English1. ZK Machine learning (ZKML) là gì?
ZK Machine learning là viết tắt của cụm từ Zero Knowledge Machine Learning. Có thể nói một cách đơn giản, nó kết hợp sức mạnh của Zero Knowledge Proofs (ZKP) với Machine Learning, cho phép tạo ra kết quả chính xác từ các mô hình Machine Learning (ML) mà không tiết lộ confidential training data, đồng thời xác minh tính chính xác của tính toán.
Machine learning đã biến đổi công nghệ bằng cách cho phép các hệ thống học từ dữ liệu và đưa ra quyết định từ đó khi sử dụng kết hợp công nghệ Zero-knowledge sẽ giúp ZKML kết hợp quyền riêng tư với thông tin chi tiết dựa trên dữ liệu, tạo ra các mô hình phân tích dữ liệu được mã hóa mà không cần truy cập dữ liệu thô.
2. Machine learning hoạt động như thế nào?
Quá trình hoạt động của Machine learning bao gồm:
- Xử lý sơ bộ đầu vào: Dữ liệu đầu vào cần được xử lý thành định dạng có thể được sử dụng làm đầu vào cho mô hình. Điều này thường liên quan đến xử lý giai đoạn đầu và kỹ thuật để trích xuất thông tin hữu ích và chuyển đổi dữ liệu thành dạng phù hợp.
- Thiết lập các tham số mô hình ban đầu: Các tham số mô hình ban đầu bao gồm một số lớp, hàm kích hoạt, trọng số ban đầu, độ lệch, tốc độ học, v.v. Một số có thể được điều chỉnh trong quá trình đào tạo để cải thiện độ chính xác của mô hình bằng thuật toán tối ưu hóa.
- Huấn luyện dữ liệu (Train the Data): Đầu vào được đưa vào neural network, thường bắt đầu bằng một hoặc nhiều lớp trích xuất tính năng và mô hình hóa, chẳng hạn như convolutional layers (CNN), recurrent layers (RNN) hoặc self-attention layers. Các lớp này học cách trích xuất các tính năng có liên quan từ dữ liệu đầu vào và mô hình hóa mối quan hệ giữa các tính năng này.
- Đầu ra từ các lớp này sau đó được chuyển qua một hoặc nhiều lớp bổ sung, thực hiện các phép tính và biến đổi khác nhau trên dữ liệu đầu vào. Các lớp này thường chủ yếu liên quan đến phép nhân ma trận và ứng dụng các hàm kích hoạt phi tuyến tính. Đầu ra của các lớp này đóng vai trò là đầu vào cho lớp tiếp theo trong mô hình hoặc là đầu ra cuối cùng để dự đoán.
- Lấy đầu ra của mô hình: Đầu ra của neural network thường là một vectơ hoặc ma trận biểu thị xác suất phân loại hình ảnh, điểm phân tích cảm xúc hoặc các kết quả khác, tùy thuộc vào ứng dụng của mạng. Thường có một mô-đun cập nhật tham số và đánh giá lỗi khác cho phép cập nhật tự động các tham số tùy thuộc vào mục đích của mô hình.
Để có thể dễ hiểu hơn về quá trình này ta có thể lấy ví dụ về việc sử dụng mô hình CNN để nhận dạng hình ảnh của quả táo như sau:
- Một hình ảnh được tải vào mô hình dưới dạng ma trận các giá trị pixel. Ma trận có thể được biểu diễn dưới dạng tensor 3D với các kích thước (chiều cao, chiều rộng, channels).
- Các tham số ban đầu của mô hình CNN được thiết lập.
- Hình ảnh đầu vào được đưa qua nhiều lớp ẩn trong CNN, trong đó mỗi lớp áp dụng các bộ lọc để trích xuất các đặc điểm ngày càng phức tạp từ hình ảnh.
- Đầu ra của mỗi lớp được chuyển qua hàm kích hoạt phi tuyến tính và sau đó được gộp lại để giảm tính chiều của bản đồ đặc trưng. Lớp cuối cùng thường là lớp được kết nối đầy đủ, tạo ra dự đoán đầu ra dựa trên các tính năng được trích xuất.
- Đầu ra cuối cùng của CNN là lớp có xác suất cao nhất, đây là kết quả được dự đoán cho hình ảnh đầu vào.
3. Cách ZK áp dụng cho ML trust framework
Khi AI/ML ngày càng được tích hợp nhiều hơn, các vấn đề về độ tin cậy ngày càng trở nên quan trọng. Sự thiếu minh bạch và thuật toán black-box của ML là hai lý do chính đằng sau các vấn đề về độ tin cậy, gây khó khăn cho việc tin tưởng vào các suy luận ML.
Giải pháp này liên quan đến zkSNARK, tạo ra bằng chứng đầy đủ cho thấy kết quả tính toán là đúng mà không tiết lộ các đầu vào ẩn. Quá trình tạo bằng chứng bao gồm việc xây dựng một tuyên bố, số học, tạo bằng chứng và tạo ra bằng chứng.
Trong bối cảnh AI/ML, chúng ta cần các quy tắc zk đặc biệt cho các hoạt động ML như matrix multiplication và convolutional layers. Lượng tử hóa cũng cần thiết để giảm độ chính xác đầu vào và mô hình, đồng thời cải thiện hiệu quả tính toán.
Nhiều hệ thống chứng minh ZK đã xuất hiện để tối ưu hóa việc tạo bằng chứng cho quá trình suy luận mô hình, bao gồm vCNN, ZEN, ZKCNN và pvCNN.
Trong đó có các dự án như:
- Modulas: đang phát triển hệ thống zkSNARK mới dành riêng cho ZKML.
- Axiom: xây dựng bộ đồng xử lý ZK cho Ethereum để thực hiện tính toán machine learning đáng tin cậy trên dữ liệu trên chuỗi.
- RISC Zero: ZKVM có thể chứng minh rằng tính toán chính xác liên quan đến mô hình được thực hiện nếu mô hình được đưa vào chuỗi.
- Bộ ezkl library của Jason Morton hỗ trợ nhập trực tiếp mô hình từ phần mềm ML thường được sử dụng như TensorFlow hoặc PyTorch, loại bỏ sự phức tạp và đảm bảo tính linh hoạt.
4. Khả năng ứng dụng của ZKML
Nhiều ứng dụng Web3 đã giảm trải nghiệm người dùng vì mục đích bảo mật và phân cấp vì đó là những hạn chế về cơ sở hạ tầng. AI/ML có tiềm năng làm phong phú thêm trải nghiệm của người dùng, nhờ vào công nghệ ZK chúng ta có thể chứng kiến sự kết hợp giữa AI/ML với các ứng dụng Web3 mà không phải hy sinh quá nhiều về tính bảo mật và phân cấp.
Hầu hết các trường hợp sử dụng/ứng dụng được đề cập dưới đây vẫn đang trong giai đoạn nghiên cứu thử nghiệm và còn ở giai đoạn xa của giai đoạn hiên tại vì thế nên sẽ cần nhiều thời gian hơn để khả năng ứng này được thực thi hoàn toàn:
4.1. Defi
Defi được coi là sản phẩm cốt lõi trên thị trường giai đoạn hiện tại và khả năng ứng dụng của ZKML bao gồm:
- Đánh giá rủi ro: Tài chính hiện đại yêu cầu các mô hình AI/ML để đánh giá tất cả các loại rủi ro, từ ngăn chặn gian lận và rửa tiền đến cho vay không thế chấp. Việc đảm bảo mô hình AI/ML này hoạt động theo cách có thể xác minh được có nghĩa có thể ngăn chúng bị thao túng kiểm duyệt.
- Quản lý tài sản: chiến lược giao dịch tự động không phải là điều mới mẻ đối với Tradfi và Defi. Nhiều nỗ lực áp dụng các chiến lược giao dịch do AI/ML tạo ra đã được thực hiện, nhưng chỉ một số chiến lược phi tập trung thành công. Các ứng dụng điển hình hiện tại của lĩnh vực defi bao gồm rocky bot được Modulus Labs thử nghiệm.
- Cung cấp thanh khoản và AMM: về bản chất đây là sự kết hợp được thực hiện trong đánh giá rủi ro và quản lý tài sản, chỉ được thực hiện theo cách khác khi nói đến khối lượng, dòng thời gian và loại tài sản. Ví dụ: Lyra Finance đang hợp tác với Modulus Labs để nâng cao AMM bằng các tính năng thông minh nhằm sử dụng vốn hiệu quả hơn.
4.2. Gaming
ML được ứng dụng với game cực kỳ nhiều dưới đây là một số ứng dụng cơ bản mà ML mang lại cho Gaming:
- AI Agents: một người chơi cờ AI hoàn toàn trên chuỗi, thi đấu với một tập thể người chơi trong cộng đồng. AI và tập thể con người thay phiên nhau chơi (như trong cờ vua). Bước đi của AI được tính toán bằng mô hình AI đơn giản, chỉ có mô hình AI đơn giản hóa mới có thể đưa ra quyết định. Việc thực thi mô hình có bằng chứng ZK để xác minh rằng tính toán không bị giả mạo.
- Phân tích & Dự đoán Dữ liệu: đây là cách sử dụng phổ biến của AI/ML trong trò chơi Web2 nhưng có rất ít lý do để triển khai ZK vào quy trình ML, vì không có quá nhiều giá trị liên quan trực tiếp đến quá trình này. Tuy nhiên, nếu một số phân tích và dự đoán được sử dụng để xác định phần thưởng cho người dùng, công nghệ ZK có thể được triển khai để đảm bảo kết quả là chính xác.
Ví dụ điển hình nhất cho việc ứng dụng ML vào trò chơi đó là dự án AI Arena: đây là một trò chơi trên Arbitrum nơi người chơi có thể thiết kế, huấn luyện và chiến đấu với các nhân vật NFT được hỗ trợ bởi mạng lưới thần kinh nhân tạo. Những người chơi cạnh tranh để tạo ra mô hình Machine Learning (ML) tốt nhất để chiến đấu trong trò chơi.
AI Arena tập trung vào các neural networks. Nhìn chung, chúng có chi phí tính toán thấp hơn so với convolutional neural networks (CNN) hoặc recurrent neural networks (RNN). Với công nghệ của ML và ZK giúp AI Arena trở thành trò chơi nhiều sức hút hơn đói với người chơi đặc biệt là cần trainning các nhân vật AI của mình có thể chiến đấu mạnh mẽ để giành chiến thắng.
4.3. DID và Social
Đối với DID và Social công nghệ ZKML được ứng dụng vào việc xác minh danh tính là lớn nhất trong đó dự án Worldcoin được coi là dự án đi đầu trong việc ứng dụng công nghệ này. Sử dụng thiết bị Orb để xác định xem ai đó có phải là người sống thực sự và không cố gắng lừa gạt việc xác minh hay không.
Nó thực hiện điều này bằng nhiều loại cảm biến camera và mô hình máy học để phân tích các đặc điểm trên khuôn mặt và mống mắt. Sau khi xác định được điều đó, Orb sẽ chụp một bộ ảnh về mống mắt của một người và sử dụng một số mô hình học máy cũng như các kỹ thuật thị giác máy tính khác để tạo ra mã mống mắt, mã này thể hiện bằng số các đặc điểm quan trọng nhất trong mẫu mống mắt của một cá nhân.
Worldcoin sử dụng zero-knowledge proof và mã nguồn mở Semaphore để chuyển tính duy nhất của IrisHash thành tính duy nhất của tài khoản người dùng mà không cần liên kết chúng. Điều này đảm bảo người dùng mới đăng ký có thể yêu cầu thành công WorldCoin của mình
Dưới đây là landscape của các dự án đang sử dụng công nghệ của ZKML:
- Hardware Acceleration: Cysic, Ulvetanna, Ingonyama, Supranational, Accseal
- Data Input: Axiom, Herodotus, LAGRANGE, HyperOracle
- Decentralized Traning: gensyn, Together AI, FEDML AI
- Inference: Modulus, Giza, EZKL
- Computation: RISC Zero, IronMill, ORA, Delphinus Lab
- Tooling: EZKL, Zama
- Use Case: Worldcoin, AI ARENA, Leela vs the World
5. Kết luận
Với tiềm năng cực kỳ lớn trong tương lai của AI và ML thì việc ứng dúng ZK vào công nghệ này được xem như là sự gia tăng cường về sự tin cậy đối với công nghệ của AI, tuy nhiên khả năng ứng dụng của ZKML hiện tại chưa được thể hiện quá nhiều khi phần lớn các dự án đều đang trong giai đoạn thử nghiệm và phát triển.
Ngoài ra, rất nhiều dự án đang đón nhận sự tích cực thông qua việc nhận được rót vốn lớn từ các nhà đầu tư lớn trên thị trường, vì thế nên tiềm năng của công nghệ này sẽ cực kỳ lớn mạnh đây sẽ là giai đoạn alpha để các bạn có thể tìm kiếm các dự án tiềm năng sắp tới sẽ được ra.
Trên đây là toàn bộ thông tin về ZKML, nếu các bạn có trao đổi gì thêm có thể tham gia nhóm Bigcoin Việt Nam để tìm kiếm các cơ hội đầu tư tốt hơn.
Đọc thêm:
