원저자: Cathie, Hyper Oracle
초기 요약
Vitalik Buterin의 최신 기사주로 AI가 암호화폐 세계에 어떻게 적용될 수 있는지에 초점을 맞춰 블록체인과 인공 지능(AI) 사이의 교차점을 탐색하고 행위자로서의 AI, 인터페이스로서의 AI, 규칙으로서의 AI, 목표로서의 AI의 네 가지 교차점을 탐색합니다.
이 기사에서는 이러한 교차점에서의 전망과 과제에 대해 논의하고, 적대적인 기계 학습 공격과 암호화 오버헤드 문제를 강조합니다. 이 기사에서는 영지식 증명과 같은 암호화 형식을 사용하여 모델의 내부 작동을 숨길 수 있는 가능성을 언급하는 동시에 암호화 오버헤드 및 블랙박스 적대적 기계 학습 공격의 과제를 지적합니다.
마지막으로 이 기사에서는 확장 가능한 분산형 프라이빗 AI를 생성하는 기술을 논의하고 AI 안전 및 AI에 대한 적용을 게임 대상으로 간주합니다. 기사는 이러한 분야에서 세심한 실천의 필요성을 강조하면서 마무리되지만, 블록체인과 AI의 교차점에 대한 기대를 표현합니다.
0. 암호화+AI 응용 전망과 과제
Vitalik의 최신 기사에서 그는 인공 지능과 암호화의 교차점에 대해 논의하고 암호화 오버헤드와 블랙박스 적대적 기계 학습 공격이라는 두 가지 주요 과제를 식별합니다.
Vitalik은 인공지능과 암호화폐가 큰 잠재력을 갖고 있다고 믿습니다. 인공지능은 게임 인터페이스나 게임 규칙 등 암호화폐가 더 나아지도록 돕는 데 핵심적인 역할을 할 수 있습니다.
1. 과제: 암호화 오버헤드
a) 암호화 오버헤드 문제가 해결되었습니까?
Vitalik은 AI x Crypto에서 큰 잠재력을 보지만, 주요 반대 의견 중 하나는 암호화 오버헤드라고 지적했습니다. 현재 가장 주류를 이루는 온체인 AI/ML 방법은 zkML로, ML 모델을 zk 회로로 컴파일하여 체인에서 암호화 증명을 확인할 수 있습니다.
AI 컴퓨팅은 본질적으로 비용이 많이 듭니다. 암호화를 사용하면 속도가 더욱 느려집니다.
Vitalik은 암호화 오버헤드 문제가 부분적으로 해결되었다고 믿습니다.
인공지능 계산과 그에 따른 암호화 오버헤드는 높은 가속에 적합하며, zkEVM과 같은 비구조적 유형의 계산은 없습니다.
시간이 지남에 따라 보다 효율적인 ZooKeeper 암호화 체계가 개발되고 오버헤드가 크게 줄어들 것입니다.
b) 현재 오버헤드는 1000x입니다.
그러나 이 접근 방식은 특히 Vitalik이 설명한 사용 사례의 경우 실용적이지 않습니다. 다음은 몇 가지 관련 예입니다.
zkML 프레임워크 EZKL은 1M-nanoGPT 모델에 대한 증거를 생성하는 데 약 80분이 소요됩니다.
Modulus Labs에 따르면 zkML은 순수 계산보다 >>1000배 더 비싸며, 최근 보고된 수치는 1000배입니다.
EZKL의 테스트에 따르면 RISC Zero의 Random Forest 분류에 대한 평균 증명 시간은 173초입니다.
실제로 AI가 생성한 트랜잭션에 대해 사람이 읽을 수 있는 설명을 얻기 위해 몇 분을 기다리는 것은 용납될 수 없습니다.
2. opML로 해결
a) opML: 낙관적 기계 학습
기사 말미에서 Vitalik은 이 모든 영역에서 인공 지능의 건설적인 사용 사례에 대한 더 많은 시도를 보고 그 중 어떤 것이 대규모 응용 프로그램에 실제로 실현 가능한지 확인할 수 있기를 기대합니다.라고 언급했습니다. zkML이 있다고 생각합니다. 현 단계에서는 실행 가능하지 않으며 위의 응용 프로그램을 실현할 수 없습니다.
opML의 발명자이자 opML의 최초 오픈 소스 구현 창시자로서 우리는 opML이 게임 이론을 통해 암호화 오버헤드 문제를 해결하여 AI x Crypto를 이제 가능하게 만들 수 있다고 믿습니다.
b) 인센티브를 통한 보안
opML은 보안을 보장하면서 온체인 ML의 암호화 오버헤드 문제를 해결합니다. 단순화를 위해 Arbitrum의 AnyTrust 가설을 사용하여 opML 시스템의 보안을 평가할 수 있습니다.
AnyTrust는 청구당 최소한 하나의 정직한 노드가 있다고 가정하여 제출자 또는 최소한 한 명의 검증인이 정직하다는 것을 보장합니다. AnyTrust에서는 보안과 유효성이 유지됩니다.
보안: 정직한 검증자는 악의적인 노드의 잘못된 결과에 도전하여 중재 프로세스를 통해 처벌함으로써 올바른 행동을 강제할 수 있습니다.
타당성: 제안된 결과는 최대 기간 내에 승인되거나 거부됩니다.
AnyTrust와 Majority Trust를 비교하면 opML의 AnyTrust 모델이 더 안전합니다. AnyTrust는 높은 보안성을 유지하며 다양한 조건에서 Majority Trust보다 우수합니다.
c) 사용자 개인정보 보호 > 모델 개인정보 보호
Vitalik은 또한 기사에서 모델 개인 정보 보호 문제를 다루었습니다. 실제로 대부분의 모델(특히 현재 zkML이 실제로 지원하는 작은 모델)의 경우 충분한 추론을 통해 모델을 재구성하는 것이 가능합니다.
일반적인 개인 정보 보호, 특히 사용자 개인 정보 보호의 경우 opML에는 챌린지를 공개로 유지해야 하기 때문에 고유한 개인 정보 보호 기능이 부족한 것으로 보입니다. zkML과 opML을 결합함으로써 우리는 적절한 수준의 개인 정보 보호를 달성하고 안전하고 되돌릴 수 없는 난독화를 보장할 수 있습니다.
d) AI x 암호화 사용 사례 구현
opML은 이미 Ethereum에서 직접 Stable Diffusion 및 LLaMA 2를 실행할 수 있습니다. Vitalik이 언급한 네 가지 범주(플레이어/인터페이스/규칙/목표로서의 AI)는 추가 오버헤드 없이 이미 opML을 사용하여 구현할 수 있습니다.
우리는 다음과 같은 사용 사례와 방향을 적극적으로 탐색하고 있습니다.
AIGC NFT(ERC-7007), 7007 스튜디오, 스토리 프로토콜 해커톤 우승
온체인 인공지능 게임(Dungeons and Dragons 게임 등)
ML을 활용한 예측 시장
콘텐츠 진위성(딥페이크 검증기)
규정을 준수하는 프로그래밍 가능한 개인 정보 보호
프롬프트마켓
평판/신용점수
3. 요약
opML을 사용하면 암호화 오버헤드로 인한 문제를 제거하고 분산화 및 검증 가능성을 유지하며 오늘날 AI x Crypto를 실행 가능하게 만들 수 있습니다.
