例如，一个借贷协议智能合约根据一定的贷款价值比例规范了何时清算头寸。在一个风险不断变化的动态环境中，这些智能合约必须不断更新以考虑风险容忍度的变化，这为通过去中心化流程进行管理的合约带来了挑战。例如，依赖去中心化治理流程的DAO可能无法及时对系统性风险做出反应。
集成人工智能（如机器学习模型）的智能合约是增强功能、安全性和效率的一种可能的方式，同时改善整体用户体验。然而，这些集成也引入了额外的风险，因为无法确保支持这些智能合约的模型不会被攻击或考虑到长尾情况（众所周知，由于缺乏数据输入，很难对模型进行训练）。
机器学习需要大量计算资源来运行复杂模型，这使得AI模型无法在智能合约内部直接运行，因为高昂的成本。例如，一个DeFi协议为用户提供了收益优化模型的功能，但如果试图在链上运行该模型，就必须支付高昂的Gas费。一种解决方案是增加底层区块链的计算能力。然而，这也会增加链的验证节点的负担，可能会削弱其去中心化属性。因此，一些项目正在探索使用zkML来以无需密集的链上计算就能以无许信任的方式验证输出的方法。
说明zkML有用性的一个常见示例是，当用户需要其他人通过模型运行数据，并验证其交易对手是否实际运行了正确的模型时。也许开发者正在使用去中心化计算提供方来训练他们的模型，担心提供方正在尝试通过使用成本更低的模型来节省成本，但输出几乎无法察觉。zkML使得计算提供方可以运行数据通过他们的模型，然后生成一个证明，可以在链上验证模型对给定输入的输出是正确的。在这种情况下，模型提供者将有额外的优势，即能够提供他们的模型，而无需透露产生输出的底层权重。
相反的情况也可以发生。如果用户想要运行一个模型，使用他们的数据，但又不想让提供模型的项目获取他们的数据，因为存在隐私问题（例如医学检查或专有业务信息），那么用户可以在他们的数据上运行模型而不共享它，并验证他们是否运行了正确的模型，同时提供证据。这些可能性大大扩展了通过解决限制性计算限制来集成人工智能和智能合约功能的设计空间。
鉴于zkML领域的早期状态，开发主要集中在构建团队将其模型和输出转换为可在链上验证的证明所需的基础设施和工具上。这些产品尽可能地抽象了开发中的零知识方面。
EZKL和Giza这两个项目，通过提供机器学习模型执行的可验证证明，来构建这些工具。两者都帮助团队构建机器学习模型，以确保这些模型可以以一种无需信任地在链上验证结果的方式执行。这两个项目都使用开放式神经网络交换（ONNX）将用通用语言如TensorFlow和Pytorch编写的机器学习模型转换为标准格式。然后，在执行时它们输出这些模型的版本，也产生zk-proofs。EZKL是开源的，生成zk-SNARKS，而Giza是闭源的，生成zk-STARKS。这两个项目目前仅与EVM兼容。
在过去几个月中，EZKL在增强其zkML解决方案方面取得了显著进展，主要集中在降低成本、提高安全性和加速证明生成方面。例如，在2023年11月，EZKL集成了一个新的开源GPU库，将总体证明时间减少了35% ，并且在1月份，EZKL宣布了Lilith，这是一个软件解决方案，用于在使用EZKL证明系统时集成高性能计算集群并协调并发作业。Giza独特之处在于，除了提供创建可验证机器学习模型的工具之外，他们还计划实现HuggingFace的web3等效版本，为zkML协作和模型共享开设一个用户市场，并最终集成去中心化的计算产品。在1月份，EZKL发布了一个基准评估，比较了EZKL、Giza和RiscZero（下文讨论）的性能。EZKL表现出更快的证明时间和内存使用率。
ModulusLabs也正在开发一种专为人工智能模型量身定制的新的zk-proof技术。Modulus发表了一篇名为《TheCostofIntelligence》（暗示了在链上运行AI模型的成本极高）的论文，对当时的现有zk-proofs系统进行了基准测试，以识别改进AI模型zk-proofs的能力和瓶颈。该论文发表于2023年1月，表明现有的解决方案成本和效率都太高，无法实现大规模的AI应用。基于他们的初步研究，Modulus在11月推出了Remainder，这是一个专门为降低AI模型成本和证明时间而构建的专业零知识证明器，旨在使项目能够经济上可行地大规模集成模型到他们的智能合约中。他们的工作是闭源的，因此无法与上述解决方案进行基准测试，但最近在Vitalik的有关加密和人工智能的博客文章中提到了它们。
工具和基础设施的开发对zkML领域的未来增长至关重要，因为它极大地减少了团队部署zk电路以进行可验证的链下计算所需的摩擦力。创建安全接口，使非加密原生开发者在机器学习领域工作时能够将他们的模型带到链上，将使具有真正新颖用例的应用程序的实验增加。工具还解决了更广泛的zkML采用的一个主要障碍，即缺乏在零知识、机器学习和密码学交叉领域有知识和兴趣的开发者。
正在开发的其他解决方案，称为「协处理器」，包括RiscZero、Axiom和Ritual。术语「协处理器」在大多数情况下是语义上的-这些网络承担许多不同的角色，包括在链上验证链下计算。与EZKL、Giza和Modulus一样，它们的目标是完全抽象化零知识证明生成过程，从而创建基本上是能够在链下执行程序并为链上验证生成证明的零知识虚拟机。RiscZero和Axiom可以处理简单的AI模型，因为它们是更通用的协处理器，而Ritual则专为与AI模型配合使用而构建。
Infernet是Ritual的第一个实例，并包含一个InfernetSDK，允许开发者向网络提交推理请求，并在返回时收到输出和证明（可选）。Infernet节点接收这些请求，并在链下处理计算，然后返回输出。例如，一个DAO可以创建一个流程，以确保所有新的治理提案在提交之前满足某些先决条件。每次提交新提案时，治理合约都会通过Infernet触发推理请求，调用一个特定于DAO的治理训练过的AI模型。该模型审查提案，以确保提交了所有必要的条件，并返回输出和证明，要么批准，要么否决提案的提交。
在未来一年内，Ritual团队计划推出构成基础设施层的附加功能，称为RitualSuperchain。之前讨论过的许多项目都可以作为服务提供方插入到Ritual中。目前，Ritual团队已经与EZKL整合进行了证明生成，并可能很快会添加来自其他领先提供方的功能。Ritual上的Infernet节点还可以使用Akash或io.netGPU，并查询在Bittensor子网上训练的模型。他们的最终目标是成为开放AI基础设施的首选提供方，能够为任何网络上的任何工作提供机器学习和其他与AI相关的任务服务。
zkML有助于调和区块链和人工智能之间的矛盾，前者天生资源受限，后者需要大量的计算和数据。正如Giza的一位创始人所说：「用例是如此丰富...这有点像在以太坊早期问智能合约有哪些用例一样...我们正在扩展智能合约的用例。」然而，正如上文所强调的，当今的发展主要集中在工具和基础设施层面。应用程序仍处于探索阶段，团队们面临的挑战是证明使用zkML实现模型带来的价值超过了这样做的复杂性和成本。
今天的一些应用包括：
DeFi。zkML通过增强智能合约的功能，拓展了DeFi。DeFi协议为机器学习模型提供了大量可验证和不变的数据，可用于生成产生收益或交易策略、风险分析、UX等。例如，Giza与YearnFinance合作，为Yearn的新v3保险库构建了一个概念验证的自动风险评估引擎。ModulusLabs与LyraFinance合作，将机器学习纳入其AMMs，与IonProtocol合作验证者风险模型，并帮助Upshot验证其基于AI的NFT价格数据源。像NOYA（利用EZKL）和Mozaic这样的协议提供了对专有链下模型的使用，使用户能够使用自动APY机枪池，同时能够在链上验证数据输入和证明。SpectralFinance正在构建链上信用评分引擎，预测Compound或Aave借款人违约的可能性。这些所谓的「De-Ai-Fi」产品有望在未来几年中变得更加普遍，这要归功于zkML。
游戏。人们一直认为区块链颠覆和增强游戏的时机已经成熟。zkML使得在链上使用人工智能进行游戏成为可能。ModulusLabs已经为简单的链上游戏实现了概念验证。LeelavstheWorld 是一个博弈论象棋游戏，用户与AI象棋模型对决，zkML验证Leela的每一步都是基于游戏所采用的模型在运行。类似地，团队们使用EZKL框架构建了简单的唱歌比赛和链上井字棋。Cartridge正在利用Giza使团队能够部署完全在链上的游戏，最近力推了一个简单的AI驾驶游戏，用户竞争创建更好的模型，使汽车避开障碍物。虽然简单，但这些概念验证指向了未来的落地，即实现更复杂的链上验证，如与AIArena中的高级NPC角色交互的游戏经济相互作用，AIArena是一款类似于超级马里奥的游戏，玩家训练自己的战士，然后部署为AI模型进行战斗。
身份、溯源和隐私。加密已经被用作验证真实性的手段，并对越来越多的AI生成/操纵的内容和深伪进行打击。zkML可以推进这些努力。WorldCoin是一个人格证明的解决方案，需要用户扫描他们的虹膜生成唯一ID。未来，生物识别ID可以通过使用加密存储在个人设备上自我保管，所需的模型用于本地验证这些生物识别信息。用户可以提供他们的生物识别信息的证明，而无需透露自己的身份，从而抵御女巫攻击，同时确保隐私。这也可以应用于其他需要隐私的推断，例如使用模型分析医学数据/图像以检测疾病、验证个体身份并在约会应用程序中开发匹配算法，或用于需要验证财务信息的保险和贷款机构。
zkML仍处于实验阶段，大多数项目都专注于构建基础设施原型和概念验证。目前面临的挑战包括计算成本、内存限制、模型复杂性、有限的工具和基础设施，以及开发人才。简而言之，在zkML可以实现消费产品所需的规模之前，还有大量工作要做。
然而，随着领域的成熟和这些限制的解决，zkML将成为人工智能和加密集成的关键组成部分。在其核心，zkML承诺能够将任何规模的链下计算带到链上，同时保持与在链上运行计算相同或接近相同的安全保障。然而，在实现这一愿景之前，该技术的早期用户将继续不得不在zkML的隐私和安全性与替代方案的效率之间进行权衡。
以上就是Galaxy：全景解读Crypto+AI赛道的全部内容，望能这篇Galaxy：全景解读Crypto+AI赛道可以帮助您解决问题，能够解决大家的实际问题是非常好学习网一直努力的方向和目标。