原文作者：Cathie，Hyper Oracle
前期提要
Vitalik Buterin 的最新文章探討了區塊鍊和人工智能(AI) 之間的交叉點，主要關注於如何將AI 應用於加密世界，並探討了四個交叉點: AI 作為參與者、AI 作為界面、AI 作為規則、以及AI 作為目標。
文章討論了在這些交叉點上的前景和挑戰，強調了對抗性機器學習攻擊和密碼學開銷的問題。文章提到了使用零知識證明等密碼學形式來隱藏模型內部運作的可能性，同時指出了密碼學開銷和黑盒子對抗性機器學習攻擊的挑戰。
最後，文章討論了創建可擴展的去中心化隱私AI 的技術，並考慮了在AI 安全性和AI 作為遊戲目標的應用。文章總結時強調了在這些領域中需要謹慎實踐，但對於區塊鍊和AI 的交叉領域的前景表示期待。
0. “Crypto + AI 應用前景與挑戰”
在Vitalik 的最新文章中，他討論了人工智能與密碼學的交叉，並提出了兩個主要的挑戰: 密碼學開銷和黑盒對抗性機器學習攻擊。
Vitalik 認為人工智慧與加密貨幣方向大有可為。在幫助加密貨幣變得更好的過程中，人工智慧可以發揮關鍵作用，例如作為「遊戲界面」或「遊戲規則」。
1. 挑戰: 密碼學開銷
a) 密碼學開銷問題已經解決?
雖然Vitalik 認為AI x Crypto 大有可為，但他指出，主要的反對意見之一是密碼學開銷。目前最主流的鏈上AI/ML 方法是zkML，它將ML 模型編譯成zk 電路，這樣就可以在鏈上驗證密碼學證明。
「人工智能計算本來就很昂貴」，再加上密碼學，速度就更慢了。
Vitalik 認為，密碼學開銷的問題已經得到了部分解決:
人工智慧運算及其密碼學開銷適合高度加速，而且不像zkEVM 那樣存在「非結構化」計算類型。
隨著時間的推移，更有效率的zk 密碼學方案將會被發明出來，而開銷也會大大減少。
b) 目前，額外開銷是1000 倍。
然而，這種方法遠遠不夠實用，尤其是Vitalik 所描述的使用案例。以下是一些相關的例子:
zkML 框架EZKL 產生一個1 M-nanoGPT 模型的證明大約需要80 分鐘。
根據Modulus Labs 的說法，zkML 比純計算的開銷>>1000 倍，最新報告的數字是1000 倍。
根據EZKL 的測試，RISC Zero 的隨機森林分類平均證明時間為173 秒。
在實務中，要等待幾分鐘才能得到AI 所產生的交易的易讀解釋是不可接受的。
2. 通過opML 解決
a) opML: Optimistic 機器學習
在文章的最後，Vitalik 提到：「我期待在所有這些領域看到更多人工智能建設性用例的嘗試，這樣我們就能看到其中哪些是真正可行的規模化應用程式。」我們認為，zkML在現階段並不「可行」，無法實現上述應用。
作為opML 的發明者和opML 的首個開源實現的創建者，我們相信，opML 可以通過博弈論解決密碼學開銷問題，讓人工智能x Crypto 現在就能實現。
b) 通過激勵措施實現安全性
opML 在確保安全性的同時，解決了鏈上ML 的密碼學開銷問題。為了簡單起見，我們可以使用Arbitrum 的AnyTrust 假設來評估opML 系統的安全性。
AnyTrust 假設每個主張至少有一個誠實節點，確保提交者或至少一個驗證者是誠實的。在AnyTrust 下，安全性和有效性得以維持:
安全性: 一個誠實的驗證者可以透過質疑惡意節點的錯誤結果來強制執行正確的行為，從而通過仲裁程序進行懲罰。
有效性: 提議的結果要麼在最長期限內被接受，要麼被拒絕。
比較“AnyTrust”和“Majority Trust”，opML 的“AnyTrust” 模型更安全。 「AnyTrust」 保持了很高的安全性，在各種條件下都優於「Majority Trust」。
c) 使用者隱私> 模型隱私
Vitalik 在文章中也談到了模型隱私問題。事實上，對於大多數模型( 尤其是zkML 目前在實踐中支援的小型模型)，都可以透過足夠的推理來重建模型。
對於一般隱私，尤其是使用者隱私，由於需要保持挑戰的公開性，opML 似乎缺乏固有的隱私功能。通過結合zkML 和opML，我們可以獲得恰到好處的隱私級別，確保安全和不可逆轉的混淆。
d) 實現AI x Crypto 用例
opML 已經可以直接在以太坊上運行Stable Diffusion 和LLaMA 2 。 Vitalik 提到的四個類別( 人工智慧作為玩家/ 介面/ 規則/ 目標) 已經可以透過opML 實現，而且沒有任何額外開銷。
我們正在積極探索以下用例和方向:
AIGC NFT (ERC-7007)， 7007 Studio 在Story Protocol Hackathon 中獲勝
鏈上人工智慧遊戲( 如龍與地下城遊戲 )
使用ML 的預測市場
內容真實性(Deepfake 驗證器 )
合規的可程式隱私
Prompt 市場
信譽/ 信用評分
3. 總結
有了opML，我們就能消除密碼學開銷帶來的挑戰，保留去中心化和可驗證性，讓AI x Crypto 現在就變得可行。
