在过去的一年中，zk-SNARK的进展超出了预期。尽管普遍共识认为这些创新还需要数年时间，但应用程序，如ZK-EVM，正在出现。zk-SNARK的增强功能已使得探索区块链的新用例成为可能，尤其是，我们正在密切关注使用zk-SNARK解决由机器学习和人工智能增加使用带来的许多紧迫问题的研究。
随着机器学习的普及，它正在广泛应用于各种应用程序中。然而，其预测的可信度以及对不透明数据源的依赖性成为了一个主要问题。复制声称具有高准确度的模型的能力很难，而在实际产品中预测的一致性和正确性也没有保证。
本文旨在简要介绍为什么对基于zk-SNARK的机器学习（ZK-ML）系统产生了浓厚的兴趣，并讨论了该技术的一些潜在应用。
Opside ZK-RaaS现已支持ETH/BSC/Polygon测试网等L1选项:8月14日消息，据官方消息，ZK-RaaS平台OpsideOpside 宣布发布Rollup LaunchBase Alpha版本，现已上线测试网。
该版本中，Rollup L1主链选项新增支持 ETH/BSC/Polygon 测试网，并提供多种 DA / shared sequencer 等模块化组件。此外，Rollup LaunchBase还支持添加多种Infra as a Service选项供项目方进行初期选择，包括Dex as a Service, Oracle as a Service, NFTmarket as a Service, DID as a Service等，可选项涵盖 iZUMi、Star Protocol、Space ID、Supraoracle等。[2023/8/14 16:24:42]
使用监督式机器学习时，输入被提供给已经用特定参数训练过的模型。然后该模型产生可被其他系统使用的输出。由于轻量级的机器学习框架和ONNX等格式，现在可以在边缘设备上运行这些推理，例如手机或物联网设备，而不是将输入数据发送到集中式服务器。这提高了用户的可扩展性和隐私性。
Findora CPO Henry：Findora采用ZK-Rollup可验证的计算框架可以将吞吐量提升100X:金色财经报道，在3月17日举办的《金色百家谈 | 构建下一代金融设施 Findora主网即将上线》的直播节目中，关于公链的扩展性问题，Findora首席产品官Henry表示，关于性能，Findora重点不是追求Layer1共识的超高TPS，因为这或多或少将牺牲安全性（区块链的不可能三角理论）。我们把重点放在了采用ZK-Rollup这种可验证计算框架，来把大批交易搬到链下批处理后打包生成高效的ZKSNARKs，然后返回链上认证。这样吞吐量能达到100X以上的提升。[2021/3/17 18:53:58]
然而，需要注意的是，通常会将机器学习模型的输入和参数都保持私密并隐藏在公众视野之外。这是因为输入数据可能包含敏感信息，例如个人金融或生物识别数据，而模型参数也可能包含敏感信息，例如生物识别验证参数。
波卡二层扩容协议Plasm开始研究ZK-Rollups 并计划于Q4公布相关信息:10月13日，波卡二层扩容协议Plasm发推公布项目周报。周报显示，Plasm Network计划将实现Rollup解决方案，并已开始着手研究ZK-Rollups。官方表示，这方面的信息应该将在2020年第四季度公布。此外，周报还提到，Plasm已集成以太坊虚拟机EVM并升级至Substrate 2.0。[2020/10/13]
另一方面，使用ML模型的输出的下游系统，例如链上智能合约，需要能够验证输入是否正确处理以产生声称的输出。
机器学习和zkSNARK协议的结合提供了一种新的解决方案，解决了这些看似矛盾的要求。
有许多论文讨论了我们可以如何使用zk-SNARKs来改善我们未来的机器学习。ZK-ML社区提供了一个非常有用的决策树，让我们考虑这种技术的各种用例。
动态 | 报告：以太坊可通过ZK-Rollup达到Visa的TPS:据U.today消息，以太坊基金会合作初创公司Iden3发布了有关ZK-Rollup功能如何提高以太坊网络速度的报告。报告指出，大规模采用时低吞吐量被认为是最严重的瓶颈，而ZK-Rollup功能将允许在每个以太坊区块中验证更多交易。Visa网络目前平均为2000 TPS，以太坊目前支持大约30 TPS，但是随着ZK-Rollup的实施，这个数字可能会激增6300％。因此，这一突破并非完全不可能。[2019/12/15]
这个决策树基于两个标准的交集：需要隐私和计算完整性，以及使用机器学习解决的启发式优化问题。换句话说，决策树用于确定是否适合使用涉及ZKML的用例，在这些用例中，隐私和计算完整性很重要，并且使用机器学习技术解决启发式优化问题，
以下是 zk 如何用于 ML 模型创新的一些方式：
zk-SNARK 可用于在不向模型的创建者或用户公开私有数据的情况下对机器学习模型进行训练。这允许开发可以在敏感或受监管的行业（如医疗保健或金融）中使用的模型，而不会损害使用个人数据的个人隐私。
zk-SNARK 可用于证明机器学习模型是在特定数据集上进行训练的，或者特定模型用于进行预测，而不会透露训练数据或模型的详细信息。这可以增加对机器学习模型结果的信任，这在信用评分或医学诊断等应用中非常重要。
zk-SNARK 可用于通过确保模型未被篡改或替换为不同的模型来保护机器学习模型的完整性。这在模型部署在不受信任的环境（如边缘设备或公共云）中的应用中非常有用。
像 ZKonduit 这样的项目正在将 ZK-ML 视为赋予区块链眼睛、让智能合约行使判断力、单人预言机以及通常以可扩展的方式在链上获取数据的关键。使用ZK-ML预言者提供了一种更简单、更快速、更高效的方式，将链下数据传输到区块链上，大大增加了将数据带到链上的潜力。ZK-ML可以使“智能法官”解释模糊事件。这可能为Web3带来不可想象的新用例，但以下仅是最近讨论过的一些用例：
能够证明一个人的身份与相应的身份证匹配，并且该身份证号码不在制裁名单上。虽然这项技术是可用的，但监管机构可能不会接受它，因为它们目前要求银行“了解”其客户，而不仅仅是验证他们不在制裁名单上。这是监管机构的一个新领域，必须采取措施防止不受欢迎的参与者使用去中心化项目。
智能合约或抽象账户添加了一个ZK-ML欺诈垃圾邮件检查，用于检测异常行为。这意味着可以通过分析活动模式并将其与已知的欺诈或垃圾邮件活动模式进行比较，使用零知识机器学习技术来检测和防止欺诈或垃圾邮件行为。这可以通过检测和防止恶意活动来帮助确保系统的安全性和完整性。
Zk-SNARKs技术允许以保护输入数据隐私的方式执行复杂计算，适用于需要保护敏感信息的情况。可以将机器学习算法集成到该技术中，以实现更先进的决策制定、评估和更高效、准确的通信系统。这些能力对未来的DAO内部动态可能至关重要。
将零知识证明集成到人工智能系统中，可以为用户和使用这些系统的公司提供新的安全和隐私保护级别。通过使人工智能能够证明其决策的有效性，而不揭示底层数据或算法，零知识证明可以帮助缓解数据泄露和恶意攻击的风险。此外，它们还可以通过提供透明和可验证的方式来证明其公平性和准确性，从而有助于建立人工智能系统的信任。
随着人工智能领域的不断发展和扩大，零知识证明的应用将越来越重要，以确保这些强大技术的安全和负责任的部署。
金色荐读
金色财经 善欧巴
Chainlink预言机
白话区块链
金色早8点
Odaily星球日报
欧科云链
深潮TechFlow
MarsBit
Arcane Labs
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。