登录 后可观看高清视频

ZK S3M8: ZKML

11次播放
15小时前

视频 AI 总结： 该视频探讨了零知识机器学习（ZKML）的核心概念、必要性及其技术挑战与解决方案。ZKML旨在通过密码学证明，验证AI模型在特定输入上运行并产生预期输出的完整性，同时可选择性地保护输入、模型或输出的隐私。面对AI模型日益增长的信任危机和对抗性环境（如区块链），ZKML提供了一种验证模型执行真实性的方法。视频深入讨论了如何将AI模型的浮点运算和非线性操作转化为ZK友好的有限域计算，并介绍了Ezekiel团队在构建ZKML系统时所做的关键技术选择。

关键信息：

  1. ZKML的定义与目的： ZKML通过零知识证明，验证AI模型在给定输入上正确执行并生成输出，同时允许对输入、模型或输出进行隐私保护。这解决了AI模型缺乏可信度的问题，尤其在决策委托和对抗性环境中至关重要。
  2. ZKML与传统ZKVM的区别： 传统的ZKVM主要优化于密码学操作（如哈希、签名），处理的是离散数据。而ZKML需要高效处理小实数（浮点数）和复杂的非线性运算，这在有限域的ZK电路中实现起来非常复杂且成本高昂。
  3. 前端选择与ONNX： 为了提高开发体验和适应AI模型生态，Ezekiel团队选择Python（PyTorch、TensorFlow）作为开发语言，并将其模型导出为ONNX（Open Neural Network Exchange）格式。ONNX作为一种抽象语法树（AST）或有向无环图（DAG），其结构天然接近ZK电路，便于编译。
  4. 编译式证明方法： 团队倾向于采用“编译式”而非“解释式”（ZKVM）的证明方法。编译式方法允许在编译时进行大量优化，例如融合操作、替换算法（如矩阵乘法），从而显著提高证明效率。
  5. 浮点数处理的挑战与ZK友好模型： IEEE 754浮点数标准在ZK电路中实现成本极高，因为涉及复杂的指数对齐、溢出/下溢检查和舍入模式。Ezekiel团队采用了一种ZK友好的定点数模型，为张量固定一个比例因子（scale），用单个有限域元素表示数值，并通过周期性重基（re-basing）来管理精度和范围。
  6. 非线性操作的处理： 对于ReLU、Sigmoid等非线性函数，团队探索了多种方法，包括查找表（Lookup Table）、多项式近似、分段线性近似和基于范围检查（Range Check）的位分解。随着实践深入，团队逐渐减少对查找表的依赖，转而使用更基础且对完备性影响较小的符号/比较操作。
  7. 非确定性与变分论证： ZKML利用非确定性（witnessing）来简化复杂运算（如平方根、除法）的证明，只需验证结果的正确性而非计算过程。此外，还引入了“变分论证”（Variational Arguments），通过检查相邻值来证明函数的最优性（例如最小值），这在量化和凸函数场景下非常高效。
  8. 模块化证明与未来方向： 尽管目前主要使用Halo 2等证明系统，但ZKML的电路描述与具体证明系统相对独立。未来方向包括探索更高效的证明系统组织方式（如分段SNARKs、折叠、IVC/PCD），利用中间张量的KZG承诺来分解大型计算图，以及持续寻找渐进式更快的证明算法。