendini geliştiren blok zinciri: Blok zincirinin, geçmiş verilere dayalı stratejileri sürekli olarak iyileştirmek ve düzeltmek için yapay zekanın yeteneğini kullanmasına izin verin.
• Lyra Finance'in AMM'si yapay zeka ile geliştirildi.
• Astraly için AI tabanlı bir itibar sistemi oluşturun.
• Aztek protokolü için akıllı sözleşme düzeyinde yapay zeka tabanlı uyumluluk işlevleri oluşturun
• Modül Laboratuvarları: Kendini geliştiren blok zincirler (bağlantı):
• AIGC on-chain: AIGC tarafından oluşturulan içerik/sanat eseri, on-chain Mint to NFT, ZK, sürecin doğruluğunu kanıtlayabilir, veri setinde telif hakkıyla korunan hiçbir resim kullanılmaz, vb.
• Hizmet olarak ML(MLaaS) şeffaflığı (bağlantı)
• AI Security: Dolandırıcılık tespiti, Sybil saldırısını önleme vb. için AI kullanın. AI anomali tespit modeli, akıllı sözleşme verilerine göre eğitilir ve gösterge anormal ise sözleşme askıya alınır ve ZK, zincir üzerinde olduğunu kanıtlamak için anomali tespiti için kullanılır.
• Zincirdeki ZKML oyunları: zincirdeki yapay zeka satranç oyuncuları, sinir ağları tarafından yönetilen NFT karakterleri vb.
• Doğrulanabilir yapay zeka modeli kıyaslama testi: Model kıyaslama testi kanıtı sağlamak ve modelin performansı ve etkisinin test sonuçları için doğrulanabilirlik sağlamak için ZK'yı kullanın.
• Model eğitiminin doğruluk kanıtı: Model eğitimi çok kaynak yoğun olduğundan, ZK ile model eğitiminin doğruluk kanıtı şu anda mevcut değildir, ancak birçok kişi teknolojinin uygulanabilir olduğunu düşünür ve bunu kanıtlamak için ZK'yı kullanmaya çalışır. model belirli bir veriyi kullanır / AIGC'nin telif hakkı sorununu çözmek için belirli bir veriyi kullanmaz.
• Gizlilik koruması
• Biyometrik Kimlik Doğrulama/Cüzdanlar için Dijital Kimlik *WordCoin, biyometrik cihaz Orb ile irisi tarıyor ve kullanıcılara benzersiz bir doğrulanabilir dijital kimlik sağlıyor. WorldCoin, World ID'yi yükseltmek için kullanılması planlanan zkml üzerinde çalışıyor. Yükseltmeden sonra kullanıcılar, imza biyometriklerini mobil cihazlarının şifreli deposunda otonom olarak tutabilecek, iris kodu tarafından oluşturulan ML modelini indirebilecek, ve iris kodunun gerçekten de doğru model kullanılarak imza görüntüsünden üretildiğini kanıtlayan sıfır bilgi kanıtlarını yerel olarak oluşturun.
• Blockchain tabanlı makine öğrenimi ödül platformu
• Şirket ödüller verir ve herkese açık ve özel veriler sağlar. Modeli eğitmek için genel veriler kullanılır ve tahmin etmek için özel veriler kullanılır. Bazı AI hizmet tarafları, modeli eğitir ve bir ZK devresine dönüştürür. Modeli şifreleyin ve doğrulama için sözleşmeye gönderin. Özel veriler için tahminler yapın, sonuçlar alın ve doğrulama için sözleşmeye sunulan ZK kanıtları oluşturun. AI hizmet sağlayıcıları, bir dizi işlemi tamamladıktan sonra ödül alırlar. zkML: Goerli test ağında circomlib-ml için demo
• Gizliliği koruyan akıl yürütme: Örneğin, tıbbi teşhis için özel hasta verilerinin kullanılması ve ardından hastaya hassas çıkarımların (kanser tespit sonuçları gibi) gönderilmesi. (vCNN makalesi, sayfa 2/16)

4. ZKML Düzeni

SevenX Ventures tarafından düzenlenen ZKML düzenine bakılırsa.

• Donanım Hızlandırma: Birçok kuruluş, ZKML'nin geliştirilmesine de yardımcı olan ZKP donanım hızlandırmasını aktif olarak geliştirmektedir. Genellikle ZKP üretimini hızlandırmak için FPGA, GPU ve ASIC yongaları kullanılır. Örneğin: Accseal, ZKP donanım hızlandırması için ASIC yongaları geliştiriyor ve Ingonyama, CUDA'yı destekleyen GPU'lar için tasarlanmış bir ZK hızlandırma kitaplığı ICIClE kuruyor. Supranational, GPU hızlandırmaya, Cysic ve Ulvetanna ise FPGA hızlandırmaya odaklanır.
• Giriş: Zincir üzerinde veri girişi kullanmak için Axiom, Herodotus, Hyper Oracle, Lagrange, kullanıcının blok zinciri verilerine erişimini iyileştirecek ve daha karmaşık zincir üstü veri görünümleri sağlayacaktır. ML giriş verileri daha sonra içe aktarılan geçmiş verilerden çıkarılabilir
• akıl yürütme: ModulusLabs, özellikle ZKML için yeni bir zkSNARK sistemi geliştiriyor. Bu bölüm, temel olarak modelin ZKizasyonu ve ZKizasyonu sürecinde ihtiyaç duyulan araç seti için ZKML araç seti ile birleştirilebilir. Giza, tamamen zincir üstü modele dağıtım ölçeklendirmeye * odaklanan StarkNet tabanlı bir makine öğrenimi platformudur*.
• Compute: AI modellerini eğitmek için herkesin erişebileceği merkezi olmayan bir bilgi işlem ağı oluşturmaya odaklanın. İnsanların AI modellerini daha düşük bir maliyetle eğitmek için uç bilgi işlem kaynaklarını kullanmasına olanak tanır.
• Merkezi olmayan eğitim/bilgi işlem gücü: Yapay zeka modellerini eğitmek için herkesin erişebileceği merkezi olmayan bir bilgi işlem ağı oluşturmaya odaklanın. İnsanların AI modellerini daha düşük bir maliyetle eğitmek için uç bilgi işlem kaynaklarını kullanmasına olanak tanır.
• ZKML Araç Seti: Bkz. Bölüm 5 Teknoloji Geliştirme Tarihi. Şekildeki ZAMA, makine öğreniminin gizliliğinin korunması için temel olarak tamamen homomorfik şifreleme (FHE) kullanır. ZKML ile karşılaştırıldığında, FHEML yalnızca gizlilik sağlar ve güvenilir olmayan doğrulama yapmaz.
• Kullanım Örneği: Dijital kimlik doğrulaması için ZKML kullanan Worldcoin. Kullanıcı imzasının biyometriği şifrelenir ve kullanıcının cihazında saklanır ve ZK tabanlı iris tanımanın makine öğrenimi modeli, biyometrinin eşleşip eşleşmediğini doğrulamak için kimlik tanıma sırasında modeli çalıştırır. Çalışan sürecin doğruluğunu kanıtlamak için ZKP'yi kullanın. Modulars Labs, zincirdeki bir AI ticaret robotudur. Cathie'nin EIP7007, zkML AIGC-NFT standardı. Zincirdeki yapay zeka satranç oyuncuları, sinir ağları tarafından yönlendirilen NFT karakterleri vb.

5. ZKML teknoloji geliştirme geçmişi

Bir sinir ağını bir ZK devresine dönüştürmenin ana zorlukları şunlardır:

1. Devreler sabit noktalı işlemler gerektirir, ancak kayan noktalı sayılar sinir ağlarında yaygın olarak kullanılır.
2. Model boyutu sorunu, büyük modellerin dönüştürülmesi zordur ve devre büyüktür.

ZKML kütüphanesinin geliştirme geçmişi aşağıdaki gibidir:

1.2021, zk-ml/lineer-regresyon demosu, Peiyuan Liao

• Lineer regresyon devresini gerçekleştirdi Lineer regresyon, çıkış değişkeni ile giriş değişkeni arasında doğrusal bir ilişki olduğunu varsayan ve sayısal değişkenleri tahmin etmek ve iki veya daha fazla değişken arasındaki ilişkiyi incelemek için uygun olan çok temel bir tahmin algoritmasıdır. Örneğin: evin büyüklüğüne ve diğer özelliklerine göre ev fiyatlarını tahmin etmek veya geçmiş satış verilerine dayanarak gelecekteki satışları tahmin etmek vb.

2.2022 Aralık, 0xZKML/zk-mnist, 0xZKML

• El yazısı sayıları tanıyabilen MNIST veri setine dayalı bir sinir ağı ZK devresi yapıldı. Örneğin: 2 numaralı el yazısı, el yazısı 2 olarak tanınır ve bir muhakeme süreci kanıtı** oluşturulur. **İspat zincire yüklenebilir ve zincirdeki ispat ethers + snarkjs ile doğrulanabilir.
• Aslında, zk-mnist kitaplığı şu anda yalnızca son katmanı bir devreye dönüştürür, ancak tüm sinir ağını bir devreye dönüştürmez.

3. 2022, socathie/zkML, Cathie

• zk-mnist ile karşılaştırıldığında, ZKML tam bir sinir ağını bir devreye dönüştürür. Cathie'nin zkMachineLearning'i, ML mühendislerinin modelleri devrelere dönüştürmesine yardımcı olmak için birden fazla ZKML araç takımı cirocmlib-ml ve keras2circom sağlar.

4. Kasım 2022, zk-ml/uchikoma, Peiyuan Liao

• Sinir ağlarındaki kayan nokta işlemlerini sabit nokta işlemlerine aktarın. Hemen hemen her makine öğrenimi algoritmasını, blok zincirleriyle kolayca entegre olan sıfır bilgi korumalı bir devreye dönüştüren genel bir araç ve çerçeve oluşturuldu ve açık kaynak kodlu hale getirildi.
• Görsel Model -> AIGC
• Dil modeli -> chatbot, yazma yardımcısı
• Doğrusal modeller ve karar ağaçları -> Dolandırıcılık tespiti, Sybil saldırısı önleme
• Çok modlu model -> tavsiye sistemi
• Blockchain dostu içerik oluşturma makine öğrenimi modeli (AIGC) eğitimi aldı ve bunu bir ZK devresine dönüştürdü. Sanat eseri oluşturmak, kısa ZK provaları oluşturmak ve son olarak resmi NFT'ye Basmak için kullanın.

5. Temmuz 2022, Mart 2023'te güncellendi, zkonduit/ezkl

• ezkl, zk-snark'ta (ZKML) derin öğrenme modelleri ve diğer hesaplama grafikleri hakkında çıkarım yapmak için bir kitaplık ve komut satırı aracıdır. Prova sistemi olarak Halo2'yi kullanın.
• Bir sinir ağı gibi bir hesaplama grafiği tanımlamak ve ardından bir ZK-SNARK devresi oluşturmak için ezkl kullanmak mümkündür. Çıkarım için oluşturulan ZKP'ler, akıllı sözleşmelerle doğrulanabilir.
• 100M parametreyi destekleyebilen bir model olduğu söyleniyor ancak çok fazla kaynak tüketebilir.

6. Mayıs 2023, Ddkang/zkml (Bağlantı)

• zkml, GPT2, Bert ve Difüzyon modellerini dönüştürmek için ZK kullandığını iddia etmektedir. Ancak çok fazla bellek kullanabilir ve kanıtın akıllı sözleşmede saklanıp saklanamayacağı açık değildir.
• zkml, ImageNet'te model yürütmeyi %92,4 doğrulukla doğrulayabilir ve ayrıca bir MNIST modelini dört saniyede %99 doğrulukla kanıtlayabilir.

7. Mayıs 2023, zkp-gravity/0g

• Özel verileri + genel modeli destekleyen hafif sinir ağı.

Genel olarak, ZKML teknolojisinin mevcut keşif yönünü görebiliriz:

1. Ağ Niceleme, sinir ağındaki kayan noktalı sayıları sabit noktalı sayılara dönüştürün ve sinir ağını hafifletin (ZK dostu).
2. Sinir ağını büyük ölçekli parametrelerle bir ZK devresine dönüştürmeye çalışın ve ispat verimliliğini artırın (ZK yeteneğini genişletin).

6. Özet

1. ZKML, yapay zeka ile blok zincir arasında bir köprüdür. Önemi, **blok zincirinin fiziksel dünyayı algılamasını, akıllı sözleşmelerin karar vermesini ve yapay zeka modellerini gizlilik korumasıyla çalıştırmasını sağlamaktır. Çok umut verici bir teknolojidir. .
2. ZKML'nin geçmişi çok kısadır ve gelişimi çok hızlıdır. Şu anda, bazı basit sinir ağı modelleri ZK devrelerine dönüştürülebilir ve modeller zincire yüklenebilir veya zincire muhakeme ispatları yüklenebilir. Dil modeli nispeten zordur.Şu anda Ddkang/zkml, GPT2, Bert ve Difüzyon modelinin ZK sürümünü üretebileceğini iddia ediyor. Ağ hacmi teknolojisi, ZK teknolojisi ve blockchain genişletme teknolojisinin gelişmesiyle birlikte ZKML dil modelinin yakında kullanıma sunulacağına inanıyorum.