Tác giả gốc: Cathie, Hyper Oracle

Tóm tắt sớm

Bài viết mới nhất của Vitalik ButerinKhám phá sự giao thoa giữa blockchain và trí tuệ nhân tạo (AI), tập trung chủ yếu vào cách AI có thể được áp dụng vào thế giới tiền điện tử và khám phá bốn điểm giao nhau: AI là diễn viên, AI là giao diện, AI là quy tắc và AI là mục tiêu.

Bài viết thảo luận về những triển vọng và thách thức tại các nút giao này, nêu bật các vấn đề về các cuộc tấn công học máy đối nghịch và chi phí mã hóa. Bài báo đề cập đến khả năng sử dụng các dạng mật mã như bằng chứng không có kiến ​​thức để che giấu hoạt động bên trong của một mô hình, đồng thời chỉ ra những thách thức về chi phí mật mã và các cuộc tấn công máy học đối nghịch hộp đen.

Cuối cùng, bài viết thảo luận về các kỹ thuật tạo AI riêng tư phi tập trung có thể mở rộng và coi các ứng dụng cho an toàn AI và AI là mục tiêu chơi game. Bài báo kết thúc bằng cách nhấn mạnh sự cần thiết phải thực hành cẩn thận trong các lĩnh vực này, nhưng bày tỏ kỳ vọng về triển vọng của sự giao thoa giữa blockchain và AI.

0. Triển vọng và thách thức của ứng dụng tiền điện tử + AI

Trong bài viết mới nhất của Vitalik, ông thảo luận về sự giao thoa giữa trí tuệ nhân tạo và mật mã, đồng thời xác định hai thách thức chính: chi phí mã hóa và các cuộc tấn công máy học đối nghịch hộp đen.

Vitalik tin rằng trí tuệ nhân tạo và tiền điện tử có tiềm năng lớn. Trí tuệ nhân tạo có thể đóng một vai trò quan trọng trong việc giúp tiền điện tử trở nên tốt hơn, chẳng hạn như “giao diện trò chơi” hoặc “luật trò chơi”.

1. Thách thức: Chi phí mã hóa

a) Vấn đề về chi phí mật mã đã được giải quyết chưa?

Trong khi Vitalik nhìn thấy tiềm năng to lớn trong AI x Crypto, ông lưu ý rằng một trong những trở ngại chính là chi phí mã hóa. Hiện tại, phương pháp AI/ML trên chuỗi phổ biến nhất là zkML, phương pháp này biên dịch các mô hình ML thành các mạch zk để có thể xác minh bằng chứng mật mã trên chuỗi.

“Điện toán AI vốn đã đắt tiền” và với mật mã, nó thậm chí còn trở nên chậm hơn.

Vitalik tin rằng vấn đề về chi phí mật mã đã được giải quyết một phần:

• Các tính toán trí tuệ nhân tạo và chi phí mật mã của chúng phù hợp để tăng tốc cao và không có loại tính toán không có cấu trúc như zkEVM.

• Theo thời gian, các chương trình mã hóa ZooKeeper hiệu quả hơn sẽ được phát minh và chi phí chung sẽ giảm đi đáng kể.

b) Hiện tại, chi phí chung là 1000 lần.

Tuy nhiên, cách tiếp cận này không thực tế, đặc biệt đối với trường hợp sử dụng mà Vitalik đã mô tả. Dưới đây là một số ví dụ có liên quan:

• Khung zkML EZKL mất khoảng 80 phút để tạo bằng chứng cho mô hình 1 M-nanoGPT.

• Theo Modulus Labs, zkML đắt hơn >>1000 lần so với tính toán thuần túy, với con số được báo cáo mới nhất là 1000 lần.

• Theo thử nghiệm của EZKL, thời gian chứng minh trung bình phân loại rừng ngẫu nhiên của RISC Zero là 173 giây.

Trong thực tế, việc chờ vài phút để nhận được lời giải thích mà con người có thể đọc được về giao dịch do AI tạo ra là không thể chấp nhận được.

2. Giải quyết bằng opML

a) opML: Học máy lạc quan

Ở cuối bài viết, Vitalik đề cập: Tôi mong muốn được thấy nhiều nỗ lực hơn trong các trường hợp sử dụng trí tuệ nhân tạo mang tính xây dựng trong tất cả các lĩnh vực này, để chúng tôi có thể thấy trường hợp nào trong số đó thực sự khả thi cho các ứng dụng quy mô lớn. tin rằng zkML ở giai đoạn này không khả thi và các ứng dụng trên không thể thực hiện được.

Với tư cách là nhà phát minh ra opML và là người tạo ra triển khai opML nguồn mở đầu tiên, chúng tôi tin rằng opML có thể giải quyết vấn đề chi phí về mật mã thông qua lý thuyết trò chơi, biến AI x Crypto thành hiện thực.

b) An ninh thông qua các biện pháp khuyến khích

opML giải quyết vấn đề chi phí về mật mã của ML trên chuỗi trong khi vẫn đảm bảo tính bảo mật. Để đơn giản, chúng ta có thể sử dụng giả thuyết AnyTrust của Arbitrum để đánh giá tính bảo mật của hệ thống opML.

AnyTrust giả định rằng có ít nhất một nút trung thực cho mỗi yêu cầu, đảm bảo rằng người gửi hoặc ít nhất một người xác thực là trung thực. Với AnyTrust, tính bảo mật và tính hợp lệ được duy trì:

• Bảo mật: Người xác thực trung thực có thể thực thi hành vi đúng bằng cách thách thức các kết quả không chính xác từ các nút độc hại, từ đó trừng phạt chúng thông qua quy trình phân xử.

• Hiệu lực: Kết quả đề xuất được chấp nhận trong khoảng thời gian tối đa hoặc bị từ chối.

So sánh AnyTrust và Majority Trust, mô hình AnyTrust của opML an toàn hơn. AnyTrust duy trì tính bảo mật cao và vượt trội hơn Majority Trust trong nhiều điều kiện khác nhau.

c) Quyền riêng tư của người dùng > Quyền riêng tư của người mẫu

Vitalik cũng đề cập đến vấn đề quyền riêng tư của người mẫu trong bài báo. Trên thực tế, đối với hầu hết các mô hình (đặc biệt là các mô hình nhỏ mà zkML hiện hỗ trợ trong thực tế), có thể xây dựng lại mô hình với đủ khả năng suy luận.

Đối với quyền riêng tư nói chung và quyền riêng tư của người dùng nói riêng, opML dường như thiếu các tính năng bảo mật vốn có do nhu cầu công khai thách thức. Bằng cách kết hợp zkML và opML, chúng tôi có thể đạt được mức độ riêng tư phù hợp, đảm bảo khả năng che giấu an toàn và không thể đảo ngược.

d) Triển khai các trường hợp sử dụng AI x Crypto

opML đã có thể chạy Stable Diffusion và LLaMA 2 trực tiếp trên Ethereum. Bốn danh mục mà Vitalik đã đề cập (AI với tư cách là người chơi/giao diện/quy tắc/mục tiêu) đã có thể được triển khai bằng opML mà không cần thêm bất kỳ chi phí nào.

Chúng tôi đang tích cực khám phá các trường hợp và hướng sử dụng sau:

• AIGC NFT (ERC-7007), 7007 Studio chiến thắng Story Protocol Hackathon

• Trò chơi trí tuệ nhân tạo trên chuỗi (chẳng hạn như trò chơi Dungeons và Dragons)

• Thị trường dự đoán sử dụng ML

• Tính xác thực của nội dung (Trình xác minh Deepfake)

• Quyền riêng tư có thể lập trình tuân thủ

• Thị trường nhanh chóng

• Danh tiếng/Điểm tín dụng

3. Tóm tắt

Với opML, chúng tôi có thể loại bỏ những thách thức do chi phí mật mã đặt ra, duy trì tính phân cấp và khả năng xác minh, đồng thời làm cho AI x Crypto trở nên khả thi ngày nay.