原文:a16z
编译:DeFi之说念
www.queenlyathleticwear.com在以前的几年里,区块链上的零学问解释主要用于两个重要见解:(1) 通过在链下处理交游并在主网上考据斥逐来推广运筹帷幄受限汇注的界限;(2) 通过扫尾屏蔽交游来保护用户秘籍,只消领有解密密钥的东说念主才能查抄。在区块链布景下,这些特色显著是可取的:去中心化汇注(如以太坊)不成在分别考据者处理才气、带宽和延伸建议无法承受的条目的情况下普及浑沌量或区块大小(因此需要有用性调动),统共交游皆对任何东说念主可见(因此需要链上秘籍惩办有商酌)。
ug环球官网但零学问解释对于第三类功能亦然有用的:高效地考据任何类型的运筹帷幄(而不单是是在链下实例化的EVM中的运筹帷幄)依然正确运行。这对区块链以外的领域也有很大影响。
手机投注网面前,欺骗零学问解释爽气地考据运筹帷幄才气的系统的跨越使用户能够从每一个数字产物中条目与区块链所保证的换取进程的无信任和可考据性,尤其是从机器学习模子中。区块链运筹帷幄的高需求激勉了零学问解释商讨,创造了具有较小内存占用和更快解释和考据时辰的当代解释系统——使得面前不错在链上考据某些微型机器学习算法。
到面前为止,咱们皆可能依然体验到了与一个相等强劲的机器学习产物互动的后劲。几天前,我用GPT-4匡助我创建了一个能勾通打败我棋战的AI。这嗅觉像是以前几十年里机器学习取得的统共跨越的一个诗意的缩影:IBM的开荒东说念主员花了十二年时辰制作出Deep Blue,一个运行在32节点IBM RS/6000 SP运筹帷幄机上、能每秒评估近2亿个棋步的模子,该模子在1997年打败了国外象棋冠军加里·卡斯帕罗夫。比较之下,我花了几个小时——在我这边只进行了最少的编码——就创建了一个能驯顺我的款式。
虽然,我怀疑我创建的AI是否能在国外象棋上打败加里·卡斯帕罗夫,但这并不是重心。重心是任何捉弄GPT-4的东说念主皆可能在取得超才气方面有访佛的资历:你只需要付出很小的致力于,就不错创造出接近或超过你我方才气的东西。咱们皆是IBM的商讨员;咱们皆是加里·卡斯帕罗夫。
显著,这让东说念主本旨又有些怯生生。对于任安在加密货币行业责任的东说念主来说,当然的反馈(在咋舌于机器学习能作念什么之后)是接头潜在的联接化道路以及如何将这些道路去中心化,酿成一个东说念主们不错透明审计和领有的汇注。面前的模子是通过吞吃无数公开可用的文本和数据制作的,但面前只消少数东说念主递次和领有这些模子。更具体地说,问题不是“东说念主工智能是否具有高大价值”,而是“咱们如何构建这些系统,使得与之互动的任何东说念主皆能取得其经济利益,并在他们但愿的情况下,确保他们的数据以尊重秘籍权的方式使用”。
最近,有东说念主号令暂停或减缓访佛Chat-GPT这么的要紧东说念主工智能名见解发展。不容跨越可能不是惩办有商酌:更好的循序是鼓动开源模子,并在模子提供商但愿保护其权重或数据奥妙性的情况下,使用保护秘籍的零学问解释对它们进行保护,这些解释在链上况兼不错完全审计。如今,对于专有模子权重和数据的后一种用例尚无法在链上扫尾,但零学问解释系统的跨越将在翌日扫尾这一指标。
可考据和可领有的机器学习我使用Chat-GPT构建的国外象棋AI在面前看来相对无害:输出相对一致的款式,不使用扰乱有价值学问产权或扰乱秘籍的数据。但当咱们念念确保咱们被呈报的在API背面运行的模子如实是运行过的模子时会如何样?或者,要是我念念将认证过的数据输入到链上的模子中,并确保数据如实来自正当方?要是我念念确保提交数据的“东说念主”实质上是东说念主而不是试图对我的汇注发起拜占庭报复的机器东说念主呢?零学问解释过头爽气地示意和考据随便款式的才气是一种惩办循序。
需要认真是是,面前在链上机器学习布景下,零学问解释的主要用途是考据正确的运筹帷幄。换句话说,在机器学习布景下,零学问解释和更具体的SNARK(爽气的非交互式学问论证)最有用的方位在于它们的爽气性特色。这是因为零学问解释保护了解释者(过头处理的数据)免受窥视者的扰乱。完全同态加密(FHE)、功能加密或着实实施环境(TEE)等增强秘籍的时代更适用于让不受信任的解释者在专有输入数据上运行运筹帷幄(更长远地探讨这些时代超出了本文的范围)。
让咱们退后一步,从高眉目了解不错用零学问示意的机器学习应用类型(要长远了解零学问,请参阅咱们对于零学问解释算法和硬件的矫正的著述,查抄Justin Thaler对于SNARK性能的商讨,或者查抄咱们的零学问讲义)。零学问解释不异将款式示意为算术电路:使用这些电路,解释者从环球和专有输入生成解释,考据者通过数学运筹帷幄来确保此语句的输出是正确的——而不获取对于专有输入的任何信息。
咱们仍处于使用链上零学问解释考据运筹帷幄的相等早期阶段,但算法的矫正正在扩大可行的范围。以下是五种在机器学习中应用零学问解释的循序。
1.模子信得过性:您但愿确保某个实体宣称依然运行的机器学习模子如实是运行过的模子。举例,在某个模子位于API背面的情况下,提供特定模子的实体可能有多个版块,举例一个较低廉、准确度较低的版块,以及一个较贵、性能更高的版块。莫得解释,您无法知说念当您实质支付了更斯文的版块时,提供商是否为您提供了更低廉的模子(举例,提供商但愿省俭做事器本钱并普及利润率)。
为此,您需要为每个模子实例提供单独的解释。一个实质的循序是通过Dan Boneh、Wilson Nguyen和Alex Ozdemir的功能承诺框架,这是一个基于SNARK的零学问承诺有商酌,允许模子统共者承诺一个模子,用户不错将他们的数据输入到该模子中,并领受到依然运行的承诺模子的考据。一些基于Risc Zero(一个通用的基于STARK的造谣机)的应用款式也扫尾了这少许。Daniel Kang、Tatsunori Hashimoto、Ion Stoica和Yi Sun进行的其他商讨标明,不错在ImageNet数据集上考据有用的臆测,准确率为92%(与最高性能的非零学问考据ImageNet模子终点)。
但只是领受到已提交模子已运行的解释并不一定浪掷。一个模子可能无法准确地示意给定的款式,因此您会但愿第三方审核已提交的模子。功能承诺允许解释者解释其使用了已承诺的模子,但不成保证已承诺模子的任何信息。要是咱们能让零学问解释在解释试验方面发扬得浪掷好(请参见底下的示例#4),咱们将来也可能起先取得这些保证。
该新适应症为泽布替尼联合奥妥珠单抗用于治疗既往至少经过二线治疗后复发或难治性(R/R)滤泡性淋巴瘤(FL)成人患者。此前,该适应症已获得FDA授予的"快速通道"资格和"孤儿药"认定。根据《处方药使用者付费法案》,美国FDA预计将于2024年第一季度对该项申请做出决定。
7月13日,中国(重庆)自由贸易试验区(两路果园港综保区)企业服务中心、西部陆海新通道数智算力中心在两路果园港综保区正式揭牌成立,打造两路果园港综保区企业服务“升级版”,探索重庆自贸试验区企业服务新模式。
2.模子齐全性:您但愿确保换取的机器学习算法以换取的方式在不同用户的数据上运行。这在您不但愿应用随便偏见的领域相等有用,如信用评分决策和贷款央求。您也不错使发愤能承诺来扫尾这少许。为此,您需要承诺一个模子过头参数,并允许东说念主们提交数据。输出将考据该模子是否针对每个用户的数据运行已承诺的参数。或者,不错公开模子过头参数,并让用户我方解释他们将得当的模子和参数应用于我方的(经过认证的)数据。这在医疗领域可能尤其有用,因为法律条目某些对于患者的信息必须狡饰。将来,这不错扫尾一个医学会诊系统,它能够从完全奥妙的及时用户数据中学习和矫正。
3.认证:您但愿将来自外部经过考据的方(举例,任何不错生成数字签名的数字平台或硬件诞生)的认证整合到链上运行的模子或任何其他类型的智能合约中。要作念到这少许,您将使用零学问解释考据签名,并将解释手脚款式的输入。Anna Rose和Tarun Chitra最近主抓了一期零学问播客节目,嘉宾是Daniel Kang和Yi Sun,他们探讨了这一领域的最新进展。
具体来说,Daniel和Yi最近发布了一项商讨,探讨了如何考据由具有经过认证的传感器的录像机拍摄的图像是否经过了如编订、缩放或有限掩盖等变换,这在您但愿解释图像莫得经过深度伪造但如实经过了某种正当编订的情况下很有用。Dan Boneh和Trisha Datta也作念过访佛的商讨,使用零学问解释考据图像的出处。
但更庸俗地说,任何经过数字认证的信息皆是这种考据边幅的候选对象:Jason Morton正在开荒EZKL库(不才一节将有更多先容),他称这种循序为“赋予区块链视力”。任何已签名的端点(举例,Cloudflare的SXG做事,第三方公证东说念主)皆会产生不错考据的数字签名,这可能对于解释来自着实任方的出处和信得过性相等有用。
4.漫衍式推理或试验:您但愿以漫衍式的方式实施机器学习推理或试验,并允许东说念主们向环球模子提交数据。为此,您不错将已有的模子部署到链上,或者想象一个全新的汇注,并使用零学问解释来压缩模子。Jason Morton的EZKL库正在创建一种用于收受ONXX和JSON文献并将它们转变为ZK-SNARK电路的循序。最近在ETH Denver的一个演示标明,这种时代可用于创建基于图像识别的链上寻宝游戏,游戏创作家不错上传相片,生成图像的解释,玩家不错上传图像;考据器检验用户上传的图像是否与创作家生成的解释浪掷匹配。EZKL面前不错考据多达1亿个参数的模子,这意味着它不错用于在链上考据ImageNet大小的模子(这些模子具有6000万个参数)。
其他团队,如Modulus Labs,正在为链上推理对不同解释系统进行基准测试。Modulus的基准测试涵盖了多达1800万个参数。在试验方面,Gensyn正在构建一个漫衍式运筹帷幄系统,用户不错输入环球数据,并通过漫衍式节点汇注进行模子试验,同期考据试验的正确性。
168体育是黑平台5.东说念主解释:您但愿考据某东说念主是一个非凡的个体,而不毁伤其秘籍。为此,您将创建一种考据循序,举例生物识别扫描或以加密方式提交政府ID的循序。然后,您将使用零学问解释来检验某东说念主是否依然过考据,而不会露出对于该东说念主身份的任何信息,不管该身份是完全可识别的,照旧像公钥那样的伪名。
皇冠足球网站Worldcoin通过他们的东说念主解释公约来扫尾这少许,该公约通过为用户生成非凡的虹膜代码来确保抗报复性。重要的是,为WorldID创建的私钥(以及为Worldcoin用户创建的加密钱包的其他私钥)与名见解眼球扫描器土产货生成的虹膜代码完全分离。这种分离完全将生物识别瑰丽符与可能归因于某东说念主的任何边幅的用户密钥分离。Worldcoin还允许应用款式镶嵌一个SDK,使用户不错使用WorldID登录,并通过允许应用款式检验东说念主是否领有WorldID来欺骗零学问解释来保护秘籍,但不允许追踪个别用户(更多细节,请参阅此博客著述)。
这个例子是用零学问解释的秘籍保护特色来起义较弱且坏心的东说念主工智能的边幅,因此它与上述其他示例(举例,解释你是一个信得过的东说念主类而不是机器东说念主,同期不露出任何干于我方的信息)有很大不同。
大小球模子架构和挑战在扫尾SNARKs(爽气非交互式学问论证)的解释系统方面的打破依然成为将好多机器学习模子上链的重要驱能源。一些团队正在现存的架构(包括Plonk、Plonky2、Air等)中制作定制电路。在定制电路方面,Halo 2已成为Daniel Kang等东说念主的责任和Jason Morton的EZKL名目中庸俗使用的后端。Halo 2的解释者时辰近似线性,解释大小不异只消几千字节,考据者时辰恒定。或者更热切的是,Halo 2领有强劲的开荒者器具,使其成为开荒者可爱使用的SNARK后端。其他团队,如Risc Zero,正在寻求通用VM战略。还有些团队正使用基于乞降检验公约的Justin Thaler的超高效解释系统创建定制框架。
解释生成和考据器时辰统共取决于生成和检考据明的硬件以及生成解释的电路大小。但这里需要认真是重要点是,不管代表的款式是什么,解释的大小老是相对较小,因此考据解释的考据者的职守是受限的。关联词,在这里有一些隐微之处:对于像Plonky2这么使用基于FRI的承诺有商酌的解释系统,解释大小可能会加多。(除非终末使用像Plonk或Groth16这么基于配对的SNARK包装,这些解释不会跟着所解释述说的复杂性而增长。)
对于机器学习模子的启示是,一朝想象了一个准确示意模子的解释系统,实质考据输出的本钱将相等低廉。开荒者需要接头的最热切的是解释者时辰和内存:以一种不错相对快速解释的方式示意模子,况兼解释大小理念念地在几千字节傍边。要解释机器学习模子在零学问情况下的正如实施,你需要将模子架构(层、节点和激活函数)、参数、照顾和矩阵乘法运算编码并示意为电路。这波及将这些属性判辨为不错在有限域上实施的算术运算。
这个领域还处于起步阶段。在将模子转变为电路的经由中,准确性和保真度可能会受到影响。当模子示意为算术电路时,前边提到的模子参数、照顾和矩阵乘法运算可能需要近似和简化。当将算术运算编码为解释的有限域中的元素时,可能会丢失一些精度(或者在不进行这些优化的情况下生成解释的本钱在现时的零学问框架下将不胜重担)。此外,机器学习模子的参数和激活不异以32位进行编码以普及精度,但是今天的零学问解释无法在必要的算术电路款式中示意32位浮点运算,而不产生高大的支出。因此,开荒者可能会采用使用量化的机器学习模子,其中32位整数依然转变为8位精度。这些类型的模子故意于示意为零学问解释,但是被考据的模子可能是较高质料启动模子的顽劣近似。
在皇冠体育,我们提供各种各样的博彩游戏和体育博彩活动,包括足球、篮球、棒球、高尔夫、赛马、斯诺克、乒乓球、桌球和电子竞技等。我们的博彩游戏和体育博彩活动都是经过精心设计和调整,以保证公正和透明。加入我们,您将有机会参与世界上最受欢迎和最激动人心的博彩活动!在这个阶段,这如实是一场奋发图强的游戏。跟着零学问解释变得愈加优化,机器学习模子变得越来越复杂。依然有一些优化的有长进的领域:解释递归不错通过允许解释用作下一个解释的输入来减小全体解释大小,从而扫尾解释压缩。还有一些新兴的框架,比如Linear A的Apache Tensor造谣机(TVM)分支,该框架推出了一种转变器,不错将浮点数转变为零学问友好的整数示意。终末,咱们在a16z crypto对翌日的责任感到乐不雅,它将使在SNARKs中示意32位整数变得愈加合理。
菠菜系统登录平台“界限”的两种界说 零学问解释通过压缩扫尾界限化:SNARKs允许你将一个极其复杂的系统(如造谣机或机器学习模子)数学示意,使得考据它的本钱低于运行它的本钱。另一方面,机器学习是通过推广扫尾界限化的:如今的模子跟着更多数据、参数以及参与试验和推理经由的GPU/TPU而变得更好。中心化公司不错以险些无松手的界限运行做事器:收取API调用的月费,并支付运营本钱。
区块链汇注的经济践诺险些碰巧相背:开荒者被饱读吹优化他们的代码,使其在链上运行既可行又低廉。这种分别称具有高大的上风:它创造了一个需要普及解释系统效果的环境。咱们应该寻求在机器学习中条目与区块链提供的换取克己,即可考据的统共权和分享的信得过不雅念。
尽管区块链激勉了优化zk-SNARKs,但运筹帷幄联系的每个领域皆将受益。
致谢:Justin Thaler, Dan Boneh, Guy Wuollet, Sam Ragsdale, Ali Yahya, Chris Dixon, Eddy Lazzarin, Tim Roughgarden, Robert Hackett, Tim Sullivan, Jason Morton, Peiyuan Liao, Tarun Chitra, Brian Retford, Daniel Kang, Yi Sun, Anna Rose, Modulus Labs2024年重庆时时彩棋牌, DC Builder。