机器学习的大略先容

人工智能已经经历了几个名字的变革，从“专家系统”到“神经网络”，然后是“图形模型”，末了演化为“机器学习”。
所有这些都是“人工智能”的子集，人们给它起了不同的名字，我们对人工智能的理解也在不断加深。
让我们轻微深入理解一下机器学习，揭开机器学习的神秘面纱。

注：如今，大多数机器学习模型都是神经网络，由于它们在许多任务中具有精良的性能。
我们紧张将机器学习称为神经网络机器学习。

机器学习是如何事情的？

首先，让我们快速理解一下机器学习的内部运作：

输入数据预处理：输入数据须要处理成可以作为模型输入的格式。
这常日涉及预处理和特色工程，以提取有用的信息并将数据转换成得当的形式，如输入矩阵或张量（高维矩阵）。
这是专家系统方法。
随着深度学习的涌现，处理层自动处理预处理。
设置初始模型参数：初始模型参数包括多个层、激活函数、初始权重、偏置、学习率等。
有些参数可以在演习过程中通过优化算法进行调度以提高模型的准确性。
演习数据：输入数据输入到神经网络中，常日从一个或多个特色提取和关系建模层开始，如卷积层（CNN），循环层（RNN）或自把稳力层。
这些层学会从输入数据中提取干系特色并建模这些特色之间的关系。
这些层的输出然后通报给一个或多个额外的层，这些层对输入数据实行不同的打算和转换。
这些层常日紧张涉及可学习权重矩阵的矩阵乘法和非线性激活函数的运用，但也可能包括其他操作，如卷积神经网络中的卷积和池化，或者循环神经网络中的迭代。
这些层的输出作为模型中下一层的输入，或者作为终极的预测输出。

获取模型的输出：神经网络打算的输出常日是一个向量或矩阵，表示图像分类的概率、情绪剖析分数或其他结果，详细取决于网络的运用。
常日还有一个缺点评估和参数更新模块，根据模型的目的自动更新参数。
神经网络打算的输出常日是一个向量或矩阵，表示图像分类的概率、情绪剖析分数或其他结果，详细取决于网络的运用。
常日还有一个缺点评估和参数更新模块，根据模型的目的自动更新参数。
如果上述阐明看起来太晦涩，可以参考以下利用 CNN 模型识别苹果图片的例子。

将图像以像素值矩阵的形式加载到模型中。
该矩阵可以表示为具有尺寸（高度、宽度、通道）的3D张量。
设置CNN模型的初始参数。
输入图像通过CNN中的多个隐蔽层，每个层运用卷积滤波器从图像中提取越来越繁芜的特色。
每层的输出通过非线性激活函数，然后进行池化以减小特色图的维数。
末了一层常日是一个全连接层，根据提取的特色天生输出预测。
CNN的终极输出是概率最高的种别。
这是输入图像的预测标签。

机器学习的信赖框架

我们可以将上述内容总结为一个机器学习信赖框架，包括四个机器学习的基本层，全体机器学习过程须要这些层是可信的才能可靠：

输入：原始数据须要进行预处理，有时还须要保密。
完全性：输入数据未被修改，未被恶意输入污染，并且精确地进行了预处理。
隐私：如有须要，输入数据不会透露。
输出：须要准确天生和传输完全性：输出精确天生。
隐私：如有须要，输出不会透露。
模型类型/算法：模型应精确打算完全性：模型实行精确。
隐私：如有须要，模型本身或打算不会透露。
不同的神经网络模型具有不同的算法和层，适用于不同的用例和输入。
卷积神经网络（CNN）常日用于涉及网格状数据的任务，如图像，个中局部模式和特色可以通过对小输入区域运用卷积操作来捕获。
另一方面，循环神经网络（RNN）非常适用于顺序数据，如韶光序列或自然措辞，个中隐蔽状态可以捕获来自先前韶光步的信息并建模韶光依赖关系。
自把稳力层对付捕获输入序列中元素之间的关系非常有用，使其对付诸如机器翻译或择要之类的任务非常有效，这些任务中长程依赖关系至关主要。
还存在其他类型的模型，包括多层感知机（MLP）等。
模型参数：在某些情形下，参数该当透明或民主天生，但在所有情形下都不易被修改。
完全性：参数以精确的办法天生、掩护和管理。
隐私：模型所有者常日会对机器学习模型参数保密，以保护开拓该模型的组织的知识产权和竞争上风。
这种征象只在变压器模型变得猖獗昂贵的演习前非常普遍，但对行业来说仍旧是一个紧张问题。

机器学习的信赖问题

随着机器学习（ML）运用的爆炸式增长（复合年增长率超过 20% ）以及它们在日常生活中的日益融入，例如最近备受欢迎的 ChatGPT，机器学习的信赖问题变得越来越关键，不容忽略。
因此，创造并办理这些信赖问题至关主要，以确保负任务地利用 AI 并防止其潜在滥用。
然而，究竟是哪些问题呢？让我们深入理解。

透明度或可证明性不敷

信赖问题长期困扰着机器学习，紧张缘故原由有两个：

隐私性子：如上所述，模型参数常日是私密的，而在某些情形下，模型输入也须要保密，是日然会在模型所有者和模型用户之间带来一些信赖问题。
算法黑盒：机器学习模型有时被称为“黑盒”，由于它们在打算过程中涉及许多难以理解或阐明的自动化步骤。
这些步骤涉及繁芜的算法和大量的数据，带来不愿定性和有时随机的输出，使得算法随意马虎受到偏见乃至歧视的责怪。

在更深入之前，本文的一个更大的假设是模型已经“准备好利用”，意味着它经由良好的演习并符合目的。
模型可能不适用于所有情形，而且模型以惊人的速率改进，机器学习模型的正常利用寿命在2到18个月之间，详细取决于运用处景。

机器学习信赖问题的详细分解

模型演习过程中存在一些信赖问题，Gensyn目前正在努力天生有效证明以促进这一过程。
然而，本文紧张关注模型推理过程。
现在让我们利用机器学习的四个构建模块来创造潜在的信赖问题：

输入：数据来源是防修改的私有输入数据不被模型操作者盗取（隐私问题）模型：模型本身如宣扬的那样准确打算过程精确完成参数：模型参数没有被改变或与宣扬的同等在过程中，对模型所有者具有代价的模型参数没有透露（隐私问题）输出：输出结果可证明是精确的（可能随着上述所有元素的改进而改进）

如何将ZK运用到机器学习信赖框架中

上述一些信赖问题可以通过上链来办理；将输入和机器学习参数上传到链上，并在链上打算模型，可以确保输入、参数和模型打算的精确性。
但这种方法可能会捐躯可扩展性和隐私性。
Giza正在Starknet上进行这项事情，但由于本钱问题，它仅支持像回归这样的大略机器学习模型，不支持神经网络。
ZK技能可以更有效地办理上述信赖问题。
目前，ZKML的ZK常日指zkSNARK。
首先，让我们快速回顾一下zkSNARK的一些基本观点：

一个 zkSNARK 证明是证明我知道一些秘密输入 w，使得这个打算 f 的结果为 OUT 是真实的，而不见告你 w 是什么。
证明天生过程可以总结为以下几个步骤：

制订须要证明的陈述：f(x,w)=true“我利用具有私有参数w的机器学习模型f精确地对这个图像x进行了分类。
”将陈述转换为电路（算术化）：不同的电路构建方法包括R1CS、QAP、Plonkish等。
与其他用例比较，ZKML须要一个额外的步骤，称为量化。
神经网络推断常日利用浮点算术完成，而在算术电路的紧张领域中仿照浮点算术非常昂贵。
不同的量化方法在精度和设备哀求之间取得折衷。
一些像R1CS这样的电路构建方法对神经网络来说效率不高。
这部分可以调度以提高性能。
天生一个证明密钥和一个验证密钥创建一个见证：当w=w时，f(x,w)=true创建一个哈希承诺：见证人w承诺利用加密哈希函数天生一个哈希值。
这个哈希值可以公之于众。
这有助于确保在打算过程中，私有输入或模型参数没有被修改或修正。
这一步至关主要，由于纵然是细微的修正也可能对模型的行为和输动身生重大影响。
天生证明：不同的证明系统利用不同的证明天生算法。
须要为机器学习操作设计分外的零知识规则，如矩阵乘法和卷积层，以便实现这些打算的子线性韶光高效协议。
✓ 像groth16这样的通用zkSNARK系统可能无法有效处理神经网络，由于打算负载过大。
✓ 自2020年以来，许多新的ZK证明系统应运而生，以优化模型推理过程的ZK证明，包括vCNN、ZEN、ZKCNN和pvCNN。
然而，它们中的大多数都针对CNN模型进行了优化。
它们只能运用于一些紧张的数据集，如MNIST或CIFAR-10。
✓ 2022 年，Daniel Kang Tatsunori Hashimoto、Ion Stoica 和 Yi Sun（Axiom 创始人）提出了一种基于 Halo 2 的新证明方案，首次实现了对 ImageNet 数据集的 ZK 证明天生。
他们的优化紧张集中在算术化部分，具有用于非线性的新颖查找参数和跨层重用子电路。
✓Modulus Labs正在为链上推理对不同证明系统进行基准测试，创造在证明韶光方面，ZKCNN和plonky2表现最佳；在峰值证明者内存利用方面，ZKCNN和halo2表现良好；而plonky虽然表现良好，但捐躯了内存花费，而且ZKCNN仅适用于CNN模型。
它还正在开拓一个专门为ZKML设计的新zkSNARK系统，以及一个新的虚拟机。
验证证明：验证者利用验证密钥进行验证，无需知道见证人的知识。

因此，我们可以证明将零知识技能运用于机器学习模型可以办理很多信赖问题。
利用交互式验证的类似技能可以达到类似的效果，但会在验证者方面须要更多资源，并可能面临更多的隐私问题。
值得把稳的是，根据详细的模型，为它们天生证明可能须要韶光和资源，因此在将此技能终极运用于现实天下的用例时，各方面将存在折衷。

当前办理方案的现状

接下来，现有的办理方案是什么？请把稳，模型供应者可能有很多不想天生ZKML证明的缘故原由。
对付那些年夜胆考试测验ZKML并且办理方案故意义的人，他们可以根据模型和输入所在的位置选择几种不同的办理方案：

如果输入数据在链上，可以考虑利用Axiom作为办理方案：Axiom正在为以太坊构建一个零知识协处理器，以改进用户对区块链数据的访问并供应更繁芜数字化的链上数据视图。
在链上数据上进行可靠的机器学习打算是可行的：首先，Axiom通过在其智能合约AxiomV0中存储以太坊区块哈希的默克尔根来导入链上数据，这些数据通过ZK-SNARK验证过程进行无信赖验证。
然后，AxiomV0StoragePf合约许可对AxiomV0中缓存的区块哈希给出的信赖根进行任意历史以太坊存储证明的批量验证。
接下来，可以从导入的历史数据中提取机器学习输入数据。
然后，Axiom可以在顶部运用经由验证的机器学习操作；利用经由优化的halo2作为后端来验证每个打算部分的有效性。
末了，Axiom会附上每个查询结果的zk证明，并且Axiom智能合约会验证zk证明。
任何想要证明的干系方都可以从智能合约中访问它。
如果将模型放在链上，可以考虑利用 RISCZero作为办理方案：首先，须要将模型的源代码编译成 RISC-V 二进制文件。
当这个二进制文件在 ZKVM 中实行时，输出会与一个包含加密密封的打算收据配对。
这个密封作为打算完全性的零知识论据，将加密的 imageID（识别实行的 RISC-V 二进制文件）与声明的代码输出关联起来，以便第三方快速验证。
当模型在 ZKVM 中实行时，关于状态变动的打算完备在 VM 内部完成。
它不会向外部透露有关模型内部状态的任何信息。
一旦模型实行完毕，天生的密封就成为打算完全性的零知识证明。
RISC ZeroZKVM 是一个 RISC-V 虚拟机，它可以天生对其实行的代码的零知识证明。
利用 ZKVM，可以天生一个加密收据，任何人都可以验证这个收据是由 ZKVM 的客户代码天生的。
发布收据时，不会透露有关代码实行的其他信息（例如，所供应的输入）。
通过在 RISC Zero 的 ZKVM 中运行机器学习模型，可以证明模型涉及的确切打算是精确实行的。
打算和验证过程可以在用户喜好的环境中离线完成，或者在 Bonsai Network 中完成，Bonsai Network 是一个通用的 roll-up。
天生 ZK 证明的详细过程涉及到一个与随机 oracle 作为验证者的交互协议。
RISC Zero 收据上的密封实质上便是这个交互协议的记录。
如果您想直接从常用的机器学习软件（如 Tensorflow 或 Pytorch）导入模型，可以考虑利用 ezkl 作为办理方案：首先，将终极模型导出为 .onnx 文件，将一些样本输入导出为 .json 文件。
然后，将 ezkl 指向 .onnx 和 .json 文件，以天生可以证明 ZKML 语句的 ZK-SNARK 电路。
Ezkl 是一个库和命令行工具，用于在 zkSNARK 中进行深度学习模型和其他打算图的推断。
看起来大略，对吧？Ezkl 的目标是供应一个抽象层，许可在 Halo 2 电路中调用和布局高等操作。
Ezkl 抽象了许多繁芜性，同时保持了令人难以置信的灵巧性。
他们的量化模型具有自动量化的缩放因子。
他们支持灵巧地变动为新办理方案所涉及的其他证明系统。
他们还支持多种类型的虚拟机，包括 EVM 和 WASM。
关于证明系统，ezkl 通过聚合证明（通过中介将难以验证的证明转换为易于验证的证明）和递归（可以办理内请安题，但难以适应 halo2）来定制 halo2 电路。
Ezkl 还通过领悟和抽象（可以通过高等证明减少开销）来优化全体过程。
值得把稳的是，与其他通用 zkml 项目比较，Accessor Labs 专注于为完备上链游戏供应专门设计的 zkml 工具，可能涉及 AI NPC、游辱弄法的自动更新、涉及自然措辞的游戏界面等。

用例在哪里

通过 ZK 技能办理机器学习的信赖问题意味着它现在可以运用于更多“高风险”和“高度确定性”的用例，而不仅仅是与人们的对话保持同步或将猫的图片与狗的图片区分开来。
Web3 已经在探索许多这样的用例。
这并非巧合，由于大多数 Web3 运用程序都在区块链上运行或打算在区块链上运行，这是由于区块链具有特定的特性，可以安全运行，难以修改，并具有确定性打算。
一个可验证的行为良好的 AI 该当是能够在无信赖和去中央化的环境中进行活动的 AI，对吧？

Web3中可运用ZK+ML的用例

许多Web3运用为了安全性和去中央化而捐躯了用户体验，由于这显然是它们的优先事变，而根本举动步伐的局限性也存在。
AI/ML有潜力丰富用户体验，这无疑是有帮助的，但以前在欠妥协的情形下彷佛是不可能的。
现在，多亏了ZK，我们可以舒适地看到AI/ML与Web3运用的结合，而不会在安全性和去中央化方面做太多捐躯。

从实质上讲，这将是一个Web3运用程序（在撰写本文时可能存在或不存在），以无需信赖的办法实现ML/AI。
在无需信赖的办法下，我们指的是它是否在无需信赖的环境/平台上运行，或者其操作是否可以被证明是可验证的。
请把稳，并非所有ML/AI用例（纵然在Web3中）都须要或更喜好以无需信赖的办法运行。
我们将剖析在各种Web3领域中利用的ML功能的每个部分。
然后，我们将确定须要ZKML的部分，常日是人们乐意为证明支付额外用度的高代价部分。
下面提到的大多数用例/运用仍处于实验研究阶段。
因此，它们间隔实际采取还很迢遥。
我们稍后会谈论缘故原由。

Defi

Defi 是区块链协议和 Web3 运用中为数不多的产品市场契合度证明之一。
以无需容许的办法创建、存储和管理财富和成本在人类历史上是前所未有的。
我们已经确定了许多须要 AI/ML 模型无需容许地运行以确保安全性和去中央化的用例。

风险评估：当代金融须要AI/ML模型进行各种风险评估，从防止敲诈和洗钱到发放无包管贷款。
确保这种AI/ML模型以可验证的办法运行意味着我们可以防止它们被操纵以实现审查制度，从而阻碍利用 Defi 产品的无需容许的性子。
资产管理：自动交易策略对付传统金融和 Defi 来说并不新鲜。
已经有人考试测验运用AI/ML天生的交易策略，但只有少数去中央化的策略取得了成功。
目前 Defi 领域的范例运用包括 Modulus Labs 实验的 Rocky Bot。
一个在 L1 上持有资金并在Uniswap上交流 WEth / USDC 的合约。
一个 L2 合约实现了一个大略（但灵巧）的三层神经网络，用于预测未来的 WEth 价格。
合约利用历史 WETH 价格信息作为输入。
一个大略的前端用于可视化以及用于演习回归器和分类器的 PyTorch 代码。
这适用于 ML 信赖框架的“输出”部分。
输出是在 L2 上天生的，传输到 L1，并用于实行。
在此过程中，不会被修改。
这适用于“输入”和“模型”部分。
历史价格信息输入来自区块链。
模型的实行是在 CairoVM（一种 ZKVM）中计算的，其实行跟踪将天生一个用于验证的 ZK 证明。
Rocky Bot：Modulus Labs 在 StarkNet 上利用 AI 进行决策创建了一个交易机器人。
Automated MM and liquidity provision:实质上，这是风险评估和资产管理中进行的类似努力的结合，只是在交易量、韶光线和资产类型方面采取了不同的办法。
关于如何在股票市场中利用 ML 进行做市的研究论文有很多。
在一些研究成果适用于 Defi 产品可能只是韶光问题。
例如，LyraFinance 正与 Modulus Labs 互助，通过智能功能提升其 AMM，使其成本利用效率更高。
名誉提名：Warp.cc 团队开拓了一个教程项目，先容如何支配一个运行演习好的神经网络以预测比特币价格的智能合约。
这符合我们框架的“输入”和“模型”部分，由于输入利用RedStoneOracles 供应的数据，模型作为一个 Warp 智能合约在Arweave上实行。
这是第一次迭代并涉及 ZK，以是它属于我们的名誉提名，但是在未来，Warp 团队考虑实现一个 ZK 部分。

游戏

游戏与机器学习有很多交集：图中的灰色区域代表了我们对游戏部分中的机器学习功能是否须要与相应的ZKML证明配对的初步评估。
Leela Chess Zero 是将ZKML运用于游戏的一个非常有趣的例子：

AI 代理LC0 和人类集体轮流进行游戏（正如象棋中应有的那样）。
LC0 的移动是通过简化的、适宜电路的 LC0 模型打算出来的。
Leela Chess Zero (LC0)：由 Modulus Labs 构建的一款完备基于链上的 AI 棋手，与来自社区的一群人类玩家对战。
LC0 的移动有一个 Halo2 snark 证明，以确保没有人类智囊团的干预。
只有简化的 LC0 模型在那里做决策。
这符合“模型”部分。
模型的实行有一个 ZK 证明，以验证打算没有被修改。

数据剖析与预测：这一贯是 Web2 游戏天下中 AI/ML 的常见用场。
然而，我们创造在这个 ML 过程中实现 ZK 的情由非常少。
为了不让过多的代价直接涉及到这个过程，这可能不值得付出努力。
然而，如果某些剖析和预测被用来为用户确定褒奖，那么 ZK 可能会被履行以确保结果是精确的。
名誉提名：AI Arena 是一款以太坊原生游戏，来自天下各地的玩家可以在个中设计、演习和战斗由人工神经网络驱动的 NFT 角色。
来自天下各地的才华横溢的研究职员竞相创建最佳机器学习（ML）模型来参与游戏战斗。
AI Arena 紧张关注前馈神经网络。
总体而言，它们的打算开销比卷积神经网络（CNNs）或循环神经网络（RNNs）低。
只管如此，目前模型只在演习完成后上传到平台，因此值得一提。
GiroGiro.AI 正在构建一个 AI 工具包，使大众能够为个人或商业用场创建人工智能。
用户可以根据直不雅观且自动化的 AI 事情流平台创建各种类型的 AI 系统。
只需输入少量数据和选择算法（或用于改进的模型），用户就可以天生并利用心中的 AI 模型。
只管该项目处于非常早期阶段，但我们非常期待看到 GiroGiro 可以为游戏金融和元宇宙为重点的产品带来什么，因此将其列为名誉提名。

DID和社交

在 DID 和社交领域，Web3 和 ML 的交叉点目前紧张表示在人类证明和凭据证明领域；其他部分可能会发展，但须要更长的韶光。

人类证明用户的运用程序在本地天生一个钱包地址。
运用程序利用 Semaphore 证明它拥有之前注册的一个公钥的私钥。
由于这是零知识证明，以是它不会透露是哪个公钥。
证明再次发送到顺序器，顺序器验证证明并启动将代币存入供应的钱包地址的过程。
所谓的零件随证明一起发送，确保用户不能领取两次褒奖。
用户在手机上天生一个 Semaphore 密钥对，并通过二维码向Orb供应哈希后的公钥。
Orb 扫描用户的虹膜并在本地打算用户的 IrisHash。
然后，它将包含哈希公钥和 IrisHash 的署名发送到注册顺序节点。
顺序节点验证 Orb 的署名，然后检讨 IrisHash 是否与数据库中已有的匹配。
如果唯一性检讨通过，IrisHash 和公钥将被保存。
Worldcoin 利用一种名为 Orb 的设备来判断某人是否是一个真实存在的人，而不是试图敲诈验证。
它通过各种摄像头传感器和机器学习模型剖析面部和虹膜特色来实现这一目标。
一旦做出这个判断，Orb 就会拍摄一组人的虹膜照片，并利用多个机器学习模型和其他打算机视觉技能创建虹膜编码，这是一个表示个体虹膜图案最主要特色的数字表示。
详细的注册步骤如下：Worldcoin 利用开源的 Semaphore 零知识证明系统将 IrisHash 的唯一性转换为用户帐户的唯一性，而不会将它们关联起来。
这确保新注册的用户可以成功领取他/她的 WorldCoins。
步骤如下：WorldCoin利用 ZK 技能确保其 ML 模型的输出不会透露用户的个人数据，由于它们之间没有关联。
在这种情形下，它属于我们信赖框架的“输出”部分，由于它确保了输出以期望的办法传输和利用，在这种情形下是私密的。

从用例角度重新核阅ML信赖框架

可以看到，Web3 中 ZKML 的潜在用例尚处于起步阶段，但不能被忽略；未来，随着 ZKML 利用的不断扩大，可能会涌现对 ZKML 供应商的需求，形成下图中的闭环：

ZKML 做事供应商紧张关注 ML 信赖框架的“模型”和“参数”部分。
只管我们现在看到的大部分与“参数”干系的更多是“模型”干系。
须要把稳的是，“输入”和“输出”部分更多地由基于区块链的办理方案办理，无论是作为数据来源还是数据目的地。
单独利用 ZK 或区块链可能无法实现完备的可信度，但它们联合起来可能会实现。

大规模运用还有多远？

末了，我们可以关注一下 ZKML 确当前可行性状态，以及我们离 ZKML 大规模运用还有多远。

Modulus Labs 的论文通过测试 Worldcoin（具有严格的精度和内存哀求）和 AI Arena（具有本钱效益和韶光哀求）为我们供应了一些关于 ZKML 运用可行性的数据和见地：

如果 Worldcon 利用 ZKML，证明者的内存花费将超过任何商用移动硬件的承受能力。
如果 AI Arena 的比赛利用 ZKML，利用 ZKCNNs 将使韶光和本钱增加 100 倍（0.6 s 比拟原来的 0.008 s）。
以是遗憾的是，这两者都不适宜直接应用 ZKML 技能来证明韶光和证明者内存利用。

那么证明大小和验证韶光呢？我们可以参考 Daniel Kang、Tatsunori Hashimoto、Ion Stoica 和 Yi Sun 的论文。
如下所示，他们的 DNN 推理解决方案在 ImageNet（模型类型：DCNN，16 层，3.4 百万参数）上的准确率可以达到 79%，同时验证韶光仅需 10 秒，证明大小为 5952 字节。
此外，zkSNARKs 可以缩小到 59% 准确率时验证韶光仅需 0.7 秒。
这些结果表明，在证明大小和验证韶光方面，对 ImageNet 规模的模型进行 zkSNARKing 是可行的。
目前紧张的技能瓶颈在于证明韶光和内存花费。
在 web3 案例中运用 ZKML 在技能上尚不可行。
ZKML 是否有潜力遇上 AI 的发展呢？我们可以比较几个履历数据：

机器学习模型的发展速率：2019 年发布的 GPT-1 模型具有 1.5 亿个参数，而 2020 年发布的最新 GPT-3 模型具有 1,750 亿个参数，仅两年间参数数量增加了 1,166 倍。
零知识系统的优化速率：零知识系统的性能增长基本上遵照“摩尔定律”式的步伐。
险些每年都会涌现新的零知识系统，我们估量证明者性能的快速增长在一段韶光内还将连续。

从这些数据来看，只管机器学习模型的发展速率非常快，但零知识证明系统的优化速率也在稳步提升。
在未来一段韶光内，ZKML 可能仍有机会逐步遇上 AI 的发展，但它须要不断地进行技能创新和优化以缩小差距。
这意味着，只管目前 ZKML 在 web3 运用中存在技能瓶颈，但随着零知识证明技能的不断发展，我们仍有情由期待 ZKML 在未来能够在 web3 场景中发挥更大的浸染。
比拟前沿的ML与ZK的改进率，前景并不十分乐不雅观。
不过，随着卷积性能、ZK硬件的不断完善，以及基于高度构造化的神经网络操作而量身定做的ZK证明系统，希望ZKML的发展能够知足web3的需求，先从供应一些老式的机器学习功能开始。
虽然我们可能很难用区块链+ZK来验证ChatGPT反馈给我的信息是否可信，但我们也容许以在ZK电路中安装一些较小和较老的ML模型。

结论

\"大众权力趋于腐败，而绝对的权力会使人绝对腐败\公众。
随着人工智能和 ML 的令人难以置信的力量，目前还没有万无一失的方法将其置于管理之下。
事实几次再三证明，政府要么供应后期干预的后遗症，要么提前彻底禁止。
区块链+ZK供应了为数不多的办理方案，能够以一种可证明和可核实的办法驯服野兽。

我们期待在 ZKML 领域看到更多的产品创新，ZK和区块链为AI/ML的运行供应了一个安全和值得相信的环境。
我们也期待这些产品创新产生全新的商业模式，由于在无容许的加密货币天下里，我们不受这里的去SaaS商业化模式的限定。
我们期待着支持更多的培植者，在这个 \"大众西部荒野无政府状态 \"大众和 \"大众象牙塔精英 \"大众的迷人重叠中，来建立他们令人愉快的想法。
我们仍处于早期阶段，但我们可能已经在拯救天下的路上。