Autor: Ian Xu@Foresight Ventures

TL;DR

  • Dieser Artikel befasst sich mit der Schnittstelle zwischen KI und Web3 und untersucht, wie On-Chain-KI dem dezentralen Internet einen erheblichen Mehrwert bringen kann. Er hebt mehrere Projekte hervor, darunter Worldcoin, Pragma, Lyra Finance, Giza, Zama.ai und potenzielle ML-as-a-Service-Anwendungen.

  • Der Artikel betont, dass sich KI im Web3-Kontext noch in den Kinderschuhen befindet, aber großes Potenzial birgt. On-Chain-KI, da sie transparent und überprüfbar ist, kann die Effizienz und Sicherheit erheblich steigern und neue Produktformen ermöglichen. Besonders vielversprechend ist ZKML, wobei ZK-Rollup möglicherweise als Einstiegspunkt für KI in die Web3-Welt dient.

  • Während die aktuelle Infrastruktur Modelle einer bestimmten Größenordnung unterstützen kann, gibt es noch viele Unsicherheiten, insbesondere im Hinblick auf die Verifizierung von Modellen durch Zero-Knowledge-Proofs. Dies wird als der unvermeidliche Weg für KI on-chain angesehen, erfordert jedoch exponentielle Verbesserungen der Beweissysteme, um immer größere Modelle zu unterstützen.

  • In Bezug auf Anwendungen könnte On-Chain-KI potenziell in jedem Aspekt von Web3 eingesetzt werden, einschließlich Gaming, DeFi, DID und Tooling. Trotz der Knappheit bestehender Projekte bleibt der Artikel optimistisch hinsichtlich des Potenzials von On-Chain-KI und ihrer transformativen Auswirkungen auf den Web3-Bereich.

1. KI + Web3 = ?

Das obsessive Engagement der Entwickler beim Aufbau der Infrastruktur und die kontinuierlichen Updates verschiedener Rollup-Lösungen haben tatsächlich zu einem Durchbruch bei der ursprünglich schwachen Rechenleistung von Web 3 geführt. Dies hat es auch möglich gemacht, KI in die Blockchain zu bringen. Man könnte jedoch sagen, dass die Ausführung von Modellen außerhalb der Blockchain die meisten Anforderungen zu erfüllen scheint, anstatt große Anstrengungen zu unternehmen, um KI in der Kette zu implementieren. Tatsächlich werden derzeit fast alle KI-Modelle in einem Blackbox-, zentralisierten Modus ausgeführt und schaffen in verschiedenen Bereichen unersetzlichen Wert.

1.1 Kehren wir zur grundlegendsten Frage zurück: Was ist KI auf der Blockchain?

Das gängige Verständnis besteht darin, KI-Modelle durch Web3 transparent und überprüfbar zu machen.

Genauer gesagt bedeutet KI auf der Blockchain die vollständige Verifizierung von Modellen künstlicher Intelligenz. Das heißt, ein Modell muss dem gesamten Netzwerk (Benutzern oder Verifizierern) die folgenden drei Punkte offenlegen:

  1. Modellarchitektur;

  2. Modellparameter und Gewichte: Die Offenlegung von Parametern und Gewichten kann sich manchmal negativ auf die Produktsicherheit auswirken. Daher können in bestimmten Szenarien, wie z. B. bei Risikokontrollmodellen, Gewichte ausgeblendet werden, um die Sicherheit zu gewährleisten.

  3. Modelleingabe: Im Kontext von Web3 sind dies im Allgemeinen öffentliche Daten in der Kette.

Wenn die oben genannten Bedingungen erfüllt sind, ist der gesamte Modellausführungsprozess deterministisch und kein Blackbox-Vorgang mehr. Jeder kann die Eingaben und Ergebnisse des Modells in der Blockchain überprüfen und so verhindern, dass der Modellbesitzer oder eine entsprechende autorisierte Person das Modell manipuliert.



1.2 Was ist die treibende Kraft für On-Chain-KI?

Die Bedeutung der On-Chain-KI besteht nicht darin, den zentralisierten Betriebsmodus der Web2-KI zu ersetzen, sondern:

  1. Ohne dabei Dezentralisierung und Vertrauenslosigkeit zu opfern, wird die nächste Wertstufe für die Web3-Welt geschaffen. Das aktuelle Web3 ist wie die frühe Stufe von Web2 und ist noch nicht in der Lage, breitere Anwendungen zu übernehmen oder einen größeren Wert zu schaffen. Erst nach der Einbindung von KI kann die Vorstellungskraft von Dapp wirklich auf die nächste Stufe springen, und diese On-Chain-Anwendungen können dem Niveau von Web2-Anwendungen näher kommen. Diese Annäherung besteht nicht darin, die Funktionen ähnlicher zu machen, sondern darin, die Benutzererfahrung und -möglichkeiten durch Nutzung des Werts von Web3 zu verbessern.

  2. Es bietet eine transparente, vertrauenslose Lösung für den Black-Box-Betriebsmodus von Web2-KI.

Stellen Sie sich die Anwendungsszenarien von Web3 vor:

  1. Hinzufügen eines Empfehlungsalgorithmus zur NFT-Handelsplattform, der entsprechende NFTs basierend auf Benutzerpräferenzen empfiehlt und die Konvertierung verbessert;

  2. Hinzufügen von KI-Gegnern in Spielen für ein transparenteres und faireres Spielerlebnis;

……

Bei diesen Anwendungen handelt es sich allerdings um weitere Verbesserungen der Effizienz oder des Benutzererlebnisses durch KI für bestehende Funktionen.

  • Ist es wertvoll? Ja.

  • Ist der Wert groß? Das hängt vom Produkt und dem Szenario ab.

Der Wert, den KI schaffen kann, beschränkt sich nicht auf die Optimierung von 99 auf 100. Was mich wirklich begeistert, sind die neuen Anwendungen von 0 auf 1, einige Anwendungsfälle, die nur durch transparente + überprüfbare On-Chain-Modelle erreicht werden können. Diese „spannenden“ Anwendungsfälle beruhen derzeit jedoch hauptsächlich auf Vorstellungskraft, ohne ausgereifte Anwendungen. Hier sind einige Brainstorming-Ideen:

  1. Krypto-Handel basierend auf Entscheidungsmodellen neuronaler Netzwerke: Eine Produktform könnte eher einer verbesserten Version des Copy-Tradings oder sogar einer völlig neuen Art des Handels ähneln. Benutzer müssen nicht mehr anderen erfahrenen Händlern vertrauen oder sie recherchieren, sondern können auf völlig offene und transparente Modelle und deren Leistung setzen. Im Wesentlichen handelt die KI schneller und entschlossener auf der Grundlage von Vorhersagen zukünftiger Kryptopreise. Ohne die „vertrauenslose Autonomie“, die der On-Chain-KI innewohnt, existieren solche Wettobjekte oder -standards jedoch einfach nicht. Benutzer/Investoren können die Gründe, Prozesse und sogar die genaue Wahrscheinlichkeit zukünftiger Anstiege/Abfälle bei der Entscheidungsfindung des Modells transparent einsehen.

  2. KI-Modelle als Schiedsrichter: Ein Produkt könnte eine neue Form des Orakels sein, das die Genauigkeit von Datenquellen durch KI-Modelle vorhersagt. Benutzer müssen Validierern nicht mehr vertrauen und sich keine Sorgen über Fehlverhalten von Knoten machen. Oracle-Anbieter müssen nicht einmal komplexe Knotennetzwerke und Belohnungs- und Bestrafungsmechanismen entwerfen, um Dezentralisierung zu erreichen. Dementsprechend reicht die transparente + überprüfbare KI in der Kette bereits aus, um das Vertrauensniveau von Datenquellen außerhalb der Kette zu überprüfen. Diese neue Produktform hat das Potenzial, in Bezug auf Sicherheit, Effizienz und Kosten zu dominieren, und das Ziel der Dezentralisierung verlagert sich vom Menschen auf KI-Tools mit „vertrauensloser Autonomie“, was zweifellos sicherer ist.

  3. Organisationsmanagement/Betriebssysteme basierend auf großen Modellen: Die Governance von DAOs sollte von Natur aus effizient, dezentralisiert und fair sein, aber die aktuelle Situation ist genau das Gegenteil, locker und aufgebläht, es mangelt an Transparenz und Fairness. Die Einführung von On-Chain-KI kann eine sehr passende Lösung bieten, die den Managementmodus und die Effizienz maximiert und systemische und menschliche Risiken im Management minimiert. Wir können uns sogar einen neuen Entwicklungs- und Betriebsmodus für Web3-Projekte vorstellen, bei dem der gesamte Rahmen und die zukünftige Entwicklungsrichtung und -vorschläge kaum von den Entscheidungen des Entwicklungsteams oder der DAO-Abstimmung abhängen. Stattdessen werden Entscheidungen auf der Grundlage der größeren Datenerfassung und der Rechenfähigkeiten großer Modelle getroffen. Aber all dies setzt voraus, dass das Modell On-Chain ist. Ohne die „vertrauenslose Autonomie“ der KI gibt es in der dezentralen Welt keinen Übergang von Menschen zu Werkzeugen.

……

In Summe,

Neue Produktformen auf Basis von On-Chain-KI lassen sich als Übergang des Themas Dezentralisierung und Vertrauenslosigkeit vom Menschen zu KI-Tools zusammenfassen. Dies steht im Einklang mit der Entwicklung der Produktivität in der traditionellen Welt, wo zunächst Anstrengungen unternommen wurden, die menschliche Effizienz zu verbessern und zu steigern, und später Menschen durch intelligente Tools ersetzt wurden, was das ursprüngliche Produktdesign in Bezug auf Sicherheit und Effizienz revolutionierte.

Der wichtigste Punkt und die Prämisse von allem oben genannten besteht darin, KI durch Web3 transparent und überprüfbar zu machen.



1.3 Die nächste Stufe von Web3

Web3 kann als phänomenale technologische Innovation nicht einfach in seinem Anfangsstadium verharren. Traffic und Wirtschaftsmodelle sind wichtig, aber die Benutzer werden nicht immer auf der Suche nach Traffic bleiben oder viele Ressourcen aufwenden, um X zu tun und Geld zu verdienen, und deshalb wird Web3 die nächste Welle neuer Benutzer nicht an Bord holen. Aber eines ist sicher: Die Revolution der Produktivität und des Wertes in der Kryptowelt muss durch die Hinzufügung von KI entstehen.

Ich denke, es kann grob in die folgenden drei Phasen unterteilt werden:

Start: Die Aktualisierung und Iteration von Zero-Knowledge-Proof-Algorithmen und -Hardware bietet die erste Möglichkeit für die Entstehung von On-Chain-KI; (wir sind hier)

Entwicklung: Ob es sich um die Verbesserung bestehender Anwendungen durch KI oder um neue Produkte auf Basis von On-Chain-KI handelt, beides treibt die gesamte Branche voran;

Endspiel: Was ist die ultimative Richtung der On-Chain-KI?

In den obigen Diskussionen geht es darum, Anwendungsszenarien Bottom-up durch die Kombination von KI und Web3 zu untersuchen. Wenn wir zu einem Top-down-Ansatz wechseln, um die On-Chain-KI zu betrachten, könnte die KI dann auf Web3 selbst zurückgeführt werden? KI + Blockchain = adaptive Blockchain

Einige öffentliche Ketten werden bei der Integration von On-Chain-KI die Führung übernehmen und sich von der Ebene öffentlicher Ketten zu einer Art adaptiver Ebene entwickeln. Die Entwicklungsrichtung hängt nicht mehr von Entscheidungen zur Projektgründung ab, sondern basiert auf Entscheidungen auf Basis massiver Datenmengen, und der Automatisierungsgrad übertrifft das traditionelle Web3 bei weitem und hebt sich damit vom aktuellen Multi-Chain-Prosperitätsniveau ab.

Mit dem Segen einer überprüfbaren und transparenten KI, in der sich die Selbstregulierung von web3 manifestiert, können wir auf einige von Modulus Lab genannte Beispiele verweisen:

  1. On-Chain-Transaktionsmärkte können sich automatisch und dezentral anpassen, beispielsweise kann der Zinssatz von Stablecoins in Echtzeit auf der Grundlage öffentlich verfügbarer On-Chain-Daten angepasst werden, ohne dass Vertrauensannahmen erforderlich sind.

  2. Durch multimodales Lernen können On-Chain-Protokollinteraktionen durch biometrische Erkennung abgeschlossen werden, wodurch ein sicheres KYC bereitgestellt und ein vollständig vertrauensloses Identitätsmanagement erreicht wird.

  3. Ermöglichen Sie On-Chain-Anwendungen, den durch On-Chain-Daten geschaffenen Wert zu maximieren, und unterstützen Sie Dienste wie individuelle Inhaltsempfehlungen.

Aus einer anderen Perspektive iteriert und optimiert zkrollup ständig, aber es fehlt immer eine echte Anwendung, die nur im zk-Ökosystem ausgeführt werden kann. ZKML erfüllt genau diesen Punkt und bietet auch genügend Vorstellungsraum. ZK-rollup wird in Zukunft wahrscheinlich als Einstiegspunkt für KI in Web3 dienen und einen größeren Wert schaffen, und die beiden ergänzen sich gegenseitig.

2. Umsetzung und Machbarkeit

2.1 Was kann Web3 für KI leisten?

Infrastruktur und ZK sind zweifellos die am härtesten umkämpften Bereiche im Web3. Verschiedene ZK-Projekte haben große Anstrengungen in die Optimierung von Schaltkreisen und die Verbesserung von Algorithmen gesteckt, sei es bei der Erforschung mehrschichtiger Netzwerke, der Entwicklung von Modularisierungs- und Datenverfügbarkeitsschichten, der weiteren Anpassung von Rollup als Service oder sogar der Hardwarebeschleunigung … Diese Bemühungen bringen die Skalierbarkeit, Kosten und Rechenleistung der Web3-Infrastruktur auf die nächste Ebene.



Es klingt gut, KI in die Kette zu integrieren, aber wie genau wird dies erreicht?

Ein Ansatz ist das ZK-Proof-System. Erstellen Sie beispielsweise eine angepasste Schaltung für maschinelles Lernen, der Prozess der Generierung eines Zeugen außerhalb der Kette ist der Prozess der Modellausführung und generiert einen Beweis für den Modellvorhersageprozess (einschließlich Modellparameter und -eingaben). Jeder kann den Beweis in der Kette überprüfen.

Das KI-Modell läuft weiterhin auf einem effizienten Cluster, sogar mit einer gewissen Hardwarebeschleunigung zur weiteren Verbesserung der Rechengeschwindigkeit. So wird die Nutzung der Rechenleistung maximiert und gleichzeitig sichergestellt, dass keine zentralisierte Person oder Institution das Modell manipulieren oder stören kann. Das bedeutet:

Sicherheit der Modellvorhersageergebnisse = überprüfbar (Eingabe + Modellarchitektur + Parameter)

Basierend auf dem obigen Ansatz können wir weiter schlussfolgern, welche Infrastrukturen für AI On-Chain entscheidend sind:

  1. ZKP-System, Rollup: Rollups erweitern unsere Vorstellungskraft hinsichtlich der Rechenkapazitäten in der Kette, bündeln eine Reihe von Transaktionen und generieren sogar rekursiv Beweise, um die Kosten weiter zu senken. Für die aktuellen großen Modelle ist der erste Schritt zur Bereitstellung von Möglichkeiten das Beweissystem und das Rollup.

  2. Hardwarebeschleunigung: ZK Rollup bietet eine überprüfbare Grundlage, aber die Geschwindigkeit der Beweisgenerierung steht in direktem Zusammenhang mit der Benutzerfreundlichkeit und dem Benutzererlebnis des Modells. Mehrere Stunden auf die Generierung des Modellbeweises zu warten, funktioniert offensichtlich nicht, daher ist die Hardwarebeschleunigung durch FPGA eine große Hilfe.

  3. Kryptografie: Kryptografie ist die Grundlage der Kryptowelt, und auch On-Chain-Modelle und sensible Daten müssen ihre Privatsphäre schützen.

Ergänzung:

Die Grundlage großer Modelle ist die GPU. Ohne hochgradige Parallelunterstützung ist die Effizienz großer Modelle sehr gering und sie können nicht ausgeführt werden. Daher gilt für ein On-Chain-zk-Ökosystem:

GPU-freundlich = KI-freundlich

Nehmen wir Starknet als Beispiel: Cario kann nur auf der CPU ausgeführt werden, sodass nur einige kleine Entscheidungsbaummodelle bereitgestellt werden können, was der Bereitstellung großer Modelle auf lange Sicht nicht förderlich ist.

2.2 Herausforderung: Leistungsfähigeres Beweissystem

Die Generierungsgeschwindigkeit und die Speichernutzung von ZK Proof sind entscheidend. Das eine hängt mit der Benutzererfahrung und Durchführbarkeit zusammen, das andere mit den Kosten und der Skalierbarkeit.

Ist das aktuelle ZKP-System ausreichend?

Ausreichend, aber nicht gut genug …

Modulus Lab hat die spezifische Situation von Modellen und Rechenleistung im Artikel „The Cost of Intelligence: Proving Machine Learning Inference with Zero-Knowledge“ ausführlich beschrieben. Wenn Sie Zeit haben, können Sie dieses „Paper0“ im ZKML-Feld lesen: https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view

Nachfolgend sind die verschiedenen Beweissysteme aufgeführt, die in Papier 0 erwähnt werden.



Basierend auf den oben genannten zk-Algorithmen führt Modulus Lab Tests aus zwei Dimensionen durch: Zeitverbrauch und Speicherbelegung und kontrolliert zwei Kernvariablen: Parameter und Ebenen in diesen beiden Dimensionen. Im Folgenden sind Benchmark-Suiten aufgeführt. Ein solches Design kann ungefähr das 60.000-Parametervolumen von LeNet5 (0,5 MFLOPs) bis zum 22-M-Parametervolumen von ResNet-34 (3,77 GFLOPs) abdecken.



Zeitaufwandtest:



Speicherverbrauchstest:



Basierend auf den obigen Daten sind der aktuelle zk-Algorithmus und das Potenzial, die Generierung großer Modellbeweise zu unterstützen, insgesamt verfügbar, aber die entsprechenden Kosten sind immer noch hoch und erfordern sogar eine mehr als zehnfache Optimierung. Am Beispiel von Gloth16 profitiert es zwar von der Optimierung der Rechenzeit durch hohe Parallelität, aber als Gegenleistung steigt der Speicherverbrauch erheblich an. Die Leistung von Plonky2 und zkCNN in Zeit und Raum bestätigt dies ebenfalls.

Die Frage hat sich also geändert und geht nun nicht mehr darum, ob das ZKP-System On-Chain-KI unterstützen kann, sondern ob die Kosten es wert sind, KI On-Chain zu unterstützen. Und mit dem exponentiellen Anstieg der Modellparameter wird auch der Druck auf das Beweissystem rapide zunehmen. Gibt es jetzt tatsächlich ein vertrauensloses neuronales Netzwerk? Nein! Das liegt daran, dass die Kosten zu hoch sind.

Daher ist die Entwicklung eines KI-spezifischen Beweissystems von entscheidender Bedeutung. Gleichzeitig muss zur Implementierung der KI-Logik, die in einem einzigen Aufruf sehr komplex ist, auch das Gasverbrauchsmodell neu gestaltet werden. Ein leistungsstarkes ZKVM ist unerlässlich. Aber jetzt sehen wir viele Hochleistungsversuche wie OlaVM, Polygon Miden usw. Die kontinuierliche Optimierung dieser Infrastrukturen verbessert die Machbarkeit von On-Chain-KI erheblich.

3. Ist die Bewerbung ein Grund zur Vorfreude?

Obwohl sich die On-Chain-KI noch in einem frühen Stadium befindet, könnte sie sich aus der Perspektive der oben genannten Ebenen zwischen der Start- und Entwicklungsphase befinden. In der KI-Richtung mangelt es jedoch nie an hervorragenden Teams und innovativen Ideen.

Wie oben erwähnt, befindet sich der aktuelle Markt, wenn man sich das Entwicklungsstadium der KI in der Web3-Welt ansieht, in der mittleren Phase vom Anfang bis zur Entwicklung, und die Produktversuchsrichtung basiert immer noch hauptsächlich auf der Optimierung der Benutzererfahrung auf der Grundlage vorhandener Funktionen. Aber das Wertvollste ist, vertrauenswürdige Subjekte von Menschen durch KI in der Kette in Werkzeuge zu verwandeln und die ursprüngliche Produktform in Bezug auf Sicherheit und Effizienz zu untergraben.

Als nächstes analysieren wir ausgehend von einigen bestehenden Anwendungsversuchen die langfristige Produktentwicklungsrichtung der On-Chain-KI

3.1 Der Rockefeller Bot: Die weltweit erste On-Chain-KI

Rockefeller ist das erste On-Chain-KI-Produkt, das vom Modulus Lab-Team auf den Markt gebracht wurde, und hat einen hohen „Erinnerungswert“. Dieses Modell ist im Wesentlichen ein Trading-Bot. Genauer gesagt sind die Trainingsdaten von Rockefeller eine große Menge öffentlich verfügbarer WEth-USDC-Preise/Wechselkurse in der Kette. Es handelt sich um ein dreischichtiges Feedforward-Neuralnetzwerkmodell, und das Vorhersageziel ist der zukünftige Anstieg und Rückgang des WEth-Preises.

So läuft der Prozess ab, wenn der Trading-Bot sich zum Handeln entscheidet:

  1. Rockefeller generiert ZKP für die Vorhersageergebnisse im ZK-Rollup;

  2. ZKP wird auf L1 verifiziert (die Gelder werden durch den L1-Vertrag aufbewahrt) und Vorgänge werden ausgeführt;

Es ist ersichtlich, dass die Vorhersage- und Finanzierungsvorgänge des Handelsbots vollständig dezentralisiert und vertrauenslos sind. Wie oben erwähnt, ähnelt Rockefeller aus einer höheren Dimension eher einer neuen Art von Defi-Gameplay. Im Vergleich zum Vertrauen in andere Händler setzen Benutzer in diesem Modus tatsächlich auf das transparente + überprüfbare + autonome Modell. Benutzer müssen zentralisierten Institutionen nicht vertrauen, um die Rechtmäßigkeit des Modellentscheidungsprozesses sicherzustellen. Gleichzeitig kann KI auch den Einfluss der menschlichen Natur weitgehend eliminieren und Entscheidungen entschlossener treffen.



Vielleicht möchten Sie bereits etwas Geld in Rockefeller investieren und es ausprobieren, aber lässt sich damit wirklich Geld verdienen?

Nein, laut dem Modulus-Team ist das nicht möglich. Rockefeller ist keine Anwendung, sondern eher ein Proof of Concept (POC) für On-Chain-KI. Aufgrund von Einschränkungen bei Kosten, Effizienz und Beweissystemen besteht Rockefellers Hauptzweck darin, als Demo zu dienen, um der Web3-Welt die Machbarkeit von On-Chain-KI zu demonstrieren. (Rockefeller hat seine Mission abgeschlossen und ist jetzt offline T T)

3.2 Leela: Das weltweit erste On-Chain-KI-Spiel

Das kürzlich erschienene Spiel Leela v.s. the World stammt ebenfalls von Modulus Lab. Der Spielmechanismus ist einfach: Menschliche Spieler bilden Teams, um gegen KI zu kämpfen. Im Spiel können die Spieler ihre Einsätze platzieren und am Ende jedes Spiels wird der Pool des Verlierers entsprechend der Anzahl der eingesetzten Token an den Gewinner verteilt.



Apropos On-Chain-KI: Dieses Mal hat Modulus Lab ein größeres tiefes neuronales Netzwerk (mit einer Anzahl von Parametern > 3.700.000) eingesetzt. Obwohl Leela Rockefeller in Bezug auf Modellgröße und Produktinhalt übertrifft, handelt es sich im Wesentlichen immer noch um ein groß angelegtes On-Chain-KI-Experiment. Der Mechanismus und die Funktionsweise hinter Leela sind das, was Aufmerksamkeit erfordert, was uns helfen kann, die Funktionsweise und den Verbesserungsspielraum der On-Chain-KI besser zu verstehen. Hier ist das vom Beamten bereitgestellte Logikdiagramm:



Jeder Zug, den Leela macht, oder jede Vorhersage generiert einen ZKP, und erst nach der Überprüfung durch den Vertrag wird er im Spiel wirksam. Das heißt, dank der vertrauenslosen autonomen KI sind die von den Benutzern eingesetzten Gelder und die Fairness des Spiels vollständig durch Kryptografie geschützt, und es besteht keine Notwendigkeit, dem Spieleentwickler zu vertrauen.

Leela verwendet den Halo2-Algorithmus, hauptsächlich weil seine Tools und sein flexibles Design dabei helfen können, ein effizienteres Beweissystem zu entwickeln. Die spezifische Leistungssituation kann den obigen Testdaten entnommen werden. Gleichzeitig stellte das Modulus-Team während des Betriebs von Leela jedoch auch die Nachteile von Halo2 fest, wie z. B. langsame Beweisgenerierung und mangelnde Benutzerfreundlichkeit bei einmaligen Beweisen usw. Dies bestätigt die aus den vorherigen Testdaten gezogene Schlussfolgerung weiter: Wenn wir größere Modelle in Web3 einbringen müssen, müssen wir ein leistungsfähigeres Beweissystem entwickeln.

Der Wert von Leela liegt jedoch darin, dass es uns einen größeren Vorstellungsraum für KI + Web3-Spiele bietet. Derzeit sollten King of Glory-Spieler sehr darauf hoffen, dass der Matchmaking-Algorithmus vollständig on-chain ist:) Gamefi benötigt mehr Unterstützung für hochwertige Inhalte und ein faireres Spielsystem, und On-Chain-KI bietet genau das. Beispielsweise bietet die Einführung von KI-gesteuerten Spielszenen oder NPCs in das Spiel einen riesigen Vorstellungsraum sowohl für das Spielerlebnis des Spielers als auch für das Gameplay des Wirtschaftssystems.

3.3 Worldcoin: KI + KYC

Worldcoin ist ein On-Chain-Identitätssystem (Privacy-Preserving Proof-of-Personhood Protocol), das Biometrie verwendet, um ein Identitätssystem aufzubauen und abgeleitete Funktionen wie Zahlungen zu erreichen. Das Ziel besteht darin, Sybil-Angriffe zu bekämpfen, und es hat mittlerweile mehr als 1,4 Millionen registrierte Benutzer.



Benutzer scannen ihre Iris mit einem Hardwaregerät namens Orb und persönliche Informationen werden einer Datenbank hinzugefügt. Worldcoin führt ein CNN-Modell in der Rechenumgebung der Orb-Hardware aus, um die Wirksamkeit der Benutzer-Irisdaten zu komprimieren und zu validieren. Es klingt leistungsstark, aber für eine wirklich dezentrale Identitätsüberprüfung untersucht das Worldcoin-Team die Überprüfung der Modellausgabe durch ZKPs.

Herausforderungen

Erwähnenswert ist, dass das von Worldcoin verwendete CNN-Modell eine Größe von 1,8 Millionen Parametern und 50 Ebenen hat. Basierend auf den oben gezeigten Testdaten kann das aktuelle Beweissystem dies zeitlich bewältigen, aber der Speicherverbrauch ist für Hardware in Verbraucherqualität nicht zu bewältigen.

3.4 Andere Projekte

  1. Pragma: Pragma ist ein ZK-Orakel, das aus dem Starkware-Ökosystem entwickelt wurde. Das Team erforscht auch, wie das Problem der dezentralen Off-Chain-Datenüberprüfung durch On-Chain-KI gelöst werden kann. Benutzer müssen Validierern nicht mehr vertrauen, sondern können Off-Chain-Datenquellen durch ausreichend genaue und überprüfbare On-Chain-KI überprüfen, z. B. durch das Lesen entsprechender physischer Informationen als Eingabe und das Treffen von Entscheidungen zur tatsächlichen Vermögens- oder Identitätsüberprüfung.

  2. Lyra Finance: Lyra Finance ist ein optionales AMM, das einen Derivatehandelsmarkt bereitstellt. Um die Kapitalnutzung zu verbessern, arbeiten das Lyra-Team und Modulus Lab gemeinsam an der Entwicklung eines AMM, das auf einem überprüfbaren KI-Modell basiert. Mit einem überprüfbaren, fairen KI-Modell hat Lyra Finance die Möglichkeit, zu einem groß angelegten Implementierungsexperiment für On-Chain-KI zu werden, das Web3-Benutzern erstmals faires Matchmaking bietet, den On-Chain-Markt durch KI optimiert und höhere Renditen bietet.

  3. Giza: Eine ZKML-Plattform, die Modelle direkt in der Kette statt außerhalb der Kette bereitstellt. Netter Versuch, aber … Aufgrund der Rechenleistung und der fehlenden Unterstützung von Cairo für die CUDA-basierte Beweisgenerierung kann Giza nur die Bereitstellung kleiner Modelle unterstützen. Dies ist das schwerwiegendste Problem. Auf lange Sicht werden große Modelle, die einen störenden Einfluss auf Web3 haben können, leistungsstarke Hardwareunterstützung wie GPUs erfordern.

  4. Zama-ai: Homomorphe Verschlüsselung von Modellen. Homomorphe Verschlüsselung ist eine Form der Verschlüsselung, bei der gilt: f[E(x)] = E[f(x)], wobei f eine Operation, E ein homomorpher Verschlüsselungsalgorithmus und x eine Variable ist, z. B. E(a) + E(b) = E(a + b). Sie ermöglicht es, dass bestimmte Formen algebraischer Operationen auf Geheimtext zu einem verschlüsselten Ergebnis führen, und das Entschlüsseln dieses Ergebnisses führt zum gleichen Ergebnis wie das Ausführen derselben Operation auf dem Klartext. Der Datenschutz bei Modellen war schon immer ein Hotspot und ein Engpass der KI. Obwohl zk datenschutzfreundlich ist, ist zk nicht gleichbedeutend mit Datenschutz. Zama setzt sich dafür ein, die datenschutzwahrende Ausführung von Modellen sicherzustellen.

  5. ML-as-a-Service: Dies ist derzeit nur eine Denkrichtung ohne konkrete Anwendungen, aber das Ziel besteht darin, die Probleme böswilligen Verhaltens durch zentralisierte ML-Dienstanbieter und Benutzervertrauen durch ZKPs zu lösen. Daniel Kang bietet eine detaillierte Beschreibung im Artikel „Trustless Verification of Machine Learning“ (siehe Diagramm im Artikel).



4. Fazit

  • Insgesamt befindet sich die KI in der Web3-Welt noch in einem sehr frühen Stadium, aber es besteht kein Zweifel, dass die Reifung und Popularisierung der On-Chain-KI den Wert von Web3 auf eine neue Ebene heben wird. Technisch gesehen kann Web3 eine einzigartige Infrastruktur für KI bereitstellen, und KI ist ein wesentliches Instrument zur Änderung der Produktionsbeziehungen von Web3. Die Kombination der beiden kann viele Möglichkeiten eröffnen, was ein spannender und fantasievoller Ort ist.

  • Aus der Perspektive der Motivation der KI, on-chain zu gehen, verwandelt die transparente + überprüfbare on-chain KI einerseits die dezentralen und vertrauenswürdigen Entitäten von Menschen in KI-Tools, was die Effizienz und Sicherheit erheblich verbessert und Möglichkeiten zur Schaffung völlig neuer Produktformen bietet. Andererseits benötigt Web3, da sich die Infrastruktur von Web3 ständig weiterentwickelt, wirklich eine Killer-Anwendung, die den Wert dieser Infrastruktur maximieren kann. ZKML erfüllt diesen Punkt, beispielsweise wird ZK-Rollup in Zukunft wahrscheinlich der Einstiegspunkt für KI in Web3 sein.

  • Aus Machbarkeitssicht kann die aktuelle Infrastruktur Modelle einer bestimmten Größenordnung bis zu einem gewissen Grad unterstützen, es bestehen jedoch noch viele Unsicherheiten. Die Verwendung von ZKP zur Erstellung überprüfbarer Modelle scheint derzeit der einzige Weg zu sein, KI in die Kette zu bringen, und ist möglicherweise auch der deterministischste technische Weg, um KI in Web3-Anwendungen zu bringen. Auf lange Sicht muss das aktuelle Beweissystem jedoch exponentiell verbessert werden, um die immer größeren Modelle ausreichend zu unterstützen.

  • Aus der Perspektive der Anwendungsszenarien kann KI nahezu perfekt in jede Richtung des Web3 eingebunden werden, sei es Gaming, DeFi, DID oder Tooling … Obwohl die bestehenden Projekte sehr rar sind und keinen langfristigen Wert haben, haben sie sich noch nicht von einem Tool zur Verbesserung der Effizienz zu einer Anwendung entwickelt, die die Produktionsbeziehungen verändert. Aber es ist aufregend, dass jemand den ersten Schritt gemacht hat, und wir können den ersten Blick auf On-Chain-KI und ihre zukünftigen Möglichkeiten werfen.

Referenz

https://worldcoin.org/blog/engineering/intro-to-zkml

https://medium.com/coinmonks/chapter-1-how-to-put-your-ai-on-chain-8af2db013c6b

https://medium.com/@ModulusLabs/chapter-2-why-put-your-ai-on-chain-33b7625147b7

https://medium.com/@ModulusLabs/chapter-3-the-worlds-first-on-chain-ai-trading-bot-c387afe8316c

https://medium.com/@ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36

https://medium.com/@ModulusLabs/chapter-4-5-trustless-ai-for-living-breathing-games-cc9f24080e30

https://medium.com/@ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307

https://medium.com/@ModulusLabs/chapter-6-leela-vs-the-world-the-worlds-1st-on-chain-ai-game-17ea299a06b6

https://drive.google.com/file/d/1tylpowpaqcOhKQtYolPlqvx6R2Gv4IzE/view

https://medium.com/@danieldkang/trustless-verification-of-machine-learning-6f648fd8ba88

Über Foresight Ventures

Foresight Ventures hat sich zum Ziel gesetzt, die bahnbrechende Innovation der Blockchain in den nächsten Jahrzehnten zu unterstützen. Wir verwalten mehrere Fonds: einen VC-Fonds, einen aktiv verwalteten Sekundärfonds, einen Multi-Strategie-FOF und einen privaten Sekundärmarktfonds mit einem verwalteten Vermögen von über 400 Millionen US-Dollar. Foresight Ventures vertritt den Grundsatz einer „einzigartigen, unabhängigen, aggressiven und langfristigen Denkweise“ und bietet umfassende Unterstützung für Portfoliounternehmen innerhalb eines wachsenden Ökosystems. Unser Team besteht aus Veteranen führender Finanz- und Technologieunternehmen wie Sequoia Capital, CICC, Google, Bitmain und vielen anderen.

Website: https://www.foresightventures.com/

Haftungsausschluss: Alle Artikel von Foresight Ventures stellen keine Anlageberatung dar. Einzelpersonen sollten ihre eigene Risikobereitschaft beurteilen und Anlageentscheidungen umsichtig treffen.